Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

--- sbas:ss2013:genalg [15.09.2013 10:17] – [Grundform eines genetischen Algorithmus] Tobias Kaminsky
+++ sbas:ss2013:genalg [28.11.2022 00:11] (aktuell) – Externe Bearbeitung 127.0.0.1
@@ Zeile 37: / Zeile 37: @@
 pop_size = 50;		% Populationsgröße
 generations = 100;		% Anzahl an Generationen
-% Leere Population: [Anzahl Populationen, Chromosom & Fitnessfunktion, Anzahl Generationen]
+% Protokoll [Chromosom #, Generation #, (Chromosomausprägung, Fitnesswert)]
-% Pouplations entspricht "Protokoll"
+protocol=zeros(pop_size,generations, 2);
-populations=zeros(pop_size,2,generations);
 </code>
+In dem Protokoll wird die Chromosomen- und Generationsnummer in einem Array gespeichert. Zu dieser eindeutigen Kombination (z.B. 5. Generation und 10. Chrosomom) wird die aktuelle Chromosomausprägung und der dazugehörige Fitnesswert gespeichert.
 ====== Fitness ======
-Die Fitness beschreibt die Überlebenswahrscheinlichkeit eines Chromosoms mit der Formel: p(c_i) = f(c_i) / sum j=1 n f(c_i)
+Die Fitness beschreibt die Überlebenswahrscheinlichkeit eines Chromosoms mit der Formel:
+<html><br>
+`p(c_i) = f(c_i) / (\sum_{j=1}^nf(c_j))`
+</html>
 Die Summe aller Überlebenswahrscheinlichkeiten ist 1 (vgl. Harbich, 2007, S. 6).
+Der Fitnesswert ist abhängig von der jeweiligen Modellierung und wird in dort beschrieben.
+Der nachfolgende Matlab-Code zeigt speichert das beste Chromosom in einer Variable, sodass der genetische Algorithmus zu jedem Zeitpunkt beendet werden kann und dennoch eine gültige und (zu diesem Zeitpunkt) beste Lösung vorhanden ist.
 **Umsetzung in Matlab**
 <code matlab>
-% Index von bestem Chromsomen
+% Index von bestem Chromosom
 % bestind == [fitness generation element]
 bestind = [0 0 0];
-% Prüfe, ob neues bestes Ergenis
+% Prüfe, ob neues bestes Ergebnis
         if (fitness > bestind(1))
             bestind(1) = fitness;
@@ Zeile 70: / Zeile 77: @@
 Die Auswahl der Chromosomen, die die nächste Generation bilden, erfolgt aufgrund der Überlebenswahrscheinlichkeit. Alle Überlebenswahrscheinlichkeiten werden in ein Intervall gespeichert. Eine Pseudozufallszahl wählt nun ein Chromosom aus. Es ist sofort ersichtlich, dass Chromosomen mit einer größeren Überlebenswahrscheinlichkeit öfter ausgewählt werden.
 Dieser Vorgang wird so oft wiederholt, bis die nachfolgende Generation die gleiche Populationsgröße wie die vorherige hat.
-[{{ :sbas:ss2013:selektion.jpg?nolink&500 |Abb. x: Selektion der Chromosomen anhand ihrer Überlebenswahrscheinlichkeit (Harbich, 2007, S. 7}}]
+[{{ :sbas:ss2013:selektion.jpg?nolink&500 |Abb. x: Selektion der Chromosomen anhand ihrer Überlebenswahrscheinlichkeit (Harbich, 2007, S. 7)}}]
 **Umsetzung in Matlab**
 <code matlab>
 % Sortiere aktuelle Population nach Fitness
-    populations(:,:,f) = sortrows(populations(:,:,f),2);
+    protocol(:,:,f) = sortrows(protocol(:,:,f),2);
     % Erstelle neues Intervall [0,1]
-    R = rwheel(populations(:,:,f),2);
+    R = rwheel(protocol(:,:,f),2);
     % Erstelle temporäre Generation
@@ Zeile 84: / Zeile 91: @@
     % Fülle temporäre Generation mit alten Chromosomen anhand deren Wahrscheinlichkeit
     for i=1:1:length(P(:,1))
-        Pnew(i,:) = P(wheel_select(populations(:,:,f),R),:);
+        Pnew(i,:) = P(wheel_select(protocol(:,:,f),R),:);
     end
@@ Zeile 202: / Zeile 209: @@
 Harbich, S. 2007. //Einführung genetischer Algorithmen mit Anwendungsbeispiel//. Zugriff am 15. Juli 2013 unter http://www-e.uni-magdeburg.de/harbich/download.php?f=genetische_algorithmen/genetische_algorithmen.pdf
+{{indexmenu_n>2}}