Nach einer erfolgreichen Absolvierung dieser Kurs, die Studierenden besitzen vertieftes Wissen in den folgenden Bereichen: die theoretische Grundlagen von Swarm Intelligence und praktische Eigenschaften für die Entwicklung der spezifischen Anwendungen. Die Studierenden sollen folgendes können:

• Analisierung, Verbreitung und Kommunikation der im Unterricht vorgestellten Themen, Konzepten und Problemstellungen;
• die Swarm Intelligence Grundprinzipien verstehen;
• intelligente soziale Agenten in komplexen Landschaften modellieren; Abbildung und Anpassung der Schlüsselprinzipien der Swarm Intelligence an technische Anwendungen;
• die aktuellen, effizienten Varianten verschiedener Swarm-Based Metaheuristics nutzen (zusammen mit ihren möglichen Anwendungen), die analysieren und beweisen ihre Eigenschaften;
• evaluieren die Vorteile und Nachteile der Swarm Intelligence, wenn es darum geht, Probleme zu lösen;
• Entwicklung von Simulationsmodellen auf der Grundlage von Swarm Intelligence Agenten.

Swarm Intelligence erforscht natürliche und künstliche Systeme, die sich aus vielen „individuals“ zusammensetzen, die sich durch „decentralized control“ und Selbstorganisation koordinieren und so ein emergentes Verhalten bilden. Insbesondere konzentriert sich die Disziplin auf die kollektiven Verhaltensweisen, die sich aus den lokalen Interaktionen der Individuen untereinander und mit ihrer Umwelt ergeben. Solche Systeme sind sehr anpassungsfähig, robust, flexibel und in der Lage, autonom zu funktionieren. Die Swarm-Based Mechanismen können sowohl in technischen Systemen als auch in der Optimierung komplexer Probleme sehr nützlich sein.

Wir konzentrieren uns besonders auf die folgenden Konzepte: swarm evolution, collective intelligence, stygmergic communication, self-organization, und diskutieren verschiedene Swarm-Intelligence Algorithmen, die zu den probabilistischen metaheuristischen Ansätzen gehören.

Während des Kurses werden verschiedenen Swarm-Intelligence Systemen (bee colonies, ant colonies, schools of fish, flocks of birds, herds of land animals) zusammen mit den entsprechenden Swarm-Intelligence Algorithmen präsentiert, analysiert und verglichen werden. Der Schwerpunkt liegt auf Themen wie Modellierung und theoretische Analyse sowie auf realen Anwendungen aus verschiedenen Bereichen, um den Nutzen dieses Ansatzes aufzuzeigen. Die anderen "begleiteten" Aspekte wie Parametereinstellung und -abstimmung werden ebenfalls vorgestellt.

Folgende Themen werden behandelt:

Teil 1: Grundlagen der Swarm Intelligence (Stabilitätsanalyse, Swarm Aggregation, Swarm in bekannten und unbekannten Umgebungen, dynamische Optimierung);

Teil 2: Swarm-Based Metaheuristics (theoretische Grundlagen, Swarm Clustering And Sorting, Particle Swarms, Ant Colony, Artificial Bees, Fireflies Algorithm, Bacterial Foraging, fortgeschrittene Ideen und neue Inspirationen);

Teil 3: Anwendungen (Swarm Robotics, Internet Computing, Software Engineering, Sensoren, Data Mining, ...) zu verschiedenen Optimierungsproblemen, Suche nach optimalen Routen, Scheduling, Routing, Strukturoptimierung, Image - und Datenanalyse.

Literature

• Eric Bonabeau, Marco Dorigo and Guy Theraulaz, Swarm Intelligence: From Natural to Artificial Systems, Oxford University Press, 1999
• James Kennedy and Russel Eberhart, Swarm Intelligence, Morgan Kaufmann, 2001
• Marco Dorigo and Thomas Stützle, Ant Colony Optimization, The MIT Press, 2004
• Andries Engelbrecht, Fundamentals of Computational Swarm Intelligence, Wiley 2006
• Veysel Gazi and Kevin M. Passino, Swarm Stability and Optimization, Springer, 2011
• Aboul Ella Hassanien and Eid Emary, Swarm Intelligence: Principles, Advances, and Applications, CRC Press, Taylor & Francis, 2015

Assessment

• Written exam (60%)
• Assignments (Project) (40%)

Der Student wählt unter den vorgeschlagenen Aufgaben ein Projektthema aus. Folgende Ergebnisse sind erforderlich: der implementierte Code und eine kurze Dokumentation (4 bis 6 Seiten). Außerdem wird der Student seine Arbeit in einem Interview vorstellen.

Die Kursvoraussetzungen umfassen Programmierkenntnisse und grundlegende Kenntnisse der agentenbasierten Modellierung, Wahrscheinlichkeitsrechnung und Analyse (Differentialgleichungen, kontinuierliche und diskrete Zeit).