Studienarbeit aus dem Jahr 2008 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 2, FernUniversität Hagen, Veranstaltung: Seminar Entscheidungsunterstützende Systeme, Sprache: Deutsch, Abstract: Die Lösung NP-harter kombinatorischer Optimierungsprobleme - nicht nur im betriebswirtschaftlichen Bereich - ist mit einer gravierenden Schwierigkeit, nämlich dem mehr als polynomiell, das heißt zum Beispiel exponentiell ansteigenden Bearbeitungsaufwand verbunden. Dies rührt daher, dass die Zahl der benötigten Rechenoperationen für eine exakte algorithmische Lösung stärker als polynomiell mit der Komplexität der Problemstellung anwächst, so dass schon mittlere Probleme eine Rechenzeit benötigen, die auch bei Verwendung aller Supercomputer der Welt nicht bis zum Ende der Lebensdauer des Sonnensystems abgearbeitet wäre. Ungeachtet dessen treten solche Probleme überaus häufig in der Praxis auf. Zu finden sind diese vor allem bei vielen Planungsaufgaben und es ist von großer ökonomischer Bedeutung, diese Probleme doch zu lösen, zumindest näherungsweise oder umgangssprachlich "so gut wie es geht".
Geeignete Verfahren können vor allem im Bereich von Heuristiken gesucht werden. Heuristiken stellen Algorithmen dar, die häufig, d.h. für viele praktisch wichtige Eingaben, gute, wenn auch nicht exakte, so doch annähernd optimale Lösungen hervorbringen.
Im Verlauf der beiden letzten Jahrzehnte zeigte sich ein starkes Interesse an Verfahren, die von natürlichen Vorgängen inspiriert sind. Eines der jüngsten dieser Verfahren ist die "Ant Colony Optimization" (ACO, deutsch etwa: Ameisenkolonie-Optimierung), d.h. die Optimierung in Anlehnung an reale Ameisenkolonien und deren Verhalten bei der Futtersuche. Das Verfahren stellt wie allgemein bei den genetischen Algorithmen den Versuch dar, Optimierungsprobleme durch Adaption natürlichen Verhaltens heuristisch zu lösen.
In dieser Seminararbeit wird dieses Verfahren beschri
