Tags:
create new tag
, view all tags
Folien werden in Kürze aktualisiert. Aktuelle Folien von 2006: http://www.minet.uni-jena.de/~dittrich/aca/lec-ea/prv/folien/


Aktuelle Folien HIER


KAPITEL I - Einführung


1. Vorlesung: Optimierung / Motivation

  • Einführung und Motivation
  • Optimierung, System
  • Was ist ein Optimierungsproblem?
    • Einfache Definition (minimiere f(x) unter Nebenbedingung g(x) mit x aus dem Suchraum X)
  • Kompliziertere Varianten eines Optimierungsproblems
    • dynamische Zielfunktion
    • stochastische Zielfunktion
    • multikriterielle Zielfunktion
    • physikalisch implementierte Zielfunktion (in materio)
    • Zielfunktionen, die von der Evaluationshistorie abhängen
    • nicht (oder kaum) modellierbare Optimierungsprobleme (übel aber real)

2.a Vorlesung: Evolutionsprinzip am Beispiel der genetischen Programmierung

  • Prinzipien der Evolution
    • Was ist Evolution?
    • Reproduktion, Variation, Selektion
    • Individuum, Fitness
  • Beispiel eines einfachen evolutionären Algorithmus
    • Beispiel: lineare genetische Programmierung
  • Vorstellung des vorlesungsbgleitenden Projekts

2.b Vorlesung: Übersicht und Historisches

  • Allgemeiner EA
  • Übersicht: ES, GA, GP, EP
  • Einordnung: KI, CI


Kapitel II - Evolutionsstrategie


3. Vorlesung: Evolutionsstrategie

  • (mu/roh+,lambda)-ES
  • Selektion, Mutation, Rekombination (diskret und intermediär)
  • Building-Block-Hypothese vs. Genetic Repair
  • Individuum = (Objektvariable, Strategieparameter, Zielfunktionswert)

4. Vorlesung: Evolutionsstrategie II

  • Adaptation der Strategieparameter
    • 1/5-Erfolgsregel
    • mutative Schrittweitenadaptation
    • kummulative deterministische Adaptation (CSA)
  • Testprobleme
    • Kugelmodell
    • Parabelgrad
    • verrauschtes Kugelmodell

5. Vorlesung: Evolutionsstrategie III

  • verschachtelte ES
  • graphische Darsellung
  • ein Beispiel aus der Anwendung (Chemie: Vorhersage von Schmelzpunkten)

6. Vorlesung: CSA-ES und CMA-ES

7. Vorlesung: Differential Evolution


Kapitel III - Genetische Algorithmen


X. Vorlesung: Experimentieren und Genetische Algorithmen

8. und 9. Vorlesung: Genetische Algorithmen

  • Algorithmus, zentrale Parameter
  • Selektion
  • Repräsentation, Genotyp, Phänotyp
  • Selektion, Rekombination, Mutation
  • Theorie: Markov-Kette
  • Theorie: Schema Theorem, Building-Block-Hypothese
  • Theorie; Formae, Theorem nach Price (nur kurz erwähnt)
  • Theorie: fehlendes Schematheorem

9. Vorlesung: Genetische Algorithmen + klassifizierende Systeme

  • klassifizierende Systeme (engl. classifier systems)


Kapitel IV - Genetische Programmierung


10. Vorlesung: Genetische Programmierung

  • Historie
  • Was ist ein Programm?
    • Syntax
    • Semantik
  • Programmieren als Optimierungsproblem
    • Domäne, Suchraum, Zielfunktion
    • repräsentationsunabhängige Zielfunktion
  • "Human-competetive results"
  • baumbasierte Repräsentation von Programmen
  • Probleme:
    • Regression (Bsp.: Polynom)
    • Steuerung (Bsp.: Ariticial Ant)
    • Klassifikation (nächste Vorlesung)
  • funktionale Programme vs. Seiteneffekte

11. Vorlesung: Genetische Programmierung

  • weiterführende Literatur:
  • lineare GP
  • graphbasiertes GP
    • Prgrammfluss
    • Datenfluss
  • Modularisierung
    • ADF
    • Module acquisition
  • Leistungsbewertung
  • Weitere Techniken (optional)
    • chemisches GP (nicht besprochen)
    • Meta-GP (kurz angerissen)


Kapitel V - Multikriterielle Optimierung


12. Vorlesung: Multikriterielle Optimierung

13. Vorlesung: Multikriterielle Optimierung + Diversitätserhaltung

  • Problem des Diversitätsverlusts
  • Einschub: Methoden zur Steigerung der Diversität
    • Mutationsrate
    • Kompartments / Inselmodell
    • Fitnesssharing
    • Modifikation der Turnierselektion
  • Bewertung multikritieller Optimierung


Kapitel VI - Weiterführende Themen


14. Vorlesung: dynamische Zielfunktion und andere nette Sachen

  • Verauschte Zielfunktion
    • Mehrfachauswertung empfehlenswert und i.d.R. notwendig
    • Mittelwert, Varianz und Standardfehler sollten berechnet werden
    • Mit statistischen Tests (bspw. t-Test) können Individuen verglichen werden und geeignete Stichprobengrößen ermittelt werden.

  • Dynamische Zielfunktionen
    • Varianten: nur abhängig von der Zeit, abhängig von den Aktionen des EA
    • Referenzindividuen können zur Messung/Überwachung der Dynamik genutzt werden.
    • Arten der Dynamik: Oszilation, Bewegung der Optima
    • Beispiel: Random Morphology Robot
    • Drei Skalen der Dynamik: schnell, mittel, langsam
    • etwas Theorie: Wilke (2013 nur kurz gezeigt)
  • Coevolution (Beispiel: Sortiernetzwerke, Hillis)
    • auch ein Beispiel für eine dynamische Zielfunktion

  • Classifier Systems
    • Credit asignment problem
    • Funktionieren in der Praxis nicht in ihrer "reinen" Form
  • Memetische Algorithmen / Hierarchischer EA
    • nützlich bspw. bei Struktur- und gleichzeitiger Parameterevolution

  • Memetische Algorithmen

  • (das Folgende nicht 2013)
  • Tabu Search
  • Evolvable Hardware
  • Evolutionary Robotics
  • Evolutionary Design (Flächenrekonstruktion und interaktive Evolution)
  • Optimierung mikrobieller Konsortia


Literatur

Banzhaf, W., Nording, P., Keller, R.E., Francone, F.D. (1997), Genetic Programming: An Introduction: On the Automatic Evolution of Computer Programs and Its Applications, Morgan Kaufmann

Beyer, Hans-Georg, The Theory of Evolution Strategies, Springer, Berlin 2001

Beyer, H.-G., H.-P. Schwefel, Evolution strategies, Natural Computing 1:5-52, 2002

Brameier, M., W. Banzhaf, A comparison of linear genetic programming and neural networks in medical data mining. IEEE Transactions on Evolutionary Computation, vol. 5(1), pp. 17-26, (2001).

Fogel, Garry B. and David W. Corne, Evolutionary Computation in Bioinformatics, Morgan Kaufmann, Amsterdam (2003)

Gränicher, W.H. Heini, Messung beendet - was nun?, Teubner, Stuttgart (1994)

Jacob, Christian, Principia Evolvica, dpunk, Heidelberg (1997)

Fogel, David B., Evolutionary Computation . Toward a New Philosophy of Machine Intelligence,IEEE Press, New York, NY (1995)

Koza, J.R. (1992), Genetic Programming: On the Programming of Computers by Means of Natural Selection, MIT Press, Boston, MA

Press, William H., et al., Numerical Recipes in C, Cambridge University Press, Cambridge (2003)

Rechenberg, Ingo, Evolutionsstrategie'94, frommann-holzboog, Stuttgart, 1994

Schwefel, Hans-Paul, Evolution and Optimum Seeking, Wiley, New York, NY (1995)

Weicker, Karsten, Evolutionäre Algorithmen, Springer/Vieweg (2015)

Zitzler, E., Laumanns, M. Bleuer; A Tutorial on Evolutionary Multiobjective Optimization, Workshop on Multiple Objective Metaheuristics (MOMH 2002), Springer-Verlag, Berlin, Germany, (2003)

Topic revision: r1 - 2019-04-05 - PeterDittrich
 
This site is powered by the TWiki collaboration platform Powered by PerlCopyright © 2008-2019 by the contributing authors. All material on this collaboration platform is the property of the contributing authors.
Ideas, requests, problems regarding TWiki? Send feedback

antalya escort bursa escort eskisehir escort istanbul escort izmir escort