Genetische Programmierung einer algorithmischen Chemie

Abstract

Der genetischen Programmierung (GP) liegt zumeist die Annahme zugrunde, dass die Individuen eine evolvierte, wohldefinierte Struktur haben und ihre Ausführung deterministisch erfolgt. Diese Annahme hat ihren Ursprung nicht beim methodischen Vorbild, der natürlichen Evolution, sondern ist ein bewusstes oder unbewusstes Erbe der Umgebung, in der die Evolution nachgebildet wird - der von-Neumann-Architektur.
John von Neumann hat mit der nach ihm benannten von-Neumann-Architektur weit mehr in der Informatik beeinflusst als das Gebiet der Rechnerarchitekturen. Daher ist sein Einfluss auf die Evolution von Algorithmen mittels genetischer Programmierung nicht verwunderlich, auch wenn die von-Neumann-Architektur wenig gemein mit den in der Natur evolvierten Systemen hat. In den letzten Jahren entstanden eine ganze Reihe von Konzepten und theoretischen Modellen, die nur noch wenig Anleihen bei von Neumanns Rechnerarchitektur machen und die in ihren Eigenschaften stärker natürlichen Systemen ähneln. Die Fähigkeit dieser Systeme, Berechnungen durchzuführen, entsteht erst durch die Interaktion ihrer parallel agierenden, nichtdeterministischen und dezentral organisierten Komponenten. Die Fähigkeit emergiert.
Über die Evolution von Algorithmen für solche Systeme jenseits der von-Neumann-Architektur weiß man noch vergleichsweise wenig. Die vorliegende Arbeit nimmt sich dieser Fragestellung an und bedient sich hierbei der algorithmischen Chemie, einer künstlichen Chemie, die bei vereinfachter Betrachtungsweise aus einem veränderten Programmzeigerverhalten in der von-Neumann-Architektur resultiert. Reaktionen, eine Variante einfacher Instruktionen, werden hierbei in zufälliger Reihenfolge gezogen und ausgeführt. Sie interagieren miteinander, indem sie Produkte anderer Reaktionen verwenden und das Ergebnis ihrer Transformation, gespeichert in sogenannten Molekülen, anderen Reaktionen zur Verfügung stellen.
Zur experimentellen Auswertung dieses nichtdeterministischen Systems wird die sequenzielle Parameteroptimierung um ein Verfahren zur Verteilung eines Experimentbudgets erweitert. Das systematische Design der Experimente und ihre anschließende Analyse ermöglichen es, generalisierte Erkenntnisse über das Systemverhalten jenseits konkreter Parametrisierungen zu gewinnen. Im Fall der genetischen Programmierung einer algorithmischen Chemie führen die gewonnenen Erkenntnisse zu einer Neuentwicklung des Rekombinationsoperators nach dem Vorbild homologer Rekombinationsoperationen und damit zu einer weiteren Verbesserung der Systemperformance.
Es zeigt sich, dass die für ein zielgerichtetes Verhalten einer algorithmischen Chemie notwendigen Reaktionsschemata mittels genetischer Programmierung erlernt werden können. Für gängige Problemstellungen aus dem Bereich der genetischen Programmierung werden Lösungen gefunden, die in ihrer Güte mit denen anderer GP-Varianten und maschineller Lernverfahren vergleichbar sind. Die evolvierten Lösungen fallen dabei deutlich kompakter bezüglich der Datenflusshöhe und der Anzahl benötigter Operationen aus, als in dem zum Vergleich herangezogenen linearen GP-System.