~~NOTOC~~ ====== Computational Intelligence (Prof. Rudolph) ====== {{ rudolph:ag-rudolph-2022-s.jpg?direct&700|}} ===== Group ===== * [[staff:rudolph|Prof. Dr. Günter Rudolph]] * [[staff:nicolas_fischoeder|Nicolas Fischöder]] * [[staff:kuzmic|Jurij Kuzmic]] * [[staff:ostermann|Fabian Ostermann]] * [[staff:pleines|Marco Pleines]] * [[staff:vatolkin|Dr. Igor Vatolkin]] Former Group Members: * Prof. Dr. Thomas Bartz-Beielstein * Dr. Nicola Hochstrate (Beume) * Prof. Dr. Oliver Kramer * Prof. Dr. Boris Naujoks * Prof. Dr. Mike Preuss * Dipl.-Inform. Jan Quadflieg * [[http://gameai.eecs.qmul.ac.uk/team_member/vanessa-volz/|Dr. Vanessa Volz]] * Dr. Simon Wessing * [[staff:kalkreuth|Dr. Roman Kalkreuth]] * [[staff:zey|Dr. Bernd Zey]] * Marius Bommert ===== Forschungsthemen ===== * [[rudolph:optimization|Optimierung]] * [[rudolph:mi|Musikinformatik]] * [[rudolph:cig|Computational Intelligence in Spielen]] ===== Lehre ===== * Unsere Lehrveranstaltungen finden Sie auf der [[de:teaching:lectures|allgemeinen Seite des Lehrstuhls]] * [[de:rudolph:studententhemen|Informationen zu Abschlussarbeiten (Bachelor, Master)]] ===== Übersicht ===== Unter dem Terminus Computational Intelligence (CI) verstehen wir das Studium der Informationsverarbeitung in natürlichen, insbesondere biologischen, Systemen und die Umsetzung der dabei gewonnenen Erkenntnisse in algorithmische Konzepte für Problemstellungen, die sich mit herkömlichen Methoden auf digitalen Rechnern nur schwer oder noch gar nicht bearbeiten lassen. Ursprünglich wurden der CI nur die algorithmischen Konzepte der künstlichen neuronalen Netze (NN), der [[:de:rudolph:ea|evolutionären Algorithmen]] (EA) und der Fuzzy-Systeme (FS) zugerechnet. Diese wurden mittlerweile etwa durch die algorithmischen Konzepte der Schwarmintelligenz (SI) und der künstlichen Immunsysteme (IS) ergänzt. Bei Fuzzy-Systemen bildet man die menschliche Fähigkeit nach, auch mit unscharfen Begriffen und Angaben erfolgreich Informationen verarbeiten zu können und etwa Schlußfolgerungen daraus zu ziehen. Typische Anwendungsgebiete sind unscharfe Regler und zunehmend die Wissensentdeckung (Data Mining). Künstliche Neuronale Netze sind die algorithmische Umsetzung biologisch inspirierter Modelle der Informationsverarbeitung im Gehirn und Nervensystem. Anstatt einen Lösungsweg explizit ausprogrammieren und analysieren zu müssen, nutzt man etwa die Fähigkeit neuronaler Netze, eine Lösungsstrategie anhand von präsentierten Beispielen zu erlernen. Ein typisches Anwendungsgebiet ist die Mustererkennung (z.B. zur Anomaliedetektion, Signalklassifikation oder Spracherkennung). Der Prozess der Variation und Auslese im Rahmen der genetischen Vererbung wird bei den [[:de:rudolph:ea|evolutionären Algorithmen]] als ein iterativer Verbesserungsprozess aufgefasst und entsprechend umgesetzt. Typische Anwendungsgebiete sind Optimierungsprobleme, für die keine Spezialverfahren der mathematischen Optimierung zu Verfügung stehen. Unsere Arbeitsgebiete im Bereich CI lassen sich grob in drei Schwerpunkte gliedern:
Theorie

Zum Verständnis von CI-Methoden ist eine detaillierte formale Analyse ihrer Arbeitsweise notwendig. Dies beinhaltet auch eine theoretische Betrachtung der Leistungsfähigkeit dieser Methoden auf verschiedenen Einsatzgebieten.

Operationalisierung

Das Ausmaß des Erfolgs bei Anwendungen von CI-Methoden hängt wesentlich von dem Erfahrungswissen und der Intuition des beteiligten CI-Experten ab. Um auch weniger CI-erfahrenen Anwendern zu einem Erfolg zu verhelfen, entwickeln wir formale Richtlinien und Anleitungen dafür, wie die theoretischen algorithmischen CI-Konzepte zuverlässig in eine konkrete Anwendung umgesetzt werden sollten.
Anwendung

Neben den klassischen Anwendungen in den Bereichen Maschinenbau, Elektrotechnik und chemischer Verfahrenstechnik sollen nun verstärkt auch Problemstellungen aus der Unterhaltungsindustrie bearbeitet werden.