GECCO Papers

Im Rahmen der Genetic and Evolutionary Computation Conference 2026 in San Jose wurden mehrere Forschungsarbeiten präsentiert, die sich mit aktuellen Herausforderungen und innovativen Lösungsansätzen im Bereich der evolutionären Optimierung und robusten Planung unter Unsicherheit befassen.

Titel: “Evolving Robust Schedules: Advantages of Genetic Algorithms for FJSSP‑W under Uncertainties”

Autoren: David Hutter, Thomas Steinberger, Michael Hellwig

Inhalt: Wenn Fabriken mit unsicheren Bedingungen arbeiten – zum Beispiel, wenn Menschen unterschiedlich schnell arbeiten oder kurzfristig ausfallen – brauchen sie besonders robuste Planungsmethoden. Das Paper vergleicht zwei Ansätze: klassische mathematische Verfahren und sogenannte genetische Algorithmen. Während die klassischen Methoden bei stabilen Bedingungen sehr gute Pläne liefern, verlieren sie stark an Qualität, sobald Unsicherheit ins Spiel kommt. Genetische Algorithmen können diese Unsicherheiten direkt berücksichtigen und liefern dadurch deutlich robustere Ergebnisse. Die Studie zeigt: Für realistische, „unruhige“ Fabrikumgebungen sind genetische Algorithmen klar im Vorteil.

Titel: “On the Use of the "Mutate Large, But Inherit Small Principle" in Global and Noisy Optimization”

Autoren: Lisa Schönenberger, Hans-Georg Beyer

Inhalt: Die Optimierung in kontinuierlichen, hochmultimodalen Landschaften stellt eine der größten Herausforderungen moderner numerischer Methoden dar. Ein anschauliches Beispiel findet sich in der Robotik: Bei der Steuerung eines robotischen Arms mit vielen Gelenken muss eine optimale Trajektorie gefunden werden, die sowohl energieeffizient als auch kollisionsfrei ist. Die zugrunde liegende Zielfunktion besitzt jedoch unzählige mögliche Konfigurationen, von denen viele nur scheinbar optimal sind. Mit zunehmender Dimensionalität wächst daher nicht nur die Anzahl potenzieller Extrema, sondern auch die Schwierigkeit, globale Strukturen der Zielfunktion zu erfassen. Klassische Gradientenverfahren geraten hier schnell an ihre Grenzen, da sie typischerweise in nahegelegenen lokalen Minima stecken bleiben und keinen Überblick über die gesamte Landschaft besitzen.

Evolutionsstrategien haben sich bereits in der Praxis bewährt solche Hochdimensionalen Probleme zu lösen. Doch auch hier hängt eine erfolgreiche Lokalisierung des Optimums stark von mehreren Parametereinstellungen ab. Dazu gehört unter anderem auch das Verhältnis zwischen Schrittweite und Mutationsstärke. Dieser Einfluss ist in der Praxis bereits bekannt und das optimale Verhältnis wurde an Experimenten untersucht. Dieses Paper bietet einen ersten mathematischen Ansatz wie das optimale Verhältnis zwischen Schrittweite und Mutationsstärke bestimmt werden. Die daraus resultierenden Resultate können langfristig zur Entwicklung besserer und stabilerer Algorithmen beitragen.