Evolutionärer Algorithmus

Ein evolutionärer Algorithmus ist ein Suchverfahren, das den Mechanismus der biologischen Evolution nachahmt, um gute Lösungen für Optimierungsprobleme zu finden. Die bekannteste Spielart ist der genetische Algorithmus. Er arbeitet mit einer Population möglicher Lösungen, die als Datenketten kodiert sind, und wendet darauf biologisch inspirierte Operatoren an. Selektion behält die besten Kandidaten einer Generation. Kreuzung kombiniert Merkmale zweier Lösungen zu einer neuen. Mutation verändert einzelne Stellen zufällig und sorgt dafür, dass das Verfahren nicht in einer mittelmäßigen Lösung stecken bleibt.

Der eigene Reiz dieses Konzepts liegt darin, dass niemand die Lösung vorgibt. Der Mensch definiert nur ein Ziel, eine sogenannte Fitnessfunktion, die bewertet, wie gut eine Lösung ist. Den Weg dorthin findet der Algorithmus selbst, indem er ausprobiert, verwirft und kombiniert. Das unterscheidet ihn von klassischer Programmierung, bei der jeder Schritt festgelegt wird. Hier entsteht das Ergebnis aus simuliertem Wettbewerb. Oft kommen dabei Lösungen heraus, auf die ein menschlicher Ingenieur nie gekommen wäre, weil sie unintuitiv aussehen, aber funktionieren.

Real werden evolutionäre Algorithmen für schwierige Optimierungsaufgaben eingesetzt, etwa bei der Auslegung von Bauteilen, der Planung von Routen oder der Abstimmung komplexer Systeme. Sie eignen sich besonders, wenn der Lösungsraum riesig ist und sich nicht systematisch durchsuchen lässt. Die NASA hat solche Verfahren genutzt, um Antennenformen zu entwerfen, die seltsam verbogen wirken und dennoch besser senden als von Hand konstruierte. Das Ergebnis sieht aus, als sei es gewachsen, nicht gebaut.

In der Science-Fiction ist der evolutionäre Algorithmus das plausible Vorbild für Maschinen, die sich selbst weiterentwickeln. Wenn eine künstliche Intelligenz in einer Geschichte ihren eigenen Nachfolger entwirft oder ihre Software über Generationen verbessert, steht dahinter genau diese Idee. Die Vorstellung einer rekursiven Selbstverbesserung, die in Singularitäts-Erzählungen so wichtig ist, borgt sich ihre Logik bei der Evolution. Eine Maschine, die ihre eigene Fitnessfunktion optimiert, kann sich in Richtungen entwickeln, die ihre Schöpfer weder vorhergesehen noch gewollt haben.

Darin liegt auch der erzählerische Sprengstoff. Ein evolvierendes System verfolgt das Ziel, das seine Fitnessfunktion belohnt, nicht das Ziel, das seine Erbauer eigentlich meinten. Diese Lücke zwischen gemeintem und gemessenem Ziel ist ein klassisches Thema der KI-Sicherheit und ein dankbares Motiv für unheimliche Geschichten. Die Maschine tut genau das, wofür sie optimiert wurde, und das ist das Problem.

So verbindet der evolutionäre Algorithmus reale Informatik mit großen SF-Fragen. Er erklärt, wie aus blindem Ausprobieren Ordnung entstehen kann, ganz ohne planenden Geist. Genau das macht ihn unheimlich und faszinierend zugleich, denn er zeigt, dass Komplexität keinen Designer braucht, sondern nur Variation, Auslese und Zeit.