Computational Intelligence

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 herkömmlichen 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 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 evolutionären Algorithmen als ein iterativer Verbesserungsprozess aufgefasst und entsprechend umgesetzt. Typische Anwendungsgebiete sind Optimierungsprobleme, für die keine Spezialverfahren der mathematischen Optimierung zu Verfügung stehen.

Beim Konzept der Schwarm-Intelligenz wird das erwünschte Gesamtverhalten eines Systems durch das vernetzte Einzelverhalten zahlreicher Individuen ohne eine zentrale Steuerung hervorgerufen. So führt die Modellierung des Sozialverhaltens von Ameisenkolonien zu den sogenannten Ameisenalgorithmen für die kombinatorische Optimierung, während Partikelschwarmverfahren den Bewegungen von Vogel- oder Fischschwärmen nachempfunden sind und zur kontinuierlichen Optimierung eingesetzt werden.

Die künstlichen Immunnetzwerke sind inspiriert vom Immunsystem der Wirbeltiere, welches zwischen körpereigenen und körperfremden Zellen unterscheiden und dieses Wissen im Immunsystem dynamisch speichern kann. Typisches Anwendungsgebiet ist die Mustererkennung und hier speziell die Klassifikation.

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 Anwendungsentwicklungen in den Bereichen Maschinenbau, Elektrotechnik und chemischer Verfahrenstechnik sollen nun verstärkt auch biotechnologische Problemstellungen bearbeitet werden.