Abb. INB-Logo

Archiv: Forschung / archive: research


Zurück / back

Available in German only!

 

Der nachfolgende Text sowie die Abbildungen sind dem LEONET-Flyer von Volkmar Sterzing entnommen. Ihm sei für das Bereitstellen herzlich gedankt. An dieser Stelle sei auf die LEONET-Homepage der Ludwig-Maximilians-Universität München hingewiesen.

 

Projektträger des BMBF für Informationstechnik

 

LEONET

Naturanaloge Lern und Optimierungsverfahren für vernetzte Systeme


 

leonet_Abb1 Abbildung 1: berechnete  Feldstärkeverteilung um die Basisstation eines Mobilfunknetzes

 

LEONET steht für die Projektbezeichnung "Naturanaloge Lern- und Optimierungsverfahren für vernetzte Systeme". Dieses vom BMBF geförderte Projekt im Gesamtumfang von 18 Mio. DM wird vom 1.April 1998 bis zum 31.März 2001 bearbeitet. Verbundpartner des Projektes sind die Siemens AG, das Informatik Centrum Dortmund (ICD) und das Zentrum für Neuroinformatik (ZN) Bochum. Als Unterauftragnehmer arbeiten an diesem Vorhaben die Infineon AG, das Institut für Hochfrequenztechnik der Universität Stuttgart, das Institut für Informatik der Ludwig-Maximilian-Universität München, das Institut für Neuroinformatik der Ruhr-Universität Bochum (INI) und das Institut für Neuro- und Bioinformatik der Medizinischen Universität Lübeck (INB).


Motivation für das Vorhaben

Naturanaloge Lernverfahren sind bestens geeignet, den vielfältigen Problemen zukunftsweisender technologischer Bereiche zu begegnen. Wie in der biologischen Evolution die Lebewesen immer besser an die Aufgabe "Leben" angepasst werden, so können technische Evolutionsstrategien verschiedenartigste Optimierungsaufgaben lösen - vom Entwurf von Telekommunikationsnetzen bis hin zur Überwachung von Kraftwerken. Neuronale Netze wie zum Beispiel im Gehirn lösen in biologischen Systemen hochgradig komplexe Aufgaben. Gekoppelt mit verschiedenen Lernverfahren (Reinforcement Learning, Gradientenverfahren) und integriertem Expertenwissen in Form von Fuzzyregeln bietet sich eine Vielzahl von Anwendungsmöglichkeiten.

Zum Teil sind dort netzwerkartige Strukturen offenkundig, wie z.B. in den Anwendungsfeldern Straßenverkehr und Kommunikationsnetze, doch auch komplexe Anlagen und industrielle Prozesse sind vernetzte Systeme. Der enge Dialog aller beteiligten Forschungspartner sowie die Querschnittswirkung der Methoden und Anwendungen verhelfen uns zu einem besseren Verständnis, um Ähnlichkeiten zwischen verschiedenen praktischen Problemen aufzudecken und die vorhandenen Synergiepotentiale bestmöglich auszuschöpfen.


Grundlagen naturanaloger Optimierung

Am INB und INI werden die grundlegenden, naturanalogen Verfahren zur Bearbeitung komplexer Anwendungen analysiert und weiterentwickelt. Als Vorbild dient die biologische Evolution, die eines der kompliziertesten, lernfähigen Netzwerke, das Gehirn, hervorgebracht hat. Bei der Anwendung evolutionärer Algorithmen auf Probleme mit variablen Randbedingungen ermöglichen Verfahren zur Adaptation der Strategie das stabile, zeitabhängige Verfolgen guter Lösungen. In Analogie zur Nischenbildung in der Natur wird es möglich, verschiedene, zeitweise gute Lösungen gleichzeitig als Kandidaten zu verfolgen.

Gegenstand der Untersuchungen ist des Weiteren die Codierung von Netzwerktopologien, welche bei der evolutionären Suche eine wesentliche Rolle spielt. Evolution und Lernen werden auf verschiedene Weisen gekoppelt, wobei effiziente Lernalgorithmen eine schnelle Anpassung einer evolvierten Struktur ermöglichen. So wird die Optimierung von lernfähigen Netzstrukturen auf unterschiedlichen Zeitskalen realisiert.

Verkehr, Telekommunikation und industrielle Prozesse gehören zu den wichtigsten Standbeinen der deutschen Industrie und haben starke Wachstumserwartungen. Im Bereich der Kommunikationssysteme kann dem Wachstum durch eine überlegte Planung und Erweiterung Rechnung getragen werden, wohingegen bei Straßenverkehrsnetzen neben einem punktuellen Ausbau ein großes Gewicht auf intelligenter Verkehrssteuerung und Verkehrsinformation liegt.


Anwendung Straßenverkehr

Unsere Arbeiten auf diesem Thema gruppieren sich um die drei Schwerpunkte Datenerfassung, Prognose und Verkehrssteuerung. Basierend auf einer automatischen optischen Erfassung und Klassifizierung des Verkehrs, zur Bestimmung typischer Kenndaten, wie Fluss, Stärke und Wartezeit im Rahmen des Arbeitspaketes "Straßenverkehr Datenerfassung" kann eine Prognose und Steuerung in Straßenverkehrsnetzen erfolgen. Eines der Ziele im Vorhaben LEONET ist ein weitgehend automatisiertes Langzeitprognosesystem basierend auf historischen Tagesganglinien. Dazu wurde ein Clusterverfahren entwickelt, das Ähnlichkeiten in diesen Tagesganglinien erkennt und entsprechende Klassen bildet. Diesen Klassen können bestimmte Attribute wie z.B. Wochentag oder Wetter zugeordnet werden. Mit einem Datensatz von der Autobahn A9 im Norden Münchens konnten so 10 Klassen identifiziert werden. Für eine weitergehende Prognose in Verkehrsnetzen benötigt man Informationen über sogenannte Quelle-Ziel-Nachfrageganglinien, kurz OD-Ganglinien, die in der Praxis oft nicht oder nur mit großem Aufwand verfügbar sind. Mit einem bei Siemens entwickelten einfachen Verfahren kann man solche OD-Ganglinien aus leicht verfügbaren lokalen Messungen von Verkehrsstärken gewinnen.

Für die Steuerung von Ampelanlagen wurden im Rahmen von LEONET Verfahren entwickelt, um das verkehrsabhängige Umschalten von Rahmensignalplänen zu optimieren und die Planung zu automatisieren. Dabei kam ein Reinforcement-Lernverfahren zum Einsatz, bei dem Aktionen (Umschalten oder Beibehalten von Rahmensignalplänen) bewertet und somit bestraft oder belohnt werden. Das Verfahren optimiert die Umschaltstrategie so, daß der Langzeitgewinn möglichst hoch ist. Innerhalb eines Rahmensignalplanes können bei einer verkehrsabhängig gesteuerten Ampelgruppe durch Variation der Grünzeiten der Durchsatz maximiert und die Wartezeiten minimiert werden.


Anwendungen in Kommunikationsnetzen

In modernen Mobilfunknetzen ist es erforderlich, in jedem Punkt einer Stadt eine akzeptable Empfangsqualität zu erzielen. Um dies mit möglichst geringem Aufwand zu erreichen, ist eine präzise Prognose der Qualität vor Installation der Basisstation erforderlich. Diese Aufgabe ist mit bekannten Verfahren (Ray Tracing) lösbar, allerdings erfordert dies erheblichen Aufwand, der für jeden Senderstandort erneut zu erbringen ist.

Das Konzept besteht nun darin, das Ray Tracing Verfahren nur bei wenigen ausgewählten Sendern anzuwenden. Mit den dadurch gewonnenen Daten wird ein neuronales Netz trainiert, das dann in der Lage ist, dieselbe Aufgabe wesentlich schneller für die anderen Standorte durchzuführen. Das im Rahmen des Projekts entwickelte neuronale Netz erstellt aus den Informationen einer Datenbank mit den Angaben über die Gebäude eines Stadtbezirkes die Prognose der Empfangsqualität für alle Orte (Abbildung 1). Diese weicht wenig vom als Referenz verwendeten Ray Tracing Verfahren ab. (Abbildung auf Seite 1)
Die gleichen Methoden der Neuroinformatik können zur Modellierung und nachfolgenden Überwachung von Rechnernetzen eingesetzt werden. Basierend auf dem erlernten neuronalen Modell der Abhängigkeiten im Rechnernetz können Komponentenausfälle oder illegale Eindringversuche frühzeitig festgestellt werden.

Der Entwurf und die Auslegung von Telekommunikationsnetzen enthält als Teilaufgaben die Festlegung der Netztopologie, die Dimensionierung der Leitungen und die Festlegung des Routings. (Abbildung rechts) Mit den bei der Siemens AG und dem ICD erarbeiteten Methoden können erstmalig die naturanalogen genetischen/evolutionären Optimierungsalgorithmen für die gleichzeitige Optimierung der Struktur (Topologie und Dimensionierung der Netzleitungen) und des Routings zum Einsatz in Planungswerkzeugen verwendet werden. Diese Methoden bewähren sich auch bei der Strukturoptimierung von Anlagen und bei der Prozessoptimierung.

 

leonet_Abb2 leonet_Abb3
Modellierung des Zusammenhangs zwischen zwei Einflußgrößen und einer Zielgröße (a), initiales Modell (b), zufällige Versuchspunkte (d), Punkte mit größter Varianzänderung (e), Punkte mit größter Varianz (f) Beispiel einer Netztopologie

 


Industrielle Anwendungen

Bei der logistischen Optimierung einer Haubenglühanlage zeigte sich, daß häufig die besten Ergebnisse durch die Kombination innovativer Verfahren (genetische Algorithmen) mit den auf dem Einsatzgebiet bewährten klassischen Methoden (Operations Research) erreicht werden.

Bei der Rezepturoptimierung können durch eine optimale Versuchsplanung Umweltbelastung, Materialkosten und Entwicklungszeit drastisch reduziert und ein preiswerteres, besseres Produkt entwickelt werden. Ein hybrides Verfahren mit neuronalen Netzen und Methoden aus dem Gebiet der Versuchsplanung erzielte die besten Ergebnisse und ermöglichte eine sichere Bewertung der Zuverlässigkeit sowie der Sensitivität bezüglich der Eingangsgrößen. (Abbildung links)


Marktpotential

Marktstudien zur Verkehrstelematik gehen für Europa bis 2005 von einem Marktvolumen von ca. 60 Mrd. DM aus. Derzeitige Zahlen liegen Größenordnungen darunter. Dies ist teilweise durch den Preis, zum anderen durch die mangelnde Qualität der Telematikdienste bedingt. Diese Dienste zu verbessern und automatisieren ist einer der Schwerpunkte in LEONET.

 

 

Projektkoordinator:

Volkmar Sterzing
Siemens Ag
ZT IK 4
81730 München
Email: Volkmar.Sterzing@mchp.siemens.de
Tel.: 089/636-44441


Projektträger IT:

Marius van der Meer

 

Beteiligte Firmen:

 

siemens_logo icd-logo casa-logo
zn-logo infineon-logo ihf-logo
inithbio-logo lmu-logo mul-logo