Modellierung komplexer Prozesse durch
naturanaloge Verfahren
Christina Klüver · Jürgen Klüver · Jörn Schmidt
Modellierung komplexer
Prozesse durch naturanaloge Verfahren
Künstliche Intelligenz und Künstliches
Leben
3., erweiterte und aktualisierte Auflage
Christina Klüver
Forschungsgruppe CoBASC
Essen, Deutschland
Jürgen Klüver
Forschungsgruppe CoBASC
Essen, Deutschland
Jörn Schmidt
Forschungsgruppe CoBASC
Essen, Deutschland
ISBN 978-3-658-35275-2
ISBN 978-3-658-35276-9
https://doi.org/10.1007/978-3-658-35276-9
(eBook)
Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie;
detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.
© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2009, 2012, 2021
Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht
ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung des Verlags.
Das gilt insbesondere für Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikroverfilmungen und die
Einspeicherung und Verarbeitung in elektronischen Systemen.
Die Wiedergabe von allgemein beschreibenden Bezeichnungen, Marken, Unternehmensnamen etc. in diesem
Werk bedeutet nicht, dass diese frei durch jedermann benutzt werden dürfen. Die Berechtigung zur Benutzung
unterliegt, auch ohne gesonderten Hinweis hierzu, den Regeln des Markenrechts. Die Rechte des jeweiligen
Zeicheninhabers sind zu beachten.
Der Verlag, die Autoren und die Herausgeber gehen davon aus, dass die Angaben und Informationen in
diesem Werk zum Zeitpunkt der Veröffentlichung vollständig und korrekt sind. Weder der Verlag noch
die Autoren oder die Herausgeber übernehmen, ausdrücklich oder implizit, Gewähr für den Inhalt des
Werkes, etwaige Fehler oder Äußerungen. Der Verlag bleibt im Hinblick auf geografische Zuordnungen und
Gebietsbezeichnungen in veröffentlichten Karten und Institutionsadressen neutral.
Planung/Lektorat: Reinhard Dapper
Springer Vieweg ist ein Imprint der eingetragenen Gesellschaft Springer Fachmedien Wiesbaden GmbH und ist
ein Teil von Springer Nature.
Die Anschrift der Gesellschaft ist: Abraham-Lincoln-Str. 46, 65189 Wiesbaden, Germany
Vorwort zur dritten Auflage
Bei der Erstellung dieser dritten Auflage wurden wir an den dreibändigen Klassiker „Die
drei Musketiere“ von Alexandre Dumas erinnert: Der dritte Band heißt „Zehn Jahre
später“ und unsere dritte Auflage erscheint nun ebenfalls etwa 10 Jahre nach der zweiten.
In der Zwischenzeit hat sich in der einschlägigen Wissenschaft wie bei den Musketieren
viel ereignet und das war denn auch der Grund für Springer Vieweg, uns um eine Neuauflage zu bitten. Wir sind dieser Bitte natürlich gerne nachgekommen, vor allem da wir
selbst auf den Gebieten dieses Buchs wie d`Artagnan aktiv waren.
Die wesentlichen Neuerungen der dritten Auflage betreffen insbesondere einmal
neue Anwendungsbeispiele für die verschiedenen Algorithmen und zum anderen Einführungen in Forschungs- und Entwicklungsbereiche, die es so beim Erscheinen der 2.
Auflage noch nicht oder nicht in diesem Umfang gab, wie vor allem in den Bereichen
der Neuronalen Netze (Kap. 5) und der hybriden Systeme (Kap. 7). Drittens schließlich
sind die von uns selbst entwickelten Algorithmen, soweit sie in diesem Buch thematisiert
werden, überarbeitet und erweitert worden; zusätzliche Beispiele für Anwendungen
dieser neuen Algorithmen finden sich in Klüver und Klüver 2021. Insofern kann diese
Neuauflage in Teilen auch als neue Publikation verstanden werden. Die Veränderung des
Untertitels drückt dies teilweise aus.
Auf dem CoBASC Research Group Kanal auf YouTube sind übrigens einige Videos
zu den vorgestellten Modellen zu sehen.
Zu danken haben wir insbesondere Reinhard Dapper, der uns den Anstoß für diese
Neuauflage gegeben hat, und Andrea Broßler für die hervorragende Betreuung. Dank
geht auch an die Studierenden, die mit ihren Programmierarbeiten wesentlich zur Fertigstellung dieses Buchs beigetragen haben. Sie sind bei den entsprechenden Passagen
genannt. Wir danken auch den zahlreichen Studierenden, die hier zwar nicht namentlich erwähnt werden, die uns jedoch mit ihren Programmen, Modellen und Anregungen
inspiriert haben.
Für die ersten Auflagen haben wir durchaus erfreuliche Rückmeldungen interessierter
Leserinnen und Leser erhalten. Hoffen wir, dass dies ein gutes Vorzeichen für dies Buch,
V
VI
Vorwort zur dritten Auflage
also die dritte Auflage ist und dass möglichst viele Leser/innen an diesen Themen auch
etwas Vergnügen haben, wie wir es beim Schreiben durchaus hatten.
Essen
im Juni 2021
Christina Klüver
Jürgen Klüver
Jörn Schmidt
Inhaltsverzeichnis
1
Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
Bottom-up Modelle, komplexe Systeme und naturanaloge Verfahren der
KI und KL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1 Bottom-up, Top-down und KI/KL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Dynamiken komplexer Systeme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Erweiterungen und Anwendungsmöglichkeiten eines universalen
Modellschemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4 Methodologische Schlussbemerkungen . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
Selbstorganisierende Systeme: Zellularautomaten, Boolesche Netze und
Algorithm for Neighborhood Generating . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1 Zellularautomaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.1 Allgemeine Darstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.2 Stochastische Zellularautomaten . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Boolesche Netze. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3 Regeln, Topologie und Dynamik – die Ordnungsparameter . . . . . . . . . . . .
3.4 Die Generierung topologischer Strukturen durch den Algorithm for
Neighborhood Generating (ANG) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5 Analyse konkreter Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.1 Modellierung mit ZA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.1.1 Stochastische ZA zur Analyse der Auswirkung
unterschiedlicher Impfquoten auf die InfluenzaAusbreitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.1.2 Lösung von Sudoku Rätseln auf der Basis eines ZA . . . .
3.5.2 Modellierung mit Booleschen Netzen . . . . . . . . . . . . . . . . . . . . . . .
3.5.2.1 Die Konstruktion von Schaltdiagrammen durch
Boolesche Netze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.2.2 Modellierung der Formularauswahl für die
Körperschaftsteuer mit BN . . . . . . . . . . . . . . . . . . . . . . . .
1
9
9
17
29
33
37
38
39
48
51
56
71
78
78
79
84
88
89
96
VII
VIII
Inhaltsverzeichnis
3.5.3
4
5
Datenstrukturierung durch den Algorithm for Neighborhood
Generating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.5.3.1 Vorselektion möglicher Standorte für Windkraftanlagen
durch einen ANG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.5.3.2 ANG für die Analyse der Influenza-Erkrankungen in
den USA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Die Modellierung adaptiver Prozesse durch Evolutionäre Algorithmen . . . .
4.1 Allgemeine Charakterisierungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Genetische Algorithmen (GA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3 Evolutionsstrategien (ES) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4 Der Regulator Algorithmus (RGA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5 Simulated Annealing (SA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6 Analyse konkreter Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6.1 Entwicklung eines Mehrkomponentenklebers durch eine ES . . . . .
4.6.2 Minimierung der Länge von Kabelnetzen durch einen
Genetischen Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6.3 Steuerung einer sozialen Gruppe durch einen GA, eine ES und
ein SA im Vergleich . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6.4 Ein Vergleich zwischen ES, GA und RGA . . . . . . . . . . . . . . . . . . .
4.6.5 Optimierung der Planungen an der Universität Duisburg-Essen
durch einen RGA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Modellierung lernender Systeme durch Neuronale Netze (NN) . . . . . . . . . . .
5.1 Biologische Vorbilder. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Grundbegriffe und Grundlogik überwacht lernender Netzwerke . . . . . . . .
5.2.1 Interne Topologie, Funktionen und Schwellenwerte von NN . . . . .
5.2.2 Erweiterungen: Einschichtige und mehrschichtige Modelle . . . . . .
5.2.3 Informationsfluss: Feed forward, feed back und rekurrente
Netzwerke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.4 Lernregeln für überwacht-lernende Netzwerke . . . . . . . . . . . . . . . .
5.2.5 Ein allgemeines Lernparadigma. . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.6 Exkurs: Graphentheoretische Darstellung neuronaler Netze . . . . . .
5.2.7 Informationsverarbeitung in neuronalen Netzen . . . . . . . . . . . . . . .
5.3 Maschinelles Lernen: Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.1 Tiefe Netze (Deep Learning) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.2 Convolutional Neural Networks (CNN) . . . . . . . . . . . . . . . . . . . . .
5.3.3 Long-Short-Term-Memory (LSTM) . . . . . . . . . . . . . . . . . . . . . . . .
5.3.4 Unüberwachtes, semi-überwachtes, selbst-überwachtes und
verstärkendes Lernen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.4.1 Unüberwachtes Lernen . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.4.2 Semi-überwachtes und selbst-überwachtes Lernen . . . . .
5.3.4.3 Verstärkendes Lernen (reinforcement learning) . . . . . . . .
109
110
113
123
127
133
139
140
145
150
159
161
173
173
176
176
182
186
187
192
194
197
201
201
202
205
208
208
210
212
Inhaltsverzeichnis
5.4
IX
Modelle des selbstorganisierten Lernens . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4.1 Selbstorganisierende Karte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4.2 Das Self-Enforcing Network (SEN) . . . . . . . . . . . . . . . . . . . . . . . .
5.5 Zusammenfassung: NN-Typen im Vergleich . . . . . . . . . . . . . . . . . . . . . . . .
5.6 Analyse konkreter Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6.1 Optische Erkennung handgeschriebener Zahlen . . . . . . . . . . . . . . .
5.6.2 Transfer-Learning: Bildgebende Diagnostik mit einem Residual
Network (ResNet) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6.3 Auswahl von Standorten für Offshore-Windkraftanlagen durch
ein SEN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6.4 Auswirkungen des cue validity factors auf die Analyse der
Influenzaausbreitung durch SEN . . . . . . . . . . . . . . . . . . . . . . . . . . .
213
215
217
222
227
227
6
Modellierung des Ungenauen: Fuzzy-Mengenlehre und Fuzzy-Logik . . . . .
6.1 Einführung in die Grundbegriffe: Von der Unschärfe der Realität . . . . . . .
6.2 Ein Begriffsexkurs: Wahrscheinlichkeit und Unschärfe . . . . . . . . . . . . . . .
6.3 Variationen der Operatoren und unscharfe Logik . . . . . . . . . . . . . . . . . . . .
6.4 Unscharfe Relationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.5 Experten- und Produktionssysteme sowie Defuzzyfizierungen . . . . . . . . . .
6.6 Darstellung und Analyse konkreter Modelle . . . . . . . . . . . . . . . . . . . . . . . .
6.6.1 Die Modellierung von Wahlverhalten mit einem Fuzzy-ZA . . . . . .
6.6.2 Ampelsteuerungen durch ein Fuzzy-System . . . . . . . . . . . . . . . . . .
6.6.3 Aufwandschätzung in einer Poker Party mit Fuzzy-Logik . . . . . . .
249
251
261
264
267
270
276
277
282
287
7
Hybridisierungen der Basismodelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.1 Hybride Systeme und Metaparameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2 Darstellung von Beispielen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2.1 Referenztypenbildung durch SEN zur Reduktion der
Trainingsdatenmenge in überwacht-lernenden Netzwerken . . . . . .
7.2.2 SEN trifft R: shinySENalytics . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2.3 Modellierung und Steuerung von Verkehrsaufkommen auf
Autobahnen durch die horizontale Koppelung eines ZA mit
einer SOM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2.4 Die Modellierung kognitiver Ontogenese: Ein horizontal
gekoppeltes hybrides System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
293
295
299
8
232
239
242
299
306
309
317
Resümee und Perspektiven . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329
Literatur. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333
Stichwortverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 343