Options
1999
Doctoral Thesis
Titel
Populationsbasierte Wettbewerbsmodelle zur Strategieanpassung in Evolutionären Algorithmen
Abstract
Evolutionäre Algorithmen simulieren den Anpassungsprozeß einer Population von Individuen an ihre Umwelt. Dieser Anpassungsprozeß kann als Optimumsuche auf einer Fitnesslandschaft angesehen werden. In der Natur findet man nicht nur eine einzige Population, sondern eine Vielzahl von räumlich strukturierten Populationen vor, die miteinander interagieren. Die Zielsetzung dieser Arbeit ist die Erweiterung der Evolutionären Algorithmen zu ökologischen Modellen, die Wettbewerbsinteraktionen zwischen verschiedenen Populationen simulieren. Dabei werden die Populationsgrößen und Suchstrategien selbstorganisierend an die aktuelle Fitnesslandschaft angepaßt. Das Wettbewerbskonzept wird auf die Klasse der statischen, kontinuierlichen Parameteroptimierung ohne Nebenbedingungen angewendet. Dazu werden Wettbewerbsmodelle entworfen, die auf den genetischen Operatoren der Evolutionsstrategien sowie des Breeder Genetic Algorithm basieren. Diese Wettbewerbsmodelle werden mit klassischen Optimierungsverfahren sowie klassischen Evolutionären Algorithmen verglichen. Dazu wird eine repräsentative Menge von Testfunktionen zusammengestellt und es werden Gütemaße wie Effizienz, Robustheit und Skalierbarkeit definiert. Durch die Integration verschiedener Suchstrategien erzielen die Wettbewerbsmodelle Synergieeffekte, die sowohl zur Effizienzsteigerung als auch zur Erhöhung der Robustheit gegenüber den einzelnen Suchstrategien beitragen. Am Beispiel der Handschriftenerkennung werden die Einsatzmöglichkeiten des Wettbewerbskonzepts demonstriert, das hinsichtlich des Klassiffikationsergebnisses alle anderen zum Vergleich herangezogenen Standardverfahren übertrifft.
;
Evolutionary algorithms simulate the adaptation of a population of individuals to its environment. The adaptation can be seen as seeking for an optimum on a fitness landscape. In nature there exists not only a single population, but a variety of spatially structured populations that interact which each other. In this dissertation, evolutionary algorithms are extended to ecological models that simulate the competition between different populations. A competition concept is defined that controls the size of populations and allows online-self-adaptation of different search strategies during the search process. This concept is applied to continuous parameter optimization. Therefore, competition models are designed that are based on the genetic operators of evolution strategies and the Breeder Genetic Algorithm. The new concept is compared to classical optimization methods as well as to traditional evolutionary algorithms. A representative set of test functions is chosen, and measures for efficiency, robustness, and scalability are defined. The integration of different search strategies into the competition models leads to synergy effects that increase the efficiency as well as the robustness as compared to single search strategies. A real world application optical character recognition demonstrates the benefit of the competition model that outperforms all standard methods according to the classification quality.
ThesisNote
Zugl.: Dortmund, Univ., Diss., 1998