Klassische evolutionäre Verfahren -...
Transcript of Klassische evolutionäre Verfahren -...
Planung und Optimierung mit evolutionären Verfahren
K4: Klassische evolutionäre Verfahren
1
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 1
Klassische evolutionäre Verfahren
Übersicht
Evolutionsstrategie (ES)
Genetische Algorithmen (GA)
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 2
Klassische Evolutionäre Verfahren - Übersicht
Übersicht:
Parallele Entwicklung der EAs in den USA und Deutschland
Evolutionsstrategie (ES)
Mitte der 60-iger, Rechenberg und Schwefel [Rec73, Schw95]
Chromosome aus reellen Zahlen (Entscheidungsvariablen + Strategieparameter)
verwendet adaptive Mutation
vergleichsweise weit fortgeschrittene Theorie
Anwendungen: vor allem numerische aber auch kombinatorische Optimierung
Genetische Algorithmen (GA)
Anfang der 70-iger, Holland [Hol75]
Chromosom besteht aus Bitstrings (später auch: real-coded GAs)
verwendete anfangs fitnessproportionale Selektion
Bit-Codierung bringt Vorteile bei der Theoriebildung. Ergebnisse aber umstritten
Anwendungen: numerische und kombinatorische Optimierung,
maschinelles Lernen (LCS learning classifier systems)
Planung und Optimierung mit evolutionären Verfahren
K4: Klassische evolutionäre Verfahren
2
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 3
Klassische Evolutionäre Verfahren - Übersicht
Evolutionäre Programmierung (EP)
Mitte der 60-iger, Fogel, Owens und Walsh [Fog66]
Chromosomenstruktur nicht festgelegt, anfangs Repräsentation endlicher
Automaten, später Erweiterung auf reellwertige Variable
basiert im Wesentlichen auf Mutation einschließlich selbstadaptierender Mutation
in der reellwertigen Variante Ähnlichkeiten zur ES
Genetische Programmierung (GP)
Ende der 80-iger, Koza [Koza89]
Chromosome repräsentieren Computerprogramme als Baum (z.B. LISP) oder
Maschinencode, Ziel ist die Erstellung von Computerprogrammen
Crossover und Mutation:
Crossover wegen der Baumstruktur mächtiger als bei GAs oder der ES.
Mutation mit Reparaturmechanismen
Anwendungen: maschinelles Lernen, Elektronikentwicklung, Sortier- und
Suchalgorithmen, …
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 4
Klassische Evolutionäre Algorithmen - Evolutionsstrategie
Evolutionsstrategie:
Chromosom = reellwertiger Vektor bestehend aus
n zu optimierenden Entscheidungsvariable
n´ Mutationsschrittweiten
Meist entweder eine einheitliche Mutationsschrittweite oder
für jede Entscheidungsvariable eine eigene
Beide Parametersätze unterliegen der Evolution
Optimierung auf der Problemebene UND der Ebene der Schrittweiten
Anpassung der Suche an den Suchraum (Selbstadaption)
Gefahr, an lokalen Optima hängen zu bleiben oder
größere undefinierte Gebiete (implizite Restriktionen)
nicht überspringen zu können.
Vorteil: schnellere Suche
nixi 1,
nnjj 1,
Planung und Optimierung mit evolutionären Verfahren
K4: Klassische evolutionäre Verfahren
3
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 5
Klassische Evolutionäre Algorithmen - Evolutionsstrategie
Ablaufschema:
1. Initialisierung der Startpopulation
Zufällige Wahl der m Individuen, (eher zu große) Vorbelegung der Schrittweiten
2. Partnerwahl
Zufällige Wahl der Eltern für l Kinder. l sollte deutlich größer als m sein.
Empfehlung von Schwefel und Bäck: 𝝀 = 𝟕 ⋅ 𝝁 oder mehr bei starker Multimodalität.
3. Erzeugung eines Nachkommens
Rekombination mit anschließender Mutation der
Schrittweiten und danach der Entscheidungsvariablen:
1. Intermediäre Rekombination der Schrittweiten
2. Mutation der Schrittweiten, liefert 𝝈′𝒋.
3. Diskrete Rekombination der Entscheidungsvariablen
4. Mutation der Entscheidungsvariablen mit den geänderten Schrittweiten 𝝈′𝒋
stärkt die Breitensuche
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 6
Klassische Evolutionäre Algorithmen - Evolutionsstrategie
3. Erzeugung eines Nachkommens (2):
Schritt 2: Mutation der Schrittweiten
mit: N(0,1) normalverteilte Zufallsgröße mit
Erwartungswert 0 und Standardabweichung 1
N(0,1) gilt allgemein, Nj(0,1) wird für jedes 𝜎′𝑗
neu bestimmt.
Wirkung: kleine Änderungen wahrscheinlich, große weniger,
sehr große unwahrscheinlich, aber möglich
Schritt 4: Mutation der Entscheidungsvariablen mit den geänderten Schrittweiten 𝝈′𝒋:
𝒙′𝒋 = 𝒙𝒋 +𝑵𝒋 𝟎,𝝈′𝒋
N(0,1) )(xpNormalverteilung N(m,)
Planung und Optimierung mit evolutionären Verfahren
K4: Klassische evolutionäre Verfahren
4
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 7
Klassische Evolutionäre Algorithmen - Evolutionsstrategie
4. Akzeptanzregel
Zwei unterschiedliche Strategien:
(m+l)–Strategie (Plus-Strategie):
Auswahl der m besten aus Eltern und Nachkommen zur Bildung der
Folgegeneration.
Elitäre Strategie
(m, l)–Strategie (Komma-Strategie):
Die m besten Nachkommen ersetzen die Elterngeneration vollständig.
Nichtelitäre Strategie
5. Abbruchkriterium
Geringe Fitnessunterschiede in der Population (Schwefel):
Weitere Abbruchkriterien, wie Erreichen einer Zielfitness oder eines Zeitlimits, …
0,minmax - fitnessfitness
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 8
Besonderheiten der Evolutionsstrategie:
Adaptive Schrittweitensteuerung
auslöschende Selektion:
Schlechte Individuen haben keine Chance zur Reproduktion.
Die Populationsgröße m darf wegen des starken Selektionsdrucks nicht zu klein sein.
Geeignete Werte für m sind anwendungsabhängig!
Weitere Eigenschaften:
Plus-Strategie: Neigung zu vorzeitiger Konvergenz an einem Suboptimum
Explizite Beschränkungen: Letalmutation, keine Akzeptanz. unproblematisch.
Implizite Beschränkungen können je nach Größe und aktuellen Schrittweiten
nicht übersprungen werden.
Gegenmaßnahmen:
m deutlich größer als Anzahl der Beschränkungen
Möglichst gleichmäßige Verteilung der Startpopulation im Suchraum
ES sehr gut zur Optimierung kontinuierlicher Probleme geeignet.
Klassische Evolutionäre Algorithmen - Evolutionsstrategie
Planung und Optimierung mit evolutionären Verfahren
K4: Klassische evolutionäre Verfahren
5
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 9
Klassische Evolutionäre Algorithmen - Evolutionsstrategie
Strategieparameter:
Komma- oder Plus-Strategie
Anzahl der adaptierten Schrittweiten
Parameter der Schrittweitensteuerung
Populationsgröße m
Anzahl der Nachkommen pro Generation l
Parameter von alternativen Selektions- oder Akzeptanzverfahren
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 10
Klassische Evolutionäre Algorithmen - Evolutionsstrategie
Übung:
Gegeben seien die beiden Eltern E1 und E2 bestehend aus 4 Entscheidungsvariablen
und einem Strategieparameter:
E1 = (4.3, -1.2, 25.75, -12.4; 2.4) E2 = (6.2, 5.4, -11.6, 0.5; 1.8)
Daraus sollen zwei Nachkommen erzeugt werden. Zufallswerte:
1 0 0 1 mit 1=Allel von E1 und 0=Allel von E2 e ≈ 2.718
0.8 0.5 -0.5 2.5 -1.8 -3.5, 0.4, 1.2, -0.2, -0.6, 1.9, -2.65, 2.9, 3.3, -4.15, -0.77
K1,R = (4.3, 5.4, -11.6, -12.4; )
K1,MS = (4.3, 5.4, -11.6, -12.4; )
K1,M = (6.8, ; 2,28)
K2,R = (6.2, -1.2, 25.75, 0.5; )
K2,MS = (6.2, -1.2, 25.75, 0.5; )
K2,M = (5.6, 0.7, 23.1, 3.4; 5.22)
Planung und Optimierung mit evolutionären Verfahren
K4: Klassische evolutionäre Verfahren
6
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 11
Klassische Evolutionäre Algorithmen - Evolutionsstrategie
Evolutionsstrategie und kombinatorische Probleme:
Ganzzahlige Entscheidungsvariable statt reellwertige
angepasste Mutationsoperatoren
Beibehaltung der adaptiven Schrittweitensteuerung
Einige erfolgreiche Anwendungen:
Traveling Salesman Problem (TSP), Tourenplanung
Magisches Quadrat
Rubik‘s Cube
Hochwasserspeichersystem
(Kombination verschiedener Becken)
Quelle: I. Rechenberg
Albrecht Dürer, Melancholie,1514
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 12
Klassische Evolutionäre Algorithmen - Evolutionsstrategie
Weiterentwicklungen der ES:
geschachtelte Evolutionsstrategie
Spezielles Migrationsmodell basierend auf sich eine Zeit lang getrennt
entwickelnden Unterpopulationen (Variante des Inselmodells)
CMA-ES (Covariance Matrix Adaptation Evolution Strategy)
Die Kovarianzmatrix der mehrdimensionalen Normalverteilung der Schrittweiten
beschreibt die paarweisen Abhängigkeiten zwischen den Variablen
derandomisiertes Verfahren zur Adaption der Kovarianzmatrix
Idee: Erhöhung der Wahrscheinlichkeit von vormals erfolgreichen Schritten,
Verbesserte Anpassung der Schrittweitensteuerung gegenüber der ES
gut geeignet für „schwierige“ Aufgaben der kontinuierlichen Optimierung
[Hansen]
Anpassung der Verteilung der
Nachkommen im Verlauf der Evolution:
Quelle: W
ikim
edia
Planung und Optimierung mit evolutionären Verfahren
K4: Klassische evolutionäre Verfahren
7
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 13
Klassische Evolutionäre Algorithmen - Genetische Algorithmen
Klassische Genetische Algorithmen:
Chromosom = Bitstring
Codierung: Abbildung der Entscheidungsvariablen auf Bitabschnitte
Anzahl der Bits pro Entscheidungsvariable je nach Wertebereich oder
gewünschter Genauigkeit
Decodierung zur Fitnessberechnung notwendig
Anordnung der Entscheidungsvariable wie bisher: Chromosom = (P1, P2, … , Pn)
Jeder Entscheidungsvariable wird binär codiert.
Wertigkeit der Bits bei ganzen Zahlen: 2n , …, 2
1, 2
0 (umgekehrte Reihenfolge!)
Ermöglicht neutrale genetische Operatoren,
die ohne phänotypischen Zusammenhang wirken (müssen).
Vorteil: Vereinfacht die Implementierung
Nachteil: Anwendungsbezogene genetische Operatoren schwierig zu implementieren
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 14
Klassische Evolutionäre Algorithmen - Genetische Algorithmen
Codierungsbeispiel:
Chromosom = (P1, P2, … , Pn)
Wertigkeit der Bits bei ganzen Zahlen: 2n , …, 2
1, 2
0
Beispiel für drei ganzzahlige und eine boolesche Variable P4:
(Aus Gründen der Einfachheit werden negative Zahlen nicht als 2er-Komplement dargestellt)
Anzahl der Bits pro Variable: P1: P2: P3:
Bitstring aus Sicht der Wertezuordnung: 0 1 0 1 1 0 1 1 0 0 1 1 1 0 1 0 0
P1=24+22+21=22
P2=24+23+20=25
Bitstring aus Sicht der Evolution:
Bitpositionen:
1415,300,600 321 - PPP
0 1 0 1 1 0 1 1 0 0 1 1 1 0 1 0 0
17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
Planung und Optimierung mit evolutionären Verfahren
K4: Klassische evolutionäre Verfahren
8
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 15
Klassische Evolutionäre Algorithmen - Genetische Algorithmen
Verfahren:
1. Initialisierung der Startpopulation Zufällige Wahl der m Individuen oder Vorbelegung einiger.
2. Partnerwahl fitness-proportionale Selektion der Eltern
3. Erzeugung eines Nachkommens
1-Punkt-Crossover (Pc> 0.6) mit anschließender Mutation beider Offspring.
Mutation: Invertierung eines jeden Bits mit Pm (z.B. Pm=0.0001).
4. Akzeptanz
Die so erzeugten m Nachkommen ersetzen die Elterngeneration vollständig.
(generational replacement)
Das Crossover ist der Hauptoperator.
Die zweitrangige Mutation soll der Fixierung von Allelwerten entgegenwirken.
nicht elitär!
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 16
Klassische Evolutionäre Algorithmen - Genetische Algorithmen
Viele Variationen:
Rangbasierte Selektion wie Lineares Ranking
(auch bekannt als roulette wheel selection).
Wettkampfselektion
Zufällige Auswahl von nm Individuen, die gegeneinander antreten.
Das Beste kommt in die Elterngruppe.
Zufällige Bestimmung der Eltern aus der Elterngruppe
2-Punkt- oder Uniform-Crossover anstelle des 1-Punkt-Crossover
Liefern im Allgemeinen bessere Ergebnisse.
Uniform-Crossover: Zufällige Wahl des das Bit liefernde Elter pro Bit.
Steady State GA
Schrittweise Erzeugung von Nachkommen, die das jeweils schlechteste Mitglied der
Population ersetzen, sofern sie sich von allen unterscheiden.
Es gibt keine Population von Nachkommen.
Elitäre Akzeptanz
Förderung des Erhalts der genotypischen Varianz
Planung und Optimierung mit evolutionären Verfahren
K4: Klassische evolutionäre Verfahren
9
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 17
Klassische Evolutionäre Algorithmen - Genetische Algorithmen
Kritik der binären Codierung:
Erschwert die Formulierung problembezogener genetischer Operatoren
Keine starke Kausalität bei Änderungen zwischen Geno- und Phänotyp
Ziel: Kleine Änderung, kleine Wirkung
Stattdessen:
Abhilfe: Graycodes (Codes bei denen sich benachbarte Zahlen nur in einem Bit unterscheiden)
Änderung eines niederwertigen Bits
gleich wahrscheinlich
wie die eines hochwertigen
gleichwahrscheinliche Änderung
mit sehr unterschiedlichen
Auswirkungen !
Einige benachbarte Integerwerte
unterscheiden sich in
ihrer Bitrepräsentation erheblich!
Beispiele: alle Paare 2n-1 und 2
n
große Änderung
mit sehr geringen
Auswirkungen !
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 18
Klassische Evolutionäre Algorithmen - Genetische Algorithmen
Weitere Variante:
Real-coded GAs
Bei kontinuierlichen Problemen weitaus bessere Ergebnisse als klassische GAs
Übernahme von Selektions- und Akzeptanzmechanismen
Aber eigentlich ein eigenständiger EA
Anwendungsgebiete:
kombinatorische Probleme wie
Scheduling
Timetabling
Tourenplanung
ganzzahlige Optimierungsprobleme
kontinuierliche Optimierung (insbesondere real-coded GAs)
Planung und Optimierung mit evolutionären Verfahren
K4: Klassische evolutionäre Verfahren
10
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 19
Klassische Evolutionäre Algorithmen - Genetische Algorithmen
Strategieparameter:
Populationsgröße
häufig
Mutationsrate
Crossoverrate
Anzahl der Nachkommen pro Paarung oder Generation
Parameter von Selektions- oder Akzeptanzverfahren
Wahl zwischen alternativen Operatoren
20030 m
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 20
Klassische Evolutionäre Algorithmen
Generelle Problematik einer EA-Parametrierung:
Balance zwischen exploration und exploitation
durch Wahl eines geeigneten Selektionsdrucks.
Geeignete Populationsgröße m (beeinflusst auch den Selektionsdruck)
zu klein: Gefahr vorzeitiger Konvergenz
zu groß: Verschwendung von Rechenzeit
Au
fwan
d
Populationsgröße m
ein Limit erreicht was ist hier los?
Bereich
ohne
oder
nur geringem
Erfolg
Arbeitsbereich Erfolg bei
unnötig
hohem Aufwand
Planung und Optimierung mit evolutionären Verfahren
K4: Klassische evolutionäre Verfahren
11
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 21
Klassische Evolutionäre Algorithmen - Genetische Algorithmen
Übung zu den GAs:
1. Codierung, Mutation und Decodierung
Es sollen folgende 4 Variable für einen binär codierten GA dargestellt werden:
1.1 Wie viel Bits werden pro Entscheidungsvariable benötigt?
P1: P2: P3: P4:
1.2 Wie sieht die Darstellung von 10, 0, -3, blau aus?
1.3 Mutieren Sie die Bits 6, 11 und 15:
1.4 Welche Werte haben die Entscheidungsvariablen?
P´1= 2 P´2=16 P´3= 3 P´4=blau
P1 =10 P2 = 0 P3 =-3 P4 =blau
blaugrünrotPPPP ,,762201215 4321 --
5 5 4 2 (00=rot, 01=grün, 10=blau)
16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 22
Klassische Evolutionäre Algorithmen - Genetische Algorithmen
Übung (2):
2. Mutation
Mutieren Sie die Bits 1 und 10 des Mutanten (Lösung von Aufg. 1.3):
Wie lauten die Entscheidungsvariablen jetzt?
P´´1=2 P´´2=24 P´´3=3
Wie ist das Ergebnis zu interpretieren?
Eine Letalmutation!
Unzulässig sind:
P´´2
P´´4
0 0 0 1 0 1 1 0 0 0 0 0 1 1 1 1
P´´4=?
weil >22
weil es diesen Wert nicht gibt!
Planung und Optimierung mit evolutionären Verfahren
K4: Klassische evolutionäre Verfahren
12
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 23
Klassische Evolutionäre Algorithmen - Genetische Algorithmen
Übung (3):
3. Crossover
3.1 1-Punkt-Crossover nach Bit 4 mit dem Chromosom von Aufgabe 1.2 und:
Kind 1:
Kind 2:
Wie lauten die Entscheidungsvariablen der Kinder?
Kind 1: P1=10 P2=0 P3=-0 P4=grün
Kind 2: P1=5 P2=19 P3=-7 P4=blau
Wie ist das Ergebnis zu interpretieren?
Begründung:
0 0 1 0 1 1 0 0 1 1 1 1 0 0 0 1
P3=-7 < -6 = untere Grenze
Kind 2 ist unzulässig!
16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
0 1 0 1 0 0 0 0 0 0 1 0 0 0 0 1
0 0 1 0 1 1 0 0 1 1 1 1 1 1 1 0
▼
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 24
Klassische Evolutionäre Algorithmen - Genetische Algorithmen
Übung (4):
3.2 2-Punkt-Crossover nach Bit 14 und 5 mit dem Chromosom von Aufgabe 1.2 und:
Kind 1:
Kind 2:
Wie lauten Entscheidungsvariablen der Kinder?
Kind 1: P1=12 P2=5 P3=3 P4=blau
Kind 2: P1=-2 P2=0 P3=-5 P4=rot
Wie ist das Ergebnis zu interpretieren?
1 0 1 0 0 0 0 1 0 1 0 1 0 1 0 0
Beide Kinder sind zulässig
16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
0 1 1 0 0 0 0 1 0 1 0 0 1 1 1 0
1 0 0 1 0 0 0 0 0 0 1 1 0 1 0 0
▼ ▼
Planung und Optimierung mit evolutionären Verfahren
K4: Klassische evolutionäre Verfahren
13
Planung und Optimierung mit evolutionären Verfahren Dr. W. Jakob
Studiengänge Informatik und Wirtschaftsinformatik K4_Klassische-EA.pptx 25
Klassische EA – Das Wichtigste in Kürze
Wesentliche Eigenschaften der vier klassischen EAs F2 - F3
Evolutionsstrategie (ES) F4 - F9
Chromosom = Entscheidungsvariablen + Mutationsschrittweite(n) F4
Nachkommenserzeugung mit Schrittweitensteuerung, F5 - F6
Komma- (μ,λ) und elitäre Plusstrategie (μ+λ) F7
Eigenschaften und Strategieparameter, ES + Kombinatorik, CMA-ES F8 - 9, F11-12
Klassische Genetische Algorithmen (GA) F13 - F18
Codierung der Entscheidungsvariablen als Bitstrings F13 – F14
Verfahren (generational replacement, Hauptoperator Crossover, …) F15
Varianten: Ranking, Wettkampfselektion, steady state GA, real-coded GA… F16, F18
Kritik der binären Codierung: Verletzung der starken Kausalität F17
Allgemeine EA-Parametrierung: F20
Selektionsdruck und Balance zwischen Breiten- und Tiefensuche
Populationsgröße: zu groß: Rechenzeitverschwendung, unnötig langsam
zu klein: Gefahr vorzeitiger Konvergenz (zu hoher Selektionsdruck)