- Multiobjective Optimization im evolution?ren Machine Learning / Pittsburgh LCS (Bachelor- oder Masterarbeit / FM / PM, Ansprechpartner: Michael Heider)
- XAI Techniken zur gezielteren Steuerung von Optimierern im evolution?ren Machine Learning (Ansprechpartner: Michael Heider)
- Compaction algorithms in XCS(F) (Bachelor- oder Masterarbeit, Ansprechpartner: Michael Heider)
- Benchmarking / extending?the?Heuristic Evolutionary Rule Optimization System?(Bachelor- oder Masterarbeit, Ansprechpartner: Michael Heider)
- Automated Bug Fixing and Feature Generation using Genetic Improvement?(Masterarbeit, Ansprechpartner: Michael Heider)
- Automating the design of optimization algorithms / metaheuristics with (Push) genetic programming (Projektmodul, Bachelor- oder Masterarbeit, Ansprechpartner: Jonathan Wurth)
- Dynamic Algorithm Configuration: Learning parameter adaptation strategies in metaheuristics with reinforcement learning (Projektmodul, Bachelor- oder Masterarbeit, Ansprechpartner: Jonathan Wurth)
- Investigating truncated alpha-stable mutation in evolution strategies for box-constrained black-box optimization problems (Projektmodul, Bachelor- oder Masterarbeit, Ansprechpartner: Jonathan Wurth)
- Large-scale benchmarking of state-of-the-art algorithms for multi-objective?black-box optimization (Projektmodul, Bachelor- oder Masterarbeit, Ansprechpartner: Jonathan Wurth)
- Gradient-based methods versus metaheuristics for maximizing acquisition functions in Bayesian optimization (Projektmodul, Bachelor- oder Masterarbeit, Ansprechpartner: Jonathan Wurth)
- Designing real-world optimization benchmarks for automated algorithm design, for example using engineering design, energy systems, or aerospace simulation frameworks?(Projektmodul oder Masterarbeit, Ansprechpartner: Jonathan Wurth)
- Evolving hard and diverse optimization benchmarks with Quality-Diversity Genetic Programming?(Projektmodul oder Masterarbeit, Ansprechpartner: Jonathan Wurth)
- An experimental comparison of population diversity measures in metaheuristic optimisation algorithms?(Forschungsmodul/Bachelorarbeit; Kenntnisse in Python oder Rust notwendig, Ansprechpartnerin:
Helena Stegherr)
- The population diversity during the search process is an important behaviour measure for metaheuristic optimisation algorithms that provides indications for diversification or intensification of the search. Over the years, a variety of diversity measures has been proposed, all with different specific goals, strengths and weaknesses. While many of these have been theoretically explored, the impact of using different measures in experimental settings has only been quantified in small parts.
? ? ? ? Starting points:
? ? ? ? https://ieeexplore.ieee.org/document/10611897/
? ? ? ? http://ieeexplore.ieee.org/document/6151099/
- The population diversity during the search process is an important behaviour measure for metaheuristic optimisation algorithms that provides indications for diversification or intensification of the search. Over the years, a variety of diversity measures has been proposed, all with different specific goals, strengths and weaknesses. While many of these have been theoretically explored, the impact of using different measures in experimental settings has only been quantified in small parts.
- Self-organising maps for clustering metaheuristic behaviour (time series) data?(Forschungsmodul/Bachelorarbeit oder Masterarbeit; Kenntnisse in Python notwendig, Ansprechpartnerin:?
Helena Stegherr)
- The behaviour of metaheuristic algorithms during the search process can be described as a time series of specific behaviour measure values. However, in large experimental setups, comparing those to identify similarities or differences can quickly become infeasible without the use of appropriate methods, e.g. unsupervised learning techniques such as clustering or dimensionality reduction. Self-organising maps are among those approaches and have been successfully employed to cluster time series data in other contexts.
? ? ? ? Starting points:
? ? ? ? https://linkinghub.elsevier.com/retrieve/pii/S0893608012002596
? ? ? ? http://arxiv.org/abs/2108.11523
- The behaviour of metaheuristic algorithms during the search process can be described as a time series of specific behaviour measure values. However, in large experimental setups, comparing those to identify similarities or differences can quickly become infeasible without the use of appropriate methods, e.g. unsupervised learning techniques such as clustering or dimensionality reduction. Self-organising maps are among those approaches and have been successfully employed to cluster time series data in other contexts.
- Expanding upon Structural Bias analysis of metaheuristic optimisation algorithms?(Forschungsmodul/Projektmodul; kann bei vielversprechenden Ergebnissen auf eine Bachelorarbeit/Masterarbeit erweitert werden; Kenntnisse in Python oder R notwendig; Ansprechpartnerin:?
Helena Stegherr)
- Structural Bias describes the tendency of metaheuristic optimisation algorithms to focus on a specific area of the search space without any obvious (performance-related) reason. It is often only measures at the end of the search process, on a specific bias test function, and only for utilising the information of the best found solution. However, there are other possibilities to increase upon our understanding of structural bias that should be explored.
? ? ? ? Starting points:
? ? ? ? http://arxiv.org/abs/1408.5350
? ? ? ? https://ieeexplore.ieee.org/document/9828803 - Next to the investigation of additional structural bias examination techniques, visualisation of bias could be enhanced. This could range from investigating specialised visualisation techniques to interactive approaches to visualisation.?
- Structural Bias describes the tendency of metaheuristic optimisation algorithms to focus on a specific area of the search space without any obvious (performance-related) reason. It is often only measures at the end of the search process, on a specific bias test function, and only for utilising the information of the best found solution. However, there are other possibilities to increase upon our understanding of structural bias that should be explored.
Entwicklung eines ganzheitlichen Framework zur Datenaufbereitung, zum Training und zur Analyse von Machine Learning Modellen im Bereich Predictive Maintenance. Eine datengetriebene, praxisnahe Masterarbeit mit industrieller Relevanz und direktem Bezug zu realen Anwendungsf?llen.?(Masterarbeit, Ansprechpartner: Lukas Meitz)
?
Entwerfe datengetriebene Modelle zur Auswertung individueller Kraftsport-Progressionen und leite daraus adaptive Trainingsanpassungen ab. Bachelor oder Master m?glich – mit echter Anwendungsn?he und fundierter Betreuung. In Zusammenarbeit mit der StrengthLab360 GmbH.?(Bacheloarbeit oder Masterarbeit; Ansprechpartner: Lukas Meitz).
Untersuche und vergleiche unterschiedliche Constraint-Solver zur Optimierung eines Fitness-Trainingsplan-Generators. Eine datengetriebene, praxisnahe Masterarbeit mit sportwissenschaftlichem Bezug und direktem Impact auf ein reales Produkt. In Zusammenarbeit mit der StrengthLab360 GmbH.?(Masterarbeit, Ansprechpartner:
Lukas Meitz):
?
- In der Multi-Layered Observer/Controller (MLOC) Architektur soll ein h?herer Kontrolllayer eingreifen, wenn der Agent auf niedrigerer Ebene unsicher ist. Dafür sind effiziente Mechanismen zur Unsicherheitsabsch?tzung erforderlich. Ziel dieser Arbeit ist die Untersuchung verschiedener Methoden zur Unsicherheitsmessung in RL-Agenten. Entropie-basierte Ans?tze, Bootstrapped DQN und Bayesian DQN sollen hierfür verglichen und hinsichtlich ihrer Eignung für MLOC evaluiert werden.?(Projektmodul, Bachelor- oder Masterarbeit, Ansprechpartner:? Marco Steinberger)
- Reinforcement-Learning-Agenten verlassen sich auf stabile Umgebungen, um optimale Strategien zu erlernen. Wenn sich eine Umgebung jedoch unbemerkt ver?ndert kann dies dazu führen, dass der Agent unerwartetes oder ineffizientes Verhalten zeigt.?Ziel dieser Arbeit ist die Modellierung der Umgebung zur Vorhersage von Zustandsüberg?ngen und die Erkennung von Anomalien durch Abweichungen zwischen Modell und ver?nderter realer Umgebung. Die Methoden werden im gymnasium-Umfeld getestet.?(Projektmodul,?Masterarbeit,?Bachelorarbeit oder?Forschungsmodul;?Ansprechpartner:? Marco Steinberger)
- Die Multi-Layer Observer Controller (MLOC) Architektur findet bereits in diversen Bereichen Anwendung, wobei eine der prominentesten Dom?nen der Stra?enverkehr -?insbesondere die optimale Steuerung von Ampeln - ist. Ziel dieser Arbeit ist es, moderne Reinforcement Learning Algorithmen in die MLOC Architektur zu integrieren und deren Leistung mit dem Verkehrssimulator SUMO zu evaluieren. (Projektmodul, Bachelor- oder Masterarbeit, Ansprechpartner:? Marco Steinberger)
- Modellbasierte Reinforcement-Learning-Methoden setzen auf die Verwendung von expliziten Umgebungsmodellen, um Vorhersagen über künftige Zust?nde und Belohnungen zu treffen. Ziel dieser Arbeit ist die Reimplementation solcher Methoden sowie ihre Anwendung und Evaluation anhand verschiedener Problemstellungen im gymnasium-Umfeld. (Projektmodul, Bachelor- oder Masterarbeit, Ansprechpartner:? Marco Steinberger)
Eine praktische Demonstration von Explainability in ML; XAI in industry (Bachelor- oder Masterarbeit; Ansprechpartner:
Michael Heider).
Predictive Maintenance (PdM) nutzt Datenanalyse und Machine Learning, um den Zustand von Maschinen kontinuierlich zu überwachen und Ausf?lle vorherzusagen. Ziel ist es, durch rechtzeitige Wartungsma?nahmen unerwartete Stillst?nde zu vermeiden, die Lebensdauer von Maschinen zu verl?ngern und die Effizienz zu steigern. In einer Abschlussarbeit k?nnen aktuell offene Fragestellungen im Forschungsfeld bearbeitet werden, z.B. durch die praxisnahe Integration von PdM oder das Testen moderner Machine-Learning Modelle. (Projektmodul oder Abschlussarbeit Bachelor und Master; Ansprechpartner: Lukas Meitz)
?
Eine Abschlussarbeit in Kooperation mit einem externen Unternehmen kann nach Absprache von uns betreut werden. Nehmen Sie gerne Kontakt mit uns auf, falls Sie ein spannendes Thema und einen passenden Partner an der Hand haben. (Ansprechpartner:?
J?rg H?hner
)
?
Einige unserer diversen Praxispartner haben auch oft kurzfristig spannende Themen. Fragen Sie hierzu gerne nach. Aktueller konkret ausgeschrieben ist:
?
- Deep Learning Framework Evaluation for AI Combustion Modeling?bei?everllence (ehemals MAN ES)?in Augsburg:?https://jobs.everllence.com/job/Augsburg-Abschlussarbeit-Deep-Learning-Framework-Evaluation-for-AI-Combustion-Modeling-86153/1253469601/