Künstliche Intelligenz & Optimierung

Evolutionäre Algorithmen, Machine Learning und adaptive Regelung

Lehrassistenz: KI in elektrischen Energiesystemen

Lehre | Genetische Algorithmen | Neuronale Netze

Als Lehrassistent für dieses Fach war ich für die Vermittlung und Anleitung von Studierenden bei der Implementierung von metaheuristischen Optimierungsalgorithmen für Probleme in Energiesystemen verantwortlich. Der praktische Ansatz beinhaltete die Programmierung von Grund auf:

  • Genetische Algorithmen (GA): Globale Optimierung basierend auf der biologischen Evolution.
  • Simulated Annealing: Probabilistische Methoden zum Entkommen aus lokalen Optima.
  • Tabu Search: Gedächtnisstrategien für die kombinatorische Optimierung.
  • Neuro-Fuzzy-Systeme (ANFIS): Integration von Fuzzy-Logik und neuronalen Netzen zur Modellierung.

Highlight-Ressource: Simulated Annealing

Video-Tutorial, das für den Unterricht zur Implementierung von Simulated Annealing erstellt wurde:

Echtzeit-Optimierung: RLS-DCD

Adaptive Regelung | C++ / Python

Im Rahmen meiner Abschlussarbeit über MFPC (Model Free Predictive Control) habe ich Online-Systemidentifikationsalgorithmen implementiert. Die größte Herausforderung war die Recheneffizienz für den Echtzeitbetrieb.

Es wurde der RLS-DCD (Recursive Least Squares with Dichotomous Coordinate Descent)-Algorithmus verwendet. Im Gegensatz zum herkömmlichen RLS, das eine Matrixinversion erfordert (kostspieliges O(N³)), löst DCD das lineare System durch multiplikationsfreie iterative Methoden, ideal für die Implementierung in DSPs und FPGAs.

// Konzeptuelles Beispiel für Parameter-Update
void updateRLS_DCD() {
  // 1. Vorhersagefehler berechnen
  error = gemessenes_y - predict(theta, phi);

  // 2. Parameter Bit für Bit aktualisieren (DCD)
  for (int i = 0; i < N_ITER; i++) {
    bitUpdate(theta, residual); // Keine Multiplikationen
  }
}
Zurück zu Projekten