{"id":39,"date":"2022-02-28T19:49:12","date_gmt":"2022-02-28T19:49:12","guid":{"rendered":"https:\/\/wp-prd.let.ethz.ch\/computationaldesigniii\/?post_type=chapter&p=39"},"modified":"2022-06-14T17:50:10","modified_gmt":"2022-06-14T17:50:10","slug":"digitale-optimierung","status":"publish","type":"chapter","link":"https:\/\/wp-prd.let.ethz.ch\/computationaldesigniii\/chapter\/digitale-optimierung\/","title":{"raw":"Suche und Optimierung","rendered":"Suche und Optimierung"},"content":{"raw":"
\u2026that we build machines equipped with at least those devices that humans employ to design. Let us build machines that can learn, can grope, and can fumble, machines that will be architectural partners, architecture machines.<\/em> Negroponte, Nicholas. Architecture Machine - Toward a More Human Environment. Cambridge, Mass.: MIT Press 1970<\/div>\r\n

Entwerfen als Variantenerzeugung und Einschr\u00e4nkung<\/h1>\r\n
\r\n\r\nEngineering, medicine, business, architecture, and painting are concerned not with the necessary but with the contingent -- not with how things are but with how they might be -- in short, with design. <\/em>\r\n\r\nHerbert Simon, The science of the artificial\r\n\r\n \r\n\r\nIch entwerfe nicht, ich suche<\/em>\r\n\r\nFrei Otto\r\n\r\n<\/div>\r\n

Probleme<\/h1>\r\nGemeinsam mit Melvin Webber pr\u00e4gte Horst Rittel ab Mitte der 1960er Jahre den Begriff \u201eWicked Problems\u201c. Der im deutschen bisweilen als \u201eb\u00f6sartige Probleme\u201c \u00fcbersetzte Begriff zielt auf die gro\u00dfe Bandbreite undefinierter Probleme, die sich beispielsweise in Planungs- oder Gestaltungsprozessen ergeben. Horst Rittel, der als einer der ersten eine Theorie der wicked problems<\/em>\u00a0formuliert hat, nennt zehn Merkmale[2]<\/sup><\/a>\u00a0dieser komplexen Sachverhalte:\r\n
    \r\n \t
  1. Wicked problems<\/em>\u00a0haben keine definitive Formulierung. Das Problem der Armut in Texas ist dem Problem der Armut in Nairobi zwar \u00e4hnlich, unterscheidet sich aber dennoch von dem in Nairobi, so dass keine praktischen Merkmale \u201cArmut\u201d beschreiben.<\/li>\r\n \t
  2. Es ist schwer, vielleicht sogar unm\u00f6glich, den Erfolg von\u00a0wicked problems<\/em>\u00a0zu messen oder zu beanspruchen, weil sie ineinander flie\u00dfen, einander bedingen, im Gegensatz zu den Grenzen traditioneller Gestaltungsprobleme, die vergleichsweise klar artikuliert oder definiert werden k\u00f6nnen.<\/li>\r\n \t
  3. L\u00f6sungen f\u00fcr\u00a0wicked problems<\/em>\u00a0k\u00f6nnen nur gut oder schlecht, nicht wahr oder falsch sein. Es gibt keinen idealisierten Endzustand, den es zu erreichen gilt, und deshalb sollten Ans\u00e4tze f\u00fcr\u00a0wicked problems<\/em>\u00a0tragf\u00e4hige Wege sein, um eine Situation zu verbessern, anstatt sie zu l\u00f6sen.<\/li>\r\n \t
  4. Es gibt keine Schablone, an die man sich halten kann, wenn man ein\u00a0wicked problem<\/em>\u00a0angeht, wenngleich die Geschichte als Leitfaden dienen kann. Teams, die sich mit\u00a0wicked problems<\/em>\u00a0auseinandersetzen, m\u00fcssen buchst\u00e4blich Dinge erfinden, w\u00e4hrend sie voranschreiten.<\/li>\r\n \t
  5. Es gibt immer mehr als eine Erkl\u00e4rung f\u00fcr ein\u00a0wicked problem<\/em>, wobei die Angemessenheit der Erkl\u00e4rung stark von der individuellen Perspektive des\/r Gestaltenden abh\u00e4ngt.<\/li>\r\n \t
  6. Jedes\u00a0wicked problem<\/em>\u00a0ist ein Symptom f\u00fcr ein anderes Problem. Die vernetzte Qualit\u00e4t sozio\u00f6konomischer politischer Systeme veranschaulicht, wie z.B. eine Ver\u00e4nderung in der Bildung zu einem neuen Ern\u00e4hrungsverhalten f\u00fchrt.<\/li>\r\n \t
  7. Keine Abmilderungsstrategie f\u00fcr ein\u00a0wicked problem\u00a0<\/em>verf\u00fcgt \u00fcber einen definitiven wissenschaftlichen Test, weil wicked Problems mit Menschen zu tun haben und die (Natur-) Wissenschaft insbesondere darauf ausgerichtet ist, nat\u00fcrliche Ph\u00e4nomene zu verstehen.<\/li>\r\n \t
  8. Das Anbieten einer \u201cL\u00f6sung\u201d f\u00fcr ein\u00a0wicked problem\u00a0<\/em>ist h\u00e4ufig ein \u201cOne-Shot\u201d, weil eine signifikante Intervention den Gestaltungsraum so weit ver\u00e4ndert, dass die F\u00e4higkeit zum Ausprobieren minimiert wird.<\/li>\r\n \t
  9. Jedes wicked problem<\/em> ist einzigartig.<\/li>\r\n \t
  10. Konstrukteure, die versuchen, ein\u00a0wicked problem\u00a0<\/em>zu l\u00f6sen, m\u00fcssen die volle Verantwortung f\u00fcr ihre Handlungen \u00fcbernehmen.<\/li>\r\n<\/ol>\r\n[caption id=\"attachment_1106\" align=\"aligncenter\" width=\"1024\"]\"\" Ausschnitt aus dem Entscheidungsbaum des Spiels GO[\/caption]\r\n

    Heuristik<\/h1>\r\n[pb_glossary id=\"1039\"]Heuristik[\/pb_glossary] (von altgriechisch<\/a> \u03b5\u1f51\u03c1\u03af\u03c3\u03ba\u03c9 heur\u00edsko (ich finde); von \u03b5\u1f51\u03c1\u03af\u03c3\u03ba\u03b5\u03b9\u03bd heur\u00edskein (auffinden entdecken)) bezeichnet die Kunst, mit begrenztem Wissen (unvollst\u00e4ndigen Informationen<\/a>) und wenig Zeit dennoch zu wahrscheinlichen Aussagen oder praktikablen L\u00f6sungen zu kommen.[1]<\/a> Es bezeichnet ein analytisches Vorgehen, bei dem mit begrenztem Wissen \u00fcber ein System mit Hilfe mutma\u00dfender<\/a> Schlussfolgerungen<\/a> Aussagen \u00fcber das System getroffen werden. Die damit gefolgerten Aussagen weichen oftmals von der optimalen L\u00f6sung ab. Durch Vergleich mit einer optimalen L\u00f6sung kann die G\u00fcte der Heuristik bestimmt werden.\r\n\r\nBekannte Heuristiken sind zum Beispiel Versuch und Irrtum<\/a> (trial and error), statistische Auswertung von Zufallsstichproben<\/a> und das Ausschlussverfahren<\/a>. Heuristische Verfahren basieren auf Erfahrungen; sie k\u00f6nnen auch auf \u201efalschen\u201c Erfahrungen (z. B. verzerrte Wahrnehmung<\/a>, Scheinkorrelation<\/a>) basieren.[2]<\/a>\r\n

    Evolution\u00e4re Algorithmen<\/h1>\r\n
    \r\n
    [pb_glossary id=\"1042\"]Evolution\u00e4re Algorithmen<\/b>\u00a0(EA<\/b>)[\/pb_glossary] sind eine Klasse von\u00a0stochastischen<\/a>,\u00a0metaheuristischen<\/a>\u00a0Optimierungsverfahren<\/a>, deren Funktionsweise von der\u00a0Evolution<\/a>\u00a0nat\u00fcrlicher Lebewesen inspiriert ist.<\/div>\r\n
    \r\n
    \r\n\r\nIn Anlehnung an die\u00a0Natur<\/a>\u00a0werden L\u00f6sungskandidaten f\u00fcr ein bestimmtes Problem k\u00fcnstlich evolviert, EA sind also\u00a0naturanaloge Optimierungsverfahren<\/a>. Die Zuordnung zu den stochastischen und metaheuristischen Algorithmen bedeutet vor allem, dass EA meist nicht die beste L\u00f6sung f\u00fcr ein Problem finden, aber bei Erfolg eine hinreichend gute, was in der Praxis vor allem bei\u00a0NP-vollst\u00e4ndigen<\/a>\u00a0Problemen bereits w\u00fcnschenswert ist. Die Verfahren verschiedener EA unterscheiden sich untereinander in erster Linie durch die genutzten\u00a0Selektions-<\/a>,\u00a0Rekombinations<\/a>- und\u00a0Mutationsoperatoren<\/a>, das\u00a0Genotyp<\/a>-Ph\u00e4notyp<\/a>-Mapping sowie die\u00a0Problemrepr\u00e4sentation<\/a>.\r\n\r\nDie ersten praktischen\u00a0Implementierungen<\/a>\u00a0evolution\u00e4rer Algorithmen wurden Ende der 1950er Jahre ver\u00f6ffentlicht,[2]<\/a><\/sup>\u00a0allerdings \u00e4u\u00dferten sich bereits in den vorhergehenden Jahrzehnten Wissenschaftler zum Potenzial der Evolution f\u00fcr\u00a0maschinelles Lernen<\/a>.[3]<\/a><\/sup>\r\n\r\nDie Anwendungen von EA gehen \u00fcber Optimierung und Suche hinaus und finden sich auch in\u00a0Kunst<\/a>,\u00a0Modellierung<\/a>\u00a0und\u00a0Simulation<\/a>, insbesondere auch bei der Untersuchung\u00a0evolutionsbiologischer Fragestellungen<\/a>.\r\n\r\n<\/div>\r\nDas grobe Verfahren evolution\u00e4rer Algorithmen besteht meist aus einer Initialisierung und einer\u00a0Generationsschleife<\/a>, die solange durchlaufen wird, bis ein\u00a0Abbruchkriterium<\/a>\u00a0erf\u00fcllt ist:[9]<\/a><\/sup>\r\n
      \r\n \t
    1. Initialisierung<\/i>: Die erste\u00a0Generation<\/a>\u00a0von L\u00f6sungskandidaten wird (meist zuf\u00e4llig) erzeugt.<\/li>\r\n \t
    2. Evaluation<\/i>: Jedem L\u00f6sungskandidaten der Generation wird entsprechend seiner G\u00fcte ein Wert der Fitnessfunktion zugewiesen.<\/li>\r\n \t
    3. Durchlaufe die folgenden Schritte, bis ein Abbruchkriterium erf\u00fcllt ist:\r\n
        \r\n \t
      1. Selektion<\/i>: Auswahl von Individuen meist basierend auf ihrer Fitness, die die Eltern f\u00fcr die Rekombination bilden<\/li>\r\n \t
      2. Rekombination<\/i>: Erzeugung von Nachkommen durch zuf\u00e4llige Kombination der Genome der Eltern<\/li>\r\n \t
      3. Mutation<\/i>: Zuf\u00e4llige Ver\u00e4nderung aller oder eines Teils der Nachkommen<\/li>\r\n \t
      4. Evaluation<\/i>: Jedem Nachkommen wird entsprechend seiner G\u00fcte ein Wert der Fitnessfunktion zugewiesen.<\/li>\r\n \t
      5. Selektion<\/i>: Bestimmung einer neuen Generation aus der alten und\/oder den in dieser Generation gebildeten Nachkommen<\/li>\r\n<\/ol>\r\n<\/li>\r\n<\/ol>\r\n

        Fitnesslandschaft<\/h1>\r\nEine\u00a0Fitnessfunktion<\/b>\u00a0ist die\u00a0Zielfunktion<\/a>\u00a0eines\u00a0evolution\u00e4ren (Optimierungs-)Algorithmus<\/a>\u00a0(EA). Gelegentlich wird eine Fitnessfunktion auch als Teil einer Zielfunktion beschrieben[1]<\/a><\/sup>\u00a0oder umgekehrt. Wie auch evolution\u00e4re Algorithmen haben Fitnessfunktionen ein biologisches Vorbild, die\u00a0biologische Fitness<\/a>, die den Grad der Anpassung eines\u00a0Organismus<\/a>\u00a0an seine Umgebung angibt und einen wesentlichen Faktor f\u00fcr seine Reproduktionswahrscheinlichkeit darstellt. Bei evolution\u00e4ren Algorithmen beschreibt die Fitness eines L\u00f6sungskandidaten, wie gut er das zugrunde liegende Optimierungsproblem l\u00f6st. Die Fitnessfunktion berechnet aus den Eigenschaften eines L\u00f6sungsversuchs, wie gut sich dieses \u201eIndividuum\u201c bzgl. des gestellten Problems als L\u00f6sung eignet.\r\n\r\n[caption id=\"attachment_1093\" align=\"aligncenter\" width=\"1024\"]\"\" Fitnesslandschaft[\/caption]\r\n\r\nEine Fitnessfunktion muss nicht zwangsl\u00e4ufig einen absoluten Wert berechnen k\u00f6nnen, da es oft reicht, Kandidaten zu vergleichen, um den besseren auszuw\u00e4hlen. Eine relative Angabe der Fitness (Kandidat\u00a0a<\/i>\u00a0ist besser als\u00a0b<\/i>) gen\u00fcgt in manchen F\u00e4llen[2]<\/a><\/sup>, wie z. B. bei der\u00a0der\u00a0Pareto-Optimierung<\/a>. Ein\u00a0Pareto-Optimum<\/b>\u00a0(auch\u00a0Pareto-effizienter Zustand<\/b>) ist ein (bestm\u00f6glicher) Zustand, in dem es nicht m\u00f6glich ist, eine (Ziel-)Eigenschaft zu verbessern, ohne zugleich eine andere verschlechtern zu m\u00fcssen.\r\n\r\n[caption id=\"attachment_1371\" align=\"aligncenter\" width=\"300\"]\"\" y-Achse: Festigkeit x-Achse: \u201eLeichtigkeit\u201c (=Kehrwert der Masse) Ein Bauteil soll sowohl belastbar als auch leicht werden. Es sei also gekennzeichnet durch die zwei Eigenschaften\u00a0Festigkeit<\/i>\u00a0und\u00a0Masse<\/i>. Je h\u00f6her die Festigkeit und je geringer die Masse, desto\u00a0besser<\/i> sei das Bauteil. Tr\u00e4gt man die Wertepaare f\u00fcr viele verschiedene Bauteile in ein Diagramm ein, das Festigkeit und Leichtigkeit (Kehrwert der Masse) gegen\u00fcberstellt, so erh\u00e4lt man die blau markierte Menge.[\/caption]\r\n\r\n \r\n\r\n<\/div>\r\n<\/div>","rendered":"
        \u2026that we build machines equipped with at least those devices that humans employ to design. Let us build machines that can learn, can grope, and can fumble, machines that will be architectural partners, architecture machines.<\/em> Negroponte, Nicholas. Architecture Machine \u2013 Toward a More Human Environment. Cambridge, Mass.: MIT Press 1970<\/div>\n

        14.1 \u2013 Entwerfen als Variantenerzeugung und Einschr\u00e4nkung<\/h1>\n
        \n

        Engineering, medicine, business, architecture, and painting are concerned not with the necessary but with the contingent \u2014 not with how things are but with how they might be \u2014 in short, with design. <\/em><\/p>\n

        Herbert Simon, The science of the artificial<\/p>\n

        \u00a0<\/p>\n

        Ich entwerfe nicht, ich suche<\/em><\/p>\n

        Frei Otto<\/p>\n<\/div>\n

        14.2 \u2013 Probleme<\/h1>\n

        Gemeinsam mit Melvin Webber pr\u00e4gte Horst Rittel ab Mitte der 1960er Jahre den Begriff \u201eWicked Problems\u201c. Der im deutschen bisweilen als \u201eb\u00f6sartige Probleme\u201c \u00fcbersetzte Begriff zielt auf die gro\u00dfe Bandbreite undefinierter Probleme, die sich beispielsweise in Planungs- oder Gestaltungsprozessen ergeben. Horst Rittel, der als einer der ersten eine Theorie der wicked problems<\/em>\u00a0formuliert hat, nennt zehn Merkmale[2]<\/sup><\/a>\u00a0dieser komplexen Sachverhalte:<\/p>\n

          \n
        1. Wicked problems<\/em>\u00a0haben keine definitive Formulierung. Das Problem der Armut in Texas ist dem Problem der Armut in Nairobi zwar \u00e4hnlich, unterscheidet sich aber dennoch von dem in Nairobi, so dass keine praktischen Merkmale \u201cArmut\u201d beschreiben.<\/li>\n
        2. Es ist schwer, vielleicht sogar unm\u00f6glich, den Erfolg von\u00a0wicked problems<\/em>\u00a0zu messen oder zu beanspruchen, weil sie ineinander flie\u00dfen, einander bedingen, im Gegensatz zu den Grenzen traditioneller Gestaltungsprobleme, die vergleichsweise klar artikuliert oder definiert werden k\u00f6nnen.<\/li>\n
        3. L\u00f6sungen f\u00fcr\u00a0wicked problems<\/em>\u00a0k\u00f6nnen nur gut oder schlecht, nicht wahr oder falsch sein. Es gibt keinen idealisierten Endzustand, den es zu erreichen gilt, und deshalb sollten Ans\u00e4tze f\u00fcr\u00a0wicked problems<\/em>\u00a0tragf\u00e4hige Wege sein, um eine Situation zu verbessern, anstatt sie zu l\u00f6sen.<\/li>\n
        4. Es gibt keine Schablone, an die man sich halten kann, wenn man ein\u00a0wicked problem<\/em>\u00a0angeht, wenngleich die Geschichte als Leitfaden dienen kann. Teams, die sich mit\u00a0wicked problems<\/em>\u00a0auseinandersetzen, m\u00fcssen buchst\u00e4blich Dinge erfinden, w\u00e4hrend sie voranschreiten.<\/li>\n
        5. Es gibt immer mehr als eine Erkl\u00e4rung f\u00fcr ein\u00a0wicked problem<\/em>, wobei die Angemessenheit der Erkl\u00e4rung stark von der individuellen Perspektive des\/r Gestaltenden abh\u00e4ngt.<\/li>\n
        6. Jedes\u00a0wicked problem<\/em>\u00a0ist ein Symptom f\u00fcr ein anderes Problem. Die vernetzte Qualit\u00e4t sozio\u00f6konomischer politischer Systeme veranschaulicht, wie z.B. eine Ver\u00e4nderung in der Bildung zu einem neuen Ern\u00e4hrungsverhalten f\u00fchrt.<\/li>\n
        7. Keine Abmilderungsstrategie f\u00fcr ein\u00a0wicked problem\u00a0<\/em>verf\u00fcgt \u00fcber einen definitiven wissenschaftlichen Test, weil wicked Problems mit Menschen zu tun haben und die (Natur-) Wissenschaft insbesondere darauf ausgerichtet ist, nat\u00fcrliche Ph\u00e4nomene zu verstehen.<\/li>\n
        8. Das Anbieten einer \u201cL\u00f6sung\u201d f\u00fcr ein\u00a0wicked problem\u00a0<\/em>ist h\u00e4ufig ein \u201cOne-Shot\u201d, weil eine signifikante Intervention den Gestaltungsraum so weit ver\u00e4ndert, dass die F\u00e4higkeit zum Ausprobieren minimiert wird.<\/li>\n
        9. Jedes wicked problem<\/em> ist einzigartig.<\/li>\n
        10. Konstrukteure, die versuchen, ein\u00a0wicked problem\u00a0<\/em>zu l\u00f6sen, m\u00fcssen die volle Verantwortung f\u00fcr ihre Handlungen \u00fcbernehmen.<\/li>\n<\/ol>\n
          \"\"\n

          Abbildung 14.1 \u2013 Ausschnitt aus dem Entscheidungsbaum des Spiels GO<\/p>\n<\/div>\n

          14.3 \u2013 Heuristik<\/h1>\n

          Heuristik<\/a> (von altgriechisch<\/a> \u03b5\u1f51\u03c1\u03af\u03c3\u03ba\u03c9 heur\u00edsko (ich finde); von \u03b5\u1f51\u03c1\u03af\u03c3\u03ba\u03b5\u03b9\u03bd heur\u00edskein (auffinden entdecken)) bezeichnet die Kunst, mit begrenztem Wissen (unvollst\u00e4ndigen Informationen<\/a>) und wenig Zeit dennoch zu wahrscheinlichen Aussagen oder praktikablen L\u00f6sungen zu kommen.[1]<\/a> Es bezeichnet ein analytisches Vorgehen, bei dem mit begrenztem Wissen \u00fcber ein System mit Hilfe mutma\u00dfender<\/a> Schlussfolgerungen<\/a> Aussagen \u00fcber das System getroffen werden. Die damit gefolgerten Aussagen weichen oftmals von der optimalen L\u00f6sung ab. Durch Vergleich mit einer optimalen L\u00f6sung kann die G\u00fcte der Heuristik bestimmt werden.<\/p>\n

          Bekannte Heuristiken sind zum Beispiel Versuch und Irrtum<\/a> (trial and error), statistische Auswertung von Zufallsstichproben<\/a> und das Ausschlussverfahren<\/a>. Heuristische Verfahren basieren auf Erfahrungen; sie k\u00f6nnen auch auf \u201efalschen\u201c Erfahrungen (z. B. verzerrte Wahrnehmung<\/a>, Scheinkorrelation<\/a>) basieren.[2]<\/a><\/p>\n

          14.4 \u2013 Evolution\u00e4re Algorithmen<\/h1>\n
          \n
          Evolution\u00e4re Algorithmen<\/a><\/b>\u00a0(EA<\/b>) sind eine Klasse von\u00a0stochastischen<\/a>,\u00a0metaheuristischen<\/a>\u00a0Optimierungsverfahren<\/a>, deren Funktionsweise von der\u00a0Evolution<\/a>\u00a0nat\u00fcrlicher Lebewesen inspiriert ist.<\/div>\n
          \n
          \n

          In Anlehnung an die\u00a0Natur<\/a>\u00a0werden L\u00f6sungskandidaten f\u00fcr ein bestimmtes Problem k\u00fcnstlich evolviert, EA sind also\u00a0naturanaloge Optimierungsverfahren<\/a>. Die Zuordnung zu den stochastischen und metaheuristischen Algorithmen bedeutet vor allem, dass EA meist nicht die beste L\u00f6sung f\u00fcr ein Problem finden, aber bei Erfolg eine hinreichend gute, was in der Praxis vor allem bei\u00a0NP-vollst\u00e4ndigen<\/a>\u00a0Problemen bereits w\u00fcnschenswert ist. Die Verfahren verschiedener EA unterscheiden sich untereinander in erster Linie durch die genutzten\u00a0Selektions-<\/a>,\u00a0Rekombinations<\/a>\u2013 und\u00a0Mutationsoperatoren<\/a>, das\u00a0Genotyp<\/a>\u2013Ph\u00e4notyp<\/a>-Mapping sowie die\u00a0Problemrepr\u00e4sentation<\/a>.<\/p>\n

          Die ersten praktischen\u00a0Implementierungen<\/a>\u00a0evolution\u00e4rer Algorithmen wurden Ende der 1950er Jahre ver\u00f6ffentlicht,[2]<\/a><\/sup>\u00a0allerdings \u00e4u\u00dferten sich bereits in den vorhergehenden Jahrzehnten Wissenschaftler zum Potenzial der Evolution f\u00fcr\u00a0maschinelles Lernen<\/a>.[3]<\/a><\/sup><\/p>\n

          Die Anwendungen von EA gehen \u00fcber Optimierung und Suche hinaus und finden sich auch in\u00a0Kunst<\/a>,\u00a0Modellierung<\/a>\u00a0und\u00a0Simulation<\/a>, insbesondere auch bei der Untersuchung\u00a0evolutionsbiologischer Fragestellungen<\/a>.<\/p>\n<\/div>\n

          Das grobe Verfahren evolution\u00e4rer Algorithmen besteht meist aus einer Initialisierung und einer\u00a0Generationsschleife<\/a>, die solange durchlaufen wird, bis ein\u00a0Abbruchkriterium<\/a>\u00a0erf\u00fcllt ist:[9]<\/a><\/sup><\/p>\n

            \n
          1. Initialisierung<\/i>: Die erste\u00a0Generation<\/a>\u00a0von L\u00f6sungskandidaten wird (meist zuf\u00e4llig) erzeugt.<\/li>\n
          2. Evaluation<\/i>: Jedem L\u00f6sungskandidaten der Generation wird entsprechend seiner G\u00fcte ein Wert der Fitnessfunktion zugewiesen.<\/li>\n
          3. Durchlaufe die folgenden Schritte, bis ein Abbruchkriterium erf\u00fcllt ist:\n
              \n
            1. Selektion<\/i>: Auswahl von Individuen meist basierend auf ihrer Fitness, die die Eltern f\u00fcr die Rekombination bilden<\/li>\n
            2. Rekombination<\/i>: Erzeugung von Nachkommen durch zuf\u00e4llige Kombination der Genome der Eltern<\/li>\n
            3. Mutation<\/i>: Zuf\u00e4llige Ver\u00e4nderung aller oder eines Teils der Nachkommen<\/li>\n
            4. Evaluation<\/i>: Jedem Nachkommen wird entsprechend seiner G\u00fcte ein Wert der Fitnessfunktion zugewiesen.<\/li>\n
            5. Selektion<\/i>: Bestimmung einer neuen Generation aus der alten und\/oder den in dieser Generation gebildeten Nachkommen<\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

              14.5 \u2013 Fitnesslandschaft<\/h1>\n

              Eine\u00a0Fitnessfunktion<\/b>\u00a0ist die\u00a0Zielfunktion<\/a>\u00a0eines\u00a0evolution\u00e4ren (Optimierungs-)Algorithmus<\/a>\u00a0(EA). Gelegentlich wird eine Fitnessfunktion auch als Teil einer Zielfunktion beschrieben[1]<\/a><\/sup>\u00a0oder umgekehrt. Wie auch evolution\u00e4re Algorithmen haben Fitnessfunktionen ein biologisches Vorbild, die\u00a0biologische Fitness<\/a>, die den Grad der Anpassung eines\u00a0Organismus<\/a>\u00a0an seine Umgebung angibt und einen wesentlichen Faktor f\u00fcr seine Reproduktionswahrscheinlichkeit darstellt. Bei evolution\u00e4ren Algorithmen beschreibt die Fitness eines L\u00f6sungskandidaten, wie gut er das zugrunde liegende Optimierungsproblem l\u00f6st. Die Fitnessfunktion berechnet aus den Eigenschaften eines L\u00f6sungsversuchs, wie gut sich dieses \u201eIndividuum\u201c bzgl. des gestellten Problems als L\u00f6sung eignet.<\/p>\n