Genetische Algorithmen wurden in den sechziger Jahren von John H. Holland an der Universität von Michigan beschrieben. Diese Technik löst Probleme mit einer Folge von immer besseren Näherungslösungen. Neue Lösungen züchtet man dabei durch Verpaarung der besten alten Lösungen. Nach einer Zeit taucht auf diese Weise eine Lösung auf, die besser ist als ihre Vorgänger.

Fasziniert von einem Bericht von A.K. Dewdney im Spektrum der Wissenschaft „Computer Kurzweil“ über generische Algorithmen fragte ich mich, ob diese Idee noch erweitert werden kann.

A. K. Dewndey beschreibt in dem Artikel das Züchten von Lösungen mit sogenannten „Eleks“. Jedes Elek besitzt ein Chromosom welche Übergangsinformationen speichert.

Ich stellte mir die Frage inwieweit diese Lösung auch für das Züchten von möglichen mathematischen Formeln oder anderen IT Problemen gilt. Hierzu wurden 10 Elekes mit jeweils einem Chromosom mit 30 Bytes programmiert. Zusätzlich zu der Idee immer die zwei besten Eleks miteinander über Cross-Over zufällig zu kreuzen wurde zusätzlich frei nach der Evolutionstheorie das schlechteste Elek eliminiert. Des Weiteren wurden alle Elekes durch Mutation, welches durch das Kippen eines Bits in dem Chromosom realisiert wurde, zusätzlich verändert. Ziel der Funktion ist es, ein  bestimmtes Muster an Bits herauszugeben.

Hier ein Beispiel, bei der die Züchtung bis zum korrekten Muster 351 Generationen benötige.

Eine Idee zusätzliche Idee ist mathematische Formeln zu züchten. z.B. für die Fibonacci-Folge

mit den Anfangswerten

f 1 = f 2 = 1

Wobei ich gestehen muss, dass zumindest für die Fibonacci-Folge die herkömmliche rekursive Funktionsprogrammierung einfacher wäre.

Eine weiter Idee ist die Eleks für die Gewichtungsfaktoren von neuronalen Netzten einzusetzen umso durch Cross-Over und Mutation bessere Neuronale Netzte zu züchten.

Ich werde zu der Fibonacci-Folge und den Neuronalen Netzten berichten sobald hierzu Ergebnisse vorliegen.