|
<< Click to Display Table of Contents >> Genetischer Algorithmus |
|
Genetischer Algorithmus
|
<< Click to Display Table of Contents >> Genetischer Algorithmus |
|
Sehr einfach ausgedrückt, versucht der Genetische Algorithmus, den optimalen Parametersatz für eine Strategie zu finden. Dies geschieht nicht durch Brute-Force-Tests jeder einzelnen Kombination, wie es die Standardoptimierungsmethode tut, sondern durch die Verwendung des Konzepts der Evolutionstheorie aus der Biologie, bei der nur die fittesten Eltern (kombiniert mit Mutation und Crossover) Kinder für die nächste Generation produzieren. Durch das Testen mehrerer Generationen hätten Sie die optimalen Parameter eingrenzen und damit Zeit sparen sollen, jede einzelne Parameterkombination zu testen.
Verständnis des genetischen Algorithmus
ÜbersichtDie allgemeine Vorstellung, wie die GA ein Optimierungsproblem löst, ist analog zu dem Konzept, wie die Evolution durch natürliche Selektion eine Art an die Umwelt anpasst. In der Biologie werden nur die stärksten Individuen in der Lage sein, ihre überlegenen Gene zu reproduzieren und an die nächste Generation weiterzugeben. Unter der Annahme, dass jede Generation nur die stärksten Gene weitergeben kann, würden wir nach mehreren Iterationen die optimalen Eigenschaften für die Umwelt haben. Durch diesen gleichen Mechanismus testet die GA eine zufällige Voreinstellung Ihrer Parameter. Durch mehrere Generationen von Tests werden die Parameter auf eine optimale Lösung reduziert.
Wie der GA berechnetDer GA bestimmt seine Lösung durch die folgenden Schritte:1.Beginnen Sie mit einer anfänglichen Populationsgröße, die aus zufällig ausgewählten Individuen besteht (Parametereinstellkombinationen) 2.Berechnen Sie die Fitness (Optimieren auf....) für jeden Einzelnen in der Population und ordnen Sie der Population Wahrscheinlichkeiten basierend auf den Fitness-Ergebnissen zu. Mehr Fit-Ergebnisse haben eine höhere Wahrscheinlichkeit, für die Zucht der nächsten Generation ausgewählt zu werden. 3.Generierung einer neuen Population für die nächste Generation durch Auswahl von Individuen der vorherigen Generation, um Nachkommen durch Crossover und Mutation zu produzieren (siehe unten) 4.Wiederholen Sie von Schritt 2 an, bis Sie die Anzahl der Generationen in Ihrem Test erreicht haben Crossover und MutationCrossover ist der Prozess bei der Erzeugung von Nachkommen, die nicht 100% identisch mit ihren Eltern sind. Dies geschieht, indem die Hälfte der Parametereinstellungen von Elternteil A übernommen und mit der anderen Hälfte von Elternteil B gemischt wird. Crossover ermöglicht es GA, verschiedene Kombinationen von Parametern zu testen und die optimale Lösung zu finden. Crossover allein wird jedoch letztendlich über mehrere Generationen hinweg identische Nachkommen in der Population hervorbringen, und so werden durch Mutation einige zufällige Parametereinstellungen in einige der Nachkommen eingeworfen, um eine adaptive Qualität des Algorithmus zu ermöglichen. |
Verständnis der Parameter des genetischen Algorithmus
Wie Sie eine Optimierung durchführen, erfahren Sie im Artikel "Optimieren einer Strategie".
Wenn Sie den Genetic Optimizer auswählen, sehen Sie die folgenden Optimierungseigenschaften, nachdem Sie mit der linken Maustaste auf das Dreieck links neben "GO Properties" klicken, um die Eigenschaften zu erweitern.
|
