Zusammenfassung
Viele praxisrelevante Optimierungsprobleme sind dynamisch und verändern sich im Zeitverlauf. In diesen Fällen reicht es nicht aus, möglichst schnell und zuverlässig ein Optimum zu finden. Es geht vielmehr darum, trotz der Dynamik des Problems fortlaufend Lösungen hoher Qualität anbieten zu können. In der hier vorgestellten Dissertation wird gezeigt, wie evolutionäre Algorithmen erfolgreich an diese Aufgabenstellung angepasst werden können.
Summary
Many real-world optimization problems are dynamic and changing over time. In the thesis discussed here, it is shown how evolutionary algorithms can be adapted to work well in dynamic environments. Four aspects are treated: 1. How to continuously track a changing optimum over time. 2. How to trade-off solution quality and adaptation cost. 3. How to find robust solutions, whose quality is insensitive to changes in the environment. 4. How to find flexible solutions, which are not only good but can be easily adapted when necessary.
© 2003 Oldenbourg Wissenschaftsverlag GmbH
