Wie genetische Algorithmen neue Lösungswege für komplexe Probleme finden

Dominik Fischer, M.Sc.
Postdoctoral Fellow, Chair of Computational Intelligence, Faculty of Computer Science, Otto von Guericke University Magdeburg

Die Natur diente Forschern schon oft als Vorlage für Errungenschaften, sei es bei Alltagsgegenständen wie dem Klettverschluss oder bei der Entwicklung von Flugzeugen. Künstliche neuronale Netze (KNN) sind ein Beispiel dafür wie unser Nervensystem die Informatik inspiriert hat selbstlernende Entscheidungsmodelle zu entwickeln. Daneben reihen sich auch die genetischen Algorithmen (GA) ein, ein Modell basierend auf der Evolutionstheorie und der Vererbungslehre. Beide Ansätze werden in künstliche Intelligenzen verwendet, doch während sich KNN primär damit beschäftigen Klassifikationen und Regressionen zu modellieren können GA dazu benutzt werden, neue Muster in gegebenen Optimierungsproblemen zu finden.

Ein großer Unterschied zwischen den beiden Konzepten ist, dass KNN in der Regel sehr viele Lerndaten benötigen, was bei GA nicht der Fall ist. Grundsätzlich suchen GA nach einem möglichst optimalen Lösungsweg für Probleme, deren Lösungsansätze bereits bekannt (berechenbar) sind. So können sich GA iterativ einer möglichst optimalen Lösung annähern.

Die Algorithmen werden vor allem dann eingesetzt, wenn es sehr viele Entscheidungsparameter, aber auch Optimierungsziele gibt. Beispielsweise könnte das Ziel einer COVID-19 Eindämmungsmaßnahme nicht nur die Infektionsminimierung, sondern auch die Minimierung des volkswirtschaftlichen Schadens sein. Wenn aktuell der Fokus vieler Ansätze aus der Wirtschaft, welche mit KI-Technologien werben, KNN verwenden, gibt es sicherlich genügend Problemstellungen die gut mit GA zu lösen sind. Beispielsweise, wenn Lerndaten schwer oder gar nicht zu beschaffen sind oder wenn unterschiedliche Lösungsstrategien generiert werden müssen.

Der dargebotene Vortrag bietet einen Einblick in diese Klasse der Algorithmen, deren Potentiale sowie Ansätze für deren Einsatz in der Praxis.