• Multiobjective Optimization im evolutionären Machine Learning / Pittsburgh LCS (Bachelor- oder Masterarbeit / FM/ PM, Ansprechpartner: Michael Heider)
• Compaction algorithms in XCS(F) (Bachelor- oder Masterarbeit, Ansprechpartner: Michael Heider)

•  Optimierung der Ausführreihenfolge von Programmcode (Bachelor-/Masterarbeit, Ansprechpartner: Michael Heider)
• Comparison and analysis of different methods for automated algorithm configuration (also known as parameter tuning) on optimization and machine learning tasks (Projektmodul, Bachelor- oder Masterarbeit, Ansprechpartner: Jonathan Wurth)
• Automated algorithm selection: learning to select the best optimization algorithm / metaheuristic for solving a specific optimization problem (Projektmodul, Bachelor- oder Masterarbeit , Ansprechpartner: Jonathan Wurth)
• Automating the design of optimization algorithms / metaheuristics with (Push) genetic programming (Projektmodul, Bachelor- oder Masterarbeit, Ansprechpartner:  Jonathan Wurth)
• Learning to Optimize: use deep learning to learn efficient optimization algorithms / metaheuristics (Projektmodul oder Masterarbeit, Ansprechpartner: Jonathan Wurth)
• Competitive coevolution of optimization algorithms / metaheuristics and problem instances (Projektmodul oder Masterarbeit,  Ansprechpartner: Jonathan Wurth)
• Efficient continuous and combinatorial optimization problem instance generators in Rust or Julia (Praxis- oder Projektmodul, Ansprechpartner:  Jonathan Wurth)

• IoT-Netzwerke mit IEEE 802.15.4 (DetNet, Traffic Engineering, Contiki NG, Nordic Semiconductor nRF52840)
• IoT-Netzwerke mit LoRa (z.B. Meshtastic, LoRaWAN, Smart City, Heltec WiFi LoRa 32(V3))
• IoT-Projekte mit Arduino Nano 33 BLE Sense oder Raspberry Pi Pico (2) W (z.B. TinyML)

• In der Multi-Layered Observer/Controller (MLOC) Architektur soll ein höherer Kontrolllayer eingreifen, wenn der Agent auf niedrigerer Ebene unsicher ist. Dafür sind effiziente Mechanismen zur Unsicherheitsabschätzung erforderlich. Ziel dieser Arbeit ist die Untersuchung verschiedener Methoden zur Unsicherheitsmessung in RL-Agenten. Entropie-basierte Ansätze, 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 verändert kann dies dazu führen, dass der Agent unerwartetes oder ineffizientes Verhalten zeigt. Ziel dieser Arbeit ist die Modellierung der Umgebung zur Vorhersage von Zustandsübergängen und die Erkennung von Anomalien durch Abweichungen zwischen Modell und veränderter 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 Domänen der Straßenverkehr - 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 Zustände 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)

• Bayesian Networks sind als Tool für viele Anwendungen verwendbar, darunter auch für die Detektion und Diagnose von Anomalien in Datensätzen. Wie kann ein Anwendungsfall im Feld Predictive Maintenance mithilfe von Expertenwissen und aufgezeichneten Daten implementiert werden? (Projektmodul, Bacheloarbeit oder Masterarbeit; Ansprechpartner: Lukas Meitz).

• Eine praktische Demonstration von Explainability in ML; XAI in industry (Bachelor- oder Masterarbeit; Ansprechpartner: Michael Heider).

Cartesian Genetic Programming (CGP) ist eine Unterart der Genetischen Programmierung - Lösungen werden in einer Graph-Struktur dargestellt anstatt einer Baum-Struktur.

Dadurch entstehen sowohl Vor- als auch Nachteile.

Das Thema des Projektmoduls / Abschlussarbeit ist CGP, wobei das Ziel und die Details individuell besprochen werden.

Die komplette Algorithmik (Implementierung von CGP, etc.) muss in einer kompilierbaren, performanten Sprache geschrieben werden (C++, Rust, Julia, ...). Die Programmiersprache für die Evaluation ist frei wählbar.

(Projektmodul, Bachelor- oder Masterarbeit. Ansprechpartner: Henning Cui)

Predictive Maintenance (PdM) nutzt Datenanalyse und Machine Learning, um den Zustand von Maschinen kontinuierlich zu überwachen und Ausfälle vorherzusagen. Ziel ist es, durch rechtzeitige Wartungsmaßnahmen unerwartete Stillstände zu vermeiden, die Lebensdauer von Maschinen zu verlängern und die Effizienz zu steigern. In einer Abschlussarbeit können 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.

• MAN Energy Solutions: 
  • Bewertung von Deep Learning Frameworks für die AI-Verbrennungsmodellierung (Link zur Ausschreibung)