[{"@context":"http:\/\/schema.org\/","@type":"BlogPosting","@id":"https:\/\/wiki.edu.vn\/wiki25\/2021\/06\/30\/evolutionare-berechnung-wikipedia\/#BlogPosting","mainEntityOfPage":"https:\/\/wiki.edu.vn\/wiki25\/2021\/06\/30\/evolutionare-berechnung-wikipedia\/","headline":"Evolution\u00e4re Berechnung \u2013 Wikipedia","name":"Evolution\u00e4re Berechnung \u2013 Wikipedia","description":"before-content-x4 Trial-and-Error-Probleml\u00f6ser mit metaheuristischem oder stochastischem Optimierungscharakter In der Informatik, evolution\u00e4re Berechnung ist eine Familie von Algorithmen f\u00fcr die globale","datePublished":"2021-06-30","dateModified":"2021-06-30","author":{"@type":"Person","@id":"https:\/\/wiki.edu.vn\/wiki25\/author\/lordneo\/#Person","name":"lordneo","url":"https:\/\/wiki.edu.vn\/wiki25\/author\/lordneo\/","image":{"@type":"ImageObject","@id":"https:\/\/secure.gravatar.com\/avatar\/44a4cee54c4c053e967fe3e7d054edd4?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/44a4cee54c4c053e967fe3e7d054edd4?s=96&d=mm&r=g","height":96,"width":96}},"publisher":{"@type":"Organization","name":"Enzyklop\u00e4die","logo":{"@type":"ImageObject","@id":"https:\/\/wiki.edu.vn\/wiki4\/wp-content\/uploads\/2023\/08\/download.jpg","url":"https:\/\/wiki.edu.vn\/wiki4\/wp-content\/uploads\/2023\/08\/download.jpg","width":600,"height":60}},"image":{"@type":"ImageObject","@id":"https:\/\/wiki.edu.vn\/wiki4\/wp-content\/uploads\/2023\/08\/download.jpg","url":"https:\/\/wiki.edu.vn\/wiki4\/wp-content\/uploads\/2023\/08\/download.jpg","width":100,"height":100},"url":"https:\/\/wiki.edu.vn\/wiki25\/2021\/06\/30\/evolutionare-berechnung-wikipedia\/","wordCount":5387,"articleBody":"     (adsbygoogle = window.adsbygoogle || []).push({});before-content-x4Trial-and-Error-Probleml\u00f6ser mit metaheuristischem oder stochastischem Optimierungscharakter  In der Informatik, evolution\u00e4re Berechnung ist eine Familie von Algorithmen f\u00fcr die globale Optimierung, die von der biologischen Evolution inspiriert sind, und das Teilgebiet der k\u00fcnstlichen Intelligenz und des Soft Computing, das diese Algorithmen untersucht.  Technisch gesehen handelt es sich um eine Familie von populationsbasierten Trial-and-Error-Probleml\u00f6sern mit metaheuristischem oder stochastischem Optimierungscharakter.Bei der evolution\u00e4ren Berechnung wird ein anf\u00e4nglicher Satz von Kandidatenl\u00f6sungen erzeugt und iterativ aktualisiert.  Jede neue Generation wird erzeugt, indem weniger erw\u00fcnschte L\u00f6sungen stochastisch entfernt und kleine zuf\u00e4llige \u00c4nderungen eingef\u00fchrt werden.  In der biologischen Terminologie wird eine Population von L\u00f6sungen einer nat\u00fcrlichen Selektion (oder k\u00fcnstlichen Selektion) und Mutation unterzogen.  Als Ergebnis wird sich die Population allm\u00e4hlich entwickeln, um die Fitness zu erh\u00f6hen, in diesem Fall die gew\u00e4hlte Fitnessfunktion des Algorithmus.Evolution\u00e4re Rechentechniken k\u00f6nnen in einer Vielzahl von Problemstellungen hochoptimierte L\u00f6sungen liefern, was sie in der Informatik beliebt macht.  Es gibt viele Varianten und Erweiterungen, die f\u00fcr spezifischere Problemfamilien und Datenstrukturen geeignet sind.  Evolution\u00e4re Berechnungen werden manchmal auch in der Evolutionsbiologie als in silico experimentelles Verfahren zur Untersuchung allgemeiner Aspekte allgemeiner Evolutionsprozesse.  Table of ContentsGeschichte[edit]Techniken[edit]Evolution\u00e4re Algorithmen[edit]Evolution\u00e4re Algorithmen und Biologie[edit]Bemerkenswerte Praktiker[edit]Konferenzen[edit]Siehe auch[edit]Externe Links[edit]Literaturverzeichnis[edit]Verweise[edit]Geschichte[edit]Die Anwendung evolution\u00e4rer Prinzipien zur automatisierten Probleml\u00f6sung hat ihren Ursprung in den 1950er Jahren.  Erst in den 1960er Jahren wurden an drei verschiedenen Orten drei unterschiedliche Interpretationen dieser Idee entwickelt.Evolution\u00e4re Programmierung wurde von Lawrence J. Fogel in den USA eingef\u00fchrt, w\u00e4hrend John Henry Holland seine Methode als genetischen Algorithmus.  In Deutschland stellen Ingo Rechenberg und Hans-Paul Schwefel vor Evolutionsstrategien.  Diese Gebiete haben sich etwa 15 Jahre lang getrennt entwickelt.  Ab den fr\u00fchen neunziger Jahren sind sie als verschiedene Vertreter (“Dialekte”) einer Technologie, genannt evolution\u00e4res Computing.  Ebenfalls Anfang der neunziger Jahre entstand ein vierter Strom, der den allgemeinen Ideen folgte \u2013 genetische Programmierung.  Seit den 1990er Jahren werden von der Natur inspirierte Algorithmen ein immer wichtigerer Bestandteil der evolution\u00e4ren Berechnung.Diese Terminologien bezeichnen das Gebiet des Evolutionary Computing und betrachten evolution\u00e4re Programmierung, Evolutionsstrategien, genetische Algorithmen und genetische Programmierung als Teilbereiche.  Die fr\u00fchesten computergest\u00fctzten Simulationen der Evolution mit evolution\u00e4ren Algorithmen und k\u00fcnstlichen Lebenstechniken wurden 1953 von Nils Aall Barricelli durchgef\u00fchrt.[1]  mit ersten Ergebnissen, die 1954 ver\u00f6ffentlicht wurden.[2]  Ein weiterer Pionier in den 1950er Jahren war Alex Fraser, der eine Reihe von Arbeiten zur Simulation k\u00fcnstlicher Selektion ver\u00f6ffentlichte.[3]K\u00fcnstliche Evolution wurde durch die Arbeit von Ingo Rechenberg in den 1960er und fr\u00fchen 1970er Jahren zu einer weithin anerkannten Optimierungsmethode, der Evolutionsstrategien zur L\u00f6sung komplexer technischer Probleme einsetzte.[4]Insbesondere genetische Algorithmen wurden durch das Schreiben von John Holland popul\u00e4r.[5]  Als das akademische Interesse wuchs, erm\u00f6glichte ein dramatischer Anstieg der Leistungsf\u00e4higkeit von Computern praktische Anwendungen, einschlie\u00dflich der automatischen Entwicklung von Computerprogrammen.[6]  Evolution\u00e4re Algorithmen werden heute verwendet, um mehrdimensionale Probleme effizienter zu l\u00f6sen als von menschlichen Designern erstellte Software, und auch um das Design von Systemen zu optimieren.[7][8]Techniken[edit]Evolution\u00e4re Rechentechniken beinhalten meist metaheuristische Optimierungsalgorithmen.  Grob gesagt umfasst das Feld:Evolution\u00e4re Algorithmen[edit]Evolution\u00e4re Algorithmen bilden eine Untermenge der evolution\u00e4ren Berechnung, da sie im Allgemeinen nur Techniken beinhalten, die Mechanismen implementieren, die von der biologischen Evolution inspiriert sind, wie Reproduktion, Mutation, Rekombination, nat\u00fcrliche Selektion und \u00dcberleben des St\u00e4rkeren.  Kandidatenl\u00f6sungen f\u00fcr das Optimierungsproblem spielen die Rolle von Individuen in einer Population, und die Kostenfunktion bestimmt die Umgebung, in der die L\u00f6sungen “leben” (siehe auch Fitnessfunktion).  Die Populationsentwicklung erfolgt dann nach wiederholter Anwendung der obigen Operatoren.In diesem Prozess gibt es zwei Hauptkr\u00e4fte, die die Grundlage evolution\u00e4rer Systeme bilden:  Rekombination Mutation und \u00dcberkreuzung schaffen die notwendige Vielfalt und erm\u00f6glichen so Neues, w\u00e4hrend Auswahl wirkt als qualit\u00e4tssteigernde Kraft.Viele Aspekte eines solchen evolution\u00e4ren Prozesses sind stochastisch.  Ver\u00e4nderte Informationen aufgrund von Rekombination und Mutation werden zuf\u00e4llig ausgew\u00e4hlt.  Andererseits k\u00f6nnen Auswahloperatoren entweder deterministisch oder stochastisch sein.  Im letzteren Fall haben Personen mit einer h\u00f6heren Fitness eine h\u00f6here Chance, ausgew\u00e4hlt zu werden als Personen mit einer geringeren Fitness, aber typischerweise haben auch die schwachen Personen eine Chance, Eltern zu werden oder zu \u00fcberleben.Evolution\u00e4re Algorithmen und Biologie[edit]Genetische Algorithmen liefern Methoden zur Modellierung biologischer Systeme und der Systembiologie, die mit der Theorie dynamischer Systeme verkn\u00fcpft sind, da sie verwendet werden, um die zuk\u00fcnftigen Zust\u00e4nde des Systems vorherzusagen.  Dies ist nur eine anschauliche (aber vielleicht irref\u00fchrende) Art, auf den geordneten, kontrollierten und stark strukturierten Charakter der Entwicklung in der Biologie aufmerksam zu machen.Aber auch der Einsatz von Algorithmen und Informatik, insbesondere der Computertheorie, \u00fcber die Analogie zu dynamischen Systemen hinaus, ist f\u00fcr das Verst\u00e4ndnis der Evolution selbst relevant.Diese Ansicht hat den Vorzug, anzuerkennen, dass es keine zentrale Kontrolle der Entwicklung gibt;  Organismen entwickeln sich als Ergebnis lokaler Interaktionen innerhalb und zwischen Zellen.  Die vielversprechendsten Ideen \u00fcber Parallelen in der Programmentwicklung scheinen uns diejenigen zu sein, die auf eine scheinbar enge Analogie zwischen Prozessen innerhalb von Zellen und dem Low-Level-Betrieb moderner Computer hinweisen.[9]  Somit sind biologische Systeme wie Rechenmaschinen, die Eingabeinformationen verarbeiten, um n\u00e4chste Zust\u00e4nde zu berechnen, so dass biologische Systeme n\u00e4her an einer Berechnung sind als klassische dynamische Systeme.[10]Dar\u00fcber hinaus sind Mikroprozesse in biologischen Organismen nach Konzepten der Computertheorie grunds\u00e4tzlich unvollst\u00e4ndig und unentscheidbar (Vollst\u00e4ndigkeit (Logik)), was impliziert, dass \u201ehinter der Analogie zwischen Zellen und Computern mehr als eine grobe Metapher steckt.[11]Die Analogie zur Berechnung erstreckt sich auch auf die Beziehung zwischen Vererbungssystemen und biologischer Struktur, von der oft angenommen wird, dass sie eines der dringendsten Probleme bei der Erkl\u00e4rung der Urspr\u00fcnge des Lebens aufdeckt.Evolution\u00e4re Automaten[12][13][14], eine Verallgemeinerung von Evolution\u00e4re Turing-Maschinen[15][16], wurden eingef\u00fchrt, um die Eigenschaften biologischer und evolution\u00e4rer Berechnungen genauer zu untersuchen.  Insbesondere erm\u00f6glichen sie neue Ergebnisse zur Aussagekraft evolution\u00e4rer Berechnungen[14][17].  Dies best\u00e4tigt das erste Ergebnis \u00fcber die Unentscheidbarkeit nat\u00fcrlicher Evolution und evolution\u00e4rer Algorithmen und Prozesse. Evolution\u00e4re endliche Automaten, die einfachste Unterklasse evolution\u00e4rer Automaten, die in Terminalmodus kann beliebige Sprachen \u00fcber ein gegebenes Alphabet akzeptieren, einschlie\u00dflich nicht-rekursiv aufz\u00e4hlbarer (z. B. Diagonalisierungssprache) und rekursiv aufz\u00e4hlbarer, aber nicht rekursiver Sprachen (z. B. Sprache der universellen Turing-Maschine)[18].Bemerkenswerte Praktiker[edit]Die Liste der aktiven Forscher ist nat\u00fcrlich dynamisch und nicht ersch\u00f6pfend.  Eine Netzwerkanalyse der Community wurde 2007 ver\u00f6ffentlicht.[19]Konferenzen[edit]Zu den wichtigsten Konferenzen im Bereich Evolutionary Computing geh\u00f6renSiehe auch[edit]Externe Links[edit]Literaturverzeichnis[edit]Th.  B\u00e4ck, DB Fogel und Z. Michalewicz (Herausgeber), Handbuch der Evolution\u00e4ren Berechnung, 1997, ISBN 0750303921Th.  B\u00e4ck und H.-P.  Schwefel. Ein \u00dcberblick \u00fcber evolution\u00e4re Algorithmen zur Parameteroptimierung.[dead link]  Evolution\u00e4re Berechnung, 1(1):1\u201323, 1993.W. Banzhaf, P. Nordin, RE Keller und FD Francone.  Genetische Programmierung \u2013 Eine Einf\u00fchrung.  Morgan Kaufmann, 1998.S. Cagnoli et al., Reale Anwendungen von Evolutionary Computing, Springer-Verlag Vorlesungsverzeichnis Informatik, Berlin, 2000.R. Chiong, Th.  Weise, Z. Michalewicz (Herausgeber), Varianten evolution\u00e4rer Algorithmen f\u00fcr reale Anwendungen, Springer, 2012, ISBN 3642234232KA De Jong, Evolution\u00e4re Berechnung: ein einheitlicher Ansatz.  MIT Press, Cambridge MA, 2006AE Eiben und JE Smith, Von der evolution\u00e4ren Berechnung zur Evolution der Dinge, Natur, 521:476-482, doi:10.1038\/nature14544, 2015AE Eiben und JE Smith, Einf\u00fchrung in das Evolution\u00e4re Computing, Springer, Erste Ausgabe, 2003; Zweite Ausgabe, 2015DB Fogel.  Evolution\u00e4re Berechnung. Auf dem Weg zu einer neuen Philosophie der maschinellen Intelligenz.  IEEE Press, Piscataway, NJ, 1995.LJ Fogel, AJ Owens und MJ Walsh. K\u00fcnstliche Intelligenz durch simulierte Evolution.  New York: John Wiley, 1966.DE Goldberg.  Genetische Algorithmen in Suche, Optimierung und maschinellem Lernen.  Addison Wesley, 1989.JH Holland.  Anpassung in nat\u00fcrlichen und k\u00fcnstlichen Systemen.  University of Michigan Press, Ann Arbor, 1975.P. Hingston, L. Barone und Z. Michalewicz (Herausgeber), Design by Evolution, Natural Computing-Serie, 2008, Springer, ISBN 3540741097JR Koza.  Genetische Programmierung: Zur Programmierung von Computern mittels nat\u00fcrlicher Evolution.  MIT-Presse, Massachusetts, 1992.FJ Lobo, CF Lima, Z. Michalewicz (Herausgeber), Parametereinstellung in evolution\u00e4ren Algorithmen, Springer, 2010, ISBN 3642088929Z. Michaelewicz, Genetische Algorithmen + Datenstrukturen \u2013 Evolutionsprogramme, 1996, Springer, ISBN 3540606769Z. Michalewicz und DB Fogel, L\u00f6sung: Moderne Heuristiken, Springer, 2004, ISBN 978-3-540-22494-5I. Rechenberg.  Evolutionsstrategie: Optimierung Technischer Systeme nach Prinzipien des Biologischen Evolution.  Fromman-Hozlboog-Verlag, Stuttgart, 1973. (auf Deutsch)H.-P.  Schwefel.  Numerische Optimierung von Computermodellen.  John Wiley & Sons, New York, 1981. 1995 \u2013 2. Auflage.D. Simon. Evolution\u00e4re Optimierungsalgorithmen.  Wiley, 2013.M. Sipper, W. Fu, K. Ahuja und JH Moore (2018). “Untersuchung des Parameterraums evolution\u00e4rer Algorithmen”. BioData-Mining. 11: 2. doi:10.1186\/s13040-018-0164-x.  PMC 5816380.  PMID 29467825.CS1-Wartung: verwendet Autorenparameter (Link)Y. Zhang und S. Li.  (2017).  “PSA: Ein neuartiger Optimierungsalgorithmus basierend auf \u00dcberlebensregeln von Porcellio scaber”.  arXiv:1709.09840 [cs.NE].CS1-Wartung: verwendet Autorenparameter (Link)Verweise[edit]^ Taylor, Tim;  Dorin, Alan (2020). Aufstieg der Selbstreplikatoren: Fr\u00fche Visionen von Maschinen, KI und Robotern, die sich reproduzieren und weiterentwickeln k\u00f6nnen.  Cham: Springer International Publishing.  mach:10.1007\/978-3-030-48234-3.  ISBN 978-3-030-48233-6.  S2CID 220855726. Zusammenfassung legen.^ Barricelli, Nils Aall (1954).  “Esempi Numerici di processi di evoluzione”. Methoden: 45\u201368.^ Fraser AS (1958).  \u201eMonte-Carlo-Analysen von genetischen Modellen\u201c. Natur. 181 (4603): 208\u20139.  Bibcode:1958Natur.181..208F.  mach:10.1038\/181208a0.  PMID 13504138.  S2CID 4211563.^ Rechenberg, Ingo (1973). Evolutionsstrategie \u2013 Optimierung technischer Systeme nach Prinzipien der biologischen Evolution (Dissertation) (auf Deutsch).  Fromman-Holzboog.^ Holland, John H. (1975). Anpassung in nat\u00fcrlichen und k\u00fcnstlichen Systemen.  University of Michigan Presse.  ISBN 978-0-262-58111-0.^ Koza, John R. (1992). Genetische Programmierung: Zur Programmierung von Computern durch nat\u00fcrliche Selektion.  MIT-Presse.  ISBN 978-0-262-11170-6.^ GC Onwubolu und BV Babu, Onwubolu, Godfrey C.;  Babu, BV (21. Januar 2004). Neue Optimierungstechniken im Engineering.  ISBN 9783540201670.  Abgerufen 17. September, 2016.^ Jamshidi M. (2003).  \u201eWerkzeuge f\u00fcr intelligente Steuerung: Fuzzy-Controller, neuronale Netze und genetische Algorithmen\u201c. Philosophische Transaktionen der Royal Society A. 361 (1809): 1781-808.  Bibcode:2003RSPTA.361.1781J.  mach:10.1098\/rsta.2003.1225.  PMID 12952685.  S2CID 34259612.^ “Biologische Informationen”. Die Stanford Encyclopedia of Philosophy Philosoph.  Metaphysik-Forschungslabor, Stanford University.  2016.^ JG Diaz Ochoa (2018).  \u201eElastic Multi-scale Mechanisms: Computation and Biological Evolution\u201c. Zeitschrift f\u00fcr molekulare Evolution. 86 (1): 47\u201357.  Bibcode:2018JMolE..86…47D.  mach:10.1007\/s00239-017-9823-7.  PMID 29248946.  S2CID 22624633.^ A. Danchin (2008). “Bakterien als Computer, die Computer machen”. FEMS Mikrobiol.  Rev. 33 (1): 3\u201326.  mach:10.1111\/j.1574-6976.2008.00137.x.  PMC 2704931.  PMID 19016882.^ Burgin, Markus;  Eberbach, Eugen (2013).  \u201eRekursiv generierte evolution\u00e4re Turingmaschinen und evolution\u00e4re Automaten\u201c.  In Xin-She Yang (Hrsg.). K\u00fcnstliche Intelligenz, Evolutionary Computing und Metaheuristik.  Studium der Computergest\u00fctzten Intelligenz. 427.  Springer-Verlag.  S. 201\u2013230.  mach:10.1007\/978-3-642-29694-9_9.  ISBN 978-3-642-29693-2.^ Burgin, M. und Eberbach, E. (2010)Bounded and Periodic Evolutionary Machines, in Proc.  2010 Congress on Evolutionary Computation (CEC’2010), Barcelona, \u200b\u200bSpanien, 2010, S. 1379-1386^ ein b Burgin, M.;  Eberbach, E. (2012).  \u201eEvolution\u00e4re Automaten: Ausdruckskraft und Konvergenz der Evolution\u00e4ren Berechnung\u201c. Das Computerjournal. 55 (9): 1023\u20131029.  mach:10.1093\/comjnl\/bxr099.^ Eberbach E. (2002)On Expressiveness of Evolutionary Computation: Is EC Algorithmic?, Proc.  2002 World Congress on Computational Intelligence WCCI’2002, Honolulu, HI, 2002, 564-569.^ Eberbach, E. (2005)Toward a Theory of Evolutionary Computing, BioSystems, V. 82, S. 1-19.^ Eberbach, Eugen;  Burgin, Markus (2009).  \u201eEvolution\u00e4re Automaten als Grundlage evolution\u00e4rer Berechnungen: Larry Fogel hatte Recht\u201c. 2009 IEEE Congress on Evolutionary Computing.  IEEE.  S. 2149\u20132156.  mach:10.1109\/CEC.2009.4983207.  ISBN 978-1-4244-2958-5.  S2CID 2869386.^ Hopcroft, JE, R. Motwani und JD Ullman (2001) Einf\u00fchrung in Automatentheorie, Sprachen und Berechnung, Addison Wesley, Boston\/San Francisco\/New York^ JJ Merelo und C. Cotta (2007).  “Wer ist der am besten verbundene EC-Forscher? Zentralit\u00e4tsanalyse des komplexen Netzwerks von Autoren in der evolution\u00e4ren Berechnung”.  arXiv:0708.2021 [cs.CY].     (adsbygoogle = window.adsbygoogle || []).push({});after-content-x4"},{"@context":"http:\/\/schema.org\/","@type":"BreadcrumbList","itemListElement":[{"@type":"ListItem","position":1,"item":{"@id":"https:\/\/wiki.edu.vn\/wiki25\/#breadcrumbitem","name":"Enzyklop\u00e4die"}},{"@type":"ListItem","position":2,"item":{"@id":"https:\/\/wiki.edu.vn\/wiki25\/2021\/06\/30\/evolutionare-berechnung-wikipedia\/#breadcrumbitem","name":"Evolution\u00e4re Berechnung \u2013 Wikipedia"}}]}]