Logo Leibniz Universität Hannover
Logo: SRA/Leibniz Universität Hannover
Logo Leibniz Universität Hannover
Logo: SRA/Leibniz Universität Hannover
  • Zielgruppen
  • Suche
 

Laufende Projekte am SRA

Social OC: Vertrauenswürdige Systeme

Die erste Phase der OC-Forschung hat vornehmlich lernende und selbstoptimierende Einzelsysteme untersucht. Im Social OC interessieren wir uns auch für kollektive Mechanismen, die beim Zusammenspiel vieler einzelner Agenten eine Rolle spielen. Es geht dabei um Kooperation und Konkurrenz, Konfliktlösungsmechanismen, Altruismus vs. Egoismus, globale Erkennung emergenten Verhaltens und Kontrolle des Einzelverhaltens über institutionelle Mechanismen. Wie die Spieltheorie verdeutlicht spielt das Vertrauen – auch zwischen technischen Systemen – eine wesentliche Rolle. In der DFG Forschergruppe OC TRUST (in Zusammenarbeit mit der Universität Augsburg) untersuchen wir am Beispiel eines offenen Desktop Grid Computing Systems, wie einzelne Teilsysteme sich in einer vertrauensbasierten Infrastruktur verhalten, und wie das Gesamtverhalten des Systems mittels Institutionen und Normen im gewünschten Rahmen gehalten werden kann.

Online-Optimierung

OC-Systeme können als Systeme zur verteilten Optimierung in Echtzeit aufgefasst werden. Diese Online-Optimierung ist mit einer Reihe von Herausforderungen verbunden: (1) OC-Agenten durchsuchen eine (virtuelle) Fitnesslandschaft, aber sie agieren auch in dieser Landschaft. Dadurch wird sie wiederum verändert. Solche selbst-referentiellen Fitnesslandschaften können unvorhersagbar und instabil werden. (2) Die Optimierung muss in so kurzer Zeit erfolgen, dass die Ergebnisse noch relevant sind. Es geht also weniger um die Identifikation des globalen Optimums als vielmehr um das Finden einer hinreichend guten Lösung in begrenzter Zeit. (3) Die Suche erfolgt sowohl mittels virtueller Suchagenten in lokalen Suchräumen (innerhalb der einzelnen Agenten) als auch durch Kooperation zwischen realen Agenten.

Wir untersuchen die Beschleunigungsmöglichkeiten von Optimierungsverfahren u.a. durch frühzeitigen Ausschluss (Tabuverfahren), durch A-priori-Charakterisierung von Fitness-Landschaften und durch kooperative und verteilte Optimierung.

Parallele populationsbasierte Optimierungsverfahren auf Multicores

Populationsbasierte Optimierungsverfahren wie z.B. Partikelschwarm-Optimierung (PSO) eignen sich prinzipiell gut zur Parallelisierung z.B. auf Multicores. Mit den kommenden Multi- und Manycores stehen auch Rechenressourcen zur Verfügung, welche künftig eingebettet vor Ort verwendet werden können. Wir untersuchen die Verteilungsmöglichkeiten von populationsbasierten Optimierungsalgorithmen auf grob- und feingranulare Architekturen (GPGPUs).

 

Anwendung von Organic Computing u.a. im Verkehrswesen, in der Robotik und der Kommunikationstechnik

Wir setzen OC-Architekturen und populationsbasierte Optimierungsverfahren (GA, PSO etc.) ein, um Optimierungsprobleme im Verkehrswesen (Durchsatzoptimierung, dynamisches Routing), in der Robotik (Trajektorienoptimierung, Struktur- und Maßsynthese) und in der Kommunikationstechnik (Anpassung von Routingparametern) zu lösen.