Eines der Probleme im Bereich der künstlichen Intelligenz dreht sich um die das Resultat beeinflussende Befangenheit des Entwicklers. Um dieses Problem anzugehen stellt der Autor ein Framework vor, in welchem die evolutionären Algorithmen von den meisten Annahmen über das Problem befreit sind und letzterem somit keinen Einfluss auf die Performance zulassen. Ein solches Ziel verlangt jedoch, dass für eine optimale Effizienz eine Übereinstimmung zwischen dem unbekannten Problem und der von den evolutionären Algorithmen vorgeschlagenen Lösung gefunden werden muss. Drei Ansätze, die sich mit diesem Thema der Anpassung der Komplexität mittels eines neuartigen regulatorischen genetischen Netzwerkes annehmen werden vorgestellt, ausgiebig getestet und bilden die Basis des Frameworks. Zusätzliche automatische Parameteranpassung optimiert weitere evolutionäre Kenngrössen, wie zum Beispiel die Mutationsrate oder die Genomgrösse mittels auf Fitnessfunktion basierter einfacher Heuristiken. Auf diesen Ansätzen basierend ist das Framework in der Lage ein grosses Spektrum von sowohl einfachen als auch sehr komplexen Problemen zu bewältigen.

University of Zurich

ailab