Genetischer Operator

aus Wikipedia, der freien Enzyklopädie
Zur Navigation springen Zur Suche springen

Als genetischer Operator werden Operatoren bezeichnet, mit denen evolutionäre Algorithmen (EA) arbeiten. Mit EA werden Lösungen für Optimierungsprobleme mit Prinzipien der natürlichen Evolution gesucht. Die Mechanismen, mit denen dabei einzelne Lösungskandidaten verändert werden, heißen genetische Operatoren. In der Literatur werden Selektionsmechanismen oft auch zu diesen gezählt, obwohl sie im eigentlichen Sinn kein genetisches Material verändern, sondern Individuen aus einer Population auswählen.

Im weiten Sinne können deshalb unter genetischen Operatoren zusammengefasst werden:[1][2]

  • Rekombination, die Kombination mehrerer Lösungen zu einer neuen und
  • Mutation, die Veränderung eines Lösungskandidaten,
  • Transformation[3]
    • Einfügung bzw. Ergänzung – Einfügen eines neuen Gens oder Segments
      • Zufällige Einfügung – Einfügen eines zufälligen Segments an einer zufälligen Stelle
      • Geführte Einfügung – Einfügen eines Segments anhand einer Heuristik oder anhand bestehenden Domänenwissens
    • Entfernung bzw. Löschung – Entfernen eines vorhandenen Gens oder Segments
      • Zufällige Entfernung – Entfernen eines zufälligen Segments
      • Geführte Entfernung – Entfernen eines Segments anhand einer Heuristik oder anhand bestehenden Domänenwissens
    • Kopie – Duplikation eines vorhandenen Gens oder Segments
      • Ermöglichung der Spezialisierung auf unterschiedliche Aufgaben
      • Bereitstellung der gleichen Funktion in einem anderen Kontext
  • Selektion, die Auswahl von Lösungen aus der Population, entweder zur Rekombination oder zur Bestimmung der neuen Generation.

Wie auch das allgemeine Funktionsprinzip der EA haben alle genetischen Operatoren biologische Vorbilder: Mutation, Transformation, Rekombination und Selektion.

Einzelnachweise

[Bearbeiten | Quelltext bearbeiten]
  1. Hartmut Pohlheim: Evolutionäre Algorithmen. Springer, Berlin, Heidelberg 2000, ISBN 978-3-642-63052-1, Grundlegende Verfahren und Operatoren, S. 13–59, doi:10.1007/978-3-642-57137-4.
  2. A.E. Eiben, J.E. Smith: Introduction to Evolutionary Computing (= Natural Computing Series). Springer, Berlin, Heidelberg 2015, ISBN 978-3-662-44873-1, Components of Evolutionary Algorithms, S. 31–34, doi:10.1007/978-3-662-44874-8 (englisch).
  3. Riccardo Leardi: Nature-inspired Methods in Chemometrics. Genetic Algorithms and Artificial Neural Networks. In: Data Handling in Science and Technology. 1. Auflage. Band 23. Elsevier Science, 2003, ISBN 978-0-444-51350-2, S. 38 (402 S.).