Zum Inhalt springen

Naturanaloge Optimierungsverfahren

aus Wikipedia, der freien Enzyklopädie

In der Informatik versteht man unter naturanalogen Optimierungsverfahren Metaheuristiken, deren grundsätzliche Funktionsweise von biologischen oder physikalischen Vorbildern inspiriert ist.<ref name=":24" details="Geleitwort, S. V-VI">Martin Feldmann: Naturanaloge Verfahren. Deutscher Universitätsverlag, Wiesbaden 1999, ISBN 3-8244-6890-5, doi:10.1007/978-3-322-95217-2.</ref><ref name=":25" details="Vorwort, S. VII-IX">Ralf Hollstein: Optimierungsmethoden: Einführung in die klassischen, naturanalogen und neuronalen Optimierungen. Springer Fachmedien Wiesbaden, Wiesbaden 2023, ISBN 978-3-658-39854-5, doi:10.1007/978-3-658-39855-2.</ref><ref name=":0" details="S. 229" /> Ihr Einsatzgebiet ist durch Aufgabenstellungen gekennzeichnet, für die keine exakten Lösungsverfahren bekannt sind oder deren Anwendung zu einem nicht vertretbaren Aufwand führen würde. Die Verfahren können nicht garantieren, das Optimum zu finden, liefern aber bei Erfolg eine hinreichend gute Lösung, was in der Praxis vor allem bei NP-vollständigen Problemen bereits als wünschenswertes Ergebnis betrachtet werden kann.<ref name=":25" details="Vorwort, S. VII-IX" /><ref name=":25" details="Komplexität und heuristische/metaheuristische Verfahren, S. 125-134" /><ref name=":0" details="Computational Intelligence, S. 2-3">Rudolf Kruse, Sanaz Mostaghim, Christian Borgelt, Christian Braune, Matthias Steinbrecher: Computational Intelligence: A Methodological Introduction (= Texts in Computer Science). Springer International Publishing, Cham 2022, ISBN 978-3-03042226-4, doi:10.1007/978-3-030-42227-1.</ref> Zu den Anwendungsgebieten gehören unter anderem viele kombinatorische Aufgaben wie die Anordnungsplanung, die Tourenplanung oder Schedulingaufgaben wie z. B. Produktionsplanung, Fahrplanerstellung oder Reihenfolgeplanung.<ref name=":24" details="Geleitwort, S. V-VI" /><ref name=":24" details="Naturanaloge Verfahren zur Lösung des Open Shop Problems, S.281-322" /><ref name=":25" details="Kombinatorische Optimierungsprobleme, S. 17-50" /><ref name=":25" details="Einführung, S. 3-4" /> Weitere Anwendungsfelder sind Aufgabenstellungen aus den Bereichen Designoptimierung, Energie- und Ressourceneffizienz, Routing, Clustering, Partitioning oder Finanzportfolio-Optimierung.<ref name=":25" details="Einführung, S. 3-4" /><ref name=":5" details="Section II: Application Domains, S.&nbsp;179&#x2013;649">Stephan Olariu, Albert Y. Zomaya (Hrsg.): Handbook of Bioinspired Algorithms and Applications (= CRC Computer and Information Science series. Nr. 7). Chapman & Hall / CRC, Boca Raton 2006, ISBN 1-58488-475-4.</ref>

Es gibt große Überschneidungen zwischen den naturanalogen Optimierungsverfahren einerseits und den Methoden der Computational Intelligence (CI) und des Soft Computing andererseits. Zu den Verfahren, die allen drei Gebieten zugerechnet werden können, zählen

  • die evolutionären Algorithmen, die grundlegende Aspekte der Informationsverarbeitung der biologische Evolution nachahmen,<ref name=":24" details="Geleitwort, S. V-VI" /><ref name=":25" details="Vorwort, S. VII-IX" /><ref name=":0" details="S. 229" /><ref name=":7" details="Evolutionary computing, S. 7-9">Leandro de Castro: Fundamentals of Natural Computing: An Overview. In: Physics of Life Reviews. Band 4, Nr. 1, März 2007, S. 1–36, doi:10.1016/j.plrev.2006.10.002.</ref>
  • die Partikelschwarmoptimierung, die das kollektiven Verhalten dezentralisierter und selbstorganisierender Elemente wie bei Vogel- oder Fischschwärmen zum Vorbild haben,<ref name=":25" details="Vorwort, S. VII-IX" /><ref name=":0" details="S. 229" /><ref name=":7" details="Swarm intelligence, S. 9-13" />
  • die Ameisen- oder Bienenalgorithmen, deren kooperatives Verhalten bei der Nahrungssuche imitiert wird,<ref name=":25" details="Vorwort, S. VII-IX" /><ref name=":0" details="S. 229" /><ref name=":7" details="Swarm intelligence, S. 9-13" /> oder
  • künstliche Immunsysteme, die von der Funktionsweise des biologischen Immunsystems inspiriert sind und im Gegensatz zu etlichen anderen metaheuristischen Optimierungsmethoden lokale Extremstellen des Suchraums bewahren.<ref name=":25" details="Künstliche Immunsysteme, S. 253-278" /><ref name=":7" details="Artificial immune systems, S.13-16" /><ref name=":3" details="Selected algorithms mimicking human or zoological physiological functions, S. 26-28; Table 11, S. 56">Zoran Jakšić, Swagata Devi, Olga Jakšić, Koushik Guha: A Comprehensive Review of Bio-Inspired Optimization Algorithms Including Applications in Microelectronics and Nanophotonics. In: Biomimetics. Band 8, Nr. 3, 28. Juni 2023, ISSN 2313-7673, S. 278, doi:10.3390/biomimetics8030278, PMID 37504166, PMC 10807478 (freier Volltext).</ref>

Zu den naturanalogen Optimierungsverfahren, welche durch thermodynamische Prozesse motiviert sind, zählen<ref name=":24" details="Naturanaloge Verfahren im Überblick, S. 71-78" /><ref name=":25" details="Physikbasierte Algorithmen, S.137-146" /><ref name=":8" details="Simulated Annealing, S. 115-136">Oliver Wendt: Tourenplanung durch Einsatz naturanaloger Verfahren - Integration von Genetischen Algorithmen und Simulated Annealing. Deutscher Universitätsverlag, Wiesbaden 1995, ISBN 3-8244-6181-1, doi:10.1007/978-3-663-09046-5.</ref>

Außerdem gibt es zahlreiche hybride Systeme, bei denen mehrere naturanaloge Verfahren so kombiniert werden, dass sie sich ergänzen.<ref name=":5" details="A Unified View on Metaheuristics and Their Hybridization, S. 147-156" /><ref name=":3" details="Hybridization Methods, S. 34-36" /><ref name=":8" /><ref>Christina Klüver, Jürgen Klüver, Jörn Schmidt: Modeling Complex Processes Through Nature-Analogous Methods: Artificial Intelligence and Artificial Life. Springer Fachmedien Wiesbaden, Wiesbaden 2025, ISBN 978-3-658-46509-4, Hybridizations of the Basic Models, S. 301–342, doi:10.1007/978-3-658-46510-0.</ref>

Die Vorteile vieler naturanaloger Optimierungsverfahren bestehen vor allem darin, dass sie

  • auch bei nichtlinearen, nicht differenzierbaren oder diskreten Problemen eingesetzt werden können,<ref name=":0" details="Computational Intelligence, S. 2-3" /><ref name=":2" details="S. 93">Russell Eberhart, Yuhui Shi: Computational Intelligence. Elsevier, 2007, ISBN 978-1-55860-759-0, doi:10.1016/b978-1-55860-759-0.x5000-8.</ref>
  • kein oder nur wenig Vorwissen über das Problem benötigen<ref name=":2" details="S. 93" /> oder
  • auch bei NP-Problemen anwendbar sind<ref name=":0" details="The Traveling Salesman Problem, S.&nbsp;253&#x2013;256" /><ref name=":2" details="S. 393" /><ref name=":1" details="S. 207">Andries P. Engelbrecht: Computational Intelligence: An Introduction. 2nd ed Auflage. John Wiley & Sons, Chichester, England; Hoboken, NJ 2007, ISBN 978-0-470-03561-0.</ref> und
  • dass sie gut parallelisierbar sind,<ref name=":1" details="S. 52, S. 131" /><ref name=":4" details="S. 5">Nazmul Siddique: Computational Intelligence: Synergies of Fuzzy logic, Neural Networks, and Evolutionary Computing. J. Wiley & Sons, Chichester, U.K 2013, ISBN 978-1-118-53481-6.</ref> was moderne Rechnerressourcen effektiv nutzt.

Nachteilig ist, dass die meisten Verfahren relativ lange Rechenzeiten benötigen und keine Optimalität der Lösung garantieren können.

Kritik

In letzter Zeit konnte eine sehr große Zunahme an naturinspirierten Metaheuristiken beobachtet werden, die häufig die Partner- oder Futtersuche von einer Vielzahl von Arten zum Vorbild haben.<ref name=":3" details="Table 3: Selected swarm intelligence algorithms, S.12" /> Dies hat zu Kritik in der Forschungsgemeinschaft geführt, da es vielen diesbezüglichen Publikationen an wissenschaftlicher Tiefe, Neuheit oder dem Nachweis der Tauglichkeit oder Überlegenheit über ältere und erprobte Verfahren mangelt.<ref>Kenneth Sörensen: Metaheuristics - the metaphor exposed. In: International Transactions in Operational Research. Band 22, Nr. 1, Januar 2015, S. 3–18, doi:10.1111/itor.12001.</ref><ref>Alexander Brownlee, John R. Woodward: Why we fell out of love with algorithms inspired by nature. In: en.wikipedia.org. The Conversation, Juni 2015, abgerufen am 23. Januar 2026 (Lua-Fehler in Modul:Multilingual, Zeile 153: attempt to index field 'data' (a nil value)).</ref><ref>Fred Glover, Kenneth Sörensen: Metaheuristics. In: Scholarpedia. Band 10, Nr. 4, 2015, ISSN 1941-6016, The metaphor controversy, S. 6532, doi:10.4249/scholarpedia.6532 (scholarpedia.org [abgerufen am 23. Januar 2026]).</ref><ref>Jerry Swan, Steven Adriaensen, Mohamed Bishr, Edmund K. Burke, John A. Clark, Patrick De Causmaecke, Juan José Durillo, Kevin Hammond, Emma Hart, Colin G. Johnson, Zoltan A. Kocsis, Ben Kovitz , Krzysztof Krawiec, Simon Martin, Juan J. Merelo, Leandro L. Minku, Ender Özcan, Gisele Lobo Pappa, Erwin Pesch, Pablo García-Sánchez, Andrea Schaerf, Kevin Sim, Jim Smith, Thomas Stützle, Stefan Wagnerr, Xin Yao: A Research Agenda for Metaheuristic Standardization. 2015, abgerufen am 23. Januar 2026.</ref> Als Konsequenz wurden die Veröffentlichungsrichtlinien von etlichen Fachzeitschriften entsprechend angepasst.<ref>Journal of Heuristics Policies on Heuristic Search Research. (PDF) www.springer.com, Archivierte Webseite, 2015, abgerufen am 23. Januar 2026.</ref><ref>4OR - Aims and scope. www.springer.com, abgerufen am 23. Januar 2026.</ref><ref>Memetic Computing - Aims and scope. www.springer.com, abgerufen am 23. Januar 2026.</ref>

Einzelnachweise

<references> </references>

Abgerufen von „https://wiki-de.moshellshocker.dns64.de/index.php?title=Naturanaloge_Optimierungsverfahren&oldid=1802603“