Neue Algorithmen für praktische Probleme

In dieser Einleitung werden die formalen Grundlagen von Self-Enforcing Networks (SEN) gezeigt, auf denen die inhaltlichen Beiträge aufbauen.

Die Auswahl eines geeigneten Vorgehensmodells für ein Projekt ist für viele IT-Manager ein wiederkehrendes Problem. Zur Unterstützung existieren vielfältige theoretisch-orientierte Ansätze, die jedoch unterschiedliche Defizite mit sich bringen, sodass eine erfolgreiche Überführung in die Unternehmenspraxis bisweilen nicht erfolgt ist. Dieser Beitrag stellt einen neuen Ansatz zur Vorgehensmodellauswahl vor, welcher auf einem künstlichen neuronalen Netzwerk, dem Self-Enforcing Network, basiert und zugleich die Ergebnisse einer Expertenbefragung einbezieht. Anhand zweier Beispiele wird vorgestellt, wie dieser Ansatz bei der Auswahl von agilen und sogar hybriden Vorgehensmodellen Entscheidern durch ein formales Modell einen Mehrwert erbringen kann.

Anforderungsformulierungen und Dokumentationstechniken gehören zum Alltag in der Softwareentwicklung. In diesem Beitrag wird zunächst gezeigt, wie ein Self-Enforcing Network bei der Auswahl der passenden Dokumentationstechnik unterstützen kann. Darüber hinaus werden Metriken in das Modell eingeführt, um eine Qualitätsverbesserung zu gewährleisten. Die Verwendung von Metriken hat zum Ziel, eine Kennzahl zur Beurteilung eines Qualitätskriteriums für Anforderungen zu erstellen.

Dieser Beitrag beschreibt einen Ansatz zur Aufwandsschätzung in agilen IT-Projekten, bei dem durch den Einsatz des „Self-Enforcing Networks“ (SEN) die Schätzqualität verbessert werden kann. Die Softwareentwicklung erfordert eine immer schnellere Anpassung an veränderte (technische) Bedingungen und Wünsche der Kunden. Dies benötigt nicht nur ein agiles Vorgehen, sondern auch eine Aufwandsschätzung, die sich klassischen Schätzmethoden entzieht. Da die Komplexität und die Umsetzungskosten von bereits implementierten Anforderungen (User-Stories) bekannt sind, wird dieses Wissen genutzt, um die Schätzung neuer User-Stories zu unterstützen. Auf Basis des agilen Vorgehensmodells Scrum und der darin verwendeten Schätzmethodik wird aufgezeigt, wie Komplexitätsschätzungen durch das Self-Enforcing Network kostengünstiger und in höherer Qualität erstellt werden können.

Der vorliegende Beitrag befasst sich mit Optimierungspotenzialen im Defect-Management und geht dabei auf die verschiedenen Aspekte im Defect-Management ein. Dazu wird auf Grundlage eines agilen Softwareprojektes eine Ansammlung von Defects untersucht und mit dem Self-Enforcing-Network (SEN) auf Optimierungspotenziale geprüft. Das SEN zeigt Optimierungsmöglichkeiten auf, die unmittelbar in der Praxis angewandt werden können. Dazu zählen im Wesentlichen vier Aspekte: Relevante Eigenschaften zur effizienten Lösungsdauer eines Defects, Grundlagen zur Prognose der Lösungsdauer eines Defects, Auswirkungen der Qualität eines erfassten Defects, sowie die Identifikation von Duplikaten in den Defects. Aus den gewonnenen Erkenntnissen werden handlungsreiche Maßnahmen im Defect-Management abgeleitet, sodass dieses ressourcenbezogen optimiert wird.

Unternehmen sind durch die Digitalisierung und den demographischen Wandel ständigem Wettbewerbsdruck ausgesetzt. Um eine Effizienzsteigerung zu erreichen und die Mitarbeiter zu entlasten, wird verstärkt die Technologie Robotic Process Automation (RPA) eingesetzt, um regelbasierte, standardisierte, digitale (Geschäfts-)Prozesse zu automatisieren. Dadurch werden Ressourcen frei, um Konzepte und Innovationen zu entwickeln, jedoch muss diese Technologie optimal eingesetzt werden. Der Wirkungsgrad der Technologie wird unter anderem durch die Priorisierung der zu entwickelnden Prozesse beeinflusst. Zur Bewertung wurde ein Modell herangezogen, welches mit einem Self-Enforcing Network (SEN) entwickelt wurde. Diese Form der künstlichen Intelligenz kann eine Entscheidungsunterstützung bieten, welche Prozesse und in welcher Reihenfolge diese automatisiert werden.

Der Aufwand für die Softwareentwicklung ist ein entscheidender Faktor für die Durchführung eines Projekts. Dies führt zu einer großen Sammlung von Textdokumenten in einem Unternehmen, die besser genutzt oder wiederverwendet werden könnten. In diesem Beitrag wird ein Framework für die Identifikation ähnlicher Anforderungen bzw. Textformulierungen von Experten unter Verwendung von TF-IDF und Doc2Vec, als klassische Ansätze des Natural Language Processing (NLP), vorgestellt. Die verwendeten Texte stammen aus Pflichtenheften der LIT Beratung GmbH; das durchgeführte Projekt zeigt den Einsatz von Self-Enforcing Networks (SEN) zum Textclustering anhand eines Praxisbeispiels und soll als Basis für die Aufwandschätzung in Softwareprojekten dienen.

Die Vernetzung in der Industrie nimmt immer mehr zu und die Kenntnisse von Softwareschnittstellen wird immer wichtiger. Um dieses große Themenfeld etwas einzugrenzen, beschränkt sich die Abhandlung auf die Anbindung eines Drittsystems, in Form eines Wareneingangssystems für die Elektronikfertigung, an ein ERP-System. Die Erkenntnisse können aber allgemein für die Integration von Software in ERP-Systeme genutzt werden. Ziel ist es zu überprüfen, wie und ob das Entscheidungsproblem der Auswahl einer Schnittstellentechnologie mit einem Self-Enforcing Network abgebildet werden kann. Dazu werden zuerst die theoretischen Grundlagen zu den verschiedenen Schnittstellentechnologien gelegt und diese gegenübergestellt. Darauf aufbauend werden Kriterien zur Auswahl der Schnittstelle definiert. Diese bilden dann die Grundlage für die Überführung des Problems in das Self-Enforcing Network, welches dazu genutzt werden soll, die Entscheider bei der Auswahl der Schnittstellentechnologie, bezogen auf die bei Ihnen vorliegenden Gegebenheiten, zu unterstützen.

In einem durchgeführten IT-Projekt stand eine Auswahlentscheidung zwischen verschiedenen Softwarekomponenten an. Die Alternativenbewertung erfolgte anhand vielfältiger Kriterien mithilfe einer Nutzwertanalyse. Bei Entscheidungsprozessen spielen geeignete Kriterien zur Bewertung der Alternativen eine wesentliche Rolle; weiterhin ist es wichtig, eine Methode zu wählen, die auch bei komplexen Fragestellungen handhabbar ist und gute Ergebnisse liefert. Da die Nutzwertanalyse gerade bei Auswahlprozessen mit vielen Kriterien an ihre Grenzen stößt, wurde eine alternative Bewertung der Software mit einem Self-Enforcing Network (SEN) durchgeführt. Die SEN-Software bietet gegenüber der Nutzwertanalyse eine bessere Benutzerfreundlichkeit, ist äußerst flexibel und kann problemlos durch neue Softwarealternativen oder Bewertungskriterien erweitert werden. In diesem Beitrag werden beide Verfahren vorgestellt und deren Ergebnisse gegenübergestellt.

Mitarbeiter zu führen bedeutet eine große Herausforderung, da es sich grundsätzlich um ein Zusammenspiel zwischen eigener Führungskompetenz und individuell zu führender Charaktere handelt. Da die eigene Persönlichkeit ebenfalls bestimmte Führungsstile bevorzugt, ist es notwendig, die Zusammensetzung der Charaktere im Team zu analysieren und sich selbst zu reflektieren, um konstruktiv führen zu können. Ein Modell, mit einer Methode der Künstlichen Intelligenz, soll dabei unterstützen: Die Führungsstile werden in einem Self-Enforcing Network (SEN) gelernt und die Persönlichkeitstypen werden als Referenzobjekte definiert. Das SEN soll nach dem Lernprozess für einen Mitarbeiter einen geeigneten Führungsstil empfehlen.

Strategien gewinnen durch den dynamischen Wandel an Bedeutung. Die Umsetzung einer Strategie stellt eine große Herausforderung dar und erfordert klare Anforderungen an Führungsaufgaben und Kompetenzen. In diesem Beitrag wird ein Self-Enforcing Network (SEN) als Methode der Künstlichen Intelligenz (KI) vorgestellt, um exemplarisch aufzuzeigen, wie die Unternehmensstrategie der FR L´Osteria SE unterstützt werden kann.

In einer dynamischen Zeit, in der eine Digitale Transformation oder der Einsatz von Künstlicher Intelligenz Unternehmen für die Zukunft rüsten soll, wird Agilität hoch geschrieben. Die Entwicklung der Software erfolgt immer mehr in agilen Teams, die großen Herausforderungen entgegentreten müssen. In diesem Beitrag wird untersucht, wie Agilität formal erfasst und wie die Effizienz von agilen Teams gesteigert werden kann. Durch den Einsatz eines Self-Enforcing-Networks (SEN) werden verschiedene Aspekte der Agilität analysiert und simuliert.

Das Beratungsumfeld wird in einer Zeit, in der Unternehmen sehr flexibel auf Änderungen reagieren müssen, immer komplexer und Entscheidungen müssen schnell getroffen werden. Ein entwickeltes Modell mit einer Methode der Künstlichen Intelligenz, nämlich einem Self-Enforcing Network (SEN), kann eine Entscheidungsunterstützung bieten. Das Ziel für den Einsatz von SEN besteht darin, die Effektivität von Beratern sichtbar, messbar und auswertbar zu machen. Wie dies gelingen kann, wird systematisch in diesem Beitrag gezeigt und diskutiert.

In diesem Beitrag zeigen wir, wie das Self-Enforcing Network“ (SEN) die Schätzung des Aufwandes für die Transformation individuell sehr komplexer und umfangreicher Business-Reports von einer technischen Plattform auf eine neue unterstützen kann. Wir bieten einerseits einen Strategieansatz für die Identifikation und Analyse der aufwandstreibenden Faktoren an und zeigen andererseits, wie diese in eine KI-gestützte SEN Analyse Eingang finden, an dessen Ende eine klarere Einschätzung des Aufwands für die Transformation eines vorhandenen Reports steht. Die Strategie wird produktneutral beschrieben und ließe sich daher auch auf die Produktumstellung in der Fertigung oder andere Transformationsaufgaben übertragen. Das betrachtete Cluster von Reports wird zuvor mit Fuzzy-Logik untersucht. Die Ergebnisse dieser Untersuchung werden mit denen der SEN-Analyse verglichen, mit einem besonderen Fokus auf die Fragen, wie sich die SEN-Ergebnisse ähnlich konkret in Zeitdauern transformieren lassen, wie es die Defuzzyfizierung leistet. Abschließend können wir zeigen, welchen wesentlichen Vorteil die SEN-Analyse gegenüber dem Fuzzy-Logik-Vorgehen bietet.

Mit der Einführung der EU-Schwellenwerte für Bau- und Bauplanungsleistungen müssen Bauvorhaben ab einer Größe von 215.000 EUR für Architekten und Ingenieure sowie ab 140.000 EUR für Bundesbehörden europaweit ausgeschrieben werden. Dies führt dazu, dass die bisherige gesetzliche Kalkulationsgrundlage der Honorarordnung für Architekten und Bauingenieure in Deutschland bei mittleren und großen Bauvorhaben außer Kraft gesetzt wird. Im Wettbewerb mit Anbietern aus den Nachbarländern wird eine genauere Aufwandskalkulation für die Erstellung der Angebote erforderlich sein, insbesondere unter Berücksichtigung des Lohngefälles. Die Aufwandsermittlung für Planungsleistungen erfolgt mithilfe eines Self-Enforcing Netzwerks (SEN), basierend auf Erfahrungen aus bereits abgeschlossenen Projekten. Dieser Beitrag untersucht die Potenziale, ein SEN für die Aufwandskalkulation und Kapazitätsplanung anhand von Unternehmensdaten einzusetzen.

Sicherheitsrelevante Systeme unterliegend strengen Vorgaben, die in der IEC bzw. DIN/EN 61508 festgelegt sind. Der Einsatz von Methoden der Künstlichen Intelligenz zur Überwachung derartiger Systeme ist besonders kritisch, da diese Forderungen erfüllen müssen, wie deterministische Lernverfahren, Zuverlässigkeit, Transparenz der Algorithmen und Nachvollziehbarkeit der Ergebnisse. In diesem Beitrag wird prototypisch gezeigt, wie ein Self-Enforcing Network, ein selbstorganisiert lernendes Netzwerk, als zweites Überwachungssystem zur Erreichung der diversitären Redundanz in Schachtanlagen eingesetzt werden kann, das die genannten Forderungen erfüllt.

In diesem Kapitel wird ein Entscheidungsunterstützungssystem zur Interpretation probabilistischer Wettervorhersagen auf der Basis eines Self-Enforcing Networks (SEN) vorgestellt. Als zu unterstützende Entscheidungssituation wird die Entscheidung über die Betriebsrichtung der Start- und Landebahnen des Flughafens Frankfurt betrachtet. Als Entscheidungsgrundlage stehen Daten aus dem Ensemble-Vorhersagemodell ICON-D2 – Ensemble Prediction System (ICON-D2-EPS) des Deutschen Wetterdienstes (DWD) zur Verfügung.

Die Forderung nach einer stärkeren Regulierung des Einsatzes von Methoden der Künstlichen Intelligenz (KI) wird weltweit diskutiert und gerade in sicherheitskritischen Systemen müssen die Ergebnisse der Methoden auch unter den Aspekten der Zuverlässigkeit und Erklärbarkeit hinterfragt werden. Dieser Beitrag konzentriert sich auf die Erklärbarkeit und zeigt, wie ein Self-Enforcing Network (SEN) die Wahl der Betriebsrichtung an einem Flughafen unterstützen kann und welchen Mehrwert eine erklärbare KI bietet.

Die Sicherstellung der „thermischen Behaglichkeit“ mit einer Betonkernaktivierung (vereinfacht ausgedrückt eine Variante einer Fußbodenheizung) ist ein komplexer Prozess, der von verschiedenen Faktoren beeinflusst wird. Die Regelung eines entsprechend trägen Regelkreises birgt viele Herausforderungen, insbesondere die Berücksichtigung von Wetterprognosen, um den Komfort in Gebäuden bei gleichzeitiger Minimierung des Energieeinsatzes zu erhöhen. In diesem Beitrag wird ein Gebäudemodell und prototypisch ein selbstlernendes Self-Enforcing Network (SEN) zur Optimierung des trägen Regelkreises eingesetzt und gezeigt, dass der Ansatz für die Regelung der Betonkernaktivierung vielversprechend ist.

Bereits in den 1970-er Jahre begann die Sammlung von Altglas ( https://www.bmuv.de/themen/wasser-ressourcen-abfall/kreislaufwirtschaft/abfallarten-abfallstroeme/altglas (Zugriff am 28.07.2023)) und kaum ein anderes Material wird bis zu 90% recycelt. Dies dürfte der Grund sein, warum seit 2016 an jedem dritten September bundesweit der Glasrecyclingtag gefeiert wird (Giese 2023). Die Menge der Glasproduktion in Deutschland betrug allein im Jahr 2021 laut dem Umweltbundesamt (2022) über 7.5 Mio. Tonnen. Für das Recycling stehen ca. 300.000 Glascontainer zur Verfügung, die regelmäßig entleert werden müssen. Ein innovativer Ansatz zur Bewältigung des Abfallaufkommens ist die sensorgestützte Erfassung der Füllstände und darauf aufbauend eine datengestützte und zukünftig effizientere Tourenplanung. Dieser Beitrag beinhaltet die Analyse von Füllständen unter Berücksichtigung verschiedener Einflussfaktoren, die mithilfe eines künstlichen neuronalen Netzes, dem Self-Enforcing Network, ermittelt werden. Anhand von zwei Beispielen wird aufgezeigt, welche Einflussfaktoren die Füllstände in einem Zeitraum beeinflussen und wie zukünftig damit umgegangen werden kann.

Voice Over IP (VoIP) ist die Technologie, die den aktuellen Kommunikationsnetzen zugrunde liegt. Anbieter wie auch Nutzer dieser Technologie sind darauf angewiesen, mögliche Angriffe zu erkennen und abzuwehren. Dabei fallen enorme Datenmengen an, die analysiert werden müssen. In diesem Beitrag wird vorgestellt, wie ein Self-Enforcing Network (SEN) für die Analyse und Klassifizierung von Datenmengen im mehrstelligen Millionenbereich erweitert wurde. Dazu wird der Ansatz der Sequentiellen Clusterbildung verwendet und für „ClustSEN“ modifiziert. Die Datenmenge wird unterteilt, die Untermengen nacheinander in ein SEN geladen, basierend der SEN-Ausgaben geclustert und die Teilergebnisse zum Schluss zusammengefügt. Dieser Ansatz wird am Beispiel von Angriffen in VoIP-System demonstriert, wobei sowohl bekannte Klassifizierungen bestätigt als auch neue Angriffstools identifiziert werden.

Die Stahlindustriebranche steht großen Herausforderungen gegenüber: Die rückgängige Nachfrage, Forderung nach Innovationskraft, die schnelle Anpassung an veränderte politische- wie Umweltbedingungen setzen die Unternehmen weltweit unter Druck. Es stellt sich daher die Frage, ob es grundsätzlich möglich ist, eine Prognose für die Übernahme oder Fusion von Unternehmen zu erstellen. In diesem Beitrag wird dieser Frage nachgegangen und gezeigt, welche Voraussetzungen für die Erstellung eines Prognosemodells notwendig sind und welche Ergebnisse erzielt werden können durch eine logistische Regressionsanalyse sowie durch ein Self-Enforcing Network.

Im Zuge der voranschreitenden Digitalisierung wurde seitens des Parlaments das Onlinezugangsgesetz (OZG) verabschiedet, welches Bund und Länder dazu verpflichtet, innerhalb von 5 Jahren ihre Verwaltungsleistungen (OZG-Leistungen) auch elektronisch anzubieten. Eine Unterstützung durch Methoden der Künstlichen Intelligenz ist zwar wünschenswert, die Entscheidung jedoch, welche Methode sinnvoll eingesetzt werden kann, stellt eine große Herausforderung dar. In diesem Beitrag wird ein Self-Enforcing Network (SEN) eingesetzt, um eine Empfehlung geeigneter Methoden für ausgewählte Maßnahmen zu erhalten.

Die Trennung von Abfällen erfolgt in Deutschland überwiegend vorbildlich und nicht selten werden wir als „Weltmeister im Mülltrennen“ bezeichnet, doch trennen wir auch richtig? Mitunter herrscht eine gewisse Unsicherheit, wie einzelne Verpackungen entsorgt werden sollten, insbesondere wenn unterschiedliche Materialien verwendet werden oder Verschmutzungen vorliegen. Wer hätte auch gedacht, dass Fahrkarten oder Kontoauszüge nicht in die Papiertonne gehören? In diesem Beitrag stellen wir ein Modell mit einem Self-Enforcing Network (SEN) vor, das in einen Chatbot integriert werden kann, um eine Hilfestellung zur korrekten Entsorgung von privaten Abfällen anzubieten.

Das automatisierte Abgleichen eingereichter Leistungsnachweise von Kunden und Mitarbeitern wird durch unterschiedliche Abrechnungssysteme erschwert. Besonders schwierig ist es herauszufinden, ob die Abrechnungen identisch sind oder ob sich (Tipp-)Fehler eingeschlichen haben, da diese in unterschiedlichen Formaten vorliegen können. In diesem Beitrag wird ein hybrider Ansatz zur automatisierten Überprüfung von Leistungsnachweisen durch eine Software zur Analyse von Bilddateien sowie einem Self-Enforcing Network vorgestellt. Anhand konkreter Beispiele wird gezeigt, wie Unterschiede in den Abrechnungen aufgedeckt werden können.

Das zuverlässige Erkennen von Verkehrszeichen ist ein essentieller Teilaspekt der verschiedenen Grade des autonomen Fahrens und wird bereits seit einigen Jahrzehnten erforscht. Insbesondere die Tatsache, dass die automatisierte Interpretation von Verkehrszeichen durch Angriffsvektoren manipuliert wird, trägt zur Aktualität und nach wie vor hohen Relevanz dieses Forschungssektors bei. Anhand dieser Domäne zeigt der Beitrag auf, dass auch selbstorganisiert lernende Systeme eine ernstzunehmende Konkurrenz zu den etablierten Deep Learning Verfahren sein können. Es werden die technischen Grundlagen der Klassifikation von Bilddaten mit einem Self-Enforcing Network erörtert, allgemeine Probleme bei der Klassifikation von Bilddaten aufgezeigt, sowie verschiedene Methoden demonstriert, die zur schrittweisen Verbesserung eines SEN Modells beitragen können.

Die Prüfung von LED-Lichtleitern in Kraftfahrzeugen unterliegt nicht nur objektiven Qualitätskriterien, sondern auch subjektiver Wahrnehmung. Wenn ein Defekt offensichtlich vorliegt, ist die Bewertung unproblematisch. Handelt es sich jedoch um die Entscheidung, ob die Lichtleiter ein gleichmäßiges, angenehmes Licht ausstrahlen, oder ob nicht, kommt die Subjektivität ins Spiel, die zum Beispiel durch Müdigkeit oder persönliche Wahrnehmung beeinflusst werden kann. Um die subjektiven Bewertungen zu minimieren, wird eine automatisierte Qualitätsprüfung angestrebt. In diesem Beitrag werden zur Problemlösung verschiedene neuronale Netzwerke (Convolutional Neural Networks, Multi-Layer Perceptrons, Self-Enforcing Networks) sowie Modelle eingesetzt und deren Ergebnisse diskutiert.

Die Qualitätsprüfung von Umgebungsbeleuchtung in Fahrzeugen kann von der subjektiven Wahrnehmung des Prüfers hinsichtlich der Lichthomogenität beeinflusst werden. Infolgedessen entspricht auch die Klassifizierung von Trainingsdaten diesem subjektiven Eindruck. In diesem Beitrag wird gezeigt, wie Bilder von Lichtleitern von Fahrzeugumgebungsbeleuchtung verwendet werden, um Deep Belief Networks (DBN) unter Verwendung der Lernregeln „Backpropagation“ (BP) und „Enforcing Rule Supervised“ (ERS) zu trainieren. Darüber hinaus wird die Auswirkung der kontrastiven Divergenz (contrastive divergences) des Vortrainings auf die Robustheit und Genauigkeit der trainierten Netze sowie der Effekt eines cue validitiy factors (cvf) auf die Trainingsbilder analysiert. Die Ergebnisse sind vielversprechend und legen eine Entscheidungsunterstützung durch DBN im Produktionsprozess nahe, um den Einfluss der Subjektivität menschlicher Prüfer zu minimieren.

Die US-amerikanische Präsidentenwahl im Jahr 2016 hat weltweit für Aufmerksamkeit gesorgt, da anhand der damaligen Prognosen mit der Niederlage von Hilary Clinton nicht gerechnet wurde. In diesem Beitrag geht es um die Rekonstruktion der Prognosen anhand vorhandener Umfragewerte mit dem Self-Enforcing Network (SEN) und um ein erweitertes Prognosemodell, um mögliche Gründe für die Wahl von Donald Trump aufzuzeigen.

In der Vergangenheit entsprachen durchgeführte Wahlprognosen großer Meinungsforschungsinstitute häufig nicht den korrekten Wahlausgängen. Dies traf unter anderem auf verschiedene Landtagswahlen sowie die Wahl zum deutschen Bundestag im Jahr 2017 zu. In diesem Beitrag wird am Beispiel der Bundestagswahl 2017 gezeigt, wie die Prognose durch die Modellierung mit einem Self-Enforcing Network und durch Einbeziehung der erfassten Meinungen in den Social Media optimiert werden kann.

In dieser Einleitung werden die formalen Grundlagen des Regulator Algorithmus (RGA) gezeigt, auf denen die inhaltlichen Beiträge aufbauen.

Raumbelegungspläne an Universitäten stellen nach wie vor eine große Herausforderung dar. Zurzeit existiert keine Standardlösung, die problemlos auf die individuellen Bedürfnisse einer Universität angepasst werden kann. Die meisten Raumbelegungspläne werden daher überwiegend manuell erstellt und weltweit werden verschiedene Algorithmen entwickelt und getestet, um dem Problem zu begegnen. Die Herausforderung besteht in der Optimierung verschiedener Constraints, die nicht verletzt werden dürfen. In diesem Beitrag wird der Regulator Algorithmus (RGA) zur Lösung der Raumbelegungspläne vorgestellt. Es handelt sich dabei um einen zweidimensionalen Optimierungsalgorithmus, der es erlaubt, die Constraints als Steuerungsinstanz einzusetzen.

Die Prüfungsorganisation an Universitäten stellt eine große Herausforderung dar, da die Planung in einer kurzen Zeit durch mehrere Beteiligte und in mehreren Innstanzen erfolgen muss. In diesem Beitrag wird der Regulator Algorithmus für eine automatisierte Prüfungsplanung vorgestellt. Dieser Algorithmus berücksichtigt nicht nur die Hard-Constraints sondern auch die verschiedenen Wünsche der Beteiligten. Die Planung kann dadurch in einer kürzeren Zeit erfolgen und außergewöhnliche Situationen, wie zum Beispiel die Corona-Pandemie, berücksichtigen.

Die erfolgreiche Vereinbarkeit von Beruf, Familie und Studium erfordert eine gute Planung. Ein sehr guter Studienplan ermöglicht es, Lernmodule in weniger Semestern abzuschließen und die Lerneffizienz zu steigern. In diesem Beitrag wird eine Anwendung vorgestellt, die mit einem Regulator Algorithmus (RGA) dabei unterstützt, ein berufsbegleitendes Master-Fernstudium in möglichst wenigen Semestern abzuschließen und die Gesamtlernzeit pro Semester gleichmäßig zu verteilen.

In diesem Artikel wird ein Verfahren für die Materialbedarfsplanung beschrieben, welches sowohl Ressourcenkapazitäten als auch minimale Losgrößen bei der Erstellung eines Materialbedarfsplans berücksichtigt. Das Verfahren basiert auf einem Regulator Algorithmus (RGA). Die Leistungsfähigkeit des RGA wird beurteilt, indem der RGA mit zwei weiteren Algorithmen der Materialbedarfsplanung, nämlich dem genetischen Algorithmus und dem Material Requirements Planning (MRP), verglichen wird. Die Leistung der Implementierung des RGA, des genetischen Algorithmus und des MRP-Verfahrens wird anhand von Messgrößen gemessen. Als Messgrößen werden Leistungskennzahlen verwendet, die im Rahmen eines Experiments jeweils für den RGA, den genetischen Algorithmus und das Material Requirements Planning berechnet werden. Anschließend werden die von den Algorithmen im Rahmen eines Experiments erzielten Kennzahlwerte miteinander verglichen, um die Leistung der Implementierungen der drei Algorithmen zu beurteilen.

In der heutigen Zeit besteht immer mehr der Wunsch nach individueller Konfigurierbarkeit der Systeme. Die Industrie hat sich in deren jeweiligen Produktlinien bereits darauf eingestellt, dass Kunden ihre Autos, Rechner, Schuhe oder Müsli nach eigenen Bedürfnissen konfigurieren möchten. Dies gilt auch für softwareintensive Systeme, deren Systemkomponenten (Features) trotz einer Vielzahl möglicher Kombinationen kontrolliert werden müssen, damit sie einwandfrei funktionieren. In diesem Beitrag wird die Herausforderung variabilitätsintensiver Softwaresysteme anhand der Modellierung eines Smart-Home-Systems vorgestellt und wie eine Optimierung des Modells durch einen Regulator Algorithmus erfolgen kann.

Computerspiele sind weltweit ein wichtiger Wirtschaftsfaktor und die eingesetzten Technologien sind sehr komplex. Spiele dienen längst nicht mehr nur dem Zeitvertreib, sondern werden unter dem Aspekt der „Serious Games“ oder „Gamification“ in allen Bereichen diskutiert. In dieser Fallstudie wird das Konzept der Regulierung von Optimierungsalgorithmen wie genetischen Algorithmen und Evolutionsstrategien auch „spielerisch“ untersucht, indem die Navigation eines Spiel-Astronauten durch eine Welt voller Hindernisse optimiert wird. Die erzielten Ergebnisse werden mit der menschlichen Leistung verglichen.

In Abhängigkeit von den Eigenheiten des Modells sowie der Beschaffenheit der Rohdaten, kann die Auswahl von geeigneten Referenztypen für ein Self-Enforcing Network herausfordernd sein. In dieser Fallstudie werden einige typische dieser Herausforderungen am Beispiel eines Projekts aus dem Bereich der Luftfahrt vorgestellt sowie ein Ansatz zur automatisierten Vorselektion geeigneter Rohdatensätze mittels des Regulator Algorithmus präsentiert.

In dieser Einleitung werden die formalen Grundlagen des Algorithm for Neighborhood Generating (ANG) gezeigt, auf denen die inhaltlichen Beiträge aufbauen.

Die Digitalisierung führt zu einem enormen Datenanstieg und für die Analyse dieser „Big Data“ werden neue Methoden der Künstlichen Intelligenz oder des Maschinellen Lernens erforscht, um diesen Herausforderungen zu begegnen. In diesem Beitrag wird der Algorithm for Neighborhood Generating (ANG), eine neue Methode des „Künstlichen Lebens“ und ein entwickelter Anwendungsprototyp vorgestellt, der für die Strukturierung und Analyse großer Datenmengen konzipiert ist. Da die Digitalisierung auch im Gesundheitswesen vorangetrieben wird, um langfristig eine individuelle und präventive medizinische Versorgung zu gewährleisten, werden die Potenziale des ANG anhand von Beispielen aus diesem Sektor aufgezeigt.

Enorme Datenmengen sind heutzutage in nahezu jeder Branche vorhanden. In diesem Beitrag wird anhand verschiedener Datensätze aus der COVID-19-Pandemie dargestellt, inwiefern es durch den Algorithm for Neighborhood Generating (ANG) ermöglicht wird, solche Datenmengen hinsichtlich ihrer topologischen Struktur zu ordnen. Zusätzlich werden diverse Visualisierungsmöglichkeiten mittels ANG aufgezeigt, die an den jeweiligen Zweck der Interpretation angepasst werden können und dadurch gezieltere Implikationen ermöglichen.

Die Strukturierung von Unternehmensdaten ermöglicht eine effiziente Nutzung der Daten zur Vereinfachung und Koordination von Prozessen. In diesem Beitrag wird gezeigt, wie mit Hilfe eines Algorithmus zur Nachbarschaftsgenerierung (Algorithm of Neighborhood Generating – ANG) Daten nach bestimmten Kriterien strukturiert und Zusammenhänge aufgezeigt werden können. Dies wird an einem einfachen Beispiel der Aufwandsanalyse für die Planung unterschiedlichster Bauvorhaben sowie an einem komplexeren Beispiel einer Analyse des zeitlichen Verlaufs von Zugriffen auf Dokumente von Mitarbeitern im Dokumentenmanagement veranschaulicht, aus dessen Ergebnissen sich automatisiert Workflows für die Planungsabläufe von Bauvorhaben generieren und für automatisierte Prozesse ableiten lassen.

Die Auswahl technischer Komponenten zum Aufbau eines PC-Systems ist von vielen Faktoren abhängig, wie die primäre Verwendung des PCs, die gewünschte Leistungsfähigkeit, Kompatibilität einzelner Komponenten, und natürlich spielt auch das Budget eine nicht unwesentliche Rolle bei der Kaufentscheidung. Die Kombinationsmöglichkeiten steigen sehr schnell, wodurch Entscheidungsprozesse erschwert werden. In diesem Beitrag wird das hybride System ANG-SEN als Entscheidungsunterstützungssystem vorgestellt. Bei diesem System handelt es sich um die Koppelung eines Algorithm for Neighborhood Generating (ANG) mit einem Self-Enforcing Network (SEN). ANG strukturiert die Datenmenge und trifft eine Vorauswahl, die vom SEN weiterverarbeitet wird. Um die Ergebnisse persistent zu speichern und eine gezielte Abfrage zu ermöglichen, wurde eine Neo4J-Datenbank angebunden. An verschiedenen Beispielen wird die Leistungsfähigkeit des ANG-SEN für die Auswahl technischer Komponenten vorgestellt.

Die enormen gesundheitlichen, gesellschaftlichen sowie ökonomischen Auswirkungen der COVID-19-Pandemie sind unbestritten. In diesem Beitrag wird eine Modellierung und Simulation der COVID-19-Pandemie im Jahr 2021 in Deutschland durch einen Zellularautomaten (ZA) durchgeführt sowie die Dynamik und die Ergebnisse im zweiten Schritt durch den Algorithm for Neighborhood Generating (ANG) ausgewertet. Dieses Vorgehen ist bislang weltweit einmalig. Für die Modellierung wurden insbesondere die Daten, welche im Rahmen der COVID-19-Pandemie vom Robert Koch-Institut (RKI) und den Gesundheitsämtern erhoben wurden, als Quellen genutzt, um eine möglichst realitätsnahe Darstellung der COVID-19-Pandemie sowie ihrer Auswirkungen zu erreichen und das enorme Potenzial der Kombination von ZA und ANG im Rahmen stark fortschreitender Digitalisierungsprozesse im Gesundheitswesen aufzuzeigen.

Die Beiträge dieses Bandes zeigen, auf welch unterschiedliche Themengebiete die hier vorgeführten Algorithmen erfolgreich angewendet werden können; sie zeigen aber auch, welch unterschiedliche Bedeutung jeweils der Modellbegriff haben kann – und muss -, um den es fundamental in jedem Beitrag geht. Es klingt zwar trivial, aber sowohl bei Studierenden, die mit unseren Algorithmen gearbeitet haben, als auch bei Anwendungsinteressenten aus beruflichen Praxisbereichen erwies es sich häufig als notwendig, erst einmal festzulegen, was ein Modell des jeweiligen Problembereichs leisten soll und was die unverzichtbaren Bestandteile des Modells demzufolge sein müssen.