Testfragen zu GA

1. Wie kann man das Wechselspiel zwischen Körper, genetischer Information und Umwelt im Rahmen der biologischen Evolution beschreiben?
2. Wie ist es möglich, dass Gene Informationen enthalten, die für das Überleben in einer Umwelt hilfreich sein können?
3. In einem genetischen Algorithmus (GA) werden die genetischen Informationen of als binäre Zeichenketten realisiert. Stellt dies eine Einschränkung dar? Welche Alternativen gibt es? Was ist die 'beste' Lösung?
4. Was sind die wesentlichen Elemente eines genetischen Algorithmus (GAs)?
5. Welche Eigenschaften der biologischen Evolution werden durch einen GA gut repräsentiert?
6. Gibt es wichtige Eigenschaften der biologischen Evolution, die durch einen GA nicht gut oder garnicht repräsentiert werden?
7. Zeigen Sie an mindestens einem Beispiel die Arbeitsweise eines GA.
8. Welche Rolle spielt die Fitness-Funktion in einem GA?
9. Woher weiss man, welche Werte 'gute' bzw. 'schlechte' Werte für eine Fitness-Funktion sind?
10. Was versteht man unter 'Selektion' im Rahmen eines GA?
11. In welchem Sinne 'verändert' Selektion eine Population?
12. Was versteht man unter 'Crossover' im Rahmen eines GA?
13. In welchem Sinne 'verändert' Crossover eine Population?
14. Was versteht man unter 'Mutation' im Rahmen eines GA?
15. In welchem Sinne 'verändert' Mutation eine Population?
16. Was wäre, wenn man nur Mutation und nicht Crossover benutzen würde?
17. Im Skript wird das Konzept einer Genetischen-Algorithmus-Struktur (GAS) eingeführt. Warum? Genügt es nicht einfach, nur über GAs zu sprechen? Was ist der Unterschied zwischen GA und GAS?
18. Beschreiben sie die einzelnen Komponenten einer GAS, was sie genau bezwecken.
19. Geben Sie ein Beispiel für die Anwendung einer GAS an, das nicht im Skript vorkommt.
20. Benutzen sie das scilab-Programmbeispiel GA_v7.sce (oder eine spätere Version) und erklären Sie, warum man damit einen GA simulieren kann.
21. Was ist für das 'Überleben' in einer Umwelt wichtiger: das einzelne Individuum einer Population oder die Population als Ganzer?
22. Inwiefern kann man sagen, dass eine bestimmte Umgebung für eine Population bzw. für ein Individuum ein 'Ziel' darstellt?
23. Können 'Kommunikation' und 'Kooperation' eine Rolle spielen für das Überleben einer Population (quasi als Ergänzun zur genetischen Information)?
24. Warum kann man sagen, dass das Beispiel eines GAs ein Beispiel für eine GAS ist?
25. Wenn man GA oder GAS benutzen will, um ein Problem zu lösen, dann muß man erklären können, warum ein GA oder eine GAS 'besser' ist als ein anderes Verfahren. Als Referenzpunkt für ein 'nicht-informiertes Verfahren' wird meistens ein 'zufälliger Prozess' genommen. Warum einen 'zufälligen Prozeß'?
26. Welche Elemente in einem evolutionären Prozeß muss man 'auslassen', damit man von einem zufälligen Prozeß sprechen kann?
27. In welcher Form können mögliche 'Zielzustände' in einem evolutionären Prozeß dargestellt werden?
28. Wie könnte man die 'Geschwindigkeit' messen, mit der ein evolutionärer Prozeß ein 'Ziel' 'findet'?
29. Warum kann die Benutzung von Elementen wie Selektion, Crossover und Mutation den Prozeß einer Zielfindung 'beschleunigen'?
30. Um 'wieivielmal schneller' ist ein GA verglichen mit einem reinen Zufallsprozeß?
31. Wie kann in einer GAS ein GA 'in den Besitz' von 'Information über mögliche Ziele' gelangen, wodurch er 'schneller' wird als ein rein zufälliger Prozeß?
32. Kann man zwischen der letzten Frage und unserem Lebensalltag eine Beziehung herstellen?
33. Wenn man eine Abfolge von Populationen in einem evolutionären Prozessbetrachtet, dann kann man den Gesamtfitnesswert jeder Population mit dr vorausgehenden vergleichen. Es stellt sich die Frage, unter welchen Bedingungen hier eine 'Konvergenz'eintreten kann, und falls ja, betrifft dies nur einen Teil der möglichen Ziele oder alle Ziele?
34. Wenn einfache Funktionen in Form von Tabellen gelernt werden wollen, wie muss dann die Fitnessfunktion aussehen, damit die gesamte Tabelle gelernt wird und nicht nur ein Teil oder gar nur ein einzelnes Element?
35. Wenn die Zielmenge G beschreibbar ist, dann kann man die Wahrscheinlichkeit p(G) berechnen, mit der man die Zielmenge zufällig erzeugen kann. Entsprechend kann man eine Abschätzung ableiten, wieviele Runden man benötigt, um die Zielmenge zu lernen.