Lehrveranstaltungshandbuch Computational Intelligence

Verantwortlich: Prof. Dr. Rainer Bartz

---

Lehrveranstaltung

Befriedigt Modul (MID)

• aktuelle
  • Ma TIN2012 CI

Organisation

Version erstellt 2013-04-25 VID 2 gültig ab WS 2012/13 gültig bis

Bezeichnung Lang Computational Intelligence LVID F07_CI LVPID (Prüfungsnummer)

Semesterplan (SWS) Vorlesung 2 Übung (ganzer Kurs) 1 Übung (geteilter Kurs) Praktikum 1 Projekt Seminar Tutorium (freiwillig)

Präsenzzeiten Vorlesung 30 Übung (ganzer Kurs) 15 Übung (geteilter Kurs) Praktikum 15 Projekt Seminar Tutorium (freiwillig)

max. Teilnehmerzahl Übung (ganzer Kurs) 30 Übung (geteilter Kurs) Praktikum 10 Projekt Seminar

Gesamtaufwand: 150

Unterrichtssprache

• Deutsch, 40%
• Englisch, 60%

Niveau

• Master

Notwendige Voraussetzungen

• Vektorfunktionen, Gradienten

Literatur

• Domschke W., Drexl A.; Einführung in Operations Research; Springer
• Zell, A.: Simulation Neuronaler Netze; Oldenbourg
• Nauck, D. et al.: Neuronale Netze und Fuzzy-Systeme; Vieweg
• Eiben, A.E., Smith, J.E.: Introduction to Evolutionary Computing; Springer
• Gerdes, I. et al.: Evolutionäre Algorithmen; Vieweg
• Grosse et al.: Taschenbuch der praktischen Regelungstechnik, Fachbuchverlag Leipzig

Dozenten

• Prof. Dr. Rainer Bartz

Wissenschaftliche Mitarbeiter

• tba

Zeugnistext

de

Kompetenznachweis

Form
sK	Klausur

Aufwand [h]
sK	10

Intervall: 3/Jahr

---

Lehrveranstaltungselemente

Vorlesung / Übung

Lernziele

Lerninhalte (Kenntnisse)

• Optimierungsstrategien
  • Problem-Klassifikationen
  • Gradientenverfahren
  • Simplex-Algorithmen
  • Multikriterielle Optimierung und Pareto-Ansätze
• Künstliche neuronale Netze
  • Künsliche Neuronen
  • Netzstrukturen
  • Lernalgorithmen
• Fuzzy Logik
  • Fuzzifizierung
  • Inferenz
  • Defuzzifizierung
• Evolutionäre Algorithmen
  • Gen-Repräsentationen
  • Selektionsverfahren
  • Rekombinations-Methoden
  • Mutations-Operatoren

Fertigkeiten

• Die Studierenden erarbeiten sich grundlegende Kenntnisse zur Theorie und Anwendung von Methoden der Computational Intelligence
• Die Studierenden kennen die gängigen Typen von Optimierungsaufgaben und können konkrete Aufgaben einordnen
• Sie kennen das Prinzip des Simplex-Algorithmus und können eine Problemstellung in die für ihn geeignete Standardform überführen und eine Lösung erarbeiten
• Die Studierenden können neuronale Netze einordnen und ihre Anwendbarkeit auf Problemstellungen bewerten
• Sie können die Parameter neuronaler Netze variieren und ihren Einfluss abschätzen
• Sie können Lernverfahren klassifizieren und ihre Arbeitsweise beschreiben
• Sie kennen die Methodik der Fuzzy Logik und können eine Problemstellung darauf abbilden und das resultierende Systemverhalten begründen
• Die Studierenden kennen die Arbeitsweise evolutionärer Algorithmen und können ihre Varianten einordnen
• Sie können reale Problemstellungen in geeignete Repräsentationen umsetzen
• Sie können Selektionsverfahren bewerten und geeignete Selektionsalgorithmen entwerfen

Handlungskompetenz demonstrieren

• Die Studierenden können lineare Probleme mit einem Simplex-Algorithmus lösen
• Sie können nichtlineare Probleme der Modellbildung und Klassifizierung mit einem neuronalen Netz lösen
• Sie können unscharf definierte Aufgaben mit Hilfe von Fuzzy Logik lösen
• Sie können schwierige Probleme mit Heuristiken der evolutionären Algorithmen lösen

Begleitmaterial

• elektronische Vortragsfolien zur Vorlesung
• elektronische Übungsaufgabensammlung

Besondere Voraussetzungen

• keine

Besondere Literatur

• keine

Besonderer Kompetenznachweis

Form
bÜA	Präsenzübung und Selbstlernaufgaben

Beitrag zum LV-Ergebnis
bÜA	unbenotet

Intervall: 1/Jahr

Praktikum

Lernziele

Lerninhalte (Kenntnisse)

• Anwendung künstlicher neuronaler Netze auf Klassifizierungsaufgaben
• Variation und multikriterielle Optimierung von System-Parametern
• Fuzzy-basierte Regelung eines Zwei-Größen Regelkreises

Fertigkeiten

• Die Studierenden können mit üblichen Werkzeugen der Computational Intelligence umgehen
• Die Studierenden können Systemparameter variieren, Messreihen durchführen und Ergebnisse darstellen, bewerten und diskutieren
• Die Studierenden können wissenschaftliche Literatur analysieren, einordnen, in ihren Kontext stellen und präsentieren

Handlungskompetenz demonstrieren

• Die Studierenden können Aufgaben in einem kleinen Team lösen
• Sie können Optimierungsaufgaben strukturieren und systematisch bearbeiten
• Sie können das Verhalten eines Systems bewerten und durch geeignete Modifikationen verbessern
• Sie können mit internationaler wissenschaftlicher Literatur umgehen, sie verstehen und Anderen gegenüber darstellen

Begleitmaterial

• elektronische Beschreibung der Praktikums-Versuche (Aufgabenstellung)
• elektronische Dokumentation der eingesetzten Tools

Besondere Voraussetzungen

• keine

Besondere Literatur

• keine

Besonderer Kompetenznachweis

Form
Praktikum	3 Aufgabenstellungen

Beitrag zum LV-Ergebnis
Praktikum	Voraussetzung für Zulassung zur Klausur

Intervall: 1/Jahr