imported>Quantumphysics 28: /* growthexperiments-addlink-summary-summary:1|0|0 */

2026-03-18T15:08:13Z

growthexperiments-addlink-summary-summary:1|0|0

Neue Seite

Als '''Rekombination''' oder '''Crossover''' wird bei [[Evolutionärer Algorithmus|evolutionären Algorithmen]] die Erzeugung eines neuen [[Genom (evolutionärer Algorithmus)|Genoms]] (auch als Filialgenom bezeichnet) aus (in der Regel) zwei Elterngenomen (Parentalgenomen) bezeichnet. Eine Funktion, die eine zulässige Menge von Parentalgenomen auf eine Menge von Filialgenomen abbildet, heißt Rekombinationsfunktion. Eine Rekombinationsfunktion ist ein [[genetischer Operator]].

In der Literatur ist neben der Rekombination auch häufig von ''Crossover'' die Rede und beide Begriffe werden meist synonym verwendet.

Ziel der Rekombination ist es, gute Eigenschaften zweier verschiedener Eltern auf ein Kind zu übertragen. Im Vergleich zu Algorithmen, die nur die [[Mutation (evolutionärer Algorithmus)|Mutation]] zur Veränderung der Genome benutzen, können so möglicherweise schneller Individuen gefunden werden, die zwei gute Eigenschaften A und B in sich tragen, wenn es vorher nur Individuen gab, die entweder nur über A oder B verfügten. Generell gilt, dass die Erzeugung von Elternklonen aus Effizienzgründen zu vermeiden ist.

Gute Rekombinationsfunktionen zeichnen sich dadurch aus, dass sie zumindest die guten Eigenschaften der Eltern erhalten und nicht so rekombinieren, dass diese Eigenschaften zerstört werden.

Für verschiedene Genom- und Problemtypen eignen sich verschiedene Rekombinationstypen unterschiedlich gut. Die nachstehende Liste von Operatoren ist keineswegs vollständig und dient vor allem der beispielhaften Veranschaulichung dieses genetischen Operatortyps. Weitere Operatoren und weitere Einzelheiten sind in der Literatur zu finden.<ref name=":2" details="Rekombination, S. 34–45">{{Literatur |Autor=Hartmut Pohlheim |Titel=Evolutionäre Algorithmen |Verlag=Springer |Ort=Berlin, Heidelberg |Datum=2000 |ISBN=3-642-63052-9 |Sprache=de |DOI=10.1007/978-3-642-57137-4}}</ref><ref name=":1" /><ref name=":3">{{Literatur |Autor=Lashon B. Booker, David B. Fogel, Darrell Whitley, Peter J. Angeline, A.E. Eiben |Hrsg=Thomas Bäck, David B. Fogel, Zbigniew Michalewicz |Titel=Recombination |Sammelwerk=Evolutionary computation |Band=Vol. 1: Basic algorithms and operators |Verlag=Institute of Physics Pub |Ort=Bristol |Datum=2000 |ISBN=0-585-30560-9 |Seiten=256–307 |Sprache=en}}</ref><ref name=":4" details="Representation, Mutation, and Recombination, S. 40–63">{{Literatur |Autor=Xinjie Yu, Mitsuo Gen |Titel=Introduction to Evolutionary Algorithms |Reihe=Decision Engineering |Verlag=Springer |Ort=London |Datum=2010 |ISBN=978-1-84996-128-8 |Sprache=en |DOI=10.1007/978-1-84996-129-5}}</ref><ref name=":4" details="Variation Operators for Permutation Code, S. 285–299" /><ref name=":7" details="Representation, Mutation, and Recombination, S. 49–78">{{Literatur |Autor=A.E. Eiben, J.E. Smith |Titel=Introduction to Evolutionary Computing |Reihe=Natural Computing Series |Auflage=2. |Verlag=Springer |Ort=Berlin, Heidelberg |Datum=2015 |ISBN=978-3-662-44873-1 |Sprache=en |DOI=10.1007/978-3-662-44874-8}}</ref>

== Rekombination von binären Zahlen (Bitstrings) ==
Bei der Rekombination binärer Zahlen werden die Parentalgenome an einer oder mehreren Stellen unterteilt und das Filialgenom aus diesen Teilen von beiden Eltern zusammengesetzt.

Zu den schon frühzeitig verwendeten Rekombinationsoperatoren gehören das ''1-Punkt-'' und das ''n-Punkt-Crossover''. Bei beiden Operatoren werden Crossoverpunkte zufällig innerhalb des Genoms eines Elters bestimmt, die dann für beide Parentalgenome gelten.
Das n-Punkt-Crossover beginnt mit der zufälligen Bestimmung der Anzahl <math>n</math> der Crossoverpunkte, deren Anzahl kleiner sein muss als die der Gene des Genoms. Beim 1-Punkt-Crossover gilt <math>n=1</math>. Das Kindgenom wird dadurch gebildet, das abwechselnd die Gene des ersten und des zweiten Parentalgenoms bis zum jeweils nächsten Crossoverpunkt auf das Kindgenom kopiert werden.

Als Beispiel soll ein 2-Punkt-Crossover dienen:

{|
|''Verfahren'' ||''Beispiel''
|-
|
<ul><li> Gegeben seien zwei binäre Zahlen. </li>
</ul>
|| <math>P_0 = \left( 0,1,1,0,0,1,0 \right)</math> und <math>P_1 = \left( 1,0,0,0,1,0,0 \right)</math>
|-
|
<ul><li> Wähle nun zufällig zwei Indizes, an denen die Genome unterteilt werden. </li>
</ul>
|| <math>s_1 = 3</math>, <math>s_2 = 6</math>,
|-
|
<ul><li> Für das Kindgenom werden aus <math>P_1</math> alle Stellen übernommen, die zwischen <math>s_1</math> und <math>s_2</math> liegen, während alle restlichen Stellen aus <math>P_0</math> übernommen werden. </li>
</ul>
|| <math>P_C = \left( 0,1, \underline {0,0,1,0} ,0 \right)</math>
|}

Ein ebenfalls häufig genutzter Operator ist das ''Uniform Crossover'', bei dem für jedes Gen (hier jedes Bit) zufällig entschieden wird, von welchem Parentalgenom es stammen soll.<ref>{{Literatur |Autor=Gilbert Syswerda |Hrsg=David Schaffer |Titel=Uniform Crossover in Genetic Algorithms |Sammelwerk=Proc. of Int. Conf. on Genetic Algorithms (3rd ICGA) |Verlag=Morgan Kaufman Publishers Inc. |Datum=1989 |ISBN=1-55860-066-3 |Seiten=2-9}}</ref>

Je nach Ausgestaltung eines Rekombinationsoperators können auch die bei den vorgestellten drei Operatoren verbleibenden Genomstücke zu einem zweiten Kindgenom zusammengefügt werden. Dann erzeugt der so modifizierte Rekombinationsoperator zwei an Stelle von einem Nachkommen pro Ausführung.

== Rekombination von ganzzahligen oder reellwertigen Genomen ==
[[Datei:DiskreteReko-3Dim.png|mini|Beispiel für eine ''diskrete Rekombination'' im dreidimensionalen Fall. Die beiden möglichen Nachkommen liegen auf den blau gekennzeichneten Ecken des Quaders.]]
Für die oben vorgestellten und für die meisten anderen Rekombinationsoperatoren für Bitstrings gilt, dass sie auch auf ganzzahlige oder reellwertige Genome, deren Gene aus je einer ganzen oder reellwertigen Zahl bestehen, entsprechend angewandt werden können. Anstelle einzelner Bits werden dann einfach ganze oder reelle Zahlen in das Kindgenom kopiert. Die Nachkommen liegen auf den verbleibenden Ecken des durch die beiden Eltern aufgespannten Hyperkörpers. Nebenstehendes Bild zeigt dies beispielhaft für den dreidimensionalen Fall, bei dem die Nachkommen auf den Ecken des durch die beiden Eltern <math>E_1=\left (1{,}5; 6; 8 \right)</math> und <math>E_2 = \left (7; 2; 1 \right)</math> aufgespannten Quaders liegen.

=== Diskrete Rekombination ===
Wenn bei der Erzeugung des Nachkommen die Regeln des Uniform Crossover für Bitstrings angewandt werden, spricht man auch von ''diskreter Rekombination''.<ref name=":7" details="Recombination Operators for Real-Valued Representation, S. 56–67" /><ref name=":2" details="Diskrete Rekombination, S. 35" />

=== Intermediäre Rekombination ===
Bei diesem Rekombinationsoperator werden die [[Allel|Allelwerte]] des Filialgenoms <math>\alpha_i</math> durch Mischung aus den Allelen der beiden Parentalgenome <math>\alpha_{i,E_1}</math> und <math>\alpha_{i,E_2}</math> erzeugt:<ref name=":4" details="Real Code and Related Operators, S. 45–63" /><ref name=":7" details="Recombination Operators for Real-Valued Representation, S. 56–67" />
[[Datei:IntermediäreReko.png|mini|Der durch ''intermediäre Rekombination'' gebildete Nachkomme der beiden beispielhaften zweidimensionalen Eltern <math>E_1</math>und <math>E_2</math>liegt im grau markierten Bereich. ]]
:<math>\alpha_i = \alpha_{i,E_1}\cdot\beta_i + \alpha_{i,E_2}\cdot\left (1 - \beta_i\right)</math>     mit <math>\beta_i \in \left [ -d, 1+d \right ]</math> jeweils zufällig gleichverteilt pro Gen <math>i</math>
Die Wahl des Intervalls <math>\left [ -d, 1+d \right ]</math> bewirkt die Einbeziehung des Inneren des durch die Allelwerte der Elterngene aufgespannten Hyperkörpers und einer gewissen Umgebung. Für <math>d</math> wird ein Wert von <math>0{,}25</math> empfohlen, um der bei einem Wert von <math>0</math> sonst vorhandenen Tendenz zur Verkleinerung der Allelwerte entgegenzuwirken.<ref>{{Literatur |Autor=Heinz Mühlenbein, Dirk Schlierkamp-Voosen |Titel=Predictive Models for the Breeder Genetic Algorithm I. Continuous Parameter Optimization |Sammelwerk=Evolutionary Computation |Band=1 |Nummer=1 |Datum=1993-03 |ISSN=1063-6560 |Seiten=25–49 |Sprache=en |DOI=10.1162/evco.1993.1.1.25}}</ref>

Nebenstehendes Bild zeigt beispielhaft für den zweidimensionalen Fall den grau dargestellten Wertebereich der möglichen neuen Allele der beiden Parentalgenome <math>E_1 = \left (2,6\right)</math> und <math>E_2 = \left (9,2\right)</math> bei intermediärer Rekombination. Die möglichen Nachkommen der diskreten Rekombination <math>N_1</math> und <math>N_2</math> sind ebenfalls eingezeichnet. Die intermediäre Rekombination erfüllt die nach der Theorie der [[Evolutionärer Algorithmus#Virtuelle Alphabete|virtuellen Alphabete]] geforderte arithmetische Berechnung der Allelwerte des Filialgenoms.<ref>{{Literatur |Autor=David Goldberg |Titel=Real-coded Genetic Algorithms, Virtual Alphabets, and Blocking |Sammelwerk=Complex Systems |Band=5 |Nummer=2 |Datum=1991 |Seiten=139–167 |Sprache=en |Online=https://www.complex-systems.com/abstracts/v05_i02_a02/}}</ref> Diskrete und intermediäre Rekombination finden bei der [[Evolutionärer Algorithmus#Evolutionsstrategien (ES)|Evolutionsstrategie]] standardmäßig Verwendung.<ref>{{Literatur |Autor=Hans-Paul Schwefel |Titel=Evolution and optimum seeking |Verlag=Wiley |Ort=New York |Datum=1995 |ISBN=0-471-57148-2 |Sprache=en |Online=https://ls11-www.cs.tu-dortmund.de/lehre/wiley/ |Abruf=2023-03-06}}</ref>

== Rekombination von Permutationen ==
Für kombinatorische Aufgabenstellungen werden in der Regel [[Permutation]]en verwendet, die speziell für Genome ausgelegt sind, die selbst Permutationen einer [[Menge (Mathematik)|Menge]] sind. Die zu Grunde liegende Menge ist in der Regel eine Teilmenge von <math>\N</math> oder <math>\N_0</math>. Wenn man für solche Genome 1- oder n-Punkt- oder Uniform Crossover für ganzzahlige Genome verwendet, kann es vorkommen, dass ein Filialgenom einige Werte doppelt enthält und andere fehlen. Dies kann durch [[Genotypische und phänotypische Reparatur|Reparaturmaßnahmen (''genetic repair'')]] behoben werden, etwa indem man die überzähligen Gene (positionstreu) gegen fehlende aus dem anderen Filialgenom austauscht.

Um die Erzeugung ungültiger Nachkommen zu vermeiden, wurden spezielle Crossover-Operatoren für Permutationen entwickelt, die die Grundvoraussetzung für Permutationen erfüllen, nämlich dass alle Elemente der ursprünglichen Permutation auch in der neuen vorhanden sind und nur die Reihenfolge geändert wird.<ref name=":5">{{Literatur |Autor=P. Larrañaga, C.M.H. Kuijpers, R.H. Murga, I. Inza, S. Dizdarevic |Titel=Genetic Algorithms for the Travelling Salesman Problem: A Review of Representations and Operators |Sammelwerk=Artificial Intelligence Review |Band=13 |Nummer=2 |Datum=1999 |Seiten=129–170 |Sprache=en |DOI=10.1023/A:1006529012972}}</ref> Man kann zwischen kombinatorischen Aufgaben, bei denen alle Folgen zulässig sind, und solchen, bei denen es Einschränkungen in Form von unzulässigen Teilfolgen gibt, unterscheiden. Ein bekannter Vertreter des ersten Aufgabentyps ist das [[Problem des Handlungsreisenden|Traveling-Salesman-Problem]] (TSP), bei dem das Ziel darin besteht, eine Menge von Städten auf der kürzesten Tour genau einmal zu besuchen. Ein Beispiel für den eingeschränkten Aufgabentyp ist das [[Scheduling]] von [[Arbeitsablauf|Workflows]]. Bei Workflows gibt es für einige der einzelnen Arbeitsschritte Reihenfolgebeschränkungen. So kann z. B. ein [[Gewinde]] erst geschnitten werden, nachdem das entsprechende Loch in ein Werkstück gebohrt worden ist. Solche Probleme werden auch als reihenfolgebasierte Permutationen bezeichnet.

Beispielhaft seien nachfolgend drei Operatoren vorgestellt.

=== Position-based Crossover ===
Das Position-based Crossover<ref name=":6">{{Literatur |Autor=Gilbert Syswerda |Hrsg=Lawrence Davis |Titel=Schedule Optimization Using Genetic Algorithms |Sammelwerk=Handbook of Genetic Algorithms |Verlag=Van Nostrand Reinhold |Ort=New York |Datum=1991 |ISBN=0-442-00173-8 |Seiten=332-349 |Sprache=en}}</ref> und auch das nachfolgend vorgestellte Order Crossover geben die relative Reihenfolge der Elterngenome an das oder die Kinder weiter. Der Rekombinationsoperator wird anhand eines Beispiels erläutert:

{|
|''Verfahren'' ||''Beispiel''
|-
|
<ul><li> Gegeben seien 2 Permutationen derselben Menge </li>
</ul>
|| <math>P_0 = \left( A,B,C,D,E,F,G \right)</math> und <math>P_1 = \left( E,\underline {B},G,A,\underline {F},D,\underline {C} \right)</math>
|-
|
<ul><li> sowie eine zufällige Auswahl, welche Stellen direkt von der ersten Permutation übernommen werden sollen. </li>
</ul>
|| <math>S = \left( 1,0,0,1,1,0,1 \right)</math>
|-
|
<ul><li> Als Kind-Permutation wird eine Permutation generiert, die überall dort von <math>P_0</math> kopiert ist, wo <math>S</math> eine <math>1</math> hat. </li>
</ul>
|| <math>P_C = \left( A,?,?,D,E,?,G \right)</math>
|-
|
<ul><li> Die Stellen, die von <math>P_0</math> nicht übernommen wurden, werden nun ebenfalls übernommen, aber in der Reihenfolge, wie sie in <math>P_1</math> vorkommen. </li>
</ul>
|| <math>P_\text{noch nicht übernommen} = \left\{ B,C,F \right\}</math>
<math>P_{\text{in Reihenfolge von } P_1} = \left( B,F,C \right)</math>
|-
|
<ul><li> Damit ergibt sich das fertige Kind-Genom. </li>
</ul>
|| <math>P_C = \left( A,\underline {B},\underline {F},D,E,\underline {C},G \right)</math>
|}

=== Order Crossover (OX1) ===
Neben dem feingranularen Position-based Crossover gibt es noch das Order Crossover,<ref name=":1">{{Literatur |Autor=Lawrence Davis |Titel=Handbook of Genetic Algorithms |Verlag=Van Nostrand Reinhold |Ort=New York |Datum=1991 |ISBN=0-442-00173-8 |Sprache=en}}</ref> das in größerem Maße mit zusammenhängenden Teilstücken der Genome arbeitet. Dazu werden Anzahl und Länge der Teilstücke ausgewürfelt und danach mit den entstandenen Gensequenzen ähnlich verfahren, wie zuvor beschrieben:
{|
|''Verfahren''
|''Beispiel''
|-
|
* Gegeben seien 2 Permutationen derselben Menge
|<math>P_0 = \left( A,B,C,D,E,F,G,H,I,J \right)</math> und <math>P_1 = \left( B,D,A,H,J,C,E,G,F,I \right)</math>
|-
|
* sowie eine zufällige Auswahl von Genabschnitten in <math>P_0</math>. Hier von Genposition 1 bis 2 und von 6 bis 8.
|<math>P_0 = \left( \underline {A,B},C,D,E,\underline {F,G,H},I,J \right)</math>
|-
|
* Als Kind-Permutation wird eine Permutation generiert, die die ausgewählten Genabschnitte von <math>P_0</math> positionstreu enthält.
|<math>P_C = \left( A,B,?,?,?,F,G,H,?,? \right)</math>
|-
|
* Die Stellen, die von <math>P_0</math> nicht übernommen wurden, werden nun ebenfalls übernommen, aber in der Reihenfolge, wie sie in <math>P_1</math> vorkommen.
|<math>P_\text{noch nicht übernommen} = \left\{ C,D,E,I,J \right\}</math>
<math>P_{\text{in Reihenfolge von } P_1} = \left( D,J,C,E,I \right)</math>
|-
|
* Damit ergibt sich das fertige Kind-Genom.
|<math>P_C = \left( A,B,\underline {D,J,C},F,G,H,\underline {E,I} \right)</math>
|}

Das Order Crossover ist unter anderem gut für das Scheduling von Workflows geeignet, wenn es in Verbindung mit 1- und n-Punkt-Crossover eingesetzt wird.<ref name=":0">{{Literatur |Autor=Wilfried Jakob, Alexander Quinte, Karl-Uwe Stucky, Wolfgang Süß |Hrsg=Günter Rudolph |Titel=Fast Multi-objective Scheduling of Jobs to Constrained Resources Using a Hybrid Evolutionary Algorithm |Sammelwerk=Parallel Problem Solving from Nature – PPSN X |Band=LNCS |Nummer=5199 |Verlag=Springer |Ort=Berlin, Heidelberg |Datum=2008 |ISBN=978-3-540-87699-1 |Seiten=1031–1040 |Sprache=en |DOI=10.1007/978-3-540-87700-4_102}}</ref> In diesem Zusammenhang sei angemerkt, dass beide Operatoren nicht garantieren, dass eine Reihenfolgekorrektheit der Eltern weitervererbt wird. Dies ist jedoch kein Nachteil gegenüber anderen Operatoren, welche die Weitervererbung gewährleisten.<ref name=":0" />

Man kann mit den vorgestellten Operatoren auch ein zweites (in gewisser Weise inverses) Kind erzeugen, indem man die Eltern vertauscht und das Verfahren ohne erneutes Auswürfeln erneut anwendet.

=== Edge-Rekombination ===
Eine weitere Variante der Rekombination von Permutationen ist die Edge-Rekombination, bei der die Nachbarschaftsbeziehungen zwischen den Elementen der Elterngenome so gut wie möglich erhalten werden. Bei der Edge-2-Rekombination werden dabei Verbindungen bevorzugt, die in beiden Elterngenomen vorkommen. Die Edge-3- und Edge-4-Rekombination versuchen zusätzlich, durch Inversion der Genome noch zusätzliche Nachbarschaften auszunutzen, die bei der Edge-2-Rekombination verloren gingen. Dieses Verfahren ist besonders gut geeignet für kombinatorische Optimierungsprobleme wie das TSP.<ref>{{Literatur |Autor=Darrell Whitley, Timothy Starkweather, Daniel Shaner |Hrsg=Lawrence Davis |Titel=The Traveling Salesman and Sequence Scheduling: Quality Solutions Using Genetic Edge Recombination |Sammelwerk=Handbook of Genetic Algorithms |Verlag=Van Nostrand Reinhold |Ort=New York |Datum=1991 |Sprache=en |Online=http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.18.8193&rep=rep1&type=pdf}}</ref><ref name=":7" details="Recombination for Permutation Representation, S. 70–74" />

=== Weitere Rekombinationsoperatoren für Permutationen ===
Im Laufe der Zeit wurde eine Vielzahl von Rekombinationsoperatoren für Permutationen vorgeschlagen, so dass die folgende Liste nur eine kleine Auswahl darstellt. Für weitere Informationen wird der Leser auf die Literatur verwiesen.<ref name=":2" details="Rekombination, S. 34–45" /><ref name=":1" /><ref name=":5" /><ref name=":7" details="Recombination for Permutation Representation, S. 70–74" /><ref name=":8">{{Literatur |Autor=Darrell Whitley |Hrsg=Thomas Bäck, David B. Fogel, Zbigniew Michalewicz |Titel=Permutations |Sammelwerk=Evolutionary computation |Band=Vol. 1: Basic algorithms and operators |Verlag=Institute of Physics Pub |Ort=Bristol |Datum=2000 |ISBN=0-585-30560-9 |Seiten=274-283}}</ref>

# Partially Mapped Crossover (PMX)<ref name=":7" details="Recombination for Permutation Representation, S. 70–74" /><ref>{{Literatur |Autor=David E. Goldberg, R. Lingle |Hrsg=John J. Grefenstette |Titel=Alleles, loci, and the traveling salesman problem |Sammelwerk=Proceedings of the First International Conference on Genetic Algorithms and Their Applications |Verlag=Lawrence Erlbaum Associates |Ort=Hillsdale, N.J. |Datum=1985 |ISBN=0-8058-0426-9 |Seiten=154–159 |Sprache=en}}</ref>
# Cycle Crossover (CX)<ref name=":7" details="Recombination for Permutation Representation, S. 70–74" /><ref>{{Literatur |Autor=I.M. Oliver, D.J. Smith, J. Holland |Hrsg=John J. Grefenstette |Titel=A study of permutation crossover operators on the travelling salesman problem |Sammelwerk=Proceedings of the second International Conference on Genetic Algorithms |Verlag=Lawrence Erlbaum Associates |Ort=Hillsdale, N.J. |Datum=1987 |ISBN=0-8058-0158-8 |Seiten=224–230 |Sprache=en}}</ref>
# Order-based Crossover (OX2)<ref name=":8" /><ref name=":6" />
# Voting Recombination (VR)<ref name=":5" />
# Alternating-positions Crossover (AP)<ref name=":5" />
# Maximal Preservative Crossover (MPX)<ref name=":8" /><ref>{{Literatur |Autor=John Dzubera, Darrell Whitley |Titel=Advanced correlation analysis of operators for the traveling salesman problem |Sammelwerk=Parallel Problem Solving from Nature — PPSN III |Band=LNCS 866 |Verlag=Springer |Ort=Berlin, Heidelberg |Datum=1994 |ISBN=3-540-58484-6 |Seiten=68–77 |Sprache=en |DOI=10.1007/3-540-58484-6_251}}</ref>
# Merge Crossover (MX)<ref name=":8" /><ref>{{Literatur |Autor=Joe L. Blanton, Roger L. Wainwright |Hrsg=Stephanie Forrest |Titel=Multiple Vehicle Routing with Time and Capacity Constraints Using Genetic Algorithm |Sammelwerk=Proceedings of the Fifth International Conference on Genetic Algorithms |Verlag=Morgan Kaufmann Publishers |Ort=San Mateo, Calif. |Datum=1993 |ISBN=1-55860-299-2 |Seiten=452–459 |Sprache=en}}</ref>

== Rekombination von Bäumen ==
Die Rekombination von Bäumen ist speziell für Genome ausgelegt, die selbst [[Baum (Graphentheorie)|Bäume]] sind.<ref>{{Literatur |Autor=Karsten Weicker |Titel=Evolutionäre Algorithmen |Auflage= |Verlag=Teubner |Ort=Stuttgart |Datum=2002 |ISBN=3-519-00362-7 |Kapitel=Genetisches Programmieren |Seiten=147-156}}</ref><ref>{{Literatur |Autor=Peter J. Angeline |Hrsg=David B. Fogel, Thomas Bäck, Zbigniew Michalewicz |Titel=Crossover: parse trees |Sammelwerk=Evolutionary computation |Band=Vol. 1: Basic algorithms and operators |Verlag=Institute of Physics Pub |Ort=Bristol |Datum=2000 |ISBN=0-585-30560-9 |Seiten=286-289}}</ref> Derartige Genome finden bei der [[Evolutionärer Algorithmus#Genetische Programmierung (GP)|genetischen Programmierung]] Verwendung.

Ein Beispiel für eine Rekombination von Bäumen ist folgendes Verfahren:

* Gegeben seien zwei Eltern-Bäume (Eltern-Genome).
* Wähle in jedem Eltern-Baum einen Teilbaum aus.
* Vertausche diese zwei Teilbäume.

Die zwei so neu entstandenen Bäume sind nun die zwei Kind-Genome.

== Literatur ==
* [[Hartmut Pohlheim]]: ''Evolutionäre Algorithmen. Verfahren, Operatoren und Hinweise für die Praxis.'' Springer, Berlin 1999, ISBN 3-540-66413-0.
* [[Karsten Weicker]]: ''Evolutionäre Algorithmen.'' Teubner, Stuttgart 2002, ISBN 3-519-00362-7.
* {{Literatur
|Autor=A.E. Eiben, J.E. Smith
|Titel=Introduction to Evolutionary Computing
|Reihe=Natural Computing Series
|Verlag=Springer
|Ort=Berlin, Heidelberg
|Datum=2015
|ISBN=978-3-662-44873-1
|DOI=10.1007/978-3-662-44874-8}}
* [[Hans-Paul Schwefel]]: ''[https://www.researchgate.net/publication/220690578_Evolution_and_Optimum_Seeking Evolution and Optimum Seeking]''. Wiley & Sons, New York 1995, ISBN 0-471-57148-2.
* Keshav P. Dahal, Kay Chen Tan, Peter I. Cowling (Hrsg.): ''Evolutionary Scheduling''. Studies in Computational Intelligence, Bd. 49, Springer, Berlin, Heidelberg, 2007. [[doi:10.1007/978-3-540-48584-1]], ISBN 978-3-642-08017-3
* Amir H. Gandomi, Ali Emrouznejad, Mo M. Jamshidi, Kalyanmoy Deb, Iman Rahimi (Hrsg.): ''Evolutionary Computation in Scheduling''. John Wiley & Sons, 2020. ISBN 978-1-119-57387-6

== Einzelnachweise ==
<references>
</references>

[[Kategorie:Evolutionärer Algorithmus]]

Rekombination (evolutionärer Algorithmus) - Versionsgeschichte

imported>Quantumphysics 28: /* growthexperiments-addlink-summary-summary:1|0|0 */