TU Chemnitz, Verteilte und Selbstorganisierende Rechnersysteme Research Group: VSR Research Group: RN:

• Moderne Auffassung der KI, Modelle von Intelligenz
• Bewertung/Trend bzgl. der Selbstauffassung der KI
• Teilgebiete des SoftComputing

• Abgrenzung der KI (AI) im Allgemeinen zu den Gebieten Neuronale Netze, Fuzzy Systeme, Genetische Algorithmen
• Formale und allgemeine Problembeschreibung als formales Optimierungsproblem
• Heuristische Konstruktions-Strategien

• Beitrag einfacher Modellbildung für symbolische KI:
• Beispiel der symbolischen Wissensprüfung
• Hypothesen testen
• Beispiel für neuronale Modellbildung
• "State of the Art" bei Neuronalen Netzen

• Überblick evolutionäre Algorithmen
• Vorbild der Evolution als Optimierung
• Unterscheidung der Mechanismen der EA-Hauptformen
• Grundzyklus der EA
• Historische Entwicklungsabfolgen
• Fachbegriffe der EA
• Ablauf der EA als Beispiel einer Heuristik
• Überblick der genetischen Prozesse
• Beschreibung des Generationenwechsels
• Größenordnung der take_over_time
• Variante der Übergangsvorschrift

• Gemeinsamkeiten der Evolutionären Algorithmen
• Formale Übergangsvorschrift für EA
• Ausprägung der ES
• Paradigmen und Vorläufer der KI

• Allgemeiner Ansatz der Evolutionsstrategie (ES)
• Varianten der Mutation
• Varianten der Rekombination
• Selektion und Fortsetzung der Iteration
• Überblick erster Anwendungen
• Abstraktion von konkreten Problemen
• Analyse des multimodalen Verlaufs
• Prinzipielle Wirkung der Variation der Populationsgröße
• Analyse der Mechanismen der ES
• Korridormodell und Sphärenmodell der ES

• Analyse und Erfahrungswerte für ES
• Analysemodelle der ES
• Schrittweitensteuerung der ES
• ES-Mutation bei j-volution
• Vergleich und Größenordnung der ES

• Fachbegriffe für Genetische Algorithmen (GA)
• Gemeinsamkeiten der Evolutionären Algorithmen
• Ausprägung der GA
• GA-Kodierung und Selektionsprinzip
• Mechanismen der GA
• Selektionsintensität der GA
• Varianten der GA-Mechanismen

• Varianten der GA-Mechanismen
• GA-Selektionsvarianten

• Analyse der Selektionsverfahren
• Binäre Codierung von Optimierungsproblemen
• Varianten der Codierung
• Iteration des Automaten
• Integration von Vorwissen
• Varianten der Sequenzoperatoren

• Definition im Vergleich zu EA
• Analyse-Notation
• Entwicklungsvorschrift
• Mathematica
• Literatur
• Komplexität elementarer Regeln
• Analyse der GA-Mechanismen
• Steuerung der Vielfalt
• Adaptive Anpassung der GA-Parameter

1. Recherchieren Sie die jeweils genaue Problemstellung und bereiten Sie sie so auf, dass sie in einem kurzen Vortrag von ca. 5 min präsentiert werden kann. Erläutern Sie insbesondere auch praktische Anwendungsfälle des Problems.
2. Untersuchen Sie bereits vorhandene Lösungsstrategien für dieses Problem.
3. Erläutern Sie, wie das Problem mit Hilfe von Evolutionären Algorithmen optimiert werden könnte. Erläutern Sie vor allem die konkreten Details der Umsetzung mit geeigneten Rekombinations- und Mutationsverfahren und der Art der Kodierung, die Sie wählen würden.
4. Setzen Sie diesen EA-Zugang entsprechend in einem Programm um und optimieren Sie das Problem.
5. Vergleichen Sie Ihre Ergebnisse mit den zuvor vorgestellten Lösungstrategien.

• Adaptive Anpassung der GA-Parameter
• Theorie der GA: Schema-Theorem
• Zelluläre Automaten
• Komplexität elementarer Regeln
• Modellbildung durch ZA im Vergleich
• Nicht-Reduzierbarkeit und Äquivalenz
• Kategorien der Verhaltenskomplexität
• Formen allgemeiner ZA

Übungen

Bitte bringen Sie das jeweilige Übungsblatt mit zur Übung und bereiten Sie die Übungsaufgaben vor! Eine Abgabe der Lösungen (Pflicht für die, die einen Schein haben wollen) ist jeweils bis zum Tag vor der Übung 13 Uhr möglich (Ausnahmen siehe unten). Sie können dabei in Gruppen (bis zu drei Personen) arbeiten, doch es sollte jedes Gruppenmitglied sämtliche Lösungen präsentieren können!