Modulbeschreibung

Modul:	Genetische Algorithmen Genetic Algorithms
Belegnummern:	30.2280 [PVL 30.2281; Genetic Algorithms (english) 30.2536/30.2537]
Sprache:	deutsch
Zuordnung:	Bachelor 2021 - Wahlpflichtkatalog I Bachelor dual KITS 2021 - Wahlpflichtkatalog I Bachelor dual KoSI 2021 - Wahlpflichtkatalog I Bachelor KMI 2021 - Wahlpflichtkatalog I Bachelor 2014 - Katalog I: Anwendungs- und systemorientierte Module Bachelor dual KoSI 2014 - Katalog I: Anwendungs- und systemorientierte Module Bachelor KMI 2014 - Katalog I: Anwendungs- und systemorientierte Module Bachelor 2007 - Vertiefung AE: Application Engineering Bachelor 2007 - Vertiefung TI: Technische Informatik Bachelor 2007/2004/2002/99 - Wahlpflichtfächer aus dem Informatikbereich KoSI 2007 - Vertiefung AE: Application Engineering KoSI 2007 - Vertiefung TI: Technische Informatik KoSI 2007/2004/2003/2002/99 - Wahlpflichtfächer aus dem Informatikbereich
Lehrform:	V+P = Vorlesung+Praktikum
SWS:	2+2
CP:	5
Prüfung:	Klausur
Anmeldung zur Prüfung:	explizit und unabhängig von der Belegung
PVL (z.B. Praktikum):	unbenotet (Die erfolgreiche Absolvierung der Prüfungsvorleistung besteht in der Implementation eines genetischen Algorithmus. Die genetischen Operatoren zur Mutation und Rekombination, sowie die fitness-proportionale und rangbasierte Selektion müssen dabei implementiert worden sein, und die Lauffähigkeit muss mit Hilfe von Testinstanzen nachgewiesen werden.)
Häufigkeit des Angebots:	jedes Sommersemester (zuletzt im SS 2022)
Erforderliche Vorkenntnisse:	Grundlegende Kenntnisse auf Bachelorniveau in Programmierung (C++ oder Java).
Lernziele:	Kenntnisse Die Teilnehmer verstehen die Prinzipien und die Wirkungsweise von Programmierverfahren, die sich an den Begriff der Evolution aus der Biologie anlehnen. Fertigkeiten Im begleitenden Praktikum haben die Teilnehmer die Fähigkeit erlangt, diese Kenntnisse praktisch umzusetzen, um konkrete Probleme mit Hilfe solcher Verfahren zu lösen. Kompetenzen Die Teilnehmer haben anhand von Fallbeispielen gelernt, wie sich konkrete Optimierungs-, Such- und andere Probleme mit solchen Verfahren lösen lassen, und welche Schwierigkeiten im Einzelfall dabei gelöst werden müssen.
Lehrinhalte:	Benötigte biologische Grundlagen (Evolution, Chromosom, Genotyp, Phänotyp, etc.) Der Aufbau eines genetischen Algorithmus und die grundlegenden genetischen Operatoren. Abgrenzung genetischer Algorithmen zu anderen Verfahren wie etwa Hillclimbing, Simulated annealing usw. Die Theorie hinter den genetischen Algorithmen (Schematheorem, impliziter Parallelismus, etc.) Praktische Einsatzmöglichkeiten für genetische Algorithmen und spezialisierte genetische Operatoren. Genetische Programmierung als Weiterentwicklung der genetischen Algorithmen.
Literatur:	M. Mitchell: An Introduction to Genetic Algorithms, MIT Press, 1996 Z. Michalewicz: Genetic Algorithms + Data Structures = Evolution Programs, Springer-Verlag, 3rd edition, 1999 D. E. Goldberg: Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley 1989 W. Banzhaf et al.: Genetic Programming, Morgan Kaufmann Publishers, 1998 Verschiedene Veröffentlichungen aus Fachzeitschriften.
Arbeitsformen / Hilfsmittel:	Seminaristische Vorlesung Praktikum: Teamwork in kleinen Arbeitsgruppen und Präsentation der Praktikumsergebnisse. Vorlesungsfolien
Modulverantwortung:	Alexander del Pino
Freigabe ab:	WS 2021/2022
Angebot im SS 22:	del Pino

Hochschule Darmstadt - Fb Informatik