\documentclass[a4paper,12pt]{scrartcl}
\usepackage[ngerman]{babel}
\usepackage{graphicx} %BIlder einbinden
\usepackage{amsmath} %erweiterte Mathe-Zeichen
\usepackage{amsfonts} %weitere fonts
\usepackage[utf8]{inputenc} %Umlaute & Co
\usepackage{hyperref} %Links
\usepackage{ifthen} %ifthenelse
\usepackage{enumerate}

\usepackage{algpseudocode} %Pseudocode
\usepackage{dsfont} % schöne Zahlenräumezeichen
\usepackage{amssymb, amsthm} %noch stärker erweiterte Mathe-Zeichen
\usepackage{tikz} %TikZ ist kein Zeichenprogramm
\usetikzlibrary{trees,automata,arrows,shapes}

\pagestyle{empty}


\topmargin-50pt

\newcounter{aufgabe}
\def\tand{&}

\newcommand{\makeTableLine}[2][0]{%
  \setcounter{aufgabe}{1}%
  \whiledo{\value{aufgabe} < #1}%
  {%
    #2\tand\stepcounter{aufgabe}%
  }
}

\newcommand{\aufgTable}[1]{
  \def\spalten{\numexpr #1 + 1 \relax}
  \begin{tabular}{|*{\spalten}{p{1cm}|}}
    \makeTableLine[\spalten]{A\theaufgabe}$\Sigma$~~\\ \hline
    \rule{0pt}{15pt}\makeTableLine[\spalten]{}\\
  \end{tabular}
}

\def\header#1#2#3#4#5#6#7{\pagestyle{empty}
\begin{minipage}[t]{0.47\textwidth}
\begin{flushleft}
{\bf #4}\\
#5
\end{flushleft}
\end{minipage}
\begin{minipage}[t]{0.5\textwidth}
\begin{flushright}
#6 \vspace{0.5cm}\\
%                 Number of Columns    Definition of Columns      second empty line
% \begin{tabular}{|*{5}{C{1cm}|}}\hline A1&A2&A3&A4&$\Sigma$\\\hline&&&&\\\hline\end{tabular}\\\vspace*{0.1cm}
\aufgTable{#7}
\end{flushright}
\end{minipage}
\vspace{1cm}
\begin{center}
{\Large\bf Übungsblatt #1}

{(Abgabe #3)}
\end{center}
}



%counts the exercisenumber
\newcounter{n}

%Kommando für Aufgaben
%\Aufgabe{AufgTitel}{Punktezahl}
\newcommand{\Aufgabe}[2]{\stepcounter{n}
\textbf{Aufgabe \arabic{n}: #1} (#2 Punkte)}


\begin{document}
    %\header{BlattNr}{Tutor}{Abgabedatum}{Vorlesungsname}{Namen}{Semester}{Anzahl Aufgaben}
    \header{3}{}{2015-12-05}{Evolutionäre Algorithmen}{
    	\textit{Jan-Peter Hohloch}\\ \textit{Maximus Mutschler}
    }{SS 15}{3}
    \vspace{0.5cm} \Aufgabe{Bit String Individuum}{6}\\
    Siehe Quellcode\\
    \Aufgabe{Hill-Climber und Genetischer Algorithmus}{10}\\
    Siehe Quellcode\\
    \Aufgabe{Vergleich Hill-Climber und Genetischer Algorithmus}{4}\\
    $\mu=10$ \\$\lambda =50$\\
    Durchschnittliche Optimierungsschritte bei 100 Optimierungsläufen:\\\\
    \begin{tabular}{c|c|c}
    	n  & Hill-Climber & Genetischer Algorithmus \\ \hline
    	10 &      24      &           3            \\
    	25 &      80      &           8            \\
    	50 &     202      &           18
    \end{tabular}\\\\
    Warum ist es nötig die Ergebnisse zu mitteln?\\
    Es handelt sich um stochastische Optimierungsverfahren. Demnach gibt es kein deterministisches Ergebnis. Folglich muss der Mittelwert aus den Zufalls belasteten Ergebnissen als Ergebnismaß verwendet werden.\\\\
    
    Sind die Ergebnisse von Hill-Climber und Genetischen Algorithmus direkt vergleichbar?\\
    warum nicht ?? TODO\\
    Beim Hill-Climber Algorithmus kommt es nur zu 1 Bit Mutationen beim Genetischen Algorithmus werden Crossover angewandt. Wehrendessen es beim Hill-Climber Algorithmus maßgeblich vom initialen Individuum abhängt, wie viele Schritte benötigt werden um das Maximum zu erreichen, ist beim Genetischen Algorithmus der Crossover ausschlaggebend.
    Beim Hill Climber wird nur eine "Population" von einem Individuum angenommen, um ihn mit dem Genetischen Algorithmus vergleichbar zu machen, müsste man $\mu$ Individuuen und deren Mutationen und die daraus folgende Fitness je Optimierungsschritt untersuchen.
    \\
    Gibt das Sinn? 
    
    
    
       
\end{document}