DE 
EnglishStandard
Українська
Polski🧬 Genetische Evolution — Natürliche Selektion
Simuliere darwinsche Evolution in Echtzeit. Kreaturen mit gleitkommacodierten Genomen konkurrieren um Nahrung, pflanzen sich mit Mutation fort und unterliegen der natürlichen Selektion. Beobachte, wie sich Fitnessverteilungen über Generationen entwickeln — mit Turnierselektion, adaptiver Mutation und Live-Fitnesshistogramm.
Über diese Simulation
Diese Simulation lässt eine Population digitaler Kreaturen Selektion, Crossover und Mutation durchlaufen und zeigt, wie die Fitness Generation für Generation die Landschaft erklimmt. Kreaturen mit gleitkommacodierten Genomen konkurrieren um Nahrung, pflanzen sich mit Mutation fort und werden durch natürliche Selektion geprägt.
🔬 Was sie zeigt
Turnierselektion, Crossover und Mutation auf einer Population digitaler Kreaturen zeigen, wie sich Fitnessverteilungen über Generationen hinweg entwickeln.
🎮 Bedienung
Ziehe die Regler für Populationsgröße, Mutationsrate, Turniergröße, Nahrung pro Tick und Kreaturengeschwindigkeit, oder drücke Zurücksetzen, um die Evolution neu zu starten.
💡 Wussten Sie schon?
Genetische Algorithmen unterscheiden sich grundlegend vom Gradientenabstieg: Sie benötigen keine differenzierbare Fitnessfunktion und können mit diskreten, unstetigen oder verrauschten Landschaften mit vielen lokalen Optima umgehen, weil sie den Suchraum über eine ganze Population gleichzeitig erkunden.
Häufig gestellte Fragen
Wie unterscheidet sich ein genetischer Algorithmus vom Gradientenabstieg?
Der Gradientenabstieg erfordert eine differenzierbare Fitness- (Verlust-)Funktion und navigiert zu lokalen Optima, indem er der Gradientenrichtung folgt. Er tut sich schwer mit unstetigen Funktionen, Funktionen mit vielen lokalen Minima und Problemen, deren Lösungen sich nicht natürlich als kontinuierliche Vektoren darstellen lassen. Genetische Algorithmen machen keine Annahmen über die Fitnesslandschaft: Sie können diskrete Darstellungen, unstetige und verrauschte Funktionen sowie multimodale Landschaften mit vielen lokalen Optima verarbeiten. GAs erkunden über ihre Population gleichzeitig viele Bereiche des Suchraums und tauschen dabei die Effizienz des Gradientenabstiegs gegen größere Robustheit bei komplexen Landschaften ein.
Was ist das Schema-Theorem und warum ist es wichtig?
Hollands Schema-Theorem liefert eine theoretische Erklärung dafür, warum GAs funktionieren. Ein Schema ist ein Muster, das zu einer Teilmenge von Chromosomen passt (z. B. passt 1**0* zu allen 5-Bit-Strings, die mit 1 beginnen und an Position 4 eine 0 haben). Das Theorem besagt, dass Schemata mit überdurchschnittlicher Fitness, kurzer definierender Länge (nahe beieinanderliegende Bits) und niedriger Ordnung (wenige feste Bits) über Generationen exponentiell zunehmende Repräsentation erhalten. Diese Bausteinhypothese legt nahe, dass GAs implizit nach kurzen, niedrigrangigen, hochfitten Mustern suchen und diese kombinieren — den Bausteinen guter Lösungen —, obwohl keine explizite Suche nach Bausteinen kodiert ist.
Was ist der Explorations-Exploitations-Kompromiss bei genetischen Algorithmen?
Exploration bedeutet, neue, unbesuchte Bereiche des Lösungsraums zu durchsuchen (Vielfalt erhalten); Exploitation bedeutet, die bisher gefundenen besten Lösungen zu verfeinern (Konvergenz). Hohe Mutationsrate und geringer Selektionsdruck erhöhen die Exploration; niedrige Mutation und hoher Selektionsdruck erhöhen die Exploitation. Zu viel Exploitation führt zu vorzeitiger Konvergenz — die Population konvergiert zu einem lokalen Optimum, bevor das globale gefunden wird. Zu viel Exploration verhindert die Konvergenz zu einer guten Lösung überhaupt. Adaptive GAs passen die Mutationsrate anhand von Diversitätsmetriken an, und Nischentechniken (Fitness-Sharing, Crowding) halten mehrere unterschiedliche Subpopulationen aufrecht, die gleichzeitig verschiedene Fitness-Gipfel erkunden.