Organic Computing

Dozent:

Prof. Dr. rer. nat. Rolf Wanka

Modulbeschreibung:

Organic Computing

Umfang/Stunden:

V2 + Ü2, 5 ECTS

Zielgruppe:

Studenten der Informatik, der Medizintechnik,
der I&K und des Computational Engineering,
Interessenten anderer Fächer

Ort und Zeit der Vorlesung:

Mittwoch, 10:15 – 11:45 Uhr, Raum K1-119

Übungsgruppenleiter:

Matthias Kergaßner

Ort und Zeit der Übungen:

Dienstag, 08:15 – 09:45 Uhr, Raum 00.151-113
Mittwoch, 12:15 – 13:45 Uhr, Raum 00.151-113
Die (Programmier-) Übungen finden bis auf Weiteres als Zoom Meeting statt. Die Zugangsdaten stehen im StudOn-Kurs zur Verfügung.

Programmierübungen (Termine werden bekannt gegeben)

Dienstag, 08:15 – 09:45 Uhr, Raum 02.133-128 (CIP Pool Lehrstuhl für Informatik 12 (Hardware-Software-Co-Design))
Mittwoch, 12:15 – 13:45 Uhr, Raum 02.133-128 (CIP Pool Lehrstuhl für Informatik 12 (Hardware-Software-Co-Design))

Termine

  • 22. April 2020: Beginn der Vorlesungen
  • 28. April 2020: Beginn der Übungen
  • Die Übung entfällt am 02. Juni 2020 (Bergdienstag).

Wegen der Corona-Einschränken wird die Lehrveranstaltung bis auf Weiteres „digital“ bzw. „online“ stattfinden. Bitte melden Sie sich bei StudOn an und Sie werden weitere Informationen zu gegebener Zeit per Email von uns erhalten.

Anmeldung:

Bitte melden Sie sich im StudOn für den Kurs zur Vorlesung an. Diese Anmeldung dient nicht der Prüfungsanmeldung sondern führt lediglich dazu, dass Sie in den Mailverteiler zu dieser Vorlesung aufgenommen werden.

Übungsblätter:

Beschreibung:

In dieser Vorlesung werden die Prinzipien, grundlegenden Techniken und erste Analysemethoden des Organic Computing vorgestellt.

Video-Aufzeichung:

Die Video-Aufzeichung vom Sommersemester 2013 ist hier. Aus dem Uni-Netz frei zugänglich.

Inhalte:

Unter Organic Computing (OC) versteht man den Entwurf und den Einsatz von selbst-organisierenden Systemen, die sich den jeweiligen Umgebungsbedürfnissen dynamisch anpassen. Diese Systeme zeichnen sich dadurch aus, dass sie die sog. Self-*-Eigenschaft besitzen, d.h. sie sind selbst-konfigurierend, selbst-optimierend, selbst-heilend, selbst-schützend, selbst-erklärend, …

Als Vorbild für solche technischen Systeme werden Strukturen und Methoden biologischer und anderer natürlicher Systeme gewählt.

Im Einzelnen werden behandelt:

  • OC-Prinzipien
    • Self-*-Eigenschaften
    • Emergenz, Autonomie, Föderation, Selbstorganisation, …
  • OC-Techniken und ihre Analyse
    • Partikelschwarmoptimierung
    • Messen von Emergenz: Websuche mit dem HITS- und dem Pagerank-Algorithmus
      Die Folien zum HITS-Algorithmus
    • Ameisen-Systeme: Berechnung kürzester Wege und Rundreisen
    • Genetische Algorithmen
  • OC-Anwendung
    • Die Small World Hypothesis und das Internet
    • Peer-to-Peer-Netzwerke
      • Napster, Gnutella
      • Das CAN-Netzwerk (Content Addressable Network)
      • Das Viceroy-Netzwerk

Literatur zum ersten Teil der Vorlesung (Prinzipien und Techniken):

  • Ch. Müller-Schloer, S. Tomforde. Organic Computing- Technical Systems for Survival in the Real World. Birkhäuser, 2018.
    [doi:10.1007/978-3-319-68477-2]
  • Ch. Müller-Schloer, Ch. von der Malsburg, R. P. Würt. Organic Computing. Informatik-Spektrum, Band 27, Nummer 4, S. 332-336.
    [doi:10.1007/s00287-004-0409-6]
  • Ch. Müller-Schloer, H. Schmeck. Organic Computing: A Grand Challenge for Mastering Complex Systems. it – Information Technology 52 (2010) 135-141. [doi:10.1524/itit.2010.0582]
  • Partikelschwarm-Forschung in Erlangen
  • I. C. Trelea. The particle swarm optimization algorithm: convergence analysis and parameter selection. Information Processing Letters 85 (2003) 317-325.
    [doi:10.1016/S0020-0190(02)00447-7]
  • M. Jiang, Y. P. Luo, S. Y. Yang. Stochastic convergence analysis and parameter selection of the standard particle swarm optimization algorithm. Information Processing Letters 102 (2007) 8-16.
    [doi:10.1016/j.ipl.2006.10.005]
  • M. Clerc. Discrete particle swarm optimization. pdf-File, zip-ed
  • M. Dorigo. V. Maniezzo. A Colorni. Ant system: an autocatalytic optimizing process. Technical Report 91-016, Politecnico di Milano, 1991. (LINK)
  • Zu ANT CYCLE:
    A Colorni. M. Dorigo. V. Maniezzo. An investigation of some properties of an „Ant algorithm“. Proc. Parallel Problem Solving from Nature Conference (PPSN), pp. 509-520, 1992.
    [pdf-File]
  • J. M. Kleinberg. Authoritative sources in a hyperlinked environment. Journal of the ACM 46 (1999) 604-632.
    [doi:10.1145/324133.324140]
  • J. Scharnow, K. Tinnefeld, I. Wegener. The Analysis of Evolutionary Algorithms on Sorting and Shortest Paths Problems. Journal of Mathematical Modelling and Algorithms 3 (2004) 349-366.
    [doi:10.1023/B:JMMA.0000049379.14872.f5]
  • Sabine Helwig. „Survival of the Fittest“ – Optimierung mittels Genetischer Algorithmen
  • David E. Goldberg. Genetic Algorithms in Search, Optimization, and Machine Learning. Addison Wesley, 1989.
  • Karsten Weicker. Evolutionäre Algorithmen. Springer/Vieweg. 3. Auflage 2015.
    [doi:10.1007/978-3-658-09958-9]

Folien und Literatur zum zweiten Teil der Vorlesung (Anwendung):

Weitere Literatur:

  • A. Badr. A. Fahmy. A proof of convergence for ant algorithms. Information Sciences 160 (2004) 267-279.
    [doi:10.1016/j.ins.2003.08.018]
  • M. Clerc. J. Kennedy. The particle swarm – Explosion, stability, and convergence in a multidimensional complex space. IEEE Transactions on Evolutionary Computation 8 (2002) 58-73.
    [doi:10.1109/4235.985692]
  • Karsten Weicker. Evolutionäre Algorithmen, Teubner, 2. Aufl. 2007.
    [doi:10.1007/978-3-8351-9203-4]
  • M. Parashar. S. Hariri. Autonomic Computing – Concepts, Infrastructure, and Applications. CRC Press, 2007.

Weitere Unterlagen:

Sources in English

  • Ch. Müller-Schloer, S. Tomforde. Organic Computing- Technical Systems for Survival in the Real World. Birkhäuser, 2018.
    [doi:110.1007/978-3-319-68477-2] 
  • Ch. Müller-Schloer, H. Schmeck. Organic Computing: A Grand Challenge for Mastering Complex Systems. it – Information Technology 52 (2010) 135-141. [doi:10.1524/itit.2010.0582]
  • I. C. Trelea. The particle swarm optimization algorithm: convergence analysis and parameter selection. Information Processing Letters 85 (2003) 317-325.
    [doi:10.1016/S0020-0190(02)00447-7]
  • J. M. Kleinberg. Authoritative sources in a hyperlinked environment. Journal of the ACM 46 (1999) 604-632.
    [doi:10.1145/324133.324140]