Schwarmintelligenz. Lydia Pintscher Seminar Organic Computing Universität Karlsruhe
|
|
- Gudrun Arnold
- vor 5 Jahren
- Abrufe
Transkript
1 Schwarmintelligenz Lydia Pintscher Seminar Organic Computing Universität Karlsruhe
2 Gliederung 1. Grundlagen 2. Schwarmintelligenz in der Natur 3. Schwarmintelligenz beim Menschen 4. Schwarmintelligenz in der Informatik und Technik 5. Zusammenfassung 2
3 Grundlagen (1) Nahrungssuche bei Ameisen und Bienen Fluchtverhalten bei Schwarmfischen und Herdentieren viele Individuen + einfache Regeln = komplexes Verhalten 3
4 Grundlagen (2) Selbstorganisation Anpassungsfähigkeit Robustheit 4
5 Grundlagen (3) Üblicher Intelligenzbegriff: Fakten, Zusammenhänge Problemlösung Hier: Gruppengedächtnis Problemlösung in Gruppe 5
6 In der Natur - Ameisen Ameise <-> Ameistenstaat 100 bis mehrere Millionen Individuen Anpassungsfähigkeit Nahrungssuche Pheromone Effizient Ohne Kontrollinstanz flickr.com/photos/el catalejo/ / 6
7 In der Natur - Bienen Bienentanz Richtung und Entfernung der Nahrungsquelle Richtung und Geschwindigkeit des Tanzes, abhängig von Sonnenstand 7
8 In der Natur - Fische Vorteile: Angreifer verwirren Individuum im Schwarm nicht leicht zu verfolgen Illusion eines großen Fisches Orientierung an Nachbarn mittels Seitenlinienorgan Geschwindigkeit Richtung Abstand Flucht durch Explosion, Haken schlagen, Teilung des Schwarms 8 flickr.com/photos/mccord/ /
9 Beim Menschen - Quarks und Co (1) Experiment von Krause und Dyer Theorien zu Schwarmverhalten beruht auf einfachen Regeln 300 freiwillige Teilnehmer 9
10 Beim Menschen - Quarks und Co (2) 1. Experiment:,,Bleibe immer in Bewegung und,,bleibe immer eine Armlänge entfernt von anderen Schwärmern Torusbildung mit 2 entgegengesetzten Strömen 10
11 Beim Menschen - Quarks und Co (3) 2. Experiment: Räuber eingeführt Mind. 2 Armlängen entfernt bleiben von ihm Räuber verfolgt immer nächste Beute Schwarm teilt sich vor dem Räuber und schließt sich nach ihm 11
12 Beim Menschen - Quarks und Co (4) 3. Experiment Beeinflussen des Schwarms 200 Schwärmer 5 Eingeweihte sollen den Schwarm zu einem Punkt führen -> nicht erfolgreich 10 Eingeweihte -> erfolgreich 12
13 Beim Menschen - Quarks und Co (5) 4. Experiment: 30 Eingeweihte, 10 für Ort a, 20 für Ort b Schwarm bewegt sich zwischen a und b 13
14 In der Informatik und Technik Ant Colony Optimization (ACO) Particle Swarm Optimization (PSO) Schwarmroboter (s-bots) 14
15 In der Informatik - ACO (1) Ant Colony Optimization Ant System Max-Min Ant System Ant Colony System Rank Based Ant System Kurze Wege in Graphen finden Angelehnt an Nahrungssuche der Ameisen Dynamisch und daher interessant für Routing und Verkehrsplanung 15
16 In der Informatik - ACO (2) Ant System Erste Anwendung von ACO Dorigo,
17 In der Informatik - ACO (3) Max-Min Ant System Erweiterung von Ant System Stützle und Hoos, 2000 Nur Ameise mit der besten Lösung beeinflusst Pheromonwerte Obere und untere Schranke für Pheromonwerte 17
18 In der Informatik - ACO (4) Ant Colony System Erweiterung von Ant System Dorigo und Gambordella, 1997 Führt Kandidatenliste für Städte ein 18
19 In der Informatik - ACO (5) Rank Based Ant System Erweiterung von Ant System Bullnheimer et al, 1997 Lösungen werden bewerten Pheromonwerte entsprechend der Bewertung angepasst 19
20 In der Informatik - PSO (1) Lösen von Optimierungsprobleme Fische und Vögel als Vorbild Optimierung, Training neuronaler Netze 20
21 In der Informatik - PSO (2) Man lässt,,partikel nach Lösungen suchen Zufällige Initialisierung Bewerten anhand Bewertungsfunktion Lokales Minimum/Maximum?! 21
22 In der Technik - s-bots Verteilte Hardware Ausstattung: Motoren, Sensoren, Kommunikationskanäle, Greifer Zusammenschluss mehrerer s-bots zu Swarm-bot Anwendung? swarm bots.org 22
23 Zusammenfassung Relativ neuer Ansatz Vielversprechendes Gebiet Komplexe Probleme lösen mit einfachen Mitteln Robust Flexibel Zukunft: Optimierung, Routing, Logistik Intelligenz der Masse?! 23
24 Fragen?? 24
Ant Colony Optimization (ACO)
Ant Colony Optimization (ACO) Daniel Blum 24.4.2003 Projektgruppe 431 Metaheuristiken Lehrstuhl 11, Fachbereich Informatik, Universität Dortmund 1 Übersicht Vorbild Natur Übertragung der Ideen Beispiele
MehrSchwarmintelligenz. Lydia Pintscher. Universität Karlsruhe
Schwarmintelligenz Lydia Pintscher Universität Karlsruhe Zusammenfassung Dieses Paper soll die Grundgedanken der Schwarmintelligenz erläutern und wie sie genutzt werden kann um Probleme in einer immer
MehrDynamisches Routing in der Logistik
Informatik, Angewandte Informatik, Technische Informationssysteme Dynamisches Routing in der Logistik Tobias Dimmel Dresden, 24.05.2012 Agenda 1. Begriffe 2. Traveling Salesman Problem 3. Ameisenalgorithmus
MehrGenetische Algorithmen von der Evolution lernen
Genetische Algorithmen von der Evolution lernen (c) Till Hänisch 2003, BA Heidenheim Literatur zusätzlich zum Lit. Verz. Nils J. Nilsson Artificial Intelligence Morgan Kaufmann, 1998 Ansatz Bisher: Problemlösung
MehrSchwarmintelligenz. Julia Philipps, Marcel Boeing Künstliche Intelligenz II, C. Neuefeind Sprachliche Informationsverarbeitung, Uni Köln 2012
Schwarmintelligenz Julia Philipps, Marcel Boeing Künstliche Intelligenz II, C. Neuefeind Sprachliche Informationsverarbeitung, Uni Köln 2012 Was ist ein Schwarm? Aggregation von Individuen gleicher Art
MehrAmeisenkolonien (1) Idee: Reale Ameisen:
Ameisenkolonien (1) Idee: Von M. Dorigo, 1992 Verhalten von Ameisen bei der Futtersuche Ameisen hinterlassen Pheromon-Spur (Chem. Substanz) Pfade mit hoher Pheromon-Konzentration werden bevorzugt Indirekte
MehrAmeisenkolonien (2) Ameisenkolonien (1)
Ameisenolonien () Idee: Von M. Dorigo, 992 Verhalten von Ameisen bei der Futtersuche Ameisen hinterlassen Pheromon-Spur (Chem. Substanz) Pfade mit hoher Pheromon-Konzentration werden bevorzugt Indirete
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Joachim Schauer Betriebliche Optimierung 1 / 31 1 Metaheuristische Verfahren 2 Joachim Schauer Betriebliche Optimierung 2 / 31 Einleitendes Metaheuristische Verfahren
MehrSchwarmintelligenz. Hannah Goldschmidt Jana Köllmann
Schwarmintelligenz Hannah Goldschmidt Jana Köllmann Gliederung 1. 2. 3. 4. 5. Was ist Schwarmintelligenz? Algorithmen Robotik Zukunftsausblick Zusammenhang mit KI 1. Was ist Schwarmintelligenz Was ist
MehrAmeisenalgorithmen auf rekonfigurierbaren Rechensystemen Tübingen, 29. April Ameisenalgorithmen auf rekonfigurierbaren Rechensystemen
Ameisenalgorithmen auf rekonfigurierbaren Rechensystemen Bernd Scheuermann Hartmut Schmeck Institut für Angewandte Informatik und Formale Beschreibungsverfahren () Universität Karlsruhe (TH) Gliederung
MehrWarum stossen Tiere im Schwarm nicht zusammen?
Warum stossen Tiere im Schwarm nicht zusammen? In der Klasse der Vögel (Aves) und Fische (Pisces) ist das Phänomen der Aggregationen von Individuen meist gleicher Art und Größe - beobachtbar. Die physiologische
MehrSchwärme bei Vögeln: Schwarmintelligenz? PD Dr. Lukas Jenni Schweizerische Vogelwarte Sempach
Schwärme bei Vögeln: Schwarmintelligenz? PD Dr. Lukas Jenni Schweizerische Vogelwarte Sempach forschen schützen - informieren Die Schweizerische Vogelwarte Sempach gemeinnützige Stiftung für Vogelkunde
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrAblaufplanung bei Werkstattfertigung
Markus Danninger Ablaufplanung bei Werkstattfertigung Ameisenalgorithmen zur Minimierung der mittleren Durchlaufzeit V INHALTSVERZEICHNIS Abkürzungsverzeichnis Symbolverzeichnis Abbildungsverzeichnis Tabellenverzeichnis
MehrAmeisenalgorithmen Dynamische Fahrzeugnavigation
Ameisenalgorithmen Dynamische Fahrzeugnavigation Seminar SS 2005 Künstliche Intelligenz Thomas Walther Agenda 1. Einleitung 2. Reale Ameisen und künstliche Ameisen 3. Ant Colonisation Optimisation 4. Ant
MehrStaatenbildende Insekten als Vorbilder für. Software-Agenten. Axel Beckert, 7. Juli Seminarvortrag Bionik Sommersemester 2000
Staatenbildende Insekten als Vorbilder für Software-Agenten Seminarvortrag Bionik Sommersemester 2000 Axel Beckert, abe@cs.uni-sb.de 7. Juli 2000 Axel Beckert 1 7. Juli 2000, ACO-Seminar-Vortrag.T E X
MehrSchwarmintelligenz und Wissenschaftskommunikation
Workshop Crowdsourcing, Swarm Intelligence, Data Mining und die Wissenschaften Schwarmintelligenz und Wissenschaftskommunikation Dr. Frank Sander München, 21.& 22. Januar 2013 21.01.2013 Template Entwurf
MehrIntelligente Systeme
Intelligente Systeme Schwarmintelligenz Prof. Dr. R. Kruse C. Braune {kruse,cbraune}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität
MehrSeminar über Neuronale Netze und Maschinelles Lernen WS 06/07
Universität Regensburg Naturwissenschaftliche Informatik Seminar über Neuronale Netze und Maschinelles Lernen WS 06/07 Cluster-Algorithmen II: Neural Gas Vortragender: Matthias Klein Gliederung Motivation:
MehrVon der Natur lernen Optimierungsverfahren. Dr. Ute Vogel Universität Oldenburg Department für Informatik Umweltinformatik.
Von der Natur lernen Optimierungsverfahren Dr. Ute Vogel Universität Oldenburg Department für Informatik Umweltinformatik der Informatik Motivation Starre Strukturen Selbstorganisation Programmierung solcher
MehrOptimierung auf rekonfigurierbaren Rechensystemen
Optimierung auf rekonfigurierbaren Rechensystemen Evolution in dynamisch rekonfigurierbarer Hardware Peter Bungert Hartmut Schmeck Institut für Angewandte Informatik und Formale Bescheibungsverfahren (AIFB)
Mehr09. Übung zu Algorithmen I 12. Juli 2017
09. Übung zu Algorithmen I 12. Juli 2017 Björn Kaidel bjoern.kaidel@kit.edu mit Folien von Lukas Barth 1 / 67 Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP
MehrAdvanced Movements. Manuel Ladebeck
Advanced Movements Flocking Manuel Ladebeck 16.05.2005 Inhalt 1. Was ist Flocking? 2. Classic (Basic) Flocking 3. Obstacle Avoidance 4. Follow the leader 5. Demo 6. Anmerkungen/Ausblick 7. Quellen Was
MehrPartikelschwarmoptimierung für diskrete Probleme
Partikelschwarmoptimierung für diskrete Probleme Yushan Liu Fakultät für Mathematik TU München 26. Oktober 2014 Ferienakademie im Sarntal - Kurs 1 Moderne Suchmethoden der Informatik: Trends und Potenzial
MehrGenetische Algorithmen. Uwe Reichel IPS, LMU München 8. Juli 2008
Genetische Algorithmen Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 8. Juli 2008 Inhalt Einführung Algorithmus Erweiterungen alternative Evolutions- und Lernmodelle Inhalt 1 Einführung
MehrEvolutionäre Algorithmen Metaheuristiken und verwandte Optimierungsverfahren II/II
Evolutionäre Algorithmen Metaheuristiken und verwandte Optimierungsverfahren II/II Prof. Dr. Rudolf Kruse Pascal Held {kruse,pheld}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät
MehrSurvival of the Fittest Optimierung mittels Genetischer Algorithmen
Übung zu Organic Computing Survival of the Fittest Optimierung mittels Genetischer Algorithmen Sabine Helwig Lehrstuhl für Informatik 12 (Hardware-Software-Co-Design) Universität Erlangen-Nürnberg sabine.helwig@informatik.uni-erlangen.de
MehrVertiefte Themen in Mobilen und Verteilten Systemen
Seminar Vertiefte Themen in Mobilen und Verteilten Systemen Veranstalter: Prof. Dr. Linnhoff-Popien Durchführung: Marie Kiermeier, Sebastian Feld Seminar Trends in Mobilen und Verteilten Systemen Folie
MehrHauptseminar Roboternavigation. Kartenaufbau nach Thrun
Hauptseminar Roboternavigation Kartenaufbau nach Thrun Hannes Keil keil@in.tum.de 18. Januar 2002 Überblick Kartenaufbau nach Thrun Überblick 1. Einführung in den Kartenbau 2. Einführung in den Aufbau
MehrGP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness
GP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness Raters Brad Johanson, Riccardo Poli Seminarvortrag von Thomas Arnold G ˇ ˇ ˇ ˇ WS 2012/13 TU Darmstadt Seminar
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 12 Dr. Thomas Efer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 27. Juni 2018 [Letzte Aktualisierung: 29/06/2018, 10:47]
MehrKünstliche Intelligenz
Künstliche Intelligenz Bearbeitet von Uwe Lämmel, Jürgen Cleve 4., aktualisierte Auflage 2012. Buch. 336 S. ISBN 978 3 446 42758 7 Format (B x L): 18 x 24,5 cm Gewicht: 717 g Weitere Fachgebiete > EDV,
Mehr14. Schwarmbasierte Optimierungsverfahren FEURO UZZY
14. Schwarmbasierte Optimierungsverfahren S Überblick Optimierungsverfahren Allgemeine Problemstellung und Voraussetzungen Einige einfache/klassische Optimierungsverfahren Das Problem lokaler Optima Beispiele:
MehrSicherheitsmechanismen für CANbasierte Dienstlokalisierung in Sensornetzen
Sicherheitsmechanismen für CANbasierte Dienstlokalisierung in Sensornetzen Ingmar Baumgart Hans-Joachim Hof Prof. Dr. M. Zitterbart Institut für Telematik, Universität Karlsruhe (TH) Neue Herausforderungen
MehrIntelligente Systeme
Intelligente Systeme Computational Intelligence Prof. Dr. R. Kruse C. Braune C. Doell {kruse,cbraune,doell}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik
MehrAblauforganisationsmanagementsysteme
Vortrag am 30.5.2011 Christof Sander Ablauforganisationsmanagementsysteme Wie immer geht es um Zeit Gliederung Einführung Anforderungen Simpler Komplexer Erweiterungsmöglichkeiten Quellen 2 Anforderungen
MehrBetrieb von Kraftwerken als zukünftiges Forschungsfeld. Robert Pitz-Paal, Bernhard Hoffschmidt
Betrieb von Kraftwerken als zukünftiges Forschungsfeld Robert Pitz-Paal, Bernhard Hoffschmidt DLR.de Folie 2 Solarthermische Kraftwerke sind komplexe Systeme 110 MW 10 Std. Speicher > 10.000 Heliostate
MehrBeispielbild. Georouting. Jakob Pfender Institut für Informatik
Beispielbild Georouting Jakob Pfender Institut für Informatik 28. 01. 2010 Einleitung -Geographische Position statt logischer Adresse -Motivation: Verteilte Netze ohne feste Topologie, bewegliche Knoten
MehrLocal Search Algorithmen 1
Local Search Algorithmen 1 Seminar über Algorithmen Manuel Gellfart 18.05.2012 Fachbereich Mathematik und Informatik 18.05.2012 2 Gliederung 1. Einleitung 2. Theorie 3. Beispiel: Vertex Cover 4. Beispiel:
MehrÜbungen zu Rechnerkommunikation Wintersemester 2010/2011 Übung 7
Übungen zu Rechnerkommunikation Wintersemester 00/0 Übung 7 Mykola Protsenko, Jürgen Eckert PD. Dr.-Ing. Falko Dressler Friedrich-Alexander d Universität Erlangen-Nürnberg Informatik 7 (Rechnernetze und
MehrIntelligente Systeme
Intelligente Systeme Schwarmbasierte Optimierungsverfahren Prof. Dr. R. Kruse C. Moewes G. Ruß {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Arbeitsgruppe Computational Intelligence Institut für Wissens-
MehrAI in Computer Games. Übersicht. Motivation. Vorteile der Spielumgebung. Techniken. Anforderungen
Übersicht AI in Computer Games Motivation Vorteile der Spielumgebung Techniken Anwendungen Zusammenfassung Motivation Vorteile der Spielumgebung Modellierung glaubwürdiger Agenten Implementierung menschlicher
MehrVorlesung/Seminar: Modellierung dynamischer und adaptiver Systeme, Wintersemester 2017/18
Vorlesung/Seminar: Modellierung dynamischer und adaptiver Systeme, Wintersemester 2017/18 ModaS 0-1 Zeit: Donnerstag 12-14 Uhr, Beginn: 19.10. 2017 Ort: HG, Hörsaal M 201 WWW-Seite: https://www.sosy-lab.org/teaching/2017-ws-seminar-modas/
MehrHybrid Optimization Methods for Warehouse Logistics and the Reconstruction of Destroyed Paper Documents
Hybrid Optimization Methods for Warehouse Logistics and the Reconstruction of Destroyed Paper Documents Betreut von: ao.univ.-prof. Dr. Günther R. Raidl ao.univ.-prof. Dr. Ulrich Pferschy 25. Jänner 2010
MehrOptim ierung auf rekonfigurierbaren Rechensyst em en
Zwischenkolloquium SPPRR Optim ierung auf rekonfigurierbaren Rechensyst em en M. Ghiath Khatib Bernd Scheuermann Hartmut Schmeck Institut für Angewandte Informatik und Formale Beschreibungsverfahren Universität
Mehr14. Schwarmbasierte Optimierungsverfahren
14. Schwarmbasierte Optimierungsverfahren basierend auf Folien von C. Borgelt S F UZZY Überblick Optimierungsverfahren Allgemeine Problemstellung und Voraussetzungen Einige einfache/klassische Optimierungsverfahren
MehrOrganic Computing. Vortrag im Rahmen von Advanced Seminar Computer Engineering. Oleksandr Pavlichenko
Organic Computing Vortrag im Rahmen von Advanced Seminar Computer Engineering Oleksandr Pavlichenko Gliederung Motivation Einführung Bausteine Einsatzgebiete und Projektbeispiele Zusammenfassung 2 Motivation
MehrOptimierungsstrategien für selbstorganisierende Speicherstrukturen
Optimierungsstrategien für selbstorganisierende Speicherstrukturen Robert Schelkle Karlsruher Institut für Technologie (KIT) Institut für Technische Informatik (ITEC) Lehrstuhl für Rechnerarchitektur und
MehrVisualisierung von großen Musiksammlungen unter Berücksichtigung projektionsbedingter Verzerrungen
Data & Knowledge Engineering Group Visualisierung von großen Musiksammlungen unter Berücksichtigung projektionsbedingter Verzerrungen Sebastian Stober Überblick Problembeschreibung von Bergen, Tälern und
MehrPG 431 Metaheuristiken
PG 431 Metaheuristiken Seminar Optimierung Wie und warum? Dirk Hoppe Überblick Einführung Optimierungsverfahren Anwendungen Der Begriff Optimierung Littger, Optimierung (1992): Unter Optimierung versteht
MehrLokalisierung und Topologiekontrolle
Lokalisierung und Topologiekontrolle Seminar: Kommunikation in drahtlosen Sensornetzwerken Martin Schmidt Einführung Lokalisierung: Für viele Informationen ist die Position wichtig Traditionelle Technik
MehrIntelligente EKG-Analyse Dipl.-Ing. Gero von Wagner
FZI Forschungszentrum Informatik an der Universität Karlsruhe MIT- Medizinische Informationstechnik Telemetrisches Diagnosenetz Intelligente EKG-Analyse Dipl.-Ing. Gero von Wagner FZI Forschungszentrum
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel1 aus "Abenteuer Informatik" von Jens
MehrEntwicklung einer reaktiven Fertigungssteuerung auf der Basis der Ant-Colony-Optimierung
Entwicklung einer reaktiven Fertigungssteuerung auf der Basis der Ant-Colony-Optimierung Zur Erlangung des akademischen Grades eines Doktors der Ingenieurwissenschaften der Fakultät für Maschinenbau des
MehrEvolutionäre Algorithmen Einführung
Evolutionäre Algorithmen Einführung Prof. Dr. Rudolf Kruse Pascal Held {kruse,pheld}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut für Wissens- und Sprachverarbeitung
MehrAutomatic segmentation for dental operation planning. Diplomarbeit. Nguyen The Duy
Automatic segmentation for dental operation planning Diplomarbeit Nguyen The Duy 24.02.2012 Motivation Quelle: bestbudapestdentist.com Aufgabenstellung Segmentierung des Oberkiefers (Maxilla) Detektion
MehrSynthese Eingebetteter Systeme. Übung 6
12 Synthese Eingebetteter Systeme Sommersemester 2011 Übung 6 Michael Engel Informatik 12 TU Dortmund 2011/07/15 Übung 6 Evolutionäre Algorithmen Simulated Annealing - 2 - Erklären Sie folgende Begriffe
MehrTopologieerkennung von Sensornetzwerken
looz@ira.uka.de Institut für Theoretische Informatik - Algorithmik I 26. Januar 2010 Übersicht Motivation Definitionen Überlegungen Algorithmus Resultate Motivation Definitionen Überlegungen Algorithmus
MehrKonzepte der Informatik
Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen Konzepte der Informatik Vorkurs Informatik zum WS 2012/2013 01.10. - 12.10.2012 Dr. Werner Struckmann / Tim Winkelmann Stark angelehnt
Mehr- Soccer Simulation - Dietmar Lammers / Hochschultag. Institut für Informatik Universität Münster. Agenten und Roboter.
Agenten Agenten und - Soccer Simulation - Institut für Informatik Universität Münster 2008-11-06 / Hochschultag Gliederung Agenten 1 Agenten 2 3 4 2006 2007 5 Agenten - Agenten Autonom agierende Programme
MehrVorlesung/Seminar: Modellierung dynamischer und adaptiver Systeme, Wintersemester 2016/17
Vorlesung/Seminar: Modellierung dynamischer und adaptiver Systeme, Wintersemester 2016/17 ModaS 0-1 Zeit: Donnerstag 12-14 Uhr, Beginn: 20.10. 2016 Ort: HG, Hörsaal M 201 WWW-Seite: http://www.pst.ifi.lmu.de/lehre/wise-16-17/moddas
MehrOrganic Computing in Mobilen Arbeitsmaschinen
Organic Computing in Mobilen Arbeitsmaschinen H. Schmeck, S. Mostaghim, M. Wünsche 1) M. Geimer, T. Kautzmann 2) Institut für Angewandte Informatik und Formale Beschreibungsverfahren (), Lehrstuhl für
MehrProseminar K.I. - Thomas Twardawski. Biomimetische Robotik
Proseminar K.I. - Thomas Twardawski Biomimetische Robotik 29.06.2011 Gliederung 1. Begriffserklärung 2. Navigationsarten 3. Beispielroboter 4. Quellen 1. Begriffserklärung Bionik Biologie und Technik.
MehrTraffic Engineering with traditional Routing Protocols. SE Internet Routing, 2008, TU Berlin Florian Holzhauer
Traffic Engineering with traditional Routing Protocols SE Internet Routing, 2008, TU Berlin Florian Holzhauer fh-tu@fholzhauer.de Intra Domain Routing Routing innerhalb eines eigenen Netzes Protokoll relativ
MehrPSE Verkehrssimulation
PSE Verkehrssimulation Einführung in die Thematik Michael Moltenbrey, Dirk Pflüger 16. Oktober 2007-1- Gliederung Motivation Ablauf des Praktikums Aufgabenstellungen Scheinkriterien Gruppeneinteilung Einführung
MehrAdaptive Systeme. Einführung. Grundlagen. Modellierung. Prof. Rüdiger Brause WS Organisation. Einführung in adaptive Systeme B-AS-1, M-AS-1
Adaptive Systeme Prof. Rüdiger Brause WS 2013 Organisation Einführung in adaptive Systeme B-AS-1, M-AS-1 Vorlesung Dienstags 10-12 Uhr, SR11 Übungen Donnerstags 12-13 Uhr, SR 9 Adaptive Systeme M-AS-2
MehrSensorische Ökologie
Sommerakademie Olang 2008 12.09.2008 Was ist? Warum interessiert uns? Denition von Leben Life may be dened operationally as an information processing system a structural hierarchy of functioning units
MehrAlgorithmen für Routenplanung 7. Sitzung, Sommersemester 2010 Thomas Pajor 28. Mai 2010
Algorithmen für Routenplanung 7. Sitzung, Sommersemester 2010 Thomas Pajor 28. Mai 2010 INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK I PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrSwarm Optimization Techniques for 3D Vision
Swarm Optimization Techniques for 3D Vision Dipl.Ing. Ulrich Kirchmaier 1 Übersicht 1. Bildverarbeitung und Computer Vision 1. Merkmale : Kanten, Ecken, Punkte 2. Anwendungen: Tracking, 3D Rekonstruktion
MehrAlgorithmen für Routenplanung 8. Sitzung, Sommersemester 2012 Thomas Pajor 21. Mai 2012
Algorithmen für Routenplanung 8. Sitzung, Sommersemester 2012 Thomas Pajor INSTITUT FÜR THEORETISCHE INFORMATIK ALGORITHMIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und nationales
MehrSeminar Verkehrsinformatik Offline-Optimierung der Lichtsignal-Koordinierung mittels genetischer Algorithmen
Fachhochschule Wedel - SS 2006 Seminar Verkehrsinformatik Offline-Optimierung der Lichtsignal-Koordinierung mittels genetischer Algorithmen Marco Lehmann (wi5909) m@rco-l.de 3. Juli 2006 Gliederung 1.
MehrTensorFlow Open-Source Bibliothek für maschinelles Lernen. Matthias Täschner Seminar Deep Learning WS1718 Abteilung Datenbanken Universität Leipzig
TensorFlow Open-Source Bibliothek für maschinelles Lernen Seminar Deep Learning WS1718 Abteilung Datenbanken Universität Leipzig Motivation Renaissance bei ML und KNN Forschung bei DNN fortgeschrittene
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
MehrLeistungskurs Physik A40/Q1. Dienstag, den , 3. Block
Stundenprotokoll Fach: Fachlehrer: Zeit: Protokollant: Thema der Stunde: Leistungskurs Physik A40/Q1 Herr Winkowski Dienstag, den 13.09.11, 3. Block Christian Täge Vertiefung der Kreisbewegung Gliederung
MehrSeminar Künstliche Intelligenz Wintersemester 2013/14
Seminar Künstliche Intelligenz Wintersemester 2013/14 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 31.10.2013 2 / 13 Überblick Teilgebiete der KI Problemlösen,
MehrGabriella Kókai: Computational Intelligence Lehrstuhl für Informatik 2
Ameiseolonien Ant Systeme für TSP AS Variationen Min-Max Ant System Ant Colony System (ACS) ACS Variationen Fast Ant System Ant Colony Optimization Meta Heuristic- ACO Anwendung in der Bioinformati Dorigo
MehrLearning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation. Yupeng Guo
Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation Yupeng Guo 1 Agenda Introduction RNN Encoder-Decoder - Recurrent Neural Networks - RNN Encoder Decoder - Hidden
MehrHören unter Wasser Arbeitsblatt
Lehrerinformation 1/5 Arbeitsauftrag Die SuS lösen ein zum Thema. Ziel Die SuS wissen, wie Fische und Delfine hören. Material Sozialform EA Zeit 30 Zusätzliche Informationen: Beispiele von Walgesängen
MehrIntelligente Systeme. Einführung. Christian Moewes
Intelligente Systeme Einführung Prof. Dr. Rudolf Kruse Christian Moewes Georg Ruß {kruse,russ,cmoewes}@iws.cs.uni-magdeburg.de Arbeitsgruppe Computational Intelligence Institut für Wissens- und Sprachverarbeitung
MehrAMEISENSYSTEME. Arno Klein
1 AMEISENSYSTEME Arno Klein Vortrag im Seminar Moderne Heuristien, betreut durch ao. Univ.-Prof. Mag. Dr. Manfred Gronalt, Lehrstuhl für Wirtschaftsinformati der Technischen Universität Clausthal, vorgetragen
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrGraphentheorie. Kürzeste Wege. Kürzeste Wege. Kürzeste Wege. Rainer Schrader. 25. Oktober 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 25. Oktober 2007 1 / 20 2 / 20 Wir werden Optimierungsprobleme vom folgenden Typ betrachten: gegeben eine Menge X und eine Funktion
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 19 1 Joachim Schauer ( Institut für
MehrBiologie Technik. Lernen aus den Bauplänen der Natur
Biologie Technik Lernen aus den Bauplänen der Natur Bionik Lernen aus den Bauplänen der Natur Biologie Bionik Lernen aus den Bauplänen der Natur Biologie Elektrotechnik Bionik Lernen aus den Bauplänen
MehrImplementierung des Scan-Matching-Algorithmus MbICP im Fach Mensch-Maschine- Kommunikation/Robotik
Implementierung des Scan-Matching-Algorithmus MbICP im Fach Mensch-Maschine- Kommunikation/Robotik Betreuer: Dipl.-Inf. (FH) Peter Poschmann Enrico Uhlig, Markus Fischer, Marcus Kupke 26. Jun 2012 1 Gliederung
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Die Forschungsuniversität Meyerhenke, in der Institut für Theoretische Informatik
MehrSimulation einer selbstorganisierenden Fertigungssteuerung auf Basis der Ant-Colony-Optimierung
Integrationsaspekte der Simulation: Technik, Organisation und Personal Gert Zülch & Patricia Stock (Hrsg.) Karlsruhe, KIT Scientific Publishing 2010 Simulation einer selbstorganisierenden Fertigungssteuerung
MehrSelbstorganisation: Warum Pflanzen nach mathematischen Mustern wachsen
Selbstorganisation: Warum Pflanzen nach Seminararbeit Johannes Jendersie johannes.jendersie@st.ovgu.de Otto-von-Guericke-Universität Magdeburg Universitätsplatz 2, D-39106 Magdeburg Gliederung Motivation
MehrRealisierung einer Problemlösungsstrategie für Logistikprozesse im Krankenhaus durch agentenbasierte Simulation
Realisierung einer Problemlösungsstrategie für Logistikprozesse im Krankenhaus durch agentenbasierte Simulation Lydia Lotzmann 12.07.2013 Institut für Medizinische Informatik, Statistik und Epidemiologie
MehrBienen-inspiriertes Straßenverkehrsrouting
Bienen-inspiriertes Straßenverkehrsrouting http://ls3-www.cs.tu-dortmund.de Sebastian Lehnhoff Sebastian Senge Anca M. Lazarescu Lehrstuhl für Betriebssysteme und Rechnerarchitektur Agenda Einleitung Hintergrund
MehrLinien- / Flächenfindung in Bildern der PMD-3D-Kamera. Hochschule für Technik und Wirtschaft Dresden
Linien- / Flächenfindung in Bildern der PMD-3D-Kamera Angelos Drossos Marius Vopel Christian Lenke Hochschule für Technik und Wirtschaft Dresden Fakultät Informatik / Mathematik Fachgebiet Künstliche Intelligenz
MehrKünstliche neuronale Netze
Künstliche neuronale Netze Sebastian Morr 4. Juni 2008 Worum geht es? Die Natur hat uns 3,7 Milliarden Jahre Forschungszeit voraus. Toby Simpson Vorbild: Strukturen des Gehirns Ziel: Lernfähige Künstliche
MehrFACHARTIKEL der Dunkermotoren GmbH im August 2017
Schwarmintelligenz in der Antriebswelt Der Bienenstock wurde schon oft als Musterbeispiel für Schwarmintelligenz herangezogen: Höchste Produktivität, perfekte Organisation, punktgenaue Kommunikation und
MehrProfessur für Energiespeichersysteme
1. Herbstworkshop Energiespeichersysteme Dezentrale Sektorkopplung und hybride Energiespeichersysteme Fuzzy-Regelung zur Betriebsführung eines hybriden Energiespeichersystems Professur für Energiespeichersysteme
MehrOrientierungsvorlesung Theoretische Informatik Algorithmen und Kombinatorik Auf der Suche nach schönen Strukturen
Orientierungsvorlesung Theoretische Informatik Algorithmen und Kombinatorik Auf der Suche nach schönen Strukturen Rolf Wanka Universität Erlangen-Nürnberg 29. November 2017 Shearsort: 2-dimensionales Gitter
MehrKünstliche Intelligenz - Optimierungsprobleme - Suche in Spielbäumen
Künstliche Intelligenz - Optimierungsprobleme - Suche in Spielbäumen Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Optimierungsprobleme
MehrGet Your Study Plan. Patrick Bittner, Christopher Ritter, Thomas Hildmann tubit IT Service Center INFORMATIK 2014 Workshop: Hochschule 2020
Get Your Study Plan Patrick Bittner, Christopher Ritter, Thomas Hildmann tubit IT Service Center INFORMATIK 2014 Workshop: Hochschule 2020 Motivation Neue Studierende haben keinen Stundenplan Regeln unbekannt
MehrHeuristische Optimierungsverfahren: Instrument zur sinnhaften Vollautomatisierung in Unternehmen. Professor Dr. Franz Rothlauf
Heuristische Optimierungsverfahren: Instrument zur sinnhaften Vollautomatisierung in Unternehmen Antrittsvorlesung 19. Juni 2008 Professor Dr. Franz Rothlauf Prof. Dr. Franz Rothlauf - Antrittsvorlesung
MehrZusätzlich eine Juniorprofessur Algorithmische Spieltheorie (Skopalik)
Bereich Modelle und Algorithmen (MuA) Vertreten durch 3 Fachgebiete Codes und Kryptographie (Blömer) Algorithmen und Komplexität (Meyer auf der Heide) Theorie verteilter Systeme (Scheideler) Zusätzlich
MehrGenetische Programmierung
15. Juli 2007 Anfang der 90er von John R. Koza entwickelt. Verfahren zur automatisierten Erstellung von Programmen. Von der Evolution inspiriert. Anforderungen an die Möglichst korrekte Lösung ergeben
Mehr