- author = "Christian W. G. Lasarczyk",
- title = "Genetische Programmierung einer algorithmischen Chemie",
- school = "Fakultaet fuer Informatik LS 11, TU Dortmund",
- year = "2007",
- address = "Germany",
- month = "12 " # dec,
- keywords = "genetic algorithms, genetic programming, artificial chemistry, DACE, algorithmic chemistry, evolvability, machine learning, Algorithmische Chemie, Genetische Programmierung, Evolutionsfaehigkeit, Maschinelles Lernen, Kuenstliche Chemie, spatial computing, design and analysis of computer experiments,",
-
URL = "
https://eldorado.tu-dortmund.de/bitstream/2003/25029/1/diss_lasarczyk_gpac.pdf",
-
URL = "
http://hdl.handle.net/2003/25029",
-
URL = "https://eldorado.tu-dortmund.de/handle/2003/25029",
-
DOI = "
10.17877/DE290R-8302",
- size = "229 pages",
- abstract = "Der genetischen Programmierung (GP) liegt zumeist die Annahme zugrunde, dass die Individuen eine evolvierte, wohldefinierte Struktur haben und ihre Ausfuehrung deterministisch erfolgt. Diese Annahme hat ihren Ursprung nicht beim methodischen Vorbild, der natuerlichen Evolution, sondern ist ein bewusstes oder unbewusstes Erbe der Umgebung, in der die Evolution nachgebildet wird - der von-Neumann-Architektur. John von Neumann hat mit der nach ihm benannten von-Neumann-Architektur weit mehr in der Informatik beeinflusst als das Gebiet der Rechnerarchitekturen. Daher ist sein Einfluss auf die Evolution von Algorithmen mittels genetischer Programmierung nicht verwunderlich, auch wenn die von-Neumann-Architektur wenig gemein mit den in der Natur evolvierten Systemen hat. In den letzten Jahren entstanden eine ganze Reihe von Konzepten und theoretischen Modellen, die nur noch wenig Anleihen bei von Neumanns Rechnerarchitektur machen und die in ihren Eigenschaften staerker natuerlichen Systemen aehneln. Die Faehigkeit dieser Systeme, Berechnungen durchzufuehren, entsteht erst durch die Interaktion ihrer parallel agierenden, nichtdeterministischen und dezentral organisierten Komponenten. Die Faehigkeit emergiert. UEber die Evolution von Algorithmen fuer solche Systeme jenseits der von-Neumann-Architektur weiss man noch vergleichsweise wenig. Die vorliegende Arbeit nimmt sich dieser Fragestellung an und bedient sich hierbei der algorithmischen Chemie, einer kuenstlichen Chemie, die bei vereinfachter Betrachtungsweise aus einem veraenderten Programmzeigerverhalten in der von-Neumann-Architektur resultiert. Reaktionen, eine Variante einfacher Instruktionen, werden hierbei in zufaelliger Reihenfolge gezogen und ausgefuehrt. Sie interagieren miteinander, indem sie Produkte anderer Reaktionen verwenden und das Ergebnis ihrer Transformation, gespeichert in sogenannten Molekuelen, anderen Reaktionen zur Verfuegung stellen. Zur experimentellen Auswertung dieses nichtdeterministischen Systems wird die sequenzielle Parameteroptimierung um ein Verfahren zur Verteilung eines Experimentbudgets erweitert. Das systematische Design der Experimente und ihre anschliessende Analyse ermoeglichen es, generalisierte Erkenntnisse ueber das Systemverhalten jenseits konkreter Parametrisierungen zu gewinnen. Im Fall der genetischen Programmierung einer algorithmischen Chemie fuehren die gewonnenen Erkenntnisse zu einer Neuentwicklung des Rekombinationsoperators nach dem Vorbild homologer Rekombinationsoperationen und damit zu einer weiteren Verbesserung der Systemperformance. Es zeigt sich, dass die fuer ein zielgerichtetes Verhalten einer algorithmischen Chemie notwendigen Reaktionsschemata mittels genetischer Programmierung erlernt werden koennen. Fuer gaengige Problemstellungen aus dem Bereich der genetischen Programmierung werden Loesungen gefunden, die in ihrer Guete mit denen anderer GP-Varianten und maschineller Lernverfahren vergleichbar sind. Die evolvierten Loesungen fallen dabei deutlich kompakter bezueglich der Datenflusshoehe und der Anzahl benoetigter Operationen aus, als in dem zum Vergleich herangezogenen linearen GP-System.",
-
notes = "In German
Supervisors: Prof. Dr. Wolfgang Banzhaf Prof. Dr. Guenter Rudolph",
