Optimieren nach dem Vorbild der Natur Evolutionäre Algorithmen

Klasse von probabilistischen Optimierungsverfahren, die “Ideen” der natürlichen Evolution nutzen. Wegen ihrer Universalität und Robustheit eignen sie sich besonders für komplexe Optimierungsprobleme bei denen klassische Optimierungsverfahren versagen. Der Artikel stellt die Arbeitsweise der Evolutionären Algorithmen am Beispiel des LKW-Einparkens vor, diskutiert die Vorund Nachteile des Verfahrens und verweist auf einige interessante Anwendungen. Optimierungsprobleme zählen schon fast zu dem täglichen Brot des Ingenieurs. In vielen Bereichen bei dem Routen einer Platine, der Ablaufplanung von Prozessen, der Bestimmung von Parametern einer Regelung, der Modellierung chemischer und physikalischer Vorgänge oder in der Bildverarbeitung in vielen Bereichen trifft man auf Probleme, die sich mit der Frage umschreiben lassen: “Wie sieht die Lösung zu meinem Problem aus, die meine Kostenfunktion minimiert (oder maximiert), so dass auch meine Nebenbedindungen eingehalten werden ?” Die meisten dieser Probleme sind NP-hart, das heisst sie gehören in die Klasse der schwierigsten Probleme, die die Informatik kennt. Exakte Lösungen für NPharte Probleme zu finden treibt die erforderliche Rechenzeit auch jedes Supercomputers ins “Unendliche”, da die Laufzeit exponentiell mit der Eingabegrösse ansteigt. Deshalb wendet man für grosse Optimierungsprobleme sogenannte heuristische Algorithmen an. Diese garantieren zwar nicht, dass das globale Optimum gefunden wird, finden dafür aber in vertretbarer Zeit eine “brauchbare” Lösung. In vielen Fällen genügt es nämlich, überhaupt eine Lösung gefunden zu haben; es muss nicht immer die denkbar beste sein. Bei der Verdrahtung einer Platine beispielsweise ist es wichtig, überhaupt ein Layout zu finden, dass alle Pins richtig miteinander verbindet und nicht unbedingt das Layout, in dem die Verbindungen auch noch optimal kurz sind. Es gibt für viele Optimierungsprobleme ganz spezielle Heuristiken. Aber es gibt auch Optimierungsverfahren wie das “Simulated Annealing” (simuliertes Erstarren), die vielfach einsetzbar sind, weil sie relativ unabhängig von der Problemstellung sind. Eine derartige Ungebundenheit und die Aussicht auf zahlreiche potentielle Anwendungen zeichnen auch die Evolutionären Algorithmen aus.