Computational Intelligence

Eine Einführung

verfasst von: Oliver Kramer

Verlag: Springer Berlin Heidelberg

Buchreihe : Informatik im Fokus

Enthalten in: Springer Professional "Wirtschaft+Technik" , Springer Professional "Technik" , Springer Professional "Wirtschaft"

Einloggen, um Zugang zu erhalten

Über dieses Buch

Computational Intelligence (CI) bezeichnet ein Teilgebiet der Künstlichen Intelligenz, das biologische inspirierte Modelle algorithmisch umsetzt. Evolutionäre Algorithmen orientieren sich an der darwinistischen Evolution und suchen mit Hilfe von Crossover, Mutation und Selektion eine optimale Lösung. Die Fuzzy-Logik ermöglicht als unscharfe Logik eine kognitive Modellierung von Wissen und Inferenzprozessen. Neuronale Netze imitieren funktionale Aspekte des Gehirns für Aufgaben wie Klassifikation und Mustererkennung. Neuere Ansätze der CI wie Reinforcement Learning ermöglichen, das Verhalten künstlicher Agenten in unbekannten Umgebungen zu steuern. Die Schwarmintelligenz modelliert Algorithmen, die auf Basis vieler einfacher Komponenten intelligente Leistungen vollführen. Zu guter Letzt lösen künstliche Immunsysteme eine Reihe von Problemen, ähnlich wie ihr biologisches Pendant. Ein kompakter und übersichtlicher mit vielen Beispielen gespickter Einstieg in die verschiedenen Verfahren der CI.

Inhaltsverzeichnis

Frontmatter

1. Überblick Computational Intelligence

Die Entstehungsgeschichte der Computational Intelligence beginnt Mitte des letzten Jahrhunderts.Während die ersten neuronalen Netze 1958 von Rosenblatt entwickelt wurden, beginnt die Geschichte der evolutionären Algorithmen wie auch der Fuzzy-Logik in den Sechzigern. Diese drei Verfahren wurden seitdem nicht nur stetig weiterentwickelt, sie sind auch heute Gegenstand aktueller Forschung und stellen die Grundsäulen der Computational Intelligence dar. Ihre Bedeutung spiegelt sich in zahlreichen Publikationen wider wie den Büchern der Reihe Studies in Computational Intelligence von Springer oder den Journalen IEEE Transactions on Neural Networks, IEEE Transactions on Fuzzy Systems und IEEE Transactions on Evolutionary Computation der IEEE Computational Intelligence Society.

Oliver Kramer

2. Evolutionäre Algorithmen

Evolutionäre Algorithmen sind naturinspirierte Optimierungsverfahren. Mit ihrer Hilfe können optimale Lösungen für die verschiedenartigsten Probleme gefunden werden, ohne über Problemwissen zu verfügen. Ein Basisprinzip evolutionärer Verfahren liegt in der stochastischen Erkundung des Suchraumes. Die Zufallssuche erfolgt dabei nach dem Vorbild natürlicher Evolution. Der Algorithmus verfügt über eine Population von Lösungen, die durch Paarung entstehen und die mutiert werden. Schließlich werden die besten Lösungen selektiert, um in die nächste Generation übernommen zu werden. Mittlerweile haben sich evolutionäre Methoden in der Praxis als robuste und erfolgreiche Optimierungsalgorithmen etabliert.

Oliver Kramer

3. Schwarmintelligenz

In der Natur existieren erfolgreiche Systeme, in denen sich viele vergleichsweise primitive Lebewesen zu einer Gruppe zusammenschließen, um gemeinsam zielgerecht zu handeln. Diese Form kollektiven und koordinierten Handelns bezeichnen wir als Schwarmintelligenz. Der Nachteil der einfachen Fähigkeiten ihrer Schwarmteilnehmer wird durch ihre große Anzahl und die dadurch erreichte massive Parallelität ausgeglichen. Auf emergenteWeise wird für das Gesamtsystem zielgerichtetes Handeln ermöglicht. Die Umwelt wird dabei gewissermaßen als externes Gedächtnis benutzt. In diesem Kapitel werden wir die Konzepte kennen lernen, auf denen Schwarmintelligenz beruht.

Oliver Kramer

4. Künstliche Immunsysteme

Natürliche Immunsysteme leisten bei ihrem Kampf gegen Antigene Mustererkennungs-, Optimierungs- und Klassifikationsaufgaben. Einige der Prinzipien lassen sich in sinnvoller Weise als Informationsverarbeitungs-Paradigmen umsetzen. In diesem Kapitel werden wir das Grundgerüst künstlicher Immunsysteme sowie einige ihrer typischen Komponenten kennen lernen, u.a. die positive, die negative und die klonale Selektion. Künstliche Immunsysteme sind als populationsbasierte Modelle eng verwandt mit evolutionären Verfahren und Schwarmalgorithmen, die wir in den beiden vorherigen Kapiteln bereits kennen gelernt haben.

Oliver Kramer

5. Fuzzy-Logik

Sprachliche Ausdrucksfähigkeit weist in der Regel ein hohes Maß an Unsicherheit und Vagheit auf. Sätze wie ”Die Musik ist laut.“ oder ”Das Auto fährt schnell.“ sind nicht nur physikalisch kaum exakt definierbar, ihre Interpretation variiert von Mensch zu Mensch. Zum einen sind unscharfe Aussagen im Alltag oft ausreichend. Zum anderen reduzieren sie den kognitiven Aufwand zur Speicherung und Verarbeitung der Informationen erheblich und sind ein Indiz dafür, dass die menschliche Kognition nicht auf nur zwei Wahrheitswerten basiert. Fuzzy-Systeme sind ein Ansatz, diese unpräzisen menschlichen Ausdrücke und Regeln zu modellieren.

Oliver Kramer

6. Reinforcement Learning

Die Steuerung des Verhaltens künstlicher Systeme ist eine wichtige Aufgabe in vielen Problembereichen, von der Robotersteuerung bis zu Computerspielagenten. Lernen durch Belohnung, bekannter als Reinforcement Learning, ermöglicht einem künstlichen Agenten, auf Basis von Belohnung und Bestrafung, sein Verhalten an die Umgebung anzupassen. Reinforcement Learning gehört zur Klasse der naturinspirierten Verfahren. Bei Lebewesen ist das Prinzip von Belohnung bei positivem und Bestrafung bei negativem Verhalten von fundamentaler Bedeutung. Dieses als Lernen mit Lehrer bekannte Prinzip wird heutzutage für Steuerungs- und Regelungsaufgaben erfolgreich durch zahlreiche Reinforcement Learning-Varianten algorithmisch umgesetzt.

Oliver Kramer

7. Neuronale Netze

Das menschliche Gehirn gehört zu den vermutlich aufwändigsten natürlichen Strukturen des Universums. Es ist in der Lage, komplexe kognitive Fähigkeiten zu vollbringen, die die Leistungen moderner Rechner in Bezug auf viele Aspekte weit übertreffen. Wahrnehmung und Erkennen, Lernen und Speichern von Informationen, Anpassung an die Umwelt, Steuerung von Verhalten sowie Kreativität sind Leistungen des menschlichen Nervensystems, die Maschinen bisher erst in Ansätzen in der Lage sind nachzuahmen. Die Arbeitsweise des Gehirns basiert im Gegensatz zur klassischen Von-Neumann-Architektur auf massiver Parallelität einer großen Anzahl von Berechnungseinheiten, den Neuronen. Diese biologischen Prinzipien der Informationverarbeitung auf Algorithmen zu übertragen, ist die Aufgabe der Neuroinformatik. Wir werden in diesem Kapitel die Grundlagen künstlicher neuronaler Netze kennen lernen.

Oliver Kramer

Backmatter

Titel: Computational Intelligence
verfasst von: Oliver Kramer
Verlag: Springer Berlin Heidelberg
Electronic ISBN: 978-3-540-79739-5
Print ISBN: 978-3-540-79738-8
DOI: https://doi.org/10.1007/978-3-540-79739-5