Kókai, G.: Erfolge und Probleme evolutionärer Algorithmen, induktiver logischer Programmierung und ihrer Kombination (2002)
0.02
0.022533383 = product of:
0.045066766 = sum of:
0.045066766 = product of:
0.09013353 = sum of:
0.09013353 = weight(_text_:probleme in 4108) [ClassicSimilarity], result of:
0.09013353 = score(doc=4108,freq=4.0), product of:
0.24323422 = queryWeight, product of:
4.743203 = idf(docFreq=1046, maxDocs=44218)
0.05128058 = queryNorm
0.37056273 = fieldWeight in 4108, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
4.743203 = idf(docFreq=1046, maxDocs=44218)
0.0390625 = fieldNorm(doc=4108)
0.5 = coord(1/2)
0.5 = coord(1/2)
- Abstract
- Kernpunkt dieser Arbeit ist das Multistrategie-Lernsystem GELOG. Unser Ziel ist, die Vorteile der Methoden der genetischen Algorithmen und induktiven logischen Programmierung zu nutzen und in einem System zu kombinieren. Mit GELOG können logische Programme erzeugt werden, die eine Lösung für eine gegebene Aufgabe darstellen. Die erlernten Programme liegen anschließend als Quelltext in der logischen Programmiersprache PROLOG vor und sind in dieser Form direkt ausführbar. Das Grundsystem wird um drei Adaptionsverfahren erweitert, die die Anwendungswahrscheinlichkeiten der genetischen Operatoren während der Evolution entsprechend dem Betrag der Fitnessänderung beziehungsweise der Erfolgsrate der Operatoren anpassen. Außerdem besteht die Möglichkeit, eine Metaevolution zu starten, um gleichzeitig auf verschiedene lokale Optima hinzuarbeiten und sich auf das jeweils beste Optimum auszurichten. Daher werden hier mehrere Evolutionen parallel durchgeführt, die ihre Zwischenergebnisse über einen Metaalgorithmus untereinander austauschen. Später wird die Verarbeitung von Building-Blocks mit Hilfe des Lernens von Zusammenhängen verbessert, um GELOG zu ermöglichen, für genetische Algorithmen schwere Probleme leichter zu lösen. Außerdem wurde eine Strategie für die Integration problemspezifischen Wissens implementiert, um GELOG besser an das Problem anpassen zu können, mit dem es konfrontiert wird. Die Nutzbarkeit von GELOG wird anhand bekannter Beispiele aus der Theorie des maschinellen Lernens getestet und die erreichten Ergebnisse werden mit anderen, von bekannten Lernmethoden erzielten Lösungen verglichen.
