Organic Computing

Lernziele

Verständnis grundlegender Konzepte des Entwurfs komplexer, adaptiver und selbstorganisierender Systeme, besondere Berücksichtigung neuer organischer Entwurfsmethoden (Organic Computing). Verständnis und Anwendung quantitativer Methoden (Quantitative Emergenz, Autonomiegrad, Selbstorganisationsgrad). Grundlegendes Verständnis von OC-Architekturen und beispielhafter Anwendungen. Verständnis und Anwendung wichtiger naturanaloger Algorithmen und der Grundlagen von Multiagentensystemen. Grundlagen des maschinellen Lernens und wichtiger Optimierungsverfahren. Zielgruppe: Wissenschaftlich interessierte Studierende, v.a. im Masterstudium.

Stoffplan

Ziel der Vorlesung ist zunächst eine Einführung in das Systemdenken, den Systembegriff sowie in die Grundprinzipien von Modellierung und Entwurf komplexer Systeme. Das Denken in Systemen baut auf einer ganzheitlichen Betrachtungsweise auf. Entsprechend werden das Systems Engineering nach Thomé definiert, seine Komponenten erklärt sowie die methodische Basis des Systementwurfs eingeführt. Im Anschluss werden Modellierungs- und Entwurfstechniken behandelt. Die Tätigkeit der Systemanalyse wird als Teil des Systementwurfs eingeführt. Je nach Zielsetzung werden unterschiedliche Modellierungsmethoden (wie die experimentelle Modellierung, die strukturtreue Modellierung oder die phänomenologische Modellierung) sowie unterschiedliche Entwurfsprozesse verwendet. An Beispielen werden die Begriffe der Homo- und Isomorphie erläutert. Es werden für technische Systeme wichtige Modellierungsmethoden zur Systembeschreibung besprochen.

Organic-Computing-Systeme werden anhand ihrer selbstorganisierenden und emergenten Eigenschaften mit Beispielen eingeführt. Die für OC zentralen Begriffe der Emergenz und der Selbstorganisation werden quantitativ und somit messbar definiert. Es werden für OC-Systeme typische Architekturen, Simulationsumgebungen (Multi-Agenten-Systeme) sowie Anwendungsbeispiele vorgestellt.

In der zweiten Hälfte der Vorlesung werden einige grundlegende Komponenten von Organic-Computing-Systemen betrachtet. Dazu gehören insbesondere: Methoden des maschinellen Lernens (z.B. Classifier Systeme, Neuronale Netze), Optimierungsverfahren (z.B. genetische Algorithmen) und die Klasse der naturanalogen Algorithmen (z.B. Schwarmintelligenz, Ameisenalgorithmen). In diesen Gebieten werden zunächst einige für den Bereich Organic Computing wichtige theoretische Grundlagen vermittelt und dann an konkreten Beispielen (Peer-to-Peer-Systeme, Computerspiele) vertieft.

Vorkenntnisse

• Grundlagen des HW- und SW-Entwurfs

Literaturempfehlungen

• Rolf P. Würtz (ed.): Organic Computing (Understanding Complex Systems), Springer Verlag Berlin, 2008, 356 p., hardcover ISBN 978-3540776567
• David E. Goldberg: Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, 1989
• Tom M. Mitchell: Machine Learning, The McGraw-Hill Companies, 1997
• M. Wooldridge, An Introduction to MultiAgent Systems, 2. Aufl. John Wiley & Sons, 2009.

Anmeldung und weitere Infos

Für diese Veranstaltung ist eine Online-Anmeldung über Stud.IP erforderlich. Bitte registrieren Sie sich (falls noch nicht geschehen) für Stud.IP und tragen Sie sich dort in die entsprechende Veranstaltung ein.