Genetische Algorithmen (GA) sind Algorithmen, die Probleme behandeln können, die nicht analytisch lösbar sind. Hierbei handelt es sich um Suchverfahren, die durch die biologische Evolution inspiriert sind und das Prinzip des " survival of the fittest " mit stochastischen Komponenten verbinden. Es wird eine Menge (Population) von Lösungen (Individuen) zufällig erzeugt und dann diejenigen ausgewählt, die einem definierten Kriterium am besten entsprechen (Auslese). Deren Eigenschaften (Parameterwerte) werden dann leicht verändert (Mutation) und miteinander kombiniert (Rekombination), um eine neue Population von Lösungen (die neue Generation) zu erzeugen. Durch wiederholte Auswahl, Rekombination und Eliminierung werden immer neue Individuen erzeugt mit dem Ziel, die Fitness Laufe der Generationen zu erhöhen.
Genetische Algorithmen sind die einfachsten evolutionären Optimierungsverfahren, wodurch sie schnell zu implementieren und auf neue Probleme anzupassen sind.
Lösungssuche in mehrdimensionalen Räumen mit Hilfe von Genetischen Algorithmen (GA)
Particle Swarm Optimization
Die Particle Swarm Optimization (PSO) ist ein populationsbasiertes Optimierungsverfahren, das das soziale Verhalten von in Gruppen lebenden Individuen imitiert: Die Bewegung der Partikel hängen sowohl von eigenen Erfahrungen als auch dem Verhalten der Nachbarpartikel ab. Auf diese Weise kann man Einblicke in das gesellschaftliche Verhalten, bzw. über technische Anwendungen gewinnen. Die PSO wurde 1995 zum ersten Mal von J. Kennedy und R. C. Eberhart angewandt.
Lösungssuche in mehrdimensionalen Räumen mit Hilfe von Particle Swarm Optimization (PSO)
Auf Grundlage dieser Arbeiten wurden in den letzten Jahren vielfältige Erweiterungen der Particle Swarm Optimization vorgestellt, die vor allem darauf abzielten, die Robustheit, Konvergenzgeschwindigkeit und Laufzeit des Verfahrens zu verbessern und anhand von Testfunktionen zu validieren.
