Softcomputing - Modultafeln der TU Ilmenau

Im
Modul Softcomputing haben die Studierenden die Begriffswelt der Fuzzy-Logik,
der Genetischen Algorithmen (GA) und der evolutionären Strategien (ES) verstanden.
Sie verstehen übergreifende Ansätze zur Lösung von Klassifikations- und
Regelungs- und Optimierungsproblemen mit Fuzzy- und GA/ES-Methoden. Die
Studierenden sind in der Lage, Fragestellungen aus dem o. g. Problemkreisen zu
analysieren, durch Anwendung des behandelten Methodenspektrums Lösungskonzepte
zu entwerfen und diese auf ingenieurtechnische und biomedizinische Fragestellungen
zu applizieren, sowie bestehende Lösungskonzepte zu bewerten. Vor- und
Nachteile der Verfahren im Kontext praktischer Anwendungen sind den
Studierenden bekannt.Nach Abschluss der
Lernform "Übung" in Verbindung mit der selbständigen Implementierung einer
Python-Fuzzy-Regelung (Teilleistung 2) beherrschen die Studierenden grundlegende mathematische
Berechnungen, die Wirkungsweise unterschiedlicher Fuzzy-Operatoren und das
Aufstellen von Fuzzy-Regeln. Nach intensiven Diskussionen während der Übungen und
zur Auswertung der Python-Implementierung können die Studierenden Leistungen
ihrer Mitkommilitonen richtig einschätzen und würdigen. Sie berücksichtigen
Kritik, beherzigen Anmerkungen und nehmen Hinweise an.

Pflichtmodul "Neuroinformatik und Maschinelles Lernen"

Im Modul Softcomputing haben die Studierenden die Begriffswelt der Fuzzy-Logik, der Genetischen Algorithmen (GA) und der evolutionären Strategien (ES) verstanden. Sie verstehen übergreifende Ansätze zur Lösung von Klassifikations- und Regelungs- und Optimierungsproblemen mit Fuzzy- und GA/ES-Methoden. Die Studierenden sind in der Lage, Fragestellungen aus dem o. g. Problemkreisen zu analysieren, durch Anwendung des behandelten Methodenspektrums Lösungskonzepte zu entwerfen und diese auf ingenieurtechnische und biomedizinische Fragestellungen zu applizieren, sowie bestehende Lösungskonzepte zu bewerten. Vor- und Nachteile der Verfahren im Kontext praktischer Anwendungen sind den Studierenden bekannt.Nach Abschluss der Lernform "Übung" in Verbindung mit der selbständigen Implementierung einer Python-Fuzzy-Regelung (Teilleistung 2) beherrschen die Studierenden grundlegende mathematische Berechnungen, die Wirkungsweise unterschiedlicher Fuzzy-Operatoren und das Aufstellen von Fuzzy-Regeln. Nach intensiven Diskussionen während der Übungen und zur Auswertung der Python-Implementierung können die Studierenden Leistungen ihrer Mitkommilitonen richtig einschätzen und würdigen. Sie berücksichtigen Kritik, beherzigen Anmerkungen und nehmen Hinweise an.

Das Modul beinhaltet die ausgewählten Teilgebiete "Fuzzy-Logik" und "Evolutionäre/genetische Algorithmen" des Wissenschaftsgebietes Softcomputing. Beide Teilgebiete sollen ergänzend zu den Neuroinformatik-Modulen die Grundlagen für alternative Verfahren der Informations- und Wissensverarbeitung für Ingenieure und Informatiker legen. Damit würde der Absolvent über breite methodische und anwendungsorientierte Grundlagen der "Computational Intelligence" verfügen. Das Modul vermittelt sowohl Faktenwissen als auch begriffliches Wissen aus den folgenden Kernbereichen:

Fuzzy-Set-Theorie: Überblick, Einordnung und Historie,Grundlagen der Fuzzy-Logik (Basisvariablen, Linguistische Variablen, Terme, Zugehörigkeitsfunktionen,Fuzzyfizierung,Fuzzy-Operatoren, unscharfe Zahlen und Relationen),Fuzzy-Regeln, unscharfes und plausibles Schließen,Fuzzy-Inferenz,Defuzzifizierungsmethoden, ausgewählte Anwendungsbeispiele aus dem technischen und nichttechnischen Bereich.

Genetische Algorithmen (GA) und Evolutionäre Strategien (ES):Einführung, Historie, philosophische Einordnung, Grundlagen und Begriffe, einführende Beispiele, prinzipielle Struktur eines GA/EA , Operatoren (Mutation, Crossover), Kodierungsvarianten und-probleme,Auswahlvon Selektionsmechanismen bei GA/EA, Vor- und Nachteile, Ergänzende Beispiele und Anwendungen,Hinweis auf genetische und evolutionäre Programmierung. Die Studierenden haben die Möglichkeit, eine Problemstellung mit GA/ES softwaretechnisch umzusetzen und vorzustellen.

Powerpoint, Demo-Applikationen in Python, Matlab, Java, Moodle-Kurs

Fuzzy-Logik:

Zimmermann, H.-J.: Fuzzy Set Theorie - and its Applications. Kluver in Boston, 1991

Kosko, B.: Neural Networks and Fuzzy-Systems. Prentice Hall, New Jersey, 1992

Böhme, G.: Fuzzy-Logik. Springer-Vlg., Berlin..., 1993

Bothe, H.-H.: Fuzzy-Logik - Einführung in Theorie und Anwendungen. Springer-Vlg., Berlin, Heidelberg, 1995

Bothe, H.-H.: Neuro-Fuzzy-Methoden. Springer-Vlg., Berlin, Heidelberg, 1998

Fuller, R.: Introduction to Neuro-Fuzzy Systems. Physica-Verlag, Heidelberg, 2000

Tizhoosh, H. R.: Fuzzy-Bildverarbeitung. Springer-Vlg., Berlin, Heidelberg, 1998

Höppner, F., Klawonn, F., Kruse, R.: Fuzzy-Clusteranalyse. Viehweg-Vlg., Braunschweig, 1997

Genetische Algorithmen und Evolutionäre Strategien :

Nissen, V.: Einführung in Evolutionäre Algorithmen. Vieweg-Vlg. Braunschweig, 1997

Jacob, Ch.: Principia Evolvica. dpunkt.verlag, Heidelberg, 1997

Gerdes, I., Klawonn, F., Kruse, R.: Evolutionäre Algorithmen. Vieweg-Vlg. Wiesbaden, 2004

Heistermann, J.: Genetische Algorithmen. B.G. Teubner Verlagsgesellschaft, Stuttgart, Leipzig, 1994

Lippe, W.-M.:  Soft-Computing. Springer-Verlag, Berlin, Heidelberg, 2006

Rechenberg, I.: Evolutionsstrategie 94, frommann-holzboog Vlg., Stuttgart, 1994

• schriftliche Prüfungsleistung über 90 Minuten mit einer Wichtung von 100% (Prüfungsnummer: 2200737)
• alternativ semesterbegleitende Studienleistung mit einer Wichtung von 0% (Prüfungsnummer: 2200738)

eigene Python-Implementierungen von vorgegebenen Algorithmen und Übungsaufgaben

• schriftliche Prüfungsleistung über 90 Minuten mit einer Wichtung von 100% (Prüfungsnummer: 2200737)
• alternativ semesterbegleitende Studienleistung mit einer Wichtung von 0% (Prüfungsnummer: 2200738)

eigene Python-Implementierungen von vorgegebenen Algorithmen und Übungsaufgaben