English 
Genetische und Evolutionäre Algorithmen
Die Natur hat es geschafft, aus Abermilliarden denkbarer Eiweißmoleküle gerade diejenigen herauszufinden, die organisches Leben ermöglichen. Die Evolution hat schließlich zur Entwicklung der DNS geführt, die allem Leben auf der Erde zugrundeliegt. Die DNS eines Menschen enthält ca. 3,8 Milliarden Nukleotidbasen. Diese Entwicklung kann kein reiner Zufallsprozess gewesen sein; die Evolution kann vielmehr nur durch einen kollektiven Lernprozess erklärt werden, wobei erfolgreiche Innovationen gespeichert und erfolglose vergessen werden.
Genetische und evolutionäre Algorithmen sind Suchalgorithmen, die auf den grundlegenden Prinzipien der Evolution und Genetik beruhen. Ziel ist es, das adaptive Verhalten natürlicher Systeme nachzuempfinden und Softwaresysteme zu entwickeln, die sich ähnlich verhalten. Genetische Algorithmen und Evolutionsstrategien sind daher hervorragend geeignet, um hochkomplexe Optimierungsaufgaben zu lösen.
Genetische Algorithmen arbeiten auf einer Population von Individuen und verwenden sogenannte genetische Operatoren zur Veränderung dieser Population. In einer gegebenen Umwelt gibt es mehrere Individuen, von denen jedes eine bestimmte Überlebensfähigkeit (Fitness) besitzt. Selektiert und kreuzt man nun Individuen mit hoher Fitneß auf geeignete Art und Weise, so erhält man im Laufe der Zeit Individuen mit einer höheren Fitness sowie Populationen mit höherer Durchschnittsfitness. Zufällige Mutationen verhindern eine einseitige Ausrichtung und ermöglichen eine Vielfalt an Individuen. Auf diese Weise entwickeln sich im Laufe der Populationen Individuen mit einer hohen Fitness, die sehr guten Lösungen entsprechen.
Bei den Evolutionsalgorithmen wird auf eine genetische Kodierung der Individuen verzichtet; üblich sind Repräsentationen in allgemeinen, nichtdiskreten Datentypen, z.B. in reellen Zahlenwerten. Die Lösungen müssen sich bzgl. der herrschenden Selektionsbedingungen behaupten und dürfen dementsprechend ihre Eigenschaften vererben. Ferner stehen bei Evolutionsalgorithmen Mutationsmechanismen der Lösungen und deren Steuerung - etwa eine adaptive Schrittweitenregelung der Mutationsrate - im Vordergrund.