Das Prinzip der Evolution wurde von Charles Darwin vor nur wenig mehr als hundert Jahren entdeckt. Die Lebewesen in der Natur unterliegen einer steten Veränderung, die durch Kooperation und Konkurrenz zwischen einzelnen Arten und deren Anpassungsfähigkeit an ihre Umwelt vorangetrieben wird. Inwieweit die heute existierenden Lebewesen ausschließlich durch den Evolutionsprozeß entstanden sind, ist eine philosophische und theologische Streitfrage, die in diesem Buch nicht weiter behandelt werden soll. Das grundlegende Prinzip besteht in der iterativen Abfolge von Rekom bination, Mutation und Selektion, wobei eine Tendenz zum Überleben der stärkeren und besseren Individuen besteht. Dieses Prinzip ist in der Natur sehr erfolgreich. Optimierung ist eine der wichtigsten Aufgaben in der modernen Industrie. Prozesse müssen schneller und sicherer ablaufen, Material wird gespart, die Produktivität soll ständig steigen. Diejenigen Firmen, denen das gelingt, haben im Wettbewerb um die Märkte die besten Überlebenschancen. Die freie Marktwirtschaft hat sich dieses Prinzip zu eigen gemacht und große Erfolge erzielt (allerdings oft zum Schaden der Umwelt, weil die dort entstandenen Schäden meistens keine finanziell meßbaren Kosten verursachen). Optimierung wird als Wissenschaft vor allem im Bereich des Operations Research untersucht. In der Mathematik sind ebenfalls viele Verfahren vorgeschlagen und entwickelt worden. Seit Mitte der 80er Jahre sind darüber hinaus Neuronale Netze zur Lösung von Optimierungspro blemen attraktiv geworden.

Inhalt

Einleitung.- 2. Die Arbeitsweise Genetischer Algorithmen.- 2.1 Biologischer Hintergrund.- 2.2 Praktische Implementierungen.- 2.3 Theoretische Arbeiten.- 2.4 Konventionelle Optimierungsverfahren und Genetische Algorithmen.- 3. Evaluierung Genetischer Algorithmen.- 3.1 Ein Modell für die Arbeitsweise Genetischer Algorithmen.- 3.2 Genetische Operatoren.- 4. Anwendungen Genetischer Algorithmen.- 4.1 Anwendungen der Evolutionsstrategie.- 4.2 Anwendungen der Genetic Algorithms.- 5. Der Lernvorgang in Neuronalen Netzen.- 5.1 Modelle Neuronaler Netze.- 5.2 Zur Bedeutung des Lernvorgangs in künstlichen Neuronalen Netzen.- 5.3 Grundlegende Lernverfahren.- 5.4 Diskussion der Verwendung Genetischer Algorithmen als Lernverfahren in Neuronalen Netzen.- 6. Unterstützung Genetischer Algorithmen mittels paralleler Architekturen.- 6.1 Die Eignung von Genetischen Algorithmen für parallele Architekturen.- 6.2 Genetische Algorithmen auf dem AM3.- 6.3 Anpassung Genetischer Algorithmen an eine flagorientierte Datenspeicherung.- 7. Zusammenfassung.- 8. Referenzen.- 9. Index.