Stammdaten

Modeling and Engineering of Self-Organizing Networks (MESON)
Beschreibung: Selbstorganisierende Systeme weisen gegenüber zentral gesteuerten Ansätzen Vorteile im Bereich der Skalierbarkeit, Adaptivität und Robustheit auf. Der Entwurf eines selbstorganisierenden Systems ist allerdings oft schwierig, da der Effekt des Gesamtsystems sozusagen indirekt über die Beschreibung der lokalen Interaktionen der Systemkomponenten erfolgt. Das emergente Verhalten eines solchen Systems lässt sich aus den lokalen Verhaltensregeln ohne Ausprobieren oft nur schwer vorraussagen, was die Bestimmung der richtigen Verhaltensregeln diffizil macht. Existierende Ansätze wie manueller Versuch-Irrtum oder Nachahmung von natürlichen selbstorganisierenden Systemen sind oft nicht hinreichend, weswegen im Rahmen dieses Projektes neue Wege zum Entwurf von selbstorganisierenden Systemen erarbeitet werden sollen. Die zu behandelnden Forschungsfragen betreffen vor allem geeignete Repräsentationen der Verhaltensregeln, Methoden zu deren Verarbeitung, sowie Möglichkeiten zur Überprüfung der Korrektheit des Ergebnisses. Ein Kernpunkt des Projekts soll die Erstellung eines umfassenden Werkzeugs sein, welches mittels genetischer Algorithmen die Verhaltensregeln eines selbstorganisierenden Systems auf eine Zielfunktion hin optimiert, die durch eine Simulation vorgegeben wird. Die Verwendbarkeit und Performanz des Ansatzes soll im Rahmen verschiedener anwendungsbezogener Fallstudien gezeigt werden. Im Rahmen dreier Fallstudien soll auch gezeigt werden, wie die erarbeiteten Konzepte in konkreten Aufgabenstellungen umgesetzt werden können.
Schlagworte: systems engineering, evolutionary computation, self-organizing systems, neural networks
Modeling and Engineering of Self-Organizing Networks (MESON)
Beschreibung: The behavior of a self-organizing system (SOS) is typically defined by the local interaction rules of the components. While this emergent behavior typically is very flexible, i.e., working at different scales being robust against disturbances and failures, there exists no straight-forward way for the design of these rules so that the overall system shows the desired properties. The try and error methods, even when being improved using notions such as the "friction" between two components often suffer from counter-intuitive interrelationships between local rules and emergent behavior. Imitation approaches, such as the bio-inspired methods or the programming of the local behavior by analyzing an example using perfect knowledge are limited to the cases where an appropriate example model is available. The goal of this project is to investigate on novel generic approaches for designing self-organizing systems. Therefore, the project will be concerned with the integration of promising methods such as genetic algorithms with neural networks. Consecutively, an optimization tool based on an evolutionary algorithm applied to simulation-based validation will be provided. Furthermore, we will provide case studies showing how the approach can be applied in different domains.
Schlagworte: self-organizing systems, neural networks, systems engineering , evolutionary computation
Kurztitel: n.a.
Zeitraum: 01.01.2011 - 30.06.2014
Kontakt-Email: wilfried.elmenreich@uni-klu.ac.at
Homepage: http://meson.lakeside-labs.com

MitarbeiterInnen

MitarbeiterInnen Funktion Zeitraum
Istvan Fehervari (intern)
  • wiss. Mitarbeiter/in
  • 01.01.2011 - 30.06.2014
Agnes Pinter-Bartha (intern)
  • wiss. Mitarbeiter/in
  • 01.01.2011 - 30.06.2014
Dominik Egarter (extern)
  • Stipendiat/in
  • 01.01.2011 - 30.06.2014
Sergii Zhevzhyk (intern)
  • wiss. Mitarbeiter/in
  • 01.01.2011 - 30.06.2014
Wilfried Elmenreich (intern)
  • Projektleiter/in
  • Antragsteller/in
  • Kontaktperson
  • 01.01.2011 - 30.06.2014
  • 01.01.2011 - 30.06.2014
  • 01.01.2011 - 30.06.2014
Anita Sobe (intern)
  • wiss. Mitarbeiter/in
  • 01.01.2011 - 30.06.2014
Tamer Khatib (intern)
  • wiss. Mitarbeiter/in
  • 01.01.2011 - 30.06.2014
Herwig Alois Guggi (intern)
  • wiss. Mitarbeiter/in
  • 01.01.2011 - 30.06.2014

Kategorisierung

Projekttyp Forschungsförderung (auf Antrag oder Ausschreibung)
Förderungstyp §27
Forschungstyp
  • Grundlagenforschung
  • Experimentelle Entwicklung
  • Angewandte Forschung
Sachgebiete
  • 102001 - Artificial Intelligence
  • 102018 - Künstliche Neuronale Netze
  • 202031 - Netzwerktechnik
Forschungscluster
  • Selbstorganisierende Systeme
Genderrelevanz 0%
Projektfokus
  • Science to Science (Qualitätsindikator: II)
Klassifikationsraster der zugeordneten Organisationseinheiten:
Arbeitsgruppen Keine Arbeitsgruppe ausgewählt

Finanzierung

Förderprogramm
Lakeside Labs GmbH
Organisation: Lakeside Science & Technology Park GmbH

Kooperationen

Keine Kooperationspartner ausgewählt