Pascal Katzenbach

Goethe-Universität Frankfurt am Main
Fachbereich Informatik und Mathematik
Institut für Informatik
Information Systems and Simulation
Robert-Mayer-Str. 10
60325 Frankfurt am Main

Telefon: +49 69 798-24635
Fax: +49 69 798-24649
E-Mail: katzenb AT informatik.uni-frankfurt.de
Homepage:

Simulation-Based Machine Learning in Complex Agent Systems

Ausführliche Beschreibung

MABS (Multi-Agent-Based Simulation) stellt im Bereich der sozio-technischen Systeme eine adäquate Möglichkeit dar, quantitative Aussagen zu erhalten. Durch die Wahl geeigneter Umgebungsszenarien lässt sich ein System evaluieren und insbesondere kritische Systemzustände können erkannt und analysiert werden. Eine Hürde bei der praktischen Anwendung von MABS kann jedoch der hierbei anfallende Berechnungsaufwand darstellen, da häufig die Untersuchung eines großen Parameterraums nötig ist. Zudem wird durch die Varianz bei stochastischen Simulationen eine erhöhte Anzahl von Replikationen erforderlich, um signifikante Resultate zu erhalten.
Aufgrund dieser Gegebenheiten ist eine Ad-hoc-Simulation zur Laufzeit oftmals nicht in angemessener Berechnungszeiten machbar. An dieser Stelle setzt das Dissertationsvorhaben an, bei dem Verfahren zur Transformation von Simulationsmodellen entwickelt werden sollen. Ziel ist es, ausgehend von einem gegebenen Simulationsmodell ein neues vereinfachtes Modell zu erzeugen, das spezialisiert Aussagen zu relevanten Sachverhalten im System liefert. Der Vorgang der Transformation erfolgt deduktiv-induktiv: Durch Simulationsläufe des Ursprungsmodells werden Daten erzeugt, die im Anschluss dazu dienen ein spezialisiertes Modell maschinell zu lernen. Dieser Ansatz ermöglicht es, Modelle unabhängig ihres Typs und formaler Repräsentation zu verarbeiten. Ein Schwerpunkt liegt dabei auf der Steuerung des Simulationsvorgangs anhand des Lernverlaufs. Hierzu werden geeignete Lernverfahren entwickelt, die einen Rückkanal zur Steuerung der Simulation bereitstellen, um so gezielt relevante Daten für den weiteren Lernprozess zu sammeln.

Beitrag zum Doktorandenkolleg

Im Rahmen des SENSYBLE-Doktorandenkollegs werden intelligente selbst-organisierende Systeme für Lebenswelten der Zukunft untersucht. Solche sozio-technischen Systeme kennzeichnen sich durch hohen Grad von Adaptivität und Dynamik. Gleichzeitig ist eine hohe Zuverlässigkeit der Systeme notwendig, da sie lebenswichtige Bereiche betreffen können. Insbesondere bei Skalierung des Systems stellt Simulation eine Technik dar, das Systemverhalten zu überprüfen. Durch simulationsbasiertes Lernen und Integration der Modelle in des System lassen sich beispielsweise Erkennungen für kritische Systemzustände realisieren, um diese rechtzeitig abzuwenden oder Notfallprogramme auszulösen.

Tags

Machine Learning, Multi-Agent-Based Simulation