Einfluss von RNGs auf die Effizienz von evolutionären Algorithmen

Abstract

Diese Arbeit untersucht die Auswirkungen unterschiedlicher Pseudozufallszahlengeneratoren (PRNGs) auf die Effizienz evolutionärer Algorithmen. Das Experiment verwendet ein praktisches Optimierungsproblem, bei dem der Differential Evolution Algorithmus eingesetzt wird, um eine sinusförmige Funktion an Daten eines Handgelenksensors anzupassen. Ziel ist die Vorhersage der Kompressionstiefe und Kompressions-frequenz einer Herz-Lungen-Wiederbelebung. Die Studie analysiert, ob signifikante Unterschiede in der Genauigkeit der Vorhersagen auftreten, abhängig von der Wahl des PRNGs. Diese Analyse wird anhand von sechs verschiedenen Subjekten (Datensätzen) durchgeführt. Die Ergebnisse zeigen, dass der Differential Evolution Algorithmus in diesem Anwendungsfall robust gegenüber der Wahl des PRNGs ist.

This study investigates the impact of different Pseudo-Random Number Generators (PRNGs) on the efficiency of evolutionary algorithms. The experiment utilizes a practical optimization problem, employing the Differential Evolution Algorithm to fit a sinusoidal function to data from a wrist sensor. The objective is to predict the compression depth and compression frequency of cardiopulmonary resuscitation. The study analyzes whether significant differences in prediction accuracy arise based on the choice of PRNG. This analysis is conducted across six different subjects (datasets). The results demonstrate that, in this particular application, the Differential Evolution Algorithm proves to be robust regardless of the chosen PRNG.