Modellierung komplexer Prozesse durch naturanaloge Verfahren

Das Thema dieses Buches ist ein Bereich von verschiedenen und auf einen ersten Blick recht heterogenen Techniken der Modellierung komplexer Probleme – der Bereich der so genannten naturanalogen Verfahren, die wir hier etwas genauer als Verfahren der Künstlichen Intelligenz (KI) und des Künstlichen Lebens (KL) benennen. Die einzelnen Techniken, die in den verschiedenen Kapiteln dargestellt und an Anwendungsbeispielen verdeutlicht werden, sind prinzipiell durchaus bekannt und für jede einzelne Technik gibt es natürlich auch spezielle Lehrbücher. Zellularautomaten z. B. wurden bereits in den fünfziger Jahren von John von Neumann und Stanislaw Ulam entwickelt; evolutionäre Algorithmen, um ein anderes Beispiel zu nennen, sind seit Beginn der siebziger Jahre bekannt und haben ihre vielfältige Verwendbarkeit in sehr unterschiedlichen wissenschaftlichen und praktischen Gebieten immer wieder demonstriert. Erst in neuerer Zeit allerdings begann man, die verschiedenen Einzeltechniken als ein zusammenhängendes Gebiet zu begreifen, dessen Anwendungsmöglichkeiten in Wissenschaft und Praxis noch längst nicht ausgeschöpft sind und z. T. immer noch am Anfang stehen. Dies war dann auch der Grund für uns, dieses Lehrbuch zu schreiben.

Wir haben bereits im Vorwort zu dieser Auflage darauf hingewiesen, dass und warum wir den Begriff des „Soft Computing“ nicht mehr als allgemeinen Oberbegriff für die in diesem Buch dargestellten Techniken verwenden. Stattdessen bezeichnen wir die hier demonstrierten methodischen Verfahren mit den Begriffen der „Künstlichen Intelligenz“ (KI) und des „Künstlichen Lebens“ (KL). Gemeint sind damit, wie bemerkt, Methoden, die sich heuristisch an menschlichen Denkprozessen und biologischen Phänomenen orientieren und damit der zusammenfassenden Bezeichnung „naturanaloge Verfahren“ inhaltlich wesentlich näher kommen als es mit dem in mehrfacher Hinsicht missdeutbaren Begriff des Soft Computing möglich ist. Außerdem sind mit den Konzepten – und Träumen – der Realisierung künstlicher Lebewesen und insbesondere künstlicher Intelligenz traditionsreiche Vorstellungen verbunden, die viel älter sind als Computermodellierungen.

Es wurde bereits darauf hingewiesen, dass Zellularautomaten und Boolesche Netze sich besonders gut für die Simulation einfacher selbstorganisierender Prozesse eignen, d. h. Prozesse, bei denen keine Veränderung der Interaktionsregeln stattfindet. Nur in diesem Sinne sind derartige Prozesse natürlich „einfach“. Reale Systeme, wie insbesondere soziale und kognitive, sind jedoch häufig auch in der Lage, sich an Umweltbedingungen anzupassen und ggf. ihre Regeln zu verändern. Es ist sicher kein Zufall, dass diese Eigenschaften verschiedener realer Systeme in zunehmendem Maße auch in der Robotik und den Entwicklungen von Internetagenten immer bedeutsamer werden. Die Vorteile, hier mit adaptiven Einheiten arbeiten zu können, liegen auf der Hand. Derartige adaptive Fähigkeiten lassen sich für zahlreiche Probleme besonders gut mit evolutionären Algorithmen modellieren bzw. realisieren, wie in diesem Kapitel gezeigt wird.

Neuronale Netze gehören, wie bereits in der Einleitung erwähnt, zu den wichtigsten Algorithmen in den Bereichen der KI-Forschung und des Maschinellen Lernens (Machine Learning – ML). Gerade hier hat in den letzten zehn Jahren eine ungemein dynamische Entwicklung stattgefunden. Auf die verschiedenen Erweiterungen der Grundlogik neuronaler Netze, die z. T. kaum noch übersehbar sind, können wir in dieser Einführung nur durch einzelne Beispiele verweisen. Wie bei den anderen Kapiteln geht es auch hier vor allem darum, die allgemeine Logik dieser speziellen (und sehr vielfältigen) Algorithmen so darzustellen, dass eine eigene Beschäftigung auch mit neuesten Entwicklungen möglich und sinnvoll wird.

Bei Fuzzy-Methoden geht es darum, Probleme formal darzustellen und zu lösen, die „unscharf“, also eher vage und nicht genau bestimmt sind. Eine Aussage wie „x ist eher größer als seine Altersgenossen“ ist eine unpräzise Aussage, die sich herkömmlichen Methoden der Formalisierung entzieht. Mit Fuzzy-Methoden lassen sich derartige Probleme gut behandeln; man darf nur nie vergessen, dass es Erweiterungen logisch-mathematischer Verfahren sind, mit denen man im Prinzip so umgehen kann wie mit den bekannten Verfahren aus Logik und Mengenlehre.

Die allgemeinen Darstellungen sowie die Beispiele für die Basismodelle vor allem der Kap. 3, 4 und 5 haben bereits gezeigt, wie leistungsfähig die Verwendung eines der KL- bzw. KI- Modelle sein kann. Diese Leistungsfähigkeit kann noch erheblich gesteigert werden, wenn man zwei oder mehr der Basismodelle koppelt, also so genannte hybride Systeme konstruiert. In Anwendung des allgemeinen Modellierungsschemas, das wir im ersten Kapitel dargestellt haben, sind damit praktisch der Anwendbarkeit von KL- und KI-Modellen keine Grenzen gesetzt. Obwohl derartige hybride Systeme auf einen ersten Blick zuweilen etwas kompliziert erscheinen und in der Implementation auch häufig sind, basieren sie letztlich auf einer Kombination von Techniken, die jede für sich genommen prinzipiell einfach sind. Vor allem jedoch muss berücksichtigt werden, dass insbesondere die Modellierung sozialer und kognitiver Prozesse in Problembereiche geht, von denen der Biologe Richard Lewontin bemerkte, dass diese Probleme die der Molekularbiologie „trivial“ erscheinen lassen (Lewontin, 2000). Darüber hinaus erlauben hybride Systeme die im zweiten Kapitel erläuterte Erweiterung des allgemeinen Modellierungsschemas; es werden demnach nicht nur die Elemente und die Regeln der Wechselwirkungen auf der Basisebene, sondern auch die Elemente sowie (Meta)Regeln der zweiten und ggf. der dritten Systemebene bestimmt. Die Systeme werden dadurch wesentlich komplexer, wie an einzelnen Beispielen gezeigt wird.

Die Modelle, die in den verschiedenen Kapiteln dargestellt wurden, sollten vor allem die reichhaltigen Verwendungsmöglichkeiten von KL- und KI-Modellierungen zeigen, wie von uns immer wieder betont wurde. Natürlich müssen für jedes besondere Problem entsprechend spezielle Algorithmen entwickelt werden – Regeln für ZA, Bewertungsfunktionen für evolutionäre Algorithmen, Architekturen neuronaler Netze etc.