Das Ziel dieser Diplomarbeit ist die Entwicklung von Konfigurationen Genetischer Algorithmen, die für ein Problem aus der Molekülstrukturoptimierung optimal sind. Die optimale Konfiguration benötigt möglichst wenig Evaluierungen der Energiefunktion, um das globale Optimum reproduzierbar zu lokalisieren. Das heisst, dass bei einer mehrmaligen Wiederholung der Optimierung mit derselben Konfiguration das globale Optimum jedesmal lokalisiert wird.
Dazu werden für jede Zielfunktion systematisch Optimierungen mit verschiedenen Konfigurationen durchgeführt. Dabei wird für jeden Konfigurationsparameter eine Menge von möglichen Werten festgelegt. Die Menge aller Kombinationen der für jeden Konfigurationsparameter möglichen Werte legt die Menge der zu untersuchenden Konfigurationen fest. Mit jeder Konfiguration werden mehrere Optimierungen durchgeführt. Nach Abschluss der Optimierungen wird überprüft, wie gut jede Konfiguration das globale Optimum lokalisiert hat und welche Konfiguration dies reproduzierbar mit der geringsten Anzahl von Energieevaluierungen erreicht.
Dieser Vorgang wird für kleine Peptide durchgeführt. Bei der Evaluierung der Ergebnisse soll festgestellt werden, ob man Regeln für die optimale Wahl der Konfigurationsparameter ableiten kann.
Zusätzlich gibt es die Möglichkeit, statt einer Population mehrere Subpopulationen zu verwenden. Da nur innerhalb der Subpopulationen gekreuzt wird, können sich diese in unterschiedliche Richtungen entwickeln. Da die Subpopulationen ihre besten Lösungen untereinander austauschen können sich gute Lösungen in anderen Subpopulationen durchsetzen, so dass schließlich der gesamte GA zu einer Lösung konvergiert. Es soll eine Methode entwickelt werden, bei der mit Hilfe von Subpopulationen die Leistungsfähigkeit von Genetischen Algorithmen erhöht wird.