Projekte

Zentrales Thema dieses Projekts ist die Entwickelung naturinspirierter Optimierungsverfahren, insbesondere für multikriterielle und dynamisch veränderliche Problemstellungen. Wir untersuchen Mechanismen der Schwarmintelligenz und überprüfen sie auf Anwendbarkeit in technischen Systemen und mathematischen Optimierungen. Optimierungsprobleme, bei denen mehrere im Konflikt stehende Kriterien berücksichtigt werden müssen, treten zum Beispiel in vielen Anwendungen von Industrie und Wissenschaft auf. Wir untersuchen Particle Swarm Optimierungsverfahren (PSO) und evolutionäre multikriterielle Algorithmen (EMO), um multikriterielle Probleme zu lösen.

Projekt im Forschungsportal ansehen

Diese Plattform ist Teil der vom Ministerium geförderten Projekte zur Vorbereitung auf die Exzellenzinitiative Cognitive Vitality.
Die Probleme im Bereich der kognitiven Vitalität sind so komplex, dass out-of-the-box Machine Learning (ML) und datenwissenschaftliche Algorithmen nicht angewendet werden können. [Die jüngsten Fortschritte im Bereich des datengesteuerten Lernens, einschließlich der Methoden der Computational Intelligence (CI), des maschinellen Lernens (ML) und der Datenwissenschaft, haben zusammen mit leistungsstarken Rechenressourcen die Grenzen für die Lösung realer Probleme komplexer Systeme geöffnet. Mehr denn je können wir das Potenzial solcher Methoden für Probleme in verschiedenen Disziplinen nutzen, die bisher nur begrenzt mit der Informatik verbunden waren. Das Hauptziel der DECODE-Plattform ist die Förderung und Verbreitung von Querschnittsforschung für kognitive Vitalität.
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen

Verkehrsnetze sind für die Stadtentwicklung von entscheidender Bedeutung und unterstützen das Wirtschaftswachstum,
soziale Interaktion und Umweltmanagement. Aus der Sicht eines Betreibers stellt die Entwicklung
Mobilitätsdienstleistungen in dynamischen städtischen Umgebungen mit erheblichen Herausforderungen verbunden.
Dazu gehören die Bewältigung der Komplexität multimodaler Verkehrsströme und der Ausgleich der
Interessen bei der Entwicklung der Infrastruktur. Um diese Herausforderungen zu bewältigen,
zu bewältigen, ist es entscheidend zu verstehen, wie man Mobilitätsdienste strategisch einsetzen kann, die sich
an veränderte Bedingungen und die sich entwickelnde Nachfrage anpassen können. Das Ziel des Projekts ist die Entwicklung von Methoden
Methoden zu entwickeln, um anpassungsfähige oder entwicklungsfähige Mobilitätslösungen zu entwerfen, wie zum Beispiel die optimale Platzierung von
Ladestationen, durch den Einsatz von Netzwerk- und Mehrzieloptimierungsverfahren, die
die sich an unterschiedliche Bedingungen und zukünftige Unsicherheiten anpassen können. Diese Methoden berücksichtigen mehrere
um sicherzustellen, dass sich die Dienste als Reaktion auf eine sich ändernde Nachfrage und
Nachfrage und Infrastrukturbedingungen entwickeln können. Ein weiterer Aspekt ist die Übertragbarkeit dieser
dieser Strategien auf verschiedene städtische Kontexte.
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen

Der Einsatz von Robotersystemen in Produktion und Logistik nimmt stetig zu. Inzwischen sind innerhalb einer Produktion viele verschiedene Robotersysteme im Einsatz. Allerdings arbeiten diese Systeme selten isoliert, sondern müssen sowohl mit Menschen, miteinander und mit anderen großen, ergänzenden Systemen (unter anderem Transportrobotern in Lagerhallen und fliegenden Robotern für Überwachungszwecke) interagieren, um eine effiziente Produktion sicherzustellen. Die Koordination zwischen diesen Systemen stellt jedoch eine enorme Herausforderung dar und ist das Hauptthema unseres Projekts. Unser Ziel besteht darin, neuartige KI-basierte Technologien für die intelligente Produktion der Zukunft zu entwickeln. Dabei liegt der Fokus auf der Weiterentwicklung moderner Schwarmtechnologien für plattformübergreifende Anwendungen insbesondere in den Bereichen Logistik und Produktion. Das Alleinstellungsmerkmal besteht in der Optimierung und Interoperabilität zwischen heterogenen (Schwarm-)Robotikplattformen und -Maschinen von der Planungs- bis zur Operationsebene.

Projekt im Forschungsportal ansehen

Partikelbeladene Strömungen sind in vielen natürlichen und industriellen Prozessen anzutreffen, wie z. B. die Strömung von roten und weißen Blutkörperchen im Plasma oder die Fluidisierung von Biomassepartikeln in Öfen. In den letzten 40 Jahren haben Wissenschaftler Euler-Lagrange-Simulationen (EL) als Mittel zur Vorhersage des Verhaltens solcher Strömungen eingesetzt. EL-Simulationen stützen sich jedoch auf Modelle zur Beschreibung der Wechselwirkung zwischen dem Fluid und den einzeln verfolgten Partikeln. Diese Modelle erfordern die so genannte "ungestörte" Flüssigkeitsgeschwindigkeit am Ort des Partikels, d. h. die Geschwindigkeit, die die Flüssigkeit hätte, wenn das Partikel nicht da gewesen wäre. Die derzeitigen Modelle hierfür sind sehr rudimentär, und die genaue Berechnung der ungestörten Flüssigkeitsgeschwindigkeit ist äußerst kostspielig, da dazu viele zusätzliche hoch aufgelöste Simulationen desselben Falles durchgeführt werden müssten, bei denen ein Teilchen weggelassen wird.

Im Rahmen dieses Projekts soll ein neuartiges Modell für die ungestörte Strömungsgeschwindigkeit an jedem Partikelstandort unter Berücksichtigung der Eigenschaften der Strömung um das Partikel und der umgebenden Partikel entwickelt werden, wobei ein Ansatz des überwachten maschinellen Lernens verwendet wird: die genetische Programmierung (GP). GP ist sehr gut geeignet, da das Ergebnis kein "Black-Box"-Modell ist, sondern ein überprüfbarer Ausdruck für die ungestörte Geschwindigkeit. Dieser Ausdruck wird durch analytische Lösungen und hochaufgelöste Simulationen validiert und ermöglicht genaue, großmaßstäbliche Simulationen von dichten, partikelbeladenen Strömungen, wobei nur ein Bruchteil der Kosten für vollständig aufgelöste Simulationen erforderlich ist.
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen

In den letzten zehn Jahren haben viele kommerzielle Videospiele Planer anstelle klassischer Verhaltensbäume oder endlicher Zustandsmaschinen zur Definition des Agentenverhaltens verwendet. Planer erlauben eine Vorausschau und können einige Probleme rein reaktiver Systeme vermeiden. Außerdem ermöglichen einige von ihnen die Koordination mehrerer Agenten. Allerdings ist die Implementierung eines Planers für hochdynamische Umgebungen wie Videospiele eine schwierige Aufgabe. Ziel dieser Arbeit ist es, einen Überblick über die verschiedenen Elemente von Planern und die Probleme zu geben, die Entwickler im Umgang mit ihnen haben können. Wir identifizieren die wichtigsten Bereiche der Planerstellung und -ausführung und versuchen, Entwickler durch den Prozess der Implementierung eines Planers zu leiten und diskutieren mögliche Lösungen für Probleme, die in den folgenden Bereichen auftreten können: Umgebung, Planungsdomäne, Ziele, Agenten, Aktionen, Planerstellungs- und Planausführungsprozesse. Anhand mehrerer kommerzieller Spiele zeigen wir verschiedene Möglichkeiten zur Lösung solcher Probleme auf und diskutieren, welche Lösungen unter bestimmten Umständen besser geeignet sind und warum einige akademische Ansätze im Kontext kommerzieller Titel nur begrenzt Anwendung finden.
Dieser Text wurde mit DeepL übersetzt am 28.11.2025

Projekt im Forschungsportal ansehen

Fluidized beds are the basis for scores of applications in which fast mixing, heat and mass transfer of gas and solid particles are essential. Their performance largely relies on the bubble dynamics: rising bubbles drive the solids circulation and significantly enhance gas-solids contact, improving mixing, reactions, and transport properties. So far, almost all fluidized beds are operated with a uniform gas flow. However, some recent academic work shows that operating a fluidized bed with an alternating gas flow (e.g. sinusoidal gas fluidisation velocity) leads to different bubble patterns and dynamics. In this project, we aim to control the bubbles in a fluidized bed, by application of computational intelligence (CI) methodologies such as evolutionary algorithms and genetic programming. We will use our lab-scale fluidized bed with camera system and our model developments in the Eulerian-Eulerian and Eulerian-Lagrangian frameworks to capture the dynamics of bubbles in the fluidized bed as the fluidizing gas velocity is spatio-temporally varied. Firstly, these results will be used to find the optimal inflow-pattern for given target functions. The challenge for the CI algorithm is to find the right balance between the computationally and timely intensive experimental data and the simulation data to efficiently deliver the required fluidization velocity profile. In addition, we aim to address multiple conflicting target functions using multi-objective optimization algorithms. Secondly, the CI algorithm will be used to steer and control the velocity profile, to obtain a specified bubble size and dynamics. Being able to control the behavior of the bubbles in a fluidized bed will significantly improve the desired outcome, such as product quality, efficiency and selectivity of the process, to name a few.

Projekt im Forschungsportal ansehen

Wir werden mit der Johannes Kepler Universität in Linz und dem Deutschen Zentrum für Luft- und Raumfahrt (DLR) in Oberpfaffenhofen zusammenarbeiten. Ziel des Projekts ist der Einsatz von autonomen Drohnenschwärmen für Rettungseinsätze. Dabei können Drohnen das Schwarmverhalten von Vögeln imitieren, um für Rettungszwecke immer eine optimale Sicht zu haben.

Bei der großen Aufmerksamkeit, die Drohnen derzeit zuteil wird, übersieht man leicht das enorme Potenzial, das sie im zivilen Bereich mit sich bringen. Weltweit etablieren sich Drohnengruppen in Blaulichtorganisationen wie Polizei, Feuerwehr und Bergrettung, um diese Technologie zur Rettung von Menschenleben einzusetzen. Such- und Rettungseinsätze profitieren unter anderem vom flexiblen, schnellen und - im Vergleich zu Helikoptern - kostengünstigen und sicheren Einsatz von Drohnen. Auch bei der Inspektion von Katastrophengebieten, der Früherkennung von Waldbränden, der Grenzsicherung oder der Wildtierbeobachtung werden sie eingesetzt. Das Problem bei all diesen Anwendungen ist immer die Verdeckung durch Vegetation, z. B. Wald, die es in der Regel unmöglich macht, Menschen, Tiere oder Fahrzeuge in einzelnen Luftbildern zu finden, zu erkennen und zu verfolgen. Dieses Projekt basiert auf der an der Johannes Kepler Universität entwickelten Bildgebungsmethode "Airborne Optical Sectioning" (AOS) und wird weitere Potenziale der Schwärme untersuchen.
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen

In 6G-ANNA-MOEVE werden wir multi-kriterielle Optimierung und Entscheidungsfindungsalgorithmen sowie Methoden fu¨r verteiltes Lernen entwickeln. Die multi-kriteriellen Optimierungsprobleme haben mehrere Zielfunktionen, die gleichzeitig optimiert werden mu¨ssen. Ein Beispiel fu¨r solche hochkomplexe Probleme ist die Minimierung des Energieverbrauchs im Netz bei gleichzeitiger Sicherstellung von Ende- zu-Ende Performanz (Durchsatz, Latenz und Zuverla¨ssigkeit). Die Lo¨sung solcher Probleme ist eine Menge optimaler Alternativen, auf dieser Entscheidungsgrundlage kann der Anwender gema¨ß seinen Pra¨ferenzen die fu¨r ihn beste Lo¨sung auswa¨hlen. Das gibt dem Anwender ein hohes Maß an Flexibilita¨t in der Entscheidung, was zur Nachhaltigkeit der Lo¨sungen beitra¨gt.
Fu¨r eine Echtzeitoptimierung werden wir digitale Zwillinge (Simulationen) entwickeln. Allerdings spiegeln Simulationen die Realita¨t nicht perfekt wider. Daher sollen hier Methoden entwickelt werden, die eine effiziente Kombination von Offline- (Simulationsbasierte-) und Echtzeitoptimierung bieten. Eine mo¨gliche Lo¨sung fu¨r Echtzeitoptimierung kann durch verteilte Optimierung auf lokaler Ebene stattfinden. Parallelisierung bzw. die dezentrale Ausfu¨hrung von Optimierungsalgorithmen ist ein komplexes Problem und hat viele Herausforderungen, u.a. Konvergenz zu lokalem Optimum und Mobilita¨t der Knoten.
Bei der Entwicklung der Entscheidungsfindungsalgorithmen werden wir den Anwender in den Vordergrund stellen und dabei eine technische Unterstu¨tzung durch KI-Algorithmen anbieten. Ein Ziel des Projekts ist, dass durch die Interaktion zwischen Menschen und Maschine die nicht maschinenlesbaren Pra¨ferenzen der Anwender von Algorithmen verstanden werden, was wir "reverse explainability" von Entscheidungsfindung nennen. Diese findet in "Collaborative Spaces" Anwendung, die sich auf die Mensch-Maschine Interaktion, z.B. die Zusammenarbeit von Robotern und Menschen in der industriellen Produktion, fokussieren.

Projekt im Forschungsportal ansehen

Im Rahmen dieses Projekt wird ein Roboterlabor für zunächst einen Schwarm fliegender Roboter aufgebaut. In der Schwarmrobotik werden mehrere kleine Roboter so programmiert, dass ein globales und vordefiniertes Verhalten entsteht. Solche Robotersysteme kommen schon heute in vielen Gebieten zum Einsatz. So werden im Katastrophenschutz Gruppen von mobilen Robotern zum Auffinden eines gemeinsamen Ziels beispielsweise zu Bergungszwecken oder zur Datensammlung in Katastrophengebieten genutzt. Derartige Anwendungen werden mit zunehmendem Interesse wissenschaftlich untersucht. Die Kontrolle eines solchen Schwarms von Robotern ist allerdings eine große Herausforderung und bietet eine Vielzahl an interessanten Forschungsthemen. Die Validierung der Interaktionen in Roboterschwärmen ist gegenwärtig eine der größten Herausforderung dieses Forschungsgebiets. Die Untersuchungen zeigen, dass die Umgebung und die Technik die Funktionalität der Roboter stark beeinflussen. Daher besteht der Bedarf an Experimenten, um die Methodik unter Echtzeitbedingungen zu untersuchen und weiterzuentwickeln. Damit kann eine Umwelt (Labor) von Sensoren, Robotern und mobilen Endgeräten eingerichtet und die Kommunikation und Vernetzungen untersucht werden, die die Zukunft der Anwendung solcher technischen Systeme im Alltag darstellt und simuliert.

Projekt im Forschungsportal ansehen

Im Projekt SmartProSys geht es um die Entwicklung einer smarten und nachhaltigeren Chemieindustrie durch Kreislaufwirtschaft. Die Idee, die Rohstoffe der Produkte am Ende ihres Lebenszyklus wieder in die Produktion zurückzuführen, ist angesichts des wachsenden Bedarfs an nachhaltigeren Produktionsmethoden und Ressourcennutzung vielversprechend. Im Vergleich zu traditionellen, meist linearen Produktionsprozessen, ergeben sich neue Herausforderungen, die oft ein Kompromiss zwischen den Zielen der Wirtschaftlichkeit und der Nutzung von recycelten Rohstoffen bedeuten. Multikriterielle Optimierungsverfahren eignen sich für solche Probleme, da sie Lösungen finden können, welche mehrere Ziele optimal abwägen. Wir betrachten dabei vor allem die Aspekte der Produktionsplanung und Materialbeschaffung unter den Aspekten der Wirtschaftlichkeit und Nachhaltigkeit. Die größte Herausforderung bei der Optimierung von Lieferketten hin zu zirkulären Produktionsprozessen ist eine große Menge an Parametern, die sich gegenseitig unterschiedlich beeinflussen. Wir entwickeln daher Multikriterielle Verfahren, welche in diesen komplexen Umgebungen sowohl wirtschaftliche Ziele als auch die nachhaltige Nutzung von Ressourcen optimieren.

Projekt im Forschungsportal ansehen

Die Planung des Anlagenlayouts und die Arbeitsvorbereitung sind zentrale Optimierungsprobleme für die Effizienz moderner Fertigungssysteme. Im Kontext von Industrie 4.0 sind diese Systeme oft durch Zielkonflikte, instabile Nachfrage, kurze Produktlebenszyklen und Massenanpassung gekennzeichnet. Traditionelle Methoden der Anlagenplanung sind für solche Umgebungen nicht gut geeignet, da sie das darin enthaltene dynamische und flexible Planungsproblem ignorieren. Als Lösung entwickeln wir eine neuartige simulationsbasierte Mehrziel-Optimierungsmethode, die die Planung des Anlagenlayouts mit der Arbeitsvorbereitung integriert.
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen

Dieses PhD-Projekt zielt darauf ab, die Rückverfolgbarkeit in evolutionären Algorithmen zu verstehen. Unser Ziel ist es, eine Methode einzuführen, um den Einfluss der Anfangspopulation eines evolutionären Algorithmus auf die Endpopulation zu verfolgen. Die größte Herausforderung besteht darin, das Erbe von mehreren Operatoren zu verfolgen.
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen

Die kollektive Entscheidungsfindung ist ein langjähriges Forschungsthema im Bereich der Schwarmintelligenz. Ziel dieses Forschungsbereichs ist es, zu erklären, wie Gruppen natürlicher intelligenter Agenten gemeinsam Entscheidungen treffen, und Entscheidungsstrategien zu entwickeln, die es Gruppen künstlicher intelligenter Agenten ermöglichen, eine Entscheidung zu treffen. Die untersuchten Probleme erfordern in der Regel, dass die Agenten eine kollektive Entscheidung treffen, wobei sie nur ihre individuellen Informationen und die lokale Interaktion mit ihren Kollegen nutzen. Im Rahmen der kollektiven Entscheidungsfindung werden hauptsächlich zwei Problemkategorien untersucht: Konsensfindung und Aufgabenzuweisung. Bei der ersten Kategorie müssen sich die Agenten eine einzige Meinung bilden, während bei der zweiten Kategorie die Agenten verschiedenen Aufgaben zugewiesen werden müssen.
In unserer Forschung befassen wir uns mit dem Problem der kollektiven Wahrnehmung, das ein diskretes Problem der Konsensfindung darstellt. Wir entwickeln neue Algorithmen, um dieses Problem zu lösen
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen

Gemeinsam mit Volkswagen haben wir zwei Projekte zu den Methoden der Computerintelligenz in technischen und industriellen Kontexten. Wir arbeiten an Optimierungsmethoden, evolutionären Algorithmen und neuronalen Netzen zur Bewältigung verschiedener Probleme in der Automobilindustrie.
Dieser Text wurde mit DeepL übersetzt am 28.11.2025

Projekt im Forschungsportal ansehen

Ziel des Vorhabens MOSAIK ist die Erforschung von Methoden, welche die flexible Zusammenarbeit von Softwarekomponenten erlauben. Die so entstehenden Aggregate sollen vorgegebene Eigenschaften erfüllen bzw. definierte Phänomene erzeugen. Zur Laufzeit sollen sich die Aggregate auf dynamisch veränderliche Umstände anpassen und somit resilient gegenüber Perturbationen sein. Neben der Erforschung der Methodik sind die weiteren Ziele von MOSAIK die Entwicklung einer Laufzeitumgebung als Open Source sowie deren prototypischer Einsatz in der industriellen Praxis.

Projekt im Forschungsportal ansehen

DORIOT: Dynamische Laufzeitumgebung für organisch (dis-)aggregierende IoT-Prozesse:
Das Ziel von DORIOT ist die Nutzung von Organic Computing-Ansätzen zur frühzeitigen Erkennung von Störungen und Ausfällen und zur Ergreifung von Gegenmaßnahmen für die intelligente Vernetzung der SmartX-Knoten im IoT.

Projekt im Forschungsportal ansehen

[In diesem Projekt arbeiten wir an Methoden der kollektiven Suche mit Schwarmintelligenz in dynamischen Umgebungen. Wir haben die Dynamik mit Hilfe von Vektorfeldern modelliert und entwickeln kollektive Suchmethoden, die diese Dynamik zusätzlich berücksichtigen. Da die Dynamik unbekannt ist, besteht die Herausforderung in der Schätzung und Vorhersage der lokalen Dynamik und deren Einfluss auf den Energieverbrauch und die Suche. Wir arbeiten auch an Entscheidungsfindungsmethoden für einzelne Individuen unter Verwendung von multikriteriellen Entscheidungsfindungsansätzen, um die negativen Auswirkungen der Dynamik auf die Bewegung und den Energieverbrauch zu überwinden.
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen

Bei großen Naturkatastrophen oder von Menschen verursachten Katastrophen können unzureichende Entscheidungen über die Versorgung mit Nahrungsmitteln, Wasser, Energie, Unterkünften, medizinischer und psychologischer Betreuung verheerende Auswirkungen haben. Bei solchen Ereignissen werden Entscheidungen über "Leben und Tod" unter Zeitdruck, dynamischen Bedingungen, widersprüchlichen Erwartungen, unvollständigen und unsicheren Informationen, Infrastrukturausfällen und unzureichenden Ressourcen getroffen, um alle dringenden
Bedürfnisse. Moderne Technologien ermöglichen die Entwicklung spezieller KI-gestützter Entscheidungsunterstützungssysteme (DSS) für solche anormalen Bedingungen. Die erforderlichen Entscheidungen beinhalten jedoch häufig widersprüchliche und unvergleichbare Kriterien (z. B. Kosten gegenüber dem Überleben und dem Wohlergehen der Menschen). Dies wirft Fragen hinsichtlich der Rationalisierbarkeit, Subjektivität und ethischen Erwägungen der betreffenden Entscheidungen auf. Darüber hinaus muss der Grad des Vertrauens in die Nutzung solcher KI-basierter Systeme untersucht werden. Um die wichtigsten soziotechnischen Aspekte von "AI to the Rescue" zu erforschen, wird sich dieses Projekt auf erfahrene Entscheidungsträger und Politiker stützen,
sowie Forscher aus den Ingenieur-, Sozial- und Medizinwissenschaften. Die geplante Forschung wird sich auf Entscheidungen über medizinische Notfalleinsätze bei großen Katastrophen konzentrieren. Das Konsortium wird neue Ideen für das erforderliche KI-basierte DSS unter Berücksichtigung der soziotechnischen Aspekte liefern.
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen

[In diesem Projekt arbeiten wir an Methoden der kollektiven Suche mit Schwarmintelligenz in dynamischen Umgebungen. Wir haben die Dynamik mit Hilfe von Vektorfeldern modelliert und entwickeln kollektive Suchmethoden, die diese Dynamik zusätzlich berücksichtigen. Da die Dynamik unbekannt ist, besteht die Herausforderung in der Schätzung und Vorhersage der lokalen Dynamik und deren Einfluss auf den Energieverbrauch und die Suche. Wir arbeiten auch an Entscheidungsfindungsmethoden für einzelne Individuen unter Verwendung von multikriteriellen Entscheidungsfindungsansätzen, um die negativen Auswirkungen der Dynamik auf die Bewegung und den Energieverbrauch zu überwinden.
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen

In den letzten zehn Jahren haben viele kommerzielle Videospiele Planer anstelle klassischer Verhaltensbäume oder endlicher Zustandsmaschinen zur Definition des Agentenverhaltens verwendet. Planer erlauben eine Vorausschau und können einige Probleme rein reaktiver Systeme vermeiden. Außerdem ermöglichen einige von ihnen die Koordination mehrerer Agenten. Allerdings ist die Implementierung eines Planers für hochdynamische Umgebungen wie Videospiele eine schwierige Aufgabe. Ziel dieser Arbeit ist es, einen Überblick über die verschiedenen Elemente von Planern und die Probleme zu geben, die Entwickler im Umgang mit ihnen haben können. Wir identifizieren die wichtigsten Bereiche der Planerstellung und -ausführung und versuchen, Entwickler durch den Prozess der Implementierung eines Planers zu leiten und diskutieren mögliche Lösungen für Probleme, die in den folgenden Bereichen auftreten können: Umgebung, Planungsdomäne, Ziele, Agenten, Aktionen, Planerstellungs- und Planausführungsprozesse. Anhand mehrerer kommerzieller Spiele zeigen wir verschiedene Möglichkeiten zur Lösung solcher Probleme auf und diskutieren, welche Lösungen unter bestimmten Umständen besser geeignet sind und warum einige akademische Ansätze im Kontext kommerzieller Titel nur begrenzt Anwendung finden.
Dieser Text wurde mit DeepL übersetzt am 28.11.2025

Projekt im Forschungsportal ansehen

Die Optimierung bei Vorhandensein mehrerer widersprüchlicher Kriterien ist ein Problem, das in verschiedenen praktischen Bereichen auftritt, z. B. in der technischen Planung, der Terminplanung, der Logistik, dem Finanzwesen usw. Solche Probleme werden als Multi-Objektiv-Optimierungsprobleme (MOP) bezeichnet, und ihr Optimum besteht nicht aus einer, sondern aus einer Reihe von besten Kompromisslösungen, die als Pareto-Optimum-Front (POF) bekannt sind. Bei der Lösung von MOP gibt es zwei Hauptaufgaben - erstens die Suche nach der POF und zweitens die effektive Auswahl von Entwürfen aus der POF für die Umsetzung. Diese beiden Aspekte sind besonders schwierig und rechenintensiv, wenn die Anzahl der Ziele mehr als drei beträgt. Die bestehenden Methoden zur Lösung von MOP sind so genannte dekompositionsbasierte evolutionäre Algorithmen (DBEA), die versuchen, das Problem durch die Entwicklung einer Lösungspopulation entlang eines vordefinierten Satzes von Referenzvektoren zu lösen. Die Definition dieses Satzes von Referenzvektoren ist jedoch die größte Herausforderung für moderne DBEAs. Dieses Projekt zielt darauf ab, dieses Problem zu lösen, indem Mittel zur quantitativen Identifizierung von Lösungen von Interesse während der Suche entwickelt werden und diese zur Konstruktion von Referenzvektoren für den Algorithmus verwendet werden. Dies wird die Suche nach qualitativ hochwertigen Lösungen mit geringem Rechenaufwand ermöglichen und gleichzeitig die Entscheidungsfindung unterstützen. Diese beiden Aspekte werden den Algorithmus für den industriellen Einsatz tauglich machen.
Dieser Text wurde mit DeepL übersetzt am 28.11.2025

Projekt im Forschungsportal ansehen

Rasante Entwicklungen in der IT-Branche sowie deren vielfältige Auswirkungen auf die menschliche Lebenswelt erfordern zunehmend eine Beschäftigung mit nutzergerechten Gestaltungselementen. Das Zentrum für Chancengleichheit in Wissenschaft und Forschung an der TU Chemnitz hat dieses Thema aufgegriffen und ein Projekt entwickelt, das Informatikforschende für Gender und Diversity sensibilisiert und sie dabei unterstützt, Genderaspekte in den wissenschaftlichen Forschungsprozess zu integrieren und in eigenen Projekten bewusst aufzugreifen und zu reflektieren.
Die Kooperationspartner sind TU Bergakademie Freiberg, TU Ilmenau und OVGU Magdeburg. Die Projektdauer erstreckt sich bis Mai 2018. Das Projekt hat zum Ziel, den intensiven Dialog, die Sensibilisierung von Forschenden sowie eine verbesserte Forschungsvernetzung zwischen den Hochschulen und den Mitarbeitenden zu bewirken, um ihnen die möglichen Potentiale und Chancen der Integration von Genderaspekten in der Informatikforschung aufzuzeigen. 
Zu den Maßnahmen, um die genannte Zielsetzung zu erreichen, gehören die Durchführung einer Auftakt- sowie Abschlusstagung sowie vier thematische Workshops, in denen die Teilnehmenden ausgewählte Inputs zum Projekt erhalten und begleitend dazu fachlich und methodisch weitergebildet werden.

Projekt im Forschungsportal ansehen

In diesem Projekt arbeiten wir an den Computational Intelligence Algorithmen; insbesondere mit evolutionären Algorithmen in Computerspielen. Unseren Schwerpunkt legen wir auf zwei Computerspiele: Multi-Objective Physical Traveling Salesman Problem und auf General Video Games. Wir entwickeln eine Vielzahl evolutionärer Algorithmen, welche in den Computerspielen integriert werden. Des Weiteren wurden Algorithmen entwickelt, um zu lernen und Entscheidungen während des Spiels zu treffen.

Projekt im Forschungsportal ansehen