Evolutionäre Algorithmen g
Dipl.‐Inform. Ingo Boersch In LV „Künstliche Intelligenz“
M t I f tik 2 S Master Informatik, 2. Sem
Hilfreich Hilfreich
• Kapitel 4 in Kapitel 4 in
Boersch, Ingo; Heinsohn, Jochen;
Socher, Rolf. Wissensverarbeitung –
eine Einführung in die Künstliche
Intelligenz für Informatiker und
Intelligenz für Informatiker und
Ingenieure, 2. Auflage, Elsevier,
Spektrum Akademischer Verlag,
Heidelberg, 2007
Ziel Ziel
Sie können
• Die Welt durch die Brille der Evolution sehen
E l ti ä Al ith (EA) i d d t
• Evolutionäre Algorithmen (EA) einordnen, anwenden, umsetzen
• Prüfungsfragen zur Evolution und EA beantworten
• Prüfungsfragen zur Evolution und EA beantworten
E l i
Evolution
Hausaufgabe Hausaufgabe
`
• Kapitel 4 im Buch "`Wissensverarbeitung"' lesen
• Klären Sie für sich selbst:
A t I di id
– Arten von Individuen – Arten von Fitness
Selektionsarten – Selektionsarten
• Fragen zur Vorlesung?
• Fragen zur Vorlesung?
Übung Übung
• Beispiele zur Evolution Fit L d h ft
• Fitness‐Landschaft
• Optimierung mit dem Koordinaten‐Verfahren
• Optimierung mit dem Gradientenverfahren
• Optimierung mit dem Gradientenverfahren
In der VL am Ende, ev. selbst im Foliensatz durchlesen.
Jetzt Jetzt
Idee der Evolution
Evolution als Optimierungs‐(Exkurs)
Suche undOptimierung
Optimierungs verfahren
• Der Mensch – Krone der Schöpfung
Schöpfung
• Evolution der Evolutionstheorie
• Biologische Evolution
Genetische Algorithmen Biologische Evolution
• Gene, Meiose
• Bedingungen für Evolution
Genetisches Programmieren
• Vorkommen von Evolution Anwendungs‐
beispiele
Ursprung komplexer Systeme
Exkurs
Ursprung komplexer Systeme
Wie ist die Komplexität von Lebewesen erklärbar?
Pragmatisch: Können wir auf die gleiche Art komplexe, schöne, elegante, leistungsfähige technische Systeme entwerfen (lassen)?
l h kl k l k d h
Evolutionstheorie erklärt, wie komplexe Strukturen und Systeme entstehen.
b h h d S t fli d S t i t lli t S t
aber auch: sehende Systeme, fliegende Systeme, intelligente Systeme … –
und andere funktionelle Nischen
Das Unwahrscheinliche erklären
Exkurs
Das Unwahrscheinliche erklären
• komplex: Mensch, Maulwurf, Regenwurm, Uhr, Flugzeug
• nicht komplex: Pudding, Marienberg, Sandhaufen
Die Entstehung komplexer (funktionierender) Systeme durch rein zufälliges Aneinanderfügen möglicher Komponenten ist sehr unwahrscheinlich Aneinanderfügen möglicher Komponenten ist sehr unwahrscheinlich.
• Unwahrscheinliches Beispiel: Ein Sturm setzt Flugzeug aus Bauteilen zusammen
• Blinder Zufall genügt nicht.
Zwei Arten komplexer Systeme
• unbelebt: Uhr Å Plan Å Uhrmacher, Komplexität damit erklärt
• belebt: Regenwurm Å Evolution
Evolution als schrittweiser kumulativer Prozess Evolution als schrittweiser, kumulativer Prozess
• Wie erklärt die Evolutionstheorie das Vorhandensein komplexer Systeme?
D h fälli V i ti t t h d t ilh ft Ei h ft d Durch zufällige Variation entstehende, vorteilhafte Eigenschaften werden
durch natürliche Auslese ausgewählt. Komplexe Systeme entstehen durch das Anhäufen kleiner sinnvoller Veränderungen g am Ausgangssystem. g g y
• Eine wissenschaftliche Theorie hat die Eigenschaft der Falsifizierbarkeit: g sie stellt Behauptungen auf, die mit Beobachtungen (Experimenten),
widerlegt werden könnten.
Darwin: “If it could be demonstrated that any complex organ existed which
could not possibly have been formed by numerous successive slight
could not possibly have been formed by numerous, successive, slight
modifications, my theory would absolutely break down.”
Evolution als schrittweiser, kumulativer Prozess
ExkursBeispiel Auge: Unter Blinden ist der Einäugige König
Ist eine lückenlose, nützliche Kette für das Auge denkbar? Gibt es ein Kontinuum augenähnlicher Organe? JA.
Kontinuierliche Verbesserung der Sehfähigkeit (alle heute in der Natur zu finden) : 9 Ohne Auge: blind
9 /
9 Einzeller mit lichtempfindlichen Punkt: Licht ja/nein 9 Pigmentmembran: Richtung des Lichtes
9 Grube: Richtung++
9 Mehr Photozellen: Richtung++, Auflösung++
9 Umstülpen: linsenlose Lochkamera, Bildsehen 9 Linse: Helligkeit++
9 Linse: Helligkeit++
• Sehfähigkeit beeinflusst die Rate der Nachkommen
• Andere Beispiele für sinnvolle kontinuierliche Verbesserungen:
Mimikry, Fliegen, vom Wasser zum Land, Gift … Das Ziel der Evolution ist ?
Das Ziel der Evolution ist ...?
Ziel der Evolution?
Exkurs
Ziel der Evolution?
Sind Ameisen das Ziel der Evolution?
• zahlenstärksten Lebewesen der Erde (10
15Individuen, 8000 Arten)
k ti h V ä d it 60 Mill J
• kaum genetische Veränderungen seit 60 Mill. J.
• Staatenbildung mit Spezialisierung: Arbeiter, Soldaten, Königin Intelligente Ameisen?
• Haustiere: Blattläuse Pilze
• Haustiere: Blattläuse, Pilze
• Klimaanlagen: Temperatur, Luftfeuchtigkeit
• Kriegslisten: chemische Propaganda Sklavenhaltung Kriegslisten: chemische Propaganda, Sklavenhaltung
• robust gegen Insektizide und harte Strahlung
Exkurs
Ameisenbau, mit Beton gefüllt und ausgegraben
er, 2005’s Secret PoweAnts—Naturelldobler: The A Bert Hö
Quiz
Exkurs
Quiz
Was ist das Ziel der Evolution („Krone der Schöpfung“)?
A) Ameisen B) Menschen B) Menschen
C) etwas anderes, und zwar:
D) keines davon D) keines davon
Evolution hat kein Ziel, es erfolgt nur eine Anpassung an die aktuelle
Situation.
Der Mensch – Krone der Schöpfung“?
Exkurs
Der Mensch „Krone der Schöpfung ?
Weitere Erfindungen der Evolution
• Fliegenfüße
• Bienentänze
• Sonar der Fledermäuse
• Radar schwach elektrischer Fische
• Bakterien im Black Smoker
gen Berger
• Tiefsee‐???
• Schnellkäfer
orbandJuerg
U d i l d
: Stanislav GoUnd viele andere
Foto
Fliegenfuß
Der Mensch – ein Lebewesen
Exkurs
Der Mensch ein Lebewesen
Purzelt ein Schnellkäfer von einem Grashalm und landet auf dem Rücken Purzelt ein Schnellkäfer von einem Grashalm und landet auf dem Rücken,
kann er sich durch Emporschnellen aus der gefährlichen Lage befreien.
Unzählige Beispiele für Höchstleistungen und Anpassung in der Natur
• Erobern, Besetzen und Verteidigen funktioneller Nischen
Wi i i d I lli i h
• Wir sitzen in der Intelligenznische
Einzige witzige Folie:
Exkurs
g g
Schlange und Katze haben sich perfekt an den Lebensraum angepasst.
Quelle: http://www.myfascinating.com/pictures‐that‐will‐satisfy‐every‐perfectionists‐
soul‐6/
Exkurs
• Evolutionstheorie erklärt viele Beobachtungen in der realen Welt:
– Evolutionärer Ballast
K t E l ti
– Konvergente Evolution
– Handicap‐Prinzip
Evolutionärer
ExkursBallast
Auge:
• Komplex F kti i t
• Funktioniert
• Zweckmäßig
• Nicht perfekt
• Nicht perfekt
Evolutionärer Ballast im Auge:
Evolutionärer Ballast im Auge:
• Warum liegen die
Rezeptoren hinter der p
Nervenschicht?
Konvergente Evolution
Exkurs
Konvergente Evolution
Universalien :=
G t Lö t i h Üb l b bl i d ft äh li h
• Gute Lösungen typischer Überlebensprobleme sind oft ähnlich
• Aber ohne einen gemeinsamen Bauplan
• Universalien werden unabhängig an mehreren Stellen entwickelt, d.h. die gemeinsamen Vorfahren hatten diese Universalien noch nicht
gemeinsamen Vorfahren hatten diese Universalien noch nicht
• Beispiele: p
– Stromlinienform bei Fischen, Delphinen, Pinguinen – Flügel bei Fledermäusen und Vögeln g g
– Augen bei Mensch und Krake
Konvergente Evolution
ye.svg
Exkurs
Sehen beim Mensch und Krake
i:Evolution_ey
vertauscht:
dex.php/Date
vertauscht:
kein blinder Fleck
Retina
Nervenfasern Retina
Nervenfasern
ns.org/drw/ind
Nervenfasern Retina
drhinke.dyndn
S h
Blinder Fleck
Sehnerv Quelle:
http://d
Sehnerv Sehnerv
Nach Q
M h (Wi b lti ) K k (K ffüß )
Mensch (Wirbeltiere) Krake (Kopffüßer)
Das Handicap‐Prinzip
Exkurs
Das Handicap Prinzip
Evolutionstheorie erklärt viele Beobachtungen in der realen Welt:
• Handicap (hinderlich und sehr teuer) – dennoch nützlich?
• Pfau, Elchgeweih, Rolex, Vogelgesang, Versailles, Bankgebäude, bunter Erpel Chirurgie Roboter Hirschkäfergeweih
Erpel, Chirurgie‐Roboter, Hirschkäfergeweih
• Ehrliche Kommunikation verborgener Eigenschaften, fälschungssichere Signale als Fitnessversprechen
Signale als Fitnessversprechen
• Angeberei gerichtet an Sexualpartner, Konkurrenten und Fressfeinde
• Erklärung: Partnerwahl (Sexuelle Selektion) als ein Einfluss auf die Replikationswahr‐
h i li hk it i d ti i t
scheinlichkeit wird optimiert
(frühe) Evolution der Evolutionstheorie
Exkurs
(frühe) Evolution der Evolutionstheorie
L d D Vi i Ah d B d t F ili
Leonardo Da Vinci (1452‐1519)
Ahnung der Bedeutung von Fossilien
Georges Baron de Cuvier (1769‐1832)
Arten entstehen und verschwinden (durch Naturkatastrophen)
Jean Baptiste de Lamarck (1744–1829)
1809, Erste Abstammungstheorie, vererbbare
Veränderungen, Lamarckismus (heute wieder aktuell als Epigenetik)
Charles Darwin 1859 On the Origin of Species by Means of Natural Charles Darwin 1859, „On the Origin of Species by Means of Natural
Selection“
Gregor Mendel 1865, Merkmalskombination nicht –mischung, partikuläre Genetik (unbeachtet bis 1900)
Heute Synthetische Theorie der Evolution, Neodarwinismus
Darwin 1837:
Exkurs
Erster
Stammbaum
Es beginnt mit 1
C d B h äh li h
htmlC und B noch ähnlich D und B weniger ähnlich
A und B sind so verschieden
n/DarwinTree.hA und B sind so verschieden, dass sie keine
Nachkommen erzeugen
ton/4890/darwin
Nachkommen erzeugen können.
sh.uga.edu/nhilttp://www.englis
Was ist eine Art? Individuen, die zu einem gemeinsamen Genpool gehören und sich miteinander paaren können.
"I think case must be that one generation should have as many living as now. To do this and to have as many species in same genus (as is) requires extinction.
Thus between A + B the immense gap of relation. C + B the finest gradation. B+D rather greater distinction.” Foto: h
Charles Darwin Charles Darwin
Beobachtungen
1. Lebewesen variieren in ihren Eigenschaften
2 Ei i d V i ti i d bb
2. Einige der Variationen sind vererbbar 3. Individuenüberschuss (Geburtsrate), 4 Relative Konstanz der Populationsgröße 4. Relative Konstanz der Populationsgröße Schlussfolgerungen
• Der größte Teil der Lebewesen stirbt ohne Nachkommen
Alfred Russel Wallace
Kinder
• Der größte Teil der Lebewesen stirbt ohne Nachkommen.
• Es gibt einen Selektionsdruck:
ElternSurvival of the Fittest
Individuen, die mit den Lebensbedingungen am besten Individuen, die mit den Lebensbedingungen am besten zurechtkommen, haben eine größere Überlebenschance
und erzeugen mehr Nachkommen. g
[Herbert Spencer][ p ]Individuenüberschuss ‐ Exponentielles Wachstum bei unbegrenzten Ressourcen
• Wie stark ist der Selektionsdruck?
• Ein Starenweibchen legt in seinem Leben etwa 16 Eier. Wenn aus allen
diesen Eiern junge Stare schlüpfen würden und das so weiterginge wie
Heyne,2000 ]
diesen Eiern junge Stare schlüpfen würden und das so weiterginge, wie viele Stare gäbe es in der 4. Generation, wenn wir in der ersten
Generation mit einem Pärchen starten?
Scheibenwelt. H4. Generation: 1024
Gelehrtender S
10. Generation: 2.147.483.648
& Cohen, J. Die
Terry Pratchett: „In der siebzigsten Generation wäre eine Kugel von der Größe des Sonnensystems vollständig von Staren ausgefüllt.“
T.; Stewart, I. &
‐ Kopien sind oft „billig“.
[Pratchett,Begrenzte Ressourcen: Beispiel Elemente
Exkurs
Begrenzte Ressourcen: Beispiel Elemente
• Lebewesen bestehen im Wesentlichen aus den Elementen C (Kohlenstoff), H (Wasserstoff) und O (Sauerstoff) ... N, P, S, Fe, Mg, K, Na, Ca
O (Sauerstoff) ... N, P, S, Fe, Mg, K, Na, Ca
• In Bezug auf diese Elemente ist die Erde ein fast abgeschlossenes System.
ÎDie Ressourcen an ‚Material‘ sind begrenzt.
Potentiell exponentielles Wachstum trifft auf begrenzte Ressourcen (Elemente, Licht, Raum, Energie, ...)
Î ti ll W h t d lt i h i l i ti h Î exponentielles Wachstum wandelt sich in logistisches
Wachstum, Selektion
TB
TB
Selektion
Selektion bremst die biologische Evolution
Evolution.
Sie ist überwiegend darauf gerichtet,
di V ä d hi d
die Veränderungen zu verhindern, statt sie anzutreiben.
www.darwinawards.com
Foto: koradan, motifake.com
www.darwinawards.com
Darwin Awards honor those who improve our gene pool by removing themselves from it.
This honor is bestowed posthumously.
Biologische Evolution Biologische Evolution
• Genotyp, Phänotyp
G t W li di B lä fü i L b ?
– Genotyp: Wo liegen die Baupläne für ein Lebewesen?
– [Welche Fabriken setzen den Bauplan um?]
• Wie wird der Bauplan vererbt?
Genotyp Phänotyp Genotyp, Phänotyp
Genotyp Phänotyp
Individuum
Träger der
Erbinformation
Individuum unter
Selektionsdruck
Bei Lebewesen:
Bei Lebewesen:
Wachstum Allgemeiner:
Allgemeiner:
‐ Interpretation
‐ Anzeigen A füh Hier wirken genetische
Operatoren, wie Mutation, Crossover
Fitness wird am
Phänotyp bestimmt, Selektion findet hier
‐ Ausführen
‐ Konstruieren
‐ Abspielen
‐ Passive Datenstruktur
‐ Bauplan
Selektion findet hier statt
‐ Lernen
‐ ... Übung
Biologie: Vom Genotyp zum Phänotyp
h d
Exkurs
Der genetische Code
„Alle Tiere und Pflanzen und Bakterien, so verschieden sie auch voneinander zu sein scheinen, sind
erstaunlich einheitlich, wenn wir auf ihre molekulare Grundlage zurückgehen – was sich auf dramatische Grundlage zurückgehen was sich auf dramatische Weise am genetischen Code selbst zeigt.“
Richard Dawkins: Der blinde Uhrmacher
Biologie: Vom Genotyp zum Phänotyp
Exkurs
Biologie: Vom Genotyp zum Phänotyp
Was ist der genetische Code?
Was ist der genetische Code?
Eindeutige Zuordnung von Basentriplets zu Aminosäuren Eindeutige Zuordnung von Basentriplets zu Aminosäuren Der genetische Code wurde 1966 von
Der genetische Code wurde 1966 von
Heinrich Matthaei und Warren Nirenberg entschlüsselt.
Biologie: Vom Genotyp zum Phänotyp
h d
Exkurs
Der genetische Code
i l i i i
Die Bauanleitung eines Organismus
• Erbinformation: Zelle ‐> [Zellkern] ‐> Chromosomen ‐> DNS (1953, Watson & Crick)
• DNS: Doppelhelix mit Basensequenzen A vs T C vs GDNS: Doppelhelix mit Basensequenzen, A vs. T, C vs. G
• 4 Basen: A = Adenin, G = Guanin, C = Cytosil, T = Thymin (in RNS: U = Uracil),
• Triplet: DNS‐Abschnitt aus 3 Basen, z.B. GCA ‐> 64 Triplets Genetischer Code: Jedes Triplet kodiert eine Aminosäure
• Proteine sind eine Sequenz der 20 Aminosäuren:
• Î DNS beschreibt die Struktur von Proteinen Der genetische Code ist bei allen Organismen gleich Æ Gemeinsame Abstammung von einer Urzelle
Codesonne
Biologie: Vom Genotyp zum Phänotyp
ExkursGene, Exons, Introns
i d b h i ( di ll i di )
Gene sind DNS‐Abschnitte (, die zur Herstellung von Proteinen dienen.)
• können sich überlappen
• sind redundant vorhandensind redundant vorhanden
Nicht alle DNS‐Abschnitte erzeugen Proteine: Exons und Introns
• Exons erzeugen Proteine
• Introns (~90%) werden beim Transport der mRNS herausgeschnitten
• Beispiel: Kollagen 40.000 Basenpaare, beschnittene mRNS 5.000 Basenpaare Wir wissen heute nicht wozu Introns dienen:
Wir wissen heute nicht, wozu Introns dienen:
? Optimierung des Informationsträgers
? Schutz des Genmaterials vor Mutation
? Evolutionäres Gedächtnis, z.B. Schutz gegen ausgestorbene Parasiten
? Botschaft: „Ruft uns mal an, wenn Ihr das lesen könnt.“
Bsp: Craig Venter
Biologie: Vom Genotyp zum Phänotyp
b h
Exkurs
Proteinbiosynthese
Proteinbiosynthese:
Bildung von Proteinen in Zellen nach Vorlage der aufgearbeiteten Kopie
(mRNS) eines bestimmten DNA Abschnitts (Gen) der Erbinformation
(mRNS) eines bestimmten DNA‐Abschnitts (Gen) der Erbinformation.
Exkurs
Wo sind wir:
Erbinformation:
Zelle -> [Zellkern] -
> Chromosomen -
> DNS mRNS = messenger Ribonukleinsäure
Proteinbiosynthese
Vom Gen zum Protein
Biologie: Vom Genotyp zum Phänotyp
Exkurs
Biologie: Vom Genotyp zum Phänotyp
• Proteinbiosynthese: Gen ‐> Protein
• [Von Proteinen zu Zellen: Zelldifferenzierung]
Biologie: Vom Genotyp zum Phänotyp
lld ff
Exkurs
Si htb t kt ll d f kti ll S i li i Z ll äh d d
Zelldifferenzierung
• Sichtbar: strukturelle und funktionelle Spezialisierung von Zellen während der Individualentwicklung
• Zellstammbaum mit der Zygote (befr. Zelle) als Wurzel
• Zygote zu allem fähig: totipotente Zelle Æ kompletter Organismus möglich, – geschützt im Embryonenschutzgesetz
• Ab 8‐Zellen‐Stadium: pluripotente Zellen Æ noch alle Zelltypen möglich
• Ab 8‐Zellen‐Stadium: pluripotente Zellen Æ noch alle Zelltypen möglich
• DNS identisch in allen Körperzellen (Schaf Dolly, 1997)
Wie entstehen bei identischer DNS verschiedene
Kö ll ?
Körperzellen?
• Unterschiedliche Tochterzellen
• Wechselwirkungen zwischenWechselwirkungen zwischen e“
Zellen, bspw. Botenstoffe
r‐Gehring: "ZoologiWehner
Biologie: Vom Genotyp zum Phänotyp
h d ll b l h ?
Exkurs
Verschiedene Zelltypen bei gleicher DNS?
Nachbarzelle Zelle
Sollten nicht in allen Zellen die gleichen Proteine vorhanden sein?
erzeugen erze
Zelle
Strukturgene Proteine Strukturgene
B ff
(de)aktivieren Botenstoffe (de)ak
sind Proteine
• Welche Gene aktiviert sind und welche Proteine mitwirken, bestimmt, ob es sich bspw. um eine Leber‐ oder Nierenzelle handelt
• Operatorgene
Biologie: Vom Genotyp zum Phänotyp Biologie: Vom Genotyp zum Phänotyp
• Gene beschreiben also nicht nur den
– Aufbau von Proteinen (Proteinbiosynthese), sondern auch das
Z i l G d P t i (Z lldiff i )
– Zusammenspiel von Genen und Proteinen (Zelldifferenzierung)
• Umwelteinflüsse (Ernährung, Lebensraum, Erfahrungen)
Das war: Genotyp ‐> Phänotyp
Wie wird der Bauplan weitergegeben?
Wie wird der Bauplan weitergegeben?
‐ Variation durch Crossover
Meiose (Reifeteilung)
Exkurs
Wie wird das Erbgut bei der geschlechtlichen Fortpflanzung gemischt?
Körperzelle Körperzelle
2x23 Chromosomen
4 haploide Keimzellen Crossover, Rekombination
Meiose: Datenfluss der Erbinformation Meiose: Datenfluss der Erbinformation
• dient als vereinfachtes Modell für das Crossover bei genetischen Algorithmen
• Wir mischen das Erbgut unserer Eltern zu unseren Kindern
• Wir mischen das Erbgut unserer Eltern zu unseren Kindern.
Meiose: Datenfluss der Erbinformation Meiose: Datenfluss der Erbinformation
• dient als vereinfachtes Modell für das Crossover bei genetischen Algorithmen
• Wir mischen das Erbgut unserer Eltern zu unseren Kindern
• Wir mischen das Erbgut unserer Eltern zu unseren Kindern.
Meiose: Datenfluss der Erbinformation Meiose: Datenfluss der Erbinformation
action
• dient als vereinfachtes Modell für das Crossover bei genetischen Algorithmen
• Wir mischen das Erbgut unserer Eltern zu unseren Kindern e: Genetics
in a
• Wir mischen das Erbgut unserer Eltern zu unseren Kindern.
Quelle
Zusammenfassung Biologie Zusammenfassung Biologie
( )
• Genotyp = DNS (+ epigenetische Phänomene, Lamarckismus)
• DNS enthält Exons und Introns G i d DNS Ab h itt
• Gene sind DNS‐Abschnitte
• Genetischer Code (Triplet ‐> Aminosäure) universell
• DNS steuert über Proteinbiosynthese und Zelldifferenzierung das
• DNS steuert über Proteinbiosynthese und Zelldifferenzierung das Entstehen des biologischen Phänotyps
• Crossover bei der Meiose: In der geschlechtlichen Fortpflanzung wird das Crossover bei der Meiose: In der geschlechtlichen Fortpflanzung wird das
Erbgut der Vorfahren zufällig gemischt
Drei biologische Evolutionsfaktoren Drei biologische Evolutionsfaktoren
Populationsgenetik: Evolution als Änderung von Genhäufigkeiten über die Generationen
Generationen
Was beeinflusst die Häufigkeit der Gene?
Biologische Evolutionsfaktoren ( = Ursachen für Genpooländerungen) 1. Natürliche Selektion
2. Mutation (bspw. Austauschen von DNS‐Basen durch UV‐Licht) 3. Rekombination und Crossover von DNS‐Abschnitten
[u.a. wie Gendrift, Genfluss]
Vier Bedingungen für Evolution Vier Bedingungen für Evolution
W fi d t E l ti t tt?
Wann findet Evolution statt?
Hinreichende Evolutionsbedingungen
1. Replikation (Vermehrung, aber auch Kopie, Imitation, Fremd‐Replikation) 2. Veränderung des Genotyps (genetische Operatoren)
3. Vererbbarkeit der Veränderung
4. Veränderung beeinflusst die Replikationswahrscheinlichkeit (Ressourcenknappheit, Selektion, Kausalkette)
> Beispiel Replikationswahrscheinlichkeit
Replikationswahrscheinlichkeit Replikationswahrscheinlichkeit
• Fitness ist relativ
p = 0.1 p = 0.7 p = 0.9
> Löwe – Forscher ‐Turnschuh
Replikationswahrscheinlichkeit Replikationswahrscheinlichkeit
• Fitness ist dynamisch
p = 0.5 p = 0.0
p = 0.1 p = 0.7 p = 0.9
Vorkommen von Evolution Vorkommen von Evolution
Sind die 4 Evolutionsbedingungen nur bei Lebewesen erfüllt?
Lebewesen erfüllt?
• Lebewesen,
( )
• Technische Produkte (z.B. Computer, Autos, Smartphones),
• Mode und Geschmäcker (z.B. Musik, Kleidung),
V h lt i ( B F ili K i Gl i hb hti P i )
• Verhaltensweisen (z.B. Familie vs. Karriere, Gleichberechtigung, Privacy)
• Standards (z.B. JAVA, USB, MFM),
• Unternehmen
• Unternehmen
• Gesellschaftsordnungen
• alle Systeme, die die Evolutionsbedingungen erfüllen.
• Selbstreplikation ist nicht notwendig Selbstreplikation ist nicht notwendig
Übung
self‐replicating machine
Exkurs
p g
3D‐Drucker RepRap
Parent
fBath], University ofwiki/RepRap,
Child1 ://reprap.org/w
Child1 Child2
Bild von [httpB
Quiz: about evolution
Exkurs
Quiz: about evolution
• True or false?
– Add P, if you think the statement is true. Add P, if you think the statement is true.
• Natural selection produces organisms perfectly suited to their p g p y s_faq.php environments. (P = 1)
• Evolution results in progress; organisms are always getting better
through evolution (P 2) sconception
s
through evolution. (P = 2)
• Evolution only occurs slowly and gradually. (P = 4)
• Humans are not currently evolving. (P = 8) on: evolibrary/mis
u a s a e ot cu e t y e o g. ( 8)
• Species are distinct natural entities, with a clear definition, that can be easily recognized by anyone. (P = 16)
about evolutio erkeley.edu/eonceptions a //evolution.be
Correct answer: P = 0
Misco http:/
Evolution als Suche und Optimierung Evolution als Suche und Optimierung
nauf flickr.comB_Zedan
Evolution als Optimierung und Suche Evolution als Optimierung und Suche
Next
• Zustandsraumsuche und Lösungsraumsuche B i i l fü Lö ä
• Beispiele für Lösungsräume
• Evolution als Suche
• Suche als Optimierung
• Suche als Optimierung
• Fitness‐Landschaft
Evolution als Optimierung / Suche Evolution als Optimierung / Suche
Evolution als Optimierung / Suche
• Optimierungsprozess passt Organismen an ihre Umwelt an
• Suche im Raum der möglichen Erbanlagen (Genotypen)
• Suchraum der menschlichen DNS = 4
3.000.000.000Möglichkeiten
Evolution ist eine Suche im Lösungsraum Evolution ist eine Suche im Lösungsraum
Lässt sich eine Lösung schrittweise
konstruieren?
nein/schwer ja
Verfahren:
nein/schwer ja
Verfahren:
Zustandsraumsuche
(auch Konstruktionsverfahren)
Verfahren:
Lösungsraumsuche
(auch Verbesserungsverfahren) E l ti
(auch Konstruktionsverfahren) Tiefensuche
Breitensuche A* Suche
Evolution
Evolutionäre Algorithmen Simulated Annealing A*‐Suche
.... Gradientenverfahren
....
Zustandsraumsuche – Der Weg ist das Ziel
Exkurs
Zustandsraumsuche Der Weg ist das Ziel
k h l h f h h h l h
• Bekannte Suchalgorithmen: Tiefensuche, Breitensuche, Bestensuche, Gleiche‐
Kostensuche, A*
• Gesucht: (Kurzer) Weg vom Startzustand zum Zielzustand, bspw. von A nach F( ) g , p
• Eine Lösung: Weg ACDF
• Vorgehen: Lösungen schrittweise konstruieren, Suchbaum entsteht
Wenn das aber nicht
geht?
• Schwieriger: mehrere Zielzustände, optimaler Weg gesucht
• Noch schwieriger: Besondere Wegeigenschaften, bspw. Weg ist eine Rundreise
Zustandsraum Suchbaum mit
Zwischenlösungen
2 mögliche Lösungen, Wege, ADF ist besser
Lösungsraumsuche
i h i i K k i i Lö h i h d i
Lösungsraumsuche
Die schrittweise Konstruktion einer Lösung geht nicht oder ist sehr schwierig: die Lösungskandidaten werden untersucht.
Problem ist gegeben durch
• Lösungsmenge P: Menge von Lösungskandidaten
Zi lf kti f d t j d Lö k did t K t d G i
• Zielfunktion f ordnet jedem Lösungskandidaten Kosten oder Gewinn zu:
ℜ
→ P f :
Bleiben wir beim Beispiel:
• Lösungsmenge P = {ADF, ACDF} – also zwei Wege von A nach F
• Zielfunktion f sei „Anzahl der Schritte“: f(ADF) = 2 Schritte, f(ACDF) = 3 Schritte
ACDF
>TSP5
ADF f=2
ACDF
f=3
f=2
Ein TSP5 Ein TSP5
d i bl ( li l bl ) d d k
• Rundreiseproblem (TSP = Traveling Salesman Problem): Finde die kürzeste Rundreise durch alle Städte
Ungefähre geografische Lage der fünf Städteg g g g Zustandsraum einer Reise
Lösungsmenge P ist ?
Lösungsmenge P ist ....?
Lösungsmenge P des TSP
ll k d d ll d
Lösungsmenge P des TSP
• P = Menge aller Lösungskandidaten = Alle Rundreisen
• Form einer Rundreise „1xxxx1“ o.B.d.A.
• Lösungsmenge P = Permutationen von 4 ElementenLösungsmenge P = Permutationen von 4 Elementen
= {123451, 123541, …}
• Richtung unwichtig 123451 = 154321
• 4! / 2 = 12 Lösungen (eigentlich Lösungskandidaten)
• Eine Lösung ist 123541 mit den Kosten f = 444:
123541 f=444
Nachbarschaft
k d
Nachbarschaft
• Bringen wir etwas Struktur in die Lösungsmenge P:
• Festlegen einer Metrik d („Abstandsfunktion“):
oder Nachbarschaftsrelation N:
ℜ
→
×P P d :
Wir wählen als Nachbarschaftsrelation den Zwei‐Kanten‐Tausch (Inversion):
Bspw. ist Lösung 123541 benachbart mit Lösung 123451, d.h. das Paar (123541,123451) ist ein Element von N
benachbart
f = 444 f = 416
Æ Im Lösungsraum entsteht eine Struktur aus Nachbarschaftsbeziehungen ...g g
Struktur des Lösungsraumes Struktur des Lösungsraumes
Bei der Nachbarschaftsrelation „2‐Kanten‐Tausch“ ergibt sich
folgende Nachbarschaftsstruktur (Kanten) in der Lösungsmenge:
n. ranaloger Verfahre SBN 3824461811.durch Einsatz natur en : Gabler, 1995. ISt. Tourenplanung d s Verlag; Wiesbadeen95] Oliver Wendt utscher Universität
Die Zahlen geben den
d lf k f
[We DeuWert der Zielfunktion f an, hier die Länge der Route
Route
Struktur des Lösungsraumes Struktur des Lösungsraumes
• Nachbarschaftsrelation = 2‐Kanten‐Tausch)
n. ranaloger Verfahre SBN 3824461811.durch Einsatz natur en : Gabler, 1995. IS
f
t. Tourenplanung d s Verlag; Wiesbadeen95] Oliver Wendt utscher Universität[We Deu
Ei Lö G = 123541
Eine Lösung
Lokale Suche Lokale Suche
• Nachbarschaftsrelation = 2‐Kanten‐Tausch)
n.
k d
ranaloger Verfahre SBN 3824461811.
Wie könnte die
Lösungsraumsuche hier aussehen?
durch Einsatz natur en : Gabler, 1995. IS
f
t. Tourenplanung d s Verlag; Wiesbadeen95] Oliver Wendt utscher Universität[We Deu
Ei Lö G = 123541
Eine Lösung
Lokale Suche
Exkurs
Lokale Suche
• Nachbarschaftsrelation = 2‐Kanten‐Tausch)
n.
k d
ranaloger Verfahre SBN 3824461811.
Wie könnte die
Lösungsraumsuche hier aussehen?
durch Einsatz natur en : Gabler, 1995. IS
f
Ein Suchalgorithmus im Lösungsraum (es gibt auch andere) ist die Lokale Suche:
t. Tourenplanung d s Verlag; Wiesbade
andere) ist die okale Suche:
• Wandern von Lösung zu Lösung anhand der
en95] Oliver Wendt utscher Universität
Lösung anhand der Nachbarschaft
• zufälliger Start bei
G 123541 [We Deu
Ei Lö G = 123541
G = 123541 Eine Lösung
Lokale Suche
Exkurs
Lokale Suche
• Nachbarschaftsrelation = 2‐Kanten‐Tausch)
n.
k d
ranaloger Verfahre SBN 3824461811.
Wie könnte die
Lösungsraumsuche hier aussehen?
durch Einsatz natur en : Gabler, 1995. IS
f
Ein Suchalgorithmus im Lösungsraum (es gibt auch andere) ist die Lokale Suche:
t. Tourenplanung d s Verlag; Wiesbade
andere) ist die okale Suche:
• Wandern von Lösung zu Lösung anhand der
en95] Oliver Wendt utscher Universität
Lösung anhand der Nachbarschaft
• zufälliger Start bei
G 123541 [We Deu
Ei Lö G = 123541
G = 123541 Eine Lösung
Lokale Suche
Exkurs
Lokale Suche
• Nachbarschaftsrelation = 2‐Kanten‐Tausch)
n.
k d
ranaloger Verfahre SBN 3824461811.
Wie könnte die
Lösungsraumsuche hier aussehen?
durch Einsatz natur en : Gabler, 1995. IS
f
Ein Suchalgorithmus im Lösungsraum (es gibt auch andere) ist die Lokale Suche:
t. Tourenplanung d s Verlag; Wiesbade
andere) ist die okale Suche:
• Wandern von Lösung zu Lösung anhand der
en95] Oliver Wendt utscher Universität
Lösung anhand der Nachbarschaft
• zufälliger Start bei
G 123541 [We Deu
Ei Lö G = 123541
G = 123541
• Ende bei G = 123451 mit f(G) = 416
Eine Lösung
Fitness‐Landschaft Fitness Landschaft
Di Zi lf k i f d j d Lö k did i ll Z hl
f P ℜ
• Die Zielfunktion f ordnet jedem Lösungskandidat eine reelle Zahl zu:
• Fitness‐Landschaft stellt die Lösungsmenge, die Nachbarschaft und die Zielfunktion dar:
ℜ
→ P f :
[Wen95]
Woher stammen die Kanten?
Woher stammen die Kanten?
Wo findet sich diese Nachbarschaft bei der biologischen Evolution? ?
Beispiele für Lösungsräume Beispiele für Lösungsräume
Problem Lösungsmenge P Metrik / Nachbarschaft Finden einer kurzen
Rundreise
Menge von Permutationen
2‐Kanten‐Tausch (Inversion)
…
2 weitere Beispiele für Lösungsräume ... p g
Reellwertiger Lösungsraum Reellwertiger Lösungsraum
• Lösungskandidaten sind Vektoren reeller Zahlen
n• Metrik: Euklidische Distanz
Zi lf kti d t j d V kt i ll Z hl
P = ℜ
nℜ ℜ
nf
• Zielfunktion ordnet jedem Vektor ein reelle Zahl zu:
Beispiel
ℜ
→ ℜ
nf :
2 2 2
2 2 x x f
P ℜ
Beispiel
Einige Lösungen mit Zielfunktion:
2
1
2
2
, f x x
P = ℜ = − −
(x1,x2) f ( , )
(‐4,‐3) ‐50 (2,4) ‐40 (3,1) ‐20 ( , )
(0,0) 0
(2,2) ‐16 u.v.a
hb h f k h d ?
Nachbarschaft: Wie könnte man hier wandern?
Reellwertiger Lösungsraum Reellwertiger Lösungsraum
• Lösungskandidaten sind Vektoren reeller Zahlen
n• Metrik: Euklidische Distanz
Zi lf kti d t j d V kt i ll Z hl
P = ℜ
nℜ ℜ
nf
• Zielfunktion ordnet jedem Vektor ein reelle Zahl zu:
Beispiel MZ TS250/1 Vergaser
ℜ
→ ℜ
nf :
Beispiel MZ TS250/1 ‐ Vergaser
x1: Schieberanschlagschraube, x1: Schieberanschlagschraube, x2: Leerlaufluftschraube
f(x1,x2) ‐> Motordrehzahl gesucht kleines x1, hohes f
hb h f k h d ?
Nachbarschaft: Wie könnte man hier wandern?
Beispiele für Lösungsräume Beispiele für Lösungsräume
Problem Lösungsmenge P Metrik / Nachbarschaft Finden einer kurzen
Rundreise
Menge von Permutationen
2‐er Tausch Optimum einer reellen
Funktion
Rn = Menge von
Vektoren reeller Zahlen
Euklidischer Abstand
…
Merkmalsraum als Lösungsraum
Exkurs
Merkmalsraum als Lösungsraum
k l b d k l f
kartesisches Produkt
• n Merkmale M1 bis Mn spannen den Merkmalsraum M = M1 x … x Mn auf.
• Eine Lösung ist eine konkrete Merkmalskombination
• Zielfunktion:
M x ∈
ℜ
→ M f :
Zielfunktion:
• Metrik: Anzahl verschiedener Merkmale (zum Beispiel)
ℜ
→ M f :
Beispiel Merkmalsraum „Autos“
• M = Größe = {1 5m}
• M1 = Größe = {1..5m},
M2 = Farbe = {rot, grün, violett},
M3 = Kraftstoff = {Benzin, E10, Diesel}
• M = Größe x Farbe x Kraftstoff
• f(x): verkaufte Stückzahl
• Eine Lösung x = {2m, grün, Diesel}
• mit f(x) = 7( )
Nachbarschaft: Wie könnte man hier wandern?
Beispiele für Lösungsräume Beispiele für Lösungsräume
Problem Lösungsmenge P Metrik / Nachbarschaft Finden einer kurzen
Rundreise
Menge von Permutationen
2‐er Tausch Optimum einer reellen
Funktion
Rn = Menge von
Vektoren reeller Zahlen
Euklidischer Abstand Merkmalskombination Merkmalsraum M Änderung eines
Merkmalskombination mit günstigen
Eigenschaften
Merkmalsraum M Änderung eines Merkmales
…
• Nicht in allen Lösungsräumen haben wir: Achsen, Ableitungg , g
Wie sucht die Evolution in Lösungsräumen nach guten Lösungen?
Lösungen?
Evolution als Suche Evolution als Suche
ö h
• Lösungsraumsuche
• Kombination von informierter (gerichteter Suche) mit blinder Suche:
Mutation • zufällig, blind
• Erzeugung von Varianten und Alternativen Genetische
O t
Rekombination
• Überwindung von lokalen Optima
• zufällig, blind
Operatoren:
Æ Nachbarschaft (Crossover,..) • Mischen von Erbgut,
• Vereinen guter Ansätze Selektion • zufällig, gerichtet
• Steuerung der Evolution Zielfunktion
Parallelität
g
• gleichzeitiges Testen des Lösungsraumes
h S ll
an mehreren Stellen
Suche als Optimierung Suche als Optimierung
• Suche nach Lösungen mit gutem Wert der Zielfunktion ist Optimierung
• P und f bilden ein Optimierungsproblem
I t P di k t i ht k bi t i h O ti i
• Ist P diskret spricht man von kombinatorischer Optimierung
In seiner Umgebung
der Beste der Beste
Optima Optima
• Modalität: Ist diese Fitness‐Landschaft unimodal (nur ein Optimum) oder multimodal?
l i d l i i h O i
f
• > Multimodal, es existieren mehrere Optima
?
Fitness‐Landschaft Fitness Landschaft
d d h f i d l ( ) d l i d l?
• Ist diese Fitness‐Landschaft unimodal (nur ein Optimum) oder multimodal?
• Unimodal, denn von jedem Punkt im Lösungsraum (außer vom Optimum) lässt sich ein benachbarter Punkt mit besserer Zielfunktion finden.
• Wovon hängt die Modalität neben der Zielfunktion f noch ab?
• Von der
Nachbarschaftsdefinition Nachbarschaftsdefinition, also der Metrik d oder der Nachbarschaftsrelation N.
i lf k i d
[Wen95]
• Zielfunktion und
Nachbarschaftsdefinition gestalten gemeinsam die Fitness‐Landschaft
?
Beispiele für Fitness‐Landschaften Beispiele für Fitness Landschaften
• Einfach
• Schwieriger: Plateaus (Fitness bei
• Schwieriger: Plateaus (Fitness bei allen Nachbarn gleich) und
Rauschen
• Komplett zufällig
Die Funktionen F1, F3 und F4 der Abbildung sind Testfunktionen für EA aus: [De Jong 75] K. A. De Jong. An Analysis of the Behavior of a Class of Genetic Adaptative Systems. Dissertation, University of Michigan, Ann Arbor, 1975.
Optimierungsverfahren
Optimierungsverfahren
Optimierungsverfahren Optimierungsverfahren
Next
• Deterministische Optimierung 3 i f h V f h
– 3 einfache Verfahren
– Downhill‐Simplex‐Verfahren genauer Beispielverlauf an der Rastriginfunktion – Beispielverlauf an der Rastriginfunktion
• Nichtdeterministische Optimierung 5 einfache Verfahren
– 5 einfache Verfahren
• Überblick im Rückblick
Optimierung ‐ deterministisch Optimierung ‐ deterministisch
Die deterministischen Verfahren führen bei mehrfacher
Anwendung auf dasselbe Anwendung auf dasselbe Problem mit gleichen
Anfangsbedingungen stets zu einer identischen Lösung.
• Gauß‐Seidel‐Strategie
• Gradientenverfahren Aufstieg
• Gradientenverfahren
• Simplex‐Verfahren*
g
in der Fitness-
Landschaft
…
*Es gibt noch ein anderes Simplex‐Verfahren zur Lösung
Landschaft
g p g
linearer Gleichungssysteme
Optimierung ‐ deterministisch Optimierung deterministisch
1. Gauß–Seidel‐Strategie (Koordinaten‐Verfahren)
Wiederhole
• x1 verändern, so dass
sich f(x) vergrößert Weiter bis sich f(x) vergrößert. Weiter bis zum lokalen Maximum von f(x).
• nacheinander für x2 .. xn
• Vorteil: kein Gradient nötig
A h
• Annahme:
Lösungsparameter als Koordinaten in einem n‐dimensionalen
Parameterraum (Achsen)
Optimierung ‐ deterministisch Optimierung deterministisch
2. Gradientenverfahren (ein Bergsteiger‐Verfahren)
/v/gradient-1
Gradient = Richtung des steilsten Anstiegs (ein Vektor) Wiederhole
• Anstieg von f im aktuellen Punkt x bestimmen es_topic/gradient/
• Anstieg von f im aktuellen Punkt x bestimmen (partielle Ableitungen)
• Schritt in die Richtung des Anstiegs proportional
/partial_derivative
zum Betrag des Anstiegs
rg/math/calculus/
lies: Gradient der Funktion f an der
Vorteil: schnell und gierig
Voraussetzung: Gradient bestimmbar
w.khanacademy.o
Stelle P
g
• Prominentes Beispiel: Backpropagation bei neuronalen Netzen ist ein Gradientenverfahren https://w
ww
Beispiel: Gradient in einem Punkt
Exkurs 2014
Beispiel: Gradient in einem Punkt
Gradient von f an der Stelle P
Exkurs
Gradient von f an der Stelle P
f x1 (P)
f x1 (P)
Gradient von f
f (P)
Gradient von f an der Stelle P
f x2 (P)
Abbildung aus: Franz Embacher, Vorlesung „Mathematische Grundlagen für das Physikstudium 2“, online available:
Abbildung aus: Franz Embacher, Vorlesung „Mathematische Grundlagen für das Physikstudium 2 , online available:
https://www.univie.ac.at/physikwiki/index.php/LV009:LV‐Uebersicht/WS07_08/Aufgabe5_Gradient, Universität Wien, 2007
Optimierung ‐ deterministisch Optimierung deterministisch
3. Simplex‐Verfahren (Downhill‐Verfahren v. Nelder, Mead 1965)
• M habe n Dimensionen ‐> n+1 Punkte in M verteilt anlegen (Das Simplex)
• Wiederhole
– Reflektion des schlechtesten Punktes am Schwerpunkt der anderen (z.B. α=1) – Neuer Punkt: besser als alle anderen ‐> Expansion versuchen (z.B. γ=2),
greedy greedy
– Sonst: wenigstens besser als der zweitschlechteste ‐> Verwenden – Sonst: Kontraktion versuchen, um besseren (alt, neu) (z.B. mit β=0.5)
– Kontrakt. nicht erfolgreich: schrumpfe Simplex um besten Punkt (z.B. Shrink mit δ=0.5)
• Vorteil: Population = Gedächtnis
A simplex method for function minimization
Exkurs
By J. A. Nelder and R. Mead
richtig: y*<=ys; ys=zweitschlechtester
Gamma=2 Gamma 2
Beta = 0.5
0.5 auch Delta, damit 4 Parameter + Init
i l
Simplex‐Verfahren Simplex Verfahren
Parameter: α, β, γ, δ
fl ti 1
• reflection α ∼1
• expansion γ >1, ∼2
• contraction β 0 1
• contraction β 0..1
• shrink δ ∼0.5
• Ein größenveränderlicher
Simplex auf Wanderschaft p
Simplex‐Verfahren
Exkurs
Simplex Verfahren
Parameter: α, β, γ, δ
fl ti 1
• reflection α ∼1
• expansion γ >1, ∼2
• contraction β 0 1
• contraction β 0..1
• shrink δ ∼0.5
A simplex method for function minimization
Exkurs
By J. A. Nelder and R. Mead, Flowchart
* fl ti
* reflection
b l ll ?
alle ausser Ph
besser als P*? Ph sei der bessere
besser als alle?
versuche versuche
t t
versuche
expansion contraction
expansion erfolgreich contraction
fehlgeschlagen->
0.5 auch delta
p g
fehlgeschlagen->
Shrink
Rastrigin‐Funktion
Exkurs
Rastrigin Funktion
Rastrigin-Funktion
• n=2 und A=10,
• Minimum bei f(0,0)=0
(10*2+(x**2-10*cos(2*pi*x))+(y**2-10*cos(2*pi*y))) 80 60 60 40 20 80
90
40 50 60 70 80
0 10 20 30
0
2
4
-4
-2
0 -2
0
Beispiel Simplex‐Verfahren
Exkurs
Beispiel Simplex Verfahren
1
‐ Startsimplex 1(43),2(47),3(28) 2(47) i t d hl ht t P kt
2
‐ 2(47) ist der schlechteste Punkt
3
Beispiel Simplex‐Verfahren
Exkurs
Beispiel Simplex Verfahren
1
‐ 2(47) soll ersetzt werden
S h kt d tli h b ti
2
‐ Schwerpunkt der restlichen bestimmen
3
Beispiel Simplex‐Verfahren
Exkurs
Beispiel Simplex Verfahren
1
‐ Reflektion ergibt 4(23), 4(23) i t b l ll d
2
‐ 4(23) ist besser als alle anderen
‐ Expansion versuchen
4
3
Beispiel Simplex‐Verfahren
Exkurs
Beispiel Simplex Verfahren
1
‐ Expansion ergibt 5(4) 5(4) i t h b
2
‐ 5(4) ist noch besser,
‐ 5(4) ersetzt 2(47)
‐ Ein Simplex‐Schritt beendet
4 5
3
Beispiel Simplex‐Verfahren
Exkurs
Beispiel Simplex Verfahren
1
‐ Neues Simplex 1(43),3(28),5(4)
5
3
Beispiel Simplex‐Verfahren
Exkurs
Beispiel Simplex Verfahren
1
‐ Altes und neues Simplex
5
3
Beispiel Simplex‐Verfahren
Exkurs
Beispiel Simplex Verfahren
1
‐ 1(43) soll ersetzt werden R fl kti 6(30)
‐ Reflektion zu 6(30)
‐ 6(30) verbessert zwar 1(43), aber keinen anderen
‐ Kontraktion versuchen
5
3
6
Beispiel Simplex‐Verfahren
Exkurs
Beispiel Simplex Verfahren
1
‐ 6(30) besser als 1(43), also Kontraktion von 6 E t 7(31)
‐ Erzeugt 7(31),
‐ Kein Erfolg: 7(31) ist schlechter als 6(30)
5
3 7
6 Stimmt das? Im Artikel prüfen, ob Punkt 1 von Punkt 6 ersetzt wird (Vorbereitung Kontraktion wählt besseren von 1,6, Kontraktion schlägt fehl, verbleibt der bessere?
Beispiel Simplex‐Verfahren
Exkurs
Beispiel Simplex Verfahren
‐ Shrink des Simplex 1(43),3(28),5(4) d b t 5(4)
1
8 um den besten 5(4)
‐ Erzeugt 8(17) und 9(7)
‐ Ein Simplex‐Schritt beendet
5
9
3