Themen für Abschlussarbeiten

An unserem Lehrstuhl sind jederzeit interessante Themen für studentische Abschlussarbeiten (Bachelor / Master) oder für Praxis-, Forschungs- oder Projektmodule zu vergeben. Aktuelle verfügbare Themen stellen wir interessierten Studierenden gerne auf Anfrage persönlich vor. Selbstverständlich besteht zudem die Möglichkeit, mit Vorschlägen auf uns zuzukommen.

Die betreuten Themen beziehen sich vornehmlich auf unsere Forschungsschwerpunkte bzw. auf unsere Forschungsprojekte. Wir sind jederzeit bestrebt, Studierende frühzeitig in unsere Forschungstätigkeiten und - projekte einzubinden, um Ihnen somit eine Vorstellung von akademischer Forschung vermitteln zu können.

Bitte nehmen Sie direkt mit uns Kontakt auf - entweder mit dem jeweiligen Mitarbeiter (Bezug auf ein konkretes Projekt) oder mit Prof. Dr. Hähner bei allgemeinen Themen im Umfeld des Lehrstuhls.

 

Im Folgenden sind die groben Themenbereiche dargestellt, in denen ein individuelles Thema festgelegt werden kann. Bei Interesse kontaktieren Sie bitte den jeweils angegebenen Betreuer. In der Regel sind die angebotenen Themen auch um Forschungs-/Praxis- und Projektmodule erweiterbar. Sollten Sie noch unentschlossen, an Organic Computing im Allgemeinen interessiert oder mit einer eigenen Idee ausgerüstet sein, wenden Sie sich bitte direkt an Prof. Dr. Hähner (Kontaktdaten finden Sie unter "Team").

 

 

Selbst-lernende OC-Systeme

  • Anomaly Detection in Sensornetzen: Auf Echtweltdaten eines Sensornetzwerkes sollen mittels Anomaly Detection von der Norm abweichende Drifts erkannt werden. Die Komponente soll in einer multi-level Observer/Controller Architektur laufen. (Bachelor- oder Masterarbeit, Ansprechpartner: Wenzel Pilar von Pilchau)
  • Computational Trust Model in Sensornetzwerken: Jedem Sensor im Netzwerk wird ein Trust-Wert zugeordnet der Aussagen über die Zuverlässigkeit, bzw. die Messungenauigkeit zulassen. (Bachelor- oder Masterarbeit, Ansprechpartner: Wenzel Pilar von Pilchau)

Learning Classifier Systeme

  • Lösungsansätze für Übergeneralitätsprobleme in strength-based LCS (Masterarbeit, Ansprechpartner: David Pätzel)
  • Lambda-Kalkül basiertes Genetic Programming inkl. Implementierung in Haskell (Master- oder auch Bachelorarbeit, Ansprechpartner: David Pätzel)
  • Hyperparameterfreie Genetische Algorithmen im evolutionären Machine Learning / Pittsburgh LCS (Masterarbeit auch in Verbindung mit einem Projektmodul möglich, Ansprechpartner: Michael Heider)
  • Matching im evolutionären Machine Learning / Pittsburgh LCS (Bachelor- oder Masterarbeit, Ansprechpartner: Michael Heider)
  • Lokale Modelle im evolutionären Machine Learning / Pittsburgh LCS für Funktionsapproximation (Bachelor- oder Masterarbeit auch in Verbindung mit einem Praxis-/Projektmodul möglich, Ansprechpartner: Michael Heider)

Additive Fertigung

  • Deep Learning-basierte Qualitätsvorhersage von Bauteilen (Bachelorarbeit, Ansprechpartner: Michael Heider)
  • Evolutionary Classification-basierte Qualitätsvorhersage von Bauteilen (Bachelorarbeit, Ansprechpartner: Michael Heider)
  • Evolutionäre Funktionsapproximatoren auf Qualitätsmerkmalen aus dem 3D Druck (Bachelor- oder Masterarbeit, Ansprechpartner: Michael Heider)

Optimierung / Metaheuristiken

  • Parallelisierung populations-basierter Optimierungsverfahren / Metaheuristiken (Bachelor- oder Masterarbeit auch in Verbindung mit Praxis-/Projektmodul möglich, Ansprechpartner: Helena Stegherr)
  • Vergleich der Performance von Optimierungsverfahren / Metaheuristiken via Deep Statistics (Masterarbeit, Ansprechpartner: Helena Stegherr)
  • Erweiterung und Vergleich verschiedener Metaheuristiken (Bachelor- oder Masterarbeiten, Ansprechpartner: Helena Stegherr)

(Deep) Reinforcement Learning

  • Experience Replay for Deep Reinforcement Learning: Das Experience Replay fungiert im Deep Reinforcement Learning als Gedächtnis für gemachte Zustandsübergänge, erhöht die Sampleeffizienz und verhindert catastrophic forgetting. Unterschiedliche Varianten können implementiert und evaluiert werden. (Bachelor- und Masterarbeiten, Ansprechpartner: Wenzel Pilar von Pilchau)
  • Model-based Deep Reinforcement Learning: Im model-based RL wird ein Model der Umwelt gelernt und dieses benutzt um eine policy zu lernen, die das Problem löst. (Bachelor- und Masterarbeiten, Ansprechpartner: Wenzel Pilar von Pilchau)
  • Interpolated Experience Replay: Durch das Nutzen von gespeichertem Wissen im Experience Replay werden synthetische Erfahrungen mittels Interpolation erstellt um den Lerner zu unterstützen. (Bachelor- und Masterarbeiten, Ansprechpartner: Wenzel Pilar von Pilchau)

Externe Abschlussarbeiten

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.

Suche