Die durch die natürliche Evolution inspierierte Optimierungs und Such Algorithmen heißen evolutionäre Algorithmen (EA), Genetische Algorithmen (GA), Evolutionäre Strategien, Genetische Programmierung
Die künstiche Evolution einer Population von Individuen (Kandidaten - Lösungen) unter Verwendung von durch die natürliche Evolution inspirierten Operationen wie Selektion, Kreuzungen (crossover) und Mutation simulieren.
unterscheiden sich durch Kodierungsverfahren und Auswahl der o.g. Operationen
Jedes Individuum wird durch eine kodierte Zeile (Chromosome) bestehen aus bits (gene) repräsentiert.
z.B.: Rucksack - Problem
f(x) für Population \(F = \sum^n_{i=1} f(x_i)\)
Bei der Selektion müssen die Individuen mit der größten “Fitness” eine größere “Überlebenschance” bekommen. Man berechnet die Wahrscheinlichkeit des “Überlebensvermögens”: \(p^i = f(x_i)_{/F}\) und der kumulative Wahrscheinlichkeit
Man generiert eine Zufallszahl \(z \in [0,1]\). Ist \(P^k_{cum} < z \le P^{k+1}_{cum} \rightarrow\) das Chromosom \(X_{k+1}\) sind ausgewählt. Die Prozedur wird n-mal wiederholt.
Einige Chromosomen werden zufällig ausgewählt. Beginnend mit dem sogenannten Kreuzungspunkt werden die Chromosomen (“Eltern”) abgeschnitten und deren Teile (paarweise) ausgetauscht. Die neuen Chromosomen (“Kinder”) werden in die Population eingenommen.
Ein zufällig ausgewähltes Bit (Gen) wird in einem zufällig ausgewählten Chromosomen geändert. Danach wird wieder die Fitness berechnet und die Selektion von n Chromosomen durchgeführt.
i | Zahl | \(f(x) = x^2\) | \(\sum^n_{i=1} f(x_i)\) | \(P_{cum}\) |
---|---|---|---|---|
1 | 13 | 169 | 0.14 | 0.14 |
2 | 24 | 576 | 0.49 | 0.63 |
3 | 8 | 64 | 0.06 | 0.69 |
4 | 19 | 361 | 0.31 | 1.00 |
Neue Population (2. Generation) - 01100 - 11001 - 11011 - 10100
i | Zahl | \(f(x) = x^2\) |
---|---|---|
1 | 12 | 144 |
2 | 25 | 625 |
3 | 27 | 729 |
4 | 20 | 400 |
if B then H with p
Sei \(\Omega\) - endlicher Ereignisraum
Jede Aussage, die sich auf ein wirklich eingetretenes Ereignis bezieht, kann als Teilmenge \(A \subseteq \Omega\) repräsentiert werden. Eine Aussage heißt wahr, wenn die Aussage entsprechende Teilmenge \(A \subseteq \Omega\) das tatsächlich eingetretene Ereignis \(\omega\) enthalten.
Die Aussage ist wahr, wenn eine 2, eine 4 oder eine 6 gewürfelt wurde. \(A = \{ 2,4,6 \}\) Seien A und B Ereignisse, so sind \(A \cup B, A \cap B\) und Komplement von A und B sind Ereignisse
Sei P eine Wahrscheinlichkeit über \(\Omega\) und \(B \subseteq \Omega\) ein Ereignis, für das P(B) > 0 gilt. Dann heißt für jedes Ereignis \(H \subseteq \Omega\) der Ausdruck
bedingte Wahrscheinlichkeit von H under der Bedingung B. Die bedingte Wahrscheinlichkeit ist undefiniert, falls P(B) = 0 gilt.
Grad der Glaubwürdigkeit von Aussagen verschiedenen Zeugen / Experten zu modellisieren.
Ein Vertrauen (belief) in die Wahrheit einer Aussage, die als Teilmenge \(A \subseteq \Omega\) repräsentierbar ist, kann durch eine reele Zahl \(bel(A) \in [0, 1]\) modelliert werden.
Eine Funktion \(m: 2^{\Omega} \rightarrow [0, 1]\) heißt Basiswahrscheinlichkeit, wenn sie die Bedingungen \(m(\emptyset) = 0\) und \(\sum_{A \subseteq \Omega} m(A) = 1\) erfüllt.
m wird als Basisvertrauen interpretiert(m(A) = Basisvertrauen in A). Die Menge A, für die m(A) > 0 gilt, werden als Fokalelemente bezeichnet.
Sei \(m: 2^{\Omega} \rightarrow [0, 1]\) eine Basiswahrscheinlichkeit. Dann heißt die durch
für \(A \subseteq \Omega\) definierte Funktion Belief-Funktion (bel). bel(A) interpretiert man als Mindestvertrauen in das Ereignis A.
Die zu Belief-Funktion duale Funktion heißt Plausibilitäts-Funktion pl
pl(A) interpretiert man als Maximum an Vertrauen in A. [bel(A), pl(A)] - Vertrauensintervall nach Dempster-Shafer
Kombination unabhängiger Informationsquellen, z.B. unsicherer Bewertung von Ereignissen durch verschiedene Experten oder Ergebnisse von verschiedenen Marktstudien.
Gegeben: \(\Omega\) und \(m_1: 2^{\Omega} \rightarrow [0,1]\), \(m_2: 2^{\Omega} \rightarrow [0,1]\). \(A_i\) und \(B_j\) entsprechende Fokalelemente.
\(m_1(A_1)\) | \(m_1(A_i)\) | \(m_1(A_k)\) | ||
---|---|---|---|---|
\(m_2(B_1)\) | \(m_1(A_1) \cdot m_2(B_1)\) | ... | ... | |
\(m_2(B_2)\) | ... | ... | ... | |
... | ... | ... | ... | |
... | ... | ... | ... | |
... | ... | ... | ... | |
... | ... | ... | ... | |
... | ... | ... | ... | |
... | ... | ... | ... |
Es ist möglich dass \(A_i \cup B_j = \emptyset\) und in der Tabelle \(m_1(A_i) \cdot m_2(B_j) \neq 0\) ist. Dies ist ein Wiederspruch mit der Definition von m, da \(m(\emptyset) = 0\). Es muss eine Nominierung vorgenommen werden.
Konfliktmenge: \(K = \sum_{A,B \subset \Omega, A \cap B = 0} m_1(A) \cdot m_2(B)\)
Seien \(m_1, m_2\) Basiswahrscheinlichkeiten über den selben Ereignisraum \(\Omega\) und K Konfliktgrad (K < 1). Dann definiert \(m(\emptyset) = 0\) und \(m(c) = \frac{\sum_{A,B \subset \Omega, A \cup B \neq 0} m_1(A) \cdot m_2(B)}{1-K}\) für \(c \subseteq \Omega, c \neq \emptyset\) die Kombination \(m(c) = m_1(A) + m_2(B)\) der beiden Basiswahrscheinlichkeiten.