Zusammenfassung
Evolutionäre Algorithmen sind robuste, breit anwendbare Such- und Optimierungsverfahren, die grundlegende Prinzipien der Evolution nachahmen. Wir untersuchen Kombinationsmöglichkeiten von Evolutionären Algorithmen mit der Simulationsmethode zur Bearbeitung komplexer betriebswirtschaftlicher Problemstellungen. Sechs Varianten im Bereich von Entscheidungs- und Erklärungsmodellen werden vorgestellt und ihre praktische Bedeutung durch Anwendungsbeispiele und -anregungen unterstrichen.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Ablay, P. 1990. „Konstruktion kontrollierter Evolutionsstrategien zur Lösung schwieriger Optimierungsprobleme der Wirtschaft.“ In: Evolution und Evolutionsstrategien in Biologie, Technik und Gesellschaft, 2. Aufl., J. Albertz (Hrsg.), Freie Akademie, Wiesbaden, 73–106.
Arthur, W.B. 1989. „The Economy and Complexity.“ In: Lectures in the Sciences of Complexity, SFI Studies in the Sciences of Complexity, E. Stein (Hrsg.), Addison-Wesley, Redwood City, 713–740.
Arthur, W.B. 1992. „On Learning and Adaptation in the Economy.“ Research Report 92-07-038. Santa Fe Institute (SFI), Santa Fe.
Biethahn, J. 1978. Optimierung und Simulation. Gabler, Wiesbaden.
Bruderer, E. 1992a. „How Organizational Learning Guides Environmental Selection.“ Working Paper (31. Mai). University of Michigan, School of Business Administration, Ann Arbor.
Bruderer, E. 1992b. „Strategic Learning.“ Working Paper (30. Juni). University of Michigan, School of Business Administration, Ann Arbor.
Fogel, D. 1992. „Evolving Artificial Intelligence.“ Dissertation, University of California (UCSD), San Diego.
Fogel, L.J.; A.J. Owens; M.J. Walsh. 1966. Artificial Intelligence through Simulated Evolution. John Wiley & Sons, New York.
Forrest, S. 1990. „Emergent Computation: Self-Organizing, Collective, and Cooperative Phenomena in Natural and Artificial Computing Networks.“ Physica D 42: 1–11.
Goldberg, D.E. 1989. Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley, Reading/Mass.
Holland, J.K.; K.J. Holyoak; R.E. Nisbett; P.R. Thagard. 1986. Induction: Process of Inference, Learning, and Discovery. MIT Press, Cambridge/Mass.
Holland, J.H. 1992, Adaption in Natural and Artificial Systems, 2. Aufl., MIT Press, Cambridge/Mass.
Kirkpatrick, S.; C. Gelatt; M. Vechi. 1983. „Optimization by Simulated Annealing.“ Science 220: 671–680.
Kleijnen, J.P.C. 1992. „Sensitivity Analysis of Simulation Experiments: Regression Analysis and Statistical Design.“ In: Simulation and Optimization, G. Pflug and U. Dieter (Hrsg.), Springer, Berlin, 45–54.
Koza, J.R. 1992. „The Genetic Programming Paradigm: Genetically Breeding Populations of Computer Programs to Solve Problems.“ In: Dynamic, Genetic, and Chaotic Programming, B. Soucek and the IRIS Group (Hrsg.), John Wiley & Sons, Chichester, 203–321.
Kursawe, F. 1991. „A Variant of Evolution Strategies for Vector Optimization.“ In: Parallel Problem Solving from Nature, 1st Workshop PPSN I, H.-P. Schwefel and R. Männer (Hrsg.) Springer, Berlin, 193–197.
Malik, F.; G. Probst. 1981. „Evolutionäres Management“. Die Unternehmung 35, Nr. 2: 121–140.
Marengo, L. 1992. „Structure, Competence and Learning in an Adaptive Model of the Firm.“ Papers on Economics & Evolution Nr. 9203. European Study Group for Evolutionary Economics.
Nissen, V. 1992. „Simulation und Evolutionäre Algorithmen.“ Arbeitsbericht. Institut für Wirt Schaftsinformatik, Abteilung I, Universität Göttingen, Göttingen.
Noche, B. 1990. Simulation in Produktion und Materialfluß. Verlag TÜV Rheinland, Köln.
Pierreval, H. 1992. „Rule-based Simulation Metamodels.“ European Journal of Operational Research 61: 6–17.
Rechenberg, I. 1973. Evolutionsstrategie. Optimierung technischer Systeme nach Prinzipien der biologischen Evolution. Frommann-Holzboog, Stuttgart.
Schaffer, J.D. 1984. „Some Experiments in Machine Learning Using Vector-Evaluated Genetic Algorithms.“ Dissertation. Vanderbilt University, Nashville.
Schwefel, H.-P. 1977. Numerische Optimierung von Computer-Modellen mittels der Evolutionsstrategie. Birkhäuser, Basel.
Sikora, R.; M. Shaw. 1993. The Evolutionary Model of Group Problem Solving: A Computional Study of Distributed Rule Learning. Working Paper, erscheint in Information Systems Research.
Starkweather, T.; S. McDaniel; K. Mathias, D. Whitley. 1991. „A Comparison of Genetic Sequencing Operators.“ In: Proceedings of the Fourth International Conference on Genetic Algorithms. Morgan Kaufmann, San Mateo, 69–76.
Voigt, H.-M. 1989. Evolution and Optimization. An Introduction to Solving Complex Problems by Replicator Networks. Akademie-Verlag, Berlin.
Whitley, D.; J. D. Schaffer, Hrsg. 1992. COGANN-92, International Workshop on Combinations of Genetic Algorithms and Neural Networks. IEEE Computer Society Press, Washington.
Witt, U. 1991. „Evolutionary Economics — an Interpretative Survey.“ Papers on Economics & Evolution Nr. 9104. European Study Group for Evolutionary Economics.
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 1994 Friedr. Vieweg & Sohn Verlagsgesellschaft mbH, Braunschweig/Wiesbaden
About this chapter
Cite this chapter
Nissen, V., Biethahn, J. (1994). Simulation und Evolutionäre Algorithmen — Kombinationsmöglichkeiten und ihre Relevanz für betriebswirtschaftliche Fragestellungen. In: Biethahn, J., Hummeltenberg, W., Schmidt, B., Witte, T. (eds) Simulation als betriebliche Entscheidungshilfe. Fortschritte in der Simulationstechnik, vol 8. Vieweg+Teubner Verlag, Wiesbaden. https://doi.org/10.1007/978-3-322-91115-5_10
Download citation
DOI: https://doi.org/10.1007/978-3-322-91115-5_10
Publisher Name: Vieweg+Teubner Verlag, Wiesbaden
Print ISBN: 978-3-528-06641-3
Online ISBN: 978-3-322-91115-5
eBook Packages: Springer Book Archive