Neue Publikation im Information and Software Technology [10.01.22]
Christian Krupitzer vom Fachgebiet Lebensmittelinformatik ist Autor der Publikation "Proactive Hybrid Learning and Optimisation in Self-adaptive Systems: The Swarm-fleet Infrastructure Scenario" im Information and Software Technology (Impact Factor: 2.730).
Die Publikation "Proactive Hybrid Learning and Optimisation in Self-adaptive Systems: The Swarm-fleet Infrastructure Scenario" von Christian Krupitzer (Fachgebiet Lebensmittelinformatik, Universität Hohenheim) mit den Co-Autoren Christian Gruhl, Bernhard Sick (beide Universität Kassel) und Sven Tomforde (Christian-Albrechts-Universität zu Kiel) wurde im Elsevier Information and Software Technology (Impact Factor: 2.730) veröffentlicht.
Intelligente und adaptive Systeme, wie z. B. selbstadaptive und selbstorganisierende Systeme (SASO), bestehen in der Regel aus einer Vielzahl hochgradig autonomer und heterogener Teilsysteme, die in der Lage sind, ihr Verhalten an die Anforderungen einer sich ständig verändernden, dynamischen Umgebung anzupassen. Ihr erfolgreicher Betrieb basiert auf einer angemessenen Modellierung der internen und externen Bedingungen. Das Steuerungsproblem für ein nahezu optimales, koordiniertes Verhalten von Systemen mit mehreren, potenziell gegensätzlichen Zielen wird entweder dezentral (d. h. völlig autonom durch die autonomen Teilsysteme) oder zentral (d. h. eine Instanz steuert den Optimierungs- und Planungsprozess) angegangen. Beim verteilten Ansatz können selbständiges Verhalten und die Beschränkung auf lokales Wissen zu suboptimalem Systemverhalten führen, während der zentralisierte Ansatz die Autonomie und die Koordinationsmöglichkeiten von Teilen des Systems ignoriert. In diesem Artikel stellen wir ein Konzept für ein hybrides (d. h. eine zentrale Optimierung mit einem verteilten Entscheidungsprozess integrierendes) Systemmanagement vor, das lokale (d. h. die Integration einer zentralen Optimierung mit einem verteilten Entscheidungsprozess) Mechanismen des Verstärkungslernens und der Selbstwahrnehmung von vollständig autonomen Teilsystemen mit einer externen systemweiten Planung und Optimierung der Anpassungsfreiheit kombiniert, die das Verhalten dynamisch durch die Ausgabe von Plänen und Richtlinien steuert, die mit Anreizsystemen ergänzt werden. Diese Arbeit befasst sich mit der inhärenten Unsicherheit des dynamischen Systemverhaltens, dem lokalen autonomen und kontextbewussten Lernen von Teilsystemen und der proaktiven Steuerung auf der Grundlage von Anpassungsfähigkeit. Wir stellen die "Swarm-fleet-Infrastruktur" -- einen selbstorganisierten Taxidienst, der von autonomen Privatfahrzeugen eingerichtet wird -- als Testumgebung für den strukturierten Vergleich von Systemen zur Verfügung. Die "Swarm-fleet-Infrastruktur" unterstützt die Vorteile eines proaktiven, hybriden, selbstadaptiven und selbstorganisierenden Systembetriebs. Darüber hinaus stellen wir ein Systemmodell zur Verfügung, das die systemweite Optimierung mit der Gewährleistung lokaler Entscheidungsfindung durch Verstärkungslernen für individualisierte Konfigurationen kombiniert.
Die Publikation ist in Sciencedirect abrufbar.
