Genetische Algorithmen zur Unternehmensoptimierung?
Der beste Algorithmus zur Optimierung des Verhaltens in einer verändernden Umwelt existiert seit Milliarden Jahren – Die Gene der Lebewesen! Sie haben Lebewesen bei Eis, Hitze und sämtlichen globalen Katastrophen überleben lassen.
Die Genabfolgen stellen dabei nichts anderes als ein Programm dar, wie ein Lebewesen aufzubauen ist. Die Fortpflanzung stellt dann alles zur Verfügung, was für eine Optimierung und Anpassung benötigt wird.
Wie können wir diesen Algorithmus für Optimierungen von IT-Systemen verwenden?
Genetische Algorithmen – wie sind die Mechanismen der Natur für IT-unterstützte Optimierungen nutzbar?
Die Natur setzt zur Optimierung folgendes Vorgehen ein:
- Aufbau einer Population mit unterschiedlichen Genen
- Survival of the fittest – Je fitter in der Umwelt desto erfolgreicher in der Fortpflanzung
- Crossover: Vermischung der Elterngene durch Austausch von Genteilen. Dies passiert immer bei der Verbindung von Ei und Samenzelle.
- Mutation: Zufällige Veränderung von Genteilen. In der Natur passiert das etwa durch Strahlung oder auch durch unvollständige Reparaturen des Genmaterials.
- Entstehung der neuen Kindergeneration mit den neuen, veränderten Genen
Genetische Algorithmen imitieren dieses Vorgehen.
Stellen Sie sich vor, es gibt
- ein Programm, dass eine Unternehmensumwelt oder ein Unternehmensziel abbilden kann
- und eine Programmumgebung, welche das Verhalten in der Unternehmensumwelt abbilden kann.
Damit stellen wir jetzt eine Unternehmensoptimierung dar.
- Aufbau einer Population: Wir lassen zufällig Programme entstehen (in Folge „Individuen“ genannt), die alle ein Verhalten in der Unternehmensumwelt darstellen.
- Survival of the fittest: Die Programme sind alle gültig und werden besser oder schlechter das zu optimierende Ziel im Unternehmen erreichen. Um dies zu messen werden die Programme ausgeführt und dann in der Unternehmensumwelt getestet.
Je erfolgreicher das Programm, desto höher der „Fitnesswert“ des Programms.
Je höher der Fitnesswert, desto höher die Wahrscheinlichkeit, dass sich ein Individuum „fortpflanzt“, also das Programm für die Kindergeneration verwendet wird.
Beispiel: Fitnesswertbereich ist zwischen 0 und 100. Die Wahrscheinlichkeit, dass ein Individuum mit Fitnesswert 50 als Elternteil verwendet wird, ist dann 50-mal höher als ein Individuum, welches nur einen Fitnesswert von 1 hat.
Es werden nun so 1000 Eltern ausgesucht.
- Crossover: Es werden je 2 Elternindividuen ausgewählt. Aus beiden wird nun jeweils ein Programmteil ausgeschnitten und durch den jeweils anderen ersetzt. Dadurch entstehen 2 neue Programme, die „Kinder“.
- Mutation: Mit einer gewissen Wahrscheinlichkeit werden nun bei den Kindern einzelne Programmteile zufällig geändert.
- Eine neue Kindergeneration ist entstanden und der Prozess beginnt bei Schritt 2 von neuem.
Herausfordernd bei diesem Vorgehen ist dabei:
- Ein gutes Modell für die Darstellung der Unternehmensumwelt finden.
- Die richtige Fitnessfunktion finden und das Ziel richtig definieren können.
- Programm-Individuen müssen valid sein. Ein zufällig gebautes Programm muss trotzdem funktionieren.
- Die richtigen Parameter finden: Wie stark setzt sich ein Individuum mit hoher Fitness gegenüber einem Individuum mit niedriger Fitness durch? Wie hoch ist die Mutationsrate? Wie hoch ist die Population? Nach wie vielen Generationen wird das Vorgehen beendet?
Trotz der Herausforderungen ist der Vorteil immens. In der stets verändernden Unternehmensumwelt wird durch die Natural-AI ein Set von optimierten Lösungen gefunden. Auch solche, an die man niemals gedacht hätte, so vielfältig wie die Natur.
TD Trusted Decisions bleibt hier führend dran.
Interessiert an der Natural AI-Optimierung Ihrer Herausforderungen? Kontaktieren Sie uns gern unter office@trusteddecisions.com
