Created by W.Langdon from gp-bibliography.bib Revision:1.8081
Bei einem Evolutionslauf ueber mehrere Generationen faellt mit vielen Individuen eine kaum zu ueberblickende, grosse Datenmenge an. Deshalb sind die Auswirkungen einer fuer die Genetische Programmierung gewaehlten Konfiguration fuer den Anwender nur schwer zu kontrollieren. Fuer den Modellbildner ist es wichtig, den Ablauf und die Ergebnisse der Genetischen Programmierung schnell analysieren und bewerten zu koennen. Diese Arbeit bestimmt, erprobt und bewertet daher Methoden und Verfahren, die eine tiefergehende Analyse des Evolutionsvorgangs durch eine geeignete Visualisierung ermoeglichen.
Das neuartige Artenkonzept fasst aehnliche Individuen zu Arten zusammen, um sie so visualisieren zu koennen. Die Arten ermoeglichen eine konzentrierte Analyse, die mit allen Individuen aufgrund deren grosser Anzahl nicht moeglich waere. Die Artenbildung basiert auf der Bestimmung der AEhnlichkeit von Individuen. Bekannte und neue Merkmale und Distanzmasse zum Vergleich von Individuen werden daher vorgestellt und bezueglich ihrer Anwendbarkeit fuer die Artenbildung neu bewertet.
Zur Darstellung der evolutionaeren Abstammungslinien der Arten wurde der Artengraph entwickelt, der die aus den zwischen Individuen berechneten Distanzen, Abstammungen und Fitnesswerten aggregiert und so die Divergenz von Populationen visualisiert. Der Artengraph ist dem aus der Biologie bekannten Stammbaum nachempfunden und ermoeglicht eine konzentrierte, effiziente und zeitnahe Analyse eines Optimierungslaufs.
Anhand einer Reglerentwicklung fuer einen Antennenarm konnte die Anwendung der entwickelten Visualisierungstechniken erfolgreich gezeigt werden. Die Analyse mittels Artengraph der evolutionaeren Entwicklung von Individuen waehrend eines Optimierungslaufs fuehrte zu einer verbesserten Parametrisierung der Genetischen Zusammenfassung
In der Automatisierung wird die Genetische Programmierung zur Modellbildung von komplexen Systemen und zum Reglerentwurf eingesetzt. Die Genetische Programmierung nimmt die biologische Evolution als Vorbild und ahmt sie nach. Mathematische Modelle werden dazu als Individuen kodiert und ueber eine Anzahl von Generationen hinweg evolutionaer selektiert und veraendert.
Bei einem Evolutionslauf ueber mehrere Generationen faellt mit vielen Individuen eine kaum zu ueberblickende, grosse Datenmenge an. Deshalb sind die Auswirkungen einer fuer die Genetische Programmierung gewaehlten Konfiguration fuer den Anwender nur schwer zu kontrollieren. Fuer den Modellbildner ist es wichtig, den Ablauf und die Ergebnisse der Genetischen Programmierung schnell analysieren und bewerten zu koennen. Diese Arbeit bestimmt, erprobt und bewertet daher Methoden und Verfahren, die eine tiefergehende Analyse des Evolutionsvorgangs durch eine geeignete Visualisierung ermoeglichen.
Das neuartige Artenkonzept fasst aehnliche Individuen zu Arten zusammen, um sie so visualisieren zu koennen. Die Arten ermoeglichen eine konzentrierte Analyse, die mit allen Individuen aufgrund deren grosser Anzahl nicht moeglich waere. Die Artenbildung basiert auf der Bestimmung der AEhnlichkeit von Individuen. Bekannte und neue Merkmale und Distanzmasse zum Vergleich von Individuen werden daher vorgestellt und bezueglich ihrer Anwendbarkeit fuer die Artenbildung neu bewertet.
Zur Darstellung der evolutionaeren Abstammungslinien der Arten wurde der Artengraph entwickelt, der die aus den zwischen Individuen berechneten Distanzen, Abstammungen und Fitnesswerten aggregiert und so die Divergenz von Populationen visualisiert. Der Artengraph ist dem aus der Biologie bekannten Stammbaum nachempfunden und ermoeglicht eine konzentrierte, effiziente und zeitnahe Analyse eines Optimierungslaufs.
Anhand einer Reglerentwicklung fuer einen Antennenarm konnte die Anwendung der entwickelten Visualisierungstechniken erfolgreich gezeigt werden. Die Analyse mittels Artengraph der evolutionaeren Entwicklung von Individuen waehrend eines Optimierungslaufs fuehrte zu einer verbesserten Parametrisierung der Genetischen Programmierung. Dies konnte mit nur wenigen Optimierungslaeufen und damit geringem Zeitaufwand erreicht werden.",
SMOG from Dr.-Ing. Peter Marenbach
also known as \cite{tubiblio54187}",
Genetic Programming entries for Eva Brucherseifer