Getestete Konfigurationen

Der Lauf eines pyramidalen GA musste sowohl die Überlegenheit von pyramidalen Genetischen Algorithmen gegenüber einfachen GAen zeigen, als auch in vertretbarer Zeit zu berechnen sein.

Aus diesem Grund wurde, nach einigen Tests und einer Abschätzung des Laufzeitverhaltens, eine 4-stufige Pyramide gewählt. Jeweils 5 Populationen (à 20 Individuen) der ersten Ebene reichen nach Beendigung ihrer Läufe die beiden besten Individuen an eine Population der zweiten Ebene. Je 5 dieser Populationen mit jeweils 40 Individuen reichen ihre beiden besten Lösungen an eine Population der dritten Ebene. In der dritten Ebene arbeiten dann nur noch 10 Populationen mit 80 Individuen, welche ihre besten Individuen am Ende ihrer Läufe an die Population der 4 Ebene mit 160 Individuen weiterreichen. Die beste Lösung dieser Population stellt das Ergebnis der Pyramide dar.

Da für den Untersuchungszeitraum auf der Parsytec keine Rechenzeit zur Verfügung stand, wurden die Läufe auf einem^11.1Pentium 100 durchgeführt. Zusätzlich wurden auf einem PentiumPro 200 einige weitere Läufe mit dreimal größeren Populationen berechnet.

Die Parameter der einzelnen Populationen basierten auf einer Vorauswertung der Ergebnisse aus Kapitel 5, welche sich im Nachhinein als erstaunlich zutreffend erwiesen. Tabelle 6.1 gibt eine Übersicht über die in jeder Population benutzten Parameter.

Tabelle: Getestete Konfigurationsparameter für pyramidale Genetische Algorithmen.

Parameter	Option
Algorithmus	Steady State
Populationsgröße	20, 40, 80 oder 160 (je nach Ebene) bzw. 60, 120, 240 oder 480 (je nach Ebene)
Ersetzungsgröße	0,5
Mutationsrate	0,01
Crossover	N-Point mit 5 Kreuzungspunkten
Anzahl Eltern	3
Selektionsschema	Uniform (somit keine Skalierung und kein Minimierungsfenster notwendig)
Haltekriterium	Haltefenster mit 40, 400, 800 oder 1600 Generationen (je nach Ebene)
Double prevention	Reinitialisierung
Adaptive Mutation	Aus

Die Parameterwahl für Algorithmus, Mutationsrate, Anzahl der Eltern, Selektionsschema und adaptive Mutation ist somit - wie in Kapitel 5 gezeigt - optimal für kleine Populationen. Die Parameter für Ersetzungsgröße und Crossover sind nicht ganz optimal, doch immer noch als gut zu bezeichnen. Die Wahl der Double prevention hat keine negativen Einflüsse auf das Ergebnis, allerhöchstens in der Zahl der benötigten Evaluationen.