Document [original]

Vorwort

Die vorliegende Arbeit entstand während meiner Tätigkeit als wissenschaftlicher Mitarbeiter

in der Arbeitsgruppe Wirtschaftsinformatik, insbesondere CIM, am Heinz Nixdorf Institut der

Universität Paderborn und des Fraunhofer Anwendungszentrums für logistikorientierte

Betriebswirtschaft.

Für die während dieser Zeit erfahrene persönliche und fachliche Unterstützung möchte ich

mich in erster Linie bei Herrn Prof. Dr.-Ing. habil. Wilhelm Dangelmaier, Leiter der

Arbeitsgruppe Wirtschaftsinformatik, insbesondere CIM, am Heinz Nixdorf Institut der

Universität Paderborn und des Fraunhofer Anwendungszentrums für logistikorientierte

Betriebswirtschaft, bedanken. Insbesondere sein Vertrauen, seine stete Gesprächsbereitschaft

und der gewährte Freiraum bildeten die Grundpfeiler bei der Erstellung dieser Arbeit. Herrn

Prof. Dr.-Ing. Jürgen Gausemeier danke ich sehr herzlich für die eingehende Durchsicht der

Dissertation und die Übernahme des Koreferats.

Weiterhin gilt mein Dank allen wissenschaftlichen Mitarbeitern der Arbeitsgruppe, die durch

viele gemeinsame Diskussionen und wertvolle Anregungen zur Entstehung dieser Arbeit

beigetragen haben. Des Weiteren bedanke ich mich bei Herrn Dipl.-Wirt. Ing. Andreas

Schmidt für die gute Zusammenarbeit, die zahlreichen, gemeinsamen Veröffentlichungen und

die interessanten Diskussionen im Rahmen des Sonderforschungsbereichs 614, der die

Grundlage dieser Dissertation bildete. Herrn Hendrik Renken, Herrn Daniel Brüggemann und

Herrn Heiner Giefers danke ich für ihre Unterstützung bei der Umsetzung der in dieser Arbeit

entwickelten Konzepte.

Mein besonderer Dank gilt meiner lieben Ehefrau Regina, die immer verständnisvoll war und

durch ihre liebevolle Art mir kontinuierlich neue Kraft zur Durchführung meiner Dissertation

gegeben hat. Sie hat mir immer den erforderlichen Rückhalt gegeben, obwohl sie auf manche

gemeinsame Stunde verzichten musste.

Mein weiterer besonderer Dank gilt meinen Eltern, denen ich meine gesamte Ausbildung bis

zur Promotion verdanke. Ohne ihre Unterstützung hätte ich das Erreichte nie geschafft.

Paderborn, 26.10.2006

Geleitwort des Herausgebers

Die Industrie- und Dienstleistungsgesellschaft ist einem stetigen Wandel unterworfen. Die

Herausforderungen an sie werden immer komplexer. Das äußert sich im verstärkten

internationalen Wettbewerb, aber auch in dem Bestreben der Gesellschaft, das Erreichte zu

sichern. Adäquate Problemlösungen sind daher in zunehmender Weise nur fachübergreifend

realisierbar. Im Heinz Nixdorf Institut leisten wir mit der interdisziplinären Zusammenarbeit

vor allem zwischen der Informatik und den Ingenieur- und Wirtschaftswissenschaften unseren

Beitrag zur Bewältigung dieser Aufgaben.

Der Forschungsschwerpunkt der von mir geleiteten Fachgruppe „Wirtschaftsinformatik,

insbesondere CIM“ liegt dabei auf allen technisch-betriebswirtschaftlichen Fragen, die bei der

Gestaltung und Durchführung von inner- und überbetrieblichen Unternehmensprozessen

auftreten und mittels innovativer Informationstechnik einer Lösung zugeführt werden können.

Einen wichtigen Teilbereich der inner- und überbetrieblichen Unternehmensprozesse stellt

dabei der Transport, sowohl von Gütern als auch von Personen, dar. Das Ziel von Herrn

Scheideler bestand dabei darin, ein Transportsystem zu entwickeln, das in der Lage ist sich

eigenständig, sowohl technisch als auch logistisch, den Anforderungen der Umwelt

dynamisch anzupassen. Dies geschieht durch eine ständige Verarbeitung der gesammelten

Erfahrungen im Online-Betrieb. Die Erforschung dieses Bereiches ist umso wichtiger, da

Prozesse komplexer werden und sich zentral fast nicht mehr steuern lassen. Die

Dezentralisierung von Prozessen ist demnach stetig auf dem Vormarsch. Um hierbei nicht

höhere Komplexitätskosten (z.B. mehr Personal) in Kauf nehmen zu müssen, wird man in der

Zukunft nicht um eine Steigerung der Selbstständigkeit von technischen Systemen umher

kommen.

Herr Scheideler widmete seine Arbeit dieser Problematik, indem er einen Beitrag zur

Selbstoptimierung von Fahrzeugen aufgrund von Erfahrungen leistete. Hierzu wurden die

gängigen Methoden der Informatik (Methoden der Wissensbasierten Systeme, Such- und

Explorationsalgorithmen) mit den mechatronischen Anforderungen eines Fahrzeugs

verknüpft. Herr Scheideler validierte seine Untersuchungen sowohl theoretisch als auch

praktisch am Prüfstand.

Paderborn, 26.10.2006 Prof. Dr.-Ing. habil. Wilhelm Dangelmaier

Ein Beitrag zur erfahrungsbasierten Selbstoptimierung

einer Menge technisch homogener fahrerloser Fahrzeuge

Dissertation

zur Erlangung der Würde eines

DOKTORS DER WIRTSCHAFTSWISSENSCHAFTEN

(Dr. rer. pol.)

der Universität Paderborn

vorgelegt von

Dipl.-Wirt.-Ing. Peter Scheideler

33161 Hövelhof

Paderborn, 26.10.2006

Dekan: Prof. Dr. Peter F. E. Sloane

Referent: Prof. Dr.-Ing. habil. W. Dangelmaier

Koreferent: Prof. Dr.-Ing. J. Gausemeier

Inhaltsverzeichnis

ABBILDUNGSVERZEICHNIS....................................................................................V

TABELLENVERZEICHNIS .....................................................................................VIII

ABKÜRZUNGSVERZEICHNIS.................................................................................IX

1 EINLEITUNG....................................................................................................... 1

2 PROBLEME DER ERFAHRUNGSBASIERTEN SELBSTOPTIMIERUNG EINER

MENGE TECHNISCH HOMOGENER FAHRERLOSER FAHRZEUGE............. 3

2.1 Die Domäne der fahrerlosen Fahrzeuge.....................................................................5

2.1.1 Einordnung in den Bereich der technischen Systeme ................................................ 5

2.1.2 Die mechatronische Struktur...................................................................................... 6

2.1.3 Kooperationsarten ...................................................................................................... 7

2.2 Generierung einer erfahrungsbasierten Selbstoptimierung ..................................11

2.2.1 Wissensrepräsentation einer Domäne ...................................................................... 11

2.2.1.1 Wissensrepräsentation einer Domäne durch Ontologien ................................. 14

2.2.1.2 Verständigungsprobleme bei heterogenen Ontologien.................................... 18

2.2.1.3 Auflösung der Verständigungsprobleme.......................................................... 20

2.2.2 Erfahrungsakquisition .............................................................................................. 22

2.2.2.1 Möglichkeiten der Erfahrungsakquisition........................................................ 22

2.2.2.2 Simulationsgestützte Erfahrungsakquisition.................................................... 24

2.2.3 Erfahrungsbasierte Selbstoptimierung aufgrund veränderter Verhaltensweisen ..... 25

2.2.3.1 Verhaltensweisen eines Fahrzeugs................................................................... 26

2.2.3.2 Methodische Ansätze zur Auswahl geeigneter Verhaltensweisen................... 29

2.2.3.3 Auswahl geeigneter Lernverfahren zur Verbesserung der Verhaltensweisen . 33

2.2.3.4 Exploration versus Exploitation....................................................................... 34

2.3 Anforderung ...............................................................................................................35

2.3.1 Anforderungen an die Beschreibung des Domänenwissens ....................................35

2.3.2 Anforderungen an die Auflösung von Verständigungsproblemen........................... 37

2.3.3 Anforderungen an die Methodik zur Auswahl geeigneter Verhaltensweisen.......... 38

3 STAND DER TECHNIK..................................................................................... 41

3.1 Ansätze zur Wissensrepräsentation einer Domäne.................................................41

3.1.1 Deklarative Wissensrepräsentation .......................................................................... 41

3.1.1.1 Objekt-Attribut-Wert-Tripel............................................................................. 41

3.1.1.2 Ansätze im Bereich der semantischen Netze ................................................... 41

3.1.1.3 Prädikatenlogik.................................................................................................44

3.1.2 Prozedurale Wissensrepräsentation.......................................................................... 45

3.1.2.1 Regelbasierte Systeme...................................................................................... 45

3.1.2.2 Framebasierte Ansätze ..................................................................................... 48

3.1.3 Wissensrepräsentation im mathematisch-physikalischen Umfeld........................... 50

3.2 Ansätze zur Auflösung von Verständigungsproblemen .........................................52

3.2.1 Ansätze im Bereich des Mergens von Ontologien................................................... 54

3.2.2 Ansätze im Bereich des Mappens von Ontologien .................................................. 56

3.2.3 Übersetzungen mittels einer Basisontologie ............................................................ 59

3.3 Ansätze zur Generierung einer erfahrungsbasierten Selbstoptimierung.............60

3.3.1 Explorationsverfahren zur Generierung neuer Erfahrungen.................................... 60

3.3.1.1 Exploration mittels Suchverfahren................................................................... 61

3.3.1.2 Exploration mittels quantitativer Methoden..................................................... 66

3.3.1.3 Exploration mittels genetischer Algorithmen .................................................. 71

3.3.2 Ansätze zur erfahrungsbasierten Selbstoptimierung der Verhaltensweisen ............ 72

3.3.2.1 Instanzbasiertes Lernen.................................................................................... 75

3.3.2.2 Case-Based Reasoning..................................................................................... 78

3.3.2.3 Verteiltes Case-Based Reasoning.....................................................................81

4 ZIELSETZUNG ................................................................................................. 85

4.1 Entwicklung einer Basisontologie zur Wissensrepräsentation einer Domäne .....85

4.2 Übertragung von Erfahrungen aus heterogenen Wissensbasen............................85

4.3 Generierung einer erfahrungsbasierten Selbstoptimierung ..................................85

5 KONZEPTION ZUR ERFAHRUNGSBASIERTEN SELBSTOPTIMIERUNG

EINER MENGE TECHNISCH HOMOGENER FAHRERLOSER FAHRZEUGE87

5.1 Wissensrepräsentation der Domäne.........................................................................87

5.1.1 Entwicklung der Slots .............................................................................................. 88

5.1.1.1 Relationale Slots............................................................................................... 88

5.1.1.2 Deskriptive Slots .............................................................................................. 93

5.1.1.3 Prozedurale Slots.............................................................................................. 94

5.1.2 Entwicklung der Klassen und deren Taxonomie...................................................... 96

5.1.2.1 Die Klasse System............................................................................................ 97

5.1.2.2 Die Klasse Material........................................................................................ 100

5.1.2.3 Die Klasse Einheit.......................................................................................... 101

5.1.2.4 Die Klasse Größe ........................................................................................... 105

5.1.2.5 Die Klasse Raum............................................................................................ 108

5.1.2.6 Die Klasse Richtung....................................................................................... 108

5.1.2.7 Die Klasse Zustand......................................................................................... 109

5.1.2.8 Die Klasse Aktivität ....................................................................................... 110

5.1.2.9 Die Klasse Verhalten...................................................................................... 111

III

5.2 Auflösung von Konflikten bei heterogenen Wissensbasen...................................114

5.2.1 Auflösung der Integrationsproblematik ................................................................. 115

5.2.2 Grundlagen des SCOUT-Algorithmus................................................................... 117

5.2.3 Umsetzung des SCOUT-Algorithmus.................................................................... 120

5.3 Generierung einer erfahrungsbasierten Selbstoptimierung ................................132

5.3.1 Allgemeiner Ansatz................................................................................................ 132

5.3.1.1 Gesamtkostenfunktion.................................................................................... 132

5.3.1.2 Identifikation der Explorationsstrategien....................................................... 133

5.3.2 Erfahrungsbasierte Selbstoptimierung der MFM-Ebene........................................ 136

5.3.2.1 Der Explorationsalgorithmus ......................................................................... 138

5.3.2.2 Ergebnisse des Explorationsalgorithmus ....................................................... 142

5.3.3 Erfahrungsbasierte Selbstoptimierung der AMS-Ebene ........................................ 145

5.3.3.1 Der Explorationsalgorithmus ......................................................................... 145

5.3.3.2 Ergebnisse des Explorationsalgorithmus ....................................................... 155

5.3.4 Bewertung der Explorationsstrategien ................................................................... 157

6 REALISIERUNG ..............................................................................................159

6.1 MFM-Ebene..............................................................................................................159

6.2 AMS-Ebene...............................................................................................................166

7 ZUSAMMENFASSUNG UND AUSBLICK.......................................................171

LITERATURVERZEICHNIS....................................................................................175

ANHANG.................................................................................................................191

A DIE BASISONTOLOGIE..................................................................................191

A.1 Klassenstruktur........................................................................................................191

A.2 Die Slots.....................................................................................................................196

B DER SCOUT-ALGORITHMUS ........................................................................197

B.1 Die Variablen............................................................................................................197

B.2 Der Pseudo-Code......................................................................................................200

C PROTEGE-2000...............................................................................................204

C.1 Klassen und Instanzen.............................................................................................205

C.2 Slots............................................................................................................................205

C.3 Facetten.....................................................................................................................206

D RESOURCE DESCRIPTION FRAMEWORK (RDF)........................................206

D.1 RDF-Datenmodell und -Syntax...............................................................................207

D.2 Das RDF-Schema......................................................................................................209

E PROLOG..........................................................................................................209

Abbildungsverzeichnis

Abbildung 1: Die Aspekte eines selbstoptimierenden technischen Systems [SFB04]............. 3

Abbildung 2: Arten eines „Masse“-Transportsystems ............................................................. 6

Abbildung 3: Aufbau eines hierarchischen, mechatronischen Transportsystems [OHK+02] .7

Abbildung 4: Allgemeiner Multi-Fahrzeug-Ansatz [Sto00] .................................................... 8

Abbildung 5: Wissenspyramide nach [WDA99].................................................................... 13

Abbildung 6: Abbildung der Umwelt in einer Wissensrepräsentation................................... 14

Abbildung 7: Umwandlung von Begriffsformen und -bedeutungen in Klassen.................... 16

Abbildung 8: Ausdrucksstärke verschiedener ontologischer Darstellungsformen [KTT01]. 17

Abbildung 9: Semiotisches Dreieck (in Anlehnung an: [Unt01-ol])...................................... 18

Abbildung 10: Fahrzeuge mit unterschiedlichen Zielen, Verhaltensweisen und

Domänenwissen ............................................................................................... 20

Abbildung 11: Basisontologie für den Austausch von Erfahrungen (in Anlehnung an

[Mae03])........................................................................................................... 20

Abbildung 12: Eigenschaften einer Simulation [Pro03-ol]...................................................... 24

Abbildung 13: Allgemeines Modell eines selbstoptimierenden Fahrzeugs (siehe [RN03]).... 26

Abbildung 14: Aufbau eines AMS aus mehreren MFM.......................................................... 27

Abbildung 15: Constraint-Graph.............................................................................................. 31

Abbildung 16: Logik [Sie92] ................................................................................................... 32

Abbildung 17: Semantisches Netz eines elektrischen Raumerhitzers [GJ02-ol]..................... 42

Abbildung 18: Semantische Darstellung eines Automobils [Ang03]...................................... 43

Abbildung 19: Übersetzung von Teilen eines semantischen Netzes in die Prädikatenlogik

[Abd00-ol]........................................................................................................ 43

Abbildung 20: Regelnetzwerk.................................................................................................. 46

Abbildung 21: Regelnetzwerk mit Wahrscheinlichkeitsfaktoren [BK03]............................... 48

Abbildung 22: Ansätze zur Kommunikation über Ontologien [WVV+01], [Stu03]............... 52

Abbildung 23: Ontology Merging [NM99].............................................................................. 54

Abbildung 24: Die Methode FCA-Merge [Mae03] ................................................................. 55

Abbildung 25: Ontology Mapping [NM99]............................................................................. 56

Abbildung 26: Die drei Mapping-Möglichkeiten..................................................................... 57

Abbildung 27: Arbeitsweise von Infosleuth.............................................................................60

Abbildung 28: Gierige Suche beim TSP.................................................................................. 64

Abbildung 29: Unterschied zwischen Regressionsgerade und Spline ..................................... 66

Abbildung 30: Messpunkte der elektromotorischen Kraft einer Batterie [Hub00].................. 68

Abbildung 31: Unterschied zwischen kubischem- und B-Spline............................................. 69

Abbildung 32: Entladekurve eines Kondensators [Vog04-ol]................................................. 70

Abbildung 33: Interpolierte Oberfläche [Vog04-ol]................................................................ 70

Abbildung 34: Schema eines Generationsprozesses................................................................ 71

Abbildung 35: Maschinelles Lernen im Überblick.................................................................. 73

Abbildung 36: Basisverläufe für Ähnlichkeitsfunktionen [Ber02].......................................... 77

Abbildung 37: Zyklus des fallbasierten Schließens nach Aamodt und Plaza [AP94] ............. 80

Abbildung 38: Dampfkondensator erstellt durch CBR-TEAM [PLL96]................................. 81

Abbildung 39: Top-level Collaborative-CBR Agenten-Algorithmus [MS01a]....................... 83

Abbildung 40: Ablauf verschiedener Formen des verteilten CBR .......................................... 83

Abbildung 41: Graphische Darstellung der räumlichen relationalen Slots.............................. 92

Abbildung 42: Beispiel von Slot-Beziehungen zwischen mehreren Klassen .......................... 93

Abbildung 43: Darstellung deskriptiver Slots.......................................................................... 94

Abbildung 44: Die ersten zwei Klassen-Hierarchiestufen der Basisontologie ........................ 96

Abbildung 45: Darstellung der Klasse System mit ihren Unterklassen................................... 98

Abbildung 46: Darstellung der Klasse Technisches System mit ihren Unterklassen .............. 98

Abbildung 47: Vernetzung eines Technischen Fahrzeugsystems............................................ 99

Abbildung 48: Verknüpfung der Klasse Fahrzeug mit anderen Klassen............................... 100

Abbildung 49: Darstellung der Klasse Material mit ihren Unterklassen ............................... 101

Abbildung 50: Darstellung der Klasse Einheit mit ihren Unterklassen ................................. 101

Abbildung 51: Ontologische Darstellung der Klasse Physikalische Basiseinheit ................. 102

Abbildung 52: Darstellung der Klasse SI-Einheit mit ihren Unterklassen ............................ 103

Abbildung 53: Ontologische Darstellung der Klasse erweiterte physikalische Einheit......... 104

Abbildung 54:Vergleich der Klassen Kilometer, Meter, Zentimeter..................................... 104

Abbildung 55: Die Klasse Größe mit ihren Unterklassen...................................................... 105

Abbildung 56: Die Klasse Monetäre Größe mit ihren Unterklassen ..................................... 106

Abbildung 57: Die Klasse Logistische Größe mit ihren Unterklassen .................................. 106

Abbildung 58: Die Klasse Physikalische Größe mit ihren Unterklassen............................... 107

Abbildung 59: Die Klasse Physikalische Funktionsgröße mit ihren Unterklassen................ 107

Abbildung 60: Verbindung der System-Klassen zu den Größen- und Einheiten-Klassen .... 108

Abbildung 61: Darstellung der Klasse Raum mit ihren Unterklassen................................... 108

Abbildung 62: Darstellung der Klasse Richtung mit ihren Unterklassen.............................. 109

Abbildung 63: Darstellung der Klasse Zustand mit ihren Unterklassen................................ 109

Abbildung 64: Darstellung der Klasse Aktivität mit ihren Unterklassen............................... 111

Abbildung 65: Definition individueller Wahrnehmungen mittels einer Basisontologie........115

Abbildung 66: Übersetzung von Begriffen zwischen den Ontologien A und C.................... 116

Abbildung 67: Klassifikation verschiedener Constraint Typen............................................. 135

Abbildung 68: Einfache Vertikaldynamik-Modelle [Ril02].................................................. 136

Abbildung 69: Ausschnitt aus der individuellen Ontologie eines Fahrzeugs ........................ 138

Abbildung 70: Verteilte Optimierung der Führungsvorgabe................................................. 139

Abbildung 71: Beschleunigungsveränderung ........................................................................ 141

Abbildung 72: Länge und Intensität einer Störung................................................................ 143

Abbildung 73: Komfortverbesserung nach 200 Durchläufen ................................................ 143

Abbildung 74: Beschleunigung des Fahrzeugs im Kurvenbereich........................................ 144

Abbildung 75: Ausschnitt aus der individuellen Ontologie des Fahrzeugs........................... 145

Abbildung 76: Monetäre Funktion (oben) mit zugehöriger Support-Funktion (unten)......... 147

Abbildung 77: Gauß'sche Glockenkurve................................................................................148

Abbildung 78: Abweichungsfaktor ϕ..................................................................................... 149

Abbildung 79: Vergessensfaktor

......................................................................................... 149

Abbildung 80: Schwankungsfaktor γ..................................................................................... 151

VII

Abbildung 81: A*-Algorithmus ............................................................................................. 152

Abbildung 82: Auswahl des ähnlichsten Fahrzeugs .............................................................. 154

Abbildung 83: Verteiltes versus individuelles Lernen........................................................... 156

Abbildung 84: Ergebnisse des Approximationsalgorithmus.................................................. 157

Abbildung 85: Track-Operator............................................................................................... 159

Abbildung 86: OCM-Struktur................................................................................................ 162

Abbildung 87: Sollbahn mit Störgrößenaufschaltung und Schienenanregung ...................... 162

Abbildung 88: Aufbau des Fahrzeug-Modells....................................................................... 163

Abbildung 89: Aufbau des Fahrzeug-Operators .................................................................... 164

Abbildung 90: Ring-Buffer.................................................................................................... 165

Abbildung 91: Aufbau der Testanwendung ........................................................................... 166

Abbildung 92: Das Framework der Simulation ..................................................................... 167

Abbildung 93: Fahrzeug-Framework..................................................................................... 168

Abbildung 94: Einfache Aussage in RDF [LS99].................................................................. 207

VIII

Tabellenverzeichnis

Tabelle 1: Klassifikation der technischen (Sach)-Systeme [Rop99, S.131]............................ 5

Tabelle 2: Kooperationsmöglichkeiten in einem Multi-Fahrzeug-Ansatz [Sto00]................. 9

Tabelle 3: Definition des Begriffs Wissen [SS02]................................................................ 12

Tabelle 4: Die lexikalische Matrix [MBF+93]...................................................................... 15

Tabelle 5: Anforderungen an klassische Ansätze zur Wissensrepräsentation [Har94]......... 36

Tabelle 6: Objekt-Attribut-Werte Tabelle............................................................................. 41

Tabelle 7: Struktur eines Frames........................................................................................... 49

Tabelle 8: Messung der elektromotorischen Kraft einer Batterie [Hub00]........................... 67

Tabelle 9: Beispielhafte CBR-Anwendungen [RS89]........................................................... 81

Tabelle 10: Ausschnitt aus der Klasse Fahrzeug..................................................................... 88

Tabelle 11: Temporäre relationale Slots ................................................................................. 89

Tabelle 12: Darstellung eines prozeduralen Slots in der Klasse Vollzylinder........................ 95

Tabelle 13: Darstellung der Klasse Körperliche Entität.......................................................... 97

Tabelle 14: SI-Basisgrößen und Basiseinheiten [Win03-ol]................................................. 102

Tabelle 15: SI-Funktionsgrößen und Funktionseinheiten [Sto95] ........................................ 103

Tabelle 16: Darstellung der Klasse Größe mit ihren Slots.................................................... 105

Tabelle 17: Darstellung der Klasse Aktivität mit ihren Slots................................................ 111

Tabelle 18: Darstellung der Klasse Verhalten mit ihren Slots.............................................. 113

Tabelle 19: Beispielhafte Übersetzungen..............................................................................119

Tabelle 20: Auswahl bekannter Verbindungen..................................................................... 153

Tabelle 21: Bewertung der Lösungen ................................................................................... 155

Tabelle 22: Anforderungen an das Fahrzeug ........................................................................ 167

Tabelle 23: Definition der Klassen........................................................................................ 196

Tabelle 24: Definition der Slots ............................................................................................ 197

Tabelle 25: Die Variablen des SCOUT-Algorithmus ........................................................... 200

Tabelle 26: Die Value Types der Slots.................................................................................. 206

Abkürzungsverzeichnis

AMS Autonomes Mechatronisches System

CBR Case-Based Reasoning

CSP Constraint Satisfaction Problem

DAML DRAPA Agent Markup Language

DRAPA Defense Advanced Research Projects Agency

ERM Entity Relationship Model

FIPA Foundation for Intelligent Physical Agents

KIF Knowledge Interchange Format

KQML Knowledge Query and Manipulation Language

MFM Mechatronisches Funktionsmodul

OCM Operator-Controller-Modul

Oil Ontology Inference Layer

RDF Resource Description Framework

URI Unified Resource Identifier

VMS Vernetztes Mechatronisches System

Einleitung 1

1 Einleitung

Im beginnenden 21. Jahrhundert sind zwei Tendenzen im Bereich der Verkehrs- und

Transportnetze zu erkennen: das immer größere Verkehrsaufkommen und die fortschreitende

Automatisierung [Ste04-ol]. Bei der Automatisierung geht es um eine intelligente,

computergestützte Steuerung der in den Verkehrs- und Transportnetzen operierenden

Fahrzeuge. Diese Fahrzeuge werden oft als Automated Guided Vehicles (AGVs) bezeichnet

[GKM+04], [Hol86]. Für diese fahrerlosen Fahrzeuge ist es notwendig, dass sie ihre

Entscheidungen selbständig treffen, bewerten und verbessern können. Dies gilt insbesondere

dann, wenn es darum geht, zur Laufzeit auf die dynamischen Veränderungen der Umwelt zu

reagieren [ANS00].

Aufgrund der technischen Komplexität werden diese fahrerlosen Fahrzeuge in dieser Arbeit

hierarchisch in einzelne Module (z.B. Antriebs- und Bremsmodul, Spurführungsmodul,

Feder- und Neigemodul) untergliedert. Dies hat den Vorteil, dass Probleme speziellen

Modulen zugeordnet und damit gesondert untersucht werden können. So ist das Antriebs- und

Bremsmodul verantwortlich für das Bremsen und Beschleunigen und das Feder- und

Neigemodul verantwortlich für den Fahrkomfort. Jedes dieser Module muss für sich in der

Lage sein, selbständig einen möglichst optimalen Arbeitspunkt zu finden. Eine Möglichkeit

dieser Selbstoptimierung besteht in der modellbasierten Optimierung. „Sie erfolgt auf

Grundlage ausformulierter mathematischer Modelle. Es existieren detaillierte System- und

Umfeldmodelle und symbolische mathematische Formalisierungen physikalischer Effekte“

[SFB04, S.24]. Dies setzt jedoch voraus, dass das mathematische Modell das System und das

Umfeld zu 100% darstellen kann. Sind diese Modelle unvollständig oder fehlen ihnen

Parameter, können die Systeme (hier die Module) ihren optimalen Zustand nicht einnehmen.

In dieser Arbeit wird daher ein Ansatz verfolgt, in dem die Module ausschließlich durch eine

Rückkopplung der Erfahrungen lernen und sich dadurch selbständig verbessern. Dieser

Prozess führt zu einer kontinuierlichen erfahrungsbasierten Selbstoptimierung des Verhaltens

der einzelnen Module und damit zu einer insgesamten erfahrungsbasierten Selbstoptimierung

des Verhaltens eines fahrerlosen, schienengeführten Fahrzeugs.

Die Grundlagen zur Erreichung einer erfahrungsbasierten Selbstoptimierung bilden die

Bereiche der Erfahrungsakquisition, Wissensrepräsentation, Erfahrungsaustausche und

Erfahrungsverarbeitung [Hel96]. Bei der Erfahrungsakquisition ist es das vorrangige Ziel,

Erfahrungen zu generieren. Dies geschieht mittels geeigneter Explorationsstrategien oder der

Kommunikation mit anderen Fahrzeugen. Dieser Kommunikationsprozess stellt sich jedoch

als schwierig heraus, wenn es sich um mehrere, heterogene Wissensbasen handelt. Die

Erfahrungsakquisition über mehrere Fahrzeuge kann dann vor allen durch die Heterogenität

der Wissensrepräsentation, die Heterogenität der Implementierung, lexikalische Probleme,

Synonyme, implizites Wissens und das nicht Vorhandensein von Allgemeinwissen [Gom98]

gestört werden. In diesem Fall ist es unerlässlich, einen Weg zu finden, heterogene

Wissensbasen so miteinander zu verknüpfen, dass dennoch ein eindeutiger

Erfahrungsaustausch für die weitere Verarbeitung der Erfahrungen stattfinden kann. Bei der

2 Einleitung

Erfahrungsverarbeitung handelt es sich um jene Wissenschaft, die sich mit der

Automatisierung der Transformation von Erfahrungen in Wissen befasst, um sinnvolles

Handeln und Entscheiden und damit die Akquisition neuer Erfahrungen zu ermöglichen

[GRS03], [Hel96].

Klassische Verfahren im Bereich der Erfahrungsverarbeitung sind in dieser Arbeit nur bedingt

einsetzbar, da sie oft von homogenen Wissensbasen und einer zentralen Datenhaltung

ausgehen. Diese Vorstellungen sind idealisiert und führen im besten Falle zur Optimierung

eines Fahrzeugs bzw. einer Menge von exakt gleichen Fahrzeugen. In der vorliegenden Arbeit

wird jedoch ein Transportsystem betrachtet, das zwar aus technisch homogenen Fahrzeugen

besteht, diese aber unterschiedliche Vorstellungen über die Umwelt besitzen. Dieses äußert

sich darin, dass die Fahrzeuge mit unterschiedlichen Zielen, unterschiedlichen

Verhaltensweisen und unterschiedlichen Darstellungen der Umwelt (Terminologie) operieren.

Kommunizieren diese Fahrzeuge miteinander, ist es wichtig, dass der Empfänger dieselben

Vorstellungen von dem hat, was der Sender mitteilen wollte. Ist dem nicht so, kann es zu

Missverständnissen und gefährlichen Situationen kommen. Deshalb muss von fahrerlosen

Fahrzeugen, die zwar nicht über die menschliche Intuition verfügen, aber dennoch zu einem

bestimmten Grad intelligent agieren sollen, verlangt werden, dass sie zum einen eigenständige

Entscheidungen treffen und umsetzen und sich zum anderen mit anderen fahrerlosen

Fahrzeugen austauschen und dabei die Semantik und Syntax des anderen verstehen können.

Dieses Problem ist Grundlage der vorliegenden Arbeit, die sich mit dem Erwerb, dem

Austausch, der Verarbeitung und der Integration der Erfahrungen mehrerer technisch

homogener, in ihren Wissensbasen jedoch heterogener fahrerloser Fahrzeuge beschäftigt.

Probleme der erfahrungsbasierten Selbstoptimierung 3

2 Probleme der erfahrungsbasierten Selbstoptimierung

einer Menge technisch homogener fahrerloser

Fahrzeuge

In diesem Kapitel werden die verwendeten technisch homogenen fahrerlosen Fahrzeuge mit

deren Strukturen, Zielen, Parametern, deren Umwelt, Verhaltensweisen1 und möglichen

Kooperationsarten näher spezifiziert. Die Spezifizierung der Fahrzeuge basiert auf den

allgemeinen Aspekten eines selbstoptimierenden technischen Systems (Näheres siehe

[FGK+04]).

Umfeld

z.B. andere Fahrzeuge,

Weichen

Benutzer

z.B. geänderte

Benutzerziele

System

z.B.

Verschleiß

Zielsystem

(Interne Ziele des Systems)

Verhalten

Struktur Parameter

Fachbezogene

Repräsentation der

Struktur

Anweisungsbezogene

Verarbeitung durch daten-

technische Beschreibung

m:=10

c:=15

Beschreibung

des Verhaltens

Technisches System (z.B. Fahrwerk, Fahrzeug)

Z1Z2

Z1,1 Z1,2 Z2,1 Z2,2 Z2,3

Abbildung 1: Die Aspekte eines selbstoptimierenden technischen Systems [SFB04]

Anschließend werden die jeweiligen Problemansätze zur notwendigen erfahrungsbasierten

Selbstoptimierung einer Menge technisch homogener fahrerloser Fahrzeuge erläutert. Hierzu

gehört die Kommunikation der Fahrzeuge untereinander und die hierfür notwendige

Spezifizierung einer gemeinsamen Sprache bzw. die Auflösung von Sprachdifferenzen.

Basierend auf einer generischen Sprachebene tauschen sie Erfahrungen, abgespeichert in

einer Wissensbasis, aus. Zur Erlangung von Erfahrungen werden geeignete

Explorationsstrategien auf unterschiedlichen Ebenen (AMS, MFM; siehe Abbildung 3)

untersucht, die den Zustand des jeweiligen Fahrzeugs durch die Auswahl geeigneter

Verhaltensweisen verbessern. Dabei basieren die Verhaltensweisen nicht nur auf dem Ziel der

Erweiterung der Erfahrungen durch Erprobung neuer, unbekannter Zustände (exploratives

Verhalten), sondern auch auf dem Ziel der Nutzung der existierenden Erfahrungen für bereits

bekannte Zustände (exploitatives Verhalten).

1 „The ways it [a technical system] acts [...] are called its behaviours” [Sto00, S. 1]. Typische Verhaltensweisen

in roboter-basierten Fußballspielen sind „face ball, pass ball, chase ball, dribble ball, avoid obstacle“

[GHR+03].

4 Probleme der erfahrungsbasierten Selbstoptimierung

Definition 2-1: Technisches System Technische Systeme „repräsentieren [...] konkrete

künstliche Gegenstände, die aus natürlichen Beständen gemacht werden und greifbare

Wirklichkeit in Zeit und Raum sind“ [Rop99, S.119]. Diese Systeme sind eingebettet in eine

natürliche, technische und gesellschaftliche Umgebung und besitzen einen inneren Zustand.

Zwischen der Umgebung und dem technischen System besteht eine Input/Output Beziehung.

Jeder In- und Output kann dabei der Masse, der Energie oder der Information zugeordnet

werden. Der innere Zustand ist durch die Größen Masse, Energie, Information, Raum und Zeit

definiert. Aufgrund des inneren Zustandes verhält sich ein technisches System deterministisch

(siehe hierzu Bild 16 in [Rop99, S.120]).

Definition 2-2: Technisch homogene fahrerlose Fahrzeuge Fahrerlose Fahrzeuge werden

dann als technisch homogen bezeichnet, wenn sie sich hinsichtlich ihrer technischen Struktur

nicht unterscheiden.

Definition 2-3: Erfahrungen „Erfahrung ist eine allgemeine Bezeichnung für Kenntnisse

und Verhaltensweisen, die man durch Wahrnehmung und Lernen erwirbt oder erworben hat“

[Wik04-ol]. Erfahrung ist somit erlebtes, praktisch überprüftes Wissen.

Definition 2-4: Erfahrungsbasierte Selbstoptimierung „Für die Selbstoptimierung ist

wesentlich, dass Ziele durch das [technische] System situationsbedingt festgelegt oder

angepasst werden“ [FGK+04, S.22]. Dabei passt das technische System sein

„Systemverhalten [aufgrund von Erfahrungen] an, ohne dabei auf explizite Modelle

zurückzugreifen“ [FGK+04, S. 31].

Definition 2-5: Wissensbasis Die Wissensbasis ist der Bereich eines Systems, „der das

Fachwissen in einer beliebigen Repräsentationsform enthält. Ergänzt wird die Wissensbasis

durch eine Inferenzmaschine, also eine Hard- oder Software, mit der auf der Wissensbasis

operiert werden kann“ [Wik04-ol].

Definition 2-6: Systemverhalten „Vom Verhalten eines Systems spricht man dann, wenn

eine Veränderung des Zustandes bzw. der Zustandsgrößen des Systems auf der Makroebene

beobachtet werden kann. Als Ereignis wird der Übergang von einem Zustand in einen anderen

bezeichnet. Diese Veränderungen können selbständig, ohne Einflüsse von außen erfolgen

oder mit einem Einfluss von außen zusammenhängen. Die Zahl der Möglichkeiten, welche

Einflüsse (Eingaben) auf ein System einwirken können, ebenso die Zahl der

Wirkungsmöglichkeiten (Ausgaben), hängt von der Struktur des Systems ab. Von dem

einfachsten System mit nur einer Eingabemöglichkeit und einer Ausgabemöglichkeit

(Beispiel: Kniesehnenreflex) bis zu sehr vielen Möglichkeiten bei adaptiven und lernenden

Systemen sind alle Übergänge denkbar“ [Wik04-ol].

Probleme der erfahrungsbasierten Selbstoptimierung 5

Definition 2-7: Exploratives Verhalten Unter explorativem Verhalten versteht man die

Bereitschaft, sich in Zustände zu begeben, die ein hohes Maß an Unbestimmtheiten enthalten

[DM95].

Definition 2-8: Exploitatives Verhalten Unter exploitativem Verhalten versteht man die

Bereitschaft, sich in Zustände zu begeben, die gemäß der gesammelten Erfahrungen optimal

sind [DM95].

2.1 Die Domäne der fahrerlosen Fahrzeuge

2.1.1 Einordnung in den Bereich der technischen Systeme

Die fahrerlosen Fahrzeuge gehören zu dem Bereich der technischen Systeme. Die technischen

Systeme untergliedern sich laut [Wen05-ol] und [Rop99] in Produktionssysteme,

Transportsysteme und Speicherungssysteme.

Funktion

Output

Produktionssystem Transportsystem Speicherungssystem

Masse Verfahrenstechnik

Fertigungstechnik

Fördertechnik

Verkehrstechnik

Tiefbautechnik

Behältertechnik

Lagertechnik

Hochbautechnik

Energie Energiewandlungstechnik Energieübertragungs-

technik

Energiespeicherungs-

technik

Information Informationsverarbeitung,

Mess-, Steuer,- und Regel-

technik

Informations-

übertragungstechnik

Informations-

speicherungstechnik

Tabelle 1: Klassifikation der technischen (Sach)-Systeme [Rop99, S.131]

Die „Masse“-Transportsysteme können sowohl mobiler oder immobiler Art als auch frei oder

geführt sein. Zu den freien, mobilen „Masse“-Transportsystemen gehören z.B. die PKWs und

Flugzeuge. Zu den geführten, mobilen „Masse“-Transportsystemen gehört die Bahn. Sowohl

die mobilen als auch die immobilen „Masse“-Transportsysteme können mit oder ohne

Bediener ausgestattet sein. Ein Verkehrs-Flugzeug wäre z.B. ein freies, mobiles „Masse“-

Transportsystem mit Bediener, da es durch den Flugzeugkapitän eigenständig die Richtung,

die Geschwindigkeit und die Flughöhe bestimmen kann. Das in dieser Arbeit untersuchte

technische System ist ein schienengeführtes, mobiles „Masse“-Transportsystem ohne

Bediener.

6 Probleme der erfahrungsbasierten Selbstoptimierung

„Masse“-Transportsystem

mobil immobil

Ohne

Bediener Mit

Bediener

Kran

frei geführt

PKW

Fließband

...

LKW

Flugzeug

Bahn

...

Abbildung 2: Arten eines „Masse“-Transportsystems

2.1.2 Die mechatronische Struktur

Module und Hierarchien sind wichtige Voraussetzungen, um komplexe Probleme in

technischen Systemen zu lösen. Die Aufteilung in Module erlaubt es dem Ingenieur, einzelne

Module mit ihren Haupt- und Nebenfunktionen2 unabhängig vom Gesamtsystem zu

entwickeln, zu testen und zu produzieren. Diese Module können mechatronische Systeme

sein, die mit Aktoren, Sensoren und informationsverarbeitenden Einheiten ausgestattet sind

[OHK+02]. Die Hierarchie dieser Module erlaubt es dem Gesamtsystem (hier dem Fahrzeug),

die Funktionen der einzelnen Module aufeinander abzustimmen.

Die unterste Hierarchiestufe in einem Fahrzeug (Abbildung 3) wird als mechatronisches

Funktionsmodul (MFM) bezeichnet. Es besteht aus den oben erwähnten Basiseinheiten

(Aktoren, Sensoren und informationsverarbeitenden Einheiten) zuzüglich der jeweils

benötigten Hardware bzw. Software zur Kontrolle des MFM. Mechatronische

Funktionsmodule können mit weiteren MFM zusammengeschlossen werden, in der ein MFM

als Aktor eines anderen MFM fungieren kann [Gau02], [OHK+02].

Auf der nächst höheren Stufe befinden sich die autonomen mechatronischen Systeme (AMS –

hier das Fahrzeug selbst), die aus informationstechnisch und/oder mechanisch gekoppelten

MFM aufgebaut sind. Ein AMS muss in der Lage sein, unterschiedliche Umwelteinflüsse

bewerten und geeignete Verhaltensweisen auszuwählen. So sollte ein Fahrzeug erkennen

können, ob und was für ein Hindernis im Weg steht. Hat das Fahrzeug ein Hindernis erkannt,

muss es ein passendes Verhalten auswählen können, um das Hindernis zu umfahren oder

gegebenenfalls zu bremsen. AMS weisen eine Informationsverarbeitung auf, die sowohl das

eigene Verhalten (z.B. Hindernis umfahren) als auch das Verhalten der untergeordneten MFM

2 „Neben den Hauptfunktionen des verschleißarmen Antriebs und Bremsens besitzt das Antriebs- und

Bremsmodul die Nebenfunktion Energie zu übertragen (von der Strecke zum Fahrzeug) sowie die Regelung

der Nickbewegung der Einzelachse eines jeden Fahrmoduls“. [FGK+04, S.91]

Probleme der erfahrungsbasierten Selbstoptimierung 7

steuert (z.B. Spurführungsmodul nach links steuern, Feder- und Neigemodul leicht neigen)

[SS03a].

Interagieren AMS mit anderen AMS, so schließen sie sich zu vernetzten mechatronischen

Systemen (VMS) zusammen. VMS entstehen also durch eine Kopplung der beteiligten AMS.

Hierzu muss jedes AMS wissen, mit welchem AMS es zu kooperieren hat und welches

Verhalten in Verbindung mit anderen AMS temporär abhängig voneinander durchgeführt

werden soll und kann. Dies kann z.B. das Zusammenschließen zu einer Kolonne (siehe

Abbildung 3) oder die Lösung eines Kreuzungsproblems sein. Aufgrund der komplexen und

dynamischen Umwelt sowie des autonomen Verhaltens jedes AMS wird es auf der Ebene der

vernetzten mechatronischen Systeme oft nicht möglich sein, mit vertretbarem Aufwand (also

in vertretbarer Zeit) mathematische Optima zu berechnen. Eine suboptimale Lösung wird hier

durch generelle Absprachen bzw. Regeln (rechts vor links), einer Kommunikation (freiwillig

Vorfahrt gewähren) oder Kompensationszahlungen (für das „Recht der Vorfahrt“ zahlt

Fahrzeug A an Fahrzeug B x Einheiten) erreicht.

OCM

Agent

Logistik

Operator-Kopplung

Controller-Kopplung

Kolonne

Fahrzeugverbünde

Shuttle

Fahr-Modul

Vernetztes

Mechatronisches

System 1

Vernetztes

Mechatronisches

System 0

Autonomes

Mechatronisches

System

Mechatronisches

Funktions-

modul

Abbildung 3: Aufbau eines hierarchischen, mechatronischen Transportsystems [OHK+02]

2.1.3 Kooperationsarten

Die möglichen Kooperationsarten zwischen technisch homogenen fahrerlosen Fahrzeugen

können in zwei Dimensionen beschrieben werden: der Heterogenität (bezogen auf deren

Ziele, Verhaltensweisen und Domänenwissen) der Wissensbasis der Fahrzeuge und deren

Kommunikationsbereitschaft [Sto00].

8 Probleme der erfahrungsbasierten Selbstoptimierung

Kommunikation

der

Erfahrungen

Umwelt

Fahrzeug A Fahrzeug C

Ziele

Verhalten

Domänenwissen

Ziele

Verhalten

Domänenwissen

Wissensbasis Wissensbasis

Erfahrungen Erfahrungen

Abbildung 4: Allgemeiner Multi-Fahrzeug-Ansatz [Sto00]

Homogene, nicht-kommunizierende Fahrzeuge haben identische Ziele, Verhaltensweisen und

ein identisches Domänenwissen. Sie unterscheiden sich ausschließlich hinsichtlich ihres

Sensorinputs und den daraus abgeleiteten Verhaltensweisen. Eine Interaktion findet dadurch

statt, dass andere Fahrzeuge per Sensor wahrgenommen werden können, um z.B. zu

überholen oder einem Stau auszuweichen. Heterogene, nicht-kommunizierende Fahrzeuge

besitzen unterschiedliche Ziele, Verhaltensweisen und ein unterschiedliches Domänenwissen.

So kann das Ziel eines Fahrzeugs z.B. darin bestehen, die anderen Fahrzeuge absichtlich zu

behindern. Homogene, kommunizierende Fahrzeuge besitzen dieselben Eigenschaften wie

homogene, nicht-kommunizierende Fahrzeuge, können darüber hinaus aber Erfahrungen

direkt untereinander austauschen. So ist es möglich Erfahrungen, die von Fahrzeug A in

einem Teil der Umwelt erlangt wurden, an ein anderes Fahrzeug C zu übermitteln.

Heterogene, kommunizierende Fahrzeuge besitzen dieselben Eigenschaften wie heterogene,

nicht-kommunizierende Fahrzeuge, können aber im Gegensatz zu jenen Erfahrungen nicht

direkt untereinander austauschen, da sie z.B. andere Sprachen zur Kommunikation von

Erfahrungen verwenden.

In Tabelle 2 sind sämtliche Kooperationsmöglichkeiten mit deren zugehörigen

Problembereichen aufgeführt. In dieser Arbeit wird jedoch nur der Bereich der heterogenen,

kommunizierenden Fahrzeuge näher untersucht.

Probleme der erfahrungsbasierten Selbstoptimierung 9

Homogene, nicht-kommunizierende

Fahrzeuge

Heterogene, nicht-kommunizierende Fahrzeuge

• Reaktive vs. deliberative Fahrzeuge

• Lokale vs. globale Perspektive

• Modellierung der Zustände anderer

Fahrzeuge

• Wie können andere Fahrzeuge

beeinflusst werden?

• Wohlwollende vs. konkurrierende Fahrzeuge

• Stabile oder sich entwickelnde Population

• Modellierung der Ziele, der Verhaltensweisen

und des Wissens der anderen Fahrzeuge

• Ressourcenmanagement (abgestimmtes

Verhalten)

• Soziale Konventionen

• Rollen

Homogene, kommunizierende Fahrzeuge Heterogene, kommunizierende Fahrzeuge

• Verteiltes Messen

• Gegenseitige Verständigung

• Planung von Kommunikation

• Wohlwollende versus konkurrierende

Fahrzeuge

• Verhandlung

• Ressourcenmanagement (abgestimmtes

Verhalten)

• Festlegungen

Tabelle 2: Kooperationsmöglichkeiten in einem Multi-Fahrzeug-Ansatz [Sto00]

Die Problembereiche der heterogenen, kommunizierenden Fahrzeuge sind wie folgt

beschrieben:

Gegenseitige Verständigung

In einer Umwelt, in der mehrere Fahrzeuge, die von verschiedenen Konstrukteuren erstellt

wurden, miteinander kommunizieren sollen, muss eine bestimmte gemeinsame Sprache oder

ein gemeinsam genutztes Protokoll erstellt werden. Existierende Protokolle für die Ebenen

des Informationsinhalts, der Formate einer Botschaft und der Koordinationskonventionen sind

z.B. KIF [GF92] oder Ansätze im Bereich von Ontologien [Mae03], für das Format der

Botschaft KQML [FMF+94] oder ACL [Fip02] und für die Koordinationskonventionen

COOL [BF95]. Die vorliegende Arbeit untersucht in diesem Bereich ausschließlich die

Problematik des Informationsinhalts. Hierzu wird der Ansatz der Ontologien verwendet.

Planung von Kommunikation

Tauschen Fahrzeuge Erfahrungen mit anderen Fahrzeugen aus, soll dadurch eine bestimmte

Absicht bzw. ein bestimmter Effekt erzielt werden. Ein Effekt kann sein, die Einstellung eines

Fahrzeugs zu seiner Umwelt oder über das Verhalten der anderen Fahrzeuge zu ändern. Es ist

demnach wichtig, bei der Planung eines Fahrzeugs die Voraussetzungen und Effekte einer

Kommunikation zu berücksichtigen. Die zugehörige Theorie dieses Ansatzes wird als

„Sprech-Akt“-Theorie bezeichnet [Sto00], [CL95], [LS95]. Das bedeutet, dass die Fahrzeuge

eines Unternehmens A absichtlich in ihrer Sprache miteinander kommunizieren, damit die

10 Probleme der erfahrungsbasierten Selbstoptimierung

Fahrzeuge eines Unternehmens C die Erfahrungen von A nicht nutzen können. Eine

gegenseitige Verständigung wird dadurch absichtlich vermieden. Dieser Wechsel der

Kommunikationsstrategie soll in der vorliegenden Arbeit nicht weiter untersucht werden.

Wohlwollende versus konkurrierende Fahrzeuge

Eines der herausragenden Probleme bei der Konstruktion eines Fahrzeugs besteht darin, ob

das Fahrzeug ein wohlwollendes oder ein konkurrierendes Verhalten zeigen soll. Ein

wohlwollendes Verhalten ist auch bei unterschiedlichen Zielen möglich, wenn die Fahrzeuge

sich in der Zielerreichung jedes einzelnen Fahrzeugs unterstützen [GR94]. Auf der anderen

Seite können die Fahrzeuge „egoistisch“ sein und nur ihre persönlichen Ziele in ihrem

Verhalten berücksichtigen. Im Extrem richten sich die Aktionen des einen Fahrzeugs gezielt

gegen die Ziele eines anderen, um die eigenen Ziele durchzusetzen [Sto00]. In der

vorliegenden Arbeit agieren die Fahrzeuge sowohl wohlwollend als auch konkurrierend. So

tauschen sie z.B. wahrheitsgemäß Erfahrungen über ihre Umwelt aus. Allerdings konkurrieren

sie bei der Angebotsabgabe für einen Fahrauftrag.

Verhandlung

Grundlage einer Verhandlungsstrategie ist es, einen optimalen Punkt zwischen Angebot und

Nachfrage zu bestimmen [Sto00]. Im „Kontrakt-Netz-Framework“ von Smith [Smi80] haben

alle Fahrzeuge ihre individuellen Ziele, sind eigennützig und besitzen limitierte

Schlussfolgerungsmechanismen. Sie bieten auf vorgegebene Aufgaben anderer Fahrzeuge und

können diese Aufgaben selbst durchführen oder sie an andere Fahrzeuge weiter vergeben.

Dabei müssen die Fahrzeuge für die Ausschreibung ihrer Aufgaben zahlen und bekommen im

Gegenzug das günstigste Angebot [SL95]. Eine genauere Untersuchung und Übertragung von

Verhandlungsstrategien auf die hier verwendeten Fahrzeuge ist nicht Gegenstand dieser

Arbeit.

Ressourcenmanagement

Fahrzeuge können ein abgestimmtes, abhängiges Verhalten aufgrund von knappen

Ressourcen, die von mehreren Fahrzeugen gleichzeitig beansprucht werden, besitzen.

Beispiele hierfür sind Netzwerkprobleme wie z.B. im Straßenverkehr, wo Straßen verstopfen

können, oder beim Netzwerk Routing, wo mehrere Fahrzeuge ihre Nachricht durch ein

limitiertes Netzwerk schicken müssen [Sto00]. Untersuchungen zu dem Bereich des

Ressourcenmanagements werden in dieser Arbeit nicht vorgenommen.

Festlegungen

Kommunizieren Fahrzeuge untereinander, werden Absprachen getroffen, z.B. dass Fahrzeug

A zu einem bestimmten Zeitpunkt am Ort X zu sein hat. In diesem Sinne gehen Fahrzeuge

Verpflichtungen gegenüber anderen Fahrzeugen ein. Verpflichtungen sorgen dafür, dass ein

System wesentlich „runder“ läuft, indem sich eine gewisse Vertrauensbasis unter den

Fahrzeugen aufbaut [Cas95]. Verpflichtungen werden in dieser Arbeit nicht untersucht.

Probleme der erfahrungsbasierten Selbstoptimierung 11

2.2 Generierung einer erfahrungsbasierten Selbstoptimierung

Zur Generierung einer Selbstoptimierung aufgrund von Erfahrungen einer Menge technisch

homogener fahrerloser Fahrzeuge ist eine individuelle Wissensbasis jedes Fahrzeugs über

seine Ziele, seine Verhaltensweisen und seine Umwelt (bzw. sein Domänenwissen) (vgl.

Kapitel 2.2.1), eine gegenseitige Verständigung der Fahrzeuge untereinander (vgl. Kapitel

2.2.1), eine Erfahrungsakquisition (vgl. Kapitel 2.2.2) und die Auswahl eines spezifischen,

verbesserten Verhaltens aufgrund von Erfahrungen (vgl. Kapitel 2.2.3) notwendig.

2.2.1 Wissensrepräsentation einer Domäne

Um Wissen beschreiben zu können, werden zunächst Daten benötigt. Daten enthalten

lediglich eine syntaktische Dimension. Sie besitzen eine spezielle Form, der aber ohne

zusätzliches Wissen kein Inhalt zuzuordnen ist. Daten können in symbolischer oder sub-

symbolischer Repräsentation auftreten.

Definition 2-9: Daten Als Daten wird die symbolische oder sub-symbolische Repräsentation

von Sachverhalten bezeichnet (z.B. den auf einem digitalen Thermometer ablesbaren

Anzeigewert von „25“ für eine sub-symbolische Repräsentation.) [PRR03].

Definition 2-10: Symbolische Repräsentation Eine symbolische Repräsentation wid durch

„sprachlich fassbare elementare Einheiten [erreicht], die durch Bezeichner gekennzeichnet

sind“, z.B. Worte, Musiknoten [Bün05].

Definition 2-11: Sub-symbolische Repräsentation Eine sub-symbolische Repräsentation

wird durch „Elementareinheiten [erreicht], die nicht durch Bezeichner charakterisiert“ sind

z.B. Zahlen bzw. Zahlenfolgen [Bün05].

Erhalten Daten einen inhaltlichen Zusammenhang, spricht die Literatur von Informationen

[AN95], [DP98].

Definition 2-12: Information Informationen entstehen aus einer Menge von interpretierbaren

Daten, die im Zusammenhang gesehen einen Sinn ergeben [PRR03].

Informationen allein sind zur vollständigen Bewertung einer Situation nicht ausreichend. Dies

ist jedoch unerlässlich für die Auswahl eines geeigneten Verhaltens. Ein Beispiel soll dies

verdeutlichen: Die Information, dass am 31.12.2004 eine Außentemperatur von minus 10°C

in München vorliegt, ist zunächst nur eine Feststellung. Um die Bedeutung dieser Information

zu erhalten, wird Wissen benötigt. Wissen verknüpft systematisch Informationen, so dass

prognostische oder explanatorische Aussagen abgegeben werden können [PRR03]. In diesem

Fall wäre die prognostische Aussage: Wenn die Temperatur in München unter 0°C sinkt und

12 Probleme der erfahrungsbasierten Selbstoptimierung

Niederschlag vom Himmel fällt, so ist dies mit einer hohen Wahrscheinlichkeit Schnee. Aus

diesem Wissen schließt das Fahrzeug hinsichtlich seines Verhaltens, dass es seine

Geschwindigkeit reduzieren muss.

Definition 2-13: Wissen „Wissen bezeichnet die Gesamtheit aller organisierten

Informationen mitsamt ihrer wechselseitigen Zusammenhänge, auf deren Grundlage ein

(vernunftbegabtes) System handeln kann“ [Wik04-ol].

Auch wenn die Literatur die Begriffe Daten, Informationen und Wissen unterschiedlich

interpretiert, kommt sie immer zu einer sehr ähnlichen Definition. In Tabelle 3 sind die vier

gängigsten Definitionen aufgeführt.

Autor Daten Information Wissen

[Wii93] - Organisierte Fakten, um eine

Situation oder einen Zustand

zu beschreiben

Wahrheiten, Perspektiven,

Überzeugungen,

Beurteilungen

[SS97] Noch nicht interpretierte

Symbole

Daten mit Bedeutung Die Fähigkeit, Bedeutungen

zuzuweisen

[DP98] Eine Menge diskreter

Fakten

Eine Botschaft mit dem

Zweck, die Wahrnehmung

des Empfängers zu

verändern.

Erfahrungen, Werte,

Erkenntnisse und

textabhängige Informationen

[QD99] Ein Text, der keine

Antwort auf bestimmte

Fragen gibt

Ein Text, der die Fragen

nach dem Wer, Wann, Was

oder Wo beantwortet.

Ein Text, der die Frage nach

dem Warum und Wie

beantwortet

Tabelle 3: Definition des Begriffs Wissen [SS02]

Die vielleicht wichtigste Unterscheidung des Wortes Wissen liefern Nonaka und Takeuchi

[NT97]. Sie unterscheiden Wissen in explizites und implizites oder stilles (tacit) Wissen.

Definition 2-14: Explizites Wissen Explizites Wissen ist formalisierbar. Es lässt sich in Form

von Daten, Formeln, Verfahrensweisen, Texten o.ä. weitergeben.

Definition 2-15: Implizites Wissen Implizites Wissen ist nicht formalisiertes oder

formalisierbares Wissen. Es ist verankert in den Erfahrungen und Tätigkeiten von Individuen

und stellt nicht dargestellte Verbindungen zwischen explizitem Wissen her.

Implizites Wissen stellt somit das persönliche Wissen eines Individuums mit Idealen, Werten

und subjektiven Einsichten dar. Explizites Wissen ist dagegen methodisch bzw. systematisch

und liegt in artikulierbarer Form vor. Es kann mittels Informations- und

Kommunikationstechnologie verarbeitet und verbreitet werden. Das Grundproblem des

Wissensmanagements ist die Überführung von implizitem in explizites Wissen. Erst dann

kann es im Rahmen einer Wissensrepräsentation verfügbar gemacht werden und ist somit

über einzelne Fahrzeuge hinaus nutzbar [MCD99-ol].

Probleme der erfahrungsbasierten Selbstoptimierung 13

Im Bereich des impliziten Wissens lassen sich zwei Formen von einander unterscheiden.

Beim technischen Wissen handelt es sich um informelle und schwer dokumentierbare

Fähigkeiten und Fertigkeiten. Hierzu zählt zum Beispiel auch das Know-how oder das

Geschick eines Experten. Beim kognitiven Wissen handelt es sich um Schemata, mentale

Modelle, Überzeugungen und Wahrnehmungen, die der einzelne Experte für

selbstverständlich hält.

Im Bereich des expliziten Wissens wird zwischen deklarativem und prozeduralem Wissen

unterschieden. Unter deklarativem Wissen wird statisches Wissen, also eine Art Faktenwissen

verstanden. „Beispiele hierfür sind das kleine Einmaleins, das in der Grundschule gelehrt

wird, oder der Sachverhalt, dass die Wirbelsäule des Menschen aus 29 Wirbeln besteht“

[Fau96]. Deklaratives Wissen kann durch zwei grundsätzlich verschiedene Formen

repräsentiert werden: entweder als Inhalt einer sprachlichen Äußerung („Die menschliche

Wirbelsäule besteht aus 29 Wirbeln.“) oder mittels einer bildlichen Darstellung [Alb-03].

Bei der prozeduralen Repräsentation von Wissen steht der Ablauf der Berechnungen zur

Problemlösung im Vordergrund. Prozessabläufe lassen sich hierdurch leicht beschreiben. Das

prozedurale Wissen besteht entweder aus Rechenoperationen wie z.B. der Multiplikation von

zwei Zahlen oder aus Wenn-Dann-Regeln, die das Handlungswissen (Verhaltensweisen) eines

Fahrzeugs konstituieren, das in einer Situation anwendbar ist [BP94].

Bei der künstlichen Intelligenz werden Verhaltensweisen oft auch als Aktionen bezeichnet,

die der obersten Ebene der Wissenspyramide zugeordnet sind (Abbildung 5).

Zeichen

Daten

Informationen

Wissen

Aktionen

Syntax

Semantik

Pragmatik

Entscheidung

Abbildung 5: Wissenspyramide nach [WDA99]

Verhaltensweisen (Wenn Temperatur = -5°C, dann Pullover anziehen), Domänenwissen

(Wenn Temperatur = -5°C, dann Wasser = gefroren), Informationen (Temperatur = 10°C) und

Ziele (hoher Fahrkomfort) werden in dieser Arbeit als Erfahrungen definiert, die verbreitet

werden können.

14 Probleme der erfahrungsbasierten Selbstoptimierung

2.2.1.1 Wissensrepräsentation einer Domäne durch Ontologien

Grundvoraussetzung für eine erfahrungsbasierte Selbstoptimierung von Fahrzeugen ist, dass

das Wissen über eine Domäne explizit repräsentiert ist. Dies ist Aufgabe der

Wissensrepräsentation, die Wissen über die Umwelt oder über eine spezifische Domäne so

verfügbar macht, dass es mit algorithmischen Methoden geschickt verarbeitet werden kann.

Die Wissensrepräsentation definiert also im Wesentlichen die formellen Datenstrukturen, mit

denen Wissen im Rechner abgebildet, also formalisiert wird [BK03]. Praktisch kann man eine

Wissensrepräsentation als eine strukturierte Abbildung der Umwelt bezeichnen.

Abbildung

Umwelt Wissensrepräsentation

Abbildung 6: Abbildung der Umwelt in einer Wissensrepräsentation

Um Wissen explizit repräsentieren zu können, bedarf es einer logischen Verknüpfung aller

Begriffe einer Domäne. In WordNet3, einer lexikalischen online Datenbank von englischen

Begriffen mit dem Ziel, diese sowohl eindeutig syntaktisch (Subjekt, Prädikat, Objekt) als

auch semantisch zuordnen zu können, ist jeder Begriff einem bestimmten Zweck zugeordnet.

So kann ein Begriff sowohl als eine Begriffsform als auch als eine Begriffsbedeutung

eingesetzt werden.

Definition 2-16: Begriffsform Die Begriffsform bezeichnet die symbolische Darstellung

eines Begriffs, der verbreitet werden soll, als Zeichenkette aus einem Alphabet ohne konkrete

Bedeutung. Eine Begriffsform kann ein Substantiv, Verb, Adjektiv oder Adverb sein.

Definition 2-17: Begriffsbedeutung Die Begriffsbedeutung bezeichnet das lexikalische

Konzept und dementsprechend die Bedeutung (Semantik) der Begriffsform.

Begriffsbedeutungen werden erst auf Anfrage verbreitet.

Begriffsform und Begriffsbedeutung spannen eine n:m-Matrix auf, in der Begriffsformen

verschiedene Begriffsbedeutungen und Begriffsbedeutungen verschiedene Begriffsformen

haben können [MBF+93]. Die Sprachwissenschaft spricht hier von Polysemie bzw.

Synonymie [Pfl01]. Beide Arten können große Probleme zwischen einer Maschine-zu-

Maschine-Kommunikation bewirken, da Maschinen grundsätzlich nicht wissen können,

welche Begriffsbedeutung bzw. welche Begriffsform im speziellen Fall gemeint ist [Mae03].

3 http://www.cogsci.princeton.edu/~wn/, WordNet ([Fel98], [HF97]) umfasst mehr als 118.000 Begriffsformen

und mehr als 90.000 unterschiedliche Begriffsbedeutungen [Mil95].

Probleme der erfahrungsbasierten Selbstoptimierung 15

Begriffsbedeutung Begriffsform

1F2F3… Fn

…

= =

…

Tabelle 4: Die lexikalische Matrix [MBF+93]

Definition 2-18: Polysemie Polysemie bedeutet, dass eine Begriffsform mehrere

Begriffsbedeutungen haben kann (z.B. Bach = kleiner Fluss oder Komponist; f = b1

∨

b2).

Definition 2-19: Synonymie Synonymie bedeutet, dass verschiedene Begriffsformen eine

ähnliche oder gar gleiche Begriffsbedeutung haben können (z.B. Orange = Apfelsine oder

Zündholz = Streichholz; f1

∨

2 = b). Synonymie ist hierbei eine symmetrische Relation

zwischen Begriffsformen.

Alle Begriffsformen und –bedeutungen zusammen beschreiben die Terminologie einer

Domäne.

Definition 2-20: Terminologie Als Terminologie wird die Menge aller Begriffsformen

F={f1,f2,...,fn} und Begriffsbedeutungen B={b1,b2,...,bm}bezeichnet, die einer spezifischen

Domäne zugeordnet sind.

Werden Begriffsformen (z.B. Jaguar) und Begriffsbedeutungen (z.B. Auto) einer Terminologie

zueinander in Beziehung gesetzt, entsteht ein geschlossenes Weltbild einer Domäne. Dieser

Prozess wird als Entwicklung einer Ontologie bezeichnet [Zel02].

Definition 2-21: Ontologie Eine Ontologie ist eine strukturierte Darstellung einer

Terminologie und somit eine formale, explizite Spezifikation einer gemeinsamen

Konzeptionalisierung [Gru93].

Diese Definition beinhaltet vier Schlüsselwörter von zentraler Bedeutung [Unt01-ol]:

• Konzeptionalisierung (conceptualization) bezeichnet ein abstraktes Modell bestimmter

Begriffsformen mit deren identifizierten relevanten Begriffsbedeutungen.

• Explizit (explicit) bedeutet, dass die Art und Bedingung einer jeden Begriffsform

ausdrücklich angegeben und definiert wird.

16 Probleme der erfahrungsbasierten Selbstoptimierung

• Formal (formal) müssen Ontologien sein, um maschinenverständlich zu sein, was eine

natürlichsprachliche Darstellung ausschließt.

• Gemeinsam (shared) signalisiert, dass es sich bei einer Ontologie nicht um eine

einzelne, individuelle Ansicht von Wissen handelt, sondern um eine Darstellung, auf

die sich eine bestimmte Benutzergruppe geeinigt hat und über die folglich ein Konsens

besteht.

Eine Ontologie beschreibt also explizit eine formale, verteilte Konzeptionalisierung eines

bestimmten, eine Gruppe interessierenden Bereichs [Unt01-ol], [Alp03].

Formal besteht eine Ontologie aus einem 5er-Tupel O:= {C,R,HC,S,A} [Mae03] mit einer

Menge von Begriffsformen (z.B. Shuttle) und Begriffsbedeutungen (z.B. Fahrzeug), die durch

eine Menge von hierarchischen is_a-Relationen R verbunden sind (Shuttle is_a Fahrzeug;

siehe Abbildung 7). Begriffsformen sowie Begriffsbedeutungen werden mittels Klassen C

dargestellt, wodurch eine Klassenhierarchie HC (HC

⊆

C x C) entsteht. Zusätzlich zu den

Klassen existieren Slots4 S (relationale SR, deskriptive SD und prozedurale SP) und Axiome A.

Hierbei gilt, dass SR für alle nicht taxonomischen (is_a) Beziehungen steht [Mae03]. Mit SR

können beliebige Arten von Relationen zwischen Klassen dargestellt werden, wie z.B. ein

Fahrzeug fährt_auf Schiene oder Schiene A länger_als Schiene B (Näheres siehe Kapitel

3.1.2.2)

Schiene

fährt_auf

Fahrzeug

Shuttle

SR(C1,C3)

HC(C1,C2)

ist_ein

Begriffsform

Begriffsbedeutung

Klassen

Abbildung 7: Umwandlung von Begriffsformen und -bedeutungen in Klassen

Auf Grund der sprachlichen Vielfältigkeit der relationalen Slots werden Ontologien meist im

Zusammenhang mit den semantischen Netzen oder Frames (siehe Kapitel 3.1) genannt. Der

Unterschied dieser Darstellungsformen besteht in ihrer Ausdrucksstärke (Abbildung 8). Der

Nachteil der semantischen Netze besteht darin, dass sie nicht genügend auf die kontextuellen

Begriffsbedeutungen eingehen, sondern nur generelle Verhältnisse von Begriffsformen

ausdrücken und in deren Belegung mit spezifischen Merkmalen unflexibel sind. Zusätzlich

4 Slots besitzen relationale, deskriptive bzw. prozedurale Eigenschaften, die einer Klasse innerhalb einer

Ontologie zugewiesen werden.

Probleme der erfahrungsbasierten Selbstoptimierung 17

sind sie nicht dynamisch, d.h. sie können nicht ohne weiteres neue Erfahrungen aufnehmen

und besitzen Defizite in der Regeldarstellung [Vis03-ol].

Ontologien erheben stets den Anspruch einer gewissen Objektivität. Dieser Anspruch wird

jedoch dadurch gefährdet, dass Ontologien stets durch Menschen erstellt werden, die eine

subjektive Wahrnehmung ihrer Umwelt besitzen. Da jede Benutzergruppe eine Domäne auf

unterschiedliche Weise wahrnimmt, werden daher auch unterschiedliche Begriffe

(Begriffsformen und –bedeutungen) für ihre Modellierung verwendet. Ontologien orientieren

sich demnach nicht an objektiven Gegebenheiten der realen Welt, sondern an den

Erfordernissen, die sich aus unserer spezifischen Sichtweise auf die Welt ergeben.

Dementsprechend gibt es theoretisch unendlich viele Ontologien. Aus diesem Grunde wird

der Ansatz der Basisontologie eingeführt [Stu03]. Über eine Basisontologie lassen sich

verschiedene spezifische Ontologien eindeutig definieren.

Ausdrucksstärke

gering hoch

Topic Maps

Semantische

Netze

Navigations-

strukturen

Hierarchische

Objektstrukturen

Frames

Deskriptive

Logiken

Abbildung 8: Ausdrucksstärke verschiedener ontologischer Darstellungsformen [KTT01]

Definition 2-22: Basisontologie Eine Basisontologie ist eine standardisierte, allgemeingültige

Beschreibung einer Domäne, über die individuelle Ontologien spezifiziert werden können.

Entwicklungen im Bereich der Ontologien werden vor allem vom Konsortium W3C

(www.w3c.org) vorangetrieben. Dieses entwickelte eine Sprache namens RDF5 (Resource

Description Framework), mit Hilfe derer Wissen explizit in Form einer Ontologie dargestellt

werden kann, um es für Softwaresysteme verständlich und lesbar zu machen. Dadurch wird

der Austausch von Erfahrungen erst möglich. Zusammen mit der DRAPA (Defense Advanced

Research Projects Agency) entwickelte das W3C eine weitere Sprache namens DAML

(DRAPA Agent Markup Language), die auf RDF aufbaut und diese um weitere

ausdruckstarke Konstrukte erweitert, die die Interaktion im Web vereinfacht [HM00].

5 Siehe Kapitel D

18 Probleme der erfahrungsbasierten Selbstoptimierung

2.2.1.2 Verständigungsprobleme bei heterogenen Ontologien

Um ein Problem lösen zu können, bedarf es oft des Zugriffs auf Erfahrungen, die in den

Wissensbasen verschiedener Fahrzeuge gespeichert sind. Um diese Erfahrungen nutzen zu

können, müssen sie durch Kommunikation ausgetauscht werden können. Kommunikation ist

ein Prozess, bei dem mindestens folgende Elemente vorhanden sind: eine Mitteilung

(Nachricht), ein Sender und mindestens ein Empfänger. Hierbei wird eine Nachricht von einer

sendenden Instanz an mindestens eine empfangende gerichtet, wobei die Nachricht durch

Begriffe in einem Medium (z.B. FIPA-ACL6) ausgedrückt und durch einen Kanal (Leitung,

Wellen) übermittelt wird [Woo02], [Fer99]. Kommunikation kann nur dann erfolgreich sein,

wenn die Begriffe für alle Kommunikationspartner verständlich und eindeutig sind.

Es gibt zahlreiche Beispiele für Interpretationsmöglichkeiten und die daraus entstehenden

Mehrdeutigkeiten von Begriffen. Für ein isoliertes System, das nur eine lokale Wissensbasis

verwendet, sind diese Probleme kaum relevant. Die Schwierigkeiten treten erst dann auf,

wenn ein derartiges System in andere Systeme integriert wird bzw. mit ihnen Erfahrungen

austauschen möchte. Die Mehrdeutigkeit der Begriffe kann schnell zum Stillstand des

Prozesses bzw. zur Destabilisierung eines Systems führen. Die Notwendigkeit zur

Datenhaltung in vernetzten Softwaresystemen setzt demnach eine terminologische Basis

voraus, um eine entsprechende Semantik sicherzustellen, die eine sinnvolle Kommunikation

überhaupt erst ermöglicht. Die nachfolgenden Ausführungen sollen dabei die Probleme

andeuten, die bei der Kommunikation mittels heterogener Ontologien beachtet werden

müssen.

Abbildung 9 stellt den Zusammenhang zwischen Begriffsform und Begriffsbedeutung

innerhalb einer Kommunikation zwischen heterogenen Ontologien dar.

Begriffsform BegriffsbedeutungSender

=≠BegriffsbedeutungEmpfänger

KonzeptE

KonzeptS

Sender

(Ontologie A)

Empfänger

(Ontologie B)

Deutung

Aufruf

Abbildung 9: Semiotisches Dreieck (in Anlehnung an: [Unt01-ol])

Der Sender und der Empfänger tauschen eine Begriffsform aus wobei jeder über seine

individuelle Konzeptionalisierung der Welt seine eigene Begriffsbedeutung besitzt. Dies kann

6 http://www.fipa.org/specs/fipa00061/

Probleme der erfahrungsbasierten Selbstoptimierung 19

dazu führen, dass die entsprechende Begriffsbedeutung, die der Sender vermitteln will, nicht

oder falsch vom Empfänger identifiziert wird.

Aufgrund dieser Problematik sind im Bereich der Kommunikation über heterogene

Ontologien grundsätzlich die Beziehungen Konsens, Konflikt, Korrespondenz und Kontrast

möglich.

Definition 2-23: Konsens In zwei heterogenen Ontologien wird dieselbe Begriffsform für

dieselbe Begriffsbedeutung verwendet (fS = fE, bS = bE).

Definition 2-24: Konflikt In zwei heterogenen Ontologien wird dieselbe Begriffsform für

unterschiedliche Begriffsbedeutungen verwendet (fS = fE, bS

≠

bE).

Definition 2-25: Korrespondenz In zwei heterogenen Ontologien werden verschiedene

Begriffsformen für dieselbe Begriffsbedeutung verwendet (fS

≠

fE, bS = bE).

Definition 2-26: Kontrast In zwei heterogenen Ontologien werden verschiedene

Begriffsformen für verschiedene Begriffsbedeutungen verwendet (fS

≠

fE, bS

≠

bE).

Der Sachverhalt der Definition 2-23 stellt hierbei keine weiteren Schwierigkeiten für die

Kommunikation dar, da hier eine Eindeutigkeit der Begriffsformen (gegeben durch die selben

Begriffsbedeutungen) gegeben ist. Problematischer ist dies für die Definition 2-24, Definition

2-25 und Definition 2-26, weil hier keine Gleichheit von Begriffsformen und

Begriffsbedeutungen vorliegt.

Neben der reinen Begriffsproblematik besteht eine weitere Schwierigkeit in den

unterschiedlichen, gelernten Verhaltensweisen und Zielen (ausgedrückt durch Regeln) der

technisch homogenen fahrerlosen Fahrzeuge. So kann ein Fahrzeug in einer bestimmten

Umweltsituation bereits einen Bremsvorgang einleiten, in der ein anderes Fahrzeug seine

Geschwindigkeit beibehält.

Dieses unterschiedliche Verhalten ist darauf zurückzuführen, dass die Fahrzeuge

unterschiedliche Regeln (z.B. hervorgerufen durch den unterschiedlichen Verschleiß der

Module) gelernt und unterschiedliche Begriffsformen, Variablen und Operatoren in ihren

Regeln mit einbezogen haben. Solche unterschiedlichen Regelmengen sind insbesondere dann

kritisch, wenn die Fahrzeuge voneinander lernen oder miteinander kooperieren möchten (z.B.

wenn sie sich in einem Konvoi befinden oder beabsichtigen, sich zu einem Konvoi zusammen

zu schließen). Hier muss das eine Fahrzeug wissen, wie sich das andere Fahrzeug verhält.

20 Probleme der erfahrungsbasierten Selbstoptimierung

Kommunikation

der

Erfahrungen

Umwelt

Fahrzeug A Fahrzeug C

Ziele

Verhalten

Domänenwissen

Ziele

Verhalten

Domänenwissen

Wissensbasis Wissensbasis

Erfahrungen Erfahrungen

Abbildung 10: Fahrzeuge mit unterschiedlichen Zielen, Verhaltensweisen und Domänenwissen

Definition 2-27: Kriterien zum Vergleich von Regelmengen Kriterien zum Vergleich von

Regeln zwischen heterogenen Ontologien lassen sich durch die Regellänge, Regelbegriffe,

Regelvariablen und Regeloperatoren bestimmen.

2.2.1.3 Auflösung der Verständigungsprobleme

Um die Erfahrungen eines Fahrzeugs den anderen Fahrzeugen mitteilen zu können, müssen

sie mit den Erfahrungen anderer Fahrzeuge in eine logische Beziehung gebracht werden

[PGM99]. Hierfür wird eine Basisontologie verwendet (siehe Abbildung 11), die eine Lösung

der Konflikt-, Korrespondenz-, Kontrast- und Regelmengenproblematik erreicht, indem sich

die Ontologien der Fahrzeuge A bis D auf eine gemeinsame Basisontologie beziehen. Die

Basisontologie dient hierbei als allgemeingültige Beschreibung der Umwelt.

Ontologie A

Basisontologie

Ontologie B

Ontologie C

Ontologie D

Umwelt

Abbildung 11: Basisontologie für den Austausch von Erfahrungen (in Anlehnung an [Mae03])

Probleme der erfahrungsbasierten Selbstoptimierung 21

Grundsätzlich leistet eine Basisontologie folgende Aufgaben [Tam01-ol]:

• Unterstützung der Kommunikation mehrerer heterogener Ontologien durch die

Definition einer standardisierten Terminologie

• Speicherung von allgemein gültigem Wissen einer Domäne (z.B. rechts-vor-links)

• Förderung des Erfahrungsaustausches („People can’t share knowledge if they don’t

speak a common language“ [Dav97]).

Bei dem Konsens (siehe Definition 2-23) wird davon ausgegangen, dass sowohl die Ontologie

von A als auch die Ontologie von C mit denselben Begriffsformen arbeitet. So wird die

Begriffsform „Bach“ in beiden Ontologien der Begriffsbedeutung „Komponist“ zugeordnet.

Eine Übersetzung ist demnach nicht notwendig. Die FIPA spricht in diesem Fall von einer

Form der „Identical Ontologies“ - d.h. Begriffsformen und die Repräsentationssprache sind

identisch - oder „Equivalent Ontologies“ wobei Begriffsformen identisch sind, die

Repräsentationssprache jedoch unterschiedlich ist. Dieser Sachverhalt wird allerdings in

dieser Arbeit nicht weiter behandelt [FIP01].

Definition 2-28: Darstellung des Konsens Sei X eine Begriffsform der Ontologie A, Y eine

Begriffsform der Ontologie C und B eine Begriffsbedeutung aus der Basisontologie, dann

gilt: Konsens (X,Y) :- Begriffsbedeutung (B1,X), Begriffsbedeutung (B2,Y), X = Y, B1=B2

Beim Konflikt (siehe Definition 2-24) wird davon ausgegangen, dass dieselbe Begriffsform

für unterschiedliche Begriffsbedeutungen verwendet wird. Dieselbe Begriffsform wird

demnach einer anderen Begriffsbedeutung in der Basisontologie zugeordnet. Dies ist z.B. für

die Begriffsform „Bach“ der Fall: Hierbei kann es sich um einen Komponisten oder um einen

Wasserweg handeln. Normalerweise dürfte dieser Fall der Problematik nicht auftauchen, da

durch die Wahl der Domäne bereits festgelegt wurde, ob sich die Fahrzeuge über den Bereich

der Natur oder über den Bereich der Musik unterhalten. Diese eindeutige Domänenfestlegung

kann in dem vorliegenden Szenario jedoch nicht gewährleistet werden, da dem Empfänger

nicht gesagt wird, in welcher Domäne (z.B. Logistik, Mechatronik, Sicherheitstechnik) sich

der Sender zurzeit befindet.

Definition 2-29: Darstellung des Konflikts Sei X eine Begriffsform der Ontologie A, Y eine

Begriffsform der Ontologie C und B eine Begriffsbedeutung aus der Basisontologie, dann

gilt: Konflikt (X,Y) :- Begriffsbedeutung (B1,X), Begriffsbedeutung (B2,Y), X = Y, B1\=B2

Bei der Korrespondenz (siehe Definition 2-25) wird davon ausgegangen, dass verschiedene

Begriffsformen für ein und dieselbe Begriffsbedeutung verwendet werden. Die FIPA

bezeichnet eine solche Art der Problematik als „Translatable Ontologies“ [FIP01]. Dies

bedeutet, dass es möglich ist, die Begriffsform der einen Ontologie in eine Begriffsform der

anderen Ontologie zu übersetzen, ohne dass dadurch ein Informationsverlust entsteht.

22 Probleme der erfahrungsbasierten Selbstoptimierung

Definition 2-30: Darstellung der Korrespondenz: Sei X eine Begriffsform der Ontologie A,

Y eine Begriffsform der Ontologie C und B eine Begriffsbedeutung aus der Basisontologie,

dann gilt: Korrespondenz (X,Y) :- Begriffsbedeutung (B1,X), Begriffsbedeutung (B2,Y),

X\=Y, B1=B2

Der Kontrast der Begriffsformen (siehe Definition 2-26) drückt sich darin aus, dass sie nichts

miteinander gemein haben. Die Begriffsformen werden in den Ontologien unterschiedlich

bezeichnet und auch unterschiedlich in die jeweilige Taxonomie eingeordnet. Eine

Kommunikation, auch über eine Basisontologie, ist somit nicht möglich, da die

Begriffsformen nichts miteinander zu tun haben. Aus diesem Grunde wird diese Problematik

in der vorliegenden Arbeit nicht weiter untersucht.

Definition 2-31: Darstellung des Kontrasts Sei X eine Begriffsform der Ontologie A, Y

eine Begriffsform der Ontologie C und B eine Begriffsbedeutung aus der Basisontologie,

dann gilt: Kontrast (X,Y) :- Begriffsbedeutung (B1,X), Begriffsbedeutung (B2,Y), X\= Y, B1\=

Die schwierigste Form der Kommunikationsproblematik ist der Vergleich der Regelmengen.

Hierbei wird angenommen, dass die Fahrzeuge A und C unterschiedlich gelernte

Regelmengen besitzen.

Definition 2-32: Vergleich der Regelmengen Seien RA und RC beliebige Regeln aus der

Verhaltens- bzw. Zielmenge der Fahrzeuge A und C, PA und PC die Prämissen und CA und CC

die Konklusionen dieser Regeln, dann gilt: Gleiche_Regel (A,C) :- Prämisse (PA, RA),

Prämisse (PC, RC), PA = PC, (Konsens (CA,CC) ∨ Korrespondenz (CA,CC) ∨ Konflikt (CA,CC))

Eine Prämisse ist hierbei eine Menge von 6er-Tupeln T:={S, F, Omin, Wmin, Omax, Wmax}, die

sich aus den Begriffsformen F und deren Slots S sowie den Wertebereichen der Slots Wmin,

Wmax und den Operatoren der Wertebereiche Omin, Omax zusammensetzt (Näheres siehe Kapitel

5.2).

Mögliche Transformationsalgorithmen zur Auflösung von Konflikten, Korrespondenzen und

unterschiedlicher Regelmengen sind durch die Methoden des Mergens, Mappens bzw.

Übersetzens gegeben. Diese Methoden werden in Kapitel 3.2 näher beschrieben.

2.2.2 Erfahrungsakquisition

2.2.2.1 Möglichkeiten der Erfahrungsakquisition

Es sind prinzipiell drei Formen der Erfahrungsakquisition zu unterscheiden:

• Ein Knowledge Engineer [BK03] erhebt die Erfahrungen von Experten und baut eine

Wissensbasis in Form einer Ontologie auf bzw. füllt diese Wissensbasis manuell mit

neuen Erfahrungen (indirekte Erfahrungsakquisition) [GRS03].

Probleme der erfahrungsbasierten Selbstoptimierung 23

• Ein Experte baut selbständig die Wissensbasis in Form einer Ontologie unter

Zuhilfenahme eines Wissenserwerbsprogramms auf und füllt diese Wissensbasis

manuell mit neuen Erfahrungen (direkte Erfahrungsakquisition) [GRS03].

• Eine Wissensbasis ist bereits indirekt oder direkt entwickelt worden. Neue

Erfahrungen werden mit Hilfe einer Simulation, eines Tests unter Laborbedingungen

oder im realen Echtzeitbetrieb akquiriert (automatische Erfahrungsakquisition).

Untersucht man die Methoden der indirekten Erfahrungsakquisition, so ist die vom

Knowledge Engineer am häufigsten verwendete Methode das unstrukturierte Interview, bei

dem der Experte erzählt, wie er ein Problem löst. Der Knowledge Engineer versucht durch

mehr oder weniger spontane Zwischenfragen ein vollständiges Bild zur umfassenden

Repräsentation einer Domäne durch eine Ontologie zu erhalten. „Im Idealfall erfolgt diese

Konstruktion einer Ontologie durch Komposition und Anpassung bereits existierender

Ontologien“ [PSS03, S. 623].

Bei der direkten Erfahrungsakquisition versuchen Experten, meist interaktiv, eine

Wissensbasis aufzubauen, wobei als Ergebnis eine Menge von Produktionsregeln entsteht.

Die dazu verwendete Methode ist häufig das so genannte Repertory-Grid7. Es ist vorwiegend

für Aufgabenstellungen geeignet, die mit Klassifikationen zu tun haben. Bei dieser Methode

werden im ersten Schritt die verschiedenen zu klassifizierenden Objekte festgelegt. Bei einem

Beratungssystem für Städtereisen beispielsweise wären dies die Orte (Paris, London, Nizza

etc.). Danach wird nach charakteristischen Eigenschaften für Dreiergruppen von Objekten

gesucht, wobei eine Eigenschaft für jeweils zwei und die gegensätzliche Eigenschaft für das

dritte Objekt stehen soll. In unserem Beispiel hieße dies „viele Museen“ – „wenige Museen“.

Anschließend werden alle Objekte nach dieser Eigenschaft auf einer Skala von eins bis fünf

bewertet. Inkrementell werden neue Eigenschaften und auch neue Objekte zum System

hinzugefügt. Dieses Erfahrungsakquisitionssystem erlaubt es, relativ schnell eine

Wissensbasis aufzubauen, wobei dies jedoch nur für sehr einfache Problemstellungen möglich

ist.

Um einen langwierigen Erfahrungsakquisitionsprozess zu umgehen, wird oft auf die

automatische Erfahrungsakquisition zurückgegriffen [BK03]. Hierbei können grundsätzlich

drei Wege bestritten werden: Der direkte Einsatz im realen Echtzeitbetrieb, das Testen des

Fahrzeugs unter Laborbedingungen (Teststrecke) oder das vorherige Testen des Fahrzeugs im

Simulationslauf [Pro03-ol].

Der Nachteil des direkten Einsatzes im realen Echtzeitbetrieb besteht darin, dass Erfahrungen

teilweise unter hohen Kosten erworben werden. Zudem kann es zu sicherheitskritischen

Umweltsituationen kommen, die ein Testobjekt noch nicht beherrschen kann. Solange es sich

bei dem Testobjekt um unkritisches Material handelt (z.B. Holz oder Kohle), wäre dies kein

Problem. Werden jedoch Menschen in einem Testfahrzeug befördert, fällt diese Variante

sofort durch. Das Testen unter Laborbedingungen (Teststrecke) stellt die interessanteste

7 Eine Demosoftware kann unter http://www.csd.abdn.ac.uk/~swhite/repgrid/repgrid.html gestartet werden.

24 Probleme der erfahrungsbasierten Selbstoptimierung

Variante dar, da hier quasi reale Bedingungen vorherrschen, dessen Erfahrungen wichtig für

den späteren realen Echtzeitbetrieb sind. Da auch dieser Einsatz sehr teuer werden kann,

sollten als Vorstufe zu diesem Schritt zunächst die Erfahrungen anhand einer Simulation

erworben werden.

Neben anderen wichtigen Eigenschaften (siehe Abbildung 12) bietet eine Simulation vor

allem die Sicherheit, zukünftige Entscheidungen auf fundierte Erkenntnisse bzw. Erfahrungen

zu stellen und etwaige Schwachstellen bereits vor dem Betrieb eines fahrerlosen Fahrzeugs zu

eliminieren [Pro03-ol].

Befassen mit der

Problemstellung

Tiefgehendes

Systemverständnis

Wesentlicher

Innovationsfaktor

Aufzeigen von

Optimierungspotential

Identifikation von

Schwachstellen

Fundierte Prognose

Absicherung von

Entscheidungen

Erforschen ohne

reale Grenzen

Eigenschaften der

Simulation

Abbildung 12: Eigenschaften einer Simulation [Pro03-ol]

2.2.2.2 Simulationsgestützte Erfahrungsakquisition

Im Gegensatz zu analytischen Verfahren bietet die Simulation keine automatischen

Algorithmen für eine bereits bekannte optimale Lösung, sondern ist in erster Linie ein

Datenlieferant für eine nachgelagerte Analyse [Pro03-ol]. Somit ist sie sehr gut für den

Einsatz von Fahrzeugen geeignet, die sich aufgrund historischer Erfahrungen iterativ einem

optimalen Punkt nähern. Dabei liefert die Simulation in der Regel keine optimale, sondern

lediglich eine möglichst beste Lösung [Pag91]. Ziel von Simulationen ist es, das reale

Fahrzeug möglichst gut abzubilden, da Experimente am realen Fahrzeug unmöglich,

gefährlich oder zu teuer wären.

Die Gewinne, die durch eine Simulation erzielt werden können, werden von Szczerbicka und

Uthmann [SU00] wie folgt beschrieben: Simulationsmodelle können als Werkzeuge zur

Gewinnung und Strukturierung von Domänenwissen dienen und dieses validieren. Sie können

zudem als Quelle für Erfahrungen eingesetzt werden, z.B. indem Ergebnisse von

Simulationsläufen in die Fallbasis von Case-Based-Reasoning-Systemen [Ber02] integriert

Probleme der erfahrungsbasierten Selbstoptimierung 25

werden. Szczerbicka und Uthmann [SU00] weisen jedoch darauf hin, dass es nicht immer

möglich und sinnvoll ist, in einer Wissensbasis sämtliche verfügbaren Erfahrungen in Fällen

vorzuhalten. Dies würde die Schlussfolgerungseffizienz eines Fahrzeugs mit zunehmender

Zahl an Fällen stark belasten. Das gilt vor allem dann, wenn das Fahrzeug von einem sehr

dynamischen Verhalten, also einem schnellen Anwachsen der Fallbasis geprägt ist.

Neben der reinen Datenlieferung können Simulationen auch für Schlussfolgerungen zur

Validierung bzw. Entwicklung von Modellen eingesetzt werden. Als Beispiel sei hier die

Methode des deduktiven und des induktiven Schließens genannt. Im deduktiven Fall

untersucht die Simulation, ob die theoretische Annahme (das mathematische Modell) korrekt

ist. Im induktiven Fall wird erst aus der Menge aller Erfahrungen ein experimenteller

Zusammenhang der Variablen erzeugt [BK03]. Die in dieser Arbeit vorliegenden

Untersuchungen beschränken sich auf eine induktive Analyse.

Definition 2-33: Deduktives Schließen Das deduktive Schließen ist das Schließen von

allgemeinen Sachverhalten auf spezielle Fälle.

Definition 2-34: Induktives Schließen Beim induktiven Schließen wird ein allgemeiner

Sachverhalt aus beobachteten, speziellen Sachverhalten abgeleitet.

2.2.3 Erfahrungsbasierte Selbstoptimierung aufgrund veränderter

Verhaltensweisen

Für eine erfahrungsbasierte Selbstoptimierung benötigt ein Fahrzeug grundsätzlich vier

verschiedene Komponenten [RN03]: Ein Lernelement (siehe Kapitel 2.2.3.3), das

verantwortlich dafür ist, dass die Wissensbasis durch Erfahrungen ständig erweitert wird (z.B.

um neue Regeln); eine Wissensbasis (siehe Kapitel 2.2.3.1 und 2.2.3.2), die aus einer Menge

von Zielen, Verhaltensweisen und Domänenwissen besteht, auf die sich das Fahrzeug stützen

kann; eine Kritikkomponente (siehe Kapitel 2.2.3.3), die die tatsächlichen Erfahrungen mit

den erwarteten Erfahrungen vergleicht, kritisch hinterfragt und darauf basierend dem

Lernelement ein Feedback übermittelt, an welcher Stelle gelernt werden muss und ein

Problemgenerator (siehe Kapitel 2.2.3.4), der ein Verhalten vorschlägt, das zu neuen und

informativen Erfahrungen führt. Sollte dieser Generator fehlen, würde ein Fahrzeug immer

nur das nach seinem aktuellen Wissen beste Verhalten ausführen, aber nie etwas Neues

ausprobieren, das zwar kurzfristig ungünstiger sein kann, aber langfristig eventuell eine

Verbesserung bewirkt.

Definition 2-35: Lernen Ein Fahrzeug gilt als lernend, wenn seine Leistungen zur Erfüllung

einer Aufgabe durch seine Erfahrungen und den optimalen Einsatz seiner Ressourcen ständig

verbessert werden.

26 Probleme der erfahrungsbasierten Selbstoptimierung

Kommunikation

der

Erfahrungen

Umwelt

Fahrzeug A Fahrzeug C

Ziele

Verhalten

Domänenwissen

Ziele

Verhalten

Domänenwissen

Wissensbasis Wissensbasis

Erfahrungen Erfahrungen

Kritik Lern-

element

Problem-

generator Kritik

Lern-

element

Problem-

generator

Abbildung 13: Allgemeines Modell eines selbstoptimierenden Fahrzeugs (siehe [RN03])

2.2.3.1 Verhaltensweisen eines Fahrzeugs

2.2.3.1.1 Verhaltensweisen der MFM-Ebene

Die AMS-Ebene „kontrolliert“ die Verhaltensweisen der MFM. Sie ist in der Lage, die

Umweltsituation zu bewerten und daraus Handlungsempfehlungen an die MFM

weiterzuleiten. Grundsätzlich wird dabei Folgendes angenommen: Je niedriger die Ebene

eines Moduls ist, desto zeitkritischer verläuft der reibungslose Informationsprozess

[OHK+02]. Umgekehrt bedeutet dies jedoch auch, dass die Komplexität und die

Freiheitsgrade auf höheren Levels größer sind als auf den unteren Levels [LKS00], [LHL01].

Sind die Entscheidungen für die Auswahl der geeigneten Verhaltensweisen auf der VMS-

bzw. AMS-Ebene einmal fixiert, besteht die Aufgabe der MFM darin, diese möglichst

optimal in kurzer Zeit auszuführen. Die Freiheitsgrade der MFM bewegen sich dabei immer

innerhalb des von dem AMS vorgegebenen Rahmens.

Die physikalischen bzw. mechatronischen Verhaltensweisen der MFM-Ebene beschränken

sich auf die in Abbildung 14 dargestellte Struktur. Diese wird (inklusive ihrer möglichen

Verhaltensweisen) im Folgenden genauer beschrieben.

Probleme der erfahrungsbasierten Selbstoptimierung 27

Antriebs-/Bremsmodul Spurführungsmodul Feder-/Neigemodul

Fahrzeug (AMS)

Abbildung 14: Aufbau eines AMS aus mehreren MFM

Das Antriebs- und Bremsmodul:

„Das Antriebsmodul des [Fahrzeugs] besteht aus einem doppelt gespeisten

Langstatorlinearmotor. Der eigentliche Antrieb wird bei diesem Konzept nicht mehr im

Fahrzeug mitgeführt. Die im Stator liegenden Drehstromwicklungen bilden ein magnetisches

Feld, welches sich entlang der Schiene fortbewegt und so das Fahrzeug mit sich führt. Die

magnetischen Kraftwirkungen zwischen Stator- und Läufermagnetfeld sind für das

Beschleunigen und Bremsen des Fahrzeugs, ohne Nutzung des Rad-/Schiene-Kontaktes,

verantwortlich. Die Doppelspeisung ermöglicht die beliebige Ausrichtung des

Fahrzeugmagnetfeldes. Dadurch können mehrere [Fahrzeuge] auf dem gleichem

Statorabschnitt betrieben werden. Die Räder des Fahrzeugs werden nur noch zum Führen und

Lenken genutzt, wodurch der Radverschleiß zusätzlich reduziert wird. Der Sekundärteil des

Motors (Läufer) befindet sich am Fahrzeug. Hierdurch werden die ungefederten Massen im

Fahrzeug verringert, da auf ein Getriebe gänzlich verzichtet wird. Zudem kann der Motor an

die Landschaftstopologie angepasst werden, also z.B. an Streckensteigungen stärker

dimensioniert werden“ [NBP02], [NBP03-ol].

Das Spurführungsmodul

„Das Spurführungsmodul ist für die sichere und verschleißarme Führung des Fahrzeugs im

Gleis verantwortlich und bildet die Basis des mechatronischen [Fahrzeug-] Fahrwerks. Um

einen hohen Fahrkomfort zu gewährleisten, wurde konsequent darauf geachtet, eine optimale

Entkopplung zwischen dem Aufbau und dem Fahrwerk zu erreichen. So kann beispielsweise

durch den Einsatz von Losradsätzen auf Schlingerdämpfer verzichtet werden. Diese sind bei

Radsatzfahrwerken als sicherheitsrelevantes Bauteil unverzichtbar, stellen aber eine

unerwünschte Schallbrücke dar“ [NBP02].

„Da die Fahrzeuge nicht über die Räder angetrieben werden, kann mit dem Losradprinzip

auch der Längsschlupf zwischen Rad und Schiene ausgeschaltet werden. Der Verschleiß an

beiden Elementen wird somit deutlich reduziert. Zusätzlich wird der verschleißintensive

Spurkranzanlauf der Räder durch die aktive Lenkung der Losradachsen verhindert und mit

28 Probleme der erfahrungsbasierten Selbstoptimierung

einem künstlichen Sinuslauf für eine gleichmäßige Beanspruchung des Radprofils gesorgt. Da

der Schienenverlauf bekannt ist, ergibt sich für die Fahrzeuge außerdem die Möglichkeit, die

Lenkung vorzusteuern und damit eine optimale Spurführung zu gewährleisten“ [NBP02].

Das Feder- und Neigemodul

„Ein guter Fahrkomfort im Wagenkasten erfordert möglichst schwache Dämpfer in der

Sekundärfederung. In dem vorgestellten Modulkonzept entfallen daher alle Dämpfer der

Sekundärfederung. Das Feder- und Neigemodul kombiniert eine niederfrequent abgestimmte

passive Aufhängung des Wagenkastens mittels einer Luftfeder (Sekundärfederung) mit einer

aktiven Fußpunktverstellung, so dass der Wagenkasten aktiv gedämpft und geneigt werden

kann. Die für die Regelung der Fußpunktverstellung benötigten Informationen werden von

geeigneten Sensoren bereitgestellt und mittels einer Mehrgrößenregelung verarbeitet. Durch

diese aktive Federungstechnik wird eine weitgehend dynamische Entkopplung des

Wagenkastens vor allem im oberen Frequenzbereich erreicht, d.h. die von den Unebenheiten

in der Schiene (quer und vertikal) eingeleiteten Störungen werden so gut wie nicht mehr auf

den Wagenkasten übertragen. Das Ergebnis ist ein bisher unerreichter Fahrkomfort in

vertikaler und horizontaler Richtung“ [NBP02].

Aus den Beschreibungen lassen sich sowohl die möglichen Verhaltensweisen als auch die

Zielgrößen für ein MFM herausfiltern. Die Zielgrößen lauten z.B. Fahrsicherheit und

Fahrkomfort und können von allen Modulen gleichermaßen beeinflusst werden. Die

Verhaltensweisen sind jedoch modulspezifisch und lauten:

Antriebs- und Bremsmodul → Fahrzeug bremsen, Fahrzeug beschleunigen

Spurführungsmodul → Fahrwerk lenken, Fahrwerk spurführen

Feder- und Neigemodul → Aufbau federn, Aufbau dämpfen und Aufbau

neigen

Diese Arbeit beschränkt sich auf die Darstellung der Verhaltensweisen und Ziele des Feder-

und Neigemoduls und untersucht deren mögliche erfahrungsbasierte Selbstoptimierung.

2.2.3.1.2 Verhaltensweisen der AMS-Ebene

Der Fahrgast knüpft an seine Fahrt bestimmte Bedingungen (Constraints des Kunden Cc).

Diese Bedingungen erlegen dem Fahrzeug Beschränkungen in seinen

Verhaltensmöglichkeiten auf, wie z.B. nur eine bestimmte Strecke zu verwenden. Sind die

Bedingungen des Fahrgastes für das Fahrzeug nicht zu erfüllen, kann ein Auftrag auch

abgelehnt werden oder es wird erst gar kein Angebot abgegeben.

{

}

cccccczsc LtypmdtvvC ,,,,,,,

≡

vs ist der Startbahnhof, vz der Zielbahnhof, tc der gewünschte Startzeitpunkt,

c ein Faktor zur

Festlegung für eine entweder möglichst billige oder möglichst schnelle Verbindung, dc ist die

Probleme der erfahrungsbasierten Selbstoptimierung 29

maximale Reisezeit, mc sind die maximalen Kosten, typc ist der gewünschte

Schienenfahrzeugtyp und Lc sind die lokalen Bedingungen der Streckenabschnitte (z.B. keine

Tunnels, nur Panoramastrecken).

Die durch den Fahrgast definierten Constraints lassen sich in zwei Gruppen einteilen. Lokale

Constraints (hier Lc) interagieren disjunkt mit dem Streckennetz, d.h. ein lokaler Constraint

stellt eine bestimmte Anforderung an jeden Streckenabschnitt. Ein Beispiel für solch ein

Constraint ist der Wunsch des Fahrgastes, auf Hochgeschwindigkeitsstrecken von Bahnhof A

zu Bahnhof B gebracht zu werden. Durch solch ein Constraint verlieren alle „normalen“

Trassen ihre Gültigkeit und dürfen vom Fahrzeug nicht benutzt werden. Globale Constraints

(hier dc und mc) interagieren dagegen mit dem bisher gefahrenen Weg. Ein Beispiel ist die

Zeit. Möchte der Fahrgast in einer Stunde von Bahnhof A nach Bahnhof B gebracht werden,

sind nur noch Wege zwischen A und B erlaubt, die in der Summe der Streckenabschnitte

nicht länger als eine Stunde dauern.

Das Fahrzeug muss die Constraints des Fahrgastes so verarbeiten, dass es im Sinne seiner

Wünsche die optimale Route findet, d.h. optimal im Hinblick auf die globalen Constraints.

Sind die Möglichkeiten des Fahrzeugs und die Wünsche des Fahrgastes nicht in Einklang zu

bringen, kommt es zu keiner Angebotsabgabe. Stellt das Fahrzeug während des

Transportauftrages fest, dass die Constraints mit dem derzeitigen Streckenplan nicht mehr

einzuhalten sind, kann es z.B. eine neue Route wählen oder auch die Geschwindigkeit

erhöhen. Werden die Constraints des Fahrgastes verletzt, kommt es zu

Kompensationszahlungen.

Aus den Beschreibungen lassen sich sowohl die möglichen Verhaltensweisen als auch die

Zielgrößen für ein Fahrzeug herausfiltern. Zielgrößen sind z.B. ein gewinnorientiertes,

auslastungsorientiertes, schnelles oder komfortables Fahren. Als entsprechende

Verhaltensweisen hierzu gelten z.B. eine Verbindung planen, den Streckenabschnitt wechseln,

ein Fahrzeug überholen, das Fahrzeug beschleunigen, einen Auftrag annehmen und einen

Auftrag ablehnen.

Diese Arbeit untersucht das Ziel des gewinnorientierten Fahrens in Verbindung mit den

Verhaltensweisen Auftrag annehmen, Auftrag ablehnen und Verbindung planen. Sie geht

demnach näher auf die planerischen Verhaltensweisen und die Selbstoptimierung dieser durch

die Verarbeitung der Erfahrungen ein.

2.2.3.2 Methodische Ansätze zur Auswahl geeigneter Verhaltensweisen

Der Bereich der wissensbasierten Systeme bietet vier verschiedene Lösungstechniken zur

Auswahl geeigneter Verhaltensweisen im symbolischen Bereich an [Kös00], [BK03]:

30 Probleme der erfahrungsbasierten Selbstoptimierung

• Regelbasiertes Schließen: Sie ist eine der am häufigsten eingesetzten Technik im

Bereich der wissensbasierten Systeme, die Schlussfolgerungsmechanismen in Form

von Wenn X Dann Y Regeln verwendet.

• Fallbasiertes Schließen: Das aktuell zu lösende Problem weist Ähnlichkeiten zu

früher bereits gelösten Problemen auf, die in einer Fallbasis abgespeichert sind. Ist

eine geeignete Lösung gefunden, kann sie an die aktuelle Situation adaptiert werden.

• Constraint Techniken: Dieser Ansatz arbeitet mit der Aufstellung von

Einschränkungen (Constraints) des Wertebereichs für Objekte. Constraints können

explizit oder in Form von Prädikaten, Funktionen oder Formeln angegeben werden.

• Klassische und nicht-klassische Logik: Diese Ansätze umfassen einerseits alle

Aussagen- oder Prädikatenlogiken, andererseits aber auch darüber hinausgehende oder

von ihr abweichende Folgerungsmechanismen. Diese dienen häufig zur

Berücksichtigung von unvollständigen oder unscharfen Informationen (z.B. Fuzzy

Logic [JM96]).

Bei Regelbasierten Systemen wird der „Wenn-Teil“ als Prämisse oder Antezedenz der Regel

bezeichnet, während der „Dann-Teil“ Konklusion oder Konsequenz genannt wird [LC01]. Ist

die Prämisse erfüllt, so wird davon gesprochen, dass die Regel feuert. Feuert eine Regel, dann

wird die Konklusion ausgeführt. Die Konklusion beinhaltet hierbei das zugeordnete

Verhalten, das durch eine Umweltsituation (Prämisse) ausgelöst wurde.

Regeln werden gerne in Produktionssystemen zur Steuerung eingesetzt weshalb Regeln oft als

Produktionsregeln bezeichnet werden, wobei die Konsequenz einer Regel oft mit einem

Verhalten verbunden ist [BK03]:

Wenn Druck > 50 bar Dann Ventil öffnen

Werden mehrere Prämissen (Umweltsituationen) zum Feuern einer Regel benötigt, so wird

von einer Vorwärtsverkettung oder einer datengetriebenen Inferenz gesprochen [LC01]. Die

Umweltsituationen werden hierbei in konjunktiver Form (∧) dargestellt.

Wenn Druck > 50 bar

∧

Temperatur > 100°C Dann Ventil öffnen

Werden weitere Regeln hinzugefügt, baut sich eine Regelbasis auf. Dieser Prozess kann

jedoch nur bedingt durch Techniken des maschinellen Lernens automatisiert werden. Je

anspruchsvoller und komplexer die Konzeption eines Fahrzeugs ist, umso mehr ist seine

Leistungsfähigkeit auf eine Regelgenerierung „von Hand“ angewiesen. Dies ist arbeits- und

zeitintensiv und setzt einen wohlverstandenen und formalisierbaren Problembereich voraus.

Aus diesem Grunde greifen Experten mehr und mehr auf Erfahrungswissen, abgespeichert in

Fällen, zurück [BK03]. Genau diesen Ansatz verfolgt das fallbasierte Schließen [Ber02], eine

Methode, die auf der grundsätzlichen Annahme über die Umwelt beruht, dass ähnliche

Probleme ähnliche Lösungen (Verhaltensweisen) besitzen. Eine Umweltsituation, die bereits

in der Vergangenheit durch ein Verhalten erfolgreich gelöst wurde, kann im aktuellen Fall

Probleme der erfahrungsbasierten Selbstoptimierung 31

wiederum durch dasselbe Verhalten (eventuell adaptiert) gelöst werden. Diese Methode hat

den Vorteil, dass, auch wenn die Regeln, nach denen bestimmte Dinge funktionieren, nicht

genau bekannt sind, doch auf gewisse Regelmäßigkeiten der Welt zurückgegriffen werden

kann.

Um den Bereich möglicher Lösungen einzuschränken, wird auf Constraint-Techniken

zurückgegriffen. Constraints definieren eine ungerichtete Relation zwischen Variablen.

Constraint-Probleme lassen sich als Graph darstellen, indem Variablen durch Knoten und

Constraints als Kanten zwischen den entsprechenden Knoten repräsentiert werden (siehe

Abbildung 15). Constraints können in Form von Tabellen (nur die Werte einer Tabelle sind

möglich), Funktionen bzw. Formeln (z.B. Normalgewicht = Körpergröße – 100), Prädikaten

(Untergewicht :- Gewicht/Normalgewicht < 0,8), expliziten Darstellungen von Relationen

(z.B. B = {(schwarz, weiß), (blau, schwarz)}) und aussagelogischen Formeln (α ∧ β ∨ ¬γ →

τ) abgebildet werden [Ste03-ol], [RN03].

Definition 2-36: Constraint Satisfaction Problem Ein Constraint-Satisfaction-Problem

wird durch ein Tripel CSP (V, D, C) beschrieben, wobei V = {v1, v2,...,vn} eine endliche

Menge von Umweltvariablen mit assoziiertem (diskretem oder kontinuierlichem)

Wertebereich einer Domäne D = {D1, D2,...,Dn} ist, für die gilt {v1:D1, v2:D2,..., vn:Dn}. C ist

eine endliche Menge von Constraints, wobei jedes Constraint ci(Vi) eine Teilmenge Vi = {vi1,

vi2,..., vin} ⊆ V der Variablen zueinander in Relation setzt und deren gültige

Wertekombination auf eine Teilmenge von {Di1xDi2x...xDin} beschränkt.

Das Ziel eines CSP besteht in einer eindeutigen Belegung der Variablen mit genau einem

Wert aus dem jeweiligen Wertebereich, so dass alle Constraints erfüllt sind. Der Lösungsraum

eines CSP wird durch alle möglichen unterschiedlichen Lösungen aufgespannt. Ein Beispiel

soll dies verdeutlichen. Hierzu wird die häufig verwendete Form des Constraint-Graphen

[RN03] verwendet:

Die Umweltsituation besteht aus der Menge aller Arbeitsplätze Ai einer Firma X. Die Firma

beschäftigt drei verschiedene Nationalitäten N = {Deutsch, Spanisch, Amerikanisch}. Das

Constraint besteht darin, dass keine Nationalität neben einer gleichen sitzen darf (A1≠A2,

A1≠A3 etc.), um einen möglichst hohen Integrationsprozess zu erreichen. Das Verhalten

bestehen darin, die Arbeitsplätze mit den entsprechenden Nationalitäten zu besetzen.

A1 A2

A3 A4

Abbildung 15: Constraint-Graph

32 Probleme der erfahrungsbasierten Selbstoptimierung

Eine mögliche Lösung wäre: A1 = {Deutsch}, A2 = {Spanisch}, A3 = {Spanisch}, A4 =

{Deutsch}, A5 = {Amerikanisch}.

CSP-Verfahren werden vor allem beim Planen (Fabrikplanung, Auftragsplanung etc.),

Scheduling (Fahrpläne, Arbeitspläne etc.) und Optimieren (Optimale Konfiguration eines

Computers etc.) eingesetzt [RN03], [Ste03-ol].

Die Logik beschäftigt sich mit der Formalisierung von Situationsbeschreibungen und

folgerichtigen Schlüssen. Formal ist eine Logik eine Menge von Regeln, die definiert ist

durch [RN03]:

• Eine Menge von Symbolen

• Eine Menge von Termen bzw. Formeln, entwickelt aus den Symbolen

• Eine Menge von Axiomen (Grundregeln) und

• Eine Menge von Inferenzregeln, um weitere Formeln aus bestehenden Formeln

ableiten zu können.

Wirklichkeit Logik

Situation

Maßnahme

Neue Situation

Formeln

Folgern

Neue Formel

Abbildung 16: Logik [Sie92]

In der klassischen Logik werden Annahmen zugrunde gelegt, die plausibel und

unproblematisch sind für Schlussfolgerungen. Klassische Logiken machen hierbei zwei

grundlegende Annahmen [Bus99]:

• Zweiwertigkeit: Es wird davon ausgegangen, dass jede Behauptung entweder wahr

oder falsch ist.

• Extensionalität: Sie besagt, dass eine mit „und“ verknüpfte Aussage genau dann und

nur dann wahr ist, wenn beide Teilaussagen wahr sind [Sch03].

Nicht-klassische Logiken lockern mindestens eine dieser beiden Grundannahmen auf.

Typische Vertreter sind alle Formen von nicht-monotonen Logiken. Nicht-monotone Logiken

entstanden aufgrund von drei wichtigen Annahmen [BK03]:

• Ereignisse sind nicht immer vollständig vorhersehbar (also nicht immer deduktiv).

Probleme der erfahrungsbasierten Selbstoptimierung 33

• Aussagen sind nicht immer eindeutig (z.B. die Aussage: Ein Hund ist groß. Für eine

Maus trifft dies zu, für einen Elefanten jedoch nicht. Siehe hierzu auch Fuzzy Logic

[BE05])

• Aussagen unterliegen temporären Veränderungen. So kann die Aussage, dass Dirk mit

Sabine verheiratet ist, morgen schon nicht mehr stimmen.

Die Zielsetzung nicht-monotoner Logiken besteht darin, revidierbares Schließen zu

ermöglichen. Sie erlauben es, Schlussfolgerungen, die sich als falsch oder unpassend erwiesen

haben, zurückzunehmen und stattdessen alternative Schlussfolgerungen abzuleiten.

Entsprechendes gilt für die Verhaltensweisen. Diejenigen, die sich als nicht optimal

herausgestellt haben, müssen verändert werden können, auch wenn sie sich in den letzten

Jahren als richtig und optimal erwiesen haben.

2.2.3.3 Auswahl geeigneter Lernverfahren zur Verbesserung der

Verhaltensweisen

Um die erfahrungsbasierte Selbstoptimierung eines Fahrzeugs zu erreichen, muss es die

Fähigkeit des Lernens besitzen. Dabei ist zunächst zu klären, welche Art von Erfahrungen in

welcher Form zur Verfügung steht und welche Erfahrungen überhaupt für einen Lernprozess

benötigt werden [Mit97]. Die Literatur spricht in diesem Fall von Trainingsdaten [WE00].

Trainingsdaten (Erfahrungsdaten) sind entscheidend für die spätere Struktur eines

Lernsystems. Mit ihnen können erste Entscheidungsbäume, Regeln, Algorithmen, Neuronale

Netze oder Instanzbeziehungen aufgebaut werden (siehe hierzu auch [WE00]). Liegen die

entsprechenden Erfahrungen vor, ist die Zielfunktion die nächste entscheidende

Einflussgröße. Da sich nicht jedes Verhalten zum Lernen eignet, muss die Zielfunktion

bestimmen, was gelernt werden bzw. welches Verhalten verbessert werden soll und wie das

gelernte Verhalten bewertet werden kann. Das Ziel einer erfahrungsbasierten

Selbstoptimierung sollte es stets sein, aus der Vielzahl von Möglichkeiten die beste Lösung zu

finden. In unserer Domäne könnte dies der kürzeste oder der schnellste Weg oder die

komfortabelste oder vielleicht sogar die landschaftlich reizvollste Strecke sein, soweit der

Benutzer dieses Ziel so formuliert.

Im Bereich des Maschinellen Lernens existieren eine Vielzahl von Lernverfahren, um einem

Fahrzeug selbstoptimierende Eigenschaften zu geben (Entscheidungsbäume, künstliche

Neuronale Netze, Bayessche Netze, genetische Algorithmen, regelbasiertes Lernen,

instanzbasiertes Lernen, Reinforcement Learning [RN03] – um hier nur die bekanntesten zu

nennen). Obwohl sie alle prinzipiell das gleiche Ziel, die Optimierung des Verhaltens eines

Systems, verfolgen, unterscheiden sie sich doch wesentlich in ihren Vorgehensweisen und der

Verarbeitung von Daten. Sehr gut ist dies in den Beispielen von Mitchell [Mit97] zu sehen, in

denen mehrere unterschiedliche Einsatzgebiete des Lernens beschrieben werden, die eine

völlig andere Herangehensweise verlangen. Im ersten Beispiel geht Mitchell auf die

Lernverfahren zur Spracherkennung ein. Mit Hilfe von Neuronalen Netzen und versteckten

Markov-Modellen können Reden analysiert und für den individuellen Vortragenden optimiert

34 Probleme der erfahrungsbasierten Selbstoptimierung

werden. Ziel dabei ist es, die Reden von Einzelpersonen automatisch durch die richtige Wahl

der Syntax sowie der Semantik zu verbessern [Lee89]. Im zweiten Beispiel wird eine

Lernmethode für eine autonome Fahrzeugsteuerung beschrieben. Im ALVINN (Autonomous

Land Vehicle In a Neuronal Network) -System [Pom89] ist es möglich, Fahrzeuge ohne

Fahrzeugführer auf öffentlichen Straßen fahren zu lassen, ohne dass es zu Unfällen kommt.

Die Aktionen sind Lenken, Beschleunigen und Bremsen. Als Sensoren wurden eine Farb-

Stereo-Videokamera, Laser und Radar verwendet. Das Bild der Kamera wurde in einen

Pixelarray transferiert und an einem 30x32-Gitter von Eingabeeinheiten umgesetzt. Die

Ausgabeschicht hat 30 Einheiten, von denen jede einer Steueraktion entspricht. Es wird

diejenige Aktion ausgeführt, deren zugehörige Einheit den höchsten Aktivierungswert hat.

ALVINN fuhr mit 70 mph über eine Entfernung von 90 Meilen auf öffentlichen Landstraßen

in der Nähe von Pittsburgh. Leider konnte das Fahrzeug jedoch nur auf den Straßen fahren,

für die es trainiert worden war. Zudem zeigte es sich nicht robust gegenüber wechselnden

Lichtverhältnissen und unbekannten Fahrzeugen. Mit Hilfe von Entscheidungsbäumen konnte

die NASA im dritten Beispiel Himmelskörper klassifizieren [FSW+95]. Aus einer großen

Datenbank wurden die Bilder von neuen Himmelskörpern mit denen bereits bekannter

verglichen. Dadurch konnten die neuen Himmelskörper schneller und eindeutiger bestimmt

werden.

Die Beispiele zeigen, dass nicht jedes Verfahren für alle Anwendungen gleich gut geeignet

ist. So sind für kontinuierliche und diskrete Ein- und Ausgabewerte im sub-symbolischen

Bereich eher Neuronale und Bayessche Netze, für rein diskrete Werte im symbolischen

Bereich eher Entscheidungsbäume, regelbasiertes Lernen oder das instanzbasierte Lernen zu

verwenden [Dil03-ol]. Teilweise greifen Forscher auch auf hybride Verfahren (z.B. Neuro-

Fuzzy-Systeme [SSK+04]) zurück, um je nach Lernstufe mehrere lernende Verfahren in einer

Anwendung einzusetzen.

2.2.3.4 Exploration versus Exploitation

Zur erfahrungsbasierten Selbstoptimierung gehört das selbst-initiierte Ausprobieren neuer

Verhaltensweisen. Hierbei kann das Ausprobieren auf explorativen oder exploitativen

Ansätzen beruhen. Explorative Ansätze sind zu wählen, wenn das Fahrzeug kein Wissen oder

nur Schätzungen über den realen Zustand und das notwendige Verhalten in einer Umgebung

hat. Oft ist hierfür nur ein zufälliges Ausprobieren eines neuen Verhaltens geeignet, um

mögliche, bessere Zustände zu finden. Exploitative Ansätze sind zu wählen, wenn das

Fahrzeug bereits Erfahrungen sowohl über den realen Zustand als auch über die notwendigen

Verhaltensweisen besitzt. Hierbei geht es lediglich darum, eine richtige Auswahl des nach

bisherigen Erfahrungen optimalen Verhaltens zu treffen. In der Literatur wird in diesem

Zusammenhang von dem Exploration-Exploitation-Dilemma gesprochen [Sch03a-ol] [Ban01-

ol] [HSH03]. Es ergibt sich aus dem Konflikt, vor jedem Verhalten entscheiden zu müssen,

ob ein gemäß der gesammelten Erfahrungen optimaler Schritt (exploitation) oder ein Schritt,

der das Fahrzeug in unbekannte Systemzustände bringt (exploration), um somit neue

Erfahrungen zu sammeln, durchzuführen ist. Allgemein wird dieses Problem im Bereich des

Probleme der erfahrungsbasierten Selbstoptimierung 35

Reinforcement Learnings [SB98] [Mit97] [GRS03] betrachtet. Reinforcement Learning ist

eine Methode aus dem Bereich der Künstlichen Intelligenz, in dem ein Fahrzeug nicht gesagt

bekommt, welches Verhalten es auszuführen hat. Somit muss es selbständig und ohne Hilfe

anderer durch einen Trial-and-Error-Ansatz seine Umwelt erforschen. Verhaltensweisen, die

sich als erfolgreich erwiesen haben, werden verstärkt. Dadurch werden die in einer Situation

möglichen Verhaltensweisen in eine Rangfolge des höchsten Nutzens gebracht und diese in

Zukunft bevorzugt ausgewählt. Der Ansatz des Reinforcement Learning bezieht sich jedoch

auf Problembereiche mit ausschließlich sub-symbolischen Daten und kann daher in dieser

Arbeit nicht verwendet werden.

In unserem Szenario findet eine Exploration bzw. Exploitation dadurch statt, dass in einer

unbekannten Situation neue Zustände über Heuristiken abgeschätzt werden oder auf die

Erfahrungen anderer Fahrzeuge zugegriffen wird. Kennt ein Fahrzeug z.B. nicht den besten

Weg von A nach B oder ist es sich mit seiner Systemeinstellung vor einer Kurve nicht sicher,

befragt es andere Fahrzeuge, die dieses Problem bereits gelöst haben. So können neue

Erfahrungen viel schneller und sicherer akquiriert und verbreitet werden als durch einen

„einfachen“ Reinforcement Ansatz. Problematisch wird die Situation jedoch dann, wenn kein

Fahrzeug eine Antwort auf ein spezielles Problem kennt. Dann bleibt dem Fahrzeug nichts

anderes übrig, als sich eigenständig an das Problem heranzutasten, indem es das möglichst

beste Verhalten schätzt oder „blind“ exploriert.

Definition 2-37: Heuristik Heuristische Verfahren sind Lösungsverfahren, die nicht auf

gesicherten Erkenntnissen beruhen, sondern auf Hypothesen, Analogien oder Erfahrungen

aufbauen.

2.3 Anforderung

Die in Kapitel 2.1 und 2.2 herausgearbeiteten Problembereiche bei der erfahrungsbasierten

Selbstoptimierung von technisch homogenen fahrerlosen Fahrzeugen mit unterschiedlichen

Wissensbasen in einer sich dynamisch ändernden Umgebung zur Erzeugung best-möglicher

Verhaltensweisen werden mit den unten aufgeführten Anforderungen konkretisiert.

2.3.1 Anforderungen an die Beschreibung des Domänenwissens

Die entwickelte Basisontologie muss in der Lage sein, das Wissen über die Domäne

möglichst vollständig und real abzubilden, um einen eindeutigen Kommunikationsprozess

gewährleisten zu können. Allen Repräsentationsformaten (siehe Tabelle 5) liegen hierbei

gleiche Anforderungen zugrunde. Dies sind die Verständlichkeit (Inhalt der Wissensbasis

muss für Knowledge Engineer und Benutzer leicht verständlich darstellbar sein), die

Ausdrucksstärke (Umfang und Formalisierbarkeit der Umwelt müssen vollständig sein), die

Modularität (Wissensbasis ist leicht veränderbar, modular aufgebaut, Teile sollen leicht

hinzugefügt oder geändert werden können), die Validierbarkeit (Möglichkeit, aus

bestehendem Wissen auf neues Wissen zu schließen) und die Flexibilität (dasselbe Modell

36 Probleme der erfahrungsbasierten Selbstoptimierung

soll für Wissen unterschiedlicher Bereiche einsetzbar sein). Hars [Har94] hat alle fünf

Anforderungen bewertet und über den Mittelwert die durchschnittlich geeignetste

Repräsentationsform ermittelt, wobei als Einschätzungsgrade gering (1), mittel (2) und hoch

(3) vergeben wurden (siehe Tabelle 5).

Kriterien Logikbasierte

Ansätze

Semantische Netze Frames Regeln

Verständlichkeit gering hoch hoch gering

Ausdrucksstärke hoch gering mittel hoch

Modularität gering hoch hoch gering

Validierbarkeit mittel mittel mittel gering

Flexibilität gering mittel hoch gering

Mittelwert 1,6 2,2 2,6 1,4

Tabelle 5: Anforderungen an klassische Ansätze zur Wissensrepräsentation [Har94]

Wichtigste Anforderung zur Nutzung von Wissensbasen ist die Verständlichkeit.

Verständlichkeit bedeutet in diesem Zusammenhang vor allem, dass die wichtigen

Informationen einfach und schnell herauszufiltern sind. Dies wird allgemein dadurch erreicht,

dass ein Modell objektorientiert aufgebaut ist, d.h. dass alle ein Objekt betreffenden Aussagen

an einer Stelle des Modells (bei Frames) oder zumindest in seiner unmittelbaren Nähe (bei

semantischen Netzen) gefunden werden können. In der Regel werden deshalb auch

graphische Darstellungen bei komplexen Problemstellungen höher bewertet als nicht-

graphische, bei denen die Einordnung der einzelnen Objekte an unterschiedlichsten Stellen

vorgenommen werden kann.

Fast umgekehrt verhält es sich mit der Ausdrucksstärke. Im Rahmen der Ausdrucksstärke

kommt es darauf an, möglichst viele Umweltsituationen abbilden und formalisieren zu

können (z.B. die Tasse steht auf dem Tisch; der Tisch steht im Esszimmer). Eine hohe

Ausdrucksstärke besitzen regelbasierte und logikbasierte Formate, da sie Daten, Regeln und

Operatoren explizit darstellen können und eine eindeutige Präzision der Aussage darstellen

(z.B. wenn Farbe der Ampel Rot, dann bremse oder z.B. die Mutter meiner Frau ist meine

Schwiegermutter). Semantische Netze bieten den geringsten Umfang, da sie in der „reinen“

Form weder die Definition von Regeln noch von Operatoren erlauben (als hybride Systeme

könnten jedoch Regeln in ein semantisches Netz integriert werden). Frames bieten über

Constraints die Möglichkeit, Objekte eindeutig zu spezifizieren (z.B. ab 0° Celsius gefriert

Wasser) und besitzen Möglichkeiten zum Einbinden von Prozeduren.

Die Modularität einer Darstellung folgt der Objektorientierung. Da Frames und semantische

Netze in Objekten graphisch modelliert werden, ist eine Kapselung eines bestimmten

Bereiches bzw. eine Abtrennung eines Bereiches sehr gut möglich. In logikbasierten und

regelbasierten Ansätzen sind die Objekte über die gesamte Wissensbasis zerstreut.

Grundsätzlich muss bei dem Aufbau einer Wissensbasis auf die Konsistenz des Inhalts

geachtet werden. Dies ist umso schwieriger, je komplexer eine Umweltsituation zu

beschreiben ist. In regelbasierten Situationen kann es dazu kommen, dass spezifische Regeln

Probleme der erfahrungsbasierten Selbstoptimierung 37

allgemeinen Regeln widersprechen (allgemeine Regeln: wenn die Ampel Grün zeigt, dann

fahre ich los; spezifische Regel: wenn die Ampel Grün zeigt und von links nähert sich ein

Polizeiauto im Einsatz, dann halte ich an). Deshalb ist die Validierbarkeit dieser

Darstellungsform oft nur in recht einfach strukturierten Bereichen möglich. Gleiches gilt für

die logikbasierten Ansätze (allgemeine Regel: Vögel können fliegen; spezifische Regel: Ein

Pinguin ist ein Vogel – er kann aber nicht fliegen). Bei den Frames können solche

Ausnahmen gut über die Constraints dargestellt werden. Somit ist die Konsistenz der

Wissensbasis besser zu erhalten als in logik- oder regelbasierten Systemen.

Das letzte wichtige Anforderungskriterium ist die Flexibilität, mit der die Formate selbständig

der dynamischen Umweltsituation angepasst werden können. Logik- und regelbasierte

Systeme sind hierbei starr. Eine automatische Anpassung der Regeln ist nicht möglich. Hierzu

bedarf es stets des Eingreifens eines Experten, der bei Regeländerungen jedoch darauf achten

muss, nicht andere, noch bestehende Regeln zu verletzen. Aufgrund der Objektorientierung

der framebasierten und semantischen Ansätze ist eine flexible Anpassung einfacher. Es

müssen lediglich die Relationen eines Objektes sowie das Objekt selbst verändert werden, um

die Wissensbasis an die sich verändernden Verhältnisse anzupassen.

Eine Anforderung, die alle Ansätze gleichermaßen betrifft und deshalb nicht in die Analyse

mit aufgenommen wurde, ist die Vollständigkeit. Wird die Umwelt nicht umfassend erfasst,

kann das Fahrzeug auch nicht wie gewünscht funktionieren.

2.3.2 Anforderungen an die Auflösung von Verständigungsproblemen

Der effektive Nutzen von Erfahrungen ist fundamental für die erfahrungsbasierte

Selbstoptimierung eines Fahrzeugs. Dabei stellt sich jedoch zum einen das Problem der

Nutzung von Erfahrungen, die von anderen Fahrzeugen generiert werden, und zum anderen

das Problem der Heterogenität ihrer Wissensbasen. Die Integration der „fremden“

Erfahrungen in die eigene Wissensbasis wirft deshalb einige Probleme für die Fahrzeuge auf.

Die Überwindung dieses Problems macht eine Übersetzung der Erfahrungen zwischen den

verschiedenen Wissensbasen der beteiligten Fahrzeuge nötig. Diese Übersetzung ist aus zwei

Gründen wichtig: Erstens existieren bereits Erfahrungen in unterschiedlichster Form und

unterschiedlichsten Quellen, die nicht verloren gehen sollen, und zweitens wäre es

wahrscheinlich zu teuer, die gesamten Erfahrungen eines Transportsystems in einer

Wissensbasis vorzuhalten. Dementsprechend ist es notwendig, geeignete Lösungen zu

entwickeln, die sich die bereits existierenden Erfahrungen zu Nutze machen können.

Die entwickelte Lösung sollte hierzu folgende Anforderungen erfüllen [Bac96]:

1. Der Ansatz sollte möglichst allgemein (generisch) gehalten werden. Zum einen sollten

die Verfahren nicht bloß für zwei spezifische Wissensbasen anwendbar sein, und zum

anderen sollten bereits entwickelte Sprachen und Techniken verwendet werden, auf

denen die Ansätze aufbauen können.

38 Probleme der erfahrungsbasierten Selbstoptimierung

2. Die entwickelte Lösung sollte problemlos erweiterbar sein und zwar in dem Sinne,

dass die Integration von neuen Ansätzen in die bestehende Lösung möglich ist, ohne

eine komplettes Redesign oder eine Rekonstruktion zu fordern.

3. Die entwickelte Lösung sollte den gängigen Standards genügen, da bereits seit einigen

Jahren Vorarbeiten auf dem Gebiet der Übertragung von heterogenen Informationen

geleistet wurden.

2.3.3 Anforderungen an die Methodik zur Auswahl geeigneter

Verhaltensweisen

Die Methodik, Probleme zu lösen, indem aufgrund von bestimmten Umweltsituationen auf

konkrete Verhaltensweisen geschlossen wird, ist dem Menschen schon seit Jahrtausenden

vertraut [RS89]. Die Herausforderung besteht darin, diese Methodik mittels automatischer

Problemlösungsprozesse einem Fahrzeug zu vermitteln. Hierzu müssen grundlegende

Anforderungen gestellt werden [GRS03]:

• Um ein Problem (Umweltsituation) zu verstehen, muss auf Erfahrungen

zurückgegriffen werden können, die bei Bedarf angepasst werden können.

• Die Erfahrungen müssen so abgelegt (indexiert) werden, dass sie schnell wieder

hervorgerufen werden können.

• Das Wissen (die Wissensbasis) muss so dynamisch gestaltet sein, dass auch neue (bis

dato unbekannte) Problemsituationen gelöst werden können.

Die Methodik versucht dabei nicht korrekte Lösungen zu garantieren, sondern es wird auf die

Exaktheit der Lösung zugunsten einer approximativen Lösung verzichtet. Um hierbei nicht

mit einer zufälligen Auswahl von approximativen Lösungen konfrontiert zu werden, wird der

Begriff der experimentellen Zustandsdarstellung verwendet, der sich sowohl auf die

Umweltsituation als auch auf die Lösung dieser Situation beziehen kann. Es wird davon

ausgegangen, dass ähnliche Umweltsituationen ähnliche Verhaltensweisen hervorrufen, ohne

den Anspruch zu erheben, eine optimale Lösung zu finden. Ein derartiger Verzicht auf

Optimalität spiegelt sich darin wider, dass in dieser Methodik nicht, wie bei der klassischen

Logik, der Wahrheitsbegriff, sondern der Nützlichkeitsbegriff im Vordergrund steht.

Lösungen sind nicht wahr oder falsch, optimal oder suboptimal, sondern mehr oder weniger

nützlich. Hierbei versucht das Fahrzeug sich durch die steigende Anzahl an Erfahrungen

einem „Quasi“-Optimum anzunähern. Dieses Optimum könnte rein theoretisch auch

mathematisch a-priori ohne große Erfahrungen bestimmt werden. In statischen, wenig

komplexen und klar definierten Umgebungen ist dies sicherlich sinnvoll. In komplexen und

dynamischen Umgebungen mit zweistelligen Dimensionen stoßen diese Methoden jedoch

schnell an ihre Grenzen.

Durch folgende Anforderungen ist deshalb der spezielle Bereich der experimentellen

Zustandsdarstellung abgesteckt [GRS03]:

Probleme der erfahrungsbasierten Selbstoptimierung 39

• Es müssen ausreichend viele Erfahrungen vorliegen.

• Es muss einfacher und schneller gehen, den Fall mit einer Erfahrung zu lösen, als ihn

direkt mit mathematischen Formeln und Funktionen zu berechnen.

• Besonders im Umfeld mit lebenden Objekten darf die Verwendung eines Verhaltens

sicherheitskritischen Anforderungen nicht widersprechen.

• Die zur Verfügung gestellten Erfahrungen sind unvollständig, unsicher und dynamisch

und können deshalb nicht einfach mit einem mathematischen Modell interpretiert

werden.

Zur Validierung der Konzeption ist es erforderlich, eine Simulationsumgebung zu erstellen

(für AMS) bzw. eine Testumgebung aufzubauen (für MFM), die die entwickelten Ansätze

empirisch unterstützt.

40 Probleme der erfahrungsbasierten Selbstoptimierung

Stand der Technik 41

3 Stand der Technik

3.1 Ansätze zur Wissensrepräsentation einer Domäne

Im Bereich der Wissensrepräsentation existiert eine Vielzahl von Modellen und Methoden,

mit denen Wissen dargestellt werden kann. Besonders im Bereich der Ontologien sind eine

Reihe von Methoden [UG96], [GW00], Repräsentationssprachen [KLW95], [DFH+00] und

Modellierungswerkzeuge [FFR97], [GEF+99], [KMS+03] entwickelt worden. Nicht immer

ist jedoch der Einsatz von Ontologien notwendig. Dieser hängt ab vom speziellen

Anwendungsgebiet, von der Komplexität der zu modellierenden Umwelt und vom Experten,

der das Wissen bereitstellt.

Die nachfolgenden Kapitel gehen kurz auf die verschiedenen Möglichkeiten der

Wissensrepräsentation ein, bevor dann in Kapitel 3.1.3 die aktuellen Ontologien im

technischen Bereich vorgestellt werden. Diese Ontologien basieren auf der Grundlage von

semantischen Netzen, Regelnetzwerken, Frames oder der Prädikatenlogik.

3.1.1 Deklarative Wissensrepräsentation

3.1.1.1 Objekt-Attribut-Wert-Tripel

Diese „einfachste“ Form der Darstellung von Wissen steht in Analogie zu den relationalen

Datenbanken und semantischen Netzen [Sch00-ol]. Dabei können Objekte entweder

physische Entitäten oder begriffliche Einheiten sein. Attribute sind allgemeine Charakteristika

oder Eigenschaften, die mit Objekten assoziiert werden. Größe, Form und Farbe sind typische

Attribute von physischen Objekten. Das dritte Element des Tripels ist der Wert eines

Attributs. Der Wert kennzeichnet die spezifische Beschaffenheit eines Attributs in einer

bestimmten Situation.

Objekt Attribut Wert

Apfel Farbe Rot

Apfel Herkunft Israel

Apfel Haltbarkeit gut

Trauben Farbe Blau

Trauben Herkunft Italien

Trauben Haltbarkeit mittel

Tabelle 6: Objekt-Attribut-Werte Tabelle

3.1.1.2 Ansätze im Bereich der semantischen Netze

Der Ansatz des semantischen Netzes (engl. Semantic Web) besteht darin, Wissen durch

Softwareprogramme verarbeiten zu können. Das semantische Netz besteht aus zwei

Primitiven: dem Knoten, der durch einen Begriff beschrieben wird, sowie den Kanten, die

einer zwei-stelligen Relation zwischen den Knoten entsprechen. Entscheidend hierbei ist,

dass, im Gegensatz zum framebasierten Ansatz, die Knoten selbst keine Informationen

42 Stand der Technik

enthalten. Alles Wissen über die Knoten wird durch die Verbindungen repräsentiert, die von

ihnen ausgehen. Ein Schwachpunkt hierbei besteht darin, dass n-stellige Verbindungen im

semantischen Netz nicht erlaubt sind. Sollen n-stellige Verbindungen dennoch hergestellt

werden, müssen diese über mehrere binäre Verbindungen dargestellt werden [Fer03].

Eine binäre Verbindung zwischen zwei Knoten kann unter anderem sein [Hel01]:

• Hierarchische Verbindung (auch „ist_ein“ Verbindung genannt): z.B. ist Shuttle ein

Unterbegiff zu Schienenfahrzeug, Schienenfahrzeug ein Unterbegriff zu Fahrzeug.

Manche semantischen Netze erlauben zudem multiple Vererbungen. So kann Fahrgast

als Unterbegriff sowohl von Transportgut als auch von Mensch modelliert werden.

• Instanzverbindung: z.B. ist Siemens S-X23 eine Instanz_von Siemens-S, da Siemens

S-X23 ein "Element der Menge der Objekte der Klasse Siemens-S" [Her01] ist.

Instanzen besitzen Eigenschaften, die sie eindeutig als konkretes Objekt

charakterisieren. So besitzt das Shuttle Siemens S-X23 eine Fabrikationsnummer

(hier: X23), ein spezifisches Gewicht, eine spezifische Farbe etc. Die Eigenschaften

werden durch Eigenschaftskanten (z.B. hat_Fabrikationsnummer) beschrieben

[Abd00-ol].

• Partitive Verbindung: z.B. ist das Fahrwerk ein Teil_von Shuttle.

• Beziehungsverbindung: z.B. „Lampe liefert Licht“ oder „Fahrzeug fährt auf Schiene“.

Ein typisches semantisches Netz, das Wissen über einen elektrischen Raumerhitzer darstellt,

findet sich in Abbildung 17. Basierend auf diesem Netz kann ein Softwareprogramm

erkennen, wozu z.B. eine Lampe benötigt wird.

Beispiel: Beziehungsverbindung

liefert kontrolliert

Verbindung

zum

führt zu

liegt in

liefert

Wärme-

schalter

Netz-

schalter

Strom-

leitung

Erdungs-

kabel

Strom-

kabel

Beleuch-

tung

Heiz-

drähte

Wärme

Lampe

FX-354

Beispiel:

Instanzverbindung

Instanz von

Schalter

ist_ein

Verbindung zur

Beispiel: Hierarchische Verbindung

Abbildung 17: Semantisches Netz eines elektrischen Raumerhitzers [GJ02-ol]

Stand der Technik 43

Ein weiteres Semantisches Netz, erweitert durch eine Regel, stellt ein Automobil mit

Relationen zum Motor und Fahrwerk dar (Abbildung 18).

Partitative

Verbindung

Kolben

FW 4x4-587

340 KW

SE 32-566

Instanz von

Wenn

Leistung (Motor) > Leistung (Fahrwerk)

dann wähle Fahrwerk, so dass gilt

Leistung (Motor) ≤Leistung (Fahrwerk)

steuert und regelt

Teil_von

ausgelegt für Leistung

Teil_vonTeil_von

Motor

Elek-

tronik

Auto-

mobil

Karosserie

Fahr-

werk

M-16

Instanzver-

bindung

Instanz von Instanz von

Teil_von

340 KW

Leistung

Abbildung 18: Semantische Darstellung eines Automobils [Ang03]

Obwohl als Bezeichner für Knoten sinntragende Begriffe verwendet werden, kann dieser Sinn

nur vom Menschen identifiziert werden. Für ein Computersystem selbst wird dadurch keine

Semantik definiert. Insofern ist der Ausdruck „Semantisches Netz“ eher irreführend. Die

Semantik der semantischen Netze ergibt sich z.B. durch die Übersetzung der Kanten und

Knoten in die Prädikatenlogik erster Stufe, die von einem Computer gelesen werden kann

(siehe Abbildung 19) oder durch eine Einbettung des semantischen Netzes in eine komplexe

ontologische Struktur.

ist_ein

Instanz_

von

Teil_von

(∀x)[SiemensS(x) →Shuttle(x)]

SiemensS(SiemensS-X23)

(∀x)[Motor(x) →(∃y)[Shuttle(y) & Teil_von(x,y)]]

Siemens

SShuttle

Siemens

Motor Shuttle

Semantisches Netz Prädiktenlogik

Siemens

S-X23

Abbildung 19: Übersetzung von Teilen eines semantischen Netzes in die Prädikatenlogik [Abd00-ol]

44 Stand der Technik

Eine weitere Anwendung im Bereich der semantischen Netze ist ein Wein-Agent, basierend

auf dem Inference Web Browser8 der Stanford University9. Dieser Agent generiert

automatisch nach Angaben eines präferrierten Gerichts Vorschläge für die Weinauswahl.

Weitere semantische Netz-Prototypen sind OntoWeb10, Agentcities11 oder FOAF

(FriendOfAFriend)12. Das FOAF-Projekt stellt einen Ansatz für die Implementierung eines

Vertrauensmodells dar. Über Homepages können Personen ihre persönlichen Informationen

wie E-Mail-Adressen und Kontakte zu anderen Personen in maschinenverständlicher Sprache

hinterlegen. Auf Basis dieser Informationen können E-Mails nach Vertrauenswürdigkeit

gefiltert oder Personen mit ähnlichen Interessen gefunden werden.

3.1.1.3 Prädikatenlogik

Die Prädikatenlogik oder Logik erster Ordnung ist ein Teilgebiet der Logik. Man kann sie als

Erweiterung der Aussagenlogik ansehen, die zusätzlich zur Verknüpfung von Aussagen

(„und“, „oder“) auch die Eigenschaften von Begriffen und deren Geltungsbereiche betrachtet,

wobei erstere durch Prädikatssymbole und Funktionssymbole, letztere durch Quantoren

beschrieben werden. Die Grundlagen für eine formale Sprache der Prädikatenlogik (erster

Ordnung) wurden von Ludwig Gottlob Frege 1879 in seiner „Begriffsschrift“ [Wie04-ol]

gelegt.

Meistens wird für die Rekonstruktion der Umwelt die Prädikatenlogik der ersten Stufe

verwendet (englisch: first-order predicate calculus oder first order logic, FOL) [Kel03], da sie

im Wesentlichen die geforderten Voraussetzungen für eine geeignete Notation erfüllt. Diese

Eigenschaften sind Kommunikativität, Ausdrucksfähigkeit und Operationalisierbarkeit.

Kommunikativität bedeutet, dass die Notation sowohl auf der syntaktischen als auch auf der

semantischen Ebene eindeutig ist, damit zum Beispiel verschiedene Personen oder Gruppen

über das Modell diskutieren können. Hinsichtlich der Ausdrucksfähigkeit muss die gewählte

„Sprache“ in der Lage sein, die in der Domäne beobachteten Phänomene eindeutig

darzustellen. Abschließend besteht mit der Forderung nach Operationalisierbarkeit die

Aufgabe darin, das entstehende Modell in ein lauffähiges System umwandeln zu können,

welches die vorgegebenen Aufgaben erfüllt [Mat97].

Die Prädikatenlogik der ersten Stufe ist ein sehr ausdrucksstarker Formalismus, was sowohl

als Vorteil als auch als Nachteil gesehen werden kann. Einerseits lassen sich Sachverhalte

eindeutig in dieser Sprache darstellen, andererseits ist ihre Ausdruckskraft zu mächtig, als

dass man effiziente Verfahren für ihre Verarbeitung angeben könnte [RN03]. So ist die Frage,

ob eine Aussage aus einer anderen logisch folgt, nicht unentscheidbar. Es lässt sich also ein

Deduktionssystem implementieren, das korrekt und vollständig ist und immer terminiert. Der

mögliche Einwand, man könnte das Wissen in geeigneter Form codieren und zusätzlich

8 http://belo.stanford.edu:8080/iwbrowser/index.jsp

10 http://ontoweb.aifb.uni-karlsruhe.de/

11 http://www.agentcities.org/

12 http://www.foaf-project.org/

9 http://ksl.stanford.edu/people/dlm/webont/wineAgent/

Stand der Technik 45

Kontrollinformationen bereitstellen, so dass das System nach endlicher Zeit auf jeden Fall

eine Antwort gibt, führt jedoch zu einem Übergang von der Wissensrepräsentation zur

Programmierung. In diesem Zusammenhang kann das System Prolog (Programming in Logic)

genannt werden, welches eben diese prozedurale Repräsentation des Wissens unterstützt

[TW02].

Das zurzeit meist diskutierte Projekt in diesem Forschungsgebiet ist das KOWIEN-Projekt

[Ala03]. KOWIEN (Kooperatives Wissensmanagement in Engineering-Netzwerken) befasst

sich mit der Umsetzung von Wissensmanagement mit Kompetenzprofilen auf der Basis von

Ontologien und verwendet die Repräsentationssprache F-Logic. F-Logic (Frame-Logic) ist

eine formalsprachliche Spezifikation, die eine Kombination der Repräsentationsformalismen

Frames und Prädikatenlogik darstellt [Dec98]. Die Anlehnung an prädikatenlogische

Spezifikationen findet sich unter anderem in der Möglichkeit zur Definition allgemeingültiger

Axiome (Inferenzregeln) wieder. Es kann in einer ontologiebasierten Faktenbasis Wissen über

die Domäne abgelegt werden, anhand dessen mit Inferenzregeln „neues“ Wissen expliziert

werden kann. Die bei KOWIEN eingesetzte Ontologie-Entwicklungsumgebung ist OntoEdit13

der Firma Ontoprise.

Die KOWIEN Ontologie in der derzeitigen Fassung liefert lediglich rein taxonomische

Beziehungen (Mercedes ist_ein Auto, oder Stunde ist_eine Zeitspanne) zwischen Begriffen.

Die nicht taxonomischen Beziehungen (Auto fährt_auf Schiene oder Batterie liefert Strom)

wurden bis jetzt nocht nicht definiert. Zudem stellen die Verfasser fest, dass "die derzeitige

Struktur […] für Zwecke des Wissensmanagements […] weniger geeignet ist" [Ala03, S.45].

Eine Weiterentwicklung von KOWIEN wurde bis jetzt nicht vorangetrieben.

3.1.2 Prozedurale Wissensrepräsentation

3.1.2.1 Regelbasierte Systeme

Regeln stellen Wenn-Dann Verbindungen zwischen Begriffen her [BK03]. Häufig werden sie

bei der Steuerung von Produktionsvorgängen eingesetzt, so dass die Konsequenz mit einer

Aktion gleichzusetzen ist. Für Regeln dieser Art hat sich der Ausdruck „Produktionsregel“

durchgesetzt. Regeln, die immer gelten, werden deterministische Regeln genannt [BK03].

Alle Regeln zusammen bilden die Regelbasis. Um diese für Entwickler, Knowledge-

Engineers und Experten transparent und beherrschbar zu halten, ist es notwendig, mehrere

einzelne Regeln in Regelpaketen unter einem Namen zusammenzufassen. Ein einzelnes

Regelpaket kann dabei getrennt von anderen ausgeführt werden. So lassen sich umfangreiche

Wissensbasen in Teilprobleme zerlegen und sukzessive entwickeln. Gibt es Kriterien für die

Aktivierung von Regeln, kann sogar deren Effizienz gesteigert werden. Außerdem wird

dadurch ihre Verständlichkeit verbessert [BSW91].

13 http://www.ontoprise.de/products/ontoedit

46 Stand der Technik

Werden mehrere Regelpakete miteinander verknüpft, spricht man von einem Regelnetzwerk.

So könnte das in Abbildung 20 dargestellte Regelnetzwerk einen Produktionsprozess

darstellen, in dem die Kreisbögen Konjunktionen (∧) und die fehlenden Kreisbögen

Disjunktionen (∨) symbolisieren. Die Begriffe A bis F wären dann die Rohstoffe, die Begriffe

G bis L Zwischenprodukte und M das Endprodukt. Dabei stehen Disjunktionen für

Fertigungsalternativen. Das Zwischenprodukt H könnte also aus dem Rohstoff C oder D

hergestellt werden. Zu berücksichtigen ist allerdings, dass ein originäres Regelnetzwerk den

Faktor Zeit außer Acht lässt und keine Reihenfolge für die Inferenz festlegt. In der KOWIEN

Ontologie wird das Problem dadurch gelöst, dass der Zeitpunkt und die Zeitspanne explizit

definiert werden. So können Aktionen oder Ereignisse in temporärer Relation zueinander

gestellt werden. Die genaue Bestimmung der Zeit ist auch Gegenstand der in dieser Arbeit

entwickelten Ontologie.

Abbildung 20: Regelnetzwerk

Das Durchlaufen und Auswerten der Regelbasis ist von links nach rechts oder von rechts nach

links möglich [BK03]. Hierfür werden zwei Verfahren unterschieden:

Vorwärtsverkettung (datengetrieben)

Die Vorwärtsverkettung wird dann angewendet, wenn die Zustände der Zielobjekte noch nicht

bekannt sind. Als Ausgangsbasis dient das bekannte fallspezifische Wissen (Erfahrungen).

Vorteilhaft ist, dass auf Änderungen in der Wissensbasis schnell reagiert werden kann. Das

Netzwerk wird, ausgehend von der neuen oder geänderten Erfahrung, vorwärtsverkettend

durchlaufen [BK03].

Rückwärtsverkettung (zielgetrieben)

Um den Zustand oder die Situationsbeschreibung eines Begriffs zu überprüfen, wird im

Allgemeinen die Rückwärtsverkettung angewendet. Bei dieser Inferenzmethode ist der

Zielbegriff Ausgangspunkt der Analyse, so dass sie auch als „zielgetriebene“ oder

„zielorientierte Inferenz“ bezeichnet wird.

Stand der Technik 47

Inferenzkomponenten lassen sich nicht immer nach Vorwärts- bzw. Rückwärtsverkettung

einteilen. Meistens wird eine Wissensbasis mit einer kombinierten Strategie bearbeitet

(„means-end analysis“ [HHB00]). Diagnosesysteme arbeiten nach diesem Prinzip. Zunächst

werden mit der datengetriebenen Inferenz aus Befunden mögliche Hypothesen über Ursachen

abgeleitet, die dann durch die zielorientierte Inferenz falsifiziert bzw. verifiziert werden. Die

meisten heute bekannten wissensbasierten Systemen bzw. Expertensysteme arbeiten auf Basis

dieser erprobten und gut verstandenen Regeltechnik [BK03]. Für den Erfolg dieses Ansatzes

gibt es u. a. folgende Gründe:

• Regeln stellen eine vertraute Ausdrucksweise dar, wie sie etwa in Gesetzen

Verwendung findet [Kur89].

• Regeln bilden einen guten Kompromiss zwischen einer verständlichen

Wissensdarstellung und formalen Ansprüchen.

• Expertenwissen lässt sich in großem Umfang in Form von Regeln darstellen.

• Eines der wichtigsten Ziele bei der Entwicklung von Expertensystemen wird

erreicht, nämlich eine Nähe zum menschlichen Denken herzustellen [BK03].

• Regeln ermöglichen es, Wissen in viele kleine eigenständige Wissenseinheiten zu

stückeln, so dass eine modulare und leicht veränderbare Wissensbasis geschaffen

werden kann [Pup91].

Ein in der Literatur oft genanntes Regelsystem ist MYCIN [RN03], [Sho81]. MYCIN ist ein

medizinisches Regelsystem (auch Expertensystem genannt). Es benutzt ein einfaches

Regelsystem mit Sicherheitsfaktoren, um aus verschiedenen Symptomen die

wahrscheinlichste Diagnose zu erstellen. Die Form der Regeln lautet:

CF[B] = CF[B, {A}] = 0,8*1,0 = 0,8

und bedeutet: Unter der Voraussetzung, dass die Wahrscheinlichkeit des Symptoms A =1 ist

(also 100% sicher ist), ist die Wahrscheinlichkeit des Symptoms B gleich 0,8. CF (certainty

factor) bezeichnet hierbei den Sicherheitsfaktor mit einem bestimmten

Wahrscheinlichkeitsmaß zwischen 0 und 1, der die Korrelation dieser Regel ausdrückt (siehe

Abbildung 21).

Um nun aus der evtl. großen Anzahl an anwendbaren Regeln einen Schluss ziehen zu können,

werden die in den verschiedenen Regeln auftauchenden Sicherheitsfaktoren über geeignete

Junktoren miteinander kombiniert und zu einem einzigen Wert verrechnet. Genauso verfährt

man mit Regeln, die gegen ein Krankheitsbild sprechen. Diese Regeln ergeben durch

geeignete Kombinationen wieder einen Wert. Aus diesen positiven und negativen Evidenzen

errechnet sich dann die Gesamtwahrscheinlichkeit eines Krankheitsbildes.

48 Stand der Technik

A B

0,8

0,5

0,9

0,8

1,0

0,5

0,25

0,3

Abbildung 21: Regelnetzwerk mit Wahrscheinlichkeitsfaktoren [BK03]

In diesem Regelnetzwerk gilt z.B. eine Wahrscheinlichkeit:

• CF[B] = CF[B, {A}] = 0,8*1,0 = 0,8

• CF[B∧D] = min{0,8;0,25} = 0,25 = CF[E]

• CF[F∨G] = max{0,225;0,8} = 0,8 = CF[H]

3.1.2.2 Framebasierte Ansätze

Die Idee der Frames basiert auf der Annahme, dass unsere Informationsverarbeitung

wesentlich von unseren Erfahrungen abhängt. Minsky [Min75] ging schon vor Jahrzehnten

davon aus, dass immer dann, wenn eine neue Situation auftritt oder wenn sich die Sicht auf

ein Problem gravierend ändert, man im Gedächtnis nach passenden erlebten Situationen sucht.

Die gespeicherte Situation wird dann der neuen Situation angepasst.

Frames stellen eine Kombination aus semantischem Netz, Objekt-Werte-Tripel und Regeln

dar [Ang03]. Ein Frame-System besteht hierbei aus einer Anzahl von Frames, die in

semantischen Netzen als Knoten bezeichnet werden, und die über Beziehungen (Kanten)

miteinander verknüpft sind. Im Gegensatz zu semantischen Netzen erlaubt die Repräsentation

durch Frames jedoch eine komplexere strukturelle Darstellung von relevanten Eigenschaften

und Ausprägungen eines Knotens. So können in einem Knoten Informationen wie im Objekt-

Werte-Tripel abgespeichert werden. Zur Vervollständigung kann ein Knoten selbst, aber auch

die Relation zwischen den Knoten Regeln besitzen [Ang03].

Der zentrale Modellierungsansatz von Frames besteht aus Klassen (die durch einen Begriff

gekennzeichnet sind) mit bestimmten Eigenschaften und Verhaltensweisen, die Slots genannt

werden (siehe Tabelle 7). Slots besitzen keine globale Reichweite, sondern sind nur auf die

von ihnen beschriebenen Klassen und Unterklassen beschränkt. Slots können Werte

(deskriptive Slots), Verweise auf andere Klassen (relationale Slots) und Prozeduren

(prozedurale Slots) enthalten [Reu04], [Abd00-ol].

Stand der Technik 49

Klasse (wird durch einen Begriff gekennzeichnet)

Name Typ Kardinalität Ausprägung

Prozedurale Slots

Relationale Slots

Deskriptive Slots

Regel, Funktion

Klasse, Instanz

Integer, Float, String,

Symbol, Boolean,

Single

Single, Multiple

Value={}

Klasse =()

Tabelle 7: Struktur eines Frames

Die deskriptiven Slots können einzelne Werte (reelle Zahlen, Symbole, Boolsche Werte etc.)

oder eine Menge von Werten beinhalten. Zusätzlich besteht mit Default-Werten die

Möglichkeit, bei mehreren existierenden Werten in einem Slot eine Voreinstellung nach der

wahrscheinlichsten Ausprägung eines Objektes vorzunehmen (z.B. die Default-Einstellung,

dass ein Fahrrad zwei Räder hat). Die Einbettung von prozeduralen Anweisungen in einen

prozeduralen Slot verdeutlicht den Vorteil von Frames z.B. gegenüber den semantischen

Netzen. Prozedurale Elemente wie IF-NEEDED, IF-ADDED oder IF-REMOVED erlauben

z.B. die kalkulatorische Berechnung von fehlenden Werten auf der Grundlage von

statistischen Formeln bzw. die Ausführung von Verhaltensweisen [MAA+03]. Schließlich

können relationale Slots oder so genannte Pointer in Frames gespeichert werden. In diesem

Fall führt eine Verbindung von einem Slot eines Frames zu einer Instanz oder Klasse eines

anderen Frames.

Bei allen Slots unterscheidet man grundsätzlich nach geerbten und proprietären Slots. Geerbte

Slots (SG) spiegeln den taxonomischen Aufbau von Frame Systemen wider. Frames, die als

Unterklasse von übergeordneten Frames gelten, erben die von der Oberklasse ausgewiesenen

Slots, d.h. eine Mehrfachangabe von Slots in den einzelnen zusammenhängenden Klassen und

Unterklassen ist nicht notwendig. Ebenso unterstützen Frames multiple Vererbungen.

Multiple Vererbungen sind relevant, wenn eine Klasse eine Unterklasse von zwei oder

mehreren Oberklassen darstellt. Proprietäre Slots (SP) beziehen sich ausschließlich auf einen

Frame und sind nur innerhalb dieses Frames anwendbar.

Beispiele frame-basierter Systeme sind Ontolingua14 bzw. das Nachfolgetool Protégé15.

Anwendung finden Frames vor allem dann, wenn Erfahrungen akquiriert oder verwaltet

werden sollen, wie im Projekt Gene Ontology [YKN+03], über das biologische Daten

ausgetauscht werden können, im Projekt PC-DIY [Yan02], in dem PC-Anwender selbständig

Fragen an eine PC-Hilfe-Datenbank richten und Antworten eingeben können oder im Projekt

Cedex des Umweltbundesamtes in Österreich [SM02], das für die Abbildung, Verwaltung

und Auswertung von Daten diverser ökologischer Projekte verwendet wird.

14 http://www.ksl.stanford.edu/software/ontolingua/

15 http://protege.stanford.edu/

50 Stand der Technik

3.1.3 Wissensrepräsentation im mathematisch-physikalischen Umfeld

Für die Wissensrepräsentation von Fahrzeugen müssen insbesondere mathematische bzw.

physikalische Zusammenhänge modellierbar sein. Der Einsatz von Frames, der

Prädikatenlogik und der semantischen Netzen hat gerade in diesem Umfeld neue

Möglichkeiten geschaffen, Wissen formalisierbar zu machen. Dabei hat sich die Forschung in

den letzten Jahren stark auf die Vermittlung von Faktenwissen konzentriert. Ein Problem

hierbei bleibt die Darstellung von komplexeren Zusammenhängen wie z.B. die Darstellung

von mathematischen Formeln. So können Formeln zwar per XML an jedes

Softwareprogramm übermittelt werden; das Problem jedoch bleibt, dass die Programme die

Formeln nicht interpretieren können. So kann der Buchstabe s sowohl das Zeichen für eine

Strecke, aber auch für die Zeiteinheit Sekunde sein. Uns Menschen wird im

Gesamtzusammenhang der Formel verständlich, um welche Größe es sich handeln muss. Ein

Softwareprogramm benötigt jedoch eine genauere Darstellung der Zeichen in einem

strukturierten Weltbild. Eine notwendige Voraussetzung hierfür bieten Ontologien, die

komplexe mathematische Beziehungen bzw. Formeln darstellen können. Das Problem der

Darstellung von nur binären Beziehungen innerhalb von Ontologien bleibt jedoch bestehen.

Die Ergebnisse dieser Arbeit im Bereich der Darstellung einer Basisontologie im

mathematischen bzw. physikalischen Bereich wurden stark von EngMath [GO94] Physsys

[Bor97], SUMO [NP02], DOLCE [GGM+03], CYC [Cyc04-ol] und den Arbeiten von

Annamalai und Sterling [AS03] beeinflusst.

EngMath [Gen95] und Physsys [BAP+95] bauen auf der Sprache KIF16 (Knowledge

Interchange Format) auf und sind ein umfangreicher Versuch, die Semantik der

mathematischen bzw. physikalischen Ausdrücke in Klassen zu spezifizieren. Es war die

Vision der Autoren, durch eine beschreibende, maschinenlesbare Repräsentation der

Mathematik bzw. Physik, eine eindeutige Kommunikation zwischen Softwareagenten zwecks

Austauschs von mathematischem bzw. physikalischem Wissen zu erreichen [GO94]. Obwohl

die Darstellung vollständig und richtig erscheint, ist sie schwer zu verstehen (lesen) und nur

unzureichend auf derzeitig zur Verfügung stehende Systeme anzuwenden [AS03]. Die dort

angewandten Regeln (Axiome) sind nicht intuitiv und für Physiker bzw. Mathematiker kaum

zu verstehen, verfügen sie nicht über ein umfangreiches, fundiertes Wissen im Bereich von

KIF. Ein weiteres Problem besteht in der Mächtigkeit der Sprache KIF. Es ist mit den

derzeitig verfügbaren Sprachen (Daml, Oil, RDF) nicht möglich, die Eng-Math-Ontologie auf

das Web zu übertragen und damit kommunizierbar zu machen, da diese Web-Sprachen keine

mehrstelligen Beziehungen, Funktionen und Regeln (Axiome) darstellen können, die jedoch

unerlässlich für die Darstellung von EngMath sind [AS03]. Die in der vorliegenden Arbeit

entwickelte Basisontologie basiert zwar auch auf mathematischen Formeln, die jedoch nicht

mit ihren einzelnen Größen kommuniziert werden. Die Formeln dienen als Prozeduren

innerhalb einer Klasse zur Berechnung von Werten, die dann als Float (also als eine reelle

Zahl) übergeben werden. Die Eindeutigkeit der Formeln resultiert daraus, dass sich die

Berechnungen immer auf die gleiche Klasse der Basisontologie beziehen, in der eine

16 http://logic.stanford.edu/kif/kif.html

Stand der Technik 51

Referenzformel für alle Systeme definiert ist. So beziehen sich z.B. alle Berechnungen zur

Ermittlung der Vertikalbeschleunigung auf die entsprechende Klasse.

SUMO [NP02] wurde im Rahmen der IEEE Standard Upper Ontology Working Group

entwickelt und basiert auf den Ansätzen von EngMath und Physsys. Das Ziel dieser

Arbeitsgruppe ist die Entwicklung einer Standard Ober-Ontologie, die die

Dateninteroperabilität, die Informationssuche und Abfrage, die automatische

Schlussfolgerung und die Kommunikation unterstützt. SUMO ist bereits in viele verschiedene

Repräsentationsformate übersetzt worden (DAML, LOOM, XML, Protégé 2000). Die

Entwicklungsumgebung ist jedoch, wie auch bei EngMath, KIF bzw. seine weiterentwickelte

Version SUO-KIF. Dies bedeutet, dass eine Portierung in das Web nur bedingt möglich ist.

Mit SUMO wurden bereits eine Reihe von Domänen-Ontologien entwickelt (Service-

Ontologien, Ontologie über biologische Viren, Finanzontologie, Ontologie über

Geländemerkmale, Ontologie über Massenvernichtungswaffen und Terrorismus, Ontologie

über Geographie, Staatswesen, Wirtschaft und Transport sowie eine Ontologie über

chemische Elemente; siehe hierzu http://ontology.teknowledge.com). SUMO hat die höchste

Ähnlichkeit mit der in dieser Arbeit entwickelten Basisontologie, die Teile von SUMO

wiederverwendet. Allerdings war es nicht möglich, das selbstoptimierende, hierarchische

mechatronische Transportsystem (siehe Abbildung 3) mit SUMO vollständig zu beschreiben.

Zudem baut die Entwicklungsumgebung wie bei EngMath auf KIF bzw. einer

weiterentwickelten Version SUO-KIF auf.

Eine weitere Möglichkeit der Darstellung mathematischer bzw. physikalischer Formeln bieten

Annamalai und Sterling [AS03]. Sie entwickelten basierend auf der Logik von EngMath und

SUMO eine weiterführende Methodik zur Darstellung von Funktionen im Web. Dieser An-

satz bietet interessante Möglichkeiten der Darstellung von Transportsystemen durch eine

Ontologie. Der Ansatz der Übertragbarkeit arithmetisch-logischer Ausdrücke über OpenMath

(http://www.openmath.org/cocoon/openmath/index.html) wurde in dieser Arbeit jedoch nicht

verwendet, da nicht die einzelnen Elemente einer Formel, sondern nur deren Ergebnisse selbst

übermittelt werden. Zudem ist die Ontologie nicht in der Lage, prozedurale Fakten (also z.B.

Regeln) darzustellen, die für das vorliegende Szenario wichtig sind, um Entscheidungen

treffen und ausführen zu können.

DOLCE (Descriptive Ontology for Linguistic and Cognitive Engineering) [GGM+03] wird

innerhalb des WonderWeb-Projekts entwickelt. Das Projekt zielt darauf ab, eine Infrastruktur

bereit zu stellen, die es erlaubt, Ontologien im semantischen Netz zu entwickeln. Im

Gegensatz zu einfach strukturierten Ontologien (lediglich Taxonomien) liegt der Schwerpunkt

von DOLCE in der Bereitstellung einer umfassenden Struktur für die Kommunikation

verteilter künstlicher Agenten oder der Kommunikation zwischen Agenten und Menschen.

Umfassend ist die Struktur insofern, als sie möglichst nah die natürliche Sprache und das

allgemeine menschliche Verständnis darstellen kann. Der Anspruch von DOLCE besteht

hierbei nicht darin, als „universelle“ Standard-Ontologie zu dienen, sondern lediglich eine

sinnvolle Erweiterung zu den bereits bestehenden Ontologien wie z.B. WordNet zu schaffen.

52 Stand der Technik

Insofern ist DOLCE wie auch die in dieser Arbeit entwickelte Basisontologie eine sinnvolle

Erweiterung der bestehenden Landschaft, um auf spezifische Domänen genauer eingehen zu

können.

OpenCyc [Cyc04-ol] ist die frei verfügbare Version des Cyc-Projects und die wohl

umfassendste Darstellung eines logischen Systems. Cyc enthält Module für die

Sprachanalyse, Datenbanken, Ontologiedesign und E-Mail Verarbeitungen. Ihre Datenbank

besteht aus mehr als 6000 Klassen. Cyc wurde mit einer neu entwickelten aussagelogischen

Sprache namens CycL entwickelt. Diese Sprache ähnelt jedoch sehr dem bereits bekannten

KIF-Format. Leider sind die Cyc-Wissensbestände nur zu einem kleinen Teil frei erhältlich

(OpenCyc). Über die Cyc-Homepage können (unvollständige) Informationen zu ca. 3.000

Klassen eingesehen werden. Diese „Upper Cyc“ genannten Klassen geben Auskunft über

Inhalte und Beschaffenheit der allgemeinsten Ebenen der Hierarchie. Durch vielfältige

Beziehungen bereits zwischen den Upper-Cyc-Klassen und durch Mehrfachvererbung (eine

Klasse kann mehrere Oberklassen besitzen) ist die Top-Level-Hierarchie von Cyc schwer

durchschaubar. Zudem ist die direkte Arbeit mit OpenCyc für Nichtbeteiligte schon wegen

der eingeschränkten Zugänglichkeit der Wissensbasis unmöglich; auch die Arbeit mit den

veröffentlichten Oberklassen ist wegen der „verworrenen“ Hierarchie (vgl. [Gua98]) fast

unmöglich. Aus diesem Grunde wurde entschieden, nicht mit OpenCyc zu arbeiten.

3.2 Ansätze zur Auflösung von Verständigungsproblemen

Eine zusätzliche Komplexität besitzen Fahrzeuge immer dann, wenn verteilte Lerneffekte mit

einbezogen werden sollen. Dies setzt jedoch voraus, dass eine homogene Repräsentation des

Wissens zur Verfügung steht, auf Grundlage dessen neue Erfahrungen entstehen bzw.

ausgetauscht werden können [VJB+97], [UG96], [Gru93]. Ist die Homogenität der

Wissensrepräsentation nicht gegeben, müssen erst Beziehungen zwischen den lokalen

Ontologien entwickelt werden. Die am meisten diskutierten Ansätze in diesem Bereich sind

das Mergen oder Mappen von Ontologien [Kle01]. Darüber hinaus existiert eine Methode des

Übersetzens vieler lokaler über eine globale (Basis-) Ontologie.

Merging Mapping Übersetzung

lokale

Ontologie

lokale

Ontologie

lokale

Ontologie

globale

Ontologie

globale

Ontologie

lokale

Ontologie

lokale

Ontologie

lokale

Ontologie

lokale

Ontologie

lokale

Ontologie

lokale

Ontologie

lokale.

Ontologie

nachhervorher

Abbildung 22: Ansätze zur Kommunikation über Ontologien [WVV+01], [Stu03]

Stand der Technik 53

Merging: Das Ziel ist die Entwicklung einer globalen Ontologie aus den jeweiligen lokalen

Ontologien [NM00], [SM01]. Die globale Ontologie enthält Begriffe aus allen Ontologien,

zusammengestellt in einer Taxonomie. Der Vorteil dieser Methode besteht darin, dass alle

Relationen sowie Begriffe berücksichtig sind und ein ständiger Abgleich zwischen den

lokalen Ontologien im laufenden Prozess nicht notwendig ist. Das Problem besteht jedoch in

dem Prozess hin zu einer globalen Ontologie. Gut vorstellbar sind die Schwierigkeiten dieses

Prozesses, wenn angenommen wird, dass sich eine definierte Anzahl von Experten auf eine

limitierte Anzahl von Begriffen einigen muss. Kommen weitere Experten nach der Erstellung

der globalen Ontologie hinzu, die auch ihre Begriffe sowie sämtliche Relationen ihrer lokalen

Ontologie berücksichtigt wissen wollen, würde der Prozess noch komplexer. Führt man diese

Überlegungen fort, so kann sich die globale Ontologie schnell zu einem unüberschaubaren

Netzwerk entwickeln [Stu03].

Mapping: Das Ziel ist die Erstellung einer dauerhaften Beziehung zwischen zwei lokalen

Ontologien. Hierzu benötigt man zusätzliches Wissens, so genannte „Mapping-Regeln“

[Stu03], [FNP+99]. Diese Regeln können dazu verwendet werden, Erfahrungen

auszutauschen, indem logische Verbindungen zwischen den Begriffen der lokalen Ontologien

explizit durch eine Mapping-Regel dargestellt werden [BS02]. Der Vorteil dieser Methode

besteht darin, dass das Mappen nur zwischen zwei lokalen Ontologien (Ontologie A und B)

stattfindet, andere Ontologien also nicht betrachtet werden. Somit können einmal erstellte

„Mappings“ zwischen zwei lokalen Ontologien „für ewig“ halten, falls deren Begriffe sich

nicht ändern sollten. Das Problem besteht allerdings darin, dass selten nur zwei lokale

Ontologien in einem komplexen System auftreten. Kommen weitere Ontologien hinzu, sind

Mapping-Regeln zwischen allen Ontologien aufzustellen. Es würden dadurch O(n2)

Ontologie-Mappings notwendig [Stu03], [DF02].

Übersetzung: Das Ziel ist die Nutzung der Vorteile des Mergings und des Mappings. Die

Idee besteht aus einer Zusammentragung von Begriffen aus lokalen Ontologien und die

Vereinigung dieser in einer neuen globalen Basisterminologie (Mergen). Darauf basierend

wird eine entsprechende Basisontologie entwickelt, deren Begriffe nicht mit denen der

lokalen Ontologien übereinstimmen müssen. Entscheidend ist jedoch, dass die Begriffe der

lokalen Ontologien durch die Begriffe der Basisontologie beschrieben werden können

(Mapping). Der Vorteil dieses Ansatzes liegt in seiner Skalierbarkeit: Neue lokale Ontologien

können leicht hinzugefügt werden, ohne die anderen zu beeinflussen, da die lokalen

Ontologien (im Gegensatz zum Merging) nicht verändert werden müssen. Gerade im Hinblick

auf Selbstoptimierung ist dies ein entscheidender Vorteil, da mit zunehmender Anzahl der

Fahrzeuge und einem Austausch von Erfahrungen der Prozess hin zu einer effizienten

erfahrungsbasierten Selbstoptimierung beschleunigt werden kann. Ein weiterer Vorteil dieser

Methode liegt in der geringen Komplexität, da jeweils nur eine Verbindung von jeder lokalen

Ontologie zur globalen Ontologie aufgebaut werden muss. Dadurch werden lediglich O(n)

Ontologie-Mappings notwendig [Stu03], [WVV+01]. Aus den genannten Gründen war diese

Methode Grundlage der vorliegenden Arbeit.

54 Stand der Technik

3.2.1 Ansätze im Bereich des Mergens von Ontologien

Nach Sowa [Sow97] ist Merging der Prozess, Gemeinsamkeiten zwischen zwei verschiedenen

Ontologien A und B zu finden und eine neue Ontologie C herzuleiten, die eine

Interoperabilität zwischen Computersystemen, die auf den Ontologien A und B basieren,

ermöglicht. Die neue Ontologie C ersetzt vollständig A und B.

Abbildung 23: Ontology Merging [NM99]

Das Mergen von Ontologien kann notwendig sein, wenn zwei oder mehr Ontologien über

denselben Anwendungsbereich existieren und eine allgemeinere benötigt wird, die die vorigen

Ontologien ersetzen kann [Unt01-ol]. Die Herausforderung beim Mergen von Ontologien

besteht darin, eine Abbildung zwischen ihnen zu entwerfen. [MBD+02].

Die Generierung des Mergens kann fast komplett automatisiert werden. Zum einen werden

hierbei oft Heuristiken17 zur Generierung von Abbildungen genutzt. Zum anderen können

Abbildungen auch gelernt werden. Insbesondere manuell angebotene Merger-Programme

präsentieren Beispiele für einen lernenden Algorithmus, der generalisieren kann und Sub-

Mergers vorschlägt. Das anvisierte Ziel in der Wissenschaft ist es, ein System zu bauen, das

eine Vielzahl von Techniken einsetzt, um den Anwendern bei der Konstruktion einer

Konsens-Ontologie zu unterstützen. Das System wird verschiedene Heuristiken kombinieren,

Lernmodule beinhalten und dem Nutzer bei Unsicherheiten Rückmeldungen geben

[MBD+02].

Ein oft zitierter Ansatz in diesem Forschungsumfeld ist SIMS [AHK96]. Er beinhaltet eine

hierarchische Wissensbasis mit Begriffen, die Objekte, Aktionen und Zustände repräsentieren.

Zusätzlich werden diese durch Relationen verknüpft, wodurch ein globales Domänen-Modell

entsteht. Jede weitere Informationsquelle muss sich an diesem Modell orientieren und kann

durch weitere Relationen in dieses Modell integriert werden.

Das ISI OntoMorph System [Cha00] hat das Ziel, das Mergen und Entwickeln von

Ontologien aus Wissensbasen zu vereinfachen. Es kombiniert zwei Mechanismen, um

Wissensbasen in Ontologien zu transformieren. Beim ersten Mechanismus, dem syntaktischen

17 Die Heuristiken basieren oftmals auf der Struktur (z.B. wenn zwei Begriffsformen übereinstimmen, dann

passen möglicherweise auch ihre Teilbäume zueinander) oder auf der Namensgebung. Manchmal werden

bereichsunabhängige Heuristiken durch spezifischere Heuristiken für bestimmte Anwendungsbereiche ersetzt.

Stand der Technik 55

Umschreiben der Wissensbasis, werden die Begriffe zunächst separiert und danach in einer

syntaktischen Baumstruktur dargestellt. Kommen neue Begriffe hinzu, kann die Baumstruktur

durch die Umschreibe-Regeln ständig erneuert werden. Der zweite Mechanismus beschreibt

den semantischen Umschreibprozess. Mit den semantischen Regeln können z.B. Synonyme

erkannt bzw. Begriffe aus der syntaktischen Baumstruktur ausgetauscht werden [DF02].

Das wohl wichtigste wissenschaftliche Merging-Tool ist PROMPT. PROMPT (ehemals

SMART) [NM99], [NM00] ist ein in Protégé eingebetteter Algorithmus. Mit PROMPT kön-

nen interaktiv Schritt für Schritt zwei Ontologien zu einer Ontologie zusammengefasst

werden. Dabei macht der Algorithmus Vorschläge, erkennt Konflikte und schlägt Strategien

zur Behebung der Konflikte vor. Er startet mit der Identifizierung von übereinstimmenden

Begriffen, wobei im weiteren Verlauf die schon durchgeführten Schritte sowie Relationen

zwischen den schon zusammengefassten Begriffen mit einbezogen werden. Ergebnis dieser

Interaktion zwischen Programm und Anwender ist eine neue Ontologie.

Die zur Zeit aktuellste Anwendung im Bereich des Ontology-Mergens ist FCA-Merge

[SM01], [Mae03], eine Methode der Ontologienverschmelzung. Sie basiert auf den Techniken

der formalen Konzeptanalyse („Formal Concept Analysis“ [GW99]). Dabei wird ein

Konzeptgitter anhand von extrahierten Begriffen zweier Dokumente erstellt. Der Mechanis-

mus basiert auf anwendungsspezifischen Begriffen von zwei gegebenen Ontologien O1 und

O2, die zusammengefügt werden sollen. Der Gesamtprozess der Verschmelzung zweier

Ontologien ist in Abbildung 24 dargestellt und besteht aus drei Schritten:

• Sprachliche Analyse („Linguistic Processing“): Extraktion von Begriffen und

Berechnung zweier formaler Kontexte 1

und 2

• FCA-MERGE: Der Kernalgorithmus, der einen allgemeinen Kontext ableitet und ein

Konzeptgitter berechnet („Lattice Exploration“).

• Halbautomatische Generierung der endgültigen verschmolzenen Ontologie Oneu, die

auf dem Konzeptgitter basiert.

Sprachliche

Analyse

Sprachliche

Analyse

FCA-

Merge

Konzept

gitter

Bp(K) Oneu

Abbildung 24: Die Methode FCA-Merge [Mae03]

56 Stand der Technik

Da es sich bei FCA-Merge und den anderen hier genannten Verfahren um einen Merging-

Ansatz handelt, können diese Anwendungen aus den bereits oben erwähnten Gründen nicht

für die vorliegende Arbeit verwendet werden.

3.2.2 Ansätze im Bereich des Mappens von Ontologien

Die Aufgabe, heterogene Wissensbasen zu nutzen, ohne ihre Strukturen zu ändern18, ist

wesentlich für komplexe, verteilte Systeme. In diesem Zusammenhang spricht die Literatur

von dem Begriff des „Mappings“. Hinter diesem Begriff steht jedoch keine konkrete

Methode, sondern lediglich das Phänomen, heterogene Ontologien so miteinander zu

verbinden, dass ein eindeutiger Kommunikationsfluss über verschiedene Wissensbasen

möglich wird.

Sowa [Sow97] definiert Mapping als eine Abbildung von Begriffen sowie Relationen

zwischen zwei Ontologien A und B, für die die partielle Ordnung gilt. Das heißt, es kann

viele Begriffe in A oder B geben, die keine Äquivalenzen in der anderen Ontologie haben.

Wenn ein Begriff oder eine Relation x der Ontologie A auf einen Begriff oder eine Relation y

der Ontologie B abgebildet werden kann, dann nennt man x und y äquivalent. Bevor jedoch

zwei Ontologien A und B aufeinander abgebildet werden können, kann es nötig sein, neue

Unter- oder Obertypen von Begriffen oder Relationen in entweder A oder B einzuführen, um

passende Ziele zur Abbildung anzubieten.

Ein Mapping wird durch ein Regelnetz erzeugt, das Entsprechungen aus den Ontologien

zuordnet. Somit werden zwei oder mehrere Ontologien beibehalten und Regeln erstellt, die

die entsprechenden Begriffe zuordnen. Dies ist hilfreich, wenn die bestehenden Ontologien

noch weiter verwendet werden sollen. Man nutzt diese Art von Integration meist dann, wenn

die Ontologien Bereiche beschreiben, die zueinander komplementär sind. So könnte man

Teile einer Ontologie über Person auf eine Ontologie Patient mappen (abbilden), da es nicht

unbedingt passend wäre, eine einzige Ontologie zu erstellen, die beide Bereiche abdeckt

[Unt01-ol].

A B

Abbildung 25: Ontology Mapping [NM99]

18 Während des Mapping Prozesses werden keine Veränderungen an den Axiomen, Definitionen, Beweisen oder

Berechnungen in den jeweiligen Ontologien vorgenommen.

Stand der Technik 57

Zur Ermittlung der Mapping-Regeln bzw. Beziehungen können sehr unterschiedliche

Techniken genutzt werden. So ist es z.B. möglich von Hierarchien auszugehen, wobei

Eigenschaften und Wertebereiche der Begriffe berücksichtigt werden können. Es gibt aber

auch Ansätze, die ausgehend von einzelnen Begriffen Ähnlichkeiten ermitteln und dabei

möglicherweise gemeinsame Begriffe, die in beiden Ontologien vorhanden sind, aufdecken

[NM99].

Grundsätzlich lassen sich drei Arten des Mappings ausmachen [Mai03]:

Klasse-zu-Klasse19 Mapping: Während des Mapping Prozesses werden die beiden Schemata,

die „gemappt“ werden sollen, in vertikalen Reihen parallel zueinander angezeigt. Wenn zwei

Klassen zweier unterschiedlicher Quellen denselben Informationstyp enthalten, kann ein

Klasse-zu-Klasse Mapping (z.B. Automobil und Auto, siehe Abbildung 26 gepunktete Linie)

durchgeführt werden.

Slot-zu-Slot Mapping: Ein Slot-zu-Slot Mapping verbindet zwei Slots, vorausgesetzt sie

besitzen dieselben Klassen (z.B. hat_Top-Speed und hat_Höchstgeschwindigkeit, siehe

Abbildung 26, gestrichelte Linie.). Ein vorheriges Klasse-zu-Klasse Mapping ist allerdings

Voraussetzung dafür.

Slot-zu-Klasse Mapping: Ein weiterer wichtiger Aspekt ist das Mappen von Slots auf

Klassen. Das nachfolgende Slot-zu-Klasse Mapping zeigt, dass der Primärschlüssel ID von

Automobil mit dem Auto verknüpft wird (siehe Abbildung 26, durchgezogene Linie).

–Hat_Höchstgeschwindigkeit

–Hat_Länge

–ID

–Hat_Top-Speed

–Anzahl_Räder

Klasse: AutoKlasse: Automobil

Abbildung 26: Die drei Mapping-Möglichkeiten

Allen bisher existierenden Werkzeugen zum Mapping ist gemein, dass sie einen Eingriff des

Nutzers erfordern, der die vorgeschlagenen Beziehungen überprüft und die endgültigen

Mapping-Regeln festlegen muss. Die Werkzeuge können lediglich Vorschläge machen, etwa

unter Zuhilfenahme von „Natural Language Processing“. Die endgültige Festlegung etwa von

Äquivalenzbeziehungen muss aber ein Mensch vornehmen. Ansonsten geht die Präzision

verloren, die Ontologien gerade auszeichnet [Sch04]. Die Zusammenführung

unterschiedlicher Ontologien erfordert also erhebliche menschliche Eingriffe. Diese stellen

zudem hohe Anforderungen an den ausführenden Bearbeiter, da er Verständnis für beide

19 Eine Klasse wird durch einen Begriff bezeichnet (z.B. die Klasse Auto). Die Slots der Klasse dienen zur

Bestimmung der Eigenschaften dieser Klasse.

58 Stand der Technik

lokale Ontologien und deren Nutzungsumgebungen haben muss, um ein korrektes Mapping

durchzuführen.

Es gibt derzeit keine Programme, die diese Arbeit automatisch korrekt vollziehen. Auch in

Zukunft ist es wohl unrealistisch, dass es Programme geben wird, die einen solchen Prozess

komplett automatisch durchführen können. Es gibt allerdings Systeme, die diesen Prozess

halbautomatisch mit Nutzerinteraktion abwickeln. Hierbei finden sich bereits verschiedenste

Herangehensweisen in den unterschiedlichen Programmen wieder. Allerdings sind Fragen der

Versionierung, also des Umgangs mit Veränderungen in den Ontologien, noch nicht geklärt.

Ähnlich wie bei der Ontologieerstellung ist damit zu rechnen, dass die Integration

unterschiedlicher Ontologien ein hohen Zeit- und Kostenaufwand verursacht [Sch04].

KRAFT [PHG+01] ist ein interdisziplinäres Forschungsprojekt der Universität von Aberdeen,

Cardiff und Liverpool in Kooperation mit BT (British Telecommunications PLC). Es ist ein

System, in dem das Mappen zwischen heterogenen Ontologien durch einen Mediator Agenten

durchgeführt wird. Dieser Mediator Agent mappt die Ontologien in einem eins-zu-eins

Ansatz. Hiermit können sowohl unterschiedliche Klassen als auch Slots in Beziehung

zueinander gebracht werden. Dieser Ansatz erlaubt eine große Flexibilität, birgt jedoch auch

die Gefahr, dass Inkonsistenzen auftreten können. Zudem legt sich KRAFT auf keine bis dato

bestehende Methodik fest und versucht, einen eigenen Regelansatz zu entwickeln [WVV+01].

Neben dem Mappen erweiterten Visser und Tamma das System um die Möglichkeit des

Clusterns von Ontologien [VT99], um heterogene Wissensbasen zu verbinden. Das Clustern

von Ontologien basiert auf der Ähnlichkeit zwischen Klassen. Dabei ist ein neues Cluster eine

Unter-Ontologie, die neue Klassen definiert und dabei die bereits existierenden Klassen der

bestehenden Ontologie verwendet [DF02]. Einen ähnlichen Ansatz verfolgt OBSERVER

[MIK+96] nur mit dem Unterscheid, dass sich dieses System auf ein definiertes Model der

Aussagenlogik stützt.

GLUE [DMD+02], [MBD+02] ist ein System, das an der Universität Washington, USA,

entwickelt wird. Es ist darauf ausgelegt, semantische Abbildungen zwischen gegebenen

Ontologien zu finden. Dies schafft das System halbautomatisch durch eine

Maschinenlerntechnik. Da Taxonomien die zentralen Komponenten in Ontologien sind, wird

zunächst der Fokus darauf gerichtet, die korrespondierenden Taxonomien zweier gegebener

Ontologien zu finden. Das heißt, für jeden Begriff der einen Taxonomie soll der ähnlichste

aus der anderen Taxonomie gefunden werden. Die zentrale Frage hierbei lautet: Wie werden

Ähnlichkeiten zwischen Begriffen definiert? GLUE berechnet die gemeinsame Verteilung

zweier Begriffe und überlässt es dann dem Programm, diese zu nutzen, um ein brauchbares

Maß an Ähnlichkeit zu berechnen. Für zwei Begriffe A und B wird P(A,B), P(

A,B),

P(A,

B), P(

B) berechnet. Der Ausdruck P(A,

B) beispielsweise zeigt die

Wahrscheinlichkeit an, dass der Begriff A nicht zum Begriff B gehört. Ein Programm kann die

Ähnlichkeit als eine Funktion über diese vier Werte definieren. Ein Maß für die Ähnlichkeit

ist zum Beispiel der Jaccard-Koeffizient P(A

∩

B)/P(A

∪

B). Dieser nimmt seinen niedrigsten

Wert 0 dann an, wenn A und B disjunkt sind und erreicht seinen höchsten Wert 1, wenn A und

Stand der Technik 59

B denselben Begriff darstellen. Um diesen Koeffizienten berechnen zu können, werden die

gemeinsamen Wahrscheinlichkeiten benötigt:

),(),(),(

)(

)(/)(),( BAPBAPBAP

BAP

BAPBAPBAJaccard ¬+¬+

∩

=∪∩=

Das Problem bei GLUE besteht darin, dass die Exaktheit des Verfahrens nicht zu 100%

gewährleistet werden kann (die besten Ergebnisse zeigen allerdings eine Exaktheit des

Mappings von bis zu 97% [DMD+02], was schon erstaunlich gut ist). Somit benötigt das

System, wie die meisten anderen Verfahren, ein Feedback von einem Experten [MBD+02].

GLUE, KRAFT und Sowa bauen auf dem Mapping-Ansatz auf, der für ein komplexes

Transportsystem mit Fahrzeugen, die heterogene Wissensbasen besitzen, allerdings nicht

geeignet ist, da nicht nur zwischen den einzelnen Ontologien selbst, sondern auch zwischen

deren Begriffen Mapping-Regeln definiert werden müssen. Dieser Prozess kann bei n

beteiligten Ontologien sehr komplex werden. Zudem operieren die Algorithmen mit einer

gewissen Unsicherheit. Mapping-Exaktheiten von 100% sind somit nicht zu erreichen, die

jedoch für ein sicherheitskritisches System (das Vorlage dieser Arbeit ist) unerlässlich sind.

3.2.3 Übersetzungen mittels einer Basisontologie

Infosleuth ist ein System zur Integration von heterogenen Ontologien, entwickelt von der

MCC (Microelectronics and Computer Technology Corporation, Austin, Texas, USA) und

kommt dem in dieser Arbeit entwickelten Algorithmus am nächsten. Es unterstützt zunächst

die automatische Entwicklung von komplexen Ontologien (Basisontologien) aus

Textdatenbanken und kleineren Ontologien bzw. aus einzelnen Komponenten einer Ontologie

[DF02], [Hwa99]. In dem in Abbildung 27 dargestellten Fall wird im ersten Schritt der

Begriff PKW als Begriffsbedeutung für alle anderen Begriffsformen in die Basisontologie

aufgenommen. Zwischen der Begriffsbedeutung innerhalb der Basisontologie und den

Begriffsformen der individuellen Ontologien werden danach automatische Mappings erzeugt

(siehe Schritt 2 in Abbildung 27). Der Term „Mapping“ ist hier definiert als die Entwicklung

von Relationen zwischen Begriffsformen einer individuellen Ontologie mit den

Begriffsbedeutungen einer globalen Basisontologie. Alle Mapping-Verfahren zwischen den

Ontologien werden hierbei durch eine bestimmte Art von Agenten erledigt. Diese so

genannten „Resource Agents“ kapseln alle Mapping-Regeln, die für das Mappen von einer

Ontologie zu einer anderen Ontologie notwendig sind. Der Nachteil dieser Methode besteht

darin, dass sie nicht zu 100% exakt funktioniert und mit einer Unsicherheit arbeitet, da

sowohl die entwickelte Basisontologie als auch die Mappings Fehler aufweisen können

[FNP+99]. Insofern benötigt Infosleuth, wie auch alle anderen hier vorgestellten Verfahren,

Experten, die das Ergebnis bewerten. Allerdings können die erzeugten Mappings als gute

Ausgangsposition für weitere Verbesserungen gesehen werden.

60 Stand der Technik

Resource

Agent

Textdatenbank

1: PKW

1: Auto

1: Personenfahrzeug

1: PKW

2: Auto = PKW

Ontologie A Ontologie C

Basisontologie

1: Auswahl einer exemplarischen Begriffsform durch den Resource

Agenten und Abspeicherung dieser als Begriffsbedeutung in die

Basisontologie

2: Mappen der Begriffsbedeutung zu den individuellen Begriffsformen

Abbildung 27: Arbeitsweise von Infosleuth

Die vorliegende Arbeit baut auf den Ansätzen von Infosleuth auf. Allerdings wird in dieser

Arbeit die Basisontologie nicht automatisch, sondern manuell erzeugt. Beide Ansätze

(Infosleuth und die Ansätze dieser Arbeit) generieren jedoch automatische Mappings

zwischen der Basisontologie und den individuellen Ontologien. Bei Infosleuth werden aber

nur textuelle Mappings erzeugt; also Ontologie A: PKW = Ontologie C: Auto oder Ontologie

A: Schimmel = Ontologie C: weißes Pferd. In dieser Arbeit werden darüber hinaus Mappings

zwischen den Regeln der heterogenen Wissensbasen von zwei Fahrzeugen A und C erzeugt;

also Wissensbasis A: Fahrzeug(bremsen) :- Radius(Kurve, R), R<125m,

Geschwindigkeit(Fahrzeug, G), G>100km/h = Wissensbasis C: Fahrzeug(gleich bleiben) :-

Radius(Kurve, R), 50m≤R<125m, Geschwindigkeit(Fahrzeug, G), G>100km/h. So können

die Erfahrungen der Fahrzeuge miteinander verglichen werden, was bei Infosleuth nicht

möglich ist. Dies hilft um z.B. das Verhalten eines anderen Fahrzeugs richtig antizipieren

bzw. die Erfahrungen anderer Fahrzeuge nutzen zu können.

3.3 Ansätze zur Generierung einer erfahrungsbasierten

Selbstoptimierung

3.3.1 Explorationsverfahren zur Generierung neuer Erfahrungen

Da diese Arbeit auf symbolischen Erfahrungsdaten basiert, geht sie auch nur auf die

Methoden zur Generierung derartiger Erfahrungsdaten ein. Ansätze im Bereich der

Neuronalen Netze [Cal03] bzw. des Reinforcement Learnings [SB98] für sub-symbolische

Erfahrungsdaten werden demnach nicht betrachtet.

Stand der Technik 61

3.3.1.1 Exploration mittels Suchverfahren

Im Allgemeinen werden in der Literatur zwei Arten von Suchverfahren unterschieden: die

uninformierten und die informierten Suchverfahren [Bec03]. In den folgenden Kapiteln

werden die wichtigsten Vertreter beider Verfahren vorgestellt.

3.3.1.1.1 Uninformierte Suchverfahren

Realwelt-Probleme werden oft mit Hilfe von Graphen, Suchbäumen oder auch Netzwerken

gelöst. Die uninformierte Suche generiert dabei systematisch die Knoten des Zustandsraums

und überprüft diese auf Zielknoteneigenschaften. Sobald ein Knoten dem Zielzustand

entspricht, ist eine Lösung gefunden.

Die uninformierte Suche wird auch „Blind Search“ genannt. Sie besitzt keine Informationen

über die eigentliche Problemdefinition hinaus, z.B. keine Informationen über die

Zustandsübergänge, wie zum Beispiel Pfadkosten oder aber keine Informationen über

vorgegebene Restriktionen, wie zum Beispiel bei der Tourenplanung häufig auftretende

Kapazitätsrestriktionen. Im Allgemeinen ist bei der uninformierten Suche die optimale

Lösung jene, welche auf der höchsten Ebene des Suchbaumes liegt, d.h. mit der kleinsten

Anzahl von Schritten erreicht wird [Bec03].

Breitensuche

Bei diesem Suchverfahren wird der Suchbaum von der Wurzel aus „Schicht für Schicht von

oben nach unten“ [GRS03, S. 133] durchforstet. Zuerst wird der Startknoten expandiert, also

die Wurzel des Baumes. Jeder seiner direkten Nachfolgerknoten wird daraufhin überprüft, ob

er ein Zielknoten ist und expandiert. Erst nach Abarbeitung aller Knoten innerhalb der Tiefe

d=1 werden die Nachfolgerknoten der Tiefe d=2 überprüft und expandiert. Das heißt, dass

Knoten der Tiefe d erst expandiert werden dürfen, wenn alle Knoten der Tiefe d-1 expandiert

wurden. Dieses Vorgehen endet, sobald ein Zielknoten und somit eine Lösung gefunden wird.

Die Breitensuche ist vollständig. Insofern also eine Lösung in dem Suchbaum existiert, wird

die Breitensuche auch eine Lösung finden [RN03]. Damit ist jedoch nicht gesichert, dass der

gefundene Zielknoten eine optimale Lösung darstellt. Es wird lediglich ein Knoten gefunden,

der die Zieleigenschaften besitzt und in der geringsten Tiefe liegt. Somit liefert die

Breitensuche im Vergleich zur Tiefensuche immer die kürzere Lösung [RN03].

Die Anwendungsgebiete der Breitensuche sind vielfältig. So wird sie z.B. bei dem

Filesharing-Programm Gnutella zum Lokalisieren von Files verwendet.20 Eine andere

Anwendung findet bei einem „Superoptimierer“ zum Optimieren einer

20 http://ipsi.fraunhofer.de/~risse/seminar2002/Effiziente_Suche_in_Peer-to-Peer-Netzwerken.html

62 Stand der Technik

Assemblercodefrequenz21 statt. Ebenso wird die Breitensuche bei der „roboterbasierten“

Suche verwendet.22

Tiefensuche

Wie der Name schon impliziert, durchforstet dieses Suchverfahren den Suchbaum primär in

die Tiefe. Angenommen, auf einer Ebene d wurden die Knoten n1, n2 und n3 generiert, dann

wird der Knoten n1 daraufhin überprüft, ob er ein Zielknoten ist. Ist dies nicht der Fall, so

wird der genannte Knoten expandiert. Im Gegensatz zur Breitensuche begibt sich die

Tiefensuche nun schon auf die Ebene d+1 und überprüft einen der Nachfolger von n1. Dieser

Nachfolger wird dann expandiert, falls er kein Zielknoten ist. Die Tiefensuche verfolgt diesen

Pfad so lange, bis er in einer Sackgasse endet, d.h. der zuletzt generierte Knoten hat keine

Nachfolger und ist auch kein Zielknoten. Währenddessen verbleiben alle generierten, noch

nicht expandierten Knoten der bereits besuchten Ebenen in der Liste der offenen Knoten.

Gelangt die Suche in eine Sackgasse, so fährt das Suchverfahren mit dem nächstgelegenen

Knoten, für den noch nicht alle Nachfolger expandiert wurden, weiter fort. Dies entspricht

einem Backtracking. Nach [GRS03] legt die Vorgehensweise der Tiefensuche – wie bei der

Breitensuche – jedoch noch nicht genau fest, in welcher Reihenfolge die Nachfolger eines

expandierten Knotens eingefügt werden.

Zur Bewertung der Tiefensuche müssen verschiedene Situationen betrachtet werden. Im Falle

von endlichen Suchbäumen ist die Tiefensuche vollständig. Verfolgt die Tiefensuche jedoch

einen unendlichen Pfad, welcher keinen Zielknoten enthält, so wird sie nicht terminieren und

kann somit keine Lösung liefern. Hier ist die Tiefensuche nicht vollständig. Der ungünstigste

Fall für die Tiefensuche wäre ein Suchbaum, in welchem die einzige Lösung am Ende des

äußersten rechten Pfades liegt. Hierzu muss die Tiefensuche alle Knoten des Suchbaumes

expandieren. Das Gleiche gilt für die Breitensuche [RN03].

Verfahren der uninformierten Suche werden in dieser Arbeit nicht eingesetzt, da der Aspekt

der „blinden Exploration“ nicht untersucht wird. Dies hat zwei Gründe: Zum einen machen

diese Verfahren aus betriebwirtschaftlicher Sicht in dem hier vorgestellten Szenario keinen

Sinn, da durch eine ausschließlich blinde Exploration keine Selbstoptimierung zu erwarten ist,

und zum anderen basiert gerade der Grundgedanke dieser Arbeit auf dem Nutzen der

Erfahrungen. Deshalb werden in dieser Arbeit nur die informierten Suchverfahren (das

iterative Verbesserungsverfahren „Hill Climbing“ für die MFM-Ebene und der A*

Algorithmus für die AMS-Ebene) eingesetzt.

21http://www.info.uni-karlsruhe.de/lehre/2003SS/Seminar-SSA-Codeerzeugung/Studenten-Ausarbeitungen

/Odendahl-Superoptimierer.pdf

22 http://www.inf-wiss.uni-konstanz.de/suche/tutorial/such_tutorial_anfaenger.html#2.3

Stand der Technik 63

3.3.1.1.2 Informierte Suchverfahren

Die informierten Suchverfahren verwenden Informationen über die eigentliche

Problemdefinition hinaus. Diese Zusatzinformationen können z.B. Kosten-, Entfernungs- oder

Kapazitätsangaben sein, die vom spezifischen Suchproblem abhängig sind.

Nach [LC01] wird bei größeren Suchproblemen versucht, den Suchraum über Kriterien oder

Heuristiken zu strukturieren oder einzugrenzen, um so zu einem Ergebnis bzw. einer Lösung

zu kommen. Eine Strukturierung bedeutet, dass die Abarbeitung der Knoten (Kandidaten) auf

der Grundlage dieser zusätzlichen Informationen erfolgt. Bevorzugt werden oftmals solche

Knoten, „die nahe am Ziel sind“ [GRS03, S. 139]. Um die Nähe eines Knotens zum Ziel zu

bestimmen, wird bei heuristischen Suchverfahren eine heuristische Funktion eingesetzt,

welche die Entfernung dieses Knotens zum Ziel schätzt. Diese Funktion schätzt entweder die

Kosten oder die Entfernung zum nächstgelegenen Ziel, auf deren Grundlage der als nächster

zu expandierende Knoten ausgewählt wird. Eine heuristische Funktion sollte demgemäß zum

einen die Nähe zum Ziel richtig wiedergeben, d.h. den Zielknoten mit 0 bewerten, und zum

anderen gewährleisten, dass der Aufwand für die Schätzung dieser Nähe in einem guten

Kosten-Nutzen-Verhältnis steht, d.h. dass der Schätzaufwand sich für die Ausführung des

Algorithmus lohnt [GRS03].

Greedy-Verfahren

Die Greedy Suche wird in der Literatur unterschiedlich bezeichnet, u.a. Best-First-Search,

Bestensuche, gierige Suche [RN03], [GRS03]. Es gibt viele Algorithmen, die die Greedy-

Methode verwenden oder auf dieser Methode aufbauen. Die Verfahren von Kruskal und Prim

[Lev03], der Algorithmus von Dijkstra [Bec03], [Suh02], [Cor01] oder die Bergsteiger-

Strategie (Hillclimbing) [BFM+04-ol] tragen die Züge eines Greedy-Verfahrens. Die

grundlegende Eigenschaft dieser Verfahren ist es, dass immer die Entscheidung, welche im

Moment am besten in Bezug auf die Lösung zu sein scheint, getroffen wird. Dabei

berücksichtigt das Verfahren nicht, welche Kosten der beschrittene Weg bereits verursacht

hat, sondern richtet sich immer nur nach vorne.

Die Greedy-Verfahren garantieren keine global optimale Lösung. Ein Beispiel dafür ist in

Abbildung 28 dargestellt. Hierbei handelt es sich um ein Travelling Salesman Problem. Die

Rundreise soll im Knoten A beginnen und auch dort wieder enden, nachdem jeder andere

Knoten genau einmal besucht wurde. Hierbei wird durch das Greedy-Verfahren die Rundreise

A-B-C-D-A ausgegeben mit einer Gesamtlänge von 2 + 3 + 23 + 5 = 33. Es existiert aber eine

noch kürzere Rundreise, nämlich A-C-B-D-A mit einer Gesamtlänge von nur 4 + 3 + 7 + 5 =

19.

64 Stand der Technik

1) 2) 3)

4) 5)

Abbildung 28: Gierige Suche beim TSP

Iterative Verbesserungsverfahren

Viele praktische Problemstellungen sind dadurch gekennzeichnet, dass eine optimale Lösung

gesucht wird. Wenn aufgrund der Komplexität der Situation das Optimalitätsziel jedoch

aufgegeben wird, bieten sich die iterativen Verbesserungsverfahren an. Bei der so genannten

Gradientensuche (oder auch Hill Climbing) [BFM+04-ol] wird, ausgehend von einer

vorläufigen Lösung, die Nachbarschaft nach einer Verbesserung durchsucht. Dies kann z.B.

durch ein Vertauschen von zwei Komponenten einer Lösung oder einer Veränderung einer

Variablen erreicht werden. Die neue Lösung wird bewertet und bei einer Verschlechterung

wieder verworfen. Bei einer Verbesserung wird solange in der „positiven“ Richtung gesucht,

bis keine Verbesserungen mehr erzeugt werden. Das Hill-Climbing Verfahren wurde in dieser

Arbeit auf der MFM-Ebene zur Verbesserung einer Fahrzeug-Vorgabebahn zur Überquerung

eines unbekannten Streckenabschnitts eingesetzt. Dieses Verfahren macht es für diese

Anwendung so interessant, weil die Fahrzeuge aus betriebswirtschaftlichen Gründen schon

nach wenigen Überfahrten über einen Streckenabschnitt eine Verbesserung in ihrem

Verhalten erfahren sollen. Verfahren wie z.B. die Neuronalen Netze, Reinforcement Learning

oder Neuro-Fuzzy-Systeme wären hier ungeeignet, da zur Trainierung ihrer Netze erst

mehrere Tausend Überfahrten erforderlich wären.

Ein wesentlicher Nachteil des Hill-Climbing Verfahrens besteht darin, dass es in einem

lokalen Optimum stecken bleiben kann. Daher wurden Erweiterungen entwickelt, die im

Laufe der Suche auch schlechtere Lösungen akzeptieren. Eine solche Erweiterung, die auch in

dieser Arbeit eingesetzt wurde, ist die Tabusuche (engl.: Tabu Search) [Mic00]. Bei ihm wird

innerhalb einer definierten Nachbarschaft nach dem besten Nachbarn gesucht, der u. U. auch

eine schlechtere Bewertung als die aktuelle Lösung hat. Um Zyklen zu vermeiden (also das

mehrmalige Suchen in einer Nachbarschaft mit schlechten Bewertungen), wird eine Tabuliste

eingeführt, die die bereits besuchten schlechten Nachbarschaften abspeichert. Die Tabuliste

wird dabei als Ringpuffer mit beschränkter Länge realisiert, so dass die Suche nach n

Schritten prinzipiell wieder zu einer alten, damals schlechten Lösung zurückfinden kann. Ein

weiteres Verfahren ist das simulierte Ausglühen (engl.: Simulated Annealing) [RN03]. Es ist

Stand der Technik 65

ein probabilistisches Verfahren, bei dem mit abnehmender Wahrscheinlichkeit schlechtere

Lösungen akzeptiert werden. Die Wahrscheinlichkeit für bessere Lösungen ist immer 1, für

schlechtere ist sie abhängig von der Differenz zur vorherigen Bewertung und von der Dauer

des Suchverfahrens. Zu Beginn des Verfahrens ist sie groß und verringert sich im Verlaufe

der Suche. Ist vi die Bewertung einer Lösung, dann akzeptiert der Algorithmus eine Lösung

mit einer Bewertung vj mit der Wahrscheinlichkeit

()()

tvv

ji −−+

=exp1

wobei t der Kontrollparameter Temperatur ist, der während der Suche in mehreren Schritten

heruntergesetzt wird. Die Entscheidung, wie schnell die Temperatur verringert wird, hat

entscheidenden Einfluss auf die gefundene Lösung. Ein langsames Absenken erhöht die

Wahrscheinlichkeit, dass eine bessere Lösung gefunden wird, bedeutet aber auch, dass die

Suche länger dauert [Kis03].

A*-Algorithmus

Der A* Algorithmus betrachtet im Unterschied zum Greedy Best First Search zusätzlich zu

einer Schätzfunktion h(n) die jeweils bereits zurückgelegte Strecke g(n). Die sich daraus

ergebende Funktion f(n) bildet die Summe der Kosten, die bereits entstanden sind, um zu

einem Knoten n zu gelangen, und der geschätzten Kosten zum Zielknoten.

f(n) = g(n) + h(n)

Der Algorithmus wird den Knoten expandieren, der für den Funktionswert f(n) den besten

Wert liefert. Des Weiteren speichert der A* Algorithmus alle Werte ab, die für f(n) berechnet

worden sind. Diese Informationen werden mit abgespeichert, damit der A* Algorithmus

immer den Knoten expandiert, welcher den besten Funktionswert f(n) hat. Aus dieser

Eigenschaft heraus findet der A* Algorithmus immer das globale Optimum (vorausgesetzt,

dass die Schätzfunktion zulässig ist, also nicht überschätzt). Des Weiteren kann gesagt

werden, dass der Algorithmus vollständig und optimal ist [RN03]. Diese Gründe sprechen für

seinen Einsatz auf der AMS-Ebene, auf der das Fahrzeug bestrebt ist, nach seinen derzeitigen

Erfahrungen den optimalen Weg von A nach B zu befahren. Würde das Fahrzeug nicht den

optimalen Weg befahren, entstünden zusätzliche, unnötige Kosten.

Bei all seinen Vorteilen besitzt der A* Algorithmus allerdings auch Nachteile. Bei der Suche

nach dem globalen Optimum merkt sich der Algorithmus alle Funktionswerte der bereits

expandierten Knoten, um diese miteinander vergleichen zu können. Diese Eigenschaft

verursacht ein Speicherproblem. Zumeist ist der Speicher des A* Algorithmus bereits voll,

bevor die Rechenzeit überschritten worden ist und ein Optimum gefunden wurde. Aus diesem

Grund ist der A* Algorithmus nicht für sehr große Probleme mit vielen Knoten geeignet. Um

den A* Algorithmus dennoch für größere Probleme benutzen zu können, gibt es Varianten

des Algorithmus, die mit weniger Speicher auskommen [Bec03].

66 Stand der Technik

SMA* (Simplified Memory-bounded A*) ist eine solche Variante und funktioniert wie der A*

Algorithmus. Die Ergebnisse nach jeder Expansion eines Knoten werden in einen Speicher

geschrieben, bis dieser voll ist. Wenn dieser Punkt erreicht ist, bricht der Algorithmus nicht

ab, sondern er wird den Knoten mit dem schlechtesten Funktionswert aus dem Speicher

löschen und an seiner Stelle den neuen Funktionswert speichern. Damit die Informationen der

Knoten, die gelöscht werden, nicht verloren gehen, werden die Funktionswerte in ihren

Vorgängern gespeichert. Diese Teilspeicherung von Daten erspart unnötiges, erneutes

Berechnen des Funktionswertes. Demzufolge wird auch der benötigte Speicherplatz reduziert

[RN03]. In der vorliegenden Arbeit wurde allerdings ein anderes Verfahren entwickelt, um

diese Speicherprobleme zu lösen. Bevor der A*Algorithmus operativ wird, werden zunächst

alle Streckenabschnitte des Schienennetzes eliminiert, die nicht befahren werden können oder

dürfen. So reduziert sich der Lösungsraum auf eine überschaubare Menge an Verbindungen.

In der Industrie wird der A* Algorithmus von einigen Entwicklern beim Programmieren von

PC-Games verwendet23. Sein Einsatz wird u.a. bei der hierarchischen Bahnplanung für

Industrie-Roboter untersucht24 und in dem Projekt „Intelligent behavior control and world

modeling for virtual humans in virtual environments“25.

3.3.1.2 Exploration mittels quantitativer Methoden

In der Praxis kommt es in physikalischen Anwendungen häufig vor, dass nur wenige

Wertepaare zur Verfügung stehen. Die Werte zwischen, vor und nach den vorgegebenen

Punkten müssen dann mit Hilfe einer Funktion interpoliert bzw. extrapoliert werden.

Zunächst werden hierfür die gewonnenen Daten in ein Koordinatensystem übertragen, um den

Zusammenhang der einzelnen Punkte zu verdeutlichen. Durch Verbinden der Punkte mit

Hilfe einer Linie (Regressionsgeraden) oder einer „glatten“ Kurve (Spline) lassen sich die

zugehörigen Zwischenwerte ablesen.

Regressionsgerade

Spline

Abbildung 29: Unterschied zwischen Regressionsgerade und Spline

Die Regressionsgerade reicht jedoch im kontinuierlichen Bereich (z.B. Erwärmungsverlauf

von Eisen, Bahnverlauf eines Fahrzeugs während der Fahrt) oft nicht aus, um praxisnahe

Szenarien darzustellen. Die Spline-Interpolation stellt hierfür eine passendere Methode dar

23 http://www-cs-students.stanford.edu/~amitp/gameprog.html

24 http://wwwipr.ira.uka.de/~oster/index.html#download

25 http://www.publica.fhg.de/documents/N-9293.html

Stand der Technik 67

[Vog04-o1]. Obwohl in der vorliegenden Arbeit nur die Splines berücksichtigt werden, geht

sie, zur Verdeutlichung der Unterschiede, kurz auf beide Verfahren ein.

Regressionsgerade

Grundlage der quantitativen Prognosemethodik ist die Regressionsgerade. Sie bildet eines der

am häufigsten angewandten statistischen Analyseverfahren [BEP+00]. Sie wird zur Analyse

von Beziehungen zwischen einer abhängigen Variablen und mehrerer unabhängiger Variablen

verwendet [Ste02]. Grundgedanke der Regression ist es, eine Stichprobe von Beobachtungen

der Form:

(a1,a2,a3..an,y)1, (a1,a2,a3..an,y)2,… (a1,a2,a3..an,y)m

die im euklidischen Raum dargestellt sind, durch eine Trendfunktion zu beschreiben. Bei der

multiplen linearen Regression ist dies eine Linie der Form:

y = b0 + b1*a1(x)+ b2*a2(x)+ ............bi*ai(x)

für den n-dimensionalen Raum. ai(x) bezeichnet hierbei den Wert des i-ten Attributes der

Instanz x. Die multiple Regressionsrechnung hat die Aufgabe, den Zusammenhang zwischen

mehr als zwei Variablen (Attributen) zu beschreiben und damit zu prognostischen Aussagen

für eine als abhängig angesehene Variable y zu gelangen [Mit97]. Geometrisch gibt b0

(Regressionskonstante) die Schnittebene der Hyperebene mit der Y-Achse an. Die übrigen

Koeffizienten bi (Regressionskoeffizient) geben (bei Beachtung der jeweiligen Vorzeichen)

den (positiven oder negativen) Beitrag an, um den sich der Schätzwert für die

deterministische Komponente y erhöht [Ste02].

Ein Beispiel [Hub00] soll die Explorationseigenschaften der Regressionsfunktion

verdeutlichen. Es soll die elektromotorische Kraft (Spannung im Leerlauf) einer Batterie

gemessen werden. Folgende Werte wurden gemessen [Hub00]:

Strom I/mA 1 1,5 2 2,5 3 3,5 4 4,5 5

Spannung

U/V

4,73 4,77 4,78 4,81 4,82 4,85 4,86 4,89 4,92

Tabelle 8: Messung der elektromotorischen Kraft einer Batterie [Hub00]

Zur Messung fließen verschiedene Ströme durch die Batterie, so dass die Zelle nicht im

Leerlauf ist. Deshalb werden mehrere Messungen mit immer kleineren Strömen durchgeführt,

um daraus auf den Strom Null zu extrapolieren.

Es lässt sich eine Tendenz dahingehend erkennen, dass mit abnehmendem Strom auch die

Spannung geringer wird. Es besteht also ein Rückgriff (= Regress) vom Strom auf die

Spannung. Die graphische Darstellung der Punkte zeigt jedoch, dass die Punkte nicht auf

einer Geraden liegen.

68 Stand der Technik

120 3456

4,7

4,75

4,8

4,85

4,9

4,95

Strom

Spannung

Abbildung 30: Messpunkte der elektromotorischen Kraft einer Batterie [Hub00]

Dies hat den Grund, dass nicht erfasste Einflussgrößen der empirischen Werte sich in

Abweichungen von der Regressionsgeraden niederschlagen. Diese Abweichungen werden

Residuen ek genannt und bestimmen sich aus der Differenz des empirischen Wertes zum

berechneten Wert [BEP+00].

kkk eyy

−

Die Regressionsgleichung muss nun so bestimmt werden, dass die Summe der quadratischen

Residuen minimiert wird. Aus diesem Grunde verwendet die Regressionsanalyse bei der

Auswahl der besten Geraden die Methode der kleinsten Quadrate (KQ-Methode)26 [BEP+00].

()

∑

=−

ii yy

2min

Dieses Prinzip besagt, dass die Gerade so zu legen ist, dass die Summe der quadratischen

Abweichungen der vorhergesagten Wertey

−

ˆ von beobachteten y-Werten möglichst klein

wird [Kah01]. Unter dem Abstand eines Punktes von einer Geraden wird dabei nicht die

Länge des Lotes von dem Punkt auf die Gerade, also der senkrechte Abstand, verstanden,

sondern die Abweichung der Punkte von der Geraden in y-Richtung [BGG04].

Die notwendigen berechneten Werte werden nach der Gleichung:

ii xbay *

mit

26 Durch die Quadrierung der Abweichungen werden größere Abweichungen stärker bewertet und verhindert,

dass sich positive und negative Abweichungen gegeneinander aufheben.

Stand der Technik 69

∑∑

∑∑∑

===

⎟

⎠

⎞

⎜

⎝

⎛

−

iiii

yyn

yxyxn

111

und xbya

−

( eMittelwertxy

ermittelt.

Für das oben aufgeführte Beispiel ergibt sich:

0439,0;6935,4 == ba und damit xy *0439,06935,4

Mit dieser Regressionsfunktion lässt sich nun jede beliebige Spannung in Abhängigkeit vom

Strom extrapolieren.

Spline-Interpolation

Eine „glatte“ Kurve bezeichnet man in der Mathematik als Spline. Der Begriff Spline kommt

ursprünglich aus dem Schiffsbau und bedeutet aus dem Englischen übersetzt „Latte“.

Betrachtet man einen Schiffsrumpf, so kann man eine gegebene Menge an festgelegten

Punkten (so genannten Stützpunkten) durch eine gebogene, elastische Holzlatte miteinander

verbinden und erhält so eine glatte Formung der Rumpfkontur [Böh74], [Sch04-o1].

Bei der Spline-Interpolation wird in kubische- und B-(Basis) Splines unterschieden. Die

kubische Spline-Interpolation ist eine Methode, um eine „glatte Kurve“ durch eine gegebene

Menge von Stützpunkten zu konstruieren. Die kubische Spline-Interpolation setzt sich aus

mehreren Teilbereichen mit Funktionen dritten Grades der Form fi(y)= aix3 + bix2 + cix + d

zusammen. Das bedeutet, dass bei n Teilbereichen n+1 Stützpunkte vorhanden sein müssen.

Zum Erreichen einer „glatten Kurve“ muss die Krümmung an den End-Stützpunkten jedes

Teilbereichs bestimmt werden. Die Krümmung errechnet sich aus der zweiten Ableitung und

macht es möglich, die einzelnen Teilbereiche stetig miteinander zu verknüpfen [Kno00].

Kubischer Spline

B-Spline

Abbildung 31: Unterschied zwischen kubischem- und B-Spline

B-Splines unterscheiden sich von den kubischen Splines darin, dass ihr Kurvenverlauf nicht

durch alle gegebenen Stützpunkte verläuft. Im Allgemeinen geschieht dies bei mehr als drei

70 Stand der Technik

Stützpunkten. Ein Vorteil von B-Splines liegt darin, dass sich Änderungen von Werten nur

lokal und nicht auf alle Intervalle auswirken [Tuw05-ol].

Ein Beispiel für das Anwendungsgebiet einer Spline-Interpolation ist die Entladekurve eines

Kondensators. Die erste Messung erfolgt zum Zeitpunkt t = 0. Alle anderen Messungen

erfolgen in gleichen Zeitintervallen. Als Ergebnis werden mehrere punktuelle Messungen

vorgenommen, wobei die Stützstellen den Zeitpunkt der Messung und die zugehörigen

Stromwerte die Stützwerte darstellen. Durch eine kubische Spline-Interpolation wird die

zugehörige Funktion ermittelt, welche die Entladung des Kondensators beschreibt [Vog04-

ol]. Mit dieser Funktion kann nunmehr extrapoliert werden, zu welchem Zeitpunkt der

Ladezustand des Kondensators Null ist.

Abbildung 32: Entladekurve eines Kondensators [Vog04-ol]

Die Geowissenschaft verwendet Interpolationsmethoden z.B. zur Bestimmung der Erzstufen

in Erzminen. Hierfür müssen die Daten so zusammengestellt werden, dass sie eine

kontinuierliche Funktion ergeben, um die topographische Oberfläche einer gewünschten

Region realistisch darzustellen. Eines der wichtigen Einsatzgebiete der Interpolation ist

hierbei das topographische Darstellen von Höhenunterschieden. Hierfür wird mit Hilfe von

Höhenlinien (Isohypsen) eine dreidimensionale Darstellung auf einer zweidimensionalen

topographischen Landkarte errichtet. Da immer nur eine geringe Anzahl an Messpunkten zur

Verfügung steht, werden die übrigen Messpunkte mit Hilfe der Spline-Interpolation

interpoliert und zu kontinuierlichen Isohypsen miteinander verbunden [Vog04-ol]. Ist diese

Karte erstellt und wurden Erzstufen gefunden, kann sie zum Explorieren weiterer, potentieller

Erzgebiete genutzt werden.

bbildung 33: Interpolierte Oberfläche [Vog04-ol] A

Stand der Technik 71

Die Automobilindustrie stellt ein weiteres, wichtiges Anwendungsgebiet für die Spline-

Exploration mittels genetischer Algorithmen

bild der Evolution und sind

ie Darwin`sche Theorie wurde auf die genetischen Algorithmen übertragen (siehe

bbildun

ie ersten Anwendungen genetischer Algorithmen wurden in intelligente, adaptive

Spielprogramme umgesetzt. Die bekanntesten Beispiele sind das vereinfachte und das

Interpolation dar. Im Speziellen kommen Splines bei der Konstruktion von Fahrzeugteilen,

wie z.B. einem Auspuff, Bremstrommeln und Radlagern zum Einsatz. Die Konstruktion

dieser Teile wird heutzutage mit Computerprogrammen digitalisiert und am Bildschirm drei

dimensional dargestellt und nicht an einem Modell plastisch abgebildet [Sch04-ol]. Zudem

werden Splines in der Finanzwelt eingesetzt, um die Volatilität eines Aktienkurses zu

schätzen und dessen zukünftigen Verlauf zu prognostizieren [Ber04].

3.3.1.3

Die genetischen Algorithmen basieren auf dem natürlichen Vor

auf die Grundlagen von Charles Darwin (1809-1882), dem Begründer der Evolutionstheorie,

mit seinem Buch „On the Origin of Species by Means of Natural Selection (1859)“,

zurückzuführen. Darwins Theorie der Evolution durch natürliche Selektion besagt im

Wesentlichen, dass die Individuen einer Population alle verschieden voneinander sind bzw.

unterschiedlichen stochastischen Abweichungen unterliegen, die sich durch unterschiedliche

Fitness äußert. Von diesen sind bestimmte Individuen an die herrschenden

Umweltbedingungen besser angepasst als andere und haben damit größere Überlebens- und

Fortpflanzungswahrscheinlichkeiten. Die genetische Beschaffenheit dieser besser angepassten

Individuen wird durch Vererbung an folgende Generationen weitergegeben. Es findet ein

Wechselspiel von Mutation (stochastische Abweichung) und Selektion (natürliche Auslese:

„Überleben des Stärksten“) statt. Dieser schrittweise und kontinuierliche Prozess bewirkt die

Evolution der Arten [Nis97], [SHF96], [GKK04].

Abbildung 34). Dabei wird versucht, aus einer großen Menge möglicher Lösungen, die durch

Individuen in einer Population repräsentiert werden, eine bessere oder sogar die beste Lösung

zu generieren. Die Lösungen genetischer Algorithmen werden zufällig bestimmt. Die

Zufallsprozesse setzen sich dazu aus der häufig stochastisch gebildeten Ausgangspopulation

und den Wahrscheinlichkeiten der einzelnen Operatoren (Selektion, Kreuzung, Mutation)

zusammen. Somit ist das Ergebnis eines genetischen Algorithmus nicht vorhersehbar.

Population

Generation zum Zeitpunkt

t=x

Population

Generation zum Zeitpunkt

t=x+1

Selektion,

Kreuzung,

Mutation

A g 34: Schema eines Generationsprozesses

72 Stand der Technik

minimierte Schachspiel von Bagley sowie das n-Damen Problem von Samuel [RN03]. Des

Weiteren wurden von Cavicchio ein Mustererkennungsverfahren und von Rosenberg und

Weinberg Verfahren zur Simulation lebender Zellen entwickelt [GKK04].

Aus technischer Sicht bietet sich der Einsatz von genetischen Algorithmen zur

rogrammierung der Abläufe von Roboterbewegungen an [Ort02-ol]. Dieses Gebiet hat in

.3.2 Ansätze zur erfahrungsbasierten Selbstoptimierung der

Verhaltensweisen

kogniti Woo02]. Kognitive Systeme zeichnen sich

den letzten Jahren aufgrund steigender Zahlen von Robotern in der Industrie an Bedeutung

gewonnen. Ziel ist es, die immer komplexer werdenden Abläufe der Roboterarme

(Manipulatorarme) und die entsprechend aufwendige Programmierung mit dem Einsatz von

genetischen Algorithmen zu vereinfachen. Eine weitere klassische Anwendung für genetische

Algorithmen ist der Einsatz in der Produktionsplanung und -steuerung von

Fertigungssystemen [Cla96] oder in der Fahrplanoptimierung der Deutschen Bahn [Gät04].

Bei dieser zentralen Optimierung werden alle möglichen Züge und Verbindungen mit ihren

Randbedingungen zur Erstellung eines Gesamtplans betrachtet. In unserem Szenario

verbessern sich jedoch die Fahrzeuge nicht nach einem zentralen Gesamtplan, sondern

dezentral nach deren individuellen Zielen. Zusätzlich soll aus wirtschaftlichen Gründen nicht

stochastisch, sondern statistisch exploriert werden. Diese Überlegungen lassen die

genetischen Algorithmen für unser Szenario als ungünstig erscheinen, weshalb sie in dieser

Arbeit nicht weiter untersucht wurden.

Im Bereich der erfahrungsbasierten Selbstoptimierung von intelligenten Systemen wird in

ve und reaktive Systeme unterschieden [

durch ihre Repräsentationseigenschaften der Umwelt, ihre Kommunikationseigenschaften und

ihre Informationsverarbeitung durch Lernfähigkeit und Antizipation aus [GRS03]. Bezogen

auf logistische Problemstellungen bedeutet dies, dass kognitive Systeme versuchen, eine

Landkarte (eine interne Repräsentation der Umgebung) zu erstellen, ihre Position darin zu

bestimmen, Rückschlüsse auf ihr zukünftiges exploratives oder exploitatives Verhalten zu

ziehen und dann mit anderen Systemen darüber zu kommunizieren. Reaktive Systeme haben

diese Fähigkeiten nicht. Reaktive Systeme nehmen ihre Umwelt nicht wahr, solange nicht von

außen auf sie eingewirkt wird. Kommt es zu einer Einwirkung, verhalten sich die Systeme

nach fest vorgegebenen Regeln und handeln ohne explizite Denkprozesse. Trotz limitierter

Fähigkeiten kann jedoch durch eine Vielzahl reaktiver Systeme das Gesamtsystem intelligente

Verhaltensweisen aufweisen, ähnlich einer Ameisenkolonie, die vollkommen ohne jegliche

Form von intelligentem Verhalten einer einzelnen Ameise in der Gesamtheit hoch komplexe

Aufgaben wie Nestbau, Nahrungssuche etc. durch Kooperation löst [Sch03b-ol]. Diese Arbeit

ist jedoch auf die kognitiven Systeme fokussiert, die sowohl deliberative Eigenschaften

(Systeme besitzen ein Ziel, das durch geplante Aktionen im Umweltmodell erreicht werden

kann) als auch reflektive Eigenschaften (Systeme verfügen über einen eigenen, internen

Zustand, der es ermöglicht, Ziele neu zu bestimmen; dies ermöglicht eine Selbstoptimierung)

besitzen [Ber03a-ol].

Stand der Technik 73

Die Ansätze kognitiver Systeme stützen sich auf die Methoden des maschinellen Lernens.

Diese bezeichnen die Automatisierung eines Lernprozesses, der zum Ziel hat, auf einer

Lernen (Lernen aus Beispielen, vom Einzelfall zum Allgemeinen): Es

werden neue Zusammenhänge, die vorher nicht bekannt waren, entdeckt.

•

wird analysiert, um es

wachten, induktiven Lernverfahren, wobei die

euronalen Netze und Entscheidungsbäume ausgeklammert werden; erstere, da sie nicht zu

Maschine (meist ein Computer) eine Aufgabe beim nächsten Mal genauer, dass heißt mit

einer geringeren Fehlerwahrscheinlichkeit zu lösen als beim vorherigen Mal. Im Wesentlichen

existieren zwei grundverschiedene Arten des Lernens [Mit97]; das induktive und das

deduktive Lernen.

• Induktives

Voraussetzung ist das Vorhandensein vieler Daten bei geringem Wissen über diese.

Anwendungsgebiete für die Verfahren des induktiven Lernens sind z.B. die Analyse

von Kundentypen, die Optimierung von Marketingaktionen oder die Modellierung

von komplexen Modellen des Devisen- oder Aktienmarktes.

Deduktives Lernen (erklärungsbasiertes Lernen, vom Allgemeinen zum Einzelfall):

Das in Wissensbasen oder Datenpools gesammelte Wissen

später effizienter oder automatisch einsetzen zu können. Es basiert im Unterschied

zum induktiven Lernen auf größeren Wissensbasen und wenigen Erfahrungen. Die

Verfahren des deduktiven Lernens eignen sich besonders zur Automatisierung von

technischen Regelungsprozessen unter Verwendung von bekannten expliziten Regeln

bzw. Expertenwissen. Beispiele hierfür sind die Steuerung von Stahlöfen,

Straßenbahnen oder Waschmaschinen [KWZ98].

Abbildung 35:

Unüberwachtes

Lernen

Überwachtes

Lernen

•Assoziations-

regeln

•Neuronale Netze

•Entscheidungsbäume

•CBR

Deduktives LernenInduktives Lernen

•Regeln, Axiome

Maschinelles Lernen

Maschinelles Lernen im Überblick

Diese Arbeit beschränkt sich auf die über

den symbolischen, sondern zu den sub-symbolischen Lernmethoden zählen und letztere, da

Entscheidungsbäume den Nachteil aufweisen, dass erst (wie auch im Bereich des

Reinforcement Learnings) eine geeignete Anzahl an Erfahrungen vorhanden sein muss, bevor

das System verlässlich lernt. Im Bereich des CBR kann durch Ähnlichkeitsschlüsse bereits

mit der ersten Erfahrung gelernt werden (siehe Kapitel 3.3.2.2).

74 Stand der Technik

Im Bereich der erfahrungsbasierten Selbstoptimierung von Fahrzeugen wurden bereits

umfangreiche Untersuchungen unternommen. TOUR [Kui78] wird hier als eine der ersten

omplexen Netzwerken Wege zwischen

orgegebenen Anfangs- und Zielknoten. Das Modell basiert, im Prinzip wie TOUR, auf der

Psychologie als auch

er Künstlichen Intelligenz. Er konzentriert sich auf die Beschreibung der Relationen

aus einem

euronalen Netz von möglichen Haltestellen (Knoten) und einer textbasierten Liste

Anwendungen im Bereich der Logistik angesehen. Es lernt und löst eigenständig Probleme,

während es sich durch eine große, städtische Umgebung bewegt. Sein Hauptfokus ist auf den

Aufbau einer kognitiven Karte gerichtet, in der das Wissen in fünf Kategorien abgespeichert

wird: (1) Routen, (2) topologisches Straßennetzwerk, (3) die relative Position von 2 Orten, (4)

Grenzen und (5) Regionen. Das Wissen ergibt sich aus Umweltbeschreibungen, die derzeitige

Position und Inferenzregeln. Es kann somit nicht vorausschauend agieren, sondern wird durch

eine Sequenz von View-Action-Befehlen gesteuert.

Das Programm TRAVELLER [LZ89] findet in k

Repräsentation des mentalen Modells der räumlichen Umwelt als Graphennetz und integriert

neue Kenntnisse über die Umwelt. Der TRAVELLER findet jedoch nur topologische

Relationen zwischen benachbarten Orten und ignoriert die Netzwerkstruktur und die

Wegeffektivität, d.h. der TRAVELLER untersucht nicht, welcher Weg der kürzeste oder

günstigste ist, sondern findet nur mögliche Pfade zwischen zwei Orten.

NAVIGATOR [GKS89] integriert Aspekte sowohl aus dem Bereich der

zwischen verschiedenen Objekten und ihrer Gewichtung durch ein Fahrzeug. Das räumliche

Lernen ist als Prozess definiert, bei dem nach der Identifikation von Landmarken (Knoten)

Kenntnisse über Routen zwischen den Landmarken gewonnen werden. NAVIGATOR besteht

aus zwei Modulen: einer objektiven Umweltbeschreibung und einer individuellen, subjektiven

Repräsentation der Umwelt. Die objektive Umwelt wird als Netz aus horizontalen und

vertikalen Straßen dargestellt. Die Bewegungen durch das Straßennetz werden vom Nutzer

definiert, und durch entsprechende Instruktionen lässt sich das Fahrzeug steuern. Während der

Ortsbewegung nimmt das Fahrzeug Informationen über ein begrenztes Gebiet auf. Damit

entwickelt es sein mentales Modell der Umwelt für die Beschreibung der Relationen zwischen

den verschiedenen Objekten und ihren Gewichtungen. Das wiederholte Auftreten derselben

Szene vergrößert die Gewichtung des Objekts. Das bedeutet, wenn ein Fahrzeug ein Objekt

wiedererkennt, wird die Gewichtung verstärkt. Wenn die Gewichtung im Laufe der Zeit unter

einen bestimmten Schwellenwert sinkt, wird die Information über dieses Objekt im

individuellen Speicher gelöscht. Die Gewichtung ist somit abhängig von der Zeit.

NAPS-PC (Network Activity Processing Simulator – PC) [ONe91] besteht

topologischer Verbindungen zwischen diesen Haltestellen. Die Suche nach einer Route

beginnt mit einer maximalen „Stimulierung“ des Anfangs- und Endknotens. Die Suche

pflanzt sich von diesen beiden Knoten durch das Neuronale Netz fort, bis sich die Pfade

beider Suchaktivitäten schneiden. Knoten, die innerhalb dieser Überschneidung liegen,

werden als Unterziele aktiviert. Die Simulation ist allerdings nur für Situationen geeignet, bei

der bereits ein umfassendes Wissen über die Umwelt existiert.

Stand der Technik 75

Raubals perceptual wayfinding model [Rau01] integriert das Fahrzeug und seine Umwelt

innerhalb eines Sense-Plan-Act Framework. Es fokussiert auf Wissen über die Umwelt, um

eibt das Verhalten eines beliebigen

erkehrsteilnehmers in einer vorgegebenen variablen Umgebung einer Stadt. Hierbei sind die

nd SPAM [MD84], ELMER [MRS82] und ARIADNE [Eps97],

ie ähnliche, wie bereits oben beschriebene Ansätze für Lern- und Problemlösungsszenarien

ekannten Verfahren die Hinzunahme eines gezielten

rfahrungsaustausches zwischen mehreren Fahrzeugen, um eine unmittelbare Verbesserung

.3.2.1 Instanzbasiertes Lernen

(fallbasiertes Schließen) bildet das

Lernverfahren beruhen auf der Annahme, dass nicht

distEuk(x,y) =

während einer Wegfindungsaufgabe Aktionen zu erklären. Das Modell kann für die

Simulation von Wegfindungsverhalten von Menschen genutzt werden und unterstützt

Forscher bei der Beantwortung der Frage, wo und warum Menschen Schwierigkeiten bei der

Wegfindung haben und was getan werden muss, um dieses zu vermeiden. Das Model wurde

am konkreten Beispiel eines Flughafens getestet.

Das Modell von Unger [Ung02] beschr

Verkehrsteilnehmer in der Lage, ihre Umgebung wahrzunehmen, sie aktiv zu beeinflussen

und sich der Umgebung anzupassen. Jeder Verkehrsteilnehmer sucht für die Erfüllung seiner

Aufgabe günstige Wege zwischen verschiedenen Orten und passt dabei sein Verhalten und

ggf. seine Aufgabenstellung den eventuellen Änderungen der Umweltbedingungen an. Als

Modell für die Entscheidungsfindung eines autonomen Verkehrsteilnehmers dient ein

Neuronales Netz mit dem Inputvektor bestehend aus (1) Richtung, (2) Weginformation, (3)

Plan und (4) Befahrbarkeit.

Weitere bekannte Systeme si

in räumlichen Netzwerken haben.

Im Allgemeinen fehlt allen b

der Entscheidung eines einzelnen Fahrzeugs zu erreichen. Erste Ansätze hierzu wurden im

Bereich des verteilten Case-Based Reasonings unternommen, auf das in Kapitel 3.3.2.3 näher

eingegangen wird.

Die Grundlagen des Case-Based Reasonings

instanzbasierte Lernen. Instanzbasierte

nur ein Attribut, sondern eine komplette Erfahrung, die sich aus mehreren Attributen

zusammensetzt, zur Lösung eines Problems herangezogen werden muss. Für numerische

Attributwerte war das Verfahren in der Statistik schon länger unter dem Begriff des „Nächste

Nachbarn“ –Verfahrens [CH67], [Mit97], [BK03] bzw. als lokale, gewichtete Regression

bekannt. Das k-Nächste Nachbarn-Verfahren vergleicht die Lage eines Punktes im n-

dimensionalen Raum ℜn. Der Abstand dieser Punkte lässt sich mit Hilfe der euklidischen

Distanz berechnen. Diese wird definiert durch [Mit97]:

∑

−

ii yx

)²(

76 Stand der Technik

beziehungsweise in normierter Form:

dist (x,y) =

()

∑

−

ii yx

Euk

Es ist darüber hinaus möglich, die jeweiligen Attribute zu gewichten und damit deren

ichtigkeit für die entsprechende Erfahrung zu unterstreichen. Hierzu wird der Wert α ≥ 0

distEuk(x,y) =

verwendet, so dass gilt: Σα=1. Erweitert man die euklidischen Distanzfunktion um den

genannten Parameter, so gelangt man zu der Funktion:

∑

−

iii yx

)²(

Für die Berechnung der Distanzwerte numerischer Attribute, für die gilt x , müssen

doch zuvor Wertebereiche festgelegt werden. Angenommen der Wertebereich der

dass es sich um eine Erfahrung mit zweiwertigen

oolschen) Attributen mit den Werten xi,y

iℜ∈

Geschwindigkeit eines Fahrzeugs beträgt [0,100], so besitzt dieses eine

Minimalgeschwindigkeit vmin = 0 km/h und eine Maximalgeschwindigkeit vmax = 100 km/h.

Diese Werte werden in einen binären Wertebereich umgewandelt, so dass gilt: vmin → 0 und

vmax → 1. Da eine Erfahrung grundsätzlich aus mehreren Attributen besteht, definiert sich der

binäre Wert der Attribute ai einer Erfahrung durch eine Matrix Wai: Gimin x Gimax → [0,1],

wobei Gix den minimalen bzw. den maximalen Grenzwert und Wai den daraus resultierenden

Wert zwischen 0 und 1 darstellt. Der Distanzwert numerischer Attributwerte definiert sich

somit entsprechend der bereits oben erwähnten euklidischen Distanzfunktion.

Als zweites Beispiel wird angenommen,

(b i

∈

{0,1}, also um Werte wie wahr, falsch; ja, nein;

distH(x,y) =

schnell, langsam etc. handelt. In diesem Fall ist die Distanzberechnung relativ einfach. Die

Distanzfunktion zwischen diesen Erfahrungen wird auch als Hamming-Distanz bezeichnet

und wird definiert durch [BK03]:

∑−

ii yx ||

beziehungsweise in normierter Form [Ber02]:

distH(x,y) = ∑

−

ii yx

In Planungssystemen arbeiten Computerprogramme jedoch nicht ausschließlich mit

numerischen oder Boolschen, sondern auch mit symbolischen Werten. Häufig müssen diese

mit in die Distanzberechnung einbezogen werden. Leider ist ein Computer nicht selbständig

in der Lage, eine Distanz zwischen einem BMW und einem Mercedes herzustellen. Nicht

Stand der Technik 77

einmal Menschen können hier objektive Klassifikationen vornehmen. Viele Menschen

würden vermutlich behaupten, dass ein BMW und ein Mercedes eine geringe Distanz

besitzen. Ein Ingenieur von BMW hingegen sähe wohl eine große Distanz zwischen diesen

beiden Marken. Bei der Distanzbetrachtung von symbolischen Werten spielt also der

subjektive Einfluss der Experten eine große Rolle. Die lokalen Distanzen von symbolischen

Werten befinden sich dabei ebenfalls im Intervall dist(x,y) = [0,1].

Für die Betrachtung der lokalen Distanzen numerischer und symbolischer Attribute ist es

unerlässlich, die Art der Dynamik zu spezifizieren. Es ist entscheidend zu wissen, wie sich die

Distanzen zueinander verhalten. Steigen sie linear, degressiv oder progressiv? Gibt es einen

Threshold, ab dem eine Distanz erst sinkt oder steigt? Grundsätzlich unterscheidet Bergmann

[Ber02] in vier verschiedene Distanzverläufe:

11 1

dist

(

dist

(

dist

(

α2> α1α2> α1

α2α1

α1α2

sim = f(dist(x,y)) sim = f(dist(x,y)) sim = f(dist(x,y))

Threshold

Funktion

Lineare

Funktion

Exponentielle

Funktion

S-förmige

Funktion

dist

(

sim = f(dist(x,y))

Abbildung 36: Basisverläufe für Ähnlichkeitsfunktionen [Ber02]

ei der Threshold Funktion nimmt ab einer bestimmten Distanz (Threshold) zweier

Erfahrungen der Distanzwert schlagartig ab. Bei der linearen Funktion wird bis zu einer

minimalen Distanz (distmin) der Distanzwert stets 1. Ab diesem Punkt nimmt der Wert linear

mit der Erweiterung der Distanz ab, bis die maximale Distanz (distmax) erreicht ist. Möglich

sind auch exponentielle oder s-förmige (sigmoide) Distanzfunktionen. Ein exponentieller

Verlauf bedeutet, dass schon ein geringer Unterschied in der Distanz eine große Auswirkung

auf den Distanzwert hat. Entscheidend in diesem Zusammenhang ist der zu wählende

Parameter α. Da der Distanzwert mit zunehmender Distanz abnimmt, liegt α im Intervall [0,-

1]. Je größer sein Wert ist, desto stärker wirken sich Änderungen auf die Distanzwerte aus.

Sigmoide Funktionen werden eingesetzt, wenn sich ab einem gewissen Threshold eine

signifikante Änderung der Distanz ergibt. Wie bei den exponentiellen Funktionen kann auch

hier der Kurvenverlauf mit dem α-Wert beeinflusst werden. Je kleiner dieser Wert ist, desto

steiler ist der Abfall der Distanzwerte beim Threshold [Ber02].

vielen Fällen wird nicht von Distanzen, sondern von Ähnlichkeiten gesprochen. Die In

Beziehung zwischen beiden Begriffen ist leicht hergestellt und lautet:

dist (x,y) := 1 – sim (x,y)

78 Stand der Technik

In der vorliegenden Arbeit wird jedoch der Begriff der „Distanz“ weiter beibehalten.

stanzbasierte Lernverfahren gehören zu der Klasse der „lazy learners“, da sie immer erst

3.3.2.2 Case-Based Reasoning

lischen und numerischen Werten entstand in den letzen

ie Ursprünge des fallbasierten Schließens liegen in drei unterschiedlichen Bereichen der

• der kognitiv orientierten Forschung,

rten Methoden.

Das Ziel des fallbasierten Schließens ist es, das Gedächtnis von Experten oder ein reales

us dieser Aussage lässt sich der Kernpunkt des fallbasierten Schließens ableiten: nämlich

dann aktiv werden, wenn eine neue Instanz (Erfahrung) klassifiziert werden soll. Ansonsten

besteht die Arbeit des Instanzbasierten Lernens lediglich aus dem Abspeichern der

Erfahrungen [GRS03]. Der Vorteil dieser Methode liegt darin, dass keine globale Zielfunktion

für den gesamten Erfahrungsraum ständig neu berechnet werden muss, sondern nur für jede

spezielle Erfahrung neu angestoßen wird.

Für komplexe Erfahrungen mit symbo

zehn Jahren das fallbasierte Schließen (Case-Based Reasoning) [Ber02], [CP02]. Im

Wesentlichen baut dieses Verfahren auf denselben, oben erwähnten Prozessen auf. Es wird

nach geeigneten nächsten Nachbarn einer neuen Erfahrung gesucht. Die nächsten Nachbarn

sind historische Erfahrungen, die bereits einmal zur Anwendung gekommen sind. Auf diesen

Erfahrungen aufbauend können neue, komplexe Erfahrungen generiert werden. Nach

Generierung dieser Erfahrungen werden diese in der entsprechenden Klasse abgespeichert.

Künstlichen Intelligenz [Ber02], [Ric03], [Kol93]:

• dem analogen Schließen und

• dem Einsatz von wissensbasie

Objekt in seiner Gesamtheit zu simulieren. Im täglichen Leben lösen die Menschen Probleme,

indem sie auf gemachte Erfahrungen zurückgreifen. So verhält es sich zum Beispiel mit

einem Arzt, der sich während einer Behandlung an einen früheren Patienten mit ähnlichen

Symptomen erinnert und davon ausgehend eine entsprechende Therapie empfiehlt.

Menschliche Experten lösen Probleme oft mit Hilfe von bekannten Fallbeispielen. Sie

erinnern sich bei der Bewältigung des neuen Problems an eine vergleichbare frühere Situation

und versuchen, diese Erfahrung gewinnbringend zur Lösung der neuen Aufgabe einzusetzen.

Das fallbasierte Schließen wurde somit aus der kognitiven Sicht des Menschen dargestellt.

Das bedeutet: Ähnliche Probleme haben ähnliche Lösungen [Wes96].

dass das fallbasierte Schließen spezifische Erfahrungen über eine Domäne voraussetzt. In der

Literatur [GRS03], [RN03], [Ber02], [CP02] werden diese Erfahrungen auch als Fälle

Stand der Technik 79

bezeichnet, wobei sich ein Fall aus der Beschreibung der Problemsituation und der Lösung

dieser Situation zusammensetzt.

Vereinfacht ist eine Fallbasis eine Liste, ein Feld oder eine serielle Datei, die keine

weitreichenden Strukturen aufweist. So wird bei der Abfrage jeder Fall durchlaufen und

hinsichtlich der Ähnlichkeit überprüft. Eine solche flache Organisationsform hat den Vorteil,

dass

• durch den Durchlauf der gesamten Fallbasis der oder die besten Fälle gefunden

werden.

• durch die einfachen Strukturen neue Fälle einfach in die Fallbasis integriert werden

können.

Der wesentliche Nachteil besteht darin, dass die Suche bei einer großen Fallbasis sehr

zeitaufwendig und ineffektiv sein kann. Bei großen Fallbasen ist somit eine flache Struktur

indiskutabel. Damit die Suche effektiver ist und die Vorteile der seriellen Fallbasis genutzt

werden, bedient die Forschung sich der hierarchischen Strukturierung [Wes96]. Die

hierarchische Strukturierung der Fallbasis hat allerdings die Nachteile, dass

• diese mehr Speicherkapazität benötigt als die flache Struktur und

• die Integration der neuen Fälle in die Fallbasis sorgfältig durchzuführen ist.

Der Vorteil des wesentlich effizienteren Verfahrens wiegt jedoch die Nachteile auf.

In der Literatur werden mehrere Modelle des fallbasierten Schließens mit verschiedenen

Phasen vorgestellt. Im europäischen Raum wird hauptsächlich auf das Modell von Aamodt

und Plaza [AP94] zurückgegriffen.

Nach diesem Model besteht der Prozess aus folgenden Phasen:

• Abrufen (Retrieve) des ähnlichsten Falles über ein Ähnlichkeitsmaß,

• Wiederverwendung (Reuse) der Informationen des genannten Falles für das aktuelle

Problem durch Adaption dieses Falles,

• Durchführung (Revise) der vorgeschlagenen Lösung und

• Lernen (Retain) aus den erhaltenen Ergebnissen für die Zukunft.

80 Stand der Technik

geprüfter

Fall

neuer

Fall

neuer

Fall

früherer

Fall

gelöster

Fall

gelernter

Fall

Allgemeines

Fachwissen

früherer

Fall

Ähnlichkeit

Adaption

Durchführung

Lernen

Abbildung 37: Zyklus des fallbasierten Schließens nach Aamodt und Plaza [AP94]

So ist das Lernen im Prozess des fallbasierten Schließens fester und wesentlicher Bestandteil.

Neben der Beschreibung des Falles müssen dabei die Problembeschreibung, Lösung und

gegebenenfalls auch der Prozess, der zu der Lösung oder Interpretation geführt hat,

gespeichert werden.

Eine interessante Anwendung ist die von McGinty und Smyth [MS01a], [MS01b], [MS01c].

In ihr verwenden sie ein CBR-System zur verteilten Routenplanung. Erfahrungen über gute

Routen können somit über mehrere Fahrzeuge ausgetauscht werden (siehe Kapitel 3.3.2.3).

Im kommerziellen Bereich sind besonders die Help-Desk Anwendungen hervorzuheben. Hier

gab es in den letzten Jahren eine starke Entwicklung. CBR-Systeme in Help-Desk

Anwendungen können Anbietern von technischen Geräten durch die verbesserte

Kundenunterstützung Marktvorteile verschaffen. Darüber hinaus können CBR-Systeme bei

der Erfahrungsakquisition für die Diagnose helfen, um

• die Unterstützung nach dem Verkauf mittels Help-Desk Systemen zu verbessern

(Telefon-Hotline),

• Diagnostik- und Fehleranalyse-Werkzeuge zu entwickeln und

• die Erfahrung von Spezialisten zu extrahieren und wiederzuverwerten.

Auch im Internetbereich werden diese Systeme als virtuelle Assistenten eingesetzt. Der

Vorteil besteht darin, dass dem Kunden sogar bei unscharfen und unvollständigen Anfragen

noch sinnvolle Ergebnisse und Alternativen genannt werden können [Web94]. Eine Übersicht

weiterer interessanter Anwendung bietet Tabelle 9.

Stand der Technik 81

Anwendungsgebiet System Autor

Medizinische Diagnose CASEY Koton

Fehler-Diagnose PATEX/2 Weiß

Verhandlung MEDIATOR Kolodner&Simpson

Verpflegung Julia Kolodner

Rechtssprechung Judge Bain

Rezepte CHEF Hammond

Tabelle 9: Beispielhafte CBR-Anwendungen [RS89]

3.3.2.3 Verteiltes Case-Based Reasoning

Der Begriff „verteiltes Case-Based Reasoning“ wird in zwei verschiedenen Ausprägungen

verwendet. Zum einen kann hiermit ein Single-Agenten-Ansatz gemeint sein, in dem eine

Fallbasis auf viele einzelne Fallbasen aufgeteilt ist. Lediglich ein Agent hat Zugang zu ihnen

und selektiert je nach Anwendungsbereich die entsprechenden Basen [MS01a]. Erste Ansätze

hierzu wurden von Branting & Aha [BA95] und Smyth & Cunningham [SC96] veröffentlicht.

Sie beschreiben den Aufbau eines CBR-Systems als ein hierarchisches System, das

Problemfälle auf unterschiedlichen Abstraktionsebenen speichert. Diese Arbeiten wurden von

Bergmann [Ber96], [Ber02] erweitert. Der zweite Ansatz im Bereich des verteilten Case-

Based Reasoning geht davon aus, dass Wissen nicht nur in einem Agenten, sondern verteilt

über mehrere Agenten gespeichert ist. Ansätze zu dieser Methode wurden von Prasad, Lesser

& Lander [PLL96], Plaza & Prasad [PP96] und McGinty & Smyth [MS01a], [MS01b],

[MS01c] untersucht.

Prasad, Lesser & Lander [PLL96] entwickelten CBR-TEAM, das eine Anzahl heterogener,

kooperativer Agenten zur Lösung einer Designaufgabe benutzt [MS01a]. Jeder Agent ist für

eine bestimmte Komponente zum Design eines Dampfkondensators zuständig. Die Agenten

sind der Motor-Agent, der Pumpen-Agent und der Keilriemen-Agent [PP96].

Motor Pumpe

Wasse

quelle

Wasser-

ausfluss

Keilriemen

Abbildung 38: Dampfkondensator erstellt durch CBR-TEAM [PLL96]

Der Benutzer des Systems formuliert zunächst eine Problembeschreibung, die aus der

minimalen Kopfgröße der Pumpe für das geforderte Design besteht. Die Agenten A = {AMotor,

APumpe, AKeilriemen} rufen hiernach ein geeignetes Design aus einer Bibliothek mit hersteller-

spezifischen Modellen ab und gelangen durch Verhandlung untereinander zu einem allgemein

82 Stand der Technik

akzeptablen Design. Sollten innerhalb dieses Prozesses Bedingungen des Benutzers verletzt

werden oder kommt es zu Unstimmigkeiten zwischen gemeinsam genutzten Parametern, wird

durch den Austausch von Informationen das bis dato bestehende Design re-designed.

Während der initialen Phase haben die Agenten nur grobe Informationen über die

Voraussetzungen der anderen Komponenten. Deshalb wählt jeder Agent die zunächst

kostengünstigsten Komponenten aus. Sollte dies zu einem Konflikt mit anderen

Komponenten führen, verhandeln die beteiligten Agenten so lange, bis eine insgesamt

kostengünstigste Variante gefunden ist. Alle Agenten tauschen hierzu ihre Constraints aus,

die der jeweils andere Agent in seiner Wissensbasis abspeichert. Die Agenten durchlaufen so

iterativ mehrere Runden, indem sie die bereits gespeicherten Informationen (Constraints) und

neue Informationen von anderen Agenten miteinander vergleichen, um immer geeignetere

Komponenten zu finden, die immer weniger (und am Ende gar keine) Konflikte hervorrufen

[PLL96].

Plaza & Prasad [PP96] entwickelten hierzu den Ansatz des Federated Peer Learnings (FPL),

der sich in die Bereiche des Distributed-CBR und des Collective-CBR unterteilen lässt (siehe

Abbildung 40). Im ersten Ansatz übermittelt ein Agent Ai sein Problem und die zu lösende

Aufgabe an einen anderen Agenten Aj. Agent Aj löst die Aufgabe, indem er auf seine eigene

Wissensbasis zurückgreift. Nach dem Lösen der Aufgabe sendet er die Ergebnisse an Ai

zurück. Sollte die Aufgabe nicht zufrieden stellend gelöst worden sein oder ist Aj gar nicht in

der Lage, die Aufgabe zu lösen, wird eine Fehlermeldung erzeugt und der nächste Agent

gefragt. Dieser Vorgang dauert so lange, bis die Aufgabe zufriedenstellend gelöst wurde. Im

zweiten Ansatz übermittelt der Agent Ai das Problem, die Aufgabe und zusätzlich die

Methode, mit der die Aufgabe gelöst werden soll, zu einem Agenten Aj. Hierbei schließt sich

der gleiche oben bereits erwähnte Prozess an, mit dem Unterschied, dass jetzt nur eine

Methode zum Auffinden einer Lösung erlaubt ist (z.B. eine spezielle Suchstrategie –

Breitensuche, Tiefensuche, Hill Climbing etc.).

McGinty & Smyth [MS01a], [MS01b], [MS01c] entwickelten den Ansatz des Collaborative-

CBR (siehe Abbildung 39), eine Form des Federated Peer Learnings. Alle Agenten besitzen

die gleichen Fähigkeiten mit unterschiedlichem Wissen. Sollte das Wissen des Agenten Ai

nicht ausreichen, um eine Aufgabe p zu lösen, wendet er sich an andere Agenten wie Aj oder

Ak. Hierbei werden nur die Agenten berücksichtigt, die Ai am ähnlichsten sind. Ai wird am

Ende nur die Lösung s mit der höchsten Qualitätszahl berücksichtigen. Im Unterschied zu

dem ursprünglichen FPL behalten die Agenten ihre Problemlösungsautorität. Es kann also

einem Agenten nicht vorgeschrieben werden, mit welchen Methoden ein Problem zu lösen ist.

Zudem stellt dieser Ansatz die Ähnlichkeit der Agenten in den Vordergrund. Im FPL-Ansatz

werden die Agenten noch wahllos gefragt. Bei einer schlechten Antwort wird einfach ein

nächster Agent gefragt.

Stand der Technik 83

CBR

Collaborator

CBR

Collaborator

Ai, p

Qualität (Ak,Ai,s)

CBR

Collaborator

Ai, p

Qualität (Aj,Ai,s)

AkAiAj

Collaborative Agenten

Qualität (A

,Ai,s) = (1-ω)*ProblemCoverage(A

,p) + ω*SIM(A

,Ai)

Zielagent

Abbildung 39: Top-level Collaborative-CBR Agenten-Algorithmus [MS01a]

Die vorliegende Arbeit verfolgt noch einen weitergehenden Ansatz, der Cooperative CBR

genannt wurde [DS04], bei dem vom anfragenden Agenten noch ein Feedback an den

antwortenden Agenten übermittelt wird. Dadurch kommt es zu einer zusätzlichen

Beschleunigung des Lernprozesses (siehe Abbildung 40).

Distributed CBR Collective CBR

Collaborative CBR Cooperative CBR

Problem und

Aufgabe

Lösung

Ausführung der Aufgabe

Suche nach einer besten Lösung

Agent Ai

Agent Aj

Problem

und

Aufgabe

Lösung

Ausführung der Aufgabe

Feedback

Problem,

Aufgabe

und

Methode

Lösung

Ausführung der Aufgabe

Problem und

Aufgabe

Lösung

Ausführung der Aufgabe

Suche nach einer besten Lösung

Agent Ai

Agent AiAgent Ai

Agent Aj

Agent AjAgent Aj

Abbildung 40: Ablauf verschiedener Formen des verteilten CBR

84 Stand der Technik

Zielsetzung 85

4 Zielsetzung

4.1 Entwicklung einer Basisontologie zur Wissensrepräsentation

einer Domäne

Eine Wissensrepräsentation wird zunächst durch die vollständige Darstellung der Domäne

durch eine Terminologie bestimmt. Eine Terminologie ist dabei eine systematische

Sammlung und Beschreibung von Begriffen einer Domäne (Objekte, Attribute, Parameter

etc.). Aus diesen Begriffen können Begriffssysteme entworfen werden, die die Verbindung

der Begriffe untereinander verdeutlichen (vgl. [Sch99]). Das Begriffssystem (Ontologie) ist so

aufzubauen, dass möglichst viele logische Verbindungen zwischen den Begriffen entstehen.

In der vorliegenden Arbeit wären z.B. das Fahrzeug, die Schiene und der Benutzer drei

verschiedene Begriffe, die in Verbindung zueinander stehen, da der Benutzer in einem

Fahrzeug sitzt und das Fahrzeug auf einer Schiene fährt.

In dieser Arbeit soll die zu entwickelnde Basisontologie im Wesentlichen eine eindeutige

Kommunikation zwischen den Fahrzeugen sicherstellen, in dem sie eine allgemeingültige

Wissensrepräsentation der Domäne liefert, über die die Fahrzeuge ihre individuellen

Erfahrungen austauschen können.

4.2 Übertragung von Erfahrungen aus heterogenen Wissensbasen

Tauschen Fahrzeuge mit unterschiedlichen Zielen, Verhaltensweisen und unterschiedlichem

Domänenwissen Erfahrungen untereinander aus, so müssen Methoden entwickelt werden, die

in der Lage sind, diese Heterogenität zu überwinden. Klassische Methoden beschränken sich

hierbei auf die rein semantische Übersetzung von Erfahrungen. Der vorliegende Ansatz geht

darüber hinaus und stellt sowohl eine Übersetzung der Semantik als auch eine Übersetzung

der Verhaltensweisen und der Ziele, dargestellt durch Regeln, her.

Für die Untersuchung der Erfahrungsverbreitung über mehrere Fahrzeuge ist die Entwicklung

eines Algorithmus notwendig, der zwei heterogene Wissensbasen miteinander vergleicht. Jede

Wissensbasis besitzt eine andere Semantik, zwischen denen es zu Konflikt- und

Korrespondenzproblemen kommen kann. Zudem bestehen die heterogenen Wissensbasen aus

unterschiedlichen Verhaltensweisen und Zielen, die in Regeln dargestellt sind. Hierbei wird

vorausgesetzt, dass die Prämissen der Regeln jeweils mit der Semantik der Basisontologie

definiert werden.

4.3 Generierung einer erfahrungsbasierten Selbstoptimierung

Damit sich Fahrzeuge selbständig verbessern können, müssen neue Situationszustände

exploriert werden. Die so erlangten Erfahrungen sind in die jeweilige Wissensbasis zu

integrieren, so dass sie für exploitative Lernprozesse zur Verfügung stehen. Insgesamt wird

ein Fahrzeug dadurch in die Lage versetzt, sich selbständig in dynamischen, unbekannten

Umgebungen zu verbessern. Um diesen Anpassungsprozess zu beschleunigen, müssen

86 Zielsetzung

Fahrzeuge miteinander kooperieren bzw. kommunizieren und die so fremd erlangten

Erfahrungen für die eigenen Lernprozesse nutzbar machen. Hierfür leisten Kapitel 5.1 und 5.2

die Grundlagen.

Um die Effizienz der Wissensbasis, die durch die Masse der gesammelten Erfahrungen

schnell anwächst, zu gewährleisten, müssen Methoden entwickelt werden, die die

Erfahrungen in einen Regelsatz oder eine Funktion transformieren. So kann ein schnelles

Abfragen der Wissensbasis gewährleistet werden.

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 87

5 Konzeption zur erfahrungsbasierten Selbstoptimierung

einer Menge technisch homogener fahrerloser

Fahrzeuge

Innerhalb der vorliegenden Arbeit wird davon ausgegangen, dass ein Fahrzeug sein Verhalten

sowohl durch eigene, explorativ erlangte Erfahrungen als auch kommunikativ durch die

Erfahrungen anderer Fahrzeuge in Verbindung mit den in dieser Arbeit entwickelten

Algorithmen kontinuierlich verbessern (also selbstoptimieren) kann (siehe Kapitel 5.3). In

diesem Zusammenhang wird die Problematik der heterogenen Wissensbasen einzelner

Fahrzeuge hinsichtlich der Bewertung von Erfahrungen untersucht (siehe Kapitel 5.2). Die

Lösung dieser Problematik erfolgt über eine Basisontologie, die das Wissen über die Domäne

umfassend repräsentiert (siehe Kapitel 5.1).

5.1 Wissensrepräsentation der Domäne

Die Basisontologie orientiert sich an der Struktur von SUMO [NP02], einer Basisontologie,

die im Rahmen der IEEE Standard Upper Ontology Working Group entwickelt wurde (siehe

Kapitel 3.1.3). Die Ontologie von SUMO wie auch die hier beschriebene Basisontologie

bietet eine offene Struktur für eine technische Ontologie, die beliebig erweitert werden kann.

Somit erhebt die hier entwickelte Basisontologie nicht den Anspruch, das weltweite

technische Wissen darzustellen, sondern eine Strukturierung von selbstoptimierenden

Systemen zu entwickeln.

Die Darstellungsform der Basisontologie erfolgt in dieser Arbeit im FRAME-Format. Frames

clustern Instanzen um Klassen herum. Die Instanzen einer Klasse können mit den Instanzen

anderer Klassen durch Relationen und Prozeduren (Regeln und Funktionen) verbunden

werden. Dadurch ergibt sich eine vernetzte Begriffswelt, die als objektorientierte

Repräsentation semantischer Netze gesehen werden kann. Frames bieten jedoch den

entscheidenden Vorteil, dass sie „procedurale attachments“ erlauben. Hierdurch können

Regeln und Funktionen innerhalb einer Klasse dargestellt und ausgeführt werden.

Es sei darauf hingewiesen, dass der Bereich der Basisontologie sehr komplex ist, da eine

Ontologie aus einer Vielzahl von Relationen, Regeln, Funktionen und Klassen besteht. Zur

Übersichtlichkeit werden diese in unterschiedlichen Kapiteln einzeln ausführlich behandelt.

Beispielhaft werden die Relationen, Regeln, Funktionen und Klassen zur Demonstration eines

Ausschnitts aus der Basisontologie zusammengefügt. Die vollständige Basisontologie ist

zusätzlich im Anhang unter Kapitel A aufgeführt.

In Kapitel 5.1.1 werden zunächst die Slots (Relationen, Regeln, Funktionen) der

Basisontologie genauer spezifiziert. Dabei ist es unerheblich, ob es sich um proprietäre oder

geerbte Slots handelt. In Kapitel 5.1.2 werden die Slots in die Klassen der Basisontologie

integriert.

88 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

5.1.1 Entwicklung der Slots

Slots besitzen stets einen Namen, einen Typ (Integer, Float, Instanz, Klasse etc.), eine

Kardinalität (multiple oder single) und eine Ausprägung (entweder als Referenz zu einer

anderen Klasse oder als Instanz oder als spezieller Wert; Näheres siehe Anhang C).

Beispielhaft sei hier die Klasse Fahrzeug dargestellt (siehe Tabelle 10). Sie besitzt (hier nur

exemplarisch) vier Slots. Der erste Slot ist ein absoluter deskriptiver Slot, der besagt, dass

hier nur eine (da die Kardinalität single vorliegt) textuelle Bezeichnung (Typ: String) für das

Fahrzeug, z.B. Siemens 305, eingetragen werden kann. Der zweite, ein relationaler Slot,

besagt, dass die Höhe eine Länge ist, die bereits an anderer Stelle innerhalb der

Basisontologie durch eine eigene Klasse spezifiziert wurde. Die Höhe übernimmt somit ihre

Eigenschaften. Der dritte Slot ist ebenfalls ein relationaler Slot, der besagt, dass sich ein

Fahrzeug auf einer bestimmten Schiene befindet. Der vierte, auch ein relationaler Slot, besagt,

dass mehrere Fahrgäste in einem Fahrzeug sitzen können. Dabei besitzt der Fahrgast die

Eigenschaften eines Menschen, der bereits an anderer Stelle durch eine Klasse in der

Basisontologie definiert wurde. Weitere relationale deskriptive Slots könnten die Abfahrtszeit

und die Ankunftszeit sein. Beide beziehen sich auf die Klasse Zeit, die bereits an anderer

Stelle durch eine Klasse innerhalb der Basisontologie definiert wurde.

Klasse: Fahrzeug

Slot Name Typ Kardinalität Ausprägung

Slot 1

Slot 2

Slot 3

Slot 4

Bezeichnung

Höhe

Fährt_auf

Transportgut

String

Instanz

Single

Multiple

Klasse = (Länge)

Klasse = (Schiene)

Klasse = (Fahrgast)

Tabelle 10: Ausschnitt aus der Klasse Fahrzeug

Zusätzlich zu den deskriptiven und relationalen Slots können prozedurale Slots definiert

werden. Prozedurale Slots stellen Funktionen bzw. Regeln dar.

In den folgenden Kapiteln werden sämtliche Slotarten näher beschrieben.

5.1.1.1 Relationale Slots

Zur Bewertung verschiedener Instanzen einer Klasse (z.B. Fahrzeug A ist schneller als

Fahrzeug B) müssen eindeutige temporäre, räumliche und quantitative relationale Slots

definiert werden. Insbesondere die temporären und räumlichen Slots weisen eine interne

Struktur auf, die einzelne Systeme und deren Verhaltensweisen in einem Raum in Beziehung

zueinander setzen. Dabei ist die Zeit z.B. ein wesentlicher Bestandteil innerhalb der

Anwendungen aus dem Bereich des „Job-Shop-Scheduling“ [RN03]. Diese benötigen eine

komplette Darstellung der Systemverhaltensweisen, welche aus einer Sequenz von Aktionen

besteht, in der jede Aktion eine bestimmte Dauer und Ressource benötigt. Das Problem

besteht häufig darin, einen Plan zu entwickeln, der die minimal notwendige Zeit bei

gegebenen Ressourcen berechnet, um ein komplettes Verhalten auszuführen.

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 89

Temporäre relationale Slots

Grundsätzlich wird bei temporären relationalen Slots nach dem Zeitpunkt tP (Datum des

Geburtstags, Produktionsstart etc.) und der Zeitdauer tD (Reisedauer, Produktionsdauer,

Wartezeit etc.) unterschieden. Mittels tP und tD können Systeme und deren Verhaltenweisen in

eine eindeutige temporäre Beziehung zueinander gesetzt werden. Fahrzeug A fährt

beispielsweise zuerst Bahnhof B und dann Bahnhof Z an. Zwischen den beiden Bahnhöfen

besteht demnach eine „früher-später-Relation (tB p t

Z)“ [EH04-ol]. Eine „später-früher-

Relation“ erhält dementsprechend das Symbol f. Geschieht etwas zum selben Zeitpunkt, wird

dies durch ein „=“ Symbol ausgedrückt. Mit diesen drei Basissymbolen lassen sich alle

Verhaltensweisen X, Y temporal definieren. X ist hierbei definiert als Verhalten Vx, das aus

einer Anfangszeit (tPVx(t0)), einer Endzeit (tPVx(t1)) und einer Dauer tDVx besteht.

Entsprechendes gilt für Y.

Vx={tPVx(t0); tPVx(t1); tDVx} Vy={tPVy(t0); tPVy(t1); tDVy}

Slot Symbol Inverser-Slot Symbol

X gleich Y X = Y Y gleich X Y = X

X vor Y X p Y Y nach X Y f X

X direkt vor Y X pd Y Y direkt nach X Y df X

X überlappt mit Y X po Y Y überlappt mit X Y of X

X startet zusammen mit Y X =s Y Y startet zusammen mit X Y =s X

X läuft innerhalb von Y X = i Y Y beinhaltet X Y =i X

X endet zusammen mit Y X =e Y Y endet zusammen mit X Y =e X

Tabelle 11: Temporäre relationale Slots

Definition: X gleich Y, Y gleich X

Dieser Slot wird für Verhaltensweisen verwendet, die gleichzeitig zu einem definierten

Zeitpunkt starten und enden.

∀

Vx Vy [tDVx = tDVy

∧

tPVx(t0) = tPVy(t0)

∧

tPVx(t1) = tPVy(t1)]

tIx

tIy

t0t1

Definition: X vor Y, Y nach X

Dieser Slot wird für Verhaltensweisen verwendet, bei der X irgendwann vor Y begonnen hat

und bereits abgeschlossen ist, wenn Y beginnt.

∀

Vx Vy [tPVx(t1) < tPVy(t0)]

90 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

tIxtIy

Definition: X direkt vor Y, Y direkt nach X

Dieser Slot wird für Verhaltensweisen verwendet, bei denen die Endzeit von X mit der

Anfangszeit von Y identisch ist.

∀

Vx Vy [tPVx(t1) = tPVy(t0)]

tIxtIy

t1,t0

Definition: X überlappt mit Y, Y überlappt mit X

Dieser Slot wird für Verhaltensweisen verwendet, bei denen die Endzeit von X in die

Zeitdauer von Y fällt.

∀

Vx Vy [tPVx(t0) < tPVy(t0)

∧

tPVx(t1) > tPVy(t0)]

tIxtIy

t0t1

Definition: X startet zusammen mit Y, Y startet zusammen mit X

Dieser Slot wird für Verhaltensweisen verwendet, bei denen die Anfangs- jedoch nicht die

Endzeit von X und Y identisch ist.

∀

Vx Vy [tPVx(t0) = tPVy(t0)

∧

tDVx

≠

tDVy]

tIx

tIy

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 91

Definition: X läuft innerhalb von Y, Y beinhaltet X

Dieser Slot wird für Verhaltensweisen verwendet, bei denen die Zeitdauer von X komplett

innerhalb der Zeitdauer von Y läuft.

∀

Vx Vy [tPVx(t0) > tPVy(t0)

∧

tPVx(t1) < tPVy(t1)]

tIx

tIy

t0t1

Definition: X endet zusammen mit Y, Y endet zusammen mit X

Dieser Slot wird für Verhaltensweisen verwendet, bei denen die End- jedoch nicht die

Anfangszeit von X und Y identisch ist.

∀

Vx Vy [tPVx(t1) = tPVy(t1)

∧

tDVx

≠

tDVy]

tIx

tIy

Räumliche relationale Slots

Entscheidend für die Position eines Systems im Raum ist die eindeutige Festlegung seines

absoluten und auch seines relativen Standortes. Der absolute Standort ergibt sich durch den

Standort im Netzwerk (bzw. in einem vergleichbaren Koordinatensystem). Der relative

Standort ergibt sich durch die Position des Systems in Relation zu anderen Systemen. Die

relative Position wird durch die Slots: DirektVor, DirektHinter, Vor, Hinter, RechtsVon,

LinksVon, Auf und Unter beschrieben. Mit diesen räumlichen relationalen Slots können

sämtliche relative Raumzustände eines Systems beschrieben werden (siehe Abbildung 41).

Definition: DirektVor, DirektHinter

Ein System A (SA) befindet sich direkt hinter einem System B (SB), wenn die aktuelle

Prozessrichtung ⎟

⎟

⎠

⎞

⎜

⎝

⎛

A von S

bstand (

A auf SB gerichtet ist, der A AB d

⋅= ) der

absoluten Positionen P (P={x,y}) beider Systeme größ

er als Null ist und sich keine weiteren

ysteme S zwischen den genannten in Prozessrichtung befinden.

irektHinter(SA, SB) :- ABAXAB DDD >∧> 0

DirektVor(SA, SB) :- ABAXAB DDD <∧< 0

92 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Definition: Vor, Hinter

Ein System A (SA) befindet sich hinter einem System Y (SY), wenn aus der Menge aller

Prozessrichtungen RA = { A} eines gesamten Prozesses eine Prozessrichtung von S

A auf SY

gerichtet ist und der Abstand ( A

AY dD

⋅= ) der absoluten Positionen P (P={x,y}) beider

Systeme größer als Null ist.

Hinter(SA, SY) :- 0>

Vor(SA, SY) :- 0<

Definition: RechtsVon, LinksVon

Ein System C (SC) befindet sich links von einem System A (SA), wenn der Ortsvektor

⎟

⎠

⎞

⎜

⎝

⎛

von SA auf SCinkel

θυ

im Uhrzeigersinn zwischen 180 und 360 Grad zur

Prozessrichtung

⎜ einen W

⎟

⎠

⎜

⎝

⎞

⎛x

Ader x,y-Ebene aufspannt. Im anderen Falle befindet sich das

ystem rechts von System A.

RechtsVon(SC,SA) :- 0° <

θυ

< 180°

ektor

LinksVon(SC,SA) :- 180° <

θυ

<360°

Definition: Auf, Unter

Ein System C (SC) befindet sich auf einem System A (SA), wenn der Ortsv ⎟

⎟

⎞

⎜

⎛

on S

⎠

⎜

⎝y

htung vA auf SC einen Winkel ψ

θυ

im Uhrzeigersinn von 270 Grad zur Prozessric

⎟

⎠

⎞

⎜

⎝

⎛

in der x,z-Ebene aufspannt. Im Falle von 90 Grad befindet sich das System C unter

System A.

Auf(SC,SA) :-

θυ

= 270°

g der räumlichen relationalen Slots

Unter(SC,SA) :-

θυ

= 90°

Abbildung 41: Graphische Darstellun

B X

υθ

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 93

Die räumlichen relationalen Slots werden auf alle Systeme dieses Szenarios bezogen. So kann

itativen relationalen Slots setzen Zahlen (z.B. Messwerte) in Relation zueinander.

ie Basissymbole sind <, ≤, =, ≥, >. Wie bereits für die temporären und die räumlichen

it den temporären, räumlichen und quantitativen relationalen Slots können die Beziehungen

.B. zwisc ndeutig

pezifiziert werden. In diesem Beispiel befindet sich das Fahrzeug Siemens X2 DirektVor

em Fahrzeug ABB FE5.

Slots wird auch Eigenschafts-Slots (Eigenschaftskanten [Reu04]) genannt. Eigenschaften

ein Fahrzeug DirektVor einem anderen Fahrzeug oder Vor einem Bahnhof stehen oder sich

Auf einer Schiene befinden.

Quantitative relationale Slots

Die quant

relationalen Slots werden hier nicht die Symbole, sondern die Begriffe als Slots in die

Basisontologie aufgenommen. Sie lauten: Kleiner, KleinerGleich, Gleich, GrößerGleich und

Größer.

z hen zwei Fahrzeugen an einem einfachen Beispiel (Abbildung 4227) ei

Abbildung 42: Beispiel von Slot-Beziehungen zwischen mehreren Klassen

5.1.1.2 Deskriptive Slots

Die deskriptiven Slots beschreiben die Eigenschaften eines Systems, z.B. seine Herkunft,

seine Bezeichnung (siehe Abbildung 42) oder seinen Hersteller. Diese Art der deskriptiven

27 Aus Übersichtlichkeitsgründen wurden die Spalten Typ und Kardinalität innerhalb der Klassen aus der

Graphik entfernt. Zudem wurden nicht sämtliche Slots der Klassen aufgeführt, was durch die Punkte

innerhalb der Klassen symbolisiert werden soll.

Masse

.....

Wert

Kleiner

.....

AusprägungName

Fahrzeug

Ausprägung

Siemens X2

.....

Name

Bezeichnung

DirektVor

Hat_Merkmale

Hat_Verhalten

.....

Fahrzeug

Ausprägung

ABB FE5

.....

Name

Bezeichnung

DirektHinter

Hat_Merkmale

Hat_Verhalten

.....

Masse

.....

Wert

Größer

.....

AusprägungName

Transportieren

Ausprägung

.....

Name

Startzeitpunkt

.....

Transportieren

Ausprägung

.....

Name

Startzeitpunkt

.....

Montag

Ausprägung

07.02.2005

.....

Name

Bezeichnung

.....

Dienstag

Ausprägung

08.02.2005

.....

Name

Bezeichnung

.....

94 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

können sowohl in der Klasse selbst durch einen deskriptiven Slot beschrieben werden (z.B.

Bezeichnung = Siemens X2) als auch sich auf bereits definierte Merkmale in anderen Klassen

beziehen absolute deskriptive

Slots nale und

ver Slots

urale Slots

ie prozeduralen Slots beinhalten eine Funktion oder Regel mit dem Ziel, eine

Ein Beispiel für eine Funktion s ents eines Vollzylinders. Die

ormel besitzt die mathematische Form:

(Hat_Merkmale = Masse). Erstere werden in dieser Arbeit als

und letztere als relationale deskriptive Slots bezeichnet. Ein Beispiel für relatio

absolute deskriptive Slots bietet Abbildung 43 .

Masse

Ausprägung

.....

Name

Wert

Einheit

Kleiner

.....

Fahrzeug

Ausprägung

Siemens X2

.....

Name

Bezeichnung

Hat_Merkmale

.....

Relationaler

deskriptiver Slot

Absoluter

deskriptiver Slot

Fahrzeug

Ausprägung

ABB FE5

.....

Name

Bezeichnung

Hat_Merkmale

.....

Masse

Ausprägung

100

.....

Name

Wert

Einheit

Größer

.....

Abbildung 43: Darstellung deskripti

5.1.1.3 Prozed

Verhaltensweise oder spezielle kalkulatorische Aussagen bezüglich einer Instanz einer Klasse

zu bekommen.

ei die Formel des Trägheitsmom

1rmI = (m = Masse, r = Außenradius)

2ges

ellung kann für einen Rechner (und damit auch für ein Fahrzeug) nicht

edarf es der Umwandlung der Funktion in die Standard-Prozedur-

Form e

Trägheitsmoment

exec: If-added

proc: (1 / 2 * Masse * Außenradius^2)>

In die Klasse Trägheitsmoment integriert ergibt sich folgendes Bild:

Diese Art der Darst

gelesen werden. Hierzu b

ines Frames.

type: float

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 95

Trägheitsmoment

Name Typ Kardinalität Ausprägung

Wert Float Single

rmelzeichen String Single

arameter

Formel

Instanz

Float (Prozedur)

Multiple

Single

Klasse = (Größe)

Value = {1/2*Masse*Außenradius^2}

Tabelle 12: Darstellung eines prozeduralen Slots in der Klasse Vollzylinder

Neben Formel können über prozedurale Slots auch Regeln dargestellt werden. Regeln werden

entweder im Laufe der Zeit vom Fahrzeug erlernt (siehe Kapitel 5.3) oder durch Menschen

vorab bestimmt. Dabei entwickeln sich die Regeln aus der allgemeinen Physik, aus dem

Erfahrungswissen der Experten oder aus dem gemeinsamen Verständnis einer Gruppe. Dass

ein Auto an einer roten Ampel zu warten hat, ist eine vorgegebene Regel aus dem

Straßenverkehr. Dass Wasser bei unter 0°C gefriert, ist eine allgemeine Regel aus der Physik.

ass sich eine Maschine bei einer Temperatur von über 1000°C automatisch abschaltet, ist

Experten in mehreren Tests als richtig ermittelt wurde.

egeln können sowohl Zustände, Situationen oder Wahrnehmungen beschreiben als auch

orgeben.

Regel f chreibungen:

<Zustand_Wasser

exec: if_added

eratur > 100 then kocht)>

Es wird der String „kocht“ in den Wertebereich des Slots Zustand_Wasser geschrieben.

Straßenauslastung

exec: if_added

Autos < 100 und Streckenlänge = 1 km then gering)>

tring „gering“ in den Wertebereich des Slots Straßenauslastung geschrieben.

Regel f

Verhalten

Als Ausgabe kann demnach auch eine Lisp - oder Prolog -Prozedur angestoßen werden.

eine erfahrungsbasierte Regel, die von

Verhaltensweisen v

ür Zustandsbes

type: String

proc: (if Temp

type: String

proc: (if Anzahl

Es wird der S

ür Verhalten:

type: Lisp-Prozedur

exec: If_added

proc: (If Straßenauslastung = gering then Fahrzeug beschleunigen)>

28 Lisp (List Programming) ist neben Prolog die wichtigste Programmiersprache für den KI-Bereich.

96 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Grundsätzlich gehen den Verhaltensregeln die Zustandsregeln voraus, da zunächst die

Umwelt bewertet werden muss, bevor ein Verhalten ausgewählt werden kann. Diese

Bewertungen beruhen auf der Wissensbasis, die bei jedem Fahrzeug unterschiedlich sein

kann. So kann das eine Fahrzeug einen Zustand als „gut“ bewerten, bei dem ein anderes die

Bewertung „schlecht“ trifft. Aufgrund dieser unscharfen Bewertungen kann es zu falschen

bzw. unerwarteten Verhaltensweisen kommen, die das Gruppenverhalten der Fahrzeuge und

ems bietet Kapitels 5.2.

folgenden Kapiteln vorgenommen. Dabei lehnt sich

ie Taxonomie der Basisontologie an SUMO an, die aus zwei Basisklassen (körperliche

lassen. Dies bedeutet, dass die Unterklassen System und Material zur Klasse

örperliche Entität die Slots dieser Klasse „erben“. Somit müssen die Slots für die

nterklass archischen

arstellungen.

g A hinter Fahrzeug B) und die verwendeten Materialen (z.B. Motor besteht_aus

tahl, Schraube besteht_aus Aluminium). Für eine spezifische Beschreibung der

körperlichen Entitäten beschrieben. So besitzt ein Fahrzeug als nicht zeit- und

damit das Gesamtsystem gefährden können. Eine Lösung dieses Probl

5.1.2 Entwicklung der Klassen und deren Taxonomie

Eine genaue Bestimmung der Klassen sowie die Entwicklung einer Klassenhierarchie Hc

(auch Taxonomie genannt) werden in den

Entität, abstrakte Entität) besteht. Zusätzlich werden in dieser Arbeit die Klassen örtliche

Entität und situative Entität entwickelt.

Die Pfeile innerhalb der Taxonomie symbolisieren eine hierarchische „ist_eine“ Beziehung

zwischen den K

U en nicht wiederholt aufgeführt werden. Gleiches gilt für sämtliche hier

Körperliche

Entität Abstrakte

Entität

Verhalten

System

Entität der Basisontologie

ZustandEinheit

Örtliche

Entität Situative

Entität

Raum

GrößeMaterial

Richtung

Aktivität

Abbildung 44: Die ersten zwei Klassen-Hierarchiestufen der Basisontologie

Die Klasse körperliche Entität beschreibt die Struktur eines Systems (z.B. Motor Teil_von

Fahrzeug; Fahrzeug Teil_von Vernetztes Mechatronisches System; Fahrzeug A vor Fahrzeug

B; Fahrzeu

Eigenschaften einer körperlichen Entität bedarf es der abstrakten, örtlichen und situativen

Entitäten.

Über die abstrakten Entitäten werden die nicht zeit- und raumabhängigen Merkmale der

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 97

raumabhängiges Merkmal eine Höhe, eine Länge, ein Leergewicht, eine Leistung etc. die

durch die abstrakten Entitäten Meter, Zentimeter, Kilogramm und Kilowatt/Stunde näher

eschrieben werden. Gleiches gilt für die Materialien. So besitzt Stahl eine gewisse

Ort (z.B. Paderborn) mit

inem bestimmten Zustand (z.B. funktionsfähig) in einem bestimmen Verhalten (z.B.

werden die Slots Hat_Merkmale, Hat_Ort,

at_Zustand und Hat_Verhalten (Aktivitäten werden über das Verhalten gesteuert) benötigt,

die auf die entsprechenden Klassen verweisen.

ät

Bruchfestigkeit bzw. Aluminium einen spezifischen Leitwert.

Die zeitliche und räumliche Dimensionierung der körperlichen Entitäten geschieht über die

örtlichen und situativen Entitäten. So befindet sich ein Fahrzeug (Unterklasse zu Klasse

System) zu einer bestimmten Zeit (15:00 Uhr) an einem bestimmten

Bremsverhalten) und führt eine bestimmte Aktivität aus (Bremsen).

Zur Beschreibung einer körperlichen Entität

Körperliche Entit

Name Typ Kardinalität Ausprägung

Bezeichnung

Dokumentation

rhalten Instanz

Multiple

ntität)

Klasse = (Örtliche Entität)

Klasse = (Zustand)

Klasse = (Verhalten)

Hat_Merkmale

Hat_Ort

Hat_Zustand

Instanz

Single

Multiple

Hat_Ve

String

Instanz

Single

Multiple

Klasse = (Abstrakte E

Tabelle 13: Darstellung der Klasse Körperliche Entität

In den folgenden Kapiteln werden sä

mtliche Klassen näher beschrieben.

ktur, die Ziele, die Zustände, die Richtung, das Material, die absolute

nd die relative Position sowie weitere Eigenschaften (ähnlich_zu, identisch_zu) beschreiben

t_Ort bzw. RechtsNeben,

Unter, Vor, LinksNeben etc. beschrieben. Weitere Slots beschreiben die Gleichheiten

(identisch_zu) bzw. die Ähnlichkeiten (ähnlich_zu) von Systemen.

5.1.2.1 Die Klasse System

Die Klasse System ist zentraler Bestandteil dieser Basisontologie. Sie untergliedert sich in die

Klassen technisches System und organisches System. Sämtliche Systeme besitzen Slots, die

das Verhalten, die Stru

(siehe Abbildung 45).

Die Struktur eines Systems wird mit der hierarchischen Verknüpfung (Slot Teil_von) der

System-Klassen beschrieben. Das Verhalten eines Systems wird mit der Verknüpfung der

Verhaltens-Klassen (siehe Kapitel 5.1.2.9) durch den Slot Hat_Verhalten beschrieben. Der

Zustand eines Systems wird mit der Verknüpfung der Zustands-Klassen durch den Slot

Hat_Zustand beschrieben. Die Ziele eines Systems können sich sowohl auf die

Geschwindigkeit als auch auf einen gewünschten Zustand beziehen. Aus diesem Grunde

verweist der Slot Hat_Ziel auf alle möglichen Entitäten (Ziel kann auch ein Ort sein). Die

relative und absolute Position des Systems wird über die Slots Ha

98 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Technisches

Streckensystem

Organisches System

Pflanze

Technisches System

Kardinalität

Single

Multiple

Single

Multiple

Single

Multiple

Single

Multiple

Single

Multiple

.....

System

Ausprägung

Klasse = (Abstrakte Entität)

Klasse = (Örtliche Entität)

Klasse = (Zustand)

Klasse = (Verhalten)

Klasse = (Richtung)

Klasse = (Entität)

Klasse = (System)

Klasse = (Material)

Klasse = (System)

.....

Typ

String

Instanz

.....

Name

Bezeichnung

Dokumentation

Hat_Merkmale

Hat_Ort

Hat_Zustand

Hat_Verhalten

Hat_Richtung

Hat_Ziel

Teil_von

Besteht_aus

Ähnlich_zu

Identisch_zu

DirektHinter

DirektVor

Auf

...

TierTechnisches

Fahrzeugsystem

Mensch

Abbildung 45: Darstellung der Klasse System mit ihren Unterklassen

Technisches System

Unterhalb der Klasse System befindet sich die Klasse technisches System. In ihr werden

sowohl die Fahrzeug- als auch die Streckensysteme näher beschrieben. So ist ein Dämpfer ein

Bauteil und ein Depot ein Knotenpunktsystem.

Bauteil

Technisches Streckensystem

Technisches System

Mechatronisches

Funktionsmodul

Dämpfer

Feder

Zylinder

Regler

Sensor

Antriebs-/

Bremsmodul

Feder-/

Neigemodul

Spur-

führungs-

modul

Technisches Fahrzeugsystem

Autonomes

Mechatr.

System

Schienen-

fahrzeug

Straßen-

fahrzeug

Fahrbahn-

system

Knotenpunkt-

system

Streckenelement-

system

Strecken-

abschnitt

Schiene

Verbindung Bahnhof

Weiche

Depot

Schranke

Ampel

Wasser-

fahrzeug

Vernetztes

Mechatr.

System

Konvoi

Abbildung 46: Darstellung der Klasse Technisches System mit ihren Unterklassen

Technisches Fahrzeugsystem

Die technischen Fahrzeugsysteme (siehe Abbildung 46) untergliedern sich in die Bauteile, in

die aus den Bauteilen zusammengesetzten Mechatronischen Funktionsmodule (MFM), in die

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 99

aus den Mechatronischen Funktionsmodulen zusammengesetzten AMS und die wiederum in

die aus den AMS zusammengesetzten VMS. Über den Slot Teil_von können die einzelnen

Systeme zu einem Gesamtsystem zusammengefügt werden (siehe Abbildung 47).

Fahrzeug

Ausprägung

.....

Name

Teil_von

Hat_Verhalten

Hat_Zustand

Hat_Ziel

.....

Feder-/Neigemodul

Ausprägung

.....

Name

Teil_von

Hat_Verhalten

Hat_Zustand

Hat_Ziel

.....

Spurführungsmodul

Ausprägung

.....

Name

Teil_von

Hat_Verhalten

Hat_Zustand

Hat_Ziel

.....

Feder

Ausprägung

.....

Name

Teil_von

Hat_Verhalten

Hat_Zustand

Hat_Ziel

.....

Dämpfer

Ausprägung

.....

Name

Teil_von

Hat_Verhalten

Hat_Zustand

Hat_Ziel

.....

Fahrzeug

Ausprägung

.....

Name

Teil_von

Hat_Verhalten

Hat_Zustand

Hat_Ziel

.....

Konvoi

Ausprägung

.....

Name

Teil_von

Hat_Verhalten

Hat_Zustand

Hat_Ziel

.....

Abbildung 47: Vernetzung eines Technischen Fahrzeugsystems

Technisches Streckensystem

Die technischen Streckensysteme (siehe Abbildung 46) untergliedern sich in die

Fahrbahnsysteme, die Knotenpunktsysteme und die Streckenelementsysteme. Sie können

entsprechend der Fahrzeugsysteme über den Slot Teil_von zu einem Gesamtsystem

zusammengefügt werden.

Durch die Verknüpfung der Strecken- mit den Fahrzeugsystemen über die Slots Auf, Hinter,

DirektVor etc. kann jedes System relativ lokalisiert werden (siehe Abbildung 48). So befindet

sich ein Fahrzeug DirektVor einem bestimmten Bahnhof und Auf einem bestimmten

Streckenabschnitt, der wiederum ein Teil_von einer Verbindung ist.

100 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Konvoi

Ausprägung

...

.....

Name

...

Hat_Verhalten

Hat_Ziel

.....

Fahrzeug

Ausprägung

...

.....

Name

...

Teil_von

Hat_Ort

Transportgut

Hinter

Auf

.....

Streckenabschnitt

Ausprägung

...

.....

Name

...

Teil_von

.....

Fahrgast

Ausprägung

Peter Müller

.....

Name

Bezeichnung

Hat_Ort

.....

Verbindung

Ausprägung

Rom-

Hamburg

.....

Name

Bezeichnung

..... Bahnhof

Ausprägung

Paderborn

.....

Name

Bezeichnung

.....

Abbildung 48: Verknüpfung der Klasse Fahrzeug mit anderen Klassen

Organisches System

Die organischen Systeme übernehmen die bereits in der Klasse System definierten Slots. Zu

den organischen Systemen gehören zum einen die Menschen (Fahrgäste) und zum anderen die

Tiere (Fauna) und die Pflanzen (Flora). Auf die letzt genannten Begriffe wird in dieser Arbeit

jedoch nicht weiter eingegangen, da sie keine weitere Bedeutung für die Untersuchungen

haben. Dem Fahrgast hingegen kommt bei der Planung der optimalen Verbindung und des

Komforts eine besondere Bedeutung zu, da er die Rahmenbedingungen (Constraints) festlegt,

unter denen das Fahrzeug zu operieren hat (z.B. die Festlegung einer Route oder eines

bestimmtes Komfortwertes; Näheres hierzu in Kapitel 5.3).

5.1.2.2 Die Klasse Material

Da sich die vorliegende Arbeit auf reine Festkörper bezieht, grenzt sie das weite Feld der

Materialien etwas ein, d.h. es werden keine Gase und Flüssigkeiten bzw. biologische

Naturstoffe (z.B. Milch, Zucker) betrachtet. Damit bleiben in einer ersten Strukturierung die

aus dem täglichen Leben bekannten Metalle (Eisen, Aluminium, Kupfer, Blei etc.),

Nichtmetalle (Glas, Porzellan, Graphit, Keramik etc.) und (nicht-biologische) Naturstoffe

(Holz, Kohle, Gummi, Sand, Kies etc.). Da diese Arbeit nicht tiefer in die

Materialwissenschaft vordringen möchte, werden Aspekte wie z.B. die Struktur der

Materialen nicht weiter behandelt. Für die vorliegende Arbeit sei es ausreichend, dass die

Materialien bestimmte Größen (Bruchfestigkeit, Zugfestigkeit, Härte, Duktilität etc.),

bestimmte Verhaltensweisen (Spannungsverhalten, Dehnungsverhalten etc.) und bestimmte

Zustände (fest, flüssig, gasförmig, gebraucht, beschädigt, weich, ausgehärtet) besitzen. Die

Klasse Material übernimmt vollständig die in der Klasse Körperliche Entität definierten Slots.

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 101

Eisen

Nichtmetalle

Gals

Metalle

Kardinalität

Single

Multiple

Single

Multiple

Material

Ausprägung

Klasse = (Abstrakte Entität)

Klasse = (Örtliche Entität)

Klasse = (Zustand)

Klasse = (Verhalten)

Typ

String

Instanz

Name

Bezeichnung

Dokumentation

Hat_Merkmale

Hat_Ort

Hat_Zustand

Hat_Verhalten

Porzellan

Graphit

Aluminium

Kupfer

Blei

.....

Naturstoffe

Holz

Kohle

Gummi

Sand

...

Abbildung 49: Darstellung der Klasse Material mit ihren Unterklassen

5.1.2.3 Die Klasse Einheit

Die Klasse Einheit ist eine Unterklasse der Klasse abstrakte Entität und untergliedert sich in

alle Einheiten, die zur Beschreibung der Größen eines Systems notwendig sind. Dies sind die

physikalischen und die monetären Einheiten. Jede dieser Klassen besitzt als Slot eine

Abkürzung (z.B. m für Meter) eine Referenzeinheit (z.B. Sekunde für Minute) und eine auf die

Referenzeinheit bezogene Beziehung (z.B. 1 Gramm = 0,001 Kilogramm).

Physikalische Einheit Monetäre Einheit

Physikalische

Basiseinheit Physikalische

Funktionseinheit

Kardinalität

Single

Einheit

Ausprägung

Klasse = (Einheit)

Typ

String

Klasse

Float

Name

Abkürzung

Referenzeinheit

Beziehung

Erweiterte

Physikalische Einheit

SI-Einheit

Zusätzliche

SI-Einheit

Abbildung 50: Darstellung der Klasse Einheit mit ihren Unterklassen

102 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

5.1.2.3.1 Die Klasse Physikalische Einheit

Die physikalischen Einheiten müssen sowohl für das Fahrzeug als auch für die Entwickler

verständlich dargestellt werden. Für die Fahrzeuge ist es wichtig, dass die physikalischen

Einheiten in maschinenlesbarer Form beschrieben werden können, da sie insbesondere auf der

MFM-Ebene Erfahrungen über die möglichst optimalen Parametereinstellungen ihrer

mechatronischen Funktionsmodule austauschen. Hieraus ergibt sich die Anforderung nach

einer formalen Spezifizierung und Strukturierung sowie einer Vollständigkeit der

physikalischen Einheiten, um die Strukturen, Zustände, Ziele und Verhaltensweisen der

MFM-, AMS- als auch der VMS-Ebene umfassend und eindeutig beschreiben zu können.

Die Klasse Physikalische Basiseinheit

Da die Festlegung der physikalischen Basiseinheiten grundsätzlich willkürlich ist, wurde im

Jahre 1960 auf der internationalen Generalkonferenz für Maß und Gewicht die allgemeine

Verwendung des Internationalen Einheitensystems oder des SI-Systems (Système

International d’Unités; ISO 1000, DIN 1301) empfohlen [BWC+03-ol], [Ber03b-ol], [IFC03-

ol]. Das internationale Einheitensystem baut auf den folgenden sieben physikalischen

Basisgrößen (siehe Kapitel 5.1.2.4) und physikalischen Basiseinheiten auf:

Physikalische Basisgrößen und Physikalische Basiseinheiten

Physikalische Basisgröße Formel-

zeichen Physikalisches Basiseinheiten Einheitenzeichen

Länge l Meter m

Zeit t Sekunde s

Masse m Kilogramm kg

Elektrische Stromstärke I Ampere A

Temperatur T Kelvin K

Lichtstärke L Candela cd

Stoffmenge

Mol mol

Tabelle 14: SI-Basisgrößen und Basiseinheiten [Win03-ol]

Entsprechend der ontologischen Darstellung ergibt sich hieraus die Klasse physikalische

Basiseinheit.

Meter CandelaSekunde MolKilogramm KelvinAmpere

Kardinalität

Single

Physikalische Basiseinheit

Ausprägung

Klasse = (Einheit)

Typ

String

Klasse

Float

Name

Abkürzung

Referenzeinheit

Beziehung

Abbildung 51: Ontologische Darstellung der Klasse Physikalische Basiseinheit

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 103

Die Klasse Physikalische Funktionseinheit

Innerhalb des SI-Systems wurden neben den physikalischen Basiseinheiten auch die

physikalischen Funktionseinheiten festgelegt. Diese sind in Tabelle 15 [Sto95] dargestellt.

Physikalische Funktionsgrößen und Physikalische Funktionseinheiten

Physikalische Funktionsgröße Formelzeichen Funktionseinheiten

Frequenz f s-1 = Hz (Hertz)

Kraft F kg m s-2 = N (Newton)

Druck p kg m-1 s-2 = N m-2 = Pa (Pascal)

Arbeit, Energie W, E kg m2 s-2 = N m = J (Joule)

Leistung P kg m2 s-3 = W (Watt)

Elektrische Ladung Q A s = C (Coulomb)

Elektrische Spannung U kg m2 A s-3 = W A-1 = V (Volt)

Elektrischer Widerstand R kg m2 A-2 s-3 = V A-1 = (Ohm)

Kapazität C s4 A2 kg-1 m-2 = C V-1 = F (Farad)

Magnetische Induktion B kg A-1 s-2 = T (Tesla)

Induktivität L kg m2 s-2 A-2 = H (Henry)

Energiedosis D m2 s-2 = Gy (Gray)

Aktivität A s-1 = Bq (Bequerel)

Tabelle 15: SI-Funktionsgrößen und Funktionseinheiten [Sto95]

Aus den Funktionseinheiten ergibt sich ein der Abbildung 51 entsprechendes Bild.

Die Klasse Zusätzliche SI-Einheit

Weitere Einheiten wären Quadratmeter (m2), Kubikmeter (m3), Grad (°), Meter/Sekunde

(m/s), Newtonmeter (Nm) und Prozent (%). Insgesamt ergibt sich somit für die Klasse SI-

Einheit die in Abbildung 52 dargestellte Ontologie.

Physikalische

Basiseinheit Physikalische

Funktionseinheit Zusätzliche

SI-Einheit

Meter

Kilogramm

Ampere

Kelvin

Candela

Hertz

Newton

Pascal

Watt

Quadratmeter

Kubikmeter

Mol

Sekunde

SI-Einheit

Coloumb

Volt

Ohm

Farad

Grad

Prozent

Meter/Sekunde

NewtonMeter

.......

Abbildung 52: Darstellung der Klasse SI-Einheit mit ihren Unterklassen

104 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Die Klasse Erweiterte Physikalische Einheit

Neben den SI-Einheiten werden in der Literatur weitere Einheiten verwendet, die sich jedoch

alle auf die SI-Einheiten zurückführen lassen. Die Verwendung weiterer Einheiten liegt zum

einen daran, dass die Zahlenwerte von physikalischen Größen üblicherweise im Bereich 999,9

bis 0,1 liegen. Dies wird dadurch erreicht, dass die Einheiten mit Vorsätzen versehen werden,

die die Zehnerpotenzen der Einheiten bedeuten. So gibt es neben der Einheit Meter z.B. noch

die Einheiten Kilo-, Milli-, und Zentimeter. Zum anderen liegt die Verwendung anderer

Einheiten an den historisch gewachsenen Einheiten spezieller Domänen (z.B. die Seemeile in

der Schifffahrt) bzw. an den unterschiedlichen metrischen Systemen (z.B. die Meile). All

diese Einheiten werden unterhalb der Klasse erweiterte physikalische Einheit strukturiert

(siehe Abbildung 53).

Längen-

einheit Zeit-

einheit

Masse-

einheit Strom-

stärken-

einheit

Tempe-

ratur-

einheit

Celsius

Fahren-

heit Stunde

Minute

Tag

Woche

Jahr

Inch

Meile

Zoll

Yard

Millimeter

Tonne

Gramm

Pfund

Kilo-

ampere

Milli-

ampere

Seemeile

Fuß

Zentimeter

Kilometer

Erweiterte

Physikalische

Einheit

Licht-

stärke-

einheit

Stoff-

mengen-

einheit

Kilo-

candela Kilo-

mol

Abbildung 53: Ontologische Darstellung der Klasse erweiterte physikalische Einheit

Für das Rechnen mit unterschiedlichen Einheiten wurde der Slot Referenzeinheit eingeführt.

So bezieht sich die Klasse Kilometer auf die Referenzeinheit Meter. Das Verhältnis von

Kilometer zur Referenzeinheit Meter wurde in einem zusätzlichen Slot Beziehung

beschrieben. Er ermöglicht einen quantitativen Vergleich zweier Einheiten derselben Größe.

(siehe Abbildung 54). So ist die Beziehung zwischen Kilometer und Meter gleich 1000.

Kilometer Zentimeter

Name Ausprägung = = Name Ausprägung

Referenzeinheit

Beziehung

Meter

1000

Meter

Referenzeinnheit

Beziehung

Meter

0,1

Abbildung 54:Vergleich der Klassen Kilometer, Meter, Zentimeter

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 105

5.1.2.3.2 Die Klasse Monetäre Einheit

Die Klasse der Monetären Einheiten wird unterteilt in die Klassen Euro, US-Dollar, Britisches

Pfund und Schweizer Franken (weitere Währungen sind ohne weiteres hinzuzufügen). Zur

Umrechnung und zum Vergleich der einzelnen Währungen besitzt jede Klasse wie die

physikalischen Einheiten die Slots Beziehung und Referenzeinheit. Als Basiseinheit wird der

Euro angenommen.

5.1.2.4 Die Klasse Größe

Die Klasse Größe ist eine Unterklasse der Klasse abstrakte Entität und untergliedert sich in

alle Größen, die zur Beschreibung der Merkmale und Ziele eines Systems und Materials

benötigt werden. Dies sind die monetären, die logistischen und die physikalischen Größen.

Monetäre Größe Logistische Größe

Größe

Physikalische Größe

Abbildung 55: Die Klasse Größe mit ihren Unterklassen

Jede Größen (z.B. die physikalische Größen Geschwindigkeit) kann endlos viele Instanzen

(z.B. 3 km/h, 4 km/h, 5 km/h) besitzen. Diese Instanzen werden durch ihre relationalen

(Parameter, Einheit, Kleiner, Kleiner Gleich, Gleich, Größer Gleich, Größer) prozeduralen

(Formel) und deskriptiven Slots (Wert, Formelzeichen) näher beschrieben. Dementsprechend

ergibt sich folgendes Bild der Klasse Größe.

Größe

Name Typ Kardinalität Ausprägung

Wert

Formelzeichen

Formel

Parameter

Einheit

Gleich

Größer

GrößerGleich

Kleiner

KleinerGleich

Float

String

Float (Prozedur)

Instanz

Klasse

Instanz

Single

Multiple

Single

Multiple

Value = ( )

Klasse = (Größe)

Klasse = (Einheit)

Klasse = (Größe)

Tabelle 16: Darstellung der Klasse Größe mit ihren Slots

Die Klasse Monetäre Größe

Die monetären Größen beistzen die Besonderheit, dass sie sowohl positiv (Einnahmen) als

auch negativ (Ausgaben) zu bewerten sind. So sind die Streckengebühren für das Fahrzeug

negativ (belasten den Gewinn) und für die Strecke positiv (erhöhen den Gewinn). Weitere

monetäre Größen sind z.B. der Fahrtpreis oder die Transferzahlungen zwischen den

Fahrzeugen.

106 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Einnahme Ausgabe

Monetäre Größe

Streckengebühr

Fahrtpreis

Transferzahlung

...

Abbildung 56: Die Klasse Monetäre Größe mit ihren Unterklassen

Die Klasse Logistische Größe

Zu den logistischen Größen zählen z.B. die Auslastung einer Verbindung, die Pünktlichkeit

des Eintreffens eines Fahrzeugs oder die Kapazität einer Verbindung. Die logistischen Größen

dienen zur Bewertung einer bestimmten Situation. So bedeutet eine Auslastung einer

Verbindung von 95% für das Fahrzeug, dass hier in nächster Zeit ein Stau zu erwarten ist. Ist

das Fahrzeug unter Zeitdruck, sollte es diesen Bereich umfahren.

Die logistischen Größen sind in die logistischen Fahrzeuggrößen und die logistischen

Verbindungsgrößen unterteilt.

Logistische

Fahrzeuggröße Logistische

Verbindungsgröße

Logistische Größe

Pünktlichkeit

Ruhezeit

Fahrtzeit

Lieferservice

Auslastung

Kapazität

Durchsatz

...

....

Abbildung 57: Die Klasse Logistische Größe mit ihren Unterklassen

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 107

Die Klasse Physikalische Größe

Die physikalischen Größen lassen sich in die physikalischen Basisgrößen und

Funktionsgrößen unterteilen. Physikalische Basisgrößen sind Größen, für die keine Definition

im Sinne einer Zurückführung auf schon bekannte Größen gegeben werden kann [Sto95].

Physikalische Funktionsgrößen sind Größen, die sich direkt aus anderen Größen, wie z.B. den

Basisgrößen, entwickeln lassen.

Physikalische

Basisgröße Physikalische

Funktionsgröße

Länge

Zeit

Stromstärke

Temperatur

Stoffmenge

Mechanische Größe

Elektrische Größe

Magnetische Größe

Thermodynamische Größe

Lichtstärke

Masse

Physikalische

Größe

Optische Größe

Atomare Größe

Chemische Größe

Abbildung 58: Die Klasse Physikalische Größe mit ihren Unterklassen

Eine genauere Darstellung der physikalischen Funktionsgrößen leistet Abbildung 59.

Mechanische

Größe Optische

Größe

Elektrische

Größe Magnetische

Größe Thermo-

dynamische

Größe

Wärme-

menge

Wärme-

kapazität

Atomare

Größe

Licht-

strom

Licht-

stärke

Leucht-

dichte

Aktivität

...

Drehimpuls

Fläche

Impuls

Viskosität

Trägheitsmoment

Leitwert

Strom-

dichte

Feld-

stärke

Fluss

Induktion

Grad

Bruchfestigkeit

Dichte

...

Physikalische

Funktionsgröße

Chemische

Größe

...

Feldstärke

... ...

Stoff-

menge

...

Molare

Masse

...

Abbildung 59: Die Klasse Physikalische Funktionsgröße mit ihren Unterklassen

108 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Abbildung 60 beschreibt den Zusammenhang zwischen den System-Klassen, den Größen-

Klassen und den Einheiten-Klassen.

Fahrzeug

Ausprägung

.....

Name

Hat_Ziel

Hat_Zustand

Hat_Verhalten

.....

Geschwindigkeit

Ausprägung

100

.....

Name

Wert

Einheit

.....

Kilometer/Stunde

Ausprägung

km/h

.....

Name

Abkürzung

.....

Abbildung 60: Verbindung der System-Klassen zu den Größen- und Einheiten-Klassen

5.1.2.5 Die Klasse Raum

Über die Klasse Raum kann ein System seine absolute Lage im Raum definieren. So befindet

sich das System Bahnhof oder das System Fahrzeug z.B. im Raum Paderborn (Stadt) im

Graphen (x,y). Weitere Systeme können entsprechend dieser Darstellung beschrieben werden.

Zusätzlich bietet die Ontologie die Möglichkeit, eine horizontale oder ein vertikale Lage eines

Systems zu bestimmen.

Kardinalität

Single

Raum

AusprägungTyp

String

Name

Bezeichnung

StellungOrt Graph

vertikal

horizontal

Stadt

Nation

Provinz

Kontinent

Insel

X-Wert

Y-Wert

Z-Wert

Abbildung 61: Darstellung der Klasse Raum mit ihren Unterklassen

5.1.2.6 Die Klasse Richtung

Die Klasse Richtung definiert sowohl die Ausrichtung als auch die Bewegungsrichtung eines

Systems. So zeigt die Fahrtrichtung des Systems Fahrzeug nach Norden und die

Bewegungsrichtung nach links, um z.B. einen Überholvorgang einleiten zu können. Die

Verbindung der Systemklassen zu den Richtungsklassen erfolgt über den Slot Hat-Richtung.

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 109

Kardinalität

Single

Richtung

AusprägungTyp

String

Name

Bezeichnung

Nord

Süd

West

Ost

Himmels-

richtung

Bewegungs-

richtung

links

rechts

vor

zurück

Abbildung 62: Darstellung der Klasse Richtung mit ihren Unterklassen

5.1.2.7 Die Klasse Zustand

Der Zustand eines Systems wird über die Zustandsklassen definiert. Die Verbindung wird

durch den Slot Hat_Zustand innerhalb der Systemklassen erreicht.

Aggrgat-

zustand

Visueller

Zustand

Kardinalität

Multiple

Zustand

Ausprägung

Klasse = (Entität)

Typ

Instanz

Name

Hat_Merkmale

gasförmig

flüssig

fest

gebraucht

beschädigt

neu

Physikalischer

Zustand

Physikalische

Größe

Schalt-

zustand

ein

aus

Abbildung 63: Darstellung der Klasse Zustand mit ihren Unterklassen

Die Klasse Zustand untergliedert sich in die visuellen Zustände, die physikalischen Zustände,

die Schalt- und die Aggregatzustände. Die visuellen Zustände beziehen sich auf die

Oberfläche eines Systems. So kann die Oberfläche beschädigt, porös, matt, glänzend oder neu

sein. Die physikalischen Zustände beziehen sich auf die physikalischen Größen, die bereits in

Kapitel 5.1.2.4 definiert wurden. Aus diesem Grunde wird hier lediglich ein Verweis zu den

bereits definierten Klassen gezogen. Die Schaltzustände beziehen sich meist auf

elektrotechnische Anlagen und zeigen an, ob ein System momentan operative ist oder nicht.

Der Aggregatzustand definiert, ob sich ein Material in einem festen, flüssigen oder

gasförmigen Zustand befindet.

110 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Jeder Zustand besitzt spezifische Merkmale, die durch entsprechende Größen spezifiziert

werden können. So besitzt ein gebrauchter Stahl eine andere Bruchfestigkeit (Unterklasse der

physikliaschen Funktionsgrößen) als ein neuer Stahl. Diese Spezifizierung erfolgt über den

Slot Hat-Merkmale, der bereits in der Klasse System verwendet wird (einmal definierte Slots

können für mehrere Klassen verwendet werden).

5.1.2.8 Die Klasse Aktivität

Jedes System besitzt eine oder mehrere spezifische Aktivitäten. Diese untergliedern sich in

die kognitiven, sozialen und motorischen Aktivitäten. Kognitive Aktivitäten sind immer

datengetriebene Aktivitäten, die ohne einen Partner durchgeführt werden können, z.B. das

Explorieren eines Raumes oder das Suchen einer Verbindung. Sollte ein Partner

dazukommen, ist eine soziale Aktivität notwendig. Dies kann die Kommunikation oder auch

die Kooperation mit diesem Partner sein.

Die sozialen und kognitiven Aktivitäten generieren zunächst nur eine Verarbeitung der

vorhandenen Daten. Das Suchen einer Verbindung bedeutet nicht, dass das Fahrzeug diese

Verbindung fährt. Die Bereitschaft zur Kooperation schließt nicht auf eine konkrete Aktivität.

Diese, z.B. das eigentliche Fahren einer Verbindung bzw. der kooperative Zusammenschluß

zu einem Konvoi, wird über die motorischen Aktivitäten erreicht. So kann das Fahrzeug

beschleunigen, sich neigen, bremsen, sich verbinden oder sich trennen, es kann Fahrgäste

transportieren oder von einem Roboter repariert werden.

Für eine Aktivität muss bestimmt werden:

• zu welchem Zeitpunkt sie beginnt und zu welchem Zeitpunkt sie enden soll

• mit welcher Intensität diese Aktivität ausgeführt werden soll (z.B. Beschleunigen mit

5m/s2 oder 50m/s2)

• mit welcher Methode die Aktivität durchgeführt werden soll (z.B. Suchen mit Hill-

Climbing oder A*-Algorithmus)

• welches System die Aktivität durchführen soll (Feder- und Neigemodul,

Spurführungsmodul etc.) und

• welche Kosten durch die Aktivität entstehen.

Aus diesen Anforderungen erfgibt sich für die Klasse Aktivität die folgende Tabelle:

Aktivität

Name Typ Kardinalität Ausprägung

Bezeichnung

Startzeitpunkt

Endzeitpunkt

Intensität

Methode

Wird_ausgeführt_durch

Kosten

Vor_

String

Instanz

Single

Multiple

Klasse = (Zeiteinheit)

Klasse = (Physikalische Größe)

Klasse = (System)

Klasse = (Monetäre Einheit)

Klasse = (Aktivität)

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 111

Nach_

Direkt_Vor

Direkt_Nach

Startet_Zusammen_Mit

Endet_Zusammen_Mit

Überlappt_Mit

Läuft_Innerhalb

Gleich

Instanz

Multiple

Single

Multiple

Klasse = (Aktivität)

Tabelle 17: Darstellung der Klasse Aktivität mit ihren Slots

Entsprechend der ontologischen Darstellung ergibt sich folgende Struktur.

Soziale Aktivität Motorische Aktivität

Bremsen

Kognitive Aktivität

Planen Führen

Vortäuschen

Selektieren

Suchen

Explorieren

Trennen

Beschleunigen

Ablehnen

Annehmen

...

Reparieren

Transportieren

Neigen

Vergleichen

Klassifizieren

Voraussagen

Kommunizieren

Kooperieren

Bekämpfen

Lernen

Verbinden

Kaufen ...

...

Aktivität

Abbildung 64: Darstellung der Klasse Aktivität mit ihren Unterklassen

5.1.2.9 Die Klasse Verhalten

Laut Definition 2-6 wird dann von einem Verhalten eines Systems gesprochen, wenn eine

Veränderung des Zustandes bzw. der Zustandsgrößen des Systems auf der Makroebene

beobachtet werden kann. Diese Veränderung des Zustands wird innerhalb der Klasse

Verhalten durch die Slots Ausgangszustand und Endzustand mit dem Verweis zu den

Zustands-Klassen (Kapitel 5.1.2.7) beschrieben. So kann der Ausgangszustand von Eisen fest

sein. Wird das Eisen jedoch erhitzt, geht es in einen flüssigen Zustand über.

Der Anstoß zu einer Veränderung des Zustands bzw. der Zustände kann:

• ohne Einfluss von außen erfolgen oder

• mit einem Einfluss von außen zusammenhängen.

Ein Einfluss (Eingaben in ein System) kann sowohl ein Materie-, Energie- sowie

Informationsfluss eines anderen Systems sein. Gleiches gilt für die Wirkungsmöglichkeiten

112 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

(Ausgaben eines Systems). So kann die Ausgabe eines Verhaltens ein Materie-, Energie –

sowie Informationsfluss für ein anderes System sein. Grundsätzlich sind alle Kombinationen

von Einfluss und Wirkungsmöglichkeiten denkbar. (Beispiel 1: Beim Bremsen eines Autos an

der Ampel bewirkt ein Informationsfluss (Einfluss: Ampel rot) einen Energiefluss (Abgabe

von Energie durch das Bremsen); Beispiel 2: Beim Laden eines Elektroautos bewirkt ein

Energiefluss (Einfluss: Elektrizität) einen Materiefluss (Bezahlung mit Geld)). Unabhängig

von den Einflüssen und den Wirkungsmöglichkeiten wird während eines Verhaltens stets

Energie (sogenannte Entropie) freigesetzt. Dieser Energieabfluss zwingt Systeme dazu, immer

neue Energieflüsse aufzunehmen.

Neben einer Einfluss–Wirkungsmöglichkeit-Beziehung kann es möglich sein, dass mit einem

Einfluss von außen keine Wirkungsmöglichkeit hervorgerufen wird. Dies ist dann der Fall,

wenn das System den Einfluss auf Grund fehlender Strukturen nicht weiterleiten oder

verarbeiten kann. Im Falle eines Informaionsflusses wäre dies die rote Ampel, die vom

System nicht gedeutet werden kann oder die Nachricht eines anderen Fahrzeugs, die aufgrund

unterschiedlicher Ontologien nicht verstanden werden kann (eine Lösung hierzu bietet das

folgende Kapitel). Allerdings kann es auch vorkommen, dass der Einfluss von außen zwar

erkannt wird, aber so schwach ist, dass die vom System gegebene Reizschwelle nicht

überschritten wird (um zu verhindern, dass auf alle Einflüsse reagiert wird) oder dass das

System so träge ist, dass es im Beobachtungszeitraum praktisch nicht reagiert. Neben der Art

des Einflusses bestimmt demnach die Stärke des Einflusses die Wirkungsmöglichkeiten eines

Verhaltens. So erzeugt ein starker Energiefluss als Einfluss (z.B. starker Gegenwind beim

Fahren) einen entsprechend starken Energiefluss als Wirkungsmöglichkeit (z.B. hoher

Benzinverbrauch). Ein entsprechend schwacher Einfluss kann, wie bereits oben erwähnt, auch

zu gar keiner Wirkungsmöglichkeit führen.

In der vorliegenden Arbeit werden die Einflüsse durch den Slot Einfluss definiert. Dieser

Einfluss kann laut Abbildung 1 durch sämtliche Systemteilnehmer (das Umfeld, den

Benutzer, das eigene System, die eigene Struktur) erfolgen. So könnte ein Einfluss die

Temperatur der Bremsen, die Bruchfestigkeit des Aufbaus aber auch die Geschwindigkeit

eines vorausfahrenden Fahrzeugs sein. Entsprechendes gilt für die Wirkungsmöglichkeit. Die

Energieabgabe wird über den Slot Energieabgabe definiert.

Ein Verhalten wird nicht gekapselt für sich, sondern „aus Sicht der Informationsverarbeitung

wird Systemverhalten durch eine Menge von Prozessen, die als Abfolge von Aktivitäten

verstanden werden, beschrieben“ [FGK+04]. Um diese Abfolge von Aktivitäten beschreiben

zu können, müssen sie in eine temporäre Beziehung zueinander gebracht werden. Dies

bedeutet, dass innerhalb eines Verhaltens:

• parallele Aktivitäten und

• sequenziellen Aktivitäten durchgeführt werden können.

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 113

Die Definition der spezifischen Aktivitäten geschieht über den Slot Aktivität. Die temporären

Beziehungen zwischen den Aktivitäten werden innerhalb der Klasse Aktivität definiert.

Letzendlich muss definiert werden, zu welchem Zeitpunkt ein Verhalten von wem ausgeführt

wird. Dieses wird durch die Slots Wird_ausgeführt_durch, Startzeitpunkt, Endzeitpunkt und

Dauer erreicht.

Aus den oben beschriebenen Anforderungen für ein Verhalten lässt sich die Klasse Verhalten

wie folgt definieren.

Verhalten

Name Typ Kardinalität Ausprägung

Bezeichnung

Einfluss

Wirkungsmöglichkeit

Energieabgabe

Ausgangszustand

Endzustand

Wird_ausgeführt_durch

Startzeitpunkt

Endzeitpunkt

Dauer

Kosten

Aktivität

String

Instanz

String

Instanz

Single

Multiple

Single

Multiple

Single

Multiple

Single

Klasse = (System)

Klasse = (Physikalische Größe)

Klasse = (Zustand)

Klasse = (System)

Klasse = (Zeiteinheit)

Klasse = (Monetäre Einheit)

Klasse = (Aktivität)

Tabelle 18: Darstellung der Klasse Verhalten mit ihren Slots

Typische Verhaltensweisen lassen sich in die kognitiven, die sozialen, die motorischen und

die physikalischen Verhaltensweisen unterteilen.

Die kognitiven Verhaltensweisen besitzen stets als Einfluss einen Informationsfluss, können

in ihren Wirkungsmöglichkeiten jedoch sowohl einen Materiefluss als auch einen

Informations- oder Energiefluss bewirken. So deutet ein aggressives Suchverhalten auf eine

hohe Energieabgabe hin, da sich das Fahrzeug schnell im Raum bewegt. Zudem wird Energie

über die Reibung der Räder an den Boden übertragen. Weitere Verhaltensweisen wären ein

bestimmtes Lern- oder Explorationsverhalten.

Die sozialen Verhaltensweisen besitzen als Einfluss sowohl einen Informations- als auch

einen Materie- und einen Energiefluss. So können Informationen an ein System übertragen

werden, ein anderes System angestoßen werden (Energiefluss) oder „böswillig“ Materie an

ein System übertragen werden (Pistolenschuß). Alle drei Einflüsse führen zu entsprechenden

Wirkungsmöglichkeiten und einem eher aggressivem oder freundlichem sozialen Verhalten.

Die motorischen Verhaltensweisen (Bremsverhalten, Beschleunigungsverhalten,

Fahrverhalten etc.) besitzen ebenfalls alle drei Einflussgrößen und Wirkungsmöglichkeiten.

So kann eine Information ein bestimmtes Bremsverhalten hervorrufen, das wiederum als

Wirkungsmöglichkeit einen Energiefluss erzeugt.

114 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Bei den physikalischen Verhaltensweisen (Spannungsverhalten, Korrosionsverhalten etc.)

existiert als Einfluss kein Informationsfluss. Entweder kommt es zu Materieflüssen (z.B. eine

ätzende Säure auf Stahl) oder zu Energieflüssen (Strom, Hitze). Diese können die

entsprechenden Materie- und Energieflüsse in ihren Wirkungsmöglichkeiten hervorrufen.

Insgesamt zeigt das in dieser Arbeit untersuchte System ein offenes, dynamisches,

kontinuierliches, stochastisches und stabiles Verhalten: Offen, da die Zustandsgrößen des

Systems mit der Umgebung in Wechselwirkung stehen, dynamisch, da sich die

Zustandsgrößen im Laufe der Zeit verändern, kontinuierlich, da sich die Zustandsgrößen

kontinuierlich - in beliebig kleinen Zeitabschnitten – verändern, stochastisch, da die

Zustandsgrößen bei identischen Wiederholungen nur durch Wahrscheinlichkeiten

beschreibbar sind, die in dieser Arbeit duch den Konfidenzfaktor cf abgebildet werden (siehe

Kapitel 5.3.3) und stabil, da das System aufgrund von Sicherheitsmechanismen bei

„normalen“ Änderungen von Parametern nicht „kippt“. In der vorliegenden Arbeit wird vom

System das Verhalten verstärkt, das sich als erfolgreich erwiesen hat. Erfolgreich bedeutet

hier, dass ein Verhalten zu minimalen Kosten unter Zielerreichung des Systems ausgeführt

wurde.

Abschließend

Durch die Spezifizierung sämtlicher Klassen wurde eine allgemein-gültige Ontologie

(Basisontologie) erzeugt, über die alle individuellen Ontologie miteinander kommunizieren

können. Voraussetzung hierfür ist, dass jede individuelle Ontologie vorher mit ihren Klassen

und Slots auf die Basisontologie referenziert wird.

Derzeit existiert noch kein System, das diese Referenzen automatisch erzeugen kann (siehe

hierzu Kaptiel 3.2), wodurch diese Arbeit manuell ausgeführt werden muss. Einmal richtig

zugewiesen können jedoch beliebig viele individuelle Ontologien mit dem nachfolgenden

Algorithmus über die Basisontologie Erfahrungen austauschen.

5.2 Auflösung von Konflikten bei heterogenen Wissensbasen

Das vorliegende Szenario dieser Arbeit stellt sich als ein offenes Transportsystem dar. Dies

bedeutet, dass jederzeit Fahrzeuge sowohl in das Transportsystem ein- als auch austreten

können. Hierbei ist zu beachten, dass sich die Fahrzeuge hinsichtlich ihrer Wissensbasis

unterscheiden. Die gewonnenen Erfahrungen und die daraus resultierenden Verhaltensweisen

sind demnach abhängig vom jeweiligen Fahrzeug und müssen deshalb zum Zweck ihrer

Kommunikation übersetzt werden. Hierfür wurde der SCOUT- (Solving Conflicts in an

Ontology Used Translation) Algorithmus entwickelt, der eine Übersetzung individueller

Erfahrungen in die jeweilige Wissensbasis anderer Fahrzeuge leistet. Hierzu wird die

entwickelte Basisontologie aus Kapitel 5.1 verwendet.

In Kapitel 2.2.1.1 wurde bereits eine Definition einer Basisontologie und einer spezifischen

Ontologie aufgestellt. Sie unterscheiden sich im Wesentlichen dadurch, dass die

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 115

Basisontologie innerhalb der hier bearbeiteten Domäne übergreifend Verwendung findet,

während sich die spezifische Ontologie auf die Strukturierung der Wissensbasis eines

bestimmten Fahrzeugs beschränkt. Die Basisontologie nimmt somit die Rolle eines

Referenzmodells der Domäne ein und hat die Funktion, eine einheitliche, konsistente

Bezugsebene zu bilden, d.h. jeder neue Begriff und jede neue Regel einer spezifischen

Ontologie muss mit Begriffen und Regeln aus der Basisontologie definiert werden können.

Eine Basisontologie ermöglicht so heterogenen Wissensbasen einen effizienten

Datenaustausch und eine individuelle Datenspeicherung.

Neben den unterschiedlichen Terminologien innerhalb der verschiedenen Wissensbasen

kommt den unterschiedlichen, gelernten Regeln eine besondere Bedeutung zu. Dabei müssen

die Regeln zum Zwecke ihrer Übersetzung im Bereich der Prämissen (siehe Abbildung 65)

durch eine für alle Fahrzeuge geltende Basisontologie mit deren Klassen (CB) und Slots (SB)

ausgedrückt werden. Die Variablen und der Wertebereich können hierbei jedoch individuell

definiert werden.

SlotA(KlasseA,Bewertung) :- SlotB(KlasseB,Variable) Variable, Vergleichsoperator, Wertebereich

Konklusion (Head) Regel Literal Prämisse (Body)

Abbildung 65: Definition individueller Wahrnehmungen mittels einer Basisontologie

Die nachfolgenden Ansätze werden in Prolog29, einer deklarativen Sprache, mit der

symbolisches Wissen verarbeitet werden kann, dargestellt. Mit Prolog kann auf die

intentionale Definition von Termen mittels Regeln, Fakten und Abfragen zurückgegriffen

werden [Bra00] (bei der intentionalen Definition werden meist nach Nennung des nächst

höheren Begriffs, der den zu definierenden Begriff beinhaltet, charakteristische Eigenschaften

des zu definierenden Begriffs oder Wortes genannt [Bay99]).

5.2.1 Auflösung der Integrationsproblematik

Per Definition geben Ontologien das gemeinsame Verständnis unterschiedlicher Akteure für

Begrifflichkeiten wieder. Dies schließt allerdings nicht aus, dass Bewertungen der

Begrifflichkeiten unterschiedlich ausfallen (z.B. böse Katze oder gefährliche Katze) bzw.

zusätzliche individuelle Begrifflichkeiten verwendet werden (Hund oder Köter). Um diesen

Konflikt zu lösen, bedarf es Mechanismen, die unterschiedliche Begrifflichkeiten und

Bewertungen über eine Basisontologie eindeutig beschreiben und zuordnen können. Neben

der reinen Übersetzung von Begrifflichkeiten (Terminologien) müssen auch Regeln

29 PROgramming in LOGic, weitere Informationen siehe Kapitel E

116 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

übersetzbar sein. Sie bieten erst die Grundlage für den Aufbau eines intelligenten Systems, da

Regeln über das reine Faktenwissen hinausgehen und Verhaltensweisen und Ziele eines

Fahrzeugs erst erklärbar machen.

Zur Verdeutlichung der Integrationsproblematik sind zwei Szenarien denkbar:

Szenario 1: Übersetzen von Begriffen Das Fahrzeug A möchte von C eine Information über

die Geschwindigkeit erhalten, die es auf einer bestimmten Strecke zu fahren hat. C findet das

Wort Geschwindigkeit in seiner Ontologie nicht. Bevor es diese Nachricht jedoch als „false“

an A zurück schreibt, fragt es die Basisontologie, wo dieser Term einzuordnen ist. Diese

Basisontologie identifiziert die Geschwindigkeit als Speed, indem sie erkennt, dass die Klasse

Geschwindigkeit der Ontologie A mit der Klasse Speed aus der Basisontologie verknüpft ist.

Die Basisontologie liefert demnach die Klasse Speed als Referenzklasse an C zurück. C ist

mit der Klasse Speed durch die Klasse Schnelligkeit verknüpft. Dadurch weiß C, dass es sich

bei dem Wort Geschwindigkeit um die Schnelligkeit handelt und kann die gewünschten

Informationen schicken.

Priorität, Strecke,

Fahrkomfort, Trasse,

Geschwindigkeit

Gewichtung,

Komfort, Verbindung,

Streckenabschnitt

Speed

Dringlichkeit,

Route, Reisekomfort,

Trassenabschnitt,

Schnelligkeit

Ontologie A Ontologie C

Basisontologie

Abbildung 66: Übersetzung von Begriffen zwischen den Ontologien A und C

Diese recht einfachen Übersetzungs-Funktionen (uf) werden explizit durch eine semantische

Verknüpfung dargestellt, wobei OA eine Klasse der Ontologie A, OB eine Klasse der

Basisontologie und OC eine Klasse der Ontologie C symbolisiert:

uf (OA: Geschwindigkeit (X) :- OB: Speed (X))

uf (OC: Schnelligkeit (X) :- OB: Speed (X))

⇒

OA: Geschwindigkeit (X) = OC: Schnelligkeit (X)

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 117

Szenario 2: Abfrage von Verhaltensweisen A hat keine Vorstellung (keine Regel) von

möglichen Verhaltensweisen in einer unbekannten Umweltsituation. Aus diesem Grund fragt

er C nach seiner gelernten Regel. Angenommen A sind zwar die Parameter Art des

Transportguts (Fahrgast), Priorität des Fahrgastes (hoch), Kosten der Beförderung (5000

Euro) und die eigene monetäre Situation (10 Euro) bekannt, jedoch nicht das daraus

resultierende Verhalten. Hierzu fragt er C, der die gelernte Regel besitzt:

df (OC: Auftrag (Fahrzeug,ablehnen) :- OB: Transportgut (Fahrzeug,K), K=Fahrgast,

Priorität (Fahrgast,P), P=hoch,P=mittel, Kosten

(Beförderung,C), C>=1000, Geld (Fahrzeug,G),

G<=50)

Als Konsequenz lehnt A den Auftrag ab (es sei denn, er entscheidet sich explorativ eigene

Erfahrungen zu machen). Weitere Beispiele sind in Tabelle 19 beschrieben.

5.2.2 Grundlagen des SCOUT-Algorithmus

Der in der vorliegenden Arbeit entwickelte Algorithmus stellt ein Verfahren zur Auflösung

von Integrationskonflikten dar, welche auf heterogene Wissensbasen zurückzuführen sind.

Dadurch ist es einem Fahrzeug, auch in einer für ihm fremden Umwelt, möglich, Erfahrungen

mit anderen Fahrzeugen auszutauschen und somit z.B. einen optimalen Weg oder eine

optimale Komforteinstellung zu finden.

Die Mächtigkeit des entwickelten Algorithmus wird insgesamt durch sechs Bedingungen

beschrieben:

1. Vergleich von Begriffen (Klassen) und Regeln: Neben der reinen Übersetzung von

Begriffen (Klassen) ermöglicht der Algorithmus einen Vergleich von Regeln

(Verhaltensweisen).

2. Berücksichtigung der Werte: Es ist eine Analyse von numerischen und nicht-

numerischen (symbolischen) Werten möglich. Hierbei können Slots auch negative

Werte zugewiesen werden (z.B. kann der Wert der Temperatur auch kleiner 0 sein).

3. Funktionen: Der Algorithmus erlaubt eine Untersuchung von einfach ineinander

verschachtelten Literalen - wie bei der Benutzung von Funktionen. Unter einer

Funktion wird in diesem Zusammenhang „minus, plus, multipliziert, dividiert“

verstanden. Ein solches Literal wäre beispielsweise:

minus(Einnahmen(Fahrzeug, E), Ausgaben(Fahrzeug, A), Z)

4. Vollständigkeit: Es erfolgt nur eine Übersetzung, wenn sämtliche Slots im

Prämissen-Bereich einer Regel von A vollständig durch gleichnamige Slots von C

118 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

abgedeckt werden. Hierbei müssen auch die zu den Slots gehörenden Klassen

übereinstimmen (siehe Tabelle 19, Beispiel 1, 2).

5. Übersetzung: Sofern zu einer Regel von A keine 1-1-Übersetzung zu einer Regel von

C erzeugt werden kann, ist eine Verkettung von mehreren Regeln von C herzustellen.

Hierbei wird entsprechend der Werte zwischen einer eindeutigen30 und einer

partiellen31 Übersetzung unterschieden. Bei einer existenten 1-1-Übersetzung darf die

Regel von C im Prämissen-Bereich mehr Literale enthalten als die von A. (siehe

Tabelle 19, Beispiel 3 - 6).

6. Gegenseitiger Ausschluss: Es existiert eine in jeder Situation sichere Übersetzung,

d.h., dass bei den partiellen Übersetzungen keine disjunkten Wertebereiche bei den

gemeinsamen Slots auftreten dürfen. Des Weiteren wird von vornherein vermieden,

dass Regeln mit aufgenommen werden, die nicht feuern können. (siehe Tabelle 19,

Beispiel 7, 8).

Tabelle 19 verdeutlicht anhand von beispielhaften Übersetzungen die oben aufgeführten

Bedingungen. Dabei beziehen sich die Beispiele 1, 2, 3, 5 und 6 auf die Übersetzung von

Begriffen (Klassen) und die Beispiele 4, 7 und 8 auf die Übersetzung von Regeln

(Verhaltensweisen).

Beispiel 1: 1 – 1 – Übersetzung

df (OA: A() :- OB: a(B), b(B), c(B))

df (OC: C() :- OB: a(B), b(B), c(B))

Übersetzung: A() = C(), da Bedingung 4 erfüllt

ist.

Beispiel 2: 1 – 1 – Übersetzung

df (OA: A() :- OB: a(B), b(B), c(B))

df (OC: C1() :- OB: a(D), b(B), c(B))

df (OC: C2() :- OB: a(B), b(B))

Übersetzung: keine Übersetzung, da Bedingung

4 verletzt ist.

Beispiel 3: Eindeutige Übersetzung

df (OA: A() :- OB: a(B), b(B), c(B))

df (OC: C1() :- OB: a(B), b(B))

df (OC: C2() :- OB: c(B))

Übersetzung: A() = C1() ∧ C2(), da Bedingung

5 erfüllt ist.

Beispiel 4: Partielle Übersetzung

df (OA: A() :- OB: a(B), b(B), c(B, w), w>2, w<8)

df (OC: C1() :- OB: a(B), b(B), c(B, w), w>0, w<6)

df (OC: C2() :- OB: a(B), b(B), c(B, w), w>4, w<9)

Übersetzung: A() = (C1() ∨ C2()), da Bedingung 5

erfüllt ist, aber die Wertebereiche von C sich mit

denen von A überlappen. Eine eindeutige „und“

Übersetzung ist somit nicht möglich.

Beispiel 5: 1 – 1 – Übersetzung

df (OA: A() :- OB: a(B), b(B), c(B))

df (OC: C1() :- OB: a(B), b(B), c(B), d(B))

df (OC: C2() :- OB: a(B), b(B))

df (OC: C3() :- OB: c(B))

Beispiel 6: Eindeutige Übersetzung

df (OA: A() :- OB: a(B), b(B), c(B))

df (OC: C1() :- OB: a(B), b(B))

df (OC: C2() :- OB: c(B), d(B))

30 Eindeutige Übersetzung: Übereinstimmung in Slot und Klasse, der Wertebereich von Ontologie C ist immer

mindestens so groß wie der von Ontologie A.

31 Partielle Übersetzung: Übereinstimmung in Slot und Klasse, der Wertebereich von Ontologie C besitzt

zumindest immer eine Überschneidung mit dem von Ontologie A. Kennzeichnend hierfür sind die um die

Regeln von Ontologie C befindlichen Klammern. D.h., dass es von den tatsächlich auftretenden Werten

abhängt, ob bzw. welche Regeln feuern (siehe eispiel 4 und 8).

Tabelle 19 B

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 119

Übersetzung: A() = C1(), da Bedingung 5 für

2 bersetzung: keine Übersetzung, da Bedingung

C1 erfüllt ist und diese eindeutig ist, so dass C

und C3 nicht zum Übersetzen herangezogen

werden (obwohl dies beim Fehlen von C1 der

Fall wäre (siehe Beispiel 3)).

4 verletzt ist.

Beispiel 7: Gegenseitiger Ausschluss

f (O : A() :- O : a(B, w),w>2,w<8,b(B),c(B))

bersetzung: keine Übersetzung, da

Beispiel 8: Gegenseitiger Ausschluss

A B

df (OC: C1() :- OB: a(B, w),w>0,w<5,b(B))

df (OC: C2() :- OB: a(B, w),w>5,w<9,c(B))

Bedingung 6 nicht erfüllt ist.

f (O : A() :- O : a(B, w), w>2, w<8, b(B), c(B))

bersetzung: A() = (C1() ∨ C2()), da Bedingung 6

A B

df (OC: C1() :- OB: a(B, w), w>4, w<8, b(B))

df (OC: C2() :- OB: a(B, w), w>3, w<7, c(B))

df (OC: C3() :- OB: a(B, w), w>0, w<2)

erfüllt ist.

Tabelle 19: Beispielhafte Übersetzungen

Algorithmus werden zum Vergleich der einzelnen Ontologien die Prämissen der Regeln

• S= Slot der Basisontologie

Wertes

alen Wertes

Die separierten 6-er Tupel von A und C werden im Algorithmus schrittweise miteinander

chritt 1: In der ersten Iteration des Algorithmus werden von der ersten Regel von Ontologie

chritt 2: Anschließend werden von der ersten Regel von Ontologie C die ersten

chritt 3: Der Algorithmus vergleicht das in Schritt 2 generierte 6er-Tupel sukzessive mit

chritt 4: Sofern im vorherigen Schritt eine Übereinstimmung festgestellt wird, erfolgt eine

von A und C in mehrere 6-Tupel T:={S, K, Omin, Wmin, Omax, Wmax} zergliedert. Hierbei ist:

• K= Klasse der Basisontolog

• Omin= Operator des minimalen

• Wmin= minimaler Wert

• Omax= Operator des maxim

• Wmax= maximaler Wert

verglichen:

A die zugehörigen Literale analysiert. Dies erfolgt sowohl hinsichtlich ihrer Beziehung

zueinander (z.B. gehören Temperatur(Luft, T), T>-5, T<15 zusammen) als auch hinsichtlich

ihrer Ausprägungen. So wird aus jeder dieser Konstellationen ein 6er-Tupel zum späteren

Vergleich erzeugt (hier S=Temperatur, K=Luft, Wmin=-5, Omin=>, Wmax=15, Omin=<).

zusammengehörigen Literale analysiert. Dies erfolgt analog zum ersten Schritt (z.B.: bei

Temperatur(Luft,T), T>0, T<10 wären dies: S=Temperatur, K=Luft, Wmin=0, Omin=>,

Wmax=10, Omin=<).

denen von Ontologie A (Schritt 1) anhand des Slots und der Klasse.

Analyse der Werte (Wmin, Omin, Wmax, Omax).

120 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Schritt 5: Abhängig vom Ergebnis aus Schritt 4 erfolgt entweder die weitere Analyse der

chritt 6: Nach der Untersuchung der letzten Regel von Ontologie C erfolgt die Vermeidung

5.2.3 Umsetzung des SCOUT-Algorithmus

rde, erfolgt in diesem Kapitel eine

• Hauptalgorithmus: Er übernimmt die Kontrolle über den Ablauf. Aus ihm lassen sich

• Separation: Dieser Teilalgorithmus extrahiert aus den Informationsträgern die Klassen

• Detaillierung: Dieser Teilalgorithmus vollzieht die Transformation der Werteangaben

• Prädikatanalyse: Dieser Teilalgorithmus untersucht eine Übereinstimmung der Slots

• Vertauschung: Beim Auftreten der Funktionen „dividiert“ und „minus“ ist zur

• Intervallanalyse: Bei diesem Teilalgorithmus werden nach einem erfolgreichen Slot-

• Intervallverhältnis: Dieser Teilalgorithmus untersucht die Art der Überschneidung der

aktuellen Regel und ggf. eine Aufnahme in die Menge der gefundenen Übersetzungen oder

die Betrachtung der nächsten Regel von Ontologie C.

des gegenseitigen Ausschlusses und eine Analyse auf eine bestehende 1-1-Übersetzung.

Nachdem der SCOUT-Algorithmus grob skizziert wu

detailliertere Betrachtung anhand des Pseudo-Codes. Aufgrund der Komplexität des

Verfahrens wird bewusst von einem einzigen durchgängigen Beispiel abgesehen. Stattdessen

wird an entsprechender Stelle der Ablauf anhand einzelner, voneinander unabhängiger

Beispiele illustriert. Der Algorithmus besteht aus einem Hauptalgorithmus sowie sieben

Teilalgorithmen:

bei Bedarf die entsprechenden Teilalgorithmen aufrufen. Des Weiteren wird in ihm

die Ausgabe verwaltet.

und die Slots und bereitet darüber hinaus die Informationen zur Analyse der

enthaltenen Werte auf. Zudem wird die Betrachtung von Funktionen ermöglicht.

in analysierbare Größen.

und der Klassen der Ontologien A und C.

Analyse der Werte die Reihenfolge innerhalb des geschachtelten Literals

entscheidend. Diese wird bei Bedarf entsprechend dem Aufbau der Ontologie A für

die Ontologie C umgestellt.

und Klassenvergleich die Werte auf eine Überschneidung der Wertebereiche hin

analysiert. Nur wenn mindestens eine Überschneidung existiert, kann überhaupt eine

Übersetzung erfolgen.

Wertebereiche. Sofern der Wertebereich von Ontologie C mindestens den von

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 121

Ontologie A umfasst, liegt eine eindeutige Übersetzung vor, ansonsten eine partielle

Übersetzung.

• Validierung: Dieser Teilalgorithmus dient zur Vermeidung des gegenseitigen

Ausschlusses, d.h., dass dieser Teilalgorithmus vorrangig auf Basis der partiellen

Übersetzungen operiert. Zudem untersucht er die gefundenen Regeln von Ontologie C

auf eine 1-1-Übersetzung und eliminiert partielle Übersetzungen.

Grundlage des Algorithmus (die genaue Beschreibung der Variablen des SCOUT-

Algorithmus ist im Anhang unter Kapitel B dargestellt) sind zwei Mengen der Regeln MA und

MC. Diese bestehen aus den jeweiligen Beziehungen zwischen den individuellen Ontologien

von A bzw. C zu der Basisontologie. Ziel des Verfahrens ist es, zu jedem ak (Konklusion

einer Regel aus Ontologie A) aus MA, sofern vorhanden, ein (bzw. mehrere) ci(´s)

(Konklusion einer Regeln aus Ontologie C) aus MC zu finden, so dass am Ende die

Übersetzung gilt: a1 = c2

∧

c3; a2 = (c1) etc.

Es sei:

k :- mAk,l (mit k = 1…n und l = 1…m)

i :- mCi,j (mit i=1…s und j=1…t)

MA =

[ a

∑∑

k l11

k Ak,l ]

MC = [ ci :- mCi, j ]

Initialisierungen:

ent = 0

r = 1

:- m

∑∑

d = 1

e = 1

i = 1

id = 1

j = 1

emljInkr

k = 1

l = 1

p = 1

In jeder Iteration des Algorithmus wird eine Regel aus der Regelmenge MA analysiert. Hierzu

werden zusammengehörige Literale gesucht und zur weiteren Auflösung mit einer

eindeutigen Kennzeichnung an die Teilalgorithmen SEPARATION und DETAILLIERUNG

übergeben. Als zusammengehörig gelten hierbei zwei bzw. drei Literale, wobei nur in einem

Literal eine Klasse der Basisontologie vorhanden sein darf. Diese wird hinsichtlich. ihrer

122 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Werte durch die nachfolgenden Literale konkretisiert (z.B. sei in diesem Beispiel MA:

Bedingungen (Wetter, schlecht) :- Temperatur(Luft, T), T>0, T<15, wobei ak = Bedingungen

etter, schlecht) und mk,l = Temperatur(Luft, T), T>0, T<15 ist). Grundlage eines jeden

Ver zum 6er-Tupel. Hierbei ist:

rädikattypid,

• maximaler Wert – wktypid

ertes – tktypid.

rä

gleichs bildet die Zuweisung der Variablen

• Slot der Basisontologie – p

• Klasse der Basisontologie – basisOnttypid,

• minimaler Wert – wgtypid,

• Operator des minimalen Wertes – tgtypid,

•Operator des maximalen W

1. FOR MA DO

2. WHILE ak ≠ Ø

3. p dikatAnzA = 0

4. W ILE mk,l ≠ Ø

5. ljInkrement = 0

eta6. d illierungsliteral = mk,l

7. p dikatAnzA = prädikatAnzA + 1

8. k,l+

9. deta lierungsliteral = detai lierungs

IF (∈ Vergleichsoperator) ∈ m

il l literal

∧

m ,l+1k

10.

11. IF (∈ Vergleichsoperator)

ljInkrement = ljInkrement + 1

∈

k,l+2

12. detaillierungsliteral = detaillierungsliteral

∧

N(A, id, detaillierungsliteral)

prädikatVereinigungA

k,l+2

13. ljInkrement = ljInkrement + 1

14. SEPARATIO

15. prädikatVereinigungA =

∧

prädikattypid

16. id = id + 1

ist für den

ION und DETAILLIERUNG zur

pels übergeben werden.

O M

17. l = l + ljInkrement + 1

Das Ergebnis des ersten Teils ist die Umwandlung der Operatoren „<“ und „>“ in Zahlen.

Statt „T>0“ wird jetzt „T, 2, 0“ im Algorithmus gespeichert. Dies unterstützt die

Vergleichbarkeit der Wertebereiche verschiedener Regeln. Zudem geschieht die Zuweisung

des Slots Temperatur zu prädikatA1 sowie der Klasse Wetter zu basisOntA1. Dies

späteren Vergleich der Regeln von Ontologie A zu denen der Ontologie C wichtig.

Nach der Analyse aller Literale einer Regel von MA wird von MC die erste Regel betrachtet

(z.B. sei hier MC: Zustand (Wetter, schlecht) :- Temperatur(Luft, T), T>-10, T<5). Auch hier

erfolgt zuerst die Suche nach zusammengehörigen Literalen, welche nach demselben

Verfahren wie bei A an die Teilalgorithmen SEPARAT

Bildung eines 6er-Tu

18. F R C DO

19. WHILE ci ≠ Ø

20. aufnahmeArt = AND

21. prädikatAnzB = 0

22. bodyIdentität = TRUE

23. WHILE mi,j ≠ Ø

24. ljInkrement = 0

25. detaillierungsliteral = mi,j

26. IF (∈ Vergleichsoperator)

∈

mi,j+1

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 123

27. deta llierungsliteral = deta ierungsi ill literal

∧

mi,j+1

28. ljInkrement = ljInkrement + 1

29. IF (

∈ Vergleichsoperator)

∈

mi,j+2

30. detaillierungsliteral = detaillierungsliteral

∧

mi,j+2

32. SEPARATION(C, 1, detaillierungsliteral)

, aber nur bis zu

iner erfolgreichen Untersuchung, die 6er-Tupel der Regel von MA genutzt.

31. ljInkrement = ljInkrement + 1

Im Anschluss wird mit Hilfe des Teilalgorithmus PRÄDIKATANALYSE nach einer

Übereinstimmung der Slots und der Klassen gesucht. Dazu werden sukzessiv

33. id = 1

34. treffer = FALSE

ALSE 35. WHILE (treffer = F

∧

prädikatAid Ø)

IKATANALYSE(id)

37. id = id + 1

n wird die Variable depot geleert und mit j = 0 die

ktuelle Regelmenge von MC verlassen.

ngen mit

icht in beiden Regeln vorhandenen Slots vermieden (Siehe Tabelle 19, Beispiel 6).

id)

LLVERHÄLTNIS(id)

ent + 1

53. j = j + ljInkrement + 1

Regel von MC enthalten ist

iehe Tabelle 19, Beispiel 5). Ansonsten wird das depot geleert.

≠

36. treffer = PRÄD

Im Falle einer erfolgreichen Suche erfolgt nun die Betrachtung der Intervalle. Hierzu werden

im ersten Schritt die Wertebereiche hinsichtlich einer Überschneidung analysiert. Wenn eine

solche Überschneidung festgestellt werden kann, gilt es deren Art zu ermittlen und der Slot

der Regel von MC festzuhalten. Ansonste

Konnte keine Übereinstimmung zwischen den Slots und den Klassen festgestellt werden,

erfolgt die Analyse des nächsten 6-Tupels der aktuellen Regel von MC. Zusätzlich wird die

Variable bodyIdentität auf „FALSE“ gesetzt. Dadurch werden partielle Übersetzu

38. IF treffer = TRUE

39. id = id - 1

40. wertIdentität = INTERVALLANALYSE(

41. IF wertIdentität = TRUE

42. prädikatAnzB = prädikatAnzB + 1

r43. IF aufnahmeAt ≠ OR

ERVA44. aufnahmeArt = INT

depot

∧ prädikat

45. depot=

46. j = j + ljInkrem

47. ELSE

48. depot = Ø

49. j = -1

50. prädikatAnzB = 0

51. ELSE

52. bodyIdentität = FALSE

Nachdem alle 6er-Tupel einer Regel von MC betrachtet wurden, erfolgt eine Überprüfung der

Größe dieser Regel. Eine Regel von MC darf nur dann mehr Slots als eine Regel von MA

umfassen, wenn letztere hinsichtlich ihrer Slots vollständig in der

124 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Sofern das depot nicht leer ist, werden die darin enthaltenen Slots und die Konklusion der

Regel entsprechend der ermittelten Aufnahmeart den für die Ausgabe und Validierung

otwendigen Variablen zugewiesen. Im Anschluss daran erfolgt die Analyse der nächsten

egel von MC.

54. IF prädikatAnzB ≠ prädikatAnzA

∧

bodyIdentität = FALSE

pot

= ci

depot

sgabeORe = ci

ädikatmengeORe = depot

+ 1

yse aller Regeln von MC erfolgt mit der VALIDIERUNG eine Routine zur

ermeidung des gegenseitigen Ausschlusses und hinsichtlich einer existenten 1-1-

l von MA in der Menge der Slots einer (oder

ehrerer) Regel(n) von MC enthalten, so ist eine zulässige Übersetzung gefunden, die mit der

55. depot = Ø

56. IF depot ≠ Ø P = prädikatAnzB

57. bodyGröße

58. headCollectionP = ci

59. prädikatCollectionP = d

60. p = p + 1

AND 61. IF aufnahmeArt =

62. ausgabeAND

63. prädikatmengeANDd =

64. d = d + 1

S65. ELE

66. au

r67. p

68. e = e

69. i = i + 1

70. j = 1

71. depot = Ø

Nach der Anal

Übersetzung.

Sind nach dieser Prüfung alle Slots der Rege

nweisung RETURN(MT) ausgegeben wird.

72. VALIDIERUNG()

73. prädikatVereinigungB = p ädik tmengeAND r

∧

p ädikatmengeORr

74. IF prädikatVereinigungA ⊆prä

dikatVereinigungB

ausgabeAND1 ∧ … ∧ ausgabeANDd

∧

(ausgabe

75. ausgabe = OR1 ausgabeORe )

( = au abe)

einigungA = prädikatVereinigungB = … = Ø

79. k = k + 1

ßtmögliche Intervall zugrunde gelegt, d.h., dass sich dieses von

>-∞“ bis „< +∞“ erstreckt. Darüber hinaus gilt es, aus den übergebenen Literalen den Slot

detaillierungsliteral)

typ typ ∞

∨ ∨

76. MT = MTa ∧ ksg

77. prädikatVer

78. p = … = 1

80. RETURN(MT)

SEPARATIONS-Algorithmus

Beim Aufruf des Teilalgorithmus SEPARATION werden zuerst Default-Werte gesetzt.

Hierbei wird zunächst das grö

„

nd die Klasse zu ermitteln.

81. SEPARATION typ, id,

82. wgtyp = -∞, tgtyp = 2,

(

id id tk id = -1, wk id =

ika typ

83. präd t id = Slot

84. basisOnttyp =Klasse

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 125

85. mr = r-te Literal vom detaillierungsliteral

UNG(typ, id, m )

mr+1)

ss vom ersten inneren Slot

Kl om zwei n inneren Slot

99. IF typ = C typ

lgrenzen. Die Aufgaben

es Teilalgorithmus DETAILLIERUNG sind die Transformation eines Vergleichsoperators in

e un des initialen Intervalls.

, id, literal)

literal

ausprägung

10, wg id = wktypid = ausprägung

112. tg id = 2, wg id = ausprägung

spielsweise „minus(Einnahmen(Fahrzeug,E), Ausgaben(Fahrzeug,A),Z), Z>=10,

<20“ und „minus(Ausgaben(Fahrzeug,A), Einnahmen(Fahrzeug,E), Z), Z<=-10, Z>-20“

chiedliche Reihenfolge vorliegt, muss dies

uch in dem 6er-Tupel von MC Berücksichtigung finden. In diesem Fall wird der

Teilalgorithmus VERTAUSCHUNG angestoßen.

86. IF mr+1 = Ø

87. DETAILLIER r

88. ESLE

89. DETAILLIERUNG(typ, id,

90. IF mr+2 ≠ Ø

91. DETAILLIERUNG(typ, id, mr+2)

92. IF prädikattypid ∈ Funktion

93. prädikatA = erster innerer Slot in Funktion

94. basisOntA = Kla e

95. prädikatB = zweiter innerer Slot in Funktion

asse v te96. basisOntB =

97. IF typ = A

98. prädikattypid = prädikattypid/ prädikatA/ basisOntA/ prädikatB/ basisOntB

100. prädikatAlternativeA = prädikat id/ prädikatA/ basisOntA/ prädikatB/ basisOntB

101. prädikatAlternativeB = prädikattypid/ prädikatB/ basisOntB/ prädikatA/ basisOntA

Sofern die Variable detaillierungsliteral aus mehr als einem Literal besteht, erfolgt mittels des

Teilalgorithmus DETAILLIERUNG eine Beschränkung der Interval

inen numerischen Wert und die Be r gg enz

102. DETAILLIERUNG(typ

103. operator = Vergleichsoperator aus

aus literal 104. ausprägung = Wert

105. IF operator = “<=“

106. tktypid = -4, wktypid =

107. IF operator = “<“

108. tktypid = -1, wktypid =

109. IF operator = “=“ typ

110. tgtypid = 10, tktypid = -

111. IF operator = “>“

typ typ

113. IF operator = “>=“

114. tgtypid = 3, wgtypid = ausprägung

Im zweiten Teil des SEPARATIONS-Algorithmus (ab Zeile 92) erfolgt eine Untersuchung

von einfach ineinander verschachtelten Literalen, z.B. „minus(Einnahmen(Fahrzeug, E),

Ausgaben(Fahrzeug, A), Z)“. Hierbei muss berücksichtigt werden, dass trotz einer

unterschiedlichen Reihenfolge der inneren Klassen und Slots eine Gleichheit vorliegen kann.

So sind bei

äquivalent.

PRÄDIKATENANALYSE

Die PRÄDIKATANALYSE untersucht die 6er-Tupel hinsichtlich einer Äquivalenz zwischen

den Slots und den Klassen. Wenn eine Übereinstimmung unter Beteiligung der Funktion

minus oder dividiert aufgetreten ist und eine unters

126 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

115. PRÄDIKATANALYSE(id)

116. IF pr dikatä tion

dikat id = prädikatC1 basisOntAid = basisOntC1)

rädikatAlternativeA

rä rnativeB

CHUNG()

dikat 1 = prädikatAlternativeA

RUE

130. ELSE

eug,A),Z), Z>=9, Z<25“ verglichen werden.

NG()

)

iert

)-1

= -1

= 3

154. ELSE

ser Überprüfung wird

wischen nicht-numerischen und numerischen Werten unterschieden.

C1 ∉ Funk

A ∧

117. IF (prä

118. return TRUE

119. ESLE

120. return FALSE

121. ELS

122. IF prädikatAid = p

123. prädikatC1 = prädikatAlternativeA

124. return TRUE

125. IF p dikatAid = prädikatAlte

126. IF prädikatC1 ∈{minus, dividiert}

127. VERTAUS

128. prä

129. return T

131. return FALSE

Abhängig von der Funktion werden für die Werte zunächst entweder das Produkt mit (-1)

oder der Kehrwert gebildet. Danach erfolgt der Tausch dieser Größen und eine Neubelegung

der Vergleichsoperatorausprägungen. Dadurch wird aus „ci :- minus(Ausgaben(Fahrzeug,A),

Einnahmen(Fahrzeug,E), Z), Z<=-10, Z>-20“ ein „ci :- minus(Einnahmen(Fahrzeug,E),

Ausgaben(Fahrzeug,A),Z), Z>=10, Z<20“ und kann nun mit „ak :-

minus(Einnahmen(Fahrzeug,E), Ausgaben(Fahrz

132. VERTAUSCHU

133. tempA = wgC1

134. tempB = wkC1

135. if prädikatC1 = minus

136. wgC1 = tempB * (-1)

137. wkC1 = tempA * (-1

138. if prädikatC1 = divid

-1

139. wgC1 = (temp

140. wkC1 = (tempA

141. tempA = tgC1

142. tgC1 = tkC1

143. tkC1 = temp

144. IF tgC1 = -4

145. tgC1 = 3

146. IF tgC1

147. tgC1 = 2

148. ELSE

149. tgC1 = 10

150. IF tkC1 = 2

151. tkC1 = -1

152. IF tkC1

153. tkC1 = -4

155. tk 1 = -10

INTERVALLANALYSE

Eine erfolgreiche Übersetzung zwischen zwei Regeln kann nur dann erfolgen, wenn

mindestens eine Überschneidung der Wertebereiche existiert. Bei die

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 127

Bei den nicht-numerischen, symbolischen Werten wird genau dann eine Überschneidung

festgestellt, wenn alle vier Werte (Slot, Klasse, Variable, Wertebereich) identisch sind. Eine

Betrachtung der Vergleichsoperatoren ist nicht erforderlich.

Beispiel 1: Durch die Darstellung Ontologie A: Hersteller(Fahrzeug, Siemens) und Ontologie

C: Hersteller(Fahrzeug, H), H = Siemens wird eine Gleichheit diagnostiziert.

Im Gegensatz dazu müssen bei den numerischen Werten auch die Vergleichsoperatoren

berücksichtigt werden. Zur Ermittlung einer Überschneidung werden hierzu jeweils

unterschiedliche Differenzen zwischen den Werten und den, in Zahlen transformierten

Vergleichsoperatoren gebildet.

Beispiel 2: Es sei Ontologie A: Temperatur(Luft, T), T>0, T<10 und Ontologie C:

Temperatur(Luft, T), T>30, T<40. Zwischen den einzelnen Wertebereichen existiert keine

Überschneidung, d.h. dass die INTERVALLANALYSE als Ausgabe „FALSE“ zurückgibt.

Somit ist keine Übersetzung möglich.

Ont A: 0 10

Ont C: 30 40

Beispiel 3: Es sei Ontologie A: Temperatur(Luft, T), T>30, T<40 und Ontologie C:

Temperatur(Luft, T), T>0, T<10. Zwischen den einzelnen Wertebereichen existiert keine

Überschneidung, d.h. dass die INTERVALLANALYSE als Ausgabe „FALSE“ zurückgibt.

Somit ist keine Übersetzung möglich.

Ont A: 30 40

Ont C: 0 10

Beispiel 4: Es sei Ontologie A: Temperatur(Luft, T), T>0, T<20 und Ontologie C:

Temperatur(Luft, T), T>10, T<30. Zwischen dem Wertebereich von Ontologie A und

Ontologie C existiert eine Überschneidung. Aufgrund dessen gibt die INTERVALLANALYSE

„TRUE“ zurück. Eine Übersetzung ist möglich.

Ont A: 0 20

Ont C: 10 30

128 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Beispiel 5: Es sei Ontologie A: Temperatur(Luft, T), T>=0, T<2 und Ontologie C:

Temperatur(Luft, T), T>=2, T<5. Zwischen den einzelnen Wertebereichen existiert keine

Überschneidung, d.h. dass die INTERVALLANALYSE als Ausgabe „FALSE“ zurückgibt.

Somit ist keine Übersetzung möglich.

Ont A: 0 2

Ont C: 2 4

156. INTERVALLANALYSE(id)

157. IF ((wgAid = wkAid)

∧

(wgC1 = wkC1))

158. IF wgAid = wgC1

159. return TRUE

160. ELSE

161. return FALSE

162. ELSE

163. diffGK = wgAid – wkC1

164. diffKG = wkAid – wgC1

165. ausrGK = tgAid – tkC1

166. ausrKG = tkAid – tgC1

167. IF ((diffGK > 0 ∨ (diffGK = 0 (ausrGK ≠ 7 ausrGK <= 12)))

∨ ∨

∧ ∨ ∨

(diffKG < 0

(diffKG = 0 (ausrKG ≠ -7 ausrKG >= -12))))

8. return FALSE

∧

169. ELSE

170. re turn TRUE

INTERVALLVERHÄLTNIS

Während mit Hilfe der INTERVALLANALYSE die Existenz einer Überschneidung

nachgewiesen werden kann, erfolgt mit dem Teilalgorithmus INTERVALLVERHÄLTNIS

die Analyse hinsichtlich der Art („AND“ oder „OR“). Stehen alle Literale zweier Regeln

zueinander in einem „AND“-Verhältnis, so existiert eine eindeutige Übersetzung, ansonsten

eine partielle Übersetzung.

Wie bei der INTERVALLANALYSE wird bei der Untersuchung zwischen nicht-numerischen

und numerischen Werten differenziert. Beim Auftreten von nicht-numerischen Werten wird

als Ausgabe ein „AND“ zurückgegeben, bei numerischen Werten werden unterschiedliche

Differenzen zwischen den Werten und den, in Zahlen transformierten Vergleichsoperatoren

gebildet:

Beispiel 6: Es sei Ontologie A: Temperatur(Luft, T), T>=10, T<=20 und Ontologie C:

Temperatur(Luft, T), T>=0, T<=30. Das Intervall von Ontologie C umfasst vollständig das

von Ontologie A. Insofern gibt der Teilalgorithmus als Ausgabe „AND“ zurück.

Ont A: 10 20

Ont C: 0 30

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 129

Beispiel 7: Es sei Ontologie A: Temperatur(Luft, T), T>=10, T<=30 und Ontologie C:

Temperatur(Luft, T), T>=0, T<=20. Das obere Intervall wird nicht vollständig durch das

untere Intervall abgedeckt, d.h. dass eine „OR“-Aufnahme vorliegt.

Ont A: 10 30

Ont C: 0 20

Beispiel 8: Es sei Ontologie A: Temperatur(Luft, T), T>=10, T<=30 und Ontologie C:

Temperatur(Luft, T), T>=10, T<=20. In diesem Beispiel liegt eine „OR“-Aufnahme vor. Nur

wenn die tatsächlich auftretenden Werte zwischen 10 und 20 liegen kann die Regel feuern.

Ont A: 0 30

Ont C: 10 20

171. INTERVALLVERHÄLTNIS(id)

172. IF wgAid = wkAid = wgC1 = wkC1

173. return AND

174. ELSE

175. diffGG = wgAid – wgC1

176. diffKK = wkAid – wkC1

177. ausrGG = tgAid – tgC1

178. ausrKK = tkAid – tkC1

179. IF((diffGG>0 (diffGG=0 (ausrGG=-1 ausrGG=0 ausrGG=7))) ∨ ∧ ∨ ∨

∧

(diffKK<0

∨ (diffKK=0 (ausrKK=-6 ausrKK=0 ausrKK=3)))) ∧ ∨ ∨

180. return AND

181. ESLE

182. return OR

VALIDIERUNG

In dem Teilalgorithmus VALIDIERUNG erfolgt abschließend eine Überprüfung hinsichtlich

einer existenten 1-1-Übersetzung. Dies hat aufgrund des inhärenten Prioritätensystems eine

höhere Relevanz als eine Übersetzung mit verketteten Regeln (siehe Tabelle 19 Beispiel 5).

Wenn ein solches Prioritätssystem vorhanden ist, werden alle anderen Konklusionen aus den

Mengen ausgabeAND, bzw. ausgabeOR und alle Slots aus prädikatmengeAND, bzw.

prädikatmengeOR gelöscht.

Beispiel 9: Es sei:

OA: Bedingungen (Wetter, schlecht):- OB: Temperatur(Luft, T), T>=-15, T<15,

Menge(Regen, N), N>=0, Geschwindigkeit(Wind, W), W>=0

OC1: Zustand(Wetter, kalt) :- OB: Temperatur(Luft, T), T>-30, T<10, Menge(Regen, N),

N>=0, Geschwindigkeit(Wind, W), W>=0

OC2: Zustand (Wetter, schön):- OB: Temperatur(Luft, T), T>=15, T<30, Menge (Regen, N),

N=0

130 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Ohne die VALIDIERUNG wird eine Regelverkettung nach dem Muster A()= (C1()

∧

2())

erzeugt. Da jedoch die Regel C1 bereits komplett die Regel A darstellt, wird die Regel C2

wieder aus der Lösungsmenge gelöscht. Als Ausgabe erfolgt A()=(C1()). Die Klammer um C1

bleibt erhalten, da nicht in allen Fällen eine eindeutige Übersetzung existiert (z.B. nicht bei

T=14).

Im Anschluss daran erfolgt eine Überprüfung der Vermeidung des gegenseitigen

Ausschlusses bei Übersetzungen mit mehreren Regeln aus der Menge MC (siehe Tabelle 19,

Beispiel 7, 8). Ein solcher gegenseitiger Ausschluss ergibt sich beispielsweise:

Beispiel 10: Es sei

OA: Bedingungen (Wetter, schlecht):- OB: Temperatur(Luft, T), T>=-15, T<15,

Menge(Regen, N), N>=0, Geschwindigkeit(Wind, W), W>=0

OC: Zustand(Wetter, kalt) :- OB: Temperatur(Luft, T), T>-30, T<0, Geschwindigkeit(Wind,

W), W>=0

OC: Zustand (Wetter, warm) :- OB: Temperatur(Luft, T), T>=0, T<20, Menge (Regen, N), N

>=0

Ohne Vorkehrungen zur Vermeidung des gegenseitigen Ausschlusses würde der Algorithmus

hier eine partielle Übersetzung erzeugen. Da jedoch „Zustand (Wetter, kalt)“ und „Zustand

(Wetter, warm)“, bedingt durch die Angaben zu „Temperatur“, disjunkte Regeln sind, können

beide Regeln niemals gleichzeitig feuern. Insofern ist diese Übersetzung unzulässig.

Bei der VALIDIERUNG wird zunächst die Menge der zu überprüfenden Slots gebildet, die

prüfmenge. In ihr ist jeder Slot genau einmal vorhanden. Abgezogen werden davon alle

bereits in der Prädikatmenge prädikatmengeAND enthaltenen Slots. Diese sind aufgrund ihrer

„AND“-Aufnahme bereits in der Übersetzung enthalten und brauchen so nicht überprüft zu

werden. Ausgehend von dieser Menge erfolgt die Überprüfung dann in zwei Schritten:

Schritt 1: Im ersten Schritt werden von der prüfmenge die zu einer Regel von MC gehörenden

Slots aus der prädikatmengeOR abgezogen. Dies soll den Fall darstellen, dass aufgrund der

Ausprägungen diese Regel nicht feuern kann. Daraus resultiert eine Prädikatmenge, die

restmenge, welche im Weiteren zu überprüfen ist.

Schritt 2: Im zweiten Schritt wird nun sukzessiv untersucht, ob mit den in der

prädikatmengeOR noch vorhandenen Slots eine erfolgreiche Übersetzung durchgeführt

werden kann. Hierzu wird schrittweise überprüft, ob die jeweils zu einer Regel gehörenden

Slots der prädikatmengeOR noch vollständig in der restmenge enthalten sind. In diesem Fall

werden diese von der restmenge abgezogen.

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 131

Anderenfalls gilt es zu überprüfen, ob zwischen der von der prüfmenge abgezogenen Regel

und zwischen der aktuellen Regel eine Schnittmenge existiert. Die Notwendigkeit dieses

Schrittes erläutert folgendes Beispiel:

Beispiel 11: Es sei:

OA: Bedingung (Wetter, schlecht) :- OR: Temperatur(Luft, T), T>=-5, T<15, Menge (Regen,

N), N >=0, R<15, Geschwindigkeit (Wind, W), W >=0

OC: Zustand(Wetter, kalt) :- OB: Temperatur(Luft, T), T>-15, T<10, Geschwindigkeit (Wind,

W), W >=0

OC: Zustand(Wetter, warm):- OB: Temperatur(Luft, T), T>=-1, T<=20, Menge (Regen, N), N

>=0

Anders als beim ersten Beispiel liegt bei dieser „OR“-Verkettung keine Disjunktion bzgl. der

Angaben zu „Temperatur“ vor, d.h. dass unter bestimmten Bedingungen, wenn die

tatsächliche Temperatur zwischen -1 und 10 liegt, eine zulässige Übersetzung vorliegt.

Würden jedoch lediglich die o. g. Schritte durchgeführt, so würden beide Regeln, und somit

eine zulässige Übersetzung, gelöscht.

183. VALIDIERUNG()

184. if prädikatAnzA ∈ bodyGröße

185. p = 1

186. while bodyGrößeP ≠ Ø

187. if bodyGrößeP < prädikatAnzA

188. (ausgabeAND ausgabeOR)\ headCollection∨P

189. (prädikatmengeAND prädikatmengeOR)\ prädikatCollection∨P

190. p = p + 1

191. prüfmenge = prädikatmengeOR1 … prädikatmengeOR∪ ∪ e

1 ∪ ∪

192. prüfmenge = prüfmenge\ (prädikatmengeAND … prädikatmengeAND )

sa sb

193. sa = 1

194. WHILE prädikatmengeORsa ≠ Ø

195. restmenge = prüfmenge \ prädikatmengeOR

196. sb = 1

197. WHILE prädikatmengeOR ≠ Ø

198. IF prädikatmengeORsb ⊆ restmenge

199. restmenge = restmenge \ prädikatm engeOR

200. ELSE

201. If prädikatmengeOR ≠ prädikatmengeOR

202. schnittmenge = pr dikatmengeORsa

∩

prä

ädikatmengeOR

203. wertidentität = TRUE

chnittmengeq ≠ Ø

204. q = 1

205. while s

∧

wertidentität = TRUE

s prädikatmengeORsa –Regel

ALYSE(1)

if w t = TRUE

prädikatmengeORsb\ schnittmenge

ORsb

206. schnittA =detaillierungsliteral mit schnittmengeq au

207. schnittB =detaillierungsliteral mit schnittmengeq aus prädikatmengeORsb –Regel

208. SEPARATION(A, 1, schnittA)

209. SEPARATION(B, 1, schnittB)

210. wertidentität = INTERVALLAN

211. q = q + 1

212. ertidentitä

213. prädikatmengeORsb =

214. if prädikatmengeORsb ⊆ restmenge

215. restmenge = restmenge\ prädikatmenge

132 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

216. sb = sb + 1

217. IF restmenge ≠ Ø

218. prädikatmengeOR = prädikatmengeOR \ prädikatmengeORsa

219. ausgabeOR = ausgabeOR \ ausgabeORsa

220. sa = sa + 1

Nach der VALIDIERUNG erfolgt die Ausgabe der gefundenen Übersetzungen. Die

Erfahrungen (Information, Verhaltensweisen, Ziele) können nun von einem Fahrzeug in das

andere übertragen werden.

Mit Hilfe der Basisontologie (Kapitel 5.1) sowie des SCOUT-Algorithmus (Kapitel 5.2)

lassen sich die Erfahrungen nun so verarbeiten, dass sich ein Fahrzeug erfahrungsbasiert in

Kooperation mit anderen Fahrzeugen selbstoptimieren kann.

5.3 Generierung einer erfahrungsbasierten Selbstoptimierung

5.3.1 Allgemeiner Ansatz

5.3.1.1 Gesamtkostenfunktion

Zur Erlangung einer erfahrungsbasierten Selbstoptimierung ist es erforderlich, dass das

Fahrzeug ständig neue Erfahrungen generiert. Dies kann nur über geeignete

Explorationsstrategien erreicht werden. Zur Definition der Explorationsstrategien ist es

notwendig die Parameter zu definieren, die exploriert werden sollen. Hierzu werden die

Transportkosten verwendet, die es zu minimieren gilt. Die Transportkosten für den einfachen

Weg von einer Quelle (Start) zu einer Senke (Ziel) setzen sich in dem vorliegenden Szenario

zusammen aus den Komponenten Zeitkosten de zum Befahren eines Streckenabschnitts, den

Tarifkosten me eines Streckenabschnitts und den Komfortkosten kS eines Fahrzeugs zum

Befahren eines Streckenabschnitts (je unebener der Streckenabschnitt, desto höher die

Komfortkosten). Während die Tarife bereits originär in monetären Einheiten gemessen

werden, erfolgt die Berechnung der Zeitkosten durch Multiplikation der Zeit t [Einheit: h]

zum Befahren eines Streckenabschnitts mit einem fixen Betriebsstundenkostensatz

[Einheit: €/h] eines Fahrzeugs. Die Komfortkosten eines Streckenabschnitts ke können durch

Multiplikation des Integrals der Vertikalbeschleunigung & [Einheit: m/s] des

Fahrzeugaufbaus mit einem fixen Komfortkostensatz κ

S [Einheit: €/m/s] berechnet werden.

SAe

⋅=

Somit lassen sich die Kosten eines Streckenabschnitts cei zu einem bestimmten Zeitpunkt t

folgendermaßen darstellen:

()

(

)

(

)

(

)

() ()() ()

SASee

ieztttmetc

κγ

⋅+⋅+= &&

eee

iektdtmetc ++=,

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 133

Da sich die einzelnen Komponenten dieser Formel auf unterschiedliche Ebenen des

hierarchisch aufgebauten Fahrzeugs beziehen und unterschiedliche Einflussvariablen haben

(so werden die monetären und temporären Kosten von der Tageszeit und die Komfortkosten

vom Streckenabschnitt beeinflusst), werden die Explorationsstrategien für die MFM-

(Komfortkosten) und die AMS- (temporäre und monetäre Kosten) Ebene in getrennten

Kapiteln behandelt. Zudem wurden die Untersuchungen der MFM- und der AMS-Ebene auf

nterschiedlichen Testplattformen durchgeführt. Stand für die MFM-Ebene ein Demonstrator

imulation entwickelt werden.

.3.1.2 Identifikation der Explorationsstrategien

Gru

kosten- und zeitintensiv und für ein System, das unter

der sich aus den Kosten und einem Konfidenzfaktor zusammensetzt (siehe weiter

e1, e3, …). Dabei ist ei ein Element aus der Menge aller Kanten

im Labor zur Verfügung, musste im AMS-Bereich erst eine S

ndsätzlich sind drei verschiedene Explorationsstrategien möglich:

Blinde Exploration: Das Fahrzeug besitzt keinerlei Erfahrungen über die best-

möglichen nächsten Explorationsschritte. Somit wird wie bei einer Tiefen- oder

Breitensuche ein Pfad solange zufällig exploriert, bis ein definiertes Ziel gefunden

oder die entsprechend benötigte Ressource verbraucht worden ist. Diese Suche ist

jedoch sehr

marktwirtschaftlichen Aspekten operieren und schnelle Verbesserungen ermitteln soll,

nicht geeignet.

Exploration aufgrund von Erfahrungen und Abschätzungen (Exploitation): Das

Fahrzeug operiert mit einer bestimmten Menge an Erfahrungen bzw. vorher

gespeicherten Informationen. Die Exploration kann dadurch aufgrund von

Abschätzungen (Heuristiken) erfolgen. So wird z.B. die Dauer des Befahrens einer

Strecke als Funktion aus Länge der Strecke, Typ der Strecke (z.B.

Hochgeschwindigkeitsstrecke) und der Durchschnittsgeschwindigkeit des Fahrzeugs

abgeschätzt. Diese Abschätzungen werden mit der Zeit durch Erfahrungen

ausgetauscht, die eine zunehmende Sicherheit in der Ausführung von

Verhaltensweisen zu bestimmten Zuständen bieten. Aufgrund der Zustandsänderu

der Umwelt (neue Wege, Sperrung eines Weges) oder des Fahrzeugs selbst (z.B. neue

Technik) kommt es zu einer kontinuierlichen Exploration neuer Verhaltensweisen.

Exploration aufgrund der Erfahrungen anderer Fahrzeuge: Das Fahrzeug fragt

aktiv nach neuen, ihm noch unbekannten Zuständen. Ab einem bestimmten Wert dfi

unten), übernimmt es diese „externen Erfahrungen“ und exploriert wie unter Punkt 2.

Da die Exploration nicht blind erfolgen soll, startet das Fahrzeug mit vorab eingegebenen

Informationen über den Aufbau des Schienennetzwerkes. Dieses wird als gerichteter Graph G

modelliert. Jeder Knoten vi symbolisiert einen Bahnhof, ein Depot oder eine Weiche; jede

Kante ej steht für einen Streckenabschnitt. Sowohl die Kanten als auch die Knoten können mit

n Attributen beschrieben werden. Eine Verbindung

von Knoten vs (Startbahnhof) zu Knoten

vz (Zielbahnhof) ist demnach definiert als eine Sequenz aus zusammengefügten

Streckenabschnitten (z.B.

134 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

E(G), vi ein Element aus der Menge aller Knoten V(G) und

ein Element aus der Menge

aller Verbindungen Π(G).

An den Kantenenden befi oten, so dass für einen

usammenhängenden Graphen gilt:

ei.vEnde=ei+1.vAnfang,; i = 1..n-1

Aus den Definitionen ergibt sich Π(G). Es kennzeichnet die Menge aller Pfade in G:

nden sich jeweils die Kn

() ( )

(

)

⎪

⎭

⎪

⎬

⎫

⎪

⎩

⎪

⎨

⎧

−==

∧=∈

≅Π

+1..1,..

..1,

,...,,

10 njveve

niGEe

eeeG

AnfangjEndej

Innerhalb dieses Graphen definiert ein Fahrgast einen Auftrag, indem er von einem

Startbahnhof vs

∈

V zu einem Zielbahnhof vz

∈

V reisen möchte. Hierzu definiert er weitere,

spezifische Anforderungen seiner gewünschten Reise, wie z.B. einen gewünschten

Startzeitpunkt tc, einen Faktor

c zur Festlegung für eine entweder möglichst billige oder eine

möglichst schnelle Verbindung (

c = 0 bedeutet, dass die Kosten entscheidend sind und die

Zeit irrelevant ist. Demnach sucht der Fahrgast eine möglichst billige Verbindung.), ein

Reisezeitlimit dc, maximale Kosten mc, einen bestimmten Komfortwert kc, eine Menge an

Präferenzen bezüglich des Fahrzeugtyps typc (z.B. Standard, Luxus, Güter) oder besondere

Anforderungen an die lokalen Bedingungen der Streckenabschnitte Lc (z.B. keine

Nebenlinien, keine Tunnels, nur Panoramastrecken). Je restriktiver die Anforderungen vom

Fahrgast definiert werden, umso weniger Lösungsmöglichkeiten gibt es und damit besteht die

Gefahr“, kein passendes Angebot von einem Fahrzeug zu bekommen. Die Summe der

Anforderungen eines Fahrga ints C, die ein Fahrzeug zu

berücksichtigen hat.

ie Constraints des Benutzers werden in lokale und globale Constraints unterschieden. Aus

er Sicht der Fahrzeuge können diese in die dynamischen und statischen Parameter

ntergliedert werden, wodurch vier mögliche Klassen entstehen.

„

stes definieren die Menge der Constra

≡

{tc, vs, vz,

c, dc, mc, kc, typc, Lc}

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 135

eschwindigkeit eines Streckenabschnitts oder die Beschaffenheit einer Schiene).

ynamische Parameter hingegen passen sich ständig den gegebenen Umweltbedingungen an

algorithmus. Er löscht alle Pfade, die die lokalen

onstraints des Fahrgastes verletzten, indem alle ungültigen Streckenabschnitte vom Graphen

ird sichergestellt, dass die danach gefundene Lösung keine

FOREACH local constraint lc ∈ Lc

u werden braucht, müssen Erfahrungen über diesen Streckenabschnitt

esammelt werden. Diese Erfahrungen werden sowohl hinsichtlich des Komforts (MFM-

Ebene; Kapitel 5.3.2) als auch hinsichtlich der Kosten und der Zeit generiert (AMS-Ebene;

Kapitel; 5.3.3).

Constraints

Fahrgast

lokal global

lokal

statisch

lokal

dynamisch

global

statisch

global

dynamisch

statisch dynamisch

Parameter

Streckenabschnitt

Abbildung 67: Klassifikation verschiedener Constraint Typen

Lokale Constraints werden direkt mit den Parametern der einzelnen Streckenabschnitte

verglichen. Ein Streckenabschnitt, der nur eines dieser Parameter verletzt, wird aus der

möglichen Lösungsmenge eliminiert. Global Constraints beziehen sich auf Parameter einer

vollständigen Verbindung

, wie z.B. die Reisezeit oder die Reisekosten (dc und mc).

Statische Parameter verändern sich nicht oder nur sehr langsam im Laufe der Zeit (z.B. die

maximale G

(z.B. die Zeitdauer, um einen Streckenabschnitt zu passieren in Abhängigkeit von der

Tageszeit).

Um nicht den gesamten Graphen nach einer geeigneten Lösung durchsuchen zu müssen und

später eventuell festzustellen, dass der gefundene Pfad lokale Constraints verletzt, benutzt das

Fahrzeug einen Graph-Reduzierungs

entfernt werden. Dadurch w

weiteren lokalen Constraints verletzt.

FOREACH edge ei ∈ E(G):

IF (edge ei violates constraint lc) THEN

remove edge ei from Graph G

Um entscheiden zu können, ob ein Streckenabschnitt für einen speziellen Auftrag nicht

berücksichtigt z

136 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

5.3.2 Erfahrungsbasierte Selbstoptimierung der MFM-Ebene

In Kombination mit verteilten Systemen und wissensbasierten Ansätzen wurde ein Szenario

für die Exploration von Führungsgrößen für schienengebundene Fahrzeuge entwickelt, das die

Struktur eines Multiagenten-Systems nutzt, so dass eine Selbstoptimierung nicht nur auf ein

einzelnes Fahrzeug beschränkt bleibt, sondern durch den Erfahrungsaustausch zwischen den

Fahrzeugen unter Einbeziehung der Streckenabschnitte beschrieben ist. Als

Anwendungsbeispiel wird hier das Feder- und Neigemodul des Fahrzeugs betrachtet. Ebenso

wären das Spurführungs- oder das Antriebs- und Bremsmodul denkbar. Als

Optimierungsgröße für eine Exploration wird der Fahrkomfort ausgewählt.

Definition 5-1 Fahrkomfort Der Fahrkomfort bedeutet die Abstimmung der Aufbaufederung

und -dämpfung zur Erreichung einer minimalen Belastung des Ladeguts bei ausreichender

Fahrsicherheit [Ril02].

Zunächst wird das Modell (die Struktur, die Parameter) für den Fahrkomfort entwickelt. Die

wesentlichen Eigenschaften zur Optimierung dieses Modells (siehe Abbildung 68) sind die

Parameter mA (Masse des Aufbaus), mR (Masse der Radlast), cA (Aufbaufedersteifigkeit), dA

(Dämpfer des Aufbaus), cR (Radlastfedersteifigkeit), zA (Auslenkung der Aufbaumasse), zR

(Auslenkung der Radlast) und zS (die Straßenanregung).

cAdA

zSzS

cAdA

Abbildung 68: Einfache Vertikaldynamik-Modelle [Ril02]

Aus mathematischer Sicht ist der Fahrzeugaufbau bezogen auf die Aufbaubeschleunigung

optimal (d.h., dass die Auslenkungen zA und die Beschleunigungen & des Aufbaus und die

Schwankungen der dynamischen Radlast

RRdyn zcP

∗

minimal sind), wenn die Parameter

mA (Masse des Aufbaus), mR (Masse der Radlast), cA (Aufbaufedersteifigkeit), dA (Dämpfer

des Aufbaus), cR (Radlastfedersteifigkeit), zA (Anfangsauslenkung der Aufbaumasse) und zR

(Anfangsauslenkung der Radlast) aus den Forderungen nach Komfort 2

G[Ril02]

Minimum

AGK→

⎥

⎦

⎤

⎢

⎣

⎡+= 2

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 137

und Sicherheit 2

Minimum

RRGS→

⎥

⎦

⎤

⎢

⎣

⎡+

222

bestimmt werden [Ril02].

Eine geringe Aufbaufedersteifigkeit cA → 0 oder große Aufbaumassen mA → ∞ gewährleisten

demnach einen hohen Komfort. Beides ist im Extrem jedoch wenig ratsam. Entscheidend ist

es, den richtigen Mix zu finden, wobei sich durch Differenzieren der Komfortformel nach dA

der optimale Dämpfungsparameter ergibt:

)(

opt

Amc2= d

Parallel bedeutet dies für die Sicherheit, dass geringe Reifenfedersteifigkeiten cR → 0, eine

harte Aufbaufederung cA → ∞ oder kleine Radmassen mR → 0 die Sicherheit erhöhen. Im

Sinne des Ausschwingverhaltens kann durch Differenzieren der Sicherheitsformel nach d der

ptimale Dämpfungsparameter ermittelt werden: o

()

(

)

RRA

opt

Amccd +=

Aus mathematischer Sicht ist das Fahrzeug im Sinne des Fahrkomforts damit eindeutig

beschrieben. Im vorliegenden Szenario wird jedoch davon ausgegangen, dass sich die

Umwelteinflüsse kontinuierlich ändern und dass sich die Optima durch das Zusammenspiel

der einzelnen Funktionsmodule nicht „so einfach“ mathematisch berechnen lassen, sondern

durch Erfahrungen im Betrieb explorativ ermittelt werden müssen. So bedarf es zunächst der

Beschreibung des Vertikaldynamik-Modells mittels einer individuellen Ontologie (Abbildung

9 liefert einen Ausschnitt dieser Ontologie). 6

Da in diesem Beispiel der Sicherheitsaspekt nicht berücksichtigt wird, werden die Radgrößen

nicht weiter untersucht32. Das Szenario konzentriert sich somit ausschließlich auf die Größen

cA, dA, mA und zA des Feder- und Neigemoduls. Da cA und mA während des online-Betriebs

nicht veränderbar sind, ist eine Verbesserung des Komforts nur mit den Größen dA und zA

öglich. Die Größe dA wird durch eine aktive Federung so eingestellt, dass zA minimal wird.

32 Für die Sicherheit eines Fahrzeugs sind die Radgrößen deshalb wichtig, weil die Räder den Boden nicht

verlassen dürfen. Wäre dies der Fall, könnte ein schienengebundenes Fahrzeug aus der Schiene springen oder

ein Auto von der Fahrbahn abkommen.

138 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Feder-/Neigemodul

Ausprägung

FN-5

.....

Name

Bezeichnung

Teil_von

.....

Fahrzeugaufbau

Ausprägung

Siemens F2

.....

Name

Bezeichnung

Teil_von

Hat_Zustand

Hat_Verhalten

.....

Rad

Ausprägung

Conti X3

.....

Name

Bezeichnung

Teil_von

Hat_Zustand

Hat_Verhalten

.....

Streckenabschnitt

Ausprägung

S-345

.....

Name

Bezeichnung

Teil_von

.....

Fahrzeug

Ausprägung

Siemens XR3

.....

Name

Bezeichnung

Teil_von

Auf

.....

Fahrwerk

Ausprägung

Siemens A2

.....

Name

Bezeichnung

Teil_von

Hat-Zustand

.....

Spurführungsmodul

Ausprägung

SF-5

.....

Name

Bezeichnung

Teil_von

.....

Abbildung 69: Ausschnitt aus der individuellen Ontologie eines Fahrzeugs

t, unmöglich erscheint),

ondern eine ständige Verbesserung der Führungsdaten zu erreichen.

rgibt sich daraus eine verteilte Architektur, die

ine Exploration über viele Fahrzeuge erlaubt.

n entgegenzunehmen und das Fahrzeug an die nächste Bereichskontrolle

eiterzuleiten.

bbildung 70 zeigt die Grundstruktur der verteilten Exploration.

5.3.2.1 Der Explorationsalgorithmus

Das Grundkonzept der Exploration basiert auf der Vorgabe von Führungsdaten für die

Regelung des Fahrwerks für einen bestimmten Streckenabschnitt und der Bewertung dieser

Vorgaben durch das Fahrzeug. Dabei ist es nicht das Ziel, optimale Führungsdaten für einen

bestimmten Zustand zu erzielen (was aufgrund der Komplexität und der Dynamik der Umwelt

sowie aufgrund der weichen Echtzeit, unter dem das Fahrzeug operier

Sind die Fahrzeuge in ihrer Dynamik sehr ähnlich oder gleich, was hier vereinfacht

angenommen wird, so ist eine Bewertung des Führungsverlaufs durch verschiedene

Fahrzeuge möglich. Werden die Führungs- und Bewertungsdaten durch eine der Strecke

zugeordneten Instanz optimiert und verwaltet, e

Um die Exploration zu lokalisieren und das Gesamtproblem aufzuteilen, wird eine

Verbindung in mehrere Streckenabschnitte unterteilt. Dabei ist ein Streckenabschnitt genau

einer Bereichskontrolle zugeordnet, die als Optimierer ausgebildet ist. Die Bereichskontrolle

führt die Optimierung nur für den eigenen Streckenabschnitt durch. Des Weiteren hat die

Bereichskontrolle die Aufgabe, die Führungsgrößen an das Fahrzeug zu senden,

Bewertungsdate

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 139

Vorgabebahn

Messung des Komforts

(n-2) Abschnitt (n-1) (n+1) (n+2)

ε≈

Komfortdaten

Abschnitts-

kontrolle

F1 F1F2 F1

Abbildung 70: Verteilte Optimierung der Führungsvorgabe

Ein einfahrendes Fahrzeug F1 meldet sich vor der Durchfahrt durch einen Bereich bei der

jeweiligen Bereichskontrolle an. Die Bereichskontrolle sendet als Antwort die Führungsgröße

für die Aufbauregelung in Form von Stützstellen eines Splines zurück. Nach der Durchfahrt

sendet das ausfahrende Fahrzeug F1 Bewertungsdaten, in diesem Fall die Bewertung des

Komforts, an die Bereichskontrolle zurück. Diese berechnet mit Hilfe eines Optimierungs-

bzw. Explorationsverfahrens auf der Basis der vorgegebenen Führungsgrößen und der

korrespondierenden Bewertung eine neue, verbesserte Führungsgröße für ein nachfolgendes

Fahrzeug F233.

Die eigentliche Optimierung des Komforts erfolgt aufgrund der gemessenen Daten über den

Ist-Verlauf des Aufbauweges zA und der Ist-Aufbaubeschleunigung A

&& . Es gilt den Komfort

zu maximieren, der in der Fahrzeugtechnik häufig als Bewertung des Ausschwingverhaltens

[HO03] definiert wird. Mit z

A und A lässt sich eine einfache Bewertungsfunktion als

Ersatzformel der weiter oben beschriebenen Formel von [Ril02] aus der quadratischen

Fehlerfläche (mit 2

als Komfortmaß und g

1 und g2 als Gewichtungsfaktoren) gegenüber der

uhelage in z-Richtung in Abhängigkeit vom Ort x definieren. R

()()

{}

∫

→+=

AAG dxzgzg

2min

Im einfachsten Fall kann der Komfortgewinn als Reduzierung der Aufbaubeschleunigung

beschrieben werden (g= 0, g = 1), wenn die relative Auslenkung nicht herangezogen

erden muss.

1 2

33 Um einen sicheren Betrieb zu gewähleisten, ist die Fahrzeugregelung in der Lage, bei Ausfall der

Kommunikation auch ohne Vorgabedaten zu arbeiten [HM004].

140 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Somit ergibt sich als Komfort:

dxz

AGK∫

=22 &&

i-2 = [Si−2, Si−1], Ii-1 = [Si−1, Si], Ii= [Si, Si+1] und

rnachlässigt werden können. Daraus ergibt sich für einen Stützpunkt Si der Komfort35

ls:

Über diesen Komfortwert können die Stützpunkte ausgewählt werden, die hinsichtlich des

Komforts verbessert werden müssen. Für die Bewertung der einzelnen Stützpunkte werden

dafür diejenigen Integrale der quadratischen34 Beschleunigung 2

&& betrachtet, die in einem

gewissen Bereich um den Stützpunkt Si liegen. Für einen Stützpunkt Sergibt sich der

omfortwert aus den Intervallbereichen I

Ii+1=[Si+1, Si+2](siehe auch Abbildung 71).

Hierbei ist zu beachten, dass bei einer Verschiebung des Stützpunktes Si in die direkten

Nachbarbereiche Ii−1 und Ii die größten Änderungen auftreten. In den erweiterten

Nachbarbereichen Ii−2 und Ii+1 sind die Änderungen weniger ausgeprägt. Für alle weiteren

Bereiche wird angenommen, dass die Auswirkungen der Verschiebung so gering sind, dass

ie ves

()

(

)

(

)

(

)

(

)

2gg

IgIIIg

SKomfort iGiGiGiG

KKKK

+++⋅

=+−−

εεεε

g1 und g2 sind Gewichtungsfaktoren der erweiterten Nachbarbereiche (hier g1 = g2 = 0.5). Mit

der Division durch 2 + g1 + g2 wird das Ergebnis normiert. Das ist nötig, da bei Randpunkten

nicht alle vier Bereiche existieren. Falls Si ein Randpunkt ist, werden nur Messdaten der

existierenden Bereiche summiert und die Normierung dementsprechend angepasst. Die

uswahl des schlechtesten Punktes erfolgt aufgrund der zuvor ermittelten Komfortwerte der

h ten

it vorher aufgezeichneten Daten erreicht werden. Dazu wird ein Streckenabschnitt, wie in

bbildung 71 gezeigt, in Intervalle (Ii) zerlegt und die quadratische Abweichung zwischen

orheriger Beschleunigungskurve und aktueller Beschleunigungskurve berechnet.

Stützpunkte. Dabei werden alle regulären Stützpunkte durchlaufen, und es wird derjenige

Stützpunkt ausgewählt, der den schlechtesten Komfortwert36 aufweist.

Für eine iterative Verbesserung gilt es, einen Zusammenhang zwischen Vorgabebahn und

vertikaler Beschleunigung zu ermitteln und die Vorgabebahn entsprechend zu variieren. Ob

eine Verbesserung eingetreten ist, kann durch Vergleich der aktuellen Besc leunigungsda

&& NA

34 Die Beschleunigung wird quadriert, um positive Ergebnisse zu erhalten.

35 Es wurden lediglich vier Sektionen betrachtet, da eine Verschiebung des Stützpunktes nur diese Sektionen in

ihren Komfortwerten entscheidend beeinflusst.

36 Da der Komfortwert aus dem Integral der Beschleunigung ermittelt wird, bedeutet eine Verbesserung des

Komforts eine Verringerung der Maßzahl.

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 141

Die Bewertung der Komfortveränderung lautet hierbei:

ng kann für die Berechnung der Folgeschrittweite der neuen Vorgabebahn

enutzt werden. Hierbei ist der Schritt

∆

zN eine Funktion der Fehlerfläche und der vorherigen

Schrittweite

∆

zP.

()

∫∫

−=∆

NAPAiG dxzdxzI &&&&

zS3S4

≈

S1S2(neu)

Verschlechterung des Komforts Verbesserung des Komforts

Intervall 1 Intervall 2 Intervall 3 Intervall 4 Intervall 5

Strecke s

Verschiebungsvektor

Trajektorie neu Trajektorie alt

Abbildung 71: Beschleunigungsveränderung

Das Vorzeichen des Ergebnisses ist ein Kriterium dafür, ob der letzte Schritt erfolgreich war

oder nicht. Ein positives Vorzeichen bedeutet Erfolg, ein negatives bedeutet Misserfolg. Die

Größe der Änderu

(

)

PGGN zqz KK ∆⋅∆⋅⋅∆=∆ 22

sgn

εε

q ist lediglich ein über Erfahrungen zu optim render Gewichtunie gsfaktor, der in Abhängigkeit

Verschiebung nicht zu einer Verbesserung geführt hat, wird der Punkt „angezählt“. Das

von der Anzahl der erfolgreichen Schritte variiert werden kann. sgn( K

∆) bestimmt durch

sein Vorzeichen die Änderungsrichtung und 2

∆die Schrittweite.

Während der Optimierung kann die Situation eintreten, dass die Verschiebung eines

Stützpunktes, obwohl dieser die schlechtesten Komfortwerte aufweist, nicht zu einer

(signifikanten) Verbesserung der Vorgabebahn führt. In diesem Fall würde dieser Punkt

immer wieder ausgewählt und verschoben mit der Konsequenz, dass die anderen Stützpunkte

von dem Verfahren unberührt blieben. Um eine solche Situation zu vermeiden, wurde eine

Tabuliste [GL93] eingeführt. Zu Beginn der Optimierung ist die Tabuliste leer. Wird ein

Stützpunkt als schlechtester ausgewählt und verschoben, so wird das Ergebnis dieser

Verschiebung zu Beginn des darauf folgenden Durchlaufs ausgewertet. Für diesen

„veränderten“ Punkt steht nun fest, ob seine Verschiebung erfolgreich war. Falls die

142 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

bedeutet, dass der Zähler37 für den Stützpunkt um eins inkrementiert wird. Kam es durch die

Verschiebung zu einer Verbesserung der Vorgabebahn, wird der Zähler um einen Wert cP

erhöht, wobei 0 ≤ cP ≤ 1 gelten sollte. Ist cP > 0, so wächst der Zähler auch bei einer positiv

ausgewerteten Verschiebung des Punktes. Übersteigt der Zähler eines Stützpunktes Si einen

festen Wert tmax, wird er in die Tabuliste eingetragen. Dazu wird in einem Tabufeld an der

Position Si eine 1 eingetragen. Bei jedem weiteren Optimierungs-Durchlauf werden die Zähler

aller auf der Tabuliste eingetragenen Punkte um eins inkrementiert. Übersteigt dabei der

Zähler eines Stützpunktes Si den Wert tfree, wird die Tabuliste und der Zähler auf 0

urückgesetzt. Si ist somit von der Tabuliste gelöscht. Der entsprechende

Opt

r Startvorgabebahn an das Fahrzeug

3. Em om Fahrzeug

4. Für

fort(Si)

5. Fal

6. ltipliziere den Verschiebungsvektor des schlechtesten Punktes mit ∆zN

ufe „tabu“ waren, von der Tabuliste

unkt und verschiebe ihn

tkomfortalt = Gesamtkomfortaktuell

1. Setze Gesamtkomfortaktuell = 0,0

roß für eine realistische Schienenstörung, waren

ber in dieser Höhe notwendig, da sich das Fahrzeug in der Testumgebung mit einer

eschwindigkeit von nur 3,6 km/h bewegt.

imierungsalgorithmus lautet:

1. Berechne Startvorgabebahn

2. Sende Stützpunkte Si de

pfange Messdaten (neue Stützpunkte Si) v

alle Stützpunkte Si

a. Bestimme Komfortwerte für Ii nach 2

b. Bestimme Komfortwert für Si nach Kom

c. Setze Gesamtkomfortaktuell = Gesamtkomfortaktuell + Komfort(Ii)

ls Gesamtkomfortalt ≤ Gesamtkomfortaktuell

a. Multipliziere den Verschiebungsvektor des schlechtesten Punktes mit ∆zN

b. Erhöhe den Tabuwert des schlechtesten Punktes um 1

Ansonsten mu

7. Falls der Tabuwert des schlechtesten Punktes größer ist als 3, trage den Punkt in die

Tabuliste ein

8. Lösche alle Punkte, die länger als zehn Durchlä

9. Finde den aktuell schlechtesten P

10. Setze Gesam

12. weiter mit 2

5.3.2.2 Ergebnisse des Explorationsalgorithmus

Abbildung 72 zeigt einen virtuellen Streckenabschnitt der Teststrecke. Dieser Abschnitt ist

50m lang und durch 50 Stützpunkte definiert. Ausgehend von einer „geraden“ Vorgabebahn

wurde jeweils in der Mitte eines Streckenabschnitts eine konstante Störung aufaddiert. Die

Aufschaltung hatte eine unterschiedliche Länge (10, 20 und 30 cm) und Intensität (3, 6 und

10cm). Diese Maße erscheinen zwar recht g

37 Für alle Stützpunkte existiert eine solche Zählvariable, die zu Beginn der Optimierung mit 0 initialisiert wird.

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 143

Abbildung 72: Länge und Intensität einer Störung

Abbildung 73 zeigt die Ergebnisse des Optimierungsverfahrens bei einer Simulation nach

dem oben beschriebenen Szenario. Auf der x-Achse sind die einzelnen Durchfahrten des

Fahrzeugs auf dem Streckenabschnitt abgetragen. Die drei Abschnitte wurden jeweils 200-

mal überfahren. Auf der y-Achse sind die Komfortwerte abgetragen, welche in einem

Durchgang für einen entsprechenden Streckenabschnitt erreicht wurden. Die jeweiligen Peaks

haben zwei Ursachen: Einerse

Länge

Intensität

its führt nicht jeder Schritt zu einer Verbesserung des Komforts

Explorations

tellweg der Feder teilweise überschritten, was zu einer erheblichen Verschlechterung des

omforts führt („Ruckeln“).

s ist zu erkennen, dass sich der Komfort für die einzelnen Tracks je nach Störung nach etwa

. Um der Schienenanregung optimal entgegenzuwirken, müsste eine

ufschaltung erzeugt werden, die, aufsummiert auf die Anregung, eine konstante Funktion

(„ “ - Prinzip), andererseits wird bei der Verschiebung von Stützpunkten der

0 50 100

0,05

0,1

0,15

0,2

0,25

0,3

0,35

0,4

0,45

0,5

150 200

Explorationsschritte

Komfort

Schienenabschnitt 1 (Störauslenkung 0.03 m)

Schienenabschnitt 2 (Störauslenkung 0.06 m)

Schienenabschnitt 3 (Störauslenkung 0.1m)

Abbildung 73: Komfortverbesserung nach 200 Durchläufen

30 bis 50 Durchgängen um bis zu 50% verbessert. Danach sind die Änderungen an den

Spline-Funktionen nur gering.

Dass sich die Werte nicht annähernd auf 0 optimieren lassen, ist auf die Struktur der Störung

zurückzuführen

144 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

erzeugt. Eine Spline-Funktion kann aber diese Struktur nicht genau erzeugen, sondern sich ihr

nur annähern.

Ein weiteres Problem ergibt sich bei einer relativ hohen Frequenz der Anregung. Wird die

Störung nur durch einen kurzen und wenig intensiven Stoß verursacht, ist die Antwort des

Systems eine kurzwellige Schwingung. Da die Stützpunkte der Spline-Funktion aber einen

Meter voneinander entfernt sind, können keine Störungen mit einer höheren Frequenz

bsorbiert werden. Dies ist allerdings auch nicht die Kernaufgabe der Vorgabebahn. Im

der horizontalen

eschleunigung ist der zuvor vorgestellten Methode zur Optimierung der vertikalen

eschleunigun

ahl von Stützpunkten, benutzt, um eine Vorgabebahn zu beschreiben.

das die Soll-Position des Aufbaus beschreibt. Die beiden linearen Splines sind

abei zwei Funktionen fx(s) und fy(s), die jeweils die x bzw. die y Position des Splines

endgültigen System verhindern Luftfedern die Übertragung hochfrequenter Schwingungen

auf den Aufbau des Fahrzeugs.

Der Algorithmus wurde an einem zweiten Beispiel, einem nicht geraden Streckenabschnitt,

getestet. Bei einem nicht geraden Streckenabschnitt (z.B. Kurve; Abbildung 74) erfährt ein

überfahrendes Fahrzeug eine zusätzliche horizontale Beschleunigung, die explorativ

minimiert werden soll. Die Vorgehensweise zur Verbesserung

B g ähnlich. Auch hier wird eine Spline-Kurve, gegeben durch eine konstante

0,1

0,2

0,3

0,4

0,5

0,6

135791113

Beschleunigung (s)

Beschleunigung bei der

ersten Durchfahrt

Beschleunigung nach 100

Durchfahrten

Kurve (s)

Abbildung 74: Beschleunigung des Fahrzeugs im Kurvenbereich

Betrachtet man die horizontale Beschleunigung des Fahrzeugs, greift der obige Ansatz

(vertikale Beschleunigung) jedoch nicht mehr ganz. Ein extremes Beispiel hierfür ist eine

Kreisfahrt, bei der die x- sowie die y-Dimension nicht monoton ist. Daher lässt sich dieses

Szenario nicht durch eine Funktion mit einem Parameter x oder y darstellen. Hier werden

zweidimensionale Splines benutzt, die auf der Grundlage von zwei linearen Spline-

Funktionen harmonische Verläufe in der Ebene beschreiben können. Eine solche Funktion ist

eindeutig über die Strecke s, d.h. zu jeder zurückgelegten Strecke existiert ein eindeutiges

Tupel (x,y),

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 145

zurückliefern. Damit ist es möglich, alle denkbaren Vorgabebahnen in horizontaler Ebene zu

definieren.

Mit diesen Voraussetzungen kann der oben beschriebene Verbesserungsalgorithmus hier

versetzt sie in die Lage,

exibel und individuell ihr Verhalten auf die Bedürfnisse des Fahrgastes (Startbahnhof,

miteinander kommunizieren, dadurch Wissen austauschen und so kooperieren.

s konzentriert sich auf die AMS-Ebene des hierarchischen Transportsystems, in der die

asis

argestellt ist.

logie des Fahrzeugs

salgorithmus

d erfolgen soll, werden für die Exploration eines Streckennetzes

ie Kosten einer Verbindung c

, die sich aus der Summe der Kosten eines Streckenabschnitts

ce ergeben, herangezogen.

analog eingesetzt werden. Zu Berechnung der Kurve werden die absoluten Werte der

Beschleunigungskurven von fx(s) und fy(s) addiert.

5.3.3 Erfahrungsbasierte Selbstoptimierung der AMS-Ebene

Intelligente, autonome Fahrzeuge sind durch ihre automatisierten Berechnungen von

optimierten Pfaden, die Forderung nach Flexibilität, das Vorhandensein von jederzeit

aktuellen Informationen und verteilt asynchronen Algorithmen für die Kontrolle und die

Koordination mit anderen Fahrzeugen gekennzeichnet [GL00]. Dies

Zielbahnhof, Route, max. Kosten, Reisezeit etc.) anzupassen, indem dem Fahrgast ein

möglichst optimales, maßgeschneidertes Angebot unterbreitet wird.

Dieses Kapitel bietet einen Ansatz für flexible, intelligente, dezentrale, bedarfsgesteuerte

Fahrzeuge, die

B die individuelle Ontologie eines Fahrzeugs ist, die in Abbildung 75 ausschnittsweise

Fahrzeug

Ausprägung

Siemens XR3

.....

Name

Bezeichnung

Hat_Ziel

Hat_Zustand

Hat_Verhalten

Auf

.....

Gewinn

Ausprägung

100

.....

Name

Wert

Einheit

.....

Euro

Ausprägung

€

.....

Name

Abkürzung

.....

Transportieren

Ausprägung

.....

Name

Eingangsgrößen

Ausgangsgrößen

Kosten

.....

Fahrgast

Ausprägung

Müller

.....

Name

Bezeichnung

Auftrag

.....

Verbindung

Ausprägung

.....

Name

.....

Startbahnh

Zielbahnho

Verbindung

Ausprägung

.....

Name

.....

Startbahnhof

Zielbahnhof

Abbildung 75: Ausschnitt aus der individuellen Onto

5.3.3.1 Der Exploration

Da die Exploration nicht blin

146 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Diese gilt es zu minimieren:

∑

∈

cc min

Die Kosten eines Streckenabschnitts werden auf der AMS-Ebene als gewichtete Summe (

im Intervall [0,1]) der monetären mie und der

wird durch Benutzer definiert und liegt

temporären di Kosten in Abhängigkeit von der Zeit t berechnet.

()

(

)

(

)

(

)

tdtmtc e

i⋅+⋅−=

ωω

ie Werte für mi i ich einerseits aus den Erfahrungen über die Zeit heraus

monetären Kosten die durchschnittlichen

ebühren tolliheu,e und für die temporären Kosten die Länge des Streckenabschnitts

ngthe dividiert durch die Durchschnittsgeschwindigkeit des Fahrzeugs va multipliziert mit

e und de können s

ergeben (

() ()

tdtm ii ,), lassen sich andererseits aber auch, wenn diese noch nicht vorhanden

sind, da jedes Fahrzeug anfänglich keine Erfahrungen über die Streckenabschnitte besitzt,

rechnerisch (über Heuristiken) ermitteln ( eheu

eheu

idm ,, ,).

Zur Bestimmung der heuristischen Kosten c

iheu,e eines Streckenabschnitts (die nicht

zeitabhängig sind, da noch nicht gesagt werden kann, ob morgens oder abends andere

erhältnisse existieren) werden für dieV

Streckeng

den Betriebsstundenkostensatz

S berechnet:

()

ceheuceheu

length

tollc

γωω

⋅⋅+⋅−= ,, 1

Die rechnerische bzw. die heuristische Lösung ermöglicht nur eine ungefähre Bestimmung

der tatsächlichen Kosten. Aus diesem Grunde ist die Nutzung der tatsächlich gemachten

Erfahrungen vorzuziehen (soweit diese vorhanden sind). Hierbei können die tatsächlichen

Kosten je nach Tageszeit und Wochentag stark sc zu

Hauptverkehrszeiten deutlich längere Reisezeiten entstehen oder die Streckengebühren

deutlich angehoben werden (um z.B. eine gleichmäßige Verteilung des Verkehrs zu

erreichen). Zudem kann ein Stop-and-Go Verkehr zu höheren Energie- und Verschleißkosten

führen. Aus diesem Grunde erstellt das Fahrzeug ein zeitabhängiges Profil für jeden

Streckenabschnitt. Dieses Profil besteht aus vier Funktionen (

hwanken. So können

(

)

(

)()()

tsftsftdtm d

i,,, ), die

sich jeweils über die Zeit von 168 Stunden (t=1,...,168) einer Woche erstrecken. sfim(t) und

sfid(t) sind die zu der monetären und der temporären Kostenfunktion gehörenden Support-

Funktionen. Die Support-Werte beschreiben die Anzahl der sicheren Erfahrungen, die zur

Berechnung der monetären und der temporären Kosten herangezogen werden. Ein Beispiel

oll die Funktionsweise der Support-Funktion verdeutlichen. Wird eine neue Erfahrung xk

(temporäre und monetäre Kosten) zum Zeitpunkt tk auf einem bestimmten Streckenabschnitt

generiert, bewegt der Lernalgorithmus die Funktion mie(tk) in Richtung des neues

Messpunktes, während der Wert von sfim(tk) um 1 (also um eine zusätzliche Erfahrung) erhöht

wird (siehe Abbildung 76).

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 147

ττ

Messpunkt xk

Gaußsche Glockenkurve

()

tsf m

()

tme

Anzahl sicherer

Erfahrungen Kosten [€]

Abbildung 76: Monetäre Funktion (oben) mit zugehöriger Support-Funktion (unten)

tion erläutert,

a die Berechnung der temporären Kosten- und Support-Funktion identisch ist.

tj zu berechnen, wird statt der Variablen

rm (tj-tk) in die Formel eingesetzt. Somit gilt:

Zur Vereinfachung wird hier lediglich die monetäre Kosten- und Support-Funk

Der neue Messpunkt xk beeinflusst jedoch nicht nur den exakt gemessenen Zeitpunkt, sondern

auch benachbarte Zeitpunkte. Hierfür wird der Faktor υj eingeführt, der sich im Intervall [0,1]

befindet und sich an die Dichtefunktion der Gauß'schen Normalverteilung (y=ae-b*t*t) anlehnt

[EH04], [Sac04], [Kre03] (siehe Abbildung 77). Dabei beträgt die Höhe der Glockenkurve

immer 1 (a = 1), da immer genau eine neue Erfahrung gemacht wird. Der Faktor für die Form

der Kurve (flacher oder steiler Berg) ist b = 1/(2*σ2). Da eine möglichst gute Abdeckung der

Einflüsse erreicht werden soll, wird ein Intervallbereich gewählt, der 99,73 Prozent aller

Nachbarwerte beeinflusst. Dies gilt, wenn τ (also der Einflussbereich des Messpunktes) = 3σ.

Setzt man τ in b ein, folgt daraus b=9/(2*τ2). Um den Einfluss des Zeitpunkts tk (Nullpunkt

der Gauß'schen Glockenkurve) auf die Nachbarwerte

t der Te

(

)

(

)

229

kj tt

Ist der Faktor τ beispielsweise auf 30 Minuten gestellt, so beeinflusst der Messwert alle

Werte, die sich im Intervall [t

et −−

k j

k die Übertragbarkeit der Erfahrung bei tk auf den

eitpunkt tj).

k-0,5, tk+0,5] befinden, jedoch nicht zu gleichen Teilen. So steigt

der Support-Wert bei t um den Wert 1 und nimmt zu beiden Seiten hin ab (je weiter also t

on t entfernt ist, desto unsicherer wird

148 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

tktj

υj(tj)

a=1

τ=3σ τ=3σ

Messpunkt xk(tk)

Abbildung 77: Gauß'sche Glockenkurve

Der Support-Wert wird nun an der Stelle tj um den Faktor

j erhöht. Daraus ergibt sich der

neue Wert:

(

)

(

)

(

)

jjj

nij

ni ttsftsf

+,1,

Das Problem bei der Support-Funktion besteht darin, dass diese bis jetzt nur neue

Erfahrungen aufsummiert und damit bei hohen Erfahrungswerten sehr resistent gegenüber

neuen, unerwarteten Erfahrungen wird (da mit zunehmender Anzahl der Erfahrungen der

anteilsmäßige Einfluss einer neuen Erfahrung abnimmt). Weichen jedoch die neuen

Erfahrungen von den bisherigen in starkem Maße ab, muss dies eine sofortige Auswirkung

auf den Support-Wert haben. Aus diesem Grunde wird eine Unsicherheitsfunktion U(tj) mit

in die Support-Funktion aufgenommen, die bei Ausnahmeerfahrungen den Wert der Support-

Funktion sofort reduziert.

(

)

(

)

(

)

(

)

jjjj

nij

ni tUttsftsf ⋅+=

+)(

,1,

Zur Berechnung der Unsicherheitsfunktion werden die Faktoren

und

benötigt.

beschreibt die Grenze, bis zu der bei abweichenden Messungen kein Support-Verlust eintritt.

ist ein Wert zwischen 0 und 1 und beschreibt diese Grenze als Prozentgröße der Bandbreite

der monetären Funktion. Bei

= 0,05 und einer Funktion, die sich zwischen 0 und 100

bewegt, liegt die Grenze somit bei ±5 um den Erwartungswert. Standard im Lernalgorithmus

ist

= 0,1.

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 149

mexp,

Abbildung 78: Abweichungsfaktor ϕ

beschreibt, wie stark der Vergessenseffekt bei Abweichungen jenseits der durch

festgelegten Grenze ausfällt.

liegt im Intervall zwischen 0 und 1. Je höher

ist, desto

heftiger reagiert der Algorithmus auf Abweichungen. Standard im Lernalgorithmus ist

=0,3.

und

werden in eine e-Funktion eingebunden, über die die Abnahme des Supports

berechnet wird.

2⎟

⎟

⎠

⎞

⎜

⎝

⎛∆

⋅−

ρρ

∆

= 0,3

= 0,5

Abbildung 79: Vergessensfaktor

κ liegt ebenfalls zwischen 0 und 1. (1-κ) legt fest, welcher Anteil des Support-Wertes durch

eine einzige abweichende Erfahrung maximal vernichtet werden kann. Standard im Tool ist

κ=0,6, d.h., dass 60% der Erfahrungen immer beibehalten werden, auch wenn die neuen

Erfahrungswerte den alten vollkommen widersprechen (∆→∞).

Aus den oben beschriebenen Faktoren ergibt sich die Unsicherheitsfunktion als:

() ( )

1⎟

⎟

⎠

⎞

⎜

⎝

⎛∆

⋅−

−+=

ρρ

κκ

etU

150 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Drei Beispiele sollen die Arbeitsweise dieser Funktion verdeutlichen:

gal, da die Funktion immer zu 1 wird. Es tritt

in(1,U)-Funktion Werte über 1

chlagartig auf 0 sinken. Deshalb sind κ-Werte um die 0,6-0,8

sinnvoll. Es gilt U = (0,1)

sgesamt ergibt sich somit folgende Support-Funktion:

∆ =

, d.h., dass die Abweichung des Erfahrungswertes gleich dem Threshold ist. In

diesem Fall ist e0 = 1. Der Wert für κ ist e

also keine Unsicherheit auf (bzw. U = 1).

∆ <

, d.h., dass die Abweichung des Erfahrungswertes minimal ist. In diesem Fall ist

e(0,09;0) > 1. Dies stellt allerdings ein Problem dar, da dieser Fall der Normalfall sein

sollte. Ohne weitere Einschränkungen würde die Support-Funktion schlagartig nach

oben schnellen. Aus diesem Grunde werden durch die m

immer auf 1 reduziert. Somit gilt auch hier, dass U = 1.

∆ >

, d.h., dass die Abweichung des Erfahrungswertes größer als der Threshold ist. In

diesem Fall ist e(0;-∞) < 1. Der Wert κ bestimmt nun, wie stark der Unsicherheitswert in

die Support-Funktion mit eingehen soll. Bei κ = 0 könnte bei einem einzigen heftigen

Ausreißer die Konfidenz s

() () ()

()

⎟

⎠

⎞

⎜

⎝

⎛

⎟

⎠

⎞

⎜

⎝

⎛

−+⋅+= ⎟

⎟

⎠

⎞

⎜

⎝

⎛∆

⋅−

1,1min

,1,

ρρ

κκυ

ettsftsf jjj

nij

Die Support-Funktion hat natürlich Auswirkungen auf die monetäre Funktion. Bei niedrigem

Support (also bei einer hohen Unsicherheit bezüglich der Erfahrungswerte) werden neue

Erfahrungen stärker gewichtet. Dadurch wird eine Anpassung an sich ändernde Umstände

sehr schnell erreicht. Die monetäre Funktion ist somit die durchschnittlich gewichtete Summe

aus der historischen Kurve multipliziert mit der Support-Funktion und einem neuen Wert

ultipliziert mit dem Abstand zum gemachten Erfahrungspunkt xk. Es gilt somit:

(

)

(

)

(

)

(

)

(

)

(

)

(

)

(

)

jjj

nikjjj

nij

ni ttsfxttmtsftm

υυ

+⋅+⋅=

+,,,1,

bzw. entsprechend für die temporäre Funktion:

(

)

(

)

(

)

(

)

(

)

(

)

(

)

(

)

jjj

nikjjj

nij

ni ttsfxttdtsftd

υυ

+⋅+⋅=

+,,,1,

Da jedes Fahrzeug neben den Kosten auch einen Gewinn erwirtschaften soll, muss zu den

errechneten Kosten noch ein Gewinnaufschlag erfolgen. Hierzu besitzt das Fahrzeug

zusätzliche Konfidenz- (

()

tcf m

e für die monetären und

(

)

tcf d

efür die temporären Kosten) und

Pufferfaktoren (bfm für die monetären und bfd für die temporären Kosten). Die

Konfidenzfaktoren normieren die Support-Werte auf die Werte zwischen 0 und 1 (in

bhängigkeit vom Schwankungsfaktor γ, der sich ebenfalls im Intervall von 0 bis 1 bewegt).

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 151

(

)

()

dni

tsf

tcf

−=

−= |0<γ<1

Ist der Schwankungsfaktor hoch (also schwanken die Werte über die Zeit sehr stark), ist der

onfidenz Fahrzeug

ergeben. Schwanken die Werte für die monetären und die zeitlichen Kosten über die Zeit nur

ering, hat er einen niedrigen Wert, bei starken Schwankungen hat er einen hohen Wert.

ass bei Nichteinhalten

tzlich verstärkt sich dabei der Einfluss

es Pufferfaktors auf den Faktor λ bei geringer Konfidenz und umgekehrt. λ bewegt sich

innerhalb des Intervalls [1;+∞]. Für den Faktor gilt:

K faktor niedrig. Der Schwankungsfaktor γ wird individuell von jedem

0,2

0,4

0,6

0,8

0 1 2 3 4 5 6 7 8 9

γ= 0,5

γ= 0,7

Abbildung 80: Schwankungsfaktor γ

Die Pufferfaktoren sind notwendig, um die Varianz der erwarteten Kosten aufzufangen. Diese

Faktoren können sich je nach dem internem Zustand Z und dem Ziel T des Fahrzeugs ändern.

Bei einem risikofreudigen Fahrzeug können die Puffer geringer sein als bei einem

gewinnorientierten Fahrzeug. Der Sinn der Puffer ist darin begründet, d

der Constraints des Fahrgastes das Fahrzeug Kompensationszahlungen leisten muss. Bei

großem Pufferfaktor hat das Fahrzeug somit einen höheren Spielraum.

Um den Puffer- und auch den Konfidenzfaktor in die Kostenfunktion zu integrieren, wird der

Faktor λ eingeführt. Er beschreibt den Aufschlag auf die tatsächlichen monetären bzw.

temporären Kosten einer errechneten Lösung. Grundsä

(

)

(

)

cfbf

−

111

mgerechnet für die monetären und temporären Kosten ergibt sich: U

(

)

(

)

(

)

() ()

()

tcfTZbf

tcfTZbf mmm −+= 2,1

−+= 2,1

In die Kostenfunktion eingesetzt ergibt sich für die erfahrungsbasierte Lösung:

()

(

)

(

)

tdtmtc e

λωλω

⋅+⋅−= )(1

152 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Mit dieser Kostenfunktion kann das Fahrzeug mit Hilfe des A*-Algorithmus [RN03] [Bec03]

oder der Methode des Case-Based Reasonings [Ber02] einen aufgrund der derzeitigen

rfahrungen optimalen Weg finden. Die Entscheidung, welche Methode vom Fahrzeug

angewendet wird, hängt hierbei vom Schwellenwert α ab, der den niedrigst zulässigen

kumulierten Konfidenzfaktor einer Verbindung (Summe (1..n) aller Streckenabschnitte e)

beschreibt. Für ihn gilt:

() () ()

()

∑+= n

ej ntcftcft 2

etrachtet man zuerst den A*-Algorithmus, dann wird zusätzlich eine Schätzfunktion

(n’,vz,t cksichtigung

on n (momentaner Standort) und dem Start- und Zielbahnhof verwendet. Bis zum Punkt n

erden die exakten, tatsächlichen Kosten berechnet (also cei(t)). Danach werden die Kosten

um Zielbahnhof vz über den Folgepunkt n’ zur Zeit tn’ geschätzt (z.B. per Luftlinie).

bbildung 81: A*-Algorithmus

a die Kostenfunktion abhängig von der Zeit ist, werden zu den Knoten die entsprechenden

cA*(n’,tc)=c(n’,tc) + h(n’,vz,t )

gt: Vorausgesetzt, das Fahrzeug ist um tc gestartet, wie hoch sind dann

ie tatsächlichen Kosten (c(n’,tc)) bis zum Punkt n’ und wie hoch sind die zu erwartenden

Restkosten (h(n’,vz,tn’)), wenn der

c(n’,tc)=c(n,tc) + c(n,n’)(tn)

Für Verbindungen mit α>0,5 wird die Methode des Case-Based Reasonings verwendet, da in

diesem Falle bereits ausreichend Erfahrungen zur Auswahl einer Strecke vorliegen (Tabelle

20).

hn’) zur Ermittliung der minimalen Kosten einer Verbindung unter Berü

nn´

Zeiten tc (Startzeitpunkt) und tn’ (Zeit bei Erreichung des nächsten Knotens) mit

berücksichtigt. Hieraus ergibt sich die Bewertungsfunktion:

n’

Diese Gleichung besa

Punkt n’ zum Zeitpunkt tn’ erreicht wird?

Die tatsächlichen Kosten für die beste Route bis zum Knoten n’ werden durch die folgende

Funktion berechnet:

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 153

Diese Gleichung besagt: Vorausgesetzt, das Fahrzeug ist um tc gestartet, wie hoch sind die

tatsächlichen Kosten bis zum Punkt n, und wie hoch sind die tatsächlichen Kosten zwischen n

und n’ unter der Voraussetzung, dass das Fahrzeug zum Zeitpunkt tn weiterfährt.

Das Verhalten von A* hängt stark von der heuristischen Funktion h(n’,vz,tn’) ab. Falls diese

keine korrekte Darstellung der nach vz abbildet, kann der

lgorithmus frühzeitig abbrechen oder liefert nur eine suboptimale Lösung. Aus diesem

ur Berechnung von h werden die Luftliniendistanz (Euklidische Distanz), die minimalen

durchschnittlichen Kosten pro Kilometer

minimalen Kosten von n’

Grunde wird die folgende Annahme zur Findung des Optimums getroffen:

h(n’,vz)

≤

∧

∈

(n’,vz)

(

)

tmavg

e und die Zeit

(

)

td avg

e, jeweils bezogen auf die

relevante Zeit [tn’, tc+dc], benötigt. Somit laut t die Definition für die heuristische Funktion

h(n’,vz,tn’):

()

(

)

(

)

,' zz v

zyyxxvn −−−=∆

()()

()

(

)

(

)

⎥

⎦

⎤

a die Findung der besten Route durch den A*-Algorithmus einige Zeit in Anspruch nehmen

kann, hat das Fahrzeug die Möglichkeit, schnell auf erfahrene Verbindungen zurückzugreifen.

H rzu eic das rze äu ef u a um aller

S cken schnitte in einer Fallbasis ab. „Häufi deu et in di Fall ein kumulierter

Konfidenzfaktor α oberhalb von 0,5.

dfi

⎢

⎣

⎡⋅+⋅−∆= ++ ′′

avg

dtt

avg

dtt

zdmvntvnh

ccnccn ],[],[

'minmin1,',,'

ωω

ie sp hert Fah ug h fig b ahrene Verbind ngen ls S me

tre ab g“ be t esem

ν12 ν54 S-46 S-34 S-56 S-12 S-23 S-122 0,5 100 0,25

ν ν

12 54 S-35 S-56 S-1 S-34 0,8 120 0,34

ν12 ν54 S-344 S-345 S-23 S-45 S-48 0,9 110 0,41

Tabelle 20: Auswahl bekannter Verbindungen

In diesem Fall wählt das Fahrzeug die dritte Verbindung (grau hinterlegt) vom Startbahnhof

ν12 zum Zielbahnhof ν54 aus.

Wählt das Fahrzeug diese Verbindung, werden dieselben Algorithmen und Funktionen zum

rzeug die Möglichkeit, neben der

Speichern der Erfahrungen, die bereits oben erstellt wurden, verwendet. Sollten dabei

Abweichungen im Bereich der monetären und der temporären Kosten auftreten, die den

kumulierten Konfidenzwert unter die 0,5 Grenze drücken, wird die entsprechende Verbindung

aus der Fallbasis gelöscht.

Falls wenig oder gar keine Erfahrungen für eine Verbindung von A nach B zu einem

bestimmten Zeitpunkt vorliegen, hat jedes Fah

154 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

eigenständigen heuristischen Berechnung einer Explorationsrichtung (siehe Kapitel 5.3.3.1)

fragt.

kann in beiden Fällen willkürlich oder gezielt

t bedeutet, dass die Selektion der befragten Fahrzeuge

istanz zu den zu befragenden Fahrzeugen wird über

unktion und das Modell (da ein Modell numerische Attribute wie die Drehzahl besitzt) über

die Euklidische-Distanz-Funktion berechnet. Zusätzlich erfolgt eine individuelle Gewichtung

er Distanzwerte von jedem Fahrzeug. So kann es sinnvoll sein, in einer bestimmten Region

en Distanzwert der Region stärker zu gewichten, da ortskundige Fahrzeuge, ungeachtet

elchen β:

andere Fahrzeuge nach einer möglichst optimalen Route zu fragen. Diese Entscheidung, ob

gefragt wird, hängt ab vom Schwellenwert α. Ist α kleiner als 0,1 (dieser Faktor wurde in der

Anwendung so festgelegt, kann aber durch weitere Lernalgorithmen auch erfahrungsbasiert

ermittelt werden), werden andere Fahrzeuge ge

Die Frage nach einer besseren Verbindung

gestellt werden (hier dargestellt). Geziel

nach einer Distanzfunktion erfolgt. Die D

spezifische Attribute ausgedrückt. Diese sind

Typ =T = {Güterfahrzeug | Luxusfahrzeug}

Baujahr = B = {1980, 1981, 1982 …}

Modell = M = {Siemens X5, ABB Z5,…}

Region = R = {Bayern, Hamburg, Sachsen}

Es werden nur die Fahrzeuge befragt, die einen Distanzwert unterhalb eines Schwellenwertes

β besitzen (bei einem Distanzwert von 0 existiert eine 100%-ige Übereinstimmung des

gefundenen Fahrzeugs mit dem befragten Fahrzeug). Die Abfrage dieser Werte geschieht über

einen zentralen Servicebereich. In ihm sind innerhalb eines Case-Based Reasoning Systems

alle Fahrzeuge nach den objektiven Attributen Typ, Baujahr, Modell oder Region gespeichert.

Dabei werden die Distanzwerte von Typ, Baujahr und Region über die Hamming-Distanz-

w Baujahrs, Modells oder Typs sie sind, befragt werden sollen. Somit ergibt sich für

(

)

(

)

(

)

(

)

Hyrdistymdistybdistytdist ,,,, ⋅+⋅+⋅+⋅=

θχψξβ

Abbildung 82: Auswahl des ähnlichsten Fahrzeugs

Zentraler

Servicebereich

(ti,bi,mi,ri)

(distHT(ti,yit), distHB(ti,yib), distHM(ti,yim), distHR(ti,yir))

min β

(ci

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 155

Hierbei sind ξ, ψ, χ und θ die Gewichtungen der Distanzwerte. distHT(ti,yit) ist der

nabhängig vom anfragenden Fahrzeug.

ie Antwort des befragten bzw. der befragten Fahrzeuge nach einer kostengünstigen

Distanzwert des Typs, distHB(bi,yib) der Distanzwert für das Baujahr, distEM(mi,yim) der

Distanzwert für das Modell und distHR(ri,yir) der Distanzwert für die Region. Die

Distanzberechnungen werden über den zentralen Servicebereich durchgeführt und sind som

Verbindung von A nach B beinhaltet neben den Kosten einer Verbindung ci

auch die

entsprechenden Konfidenzfaktoren

i, die zusammen die Bewertungsfunktion dfi ergeben:

∑

⋅

⎟

⎠

⎞

⎜

⎝

⎛⋅=

iii

efefdf

cncef

ππ

efi fo den Komp iss zwischen Kosten und Konfidenz. Der erste Faktor (in

Klammern) repräsentiert die relative Attrakt t der ermittelten Kosten. Hierzu en die

Kosten aller Lösungen aufsummiert und durch die Multiplikat r jeweiligen n und

der An l der Lösunge ividiert. Dadu wird ermittelt, ob die Kosten über- oder

unterdurchschnittlich attraktiv sind. Der ite Faktor ist die Konfidenzsumme der

1 werden die Kosten und mit r<1 wird die Konfidenz höher

der Lösungen erhält man so den Faktor dfi wie er in

Lösung ci

πα

iefidfi

rmuliert rom

ivitä werd

ion de Koste

zah n d rch

zwe

Verbindung π. Mit dem Faktor r>

bewertet. Als endgültigen Vergleichswert

Tabelle 21 dargestellt (r = 1) ist.

Slokal 22 0,6 0,64 0,23

S128 0,5 0,42 0,16

S224 0,8 0,78 0,29

S332 0,9 0,66 0,25

S412 0,1 0,19 0,07

Tabelle 21: Bewertung der Lösungen

In diesem Fall wählt das Fahrzeug die vorgeschlagene Verbindung des Fahrzeugs S2.

glich. Mehrere Algorithmen können gleichzeitig getestet und somit verglichen

erden.

Abbildung 83 ist die GUI der Simulation zu sehen. Es sind vier Fahrzeuge nebeneinander

ngeordnet. Das Fahrzeug auf der linken Seite kommuniziert nicht mit anderen Fahrzeugen.

5.3.3.2 Ergebnisse des Explorationsalgorithmus

Es wurde eine leistungsfähige Simulation implementiert, die individuell konfigurierbar ist. An

jeder beliebigen berechenbaren Funktion kann der Algorithmus getestet werden. Das

Umschalten zwischen verschiedenen Funktionen ist während des laufenden Betriebs

problemlos mö

156 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Die anderen drei Fahrzeuge kommunizieren miteinander und tauschen ihre Erfahrungen aus.

ie an diesem Beispiel sehr gut zu erkennen ist, haben die drei miteinander

ommunizierenden Fahrzeuge die zu lernende Funktion (z.B. reale Kostenfunktion) in kurzer

eit gut approximiert, wohingegen beim einzelnen Fahrzeug die Funktion noch nicht

rkennbar ist.

Hierzu

eigt Abbildung 84 die graphische Oberfläche der Testanwendung. Die obere Hälfte zeigt die

u approximierende Funktion (gepunktete Linie) und die errechnete Funktion (durchgezogene

inie) des Algorithmus. In der unteren Hälfte werden die zu den Daten korrelierenden

upport-Daten angezeigt. In der Testanwendung lässt sich jederzeit die zu approximierende

unktion abändern. Dies kommt im Szenario einer, an einem Streckenabschnitt plötzlich

uftretenden Änderung des Fahrverhaltens, z.B. durch eine Baustelle, gleich. Ebenfalls

eliebig erweiterbar ist die Menge der auswählbaren Funktionen. Beliebige Funktionen

önnen in die Testanwendung eingegeben werden, die der Algorithmus dann approximieren

oll. Damit ist es möglich, Stärken und Schwächen des Algorithmus herauszufinden.

Abbildung 83: Verteiltes versus individuelles Lernen

Ein zweiter Test wurde mit dem Approximationsalgorithmus selbst vorgenommen.

Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge 157

Insgesamt zeigte sich, dass sich der Algorithmus bereits nach fünf Durchläufen der „neuen

ealität“ gut annähern konnte.

estand das Ziel darin, eine Vorgabebahn und damit das Bewegungsverhalten eines

it den in Kapitel 5.3.2 entwickelten Algorithmen ist es möglich, jeden beliebigen

Abbildung 84: Ergebnisse des Approximationsalgorithmus

5.3.4 Bewertung der Explorationsstrategien

Die entwickelten Ansätze haben zwei unterschiedliche Betrachtungsweisen. In Kapitel 5.3.2

technischen Systems innerhalb einer dynamischen Umwelt ständig anpassen und damit

verbessern zu können. Die Umwelt (Beschaffenheit der Schiene, Wetterverhältnisse etc.)

wurde hierbei als Black-Blox betrachtet. In Kapitel 5.3.3 bestand das Ziel darin, eine

dynamische Umwelt möglichst realistisch darzustellen und dadurch das intentionale Verhalten

ständig anpassen und verbessern zu können. Die unterschiedlichen Herangehensweisen sind

damit begründet, dass das Bewegungsverhalten lediglich auf die dynamische Umwelt

bestmöglich reagieren möchte, wohingegen das intentionale Verhalten seine Umwelt

vorhersagen bzw. verstehen möchte.

Bahnverlauf über eine Strecke erfahrungsbasiert zu verbessern. Voraussetzung hierfür ist,

dass es sich bei den Szenarien um Streckenintervalle handelt, die unendlich oft wiederholt

werden können. In dem hier untersuchten Szenario ist dies ein bestimmter Streckenabschnitt,

der unendlich oft von den Fahrzeugen befahren werden kann. Der Streckenabschnitt besitzt

hierbei ein abgeschlossenes Streckenintervall (z.B. 1000m). Weitere Beispiele, die gleiche

Bedingungen aufweisen, sind zum einen ein Transportroboter mit Greifarm oder ein

Einlagerer im Hochregallagersystem. Mit dem hier entwickelten Verfahren können ihre

Transportbahnen erfahrungsbasiert verbessert werden.

158 Konzeption zur erfahrungsbasierten Selbstoptimierung einer Menge technisch homogener Fahrzeuge

Mit dem in Kapitel 5.3.3 entwickelten Algorithmus ist es möglich, jede Umweltsituation

schnell zu approximieren. Voraussetzung hierfür ist, dass es sich bei dem Szenario um

Zeitintervalle handelt, die sich unendlich oft wiederholen. In dem hier untersuchten Szenario

ist dies die Tageszeit (24 Stunden eines Tages), die sich ständig wiederholt. So ist es möglich,

Regelmäßigkeiten festzustellen (z.B. Stau immer um 9:00 Uhr) und entsprechende

Konsequenzen daraus zu ziehen. Über die Approximation hinaus ist der Algorithmus in der

Lage, Wahrscheinlichkeiten für das Eintreffen einer bestimmten Umweltsituation berechnen

nd Änderungen der Umwelt schnell berücksichtigen zu können. Dabei unterscheidet der

lgorithmus in „natürliche“ und „unnatürliche“ Veränderungen. „Natürliche Veränderungen“

rgeben sich bei kleinen Änderungen zum Erwartungswert. Ob demnach das Befahren einer

trecke 25 oder 27 Minuten dauert, führt zu keinen Änderungen in der

ahrscheinlichkeitsberechnung des Eintretens einer bestimmten Situation. Treten jedoch

unnatürliche Änderungen“ auf (z.B. 2 Stunden statt 25 Minuten), hat dies großen Einfluss

uf die Wahrscheinlichkeit, da die Unsicherheit der Aussage, dass das Befahren dieser

trecke 25 Minuten dauert, zunimmt. Grundsätzlich lässt sich der Algorithmus auf alle

lanerisch-explorativen Tätigkeiten mit fest definierten, sich wiederholenden Zeitintervallen

ur Vorhersage einer bestimmten Wahrscheinlichkeit übertragen.

„

Realisierung 159

6 Realisierung

Die Realisierung wurde an zwei verschiedenen Umgebungen durchgeführt. Für die MFM-

Ebene stand hierfür der Demonstrator „Feder- und Neigemodul“ zur Verfügung. Für die

AMS-Ebene musste eine Simulationsumgebung entwickelt werden.

6.1 MFM-Ebene

Ein Fahrzeugmodell sowie ein Modell des Track38-Operators wurden mit der

Entwurfsumgebung CAMeL39 entworfen. Der Track-Operator entspricht der

Bereichskontrolle und führt die Optimierung der Vorgabebahn für seinen Streckenabschnitt

durch. Dazu erhält er vom Operator des Fahrzeugs eine Nachricht mit Beschleunigungs-

Messdaten. Aufgrund dieser Daten kann die Güte der Vorgabebahn bewertet werden.

Abbildung 85 zeigt die Spezifikation des Track-Operators, also der Einheit, die der

Bereichskontrolle entspricht. Der Track-Operator besitzt vier Parameter. Über den splinePort

wird der Verbindungskanal für die Übertragung von Spline-Nachrichten festgelegt. Analog

bestimmen splineReqPort und estimationPort die Kanäle für Anfrage-Nachrichten bzw.

Komfort-Nachrichten. Der Parameter basepoints gibt die Anzahl der zu betrachtenden

Stützpunkte der Vorgabebahn an.

Abbildung 85: Track-Operator

Für jeden Streckenabschnitt wird eine Instanz dieses Programms gestartet. Die einzelnen

Instanzen unterscheiden sich nur aufgrund ihrer PUB-ID, welche über die PUB-Bibliothek

allen Prozessen eindeutig zugewiesen wird. Damit kann in dem Block splineInit eine

individuelle Sollbahn (siehe Abbildung 87) für jeden Streckenabschnitt, abhängig von der

PUB-ID, zugewiesen werden.

Die Kommunikation zwischen den Track-Operatoren und dem Fahrzeug-Operator verläuft

über Nachrichten. Über die PUB-Funktion bsp_sendmsg kann eine Nachricht an einen

38 Track = Streckenabschnitt

39 http://www.ixtronics.de/Deutsch/CAMeLViewD.htm

160 Realisierung

anderen Prozess (bzw. an ein PUB-Programm) geschickt werden, wobei in der Nachricht

zusätzlich ein Port angegeben werden kann. Über diesen Port kann der Typ der Nachricht

kodiert werden. Das Senden der Nachrichten erfolgt innerhalb eines so genannten Supersteps,

an dessen Ende eine Synchronisation aller Prozesse durchgeführt wird. Zu Beginn des

nächsten Supersteps ist sichergestellt, dass alle zuvor verschickten Nachrichten beim

Empfänger angekommen sind.

Die einzelnen PUB-Programme können echt-parallel auf verschiedenen Rechnern ausgeführt

werden. Der Versand von Nachrichten wird über das TCP/IP-Protokoll realisiert. Zur

Kommunikation enthält der Track-Operator drei Input bzw. Output Blöcke: requestRecv

empfängt alle an den jeweiligen Track gerichteten Nachrichten, die über den splineReqPort

verschickt werden. Die ID des Absenders wird aus dem Kopf der Nachricht ersichtlich. Der

Block kann daraufhin die Sender-ID sowie die Empfangszeit über seine Ausgabeports

ausgeben. Wurde in einem Simulationsschritt keine Nachricht empfangen, werden die

Ausgabeports mit einem ungültigen Wert (hier -1.0) beschrieben.

Ganz ähnlich ist auch der Empfang von Komfortdaten realisiert. In einer Komfort-Nachricht

sind aber zusätzlich Daten enthalten, die den Messwerten des Komforts in den einzelnen

Intervallen zwischen den Stützpunkten entsprechen. Der Block estimationRecv empfängt

diese Nachrichten, extrahiert daraus die Komfortdaten und speichert sie in einem Array ab.

Da CAMeL im Wesentlichen nur In- und Outputs vom Typ Skalar oder Vector unterstützt,

wird nicht das Array selbst, sondern ein Zeiger auf das Array auf den Ausgabeport gelegt.

Dazu wird ein Union-Typ

−−

commit deklariert (Listing 1, Zeilen 1 bis 4), in dessen

Komponenten sowohl ein Zeiger, als auch ein double Wert gespeichert werden kann. Weist

man nun der Zeiger-Komponente den Zeiger auf das Array zu (10), so kann dieser als

Zahlenwert „maskiert“ an einen Out-Port übergeben werden (11).

Listing 1: union-Typ zur Übergabe von Zeigern

1. typedef union {

2. double dbl;

3. void * ptr;

4. }

−−

committ ;

5. [...]

−−

committ comm;

7. double out;

8. double komf\

−

array[100];

9. […]

10. comm.ptr = komf

−

array;

11. out = comm..dbl;

Neben den beiden Blöcken zum Empfangen von Nachrichten existiert ein weiteres I/O-Modul

zum Senden der Spline-Daten an das Fahrzeug. Der Block splineSend bekommt als Eingaben

die PUB-ID des anfragenden Fahrzeugs. Ist diese gültig, dann wurde im selben

Realisierung 161

Simulationsschritt eine splineRequest Nachricht empfangen. Die aktuellen Spline-Daten

werden daraufhin in ein Array kopiert und über den splinePort an die PUB-ID des Fahrzeugs

verschickt. Im nächsten Superstep der Simulation stehen die Daten dann für das Fahrzeug zur

Verfügung. Das Paket der Spline-Daten hat dabei immer eine festgelegte Form. Der erste

Wert des Arrays (array[0]) wird als Anzahl der gültigen Datenwerte im Array gedeutet. Bei

einem kubischen Spline mit sechs Stützstellen werden je sechs x- und y-Werte sowie die

Steigungswerte im Start- und Endpunkt des Splines benötigt. Daraus ergibt sich, dass die

ersten 15 Werte des Arrays gültig sind40. An zweiter und dritter Position des Arrays stehen die

Start- bzw. Endsteigung, gefolgt von den einzelnen Stützpunktkoordinaten in der Form x1, y1,

x2, y2, ..., xn, yn. Die Anzahl n der Stützstellen ergibt sich aus (array[0]-3)/2.

Das zentrale Element des Track-Operators ist der Block optimizer. Dieser bekommt als

Eingabe eine individuelle Soll-Vorgabe, sowie jeweils die Komfortdaten des Fahrzeugs, das

den zugehörigen Streckenabschnitt als letztes passiert hat. Daraus wird eine neue

Vorgabebahn berechnet und diese dem Block splineSend zur Verfügung gestellt. Die

Optimierung der Bahnvorgabe verläuft dabei nach demselben Prinzip wie im Kapitel 5.3.2

beschrieben.

Bei der Modellierung des Fahrzeugs wurde darauf geachtet, die OCM41-Struktur [HOG04]

einzuhalten (siehe Abbildung 86). Auf unterster Ebene steht dabei der Controller. Hier findet

die eigentliche Regelung der Stellsignale unter harten Echtzeitbedingungen statt. Ein

Merkmal dieser Ebene ist die Verarbeitung von (quasi-) kontinuierlichen Daten. Die Eingabe

des Reglers ist im Fall des Fahrzeugs z.B. die Absolutposition des Aufbau-Schwerpunkts.

Aus diesen Vorgaben werden Stellgrößen der physischen Komponenten berechnet und über

eine Messeinrichtung Rückführungsgrößen ausgegeben. Diese Rückführungsgrößen sind zum

einen die gemessenen Beschleunigungsdaten (hier:

(

)

xzA

&& ) und zum anderen die

Absolutposition des Fahrzeugs auf der Schiene (hier: x). Ein Controller kann sich aus

mehreren Reglern zusammensetzen, zwischen welchen zur Laufzeit umgeschaltet werden

kann.

Über den so genannten Reflektorischen Kreis ist der Controller mit dem Reflektorischen

Operator gekoppelt. Auf dieser Ebene werden teilweise diskrete Daten unter Echtzeitaspekten

verarbeitet. Die wichtigste Aufgabe des Reflektorischen Operators in diesem Szenario ist die

Berechnung der Stellgröße uakt als Eingabe der Regler. Dazu muss die Summe der

Vorgabebahnen an der relativen Position des Fahrzeugs gelöst werden. Da als Sollbahn eine

konstante Funktion zref(x) = c (zref(x) = 0

∀

x) vorgegeben ist, genügt es die Bahn der Störgröße

zS(x) zu betrachten. Die Sollbahn stellt hierbei diejenige Bahn dar, an der das Fahrzeug

geführt werden soll. Das Fahrzeug unterliegt aber zusätzlich einer Schienenanregung, die aus

der physischen Beschaffenheit der Schiene resultiert. Diese ist im Regelfall unbekannt.

Schaltet man auf die Sollbahn eine so genannte Störgröße, die der Schienenanregung

entgegenwirkt, auf, so kann im Ergebnis die eigentliche Sollbahn (Ist-Bahnverlauf) entwickelt

werden (siehe Abbildung 87).

40 12 Werte für Stützpunktkoordinaten, zwei Steigungswerte und die Längenangabe selbst

41 Operator-Controller-Modul

162 Realisierung

Zunächst muss aus der Absolutposition des Fahrzeugs eine Relativposition zum betrachteten

Bereich berechnet werden. Da nur Streckenabschnitte gleicher Länge l betrachtet werden,

wird die Relativposition einfach durch xrel = x mod l bestimmt. Die Regelgröße uakt kann nun

durch Lösen der Spline-Funktion an der Stelle xrel unter Echtzeitbedingungen berechnet

werden.

Abbildung 86: OCM-Struktur

Abbildung 87: Sollbahn mit Störgrößenaufschaltung und Schienenanregung

Problematisch ist allerdings das Umschalten zwischen zwei Spline-Funktionen. Da das Lösen

eines Splines erheblich rechenintensiver als die Berechnung der Spline-Funktion an einer

Stelle x ist, muss dieses Lösen im Vorfeld erfolgen. So hält der Operator immer mindestens

zwei Spline-Funktionen vor, die des aktuellen sowie die des nachfolgenden Bereichs. Bei

einem Wechsel zwischen zwei Streckenabschnitten muss demnach zwischen den bereits

gelösten Splines umgeschaltet werden.

Abbildung 88 zeigt, wie das Modell des Fahrzeugs in CAMeL aufgebaut ist. Der Block xtest

gibt die Absolutposition des Fahrzeugs auf der Schiene aus. Es handelt sich dabei um eine

konstante Funktion f(t)=dx*t, für t ≥ 0. Der Parameter dx entspricht dabei der Stellgröße

m/sec.

Operator Fahrzeug Operator Track

Fahrzeug-Aktorik

Kommunikation

Controller

Fahrzeug-

Controller

Bewertung

(Komfort) Spline-Vorgabe Reflektorischer

Operator

uakt

zA(xWeg)

xWeg

()

xzA

+ +

Sollbahn

Störgröße Schienenanregung

Ist-Bahnverlauf

Realisierung 163

Diese absolute Position wird als Eingabe für das Fahrzeug sowie für die Schienenanregung

benötigt. Die Umsetzung der Schienenanregung ist durch den Block disturbance realisiert.

Abhängig von der Position wird in regelmäßigen Abständen etwa in der Mitte eines

Streckenabschnitts eine Anregung ausgegeben. Bei betrachteten drei aufeinander folgenden

Tracks und einer Tracklänge von 50m wurde alle 25, 75 und 125mfür eine gewisse Strecke

eine Rechteckanregung aufgeschaltet42.

xrel = x mod 150

⎪

⎩

⎪

⎨

⎧

≤≤

sonst

xfür

rel

0.0

1.1250.1256.0

xfür

xfür rel

3.750.754.0

2.250.252.0

ndsteigung sowie die Koordinaten der Stützpunkte. Daraus kann nun der Spline gebildet

Abbildung 88: Aufbau des Fahrzeug-Modells

Der Block operatorShuttle ist ein hierarchisches Element. Die interne Struktur ist in

Abbildung 89 dargestellt. Die Blöcke splineRecv, splineSolve, actualSpline und splineEval

verarbeiten die vom Track-Operator gesendeten Vorgabebahn-Daten und ermitteln am Ende

die Stellgröße für den Regler. In splineRecv werden die Spline-Daten empfangen und in einen

Vektor kopiert. Eine Referenz auf diesen Vektor wird dem folgenden Block splineSolve

übergeben. Dieser extrahiert daraus die Anzahl der Stützpunkte, die Anfangs- und

(gelöst) und als Referenz an actualSpline übergeben werden. Dieses rechenintensive Lösen

der Spline-Funktion kann also während der Überfahrt des vorherigen Streckenabschnitts

erfolgen.

42 Bei weiteren Tests ist es problemlos möglich, eine strukturell andere Anregung, etwa eine Sinusfunktion,

aufzuschalten. „0.2 sin(xrel-69.0) für 69.0 ≤ xrel ≤ (69.0 + 4π)“ wäre eine solche Anregungsaufschaltung.

164 Realisierung

Der Block splineSolve ist durch das Umschalten zwischen zwei Streckenabschnitten

getriggert. Tritt dieser Event auf, werden die Parameter des zuvor gelösten Splines in den

Speicher des aktuellen Splines kopiert. Dieser Spline hält also zu jedem Zeitpunkt diejenige

Spline-Funktion vor, die zum Befahren des aktuellen Streckenabschnitts benötigt wird. Der

pline wird als Pointer dem folgenden Block, splineSolve, übergeben. Abhängig von der

rgebni

locks.

rel berechnet. Des Weiteren produziert switchSpline Events jeweils zu den Zeitpunkten, wenn

er Block aIntegrator ermittelt aus der Beschleunigung des Fahrzeug-Aufbaus (Eingangsport

a) die Komfort-Daten. Dazu wird, solange sich das Fahrzeug zwischen zwei Stützstellen

bewegt, das Beschleunigungssignal aufintegriert. Beim „Überqueren“ eines Stützpunktes wird

as gebildete Integral

relativen Position auf dem Streckenabschnitt wird der Spline an der Stelle xrel gelöst. Das

E s ist die absolute Strecke der Auslenkung und dient als Ausgabe des hierarchischen

Abbildung 89: Aufbau des Fahrzeug-Operators

Ein wichtiges Element des Fahrzeug-Operators stellt der Block switchSpline dar. Hier wird,

abhängig von der Absolutposition auf der Strecke (Eingangsport xPos), die relative Position

ein neuer Streckenabschnitt beginnt und wenn ein neuer Stützpunkt erreicht wird. Neben dem

Umschalten zwischen zwei Spline-Funktionen (wie oben beschrieben) sind diese Events

besonders für die Aufzeichnung der Messdaten (Komfort-Daten) wichtig.

∫

+1i

Realisierung 165

(mit i und i+1 aufeinander fo nen Speicher kopiert und die

tegrationssumme zurückgesetzt. Die Speicherverwaltung übernimmt dabei der Block

ingBuffer. Dieser Ring-Buffer ist ein Speicherbereich fester Größe, in dem die Messdaten

on mindestens drei Streckenabschnitten gespeichert werden können (Abbildung 90).

der Block ringBuffer den Event „Neuer Stützpunkt“,

bernimmt er den aktuellen Wert des Beschleunigungs-Integrators und speichert ihn an der

zwischengespeichert; die ID des aktuellen Bereichs erhält er vom actualSpline.

ie so erhaltenen Komfortdaten kapselt der estimationSend in eine Nachricht und schickt sie

rack Operator. Anschließend teilt er dem Block ringBuffer mit, dass

, woraufhin dieser den Zeiger des nicht gesendeten Bereichs

lgenden Stützstellen) in ei

Abbildung 90: Ring-Buffer

Einem Spline mit n Stützstellen werden n-1 Messdaten für die Bereiche zwischen den

einzelnen Punkten zugeordnet. Der Ring-Buffer besitzt einen Zeiger, der die erste freie

Speicherstelle anzeigt und einen weiteren Zeiger, der die erste noch nicht übermittelte

Speicherstelle kennzeichnet. Erkennt

aktuellen Schreibposition (Abbildung 90, linker Pfeil). Danach wird der Zeiger um eine

Position verschoben. Überschreitet der Speicher das Ende des zugeordneten Bereichs, wird er

vom Anfang her weiter beschrieben.

Der Event „Neuer Spline“ verarbeitet der Block estimationSend, indem er eine Nachricht mit

Komfortdaten an den Operator des zuvor befahrenen Streckenabschnitts sendet. Dazu erhält

er vom ringBuffer einen Pointer auf den Speicher der Komfortdaten und die Position des

ersten noch nicht gesendeten Elements. Um die Grenze des Speicherbereichs nicht zu

überschreiten, muss auch dieser Block die Größe des Speichers kennen. Wurde die Grenze

zwischen Bereich n-1 und n passiert, übernimmt der Block estimationSend die Werte

beginnend mit dem Anfang des „ungesendeten“ Bereichs (Abbildung 90, rechter Pfeil) bis zu

der Grenze des neuen Bereichs (grauer Pfeil). Die ID des letzten befahrenen Abschnitts wird

vom Block

an den entsprechenden T

Daten versandt wurden

verschiebt.

166 Realisierung

6.2 AMS-Ebene

Es wurde eine Simulation entwickelt, um die Arbeitsweise der Algorithmen zu testen. Diese

besteht aus einem konfigurierbaren Simulator, der simulierte Daten an die Algorithmen

weiterleitet.

Abbildung 91 zeigt den schematischen Aufbau der Testanwendung. Der Simulator generiert

ontinuierlich neue Erfahrungen. Diese werden von den Algorithmen verarbeitet und die

araus resultierenden Daten von der GUI angezeigt. Die wohldefinierten Schnittstellen sorgen

afür, dass das Arbeitspaket im Fahrzeug wieder verwendet werden kann.

ei der Implementierung wurde darauf geachtet, dass wohl definierte Schnittstellen nach

erschließt. Somit

onnte das entwickelte Algorithmenpaket bei der Fahrzeugimplementierung wieder

verwendet werden. Darüber hinaus ließen sich die Algorithmen dadurch leichter warten und

a ichtigkeit hin ü

Die Testanwendung wur ckelt:

Abbildung 91: Aufbau der Testanwendung

außen getragen werden, über die sich die Funktionalität der Algorithmen

uf ihre R berprüfen.

de unter den folgenden Anforderungen entwi

Allgemein

(S100) Ver ugtypen schiedene Fahrze

(S110) Mod Algorithmen leicht austauschen zu können ularer Aufbau, um

(S120) Verarbeitung von Nachrichten durch Modulsets

Auftragsverarbeitung

(S200) Angebotserstellung

(S201) Routenplanung

(S202) A* Modifizierter

(S210) Auftragsverarbeitung

(S211) Plandurchführung

(S212) Nachbearbeitung/ Entgeldliche Abrechnung

Wissensverarbeitung

Datenstrukturen

(S300) Streckennetz als gerichteter Graph

(S301) Statische Constraints

Simulator

Erfahrungen

Algorithmus

Daten

wohldefinierte

Schnittstelle

GUI

Realisierung 167

(S302) Spline-Verarbeitung für sich periodisch verändernde Constraints

(S310) FahrzeugIDs den Fahrzeugtypen zuordnen

(S320) Daten-Pools zum Datenaustausch

(S330) Aufzeichnen von Messdaten

Funktionell

(S340) Kommunikation mit anderen Fahrzeugen zum Wissensaustausch

(S350) Feedback erstellen

(S351) Streckendaten-Recording

(S352) Analyse gefahrener Strecken (Wissensgenerierung)

(S360) Feedback von anderen Fahrzeugen verarbeiten

(S361) Spline-Verarbeitung

(S370) Laden bzw. Speichern der Fahrzeugwissensbasis

Tabelle 22: Anforderungen an das Fahrzeug

Um den Anforderungen (S100) und (S110) gerecht zu werden, wurde ein Framework

entwickelt, das in mehrere Layer unterteilt ist (siehe Abbildung 92).

Abbildung 92: Das Framework der Simulation

Der unterste Layer definiert Typen, die grundlegende Funktionen zum Erfahrungsaustausch

und zur Erfahrungsverarbeitung besitzen. Dabei wird hauptsächlich zwischen zwei Typen

unterschieden: Modul und Daten-Pool. Ein Modul ist eine reagierende Einheit. Sie besitzt

Schnittstellen, um Nachrichten zu empfangen, zu verarbeiten und neue Nachrichten zu

versenden. Ein Daten-Pool ist ganz allgemein ein Container, der für Module Daten bereithält

(S320). Er besitzt Schnittstellen, mit denen sich Module bei ihm registrieren können.

Registrierte Module werden dann über Veränderungen an den Daten des Pools informiert. Im

zweiten Layer werden die Fahrzeugkomponenten durch diverse Interfaces konkretisiert, so

dass die einzelnen Module des Fahrzeugs über wohldefinierte Schnittstellen verfügen. In

Abbildung 92 werden im zweiten Layer eine Suche und eine Topologie definiert. Dadurch,

dass es nun verschiedene Implementierungen derselben Schnittstelle geben kann, werden die

Layer 3

Layer 2

Layer 1

Topologie

Graph

Datenpool

Suche

Modul

168 Realisierung

Typen austauschbar. Diese sind im dritten Layer zusammengefasst. Im Beispiel wird die

Suche zum A*-Algorithmus konkretisiert und die Topologie als Graph implementiert.

Abbildung 93 zeigt das Fahrzeug in der Layer 2 Ansicht. Die durchgezogenen Vierecke

stellen Daten-Pools dar. Die gestrichelten Vierecke symbolisieren die Module. Der

IOManager ist grau hinterlegt, da er sich zu keinem der beiden Typen zählen lässt. Er sorgt

für das Zustellen der Simulationsnachrichten an die Module. Jedes Modul registriert sich bei

dem IOManager für bestimmte Simulationsnachrichten. Daraus erstellt der Manager für jede

Nachricht Modulsets. Empfängt das Fahrzeug nun eine Nachricht, leitet der IOManager die

Nachricht an alle Module aus dem entsprechenden Set weiter (S120). Dadurch wird auch klar,

Abbildung 93: Fahrzeug-Framework

Die Topologie enthält einen gerichteten Graph (S300), der das Streckennetz repräsentiert. An

den einzelnen Kanten sind die Profile gespeichert. Das Profil setzt sich dabei aus den

dynamischen und den statischen Parametern zusammen. Da die Implementierung der

Topologie nicht nach außen getragen wird, besitzt dieser Pool noch einen eigenen

Suchalgorithmus. Dies ist ein modifizierter A*-Algorithmus (S202). Er wurde dahingehend

verändert, dass er auch mit Constraints des Fahrgastes bzw. des Fahrzeugs umgehen kann

(S301). Seine Gewichtungsfunktion ist so gebaut, dass Kanten auch abgelehnt werden können

(z.B. aufgrund nicht erfüllter lokaler Constraints). Es ist, als würden diese Kanten im Graph

nicht existieren.

Der Pfad-Pool enthält den Weg, den das Fahrzeug abfährt. Ein Weg besteht aus

zusammenhängenden Streckenabschnitten und gegebenenfalls Aktionen an den

Knotenpunkten zwischen den Abschnitten. Diese Aktionen beinhalten das Be- und Entladen,

das Warten oder auch das Reparieren des Fahrzeugs.

dass die Module voneinander getrennt sein müssen. Es ist nämlich nicht vorhersagbar, in

welcher Reihenfolge die Module die Nachricht zur Bearbeitung erhalten.

Simulation

Fahrzeug

Kommunikations-

Modul

Recorder-

Modul

Planungs-

Modul Topologie

Auftrags-

Pool

Pfad-

Pool

Plan-

Ausführungs-

Modul

IOManager

Realisierung 169

Der Auftrags-Pool enthält alle zu bearbeitenden Aufträge. Der Pool ist so konstruiert, dass er

mehrere Ansichten desselben Auftrages nach außen trägt, je nachdem welches Modul gerade

auf den Pool zugreift. Zum Beispiel sind die vom Recorder-Modul aufgezeichneten Daten für

das Planungs-Modul unerheblich und daher in seiner Ansicht nicht vorhanden.

Das Plan-Ausführungs-Modul arbeitet den Plan aus dem Pfad-Pool ab und reagiert auf

eingehende Ankunftsnachrichten des Simulationskernels. Es schaut nach, ob an dem

angekommenen Knoten eine Aktion durchzuführen ist. Wenn ja, wird dies der Simulation

mitgeteilt und gewartet, bis die Aktion durchgeführt ist, bevor das Fahrzeug weiterfährt

(S211).

Das Planungs-Modul übernimmt die Funktionen (S200), (S201) und (S210). Erhält das

Fahrzeug einen neuen Auftrag, für den geboten werden muss, erstellt das Planungs-Modul ein

Angebot aufgrund der eigenen Wissensbasis (S200) – falls Wissen vorhanden ist. Der

potentielle Auftrag wird im Auftrags-Pool angelegt und mit den entsprechenden Daten

versehen. Erhält das Fahrzeug nun den Zuschlag für das abgegebene Angebot, muss die Route

neu geplant werden (S201). Die neu berechnete Route wird dann in den Pfad-Pool

geschrieben. Ab diesem Zeitpunkt fährt das Fahrzeug die neue Route. Ist das Fahrzeug am

onto des

Fahrzeugs um die im

Das

werden im

ten und

Das ie

Attribute der anderen F en

zu können. Um

Datenleitungen sprengen, wird bei der Angebotserstellung nur bei einem bestimmten

Prozentsatz an Fahrzeugen angefragt. Diese Fahrzeugmenge wird im Auftrag abgespeichert,

damit an genau diese Menge später das Feedback versendet werden kann. Kommt Feedback

von anderen Fahrzeugen an, wird die Nachricht analysiert und das Wissen in die Topologie

geschrieben (S360).

Die Kernel-Anbindung geschieht mittels einer vom Kernel bereitgestellten API und wohl

definierten Nachrichtenprotokollen. Da der Kernel (zur Verfügung gestellt von der AG

Schäfer43) ereignisbasiert arbeitet und Manipulationen desselben weitestgehend

ausgeschlossen werden sollen, geschieht der Erfahrungsaustausch mit dem Kernel nur über

Nachrichten. Das proprietäre Protokoll weist einige Besonderheiten auf. So wird vom Kernel

in regelmäßigen Abständen ein so genannter „Dead Man-Switch“ verschickt. Auf diese

43 http://wwwcs.uni-paderborn.de/cs/ag-schaefer/Lehre/

Ziel eines Auftrages angekommen, wird von der Simulation automatisch das K

Auftrag festgelegten Geldeinheiten aktualisiert (S212).

Recorder-Modul zeichnet während der Fahrt Daten auf ((S330) und (S351)). Diese

Auftrags-Pool den gerade aktiven Aufträgen zugeordnet. Diese Zuordnung dient

später der Feedback-Generierung und auch zur Bildung der Fallbasis. Ist ein Auftrag

abgeschlossen, analysiert das Recorder-Modul die im Auftrag gespeicherten Da

bewertet diese. Es generiert also Wissen (S352). Dieses wird in die eigene Datenbasis

eingepflegt (S212) und als Feedback an die anderen Fahrzeuge gesendet ((S340) und (S350)).

Kommunikations-Modul kommuniziert mit anderen Fahrzeugen. Es speichert d

ahrzeuge (S310), um eine Ähnlichkeitsbewertung (SIM) vornehm

zu verhindern, dass die Fahrzeugnachrichten den Durchsatz der

170 Realisierung

Nachricht muss das Fahrzeug innerhalb einer gewissen Zeit antworten. Tut es dies nicht,

nimmt der Kernel an, dass das Fahrzeug in einem nicht arbeitsfähigen Zustand ist. Ein solcher

Zustand kann z.B. durch eine Endlosschleife hervorgerufen werden. Der Kernel schließt dann

das entsprechende Fahrzeug aus der Simulation aus.

Um bei einer Simulation nicht immer wieder von vorne starten zu müssen, ist es über die API

(Application Programming Interface) möglich, die Topologie dazu zu veranlassen, den

Datenbestand auf die Festplatte zu schreiben bzw. einen bestehenden Datenbestand von der

Festplatte zu lesen (S370). Dazu wurde ein proprietäres Dateiformat auf XML Basis

entwickelt.

Zusammenfassung und Ausblick 171

7 Zusammenfassung und Ausblick

Für die erfahrungsbasierte Selbstoptimierung eines Fahrzeugs ist es notwendig, dass dieses

Erfahrungen über sich und sein Umfeld abspeichert und daraus auf Handlungsempfehlungen

für zukünftiges Verhalten schließen kann. Hierbei besteht die Problematik darin, dass sich das

Fahrzeug zu früh auf ein „gutes, bereits mehrfach erprobtes“ Verhalten festlegt und das

Optimum dadurch gar nicht gefunden wird. Zur Vermeidung dieses Zustands wurden

Explorationsstrategien entwickelt, die neue, noch nicht erprobte Zustände untersuchten. Diese

Explorationsstrategien wurden sowohl für die MFM- (am Beispiel des Feder- und

Neigemoduls) als auch für die AMS-Ebene (am Beispiel der Streckenexploration) entwickelt.

Die Explorationsstrategie der MFM-Ebene bestand aus der Verschiebung der Stützpunkte

einer Vorgabebahn für das Feder- und Neigemodul. Folgte das Feder- und Neigemodul dieser

Bahn, so erfuhr das Fahrzeug (bzw. der Aufbau des Fahrzeugs) beim Befahren eines

Streckenabschnitts eine bestimmte vertikale Beschleunigung. Über das Integral der

Beschleunigung konnten die Komfortwerte berechnet werden. Die Komfortwerte wurden an

den befahrenen Streckenabschnitt übermittelt, der aus diesen Werten eine neue

Explorationsrichtung für die Stützpunkte der Vorgabebahn berechnete. Diese Bahn wurde an

das nächste sich nähernde Fahrzeug übermittelt, das wiederum die erfahrenen Komfortwerte

nach dem Befahren an den Streckenabschnitt schickte. So entstand eine verteilte Optimierung

der Komfortwerte, die bereits nach 30 Durchläufen eine signifikante Verbesserung des

Komforts bewirkte.

Auf der AMS-Ebene wurden mehrere Explorationsstrategien untersucht. Am Anfang war

jedes Fahrzeug bei der Erkundung des Transportnetzes auf sich allein gestellt. So mussten die

ersten Explorationserfahrungen teilweise blind und teilweise heuristisch gewonnen werden.

Mit zunehmenden Erfahrungen baute sich im Fahrzeug für jeden Streckenabschnitt eine

stundengenaue Kostenfunktion über die Woche auf, mit dessen Hilfe das Fahrzeug seine

Gesamtkosten für eine Verbindung in Abhängigkeit der Zeit immer genauer nach realen

Bedingungen berechnen konnte. Die Kostenfunktion bestand aus den monetären (z.B.

Energieverbrauch, Streckengebühr etc.) und den temporären Kosten (Dauer des Befahrens des

Streckenabschnitts). Der Sinn der ermittelten Kostenfunktion bestand darin, die Bedingungen

(Constraints) des Fahrgastes mit den eigenen Zielen zu einer bestimmten Zeit möglichst

optimal zu verbinden. Wurde z.B. das Ziel der Gewinn-Maximierung verfolgt, wurde den

Gesamtkosten ein Pufferfaktor aufgeschlagen, der jedoch nicht so hoch sein durfte, dass der

Auftrag des Fahrgastes nicht mehr bedient werden konnte. Allerdings durfte er auch nicht zu

niedrig gewählt werden, um nicht unnötig Gewinn zu verschenken.

Waren insgesamt wenige Erfahrungen vorhanden, konnte eine Exploration auch mit den

Erfahrungen anderer Fahrzeuge durchgeführt werden. Hierzu wurden deren Kosten- und

Konfidenzwerte für bestimmte Verbindungen abgefragt und mit den eigenen verglichen.

Waren die externen Kosten- und Konfidenzwerte günstig für das Fahrzeug, übernahm es die

externen Explorations-Empfehlungen.

172 Zusammenfassung und Ausblick

Sowohl für die MFM- als auch für die AMS-Ebene wurde bei der Exploration auf die

Erfahrungen anderer Fahrzeuge zurückgegriffen. Besaßen alle Fahrzeuge eine identische

Wissensbasis, stellte dies kein größeres Problem dar. In diesem Szenario wurde jedoch davon

ausgegangen, dass die Fahrzeuge unterschiedliche Wissensbasen besitzen. Dies führte dazu,

dass Situationen unterschiedlich wahrgenommen wurden. So ist für das eine Fahrzeug eine

Kurvenfahrt bei 100 km/h gefährlich. Für ein anderes Fahrzeug beginnt diese Klassifizierung

erst ab einer Geschwindigkeit von 200 km/h. Diese unterschiedlichen Wahrnehmungen

führten zu unterschiedlichen Verhaltensweisen. Während z.B. das erste Fahrzeug vor der

Kurve abbremste (da es 120 km/h fuhr), fuhr das andere Fahrzeug mit unverminderter

Geschwindigkeit (120 km/h) weiter. Ohne das Wissen über die Wahrnehmung des anderen

Fahrzeugs würde das zweite Fahrzeug somit einen Auffahrunfall verursachen (es sei denn, es

kommt mit einer Vollbremsung noch rechtzeitig zum Stehen, was bei einem

Personenfahrzeug allerdings nicht vorkommen sollte). Da es aber mit Hilfe des in dieser

Arbeit entwickelten Algorithmus die Wahrnehmung des anderen „verstehen“ konnte, konnte

es den Bremsvorgang des anderen antizipieren und frühzeitig bremsen. Der entwickelte

Algorithmus löste in diesem Zusammenhang noch ein zweites Problem: die Kommunikation

über unterschiedliche Terminologien. Werden Worte falsch interpretiert, kann es leicht zu

gefährlichen Situationen kommen. Aus diesem Grunde leistete der entwickelte Algorithmus

eine Übersetzung der heterogenen Terminologien mittels einer Basisontologie. So konnten

Wahrnehmungen auch in der eigenen Terminologie übermittelt werden.

Ausblick

In dieser Arbeit wurde ein erster Ansatz für einen fahrerlosen, schienengeführten,

bedarfsgesteuerten, sich selbstoptimierenden Transportverkehr geleistet. Die Fahrzeuge dieses

Transportverkehrs sind in der Lage, ihr Verhalten den dynamischen Anforderungen der

Umwelt eigenständig und online über Erfahrungen anzupassen.

Im Bereich der mechatronischen Funktionsmodule führte das Explorationsverfahren

gemessen an der prozentualen Verbesserung der Komfortwerte einzelner Streckenabschnitte

zu guten Ergebnissen. Es zeigte sich aber auch, dass eine große Menge an Stützpunkten (zum

Beispiel 50 im Szenario) in der Regel zu vielen Optimierungsschritten führte. Jeder dieser

Schritte verursacht im endgültigen System Kosten, da ein Schritt eine Fahrt eines Fahrzeugs

über einen Streckenabschnitt bedeutet. Es ist daher wichtig, die Effizienz des Verfahrens zu

steigern. Eine Möglichkeit besteht in der weiteren Partionierung des Streckenabschnitts. Dies

bedeutet, dass mehrere oder sogar alle Stützpunkte gleichzeitig optimiert werden können. Ein

solches Verfahren wurde bereits testweise am Demonstrator des Feder- und Neigemoduls

implementiert und führte zu guten Ergebnissen. Ein großes Problem stellt hierbei die

Auswertung eines Optimierungsschrittes dar. So kann nicht eindeutig ermittelt werden,

welche Stützpunktverschiebung welchen Anteil an der Verbesserung des Komforts besitzt.

Hier ist es erforderlich weitere Heuristiken zu finden, um die Komfortdaten besser auswerten

und damit die Exploration verbessern zu können.

Im Bereich der autonomen mechatronischen Systeme ist das hier vorgestellte Fahrzeug in der

Lage, einen möglichst optimalen Weg von A nach B zu planen, ohne jedoch bereits im

Zusammenfassung und Ausblick 173

Vorfeld optionale Pläne zu berücksichtigen. Es wäre somit vorstellbar, dass das Fahrzeug

bereits im Vorfeld mehrere optionale Pläne mit bestimmten Wahrscheinlichkeiten entwirft.

Dies hätte den Vorteil, dass bei unerwarteten Ereignissen sofort der „nächst beste“ Plan zur

Verfügung stünde. In der vorliegenden Arbeit plant das Fahrzeug erst einen neuen, optionalen

Weg, wenn das Ereignis bereits eingetroffen ist. Hier wird Zeit vergeudet, die in Ruhephasen,

in denen das Fahrzeug z.B. in einem Bahnhof steht, genutzt werden könnte. Um den

Planungsbaum nicht zu groß werden zu lassen, muss zudem überlegt werden, ab wann ein

optionaler Plan „abgeschnitten“ werden kann oder ob der erste Gesamtplan die komplette

Verbindung überhaupt abdecken muss und nicht ein dynamischer Plan sinnvoller wäre.

174 Zusammenfassung und Ausblick

Literaturverzeichnis 175

Literaturverzeichnis

[Abd00-ol] Abdecker, A.: Wissensrepräsentation mit Semantischen Netzen und Frames.

Vorlesungsunterlagen SS 2000 des DFKI, Kaiserslautern, unter:

http://www.dfki.uni-kl.de/~aabecker/Mosbach/mosbach2000NetzeFrames.pdf

[AHK96] Arens, Y.; Hsu, C.; Knoblock, C.C.: Query processing in the SIMS

information mediator. In: Advanced Planning Technology. AAAI Press

California, USA, 1996.

[Ala03] Alan, Y.: Konstruktion der Kowien-Ontologie. KOWIEN-Projektbericht

2/2003, Institut für Produktion und industrielles Informationsmanagement

Universität Duisburg-Essen, Essen 2003.

[Alb03-ol] Alber, R.: Einführung in die künstliche Intelligenz: Institut für Statik und

Dynamik der Luft- und Raumfahrtskonstruktion, Universität Stuttgart, 2003,

unter: http://www.isd.uni-stuttgart.de/ .

[Alp03] Alparslan, A: Ontologiebasiertes Wissensmanagement - Computergestütztes

Management von Wissen über Mitarbeiterkompetenzen. Wirtschaftsforum 10,

Institut für Produktion und industrielles Informationsmanagement, Universität

Duisburg-Essen, Essen 2003.

[AN95] Aamodt, A.; Nygard, M.: Different roles and mutual dependencies of data,

information and knowledge. Data and Knowledge Engineering 16, 1995, S.

191 – 222.

[Ang03] Angele, J.: Einsatz von Ontologien zur intelligenten Verarbeitung von

Informationen, Industrie Management 19, 2003, GITO-Verlag, S. 53-55.

[ANS00] American National Standards Institute, Inc. ANSI B56.5: Safety Standard for

Guided Industrial Vehicles and Automated Functions of Manned Industrial

Vehicles. 2000.

[AP94] Aamodt, A.; Plaza, E. Case-based reasoning: foundational issues,

methodological variations, and system approaches. AI Communications 7,

1994, S. 39-59.

[AS03] Annamalai, M.; Sterling, L.: Dealing with Mathematical Relations in Web-

Ontologies. In: Autonomous Agents and Multi Agent Systems, Melbourne

Australien, 2003.

[BA95] Branting, L.; Aha, D.: Stratified Case-Based Reasoning: Reusing hierarchical

problem solving episodes. In: Proceeding of the Fourteenth International Joint

Conference on Artificial Intelligence, Providence, RI, USA, S. 384-390.

[Bac96] Bachmann, B.: A Solution for the Semantic Unification Problem to Reuse

Knowledge-Based Systems, Infix, Sankt Augustin, 1996.

[BAP+95] Borst, P.; Akkermans, J.; Pos, A; Top, J.: The PhysSys ontology for physical

systems. In: Bredeweg, B., (Hrsg.): Working Papers of the Ninth International

Workshop on Qualitative Reasoning QR'95, University of Amsterdam, 1995,

S. 11-21.

[Ban01-ol] Banzhaf, W.: Introduction to Machine Learning, Vorlesungsunterlagen

WS01/02, Universität Dortmund, 2001, unter: http://univis.uni-

176 Literaturverzeichnis

erlangen.de/formbot/dsc_3Danew_2Flecture_view_26lvs_3Dtech_2FIMMD_2

FIMMD2_2Fmaschl_26dir_3Dtech_2FIMMD_2FIMMD2_26ref_3Dlecture

[BE05] Buckley, J.J.; Eslami, E.: An Introduction to Fuzzy Logic and Fuzzy Sets,

Physica-Verlag, 2005.

[Ber96] Bergmann, R.: Effizientes Problemlösen durch flexible Wiederverwendung

von Fällen auf verschiedenen Abstraktionsebenen. Infix, Sankt Augustin,

1996.

[Ber02] Bergmann, R.: Experience Management. Foundations, Development,

Methodology and Internet-Based Applications. Springer Verlag, Berlin,

Heidelberg, 2002.

[Ber03a-ol] Bergmann, K.: Das PECS Referenzmodell – Modellierung menschlichen

Verhaltens und menschlicher Entscheidungen. Kognitive Architekturmodelle,

Sommersemester 2003. unter: http://www.techfak.uni-bielefeld.de/ags/wbski/

[Bay99] Bayer, K.: Argument und Argumentation. Logische Grundlagen der

Argumentationsanalyse, Westdeutscher Verlag, Opladen/Wiesbaden, 1999.

[Bec03] Beckstein, C.: Suche. In: Görz, G.; Rollinger, C.R.; Schneeberger, J. (Hrsg.):

Handbuch der Künstlichen Intelligenz, Oldenbourg Verlag, München, 2003.

[BEP+00] Backhaus, K.; Erichson, B.; Plinke, W.; Weiber, R.: Multivariate

Analysemethoden: Eine anwendungsorientierte Einführung, 9.-Auflage,

Springer-Verlag, Berlin, 2000.

lehre/digiSA/S03/KogMod/pecs.pdf

[Ber03b-ol] Bernd, R: Physikalische Größen und Einheiten, Physikalisches Praktikum für

Anfänger (Haupfach) – Teil 2, unter: http://www.ieap.uni-kiel.de/surface/ag-

berndt/lehre/aprakt2/einheiten.pdf

[Ber04] Bernemann, A.: Der Einsatz von Splines in der Finanzwirtschaft. Diplomarbeit

in Zusammenarbeit mit der WestLB-Düsseldorf, FHDW Paderborn, 2004.

[BF95] Barbuceanu, M.; Fox, M.S.: COOL: A language for describing coordination in

multi agent systems. In: Proceedings of the First International Conference on

Multi-Agent-Systems (ICMAS-95), Menlo Park, Californien, AAAI Press,

S.17-24, 1995.

[BFM+04-ol] Brach, T.; Frank, F.; Müller, C.; von Deuster, C.; Tchetchelnitski, V.:

Gradientenverfahren in der globalen Optimierung. Referat im Fach

„Mathematik und Informatik B“ für den Studiengang „Molekulare

Biotechnologie“ an der Ruprecht-Karls-Universität Heidelberg, Sommer-

semster 2002, unter http://www.iwr.uni-heidelberg.de/~Markus.Kirkilionis/

ProjekteB/Gradientenverfahren.pdf

[BGG04] Bleymüller, J.; Gehlert, G.; Gülicher, H.: Statistik für Wirtschafts-

wissenschaftler, Vahlen-Verlag, München, 2004

[BK03] Beierle, C.; Kern-Isberner, G.: Methoden wissensbasierter Systeme.

Grundlagen, Algorithmen, Anwendungen. Vieweg-Verlag, Braunschweig,

Wiesbaden. 2003.

[Bor97] Borst, W.N.: Constructing of Engineering Ontologies for Knowledge Sharing

and Reuse, PhD thesis, University of Twente, September 1997.

[Böh74] Böhmer, K.: Spline-Funktionen. B.G. Teubner-Verlag, Stuttgart, 1974.

Literaturverzeichnis 177

[BP94] Baumgartner, P.; Payr, S.: Lernen mit Software, Österreichischer Studien

Verlag, Innsbruck, 1994.

[Bra00] Bratko, I.: Prolog Programming for Artificial Intelligence, Addison-Wesley,

2000.

[BS02] Borgida, A.; Serafini, L.: Distributed description logics. In: Proceedings of the

International Description Logics Workshop DL’2002, 2002.

[Bün05] Kleine Büning, H.: Grundlagen Wissensbasierter Systeme, Folienscript zur

Vorlesung, SS 2005.

[Bus99] Busse, S.: Non-standard Logiken zur Spezifikation von verteilten Systemen,

Ausarbeitung im Seminar “Modellierungs- und Spezifikationsmethoden für

verteilte Systeme“, TU Berlin, 1999.

[BWC+03-ol] Bödcher, Wagner, Carstens, Könemann : Formelsammlung der Mechanik,

Fachhochschule Hannover, 2003. unter: http://www.stud.fh-hannover.de/

[BSW91] von Bechtolsheim, M.; Schweichhart, K.; Winand, U.: Expertensystem-

werkzeuge – Produkte, Aufbau, Auswahl. Vieweg-Verlag, Braunschweig,

1991.

~koeneman/MECHANIK.pdf

[CH67] Cover, T.M.; Hart, P.E.: Nearest Neighbor Pattern Classification. In:

Proceedings of the IEEE Transactions on Information Theory, 1967.

[CL95] Cohen, P.R.; Levesque, H.J.: Communication actions for artificial agents. In:

Proceedings of the First International Conference on Multi-Agent Systems

(ICMAS-95), Menlo Park, Kalifornien, AAAI Press, S. 65-72, 1995.

[Cla96] Claus, T.: Objektorientierte Simulation und Genetische Algorithmen zur

Produktionsplanung und –steuerung, Verlag Peter Lang Frankfurt/M. 1996.

[Cor01] Cormen, T.H.: Introduction to algorithm. 2nd edition. Cambridge, Mass. MIT

Press, 2001.

[CP02] Craw, S; Preece, A.: Advances in Case-Based Reasoning, Springer-Verlag,

Heidelberg, 2002.

[Cyc04-ol] Cycorp Inc.: The Cyc knowledge base, unter: http://www.cyc.com/

[Cal03] Callan, R.: Neuronale Netze im Klartext, Pearson Studium, 2003.

[Cas95] Castelfranchi, C.: Commitments: From individual intentions to groups and

organizations. In: Proceedings of the First International Conference on Multi-

Agent Systems (ICMAS-95), Menlo Park, Kalifornien, AAAI Press, S. 41-48,

1995.

[Cha00] Chalupsky, H.: OntoMorph: A translation system for symbolic knowledge. In:

Proceedings of the seventh International Conference on Principles of

Knowledge Representation and Reasoning, Breckenridge, Colorado, USA,

2000.

[Dav97] Davenport, T.: Information Ecology: Mastering the Knowledge and

Information Management, Oxford University Press, 1997.

[Dec98] Decker, S.: On Domain-Specific Declarative Knowledge Representation and

Database Languages. In: Borgida, A., Chaudri, V., Staudt, M. (Hrsg.):

Proceedings of the 5th International Workshop on Knowledge Representation

meets Databases (KRDB’98), 1998.

178 Literaturverzeichnis

[DF02] Ding, Y.; Foo, S.: Ontology research and development, Part 2 – A review of

ontology mapping and evolving. In: Journal of Information Science, 28(5),

2002, S. 375-388.

[DFH+00] Decker, S.; Fensel, D.; van Harmelen, F.; Horrocks, I.; Melnik, S.; Klein, M.;

Broekstra, J.: Knowledge representation on the web. In: Proceedings of the

2000 International Workshop on Description Logics, Aachen, Deutschland,

2000.

[Dil03-ol] Dilger, W.: Einführung in die Künstliche Intelligenz, Vorlesung an der

Technischen Universität Chemnitz, Sommersemester 2003, unter:

http://www.tu-chemnitz.de/informatik/HomePages/KI/skripte.php

[DM95] Dörner, D.; van der Meer, E. (Hrsg.): Das Gedächtnis. Probleme - Trend -

Perspektiven. Göttingen: Hogrefe 1995.

[DMD+02] Doan, A.; Madhaven, J.; Domingos, P.; Halevy, A.: Learning to Map between

Ontologies on the Semantic Web. In: Proceedings of the WWW2002,

Honolulu, Hawaii, USA, 2002.

[DP98] Davenport, T.; Prusak, L.: Working Knowledge: How organizations manage

what they know. Havard Business School Press, 1998.

[DS04] Dangelmaier, W.; Scheideler, P.: Solving Route Planning Problems with

Experiences. In: Proceedings of the International Conference of Applied

Simuation and Modelling, Rhodos, Griechenland, 28.-30.Juni 2004.

[EH04-ol] Eschenbach, C.; Habel, C.: Vorlesung Raum, Zeit, Ereignisse, WS 2003/2004,

unter: http://www.informatik.uni-hamburg.de/WSV/teaching/vorlesungen/rze-

Unterlagen/RZE01-Einleitung.pdf

[EH04] Elpelt, B.; Hartung, J.: Grundkurs Statistik, Oldenbourg, München 2004.

[Eps97] Epstein, S.: Spatial Representation for Pragmatic Navigation, In: Hirtle, S.;

Frank, A. (Hrsg.): Spatial Information Theory – A theoretical basis for GIS,

International Conference COSIT´97, Laural Highlands PA. Lecture Notes in

Computer Science 1329, Springer Verlag, Berlin, 1997, S. 373-388.

[Fau96] Faulhaber, S.: Einsatz und Entwicklung von computerunterstützten

Lernprogrammen in der medizinischen Aus- und Weiterbildung, Studienarbeit

am Lehrstuhl für Künstliche Intelligenz und Angewandte Informatik der

Universität Würzburg, 1996.

[Fer99] Ferber, J.: Multi-Agent-Systems. An Introduction to distributed artificial

intelligence, Addison-Wesley, Harlow, 1999.

[Fer03] Ferber, R.: Information Retrieval - Suchmodelle und Data-Mining-Verfahren

für Textsammlungen und das Web, dpunkt.verlag, Heidelberg, 2003.

[Fel98] C. Fellbaum: WordNet – An electronic lexical database. MIT Press,

Cambridge, Massachusetts and London, England, 1998.

[FGK+04] Frank, U.; Giese, H.; Klein, F.; Oberschelp, O.; Schmidt, S.; Vöcking, H.;

Witting, K.: Selbstoptimierende Systeme des Maschinenbaus – Definitionen

und Konzepte, HNI-Verlagsschriftenreihe, Band 155, Paderborn, 2004.

[FFR97] Fikes, R.; Farquhar, A.; Rice, J.: Tools for assembling modular ontologies in

Ontolingua. In: Proceedings of AAAI 97, 1997, S. 436-441.

Literaturverzeichnis 179

[FIP01] FIPA Ontology Service Specification, Dokumentennummer XC00086D,

Foundation for Intelligent Physical Agents, 2001.

[FNP+99] Fowler, J.; Nodine, M.; Perry, B.; Bargmeyer, B.: Agent-based semantic

interoperability in Infosleuth. Sigmod Records, 28, 1999.

[Gau02] Gausemeier, J. Von der Mechanik zur Selbstoptimierung, 20th CAD-FEM

Users Meeting, Friedrichshafen, Deutschland, 2002.

[GEF+99] Grosso, E.; Eriksson, H.; Ferguson, R. W.; Tu, S. W.; Musen, M. M.:

Knowledge modeling at the millenium – the design and evolution of Protege-

2000. In: Proceedings of the 12th International Workshop on Knowledge

Acquisition, Modeling and Management, Banff, Canada, 1999.

[GHR+03] Gu, D,; Hu, H.; Reynolds, J.; Tsang, E.: GA-based learning in behaviour based

robotics. In: Proccedings of IEEE International Symposium on Conceptual

Intelligence in Robotics and automation, Kobe, Japan, 16.-20. Juli, 2003.

[GJ02-ol] Gordon, J.; Jorgensen, L.: Knowledge Representation. Applied Knowledge

Research Institute, 2002, unter: http://www.akri.org/museum/rep.htm

[Fip02] FIPA ACL Message Structure Specification, Dokumentennummer SC00061G,

2002.

[FMF+94] Finn, T.; McKay, D.; Fritzson, R.; McEntire, R.: KQML: An information and

knowledge exchange protocol. In: Fuchi, K.; Yokoi, T. (Hrsg.): Knowledge

Building and Knowledge Sharing. Ohmsha und IOS Press, 1994.

[FSW+95] Fayyad, U.M.; Smyth, P.; Weir, N.; Djorgovski, S.: Automated analysis and

exploration of image databases: Results, progress and challenges. Journal of

Intelligent Information Systems , 4, 1995, S. 1-19.

[Gät04] Gäthke, S.: Immer pünktlich dank Charles Darwin, Financial Times

Deutschland, Hamburg, 10.12.2004.

[Gen95] Genesereth, M.R.: Knowledge Interchange Format. Specification. Vorläufige

Version eingereicht bei der American National Standard Kommission. 1995.

[GF92] Genesereth, M.R.; Fikes, R.E.: Knowledge interchange format, version 3.0

reference manual. Technical Report Logic-92-1, Computer Science

Department, Stanford University, 1992.

[GFH90] Gottlob, G.; Frühwirth, T.; Horn, W.: Expertensysteme, Springer Verlag,

Wien/New York, 1990.

[GGM+03] Gangemi, A.; Guarino, N.; Masolo, C.; Oltramari, A.: Sweetening WordNet

with Dolce, AI-Magazine 24(3), 2003, S. 13-24.

[GKK04] Gerdes, I.; Klawonn, K.; Kruse, R.: Evolutionäre Algorithmen, Vieweg

Wiesbaden, 2004.

[GKM+04] Gawrilow, E.; Köhler, E.; Möhring, R.H.; Stenzel, B.: Conflict-free Real-time

AGV Routing, Technische Universität Berlin, Institut für Mathematik,

Technical Report 026-2004.

[GKS89] Gopal, S.; Klatzky, R.; Smith T.: Navigator: A Psychologically based Model of

environmental Learning Through Navigation, Journal of Environmental

Psychology, (9), 1989, S. 309-331.

180 Literaturverzeichnis

[GL93] Glover, F; Laguna, M.: Tabu search. In: Reeves, C. (Hrsg.): Modern Heuristic

Techniques for Computational Problems, Blackwell Scientific Publishing,

Oxford, England, 1993.

[GL00] Ghosh, S.; Lee, T.: Intelligent Transportation Systems: New Principles and

Architectures, CRC Press, Boca Raton, Florida, 2000.

[GO94] Gruber, T.R.; Olsen, G.R.: An Ontology for engineering mathematics. In:

Doyle, J.; Torasso, P.; Sandewall, E. (Hrsg.): Proceedings of International

Conference on Principles of Knowledge Representation and Reasoning, Mai,

Bonn, Deutschland, 1994

[Gom98] Gomez, F.: Linking WordNet Verb Classes to Semantic Interpretation. In:

Proceedings of the COLING-ACL Workshop on the Usage of WordNet on

NLP Systems. Universite de Montreal, Quebec, Canada, 1998 S. 58-64.

[GR94] Goldman, C. ; Rosenheim, J. : Emergent coordination through the use of

cooperative state-changing rules. In: Proceedings of the Twelfth National

Conference on Artificial Intelligence, Philadelphia, PA, Morgan Kaufmann,

S.408-413, 1994.

[Gru93] Gruber, T.: A translation approach to portable ontology specifications. In:

Knowledge Acquisition, 5. Jg. (1993), Nr. 2, S. 199-220.

[GRS03] Görz, G.; Rollinger, C.-R.; Schneeberger, J. (Hrsg.): Handbuch der

Künstlichen Intelligenz, Oldenbourg, München, 2003.

[Har94] Hars, A.: Referenzmodelle – Grundlagen effizienter Datenmodellierung,

Gabler, Wiesbaden, 1994.

[Häu03-ol] Häusler, K.G.: UiW – Unterricht im Web. Lexikon der Physikalischen Größen,

HMTC – Halbmikrotechnik Chemie GmbH, 2003, unter:

http://www.muenster.org/uiw/fach/physik/lexikon/allg/phygr.htm

[Gua98] Guarino, N.: Some Ontological Principals for designing Upper-Level Lexical

Resources. In: Proceedings of the First International Conference on Lexical

Resources and Evaluation. May 28-30, Granada, Spanien, 1998.

[GW99] Ganter, B.; Wille, R.: Formal Concept Analysis: Mathematical Foundations.

SpringerVerlag, München, 1999.

[GW00] Guarino, N.; Welty, C.: Identity, unity and individuality: Towards a formal

toolkit for ontological analysis. In: Proceedings of ECAI-2000: Workshop on

New Results in Planning, Scheduling, and Design. Amsterdam, Niederlande,

2000

[Hel96] Helbig, H.: Künstliche Intelligenz und automatisierte Wissensverarbeitung. 2.

Auflage,Verlag Technik GmbH, Berlin, 1996.

[Hel01] Helbig, H.: Die semantische Struktur natürlicher Sprache -

Wissensrepräsentation mit MultiNet. Springer, Heidelberg, 2001.

[Hen00 -ol] Hennauer, S.; Prolog – Programmieren mit Logik; unter http://www.stud.tu-

muenchen.de/~sven.hennauer/studium/prolog/prolog_ausarbeitung.pdf;

[HF97] Hamp, B.; Feldweg, H.: Germanet – a lexical-semantic net for German. In:

Proceedings of the ACL Workshop on Automatic Information Extraction and

[Her01] Herzog, C.: Zentralübung zu Einführung in die Informatik I, Technische

Universität München, Wintersemester 00/01.

Literaturverzeichnis 181

Building of Lexical Semantic Resources for NLP Applications, Madrid,

Spanien, 1997.

[HHB00] Huber, F.; Herrmann, A.; Beckmann, S.C.: Affective influences on information

processing style: A means-end analysis, ANZMAC 2000, Visionary Marketing

for the 21st Century: Facing the Challenge, Gold Coast, Australien, 28.11. –

01.12.2000.

[HO03] Hestermeyer, T.; Oberschelp, O.: Selbstoptimierende Fahrzeugregelung

Verhaltensbasierte Adaption. 1. Paderborner Workshop Intelligente

Mechatronische Systeme, Paderborn, 2003.

[HOG04] Hestermeyer, T; Oberschelp, O.; Giese, H.: Structured information processing

for self-optimizing mechatronic systems. In: Araujo, H.; Viera, A.; Braz, J.;

Encarnacao, B.; Cavalho, B. (Hrsg.): Proceedings of 1st International

Conference on Informatics in Control, Automation and Robotics (ICINCO

2004), Setubal, Portugal, IEEE Computer Science Press, 2004.

[Hwa99] Hwang, C.H.: Incompletely and imprecisely speaking: Using dynamic

ontologies for representing and retrieving information. Technical

Microelectronics and Computer Technology Corperation (MCC), 1999.

[Hyp00-ol] Hyperwave: Einführung in die künstliche Intelligenz, unter

http://www.iicm.edu/greif/node5.html

[HM00] Hendler, J.; McGuinness, D.L.: The DRAPA Agent Markup Language. IEEE

Intelligent Systems 16(6), 2000, S. 67-73.

[HMO04] Hestermeyer, T.; Münch, E.; Oberschelp, O: Sollbahnplanung für

schienengebundene Fahrzeuge. In: VDI-Tagung: Berechnung und Simulation

im Fahrzeugbau, Würzburg, 2004.

[Hol86] Hollier, R.H. (Hrsg.): Automated Guided Vehicles. Springer-Verlag,

Heidelberg, 1986.

[HSH03] ten Hagen, S.; van Someren, M.; Hollink, V.: Exploration/Exploitation in

Adaptive Recommender Systems. In: Proceedings of the European Symposium

on Intelligent Technologies, Hybrid Systems and their Implementations in

Smart Adaptive Systems, Finland, 2003.

[Hub00] Huber, H.-P.: Statistik und Datenauswertung – Lineare Regression,

Department Chemie der Universität Basel, 2000.

[IFC03-ol] Institut für Chemie: SI-Einheiten. Freie Universität Berlin, 2003. unter:

http://www.chemie.fu-berlin.de/chemistry/general/si.html.

[JM96] Jaanineh, G; Maijohann, M.: Fuzzy-Logic und Fuzzy-Control, Vogel

Fachbuch, München, 1996.

[Kah01] Kahane, L.H.: Regression basics, Thousand Oaks, Californien, USA, 2001.

[Kel03] Kelly, J.: Logik im Klartext, Pearson Studium, München, 2003.

[Kis03] Kistner, K.-P.: Optimierungsmethoden. Physica-Verlag, Heidelberg, 2003.

[Kle01] Klein, M.: Combining and relating ontologies: An analysis of problems and

solutions. In: Gomez-Perez, A.; Gruninger, M.; Stuckenschmidt, H.; Uschold,

M. (Hrsg.): Workshop on Ontologies and Information Sharing, IJCAI'01,

Seattle, USA 2001.

182 Literaturverzeichnis

[KLW95] Kifer, J.-U.; Lausen, G.; Wu, J.: Logical Foundations of Object-Oriented and

Frame Based Languages. Journal of the ACM, 42(4), 1995, S. 741-843.

[KMS+03] Kalinichenko, L; Missikoff, M; Schiapelli, F.; Skvortsov, N.: Ontological

Modeling. In: Proceedings of the 5th Russian conference on Digital Libraries,

RCDL2003, St.-Petersburg, Russland, 2003.

[Lee89] Lee, K.: Automatic speech recognition: The development of the Sphinx

system. Kluwer Academic Publisher, Boston, 1989.

[Leh98 -ol] Lehner, C.; Prolog und Linguistik; unter: http://www.uni-hildesheim.de/

[Kno00] Knott, G.D.: Interpolating Cubic Splines, Birkhäuser-Verlag, Berlin, 2000.

[Kol93] Kolodner. J.: Case-Based Reasoning. Morgan Kaufmann Publisher, San

Francisco, 1993.

[Kös00] Köster, A.: Modellbildung und Simulation unter Verwendung wissensbasierter

Klassen, Technischer Bericht Nr. 2000-04, Universität der Bundeswehr

München, Fakultät für Informatik, Dezember 2000.

[Kre03] Krengel, U.: Einführung in die Wahrscheinlichkeitstheorie und Satistik,

Vieweg-Verlag, Wiesbaden, 2003.

[KTT01] Koller, F.; Thies, P.; Traphoener, R.: INVITE – Interaktive Mensch Technik

Interaktion für die vernetzte Informationswelt der Zukunft. Workshop

„Domänenmodellierung und Ontologien“, INIGraphicsNet, Darmstadt, 2001.

[Kui78] Kuipers, B.: Modeling Spatial Knowledge, Cognitive Science (2), 1978, S.129-

153.

[Kur89] Kurbel, K.: Entwicklung und Einsatz von Expertensystemen – Eine

anwendungsorientierte Einführung in wissensbasierte Systeme. Springer-

Verlag, Berlin, 1989.

[KWZ98] Krahl, D.; Windheuser, U.; Zick, K.F.: Data Mining. Addison-Wesley, Bonn,

1998.

[LC01] Lämmel, U.; Cleve, J.: Lehr- und Übungsbuch Künstliche Intelligenz,

Fachbuchverlag Leipzig im Carl Hanser Verlag, München, Wien 2001.

~chlehn/p_ueb/probuch.pdf

[Lev03] Levitin, A.: The Design & Analysis of Algorithms. Addison Wesley, 2003

[LHL01] Lückel, J., Hestermeyer, T.; Liu-Henke, X.: Generalization of the Cascade

Principle in View of a Structured Form of Mechatronic Systems. IEEE/ASMA

International Conference on Advanced Intelligent Mechatronics (AIM 2001),

Villa Olmo; Como, Italien, 2001.

[LKS00] Lückel, J.; Koch, T.; Schmitz, J.: Mechatronik als integrative Basis für

innovative Produkte. VDI-Bericht 1533, Mechatronik – Mechanisch/

Elektrische Antriebstechnik, VDI-Verlag, Düsseldorf, 2000, S. 1-26.

[LS95] Lux, A; Steiner, D.: Understanding cooperation: an agent’s perspective. In:

Proceedings of the First International Conference on Multi-Agent Systems

(ICMAS-95), Menlo Park, Kalifornien, IAAA Press, S. 261-268, 1995.

[LS99] Lassila, O.; Swick, R.R.: Resource Description Framework (RDF), Model and

Syntax Specification. W3C Recommendation, Februar 1999.

[LZ89] Leiser, D; Zilberschatz, A: The Traveller – A Computational Model of Spatial

Network Learning. Environment and Behaviour 21(4), 1989, S. 435-463.

Literaturverzeichnis 183

[MAA+03] Mentzas, G.; Apostolou, D.; Abecker, A; Young, R.: Knowledge Asset

Management - Beyond the Process-centred and Product-centred Approaches,

Springer, Heidelberg, 2003.

[MBF+93] Miller, G.A.; Beckwith, B.; Fellbaum, C.; Gross, D.; Miller K.: Introduction to

WordNet: An on-line lexical Database, revised Paper 1993. International

Journal of Lexicography, Vol. 3 (1990), No. 4, S. 235-244.

[MCD99-ol] Mittelmann, A.; Csajtai, K.; Derntl, P.; Mayrhofer, D.; Pilsl, V.; Putz, P.;

Schwab, M.: Wissensmanagement: Grundlagen - Modelle - Instrumente.

Interner Arbeitsbericht der CC WPM Arbeitsgruppe Wissensmanage-

ment. Linz 1999, unter: http://www.artm-friends.at/am/publications/

[Mae03] Maedche, A.: Ontology Learning for the semantic web. Kluwer Academic

Publisher, Dordrecht. 2. Auflage 2003.

[Mai03] A. Maier: Integration with Ontologies, Conference Paper WM2003, Luzern,

April 2003.

[Mat97] Mates, B.: Elementare Logik: Prädikatenlogik der ersten Stufe. Vandenh. u. R.,

Göttingen, 1997.

[MBD+02] Madhaven, J.; Bernstein, P.A.; Domingos, P.; Halevy, A.Y.: Representing and

Reasoning about Mappings between Domain Models. In: Proceedings of the

AAAI Eighteenth National Conference on Artificial Intelligence, Edmonton,

Canada, 2002.

km_ab1999.pdf

[MD84] McDermott, D.; Davis E.: Planning routes through uncertain territory.

Artificial Intelligence, (22), 1984, S. 107-156.

[Mic00] Michalewicz, Z.: How to solve it – modern heuristics. Berlin, Springer-Verlag,

2000.

[MIK+96] Mena, E.; Illarramendi, A.; Kashyap, V.; Sheth A.P.: Observer: An approach

for query processing in global information systems based on interoperation

across pre-existing ontologies. In: Proceedings of the First IFCIS International

Conference on Cooperative Informations Systems, Brüssel, Belgien, 1996.

[Mil95] Miller, G.A.: WordNet: A lexical database for English. In: Communication of

the ACM, Vol. 38 (1995), No. 11, S. 39-41.

[Min75] Minsky, M.: A Framwork for Representing Knowledge. The Psychology of

Computer Vision, McGraw-Hill, Boston, 1975.

[Mit97] Mitchell, T.M.: Machine Learning, The McGraw-Hill, Boston, 1997.

[MRS82] McCalla, G.; Reid, L.; Schneider, P.: Plan Creation, Plan Execution and

knowledge acquisition in a dynamic microworld. International Journal of Man-

Machine Studies, (16), 1982, S. 89-112.

[MS01a] McGinty, L; Smyth, B.: Collaborative case-based reasoning: Applications in

personalised route planning. In: Proceedings of the Fourth International

Conference on Case-Based Reasoning, Berlin, 2001.

[MS01b] McGinty, L.; Smyth, B.: Collaborative CBR for Real-World Route Planning.

In: Proceedings of the International Conference on Artificial Intelligence (IC-

AI'01), Las Vegas, Nevada, 2001.

184 Literaturverzeichnis

[MS01c] McGinty, L.; Smyth, B.: Identifying the Best Routes Travelled by

Collaborative CBR, In: Proceedings of the Twelfth Irish Conference on

Artificial Intelligence and Cognitive Science (AICS-01), Maynooth, Ireland,

2001.

[Mur98] Murthy, K.S.: Automatic Construction of Decision Trees from Data – A Multi-

disciplinary survey. Data Mining and Knowledge Discovery, 2(4), 1998,

S.345-389

[NBP02] Neue Bahntechnik Paderborn. Eine Forschungsinitiative zur Steigerung der

Attraktivität des Systems Bahn. Informationsbroschüre des Bahntechnik-

Konsortiums, 2002.

[NBP03-ol] Neue Bahntechnik Paderborn, 2003, unter: http://www.neue-

bahntechnik.de/index.php

[NFM00] Noy, N.F.; Fergerson, R.W.; Musen, M.A.: The knowledge model of Protege-

2000: Combining interoperability and flexibility. 2nd International Conference

on Knowledge Engineering and Knowledge Management (EKAW'2000), Juan-

les-Pins, Frankreich, 2000.

[Nis97] Nissen, V.: Einführung in evolutionäre Algorithmen. Vieweg, Braunschweig,

1997.

[NM99] Noy, N.F.; Musen, M.A.: SMART: Automated support for ontology merging

and alignment, In: Proceedings of the 12th Workshop on Knowledge

Acquisition, Modeling and Management (KAW), Banff, Alberta, Canada,

1999.

[NM00] Noy, N.F.; Musen, M.A.: PROMPT: Algorithm and Tool for Automated

Ontology Merging and Alignment. In: Proceedings of the 17th National

Confrence on Artificial Intelligence, Austin, Texas, USA, 2000.

[ONe91] O´Neill, M.: A Biologically Based Model of spatial cognition and wayfinding.

Journal of environmental Psychology (11), 1991, S. 299-320.

[Ort02-ol] Ortmann, Matthias: Die Anwendung von Evolutionsstrategien zur adaptiven

echtzeitfähigen Trajektorienplanung von Manipulatorarmsystemen. Unter:

http://www-brs.ub.ruhr-unibochum.de/netahtml/HSS/Diss/OrtmannMatthias/

[NP02] Niles, I.; Pease, A. : IEEE Standard Upper Ontology (draft proposal). IEEE

Working Group P1600.1, Teknowledge Corp. 2002.

[NT97] Nonaka, I.; Takeuchi, H.: Die Organisation des Wissens. Campus Verlag,

Frankfurt am Main, 1997.

[OHK+02] Oberschelp, O.; Hestermeyer, T.; Kleinjohann, B.; Kleinjohann, L.: Design of

Self-Optimizing Agent-Based Controllers. CFP Workshop 2002 – Agent

Based Simulation 3. Universität Passau, 2002.

diss.pdf.

[Pag91] Page, B.: Diskrete Simulation. Eine Einführung mit Modula-2, Springer-

Verlag, Heidelberg, 1991.

[Pfl01] Pflüglmayer, M.: Informations- und Kommunikationstechnologien zur

Qualitätsverbesserung im Krankenhaus – Computerbasierte Terminologien als

semantische Basis für medizinische Informationssysteme. Dissertation, Institut

für Wirtschaftsinformatik, Universität Linz, 2001

Literaturverzeichnis 185

[PGM99] Pinto, S.; Gomez-Perez, H.; Martins, J.P.: Some issues on ontology integration.

In: Proceedings of IJCAI-99 Workshop on Ontologies and Problem-Solving

Methods: Lessons learned and Future Trends, Stockholm, Schweden, 1999.

[PHG+01] Preece, A.; Hui, K.; Gray, A.; Marti, P.; Bench-Capon, T.; Cui, Z.; Jones, D.:

Kraft: an agent architecture for knowledge fusion. International Journal of

cooperative information systems, 10(1/2), 2001, S. 171-196.

[PLL96] Prasad, M.V.; Lesser, V.; Lander, S.: Retrieval and reasoning in distributed

case bases. Journal of Visual Communication and Image Representation,

Special Issue on Digital Libraries, 7(1), 1996, S. 74-87.

[Pom89] Pomerleau, D.A.: ALVINN: An autonomous land vehicle in a neuronal

network. Technical report CMU-CS89-107. Pittsburgh, PA: Carnegie Mellon

University. 1989.

[PP96] Prasad, M.V.; Plaza, E.: Corporate Memories as Distributed Case Libraries. In:

Proceedings of the Corporate Memory and Enterprise Modelling Track in the

Tenth Knowledge Acquisition Workshop. Ban, Kanada, 1996.

[PRR03] Probst, G.J.B., Raub, S.; Romhardt, K.: Wissen managen, Gabler-Verlag,

2003.

[Pro03-ol] Profactor: Nutzen und Grenzen von Simulation, 2003, unter:

http://www.profactor.at/SimWeb/NutzenGrenzen/NutzenGrenzen1.htm

[PSS03] Puppe, F.; Stoyan, H.; Studer, R.: Knowledge Engineering, In: Görz, G.;

Rollinger, C.R.; Schneeberger, J. (Hrsg.): Handbuch der künstlichen

Intelligenz, Oldenbourg, München, 2003.

[Pup91] Puppe, F.: Einführung in Expertensysteme. Springer-Verlag, Berlin, 1991.

[QD99] Quigley, E.J.; Debons, A.: Interrogative Theory of Information and

Knowledge. In: Proceedings of SIGCPR’99, ACM Press, New Orleans, L.A.,

1999, S. 4-10.

[Rau01] M. Raubal: Agent-based Simulation of Human Wayfinding: A Perceptual

Model for Unfamiliar Buildings. Ph.D. Thesis, Vienna University of

Technology, Wien. 2001

[Reu04] Reusch, B.: Darstellung, Verarbeitung und Erwerb von Wissen.

Vorlesungsunterlagen zum WS 2003/2004 der Universität Dortmund.

[Ric95] Richter, D.: Ergebnisse methodischer Untersuchungen zur Korrektur des

systematischen Messfehlers des Hellmann-Niederschlagsmessers. Berichte des

Deutschen Wetterdienstes Nr. 194, Offenbach am Main, 1995.

[Ric03] Richter, M.M.: Fallbasiertes Schließen. In: Görz, C.; Rollinger, C.R.;

Schneeberger, J. (Hrsg.): Handbuch der Künstlichen Intelligenz, Oldenbourg

Verlag, München, 2003.

[Ril02] Rill, G.: Skript: Fahrzeugdynamik. 2002.

[RN03] Russell, S.; Norvig, P.: Artificial Intelligence. A modern Approach. Prentice

Hall, New Jersey, 2003.

[RS89] Riesbeck, C.K.; Schank, R.C.: Inside Case-Based Reasoning. Lawrence

Erlbaum Associates, 1989.

[RWT01 -ol] RWTH Aachen 2001, unter: http://www-i2.informatik.rwthaachen.de/lufgi2/

programmierung/vorlesungsfolien.html

186 Literaturverzeichnis

[Sac04] Sachs, L.: Angewandte Statistik, Springer-Verlag, Berlin, 2004.

[SB98] Sutton, R. S.; Barto, A. G.: Reinforcement Learning: An Introduction, MIT

Press, Cambridge, MA, 1998.

[SC96] Smyth, B.; Cunningham, P.: The Utility Problem Analysed: A Case-Based

Reasoning Perspective. In: Smith, I.; Falting, B. (Hrsg.): Proceedings of the

American Associations of Artificial Intelligence Symposium on Agents with

Adjustable Autonomy, 1996, S. 392-399.

[Sch99] Schekelmann, A.: Materialflusssteuerung auf Basis des Wissens mehrerer

Experten, Dissertation, Universität Paderborn, 1999. HNI-Verlagsschriften-

reihe, Band 47.

[Sch00-ol] Schneider, B.: KI in der betrieblichen Anwendung. Vorlesungsunterlagen

Universität Münster, Lehrstuhl für Wirtschaftsinformatik und

Interorganisationssysteme, 2000, unter: http://www.wi.uni-muenster.de/wi/

studieren/wbs/ws01-02/index.cfm

[Sch01 -ol] Schmitt, D.: Zur Entstehung der Programmiersprache Prolog; unter http://

www.dietmar-schmitt.de/essays/SGI/Prolog/inhalt.html

[Sch03] Schimming, R.: Grundlagen der Analysis: Logik, Mengenlehre, Arithmetik;

Institut für Mathematik und Informatik Uni Greifswald; Vorlesungsunterlagen

SS2003.

[Sch03a-ol] Schiele, B.: Maschinen Lernen II. Vorlesungsunterlagen der ETH Zürich,

2003, unter: http://www.vision.ethz.ch/ml/slides/2003-05-22.pdf .

[Sch03b-ol] Schmidt, B.: Künstliche Intelligenz. Sommercamp 2003, unter:

http://www.or.uni-passau.de/schwarzes_brett/sc2003/KI/ .

[Sch04] Schmaltz, R.: Semantic Web Technologien für das Wissensmanagement,

Arbeitsbereicht Nr. 1/2004 Georg-August-Universität Göttingen, Institut für

Wirtschaftsinformatik, 2004.

[Sch04-o1] Scheiffert, N.: Spline in Theorie und Praxis, 01.12.2004, unter:

http://www.mathematik.de/spudema/spudema_beitraege/beitraege/scheiffert/

[SFB04] Sonderforschungsbereich 614, Selbstoptimierende Systeme des

Maschinenbaus, Antrag auf Finanzierung der 2. Förderperiode, Universität

Paderborn, 2004.

[SHF96] Schöneburg, E.; Heinzmann, F.; Feddersen, S.: Genetische Algorithmen und

Evolutionsstrategien. Addison-Wesley, Bonn, 1996

[Sho81] Shortliffe, E.H.: Consultation Systems for Physicians: The Role of Artificial

Intelligence Techniques. In: Webber, B.L.; Nilsson, N.J. (Hrsg.): Readings in

Artificial Intelligence. Tioga Publishing Company, Palo Alto, California, 1981,

S. 323-333.

[Sie92] Siefkes, D.: Formalisieren und Beweisen, 2. Auflage, Vieweg, Braunschweig

Wiesbaden, 1992

[SL95] Sandholm, T.; Lesser, V.: Issues in automated negotiation and electronic

commerce: Extending the contract net framework, In: Proceedings of the First

International Conference on Multi-Agent Systems (ICMAS-95), Menlo Park,

Kalifornien, AAAI Press, 1995 S. 328-335.

Literaturverzeichnis 187

[SM01] Stumme, G.; Maedche, A.: FCA-MERGE: Bottom-up Merging of Ontologies.

In: Proceedings of the 17th International Joint Conference on Artificial

Intelligence (IJCAI), Seattle, Washington, USA, 2001, S. 225-230.

[Smi80] Smith, R.G.: The contract net protocol: High-level communication and control

in a distributed problem solver. IEEE Transactions on Computers, C-29(12),

S.1104-1113, 1980.

[Sow97] Sowa, J.F.: Electronic communication in the onto-std mailing list, 4th of

December, 1997.

[SS97] van der Spek, B.R.; Spijkervet, A.L.: Knowledge Management: Dealing

intelligently with knowledge, CIBIT, 1997.

[SS02] Studer, R., Stojanovic, N.: Wissensmanagement. Vorlesungsunterlagen zum

SS 2002. unter: http://www.aifb.uni-karlsruhe.de/Lehrangebot/Sommer2002/

[SM02] Mirtl, M.; Schentz, H.: Strukturen und Funktionen zur Abbildung

interdisziplinärer Langzeitprojekte im Bereich von Ökosystem-Monitoring und

-Forschung: Der Weg zum Hauptmenü von MORIS. In: Pillmann,W.;

Tochtermann, K. (Hrsg.): Environmental Communication in the Information

Society. International Society for Environmental Protection, Vienna, 2002, S.

106-117.

Wissensmanagement/script.html#skript

[SS03a] Scheideler, P.; Schmidt, A.: Entwicklung einer Modellwelt für ein dezentrales,

intelligentes, mechatronisches System. In: Gausmeier, J; Lückel, J.;

Wallascheck, J. (Hrsg.): Intelligente mechatronische Systeme, 1. Paderborner

Workshop Intelligente Mechatronische Systeme, 20.-21. März 2003

Paderborn, HNI-Verlagsschriftenreihe, Band 122, Paderborn, 2003.

[SS03b] Schmidt, T.; Schlender, D.: Untersuchung zum saisonalen Reifenwechsel unter

Berücksichtigung technischer und klimatischer Aspekte. Projektbericht,

Bergische Universität Wuppertal, Sicherheitstechnik (Fachgebiet

Verkehrssicherheitstechnik), 2003.

[Ste02] Steyer, R.: Wahrscheinlichkeit und Regression, Springer, Berlin, 2002.

[Ste04-ol] Stenzel, B.: Optimierungsverfahren zur dynamischen Routenführung in

Verkehrs- und Transportnetzen; Technische Universität Berlin; 2004; unter:

http://soft-pc3.zib.de/create_website?button=view&dc.identifier=03MONJB1

[SSK+04] Schmidt, A.; Scheideler, P.; Koch, M.; Kleinjohann, B.; Gambuzza, A.;

Münch, E.; Oberschelp, O.; Hestermeyer, T.: Neuro-Fuzzy Approaches for

Self-Optimizing Concepts and Structures of Mechatronic Systems. In:

Proceedings of International Conference on Computing, Communications and

Control Technologies (CCCT 2004). August 14.-17., 2004, Austin, Texas,

USA.

&fkz=03MONJB1&pagetype=homepage&

[Ste03-ol] Stein, B.: Softwaretechnik für wissensintensive Aufgaben, Vorlesungsscript

Sommersemester 2003, unter: http://wwwcs.upb.de/cs/ag-klbue/de/courses/

ss04/confdiag04/

188 Literaturverzeichnis

[Sto95] Stolz, W.: Starthilfe Physik: Ein Leitfaden für Studienanfänger der

Naturwissenschaften, des Ingenieurwesens und der Medizin. Teubner-Verlag,

Stuttgart, 1995.

[Sto00] Stone, P.: Layered Learning in Multiagent Systems. MIT-Press, Cambridge,

2000.

[Stu03] Stuckenschmidt, H.: Ontology-Based Information Sharing in weakly structured

environments. Dissertation, Universität Amsterdam. 2003.

[SU00] Szczerbicka, H.; Uthmann, T.: Modellierung, Simulation und Künstliche

Intelligenz, Frontiers in Simulation, SCS European Publishing House, 2000.

[Suh02] Suhl, L.: Grundlagen von Optimierungssystemen. Vorlesungsscript der

Universität Paderborn, Fakultät Wirtschaftswissenschaften, 2002.

[SW69] Shannon, C.E.; Weaver, W.: The Mathematical Theory of Communication,

Chapman and Hall, 4.Auflage, September 1969, S. 20-21,

[Tam01-ol] Tamma, V.A.M.: An Ontology Model supporting multiple Ontologies for

Knowledge Sharing. Dissertation, The University of Liverpool, 2001, unter:

http://www.csc.liv.ac.uk/~valli/Publ.html

[Tuw05-ol] Technische Universität Wien: B-Spline Kurven, 02.01.2005, unter:

http://www.ads.tuwien.ac.at/docs/lva/mmgdv/k1___014.htm

[TW02] Tuschik, H.P.; Wolter, H.: Mathematische Logik, kurzgefasst. Spektrum

Akademischer Verlag, Heidelberg, 2002.

[UG96] Uschold, M.; Grunninger, M: Ontologies: Principals, methods and

applications. Knowledge Sharing and Review, 11(2)2, 1996, S. 93-155.

[Ung02] Unger, H.: Modellierung des Verhaltens autonomer Verkehrsteilnehmer in

einer variablen städtischen Umgebung. Dissertation der Technischen

Universität Berlin, 2002.

[Uni04 -ol] Universität Zürich, Institut für Computerlinguistik; unter: http://www.ifi.

unizh.ch/cl/Glossar/Hornklausel.html

[Unt01-ol] Unterstein, K.: Ontologiebasierte Wissensextraktion, Vorlesung

Wintersemester 01/02, Universität Dortmund 2001. unter: http://www-

ai.cs.uni-dortmund.de/LEHRE/PG/PG402/seminar/OWE_2001.pdf

[VDI02] VDI Ausschuss A 127, VDI Richtlinie 2206: Entwicklungsmethodik für

mechatronische Systeme, Stand: 06. August. 2002.

[Vis03-ol] Visek-Projekt: Virtuelles Software Engineering Kompetenzzentrum. 2003.

unter: http://www.visek.de/?2409

[VJB+97] Visser, P.R.S.; Jones, D.M.; Bench-Capon, T.J.M.; Shave, M.J.R.: An Analysis

of Ontology Mismatches: Heterogenity versus Interoperability. AAA/ Spring

Symposium on Ontological Engineering, California, 1997.

[Vog04-o1] Vogt, T.: Approximation – Interpolation. Aktualisierungsdatum: 15.12.2004,

http://www.hausarbeiten.de/faecher/hausarbeit/ma5/23491.html

[VT99] Visser, P.R.S.; Tamma, V.A.M.: An experience with ontology clustering for

information integration. In: Proceedings of the IJCAI-99 Workshop on

Intelligent Information Integration, Stockholm, Schweden, 1999.

[WDA99] Wolf, T.; Decker, S.; Abdecker, A.: Unterstützung des Wissensmanagements

durch Informations- und Kommunikationstechnologie. 4. Internationale

Literaturverzeichnis 189

Tagung Wirtschaftsinformatik 1999. Electronic Business Engineering.

Saarbrücken, 03. - 05. März 1999..

[WE00] Witten, I. H.; Eibe, F.: Data Mining. Hanser Fachbuch, 2000

[Web94] Weber, G.: Fallbasiertes Lernen und Analogien. Beltz Verlags-Union,

Weinheim, 1994.

[Wen05-ol] Wendland, M: Prinzipien der Analyse und Gestaltung von Mensch-Maschine-

Systemen 2005, unter: http://www.mirko-wendland.de/skripte/aundo/

aundo08.html

[Wes96] Weß, C.: Fallbasiertes Problemlösen in wissensbasierten Systemen zur

Entscheidungsunterstützung und Diagnostik. INFIX-Verlag, Sankt-Augustin,

1996.

[Wie04-ol] Wiedemann, U.: Philosophenlexikon.de; unter: http://www.philosophen-

lexikon.de/frege.htm

[Wii93] Wiig, K.M.: Knowledge Management Foundations: Thinking about thinking –

How people and organizations create, represent and use knowledge, Vol. 1,

Schema Press, Arlington, Texas, 1993.

[Wik04 -ol] Wikipedia; unter http://de.wikipedia.org/wiki/Hauptseite

[Win03-ol] Windischbauer, G.: Physikalische Basisgrößen und abgeleitete Größen. Institut

für Medizinische Physik und Biostatistik. Veterinärmedizinische Universität

Wien, 2003. unter: http://i115srv.vu-wien.ac.at/physik/ws95/w9521dir/

w9521110.htm.

[WMJ03] Wrobel, S.; Morik, K; Joachims, T.: Maschinelles Lernen und Data Mining. In:

Görz, G.; Rollinger, C.-R.; Schneeberger, J. (Hrsg.): Handbuch der

Künstlichen Intelligenz, Oldenbourg, München, 2003

[Woo02] Wooldridge, M.: An Introduction to Multi-Agentsystems. John Wiley & Sons

LTD, West Sussex, England, 2002.

[WVV+01] Wache, H.; Vögele, T.; Visser, U.; Stuckenschmidt, H.; Schuster, G.;

Neumann, H.; Hübner, S.: Ontology-based integration of information - a

survey of existing approaches. In: Stuckenschmidt, H. (Hrsg.): IJCAI-01

Workshop: Ontologies and Information Sharing, Seattle, WA, 2001, S. 106-

117.

[Yan02] Yang, S.Y.: Personal Computer-Do It Yourself, Department of Electronic

Engineering, National Taiwan University of Science and Technology, 2002

[YKN+03] Yeh, I.; Karp, P.D.; Noy, N.F.; Altman, R.B.: Knowledge Acquisition,

Consistency Checking and Concurrency Control in Gene Ontology,

Bioinformatics 19, 2003, S. 241-248.

[Zel02] Zelewski, S.: Wissensmanagement mit Ontologien – eine einführende

Darstellung. Arbeitsbericht Nr. 15, Institut für Produktion und Industrielles

Informationsmanagement, Uni Essen, Essen 2002.

190 Literaturverzeichnis

Anhang 191

Anhang

A Die Basisontologie

A.1 Klassenstruktur

Die unterschiedliche Anordnung in der Spalte Klassen symbolisiert die Klassenhierarchie.

Slots, die in einer höheren Klassenhierarchie definiert wurden, werden aufgrund ihrer

Vererbung in den unteren Klassen nicht mehr genannt.

Oberklasse Slots

Entität der Basisontologie Dokumentation, Bezeichnung

Klassen Slots

1 Körperliche Entität Hat_Merkmale, Hat-Ort, Hat_Zustand,

Hat_Verhalten

2 System Hat_Richtung, Hat_Ziel, Teil_von, Besteht_aus,

DirektHinter, DirektVor, LinksVon, RechtsVon,

Unter, Vor, Hinter, Auf, Verbunden_mit,

Ähnlich_zu, Identisch_zu

3 Technisches System

4 Technisches Fahrzeugsystem

5 Bauteil

6 Dämpfer Dämpfungskonstante

6 Rad

6 Feder Federkonstante

6 Sensor

6 Regler

5 Mechatronisches Funktionsmodul

6 Antriebs- und Bremsmodul

6 Feder- und Neigemodul

6 Fahrwerk

6 Aufbau

6 Spurführungsmodul

5 Autonomes Mechatronisches

System

Transportgut, Fährt_auf

6 Schienenfahrzeug

6 Straßenfahrzeug

6 Wasserfahrzeug

6 Luftfahrzeug

5 Vernetztes Mechatronisches

System

6 Konvoi

4 Technisches Streckensystem

5 Fahrbahnsystem Anfangspunkt, Endpunkt

6 Streckenabschnitt

6 Schiene

6 Verbindung Startbahnhof, Zielbahnhof

5 Knotenpunktsystem

6 Bahnhof Gleise

6 Weiche

6 Depot Depotplätze

5 Streckenelementsystem

6 Schranke

6 Ampel

3 Organisches System

192 Anhang

4 Mensch Auftrag, Alter

5 Privater Benutzer

6 Fahrgast

5 Geschäftlicher Benutzer

6 Unternehmer

4 Pflanze

4 Tier

2 Material

3 Metalle

4 Eisen

4 Aluminium

4 Kupfer

4 Blei

4 Chrom

3 Nicht-Metalle

4 Glas

4 Porzellan

4 Graphit

4 Keramik

3 (nicht-biologische) Naturstoffe

4 Holz

4 Kohle

4 Gummi

4 Sand

4 Kies

1 Abstrakte Entität

2 Einheit Abkürzung, Referenzeinheit, Beziehung

3 Physikalische Einheit

4 SI-Einheit

5 Physikalische Basiseinheit

6 Meter

6 Sekunde

6 Kilogramm

6 Ampere

6 Kelvin

6 Candela

6 Mol

5 Physikalische Funktionseinheit

6 Hertz

6 Newton

6 Pascal

6 Joule

6 Watt

6 Coulomb

6 Volt

6 Ohm

6 Farad

6 Tesla

6 Henry

6 Gray

6 Bequerel

5 Zusätzliche SI-Einheit

6 Quadratmeter

6 Kubikmeter

6 Grad

6 Kilometer/Stunde

6 Newtonmeter

6 Prozent

3 Erweiterte Physikalische Einheit

Anhang 193

4 Längeneinheit

5 Inch

5 Fuß

5 Meile

5 Zoll

5 Yard

5 Millimeter

5 Seemeile

5 Zentimeter

5 Kilometer

4 Masseeinheit

5 Tonne

5 Gramm

5 Milligramm

5 Pfund

4 Stromstärkeneinheit

5 Kiloampere

5 Milliampere

4 Temperatureinheit

5 Celsius

5 Fahrenheit

4 Zeiteinheit

5 Minute

5 Stunde

5 Tag

5 Woche

5 Jahr

4 Lichtstärkeneinheit

5 Kilo-Candela

4 Stoffmengeneinheit

5 Kilo-Mol

3 Monetäre Einheit

4 Euro

4 US-Dollar

4 Pfund

2 Größe Wert, Formelzeichen, Formel, Parameter,

Einheit, Gleich, Größer, GrößerGleich, Kleiner,

KleinerGleich

3 Monetäre Größe

4 Einnahme

4 Ausgabe

5 Streckengebühr

5 Fahrtpreis

5 Transferzahlungen

3 Logistische Größe

4 Logistische Fahrzeuggröße

5 Pünktlichkeit

5 Ruhezeit

5 Fahrtzeit

5 Lieferservice

4 Logistische Verbindungsgröße

5 Auslastung

5 Kapazität

5 Durchsatz

3 Physikalische Größe

4 Physikalische Basisgröße

5 Länge

5 Masse

5 Zeit

194 Anhang

5 Stromstärlke

5 Temperatur

5 Stoffmenge

5 Lichstärke

4 Physikalische Funktionsgröße

5 Mechanische Größe

6 Drehimpuls

6 Dichte

6 Fläche

6 Durchmesser

6 Impuls

6 Viskosität

6 Trägheitsmoment

6 Bruchfestigkeit

6 Winkel

6 Tiefe

6 Steigung

6 Krümmung

6 Breite

5 Elektrische Größe

6 Leitwert

6 Stromdichte

6 Feldstärke

5 Magnetische Größe

6 Fluss

6 Induktion

6 Feldstärke

5 Thermodynamische Größe

6 Wärmemenge

6 Wärmekapazität

5 Optische Größe

6 Lichstärke

6 Lichstrom

6 Leuchtdichte

5 Atomare Größe

6 Grad

6 Aktivität

5 Chemische Größe

6 Molare Masse

6 Stoffmenge

1 Örtliche Entität

2 Raum

3 Ort

4 Stadt

4 Nation

4 Provinz

4 Kontinent

4 Insel

3 Stellung

4 vertikal

4 horizontal

3 Graph

4 x-Wert

4 y-Wert

4 z-Wert

2 Richtung

3 Bewegungsrichtung

4 links

4 rechts

Anhang 195

4 vor

4 zurück

3 Himmelsrichtung

4 Nord

4 Süd

4 West

4 Ost

1 Situative Entität

2 Zustand Hat_Merkmal

3 Visueller Zustand

4 porös

4 matt

4 gebraucht

4 beschädigt

4 neu

3 Physikalischer Zustand

3 Schaltzustand

4 Ein

4 Aus

3 Aggregatzustand

4 gasförmig

4 flüssig

4 fest

2 Aktivität Startzeitpunkt, Endzeitpunkt, Intensität,

Methode, Wird_ausgeführt_durch, Kosten,

Vor_, Nach_, Direkt_Vor, Direkt_Nach,

Startet_zusammen_mit, Endet_

zusammen_mit, Überlappt_mit,

Läuft_Innerhalb, Gleich

3 Kognitives Aktivität

4 Planen

4 Selektieren

4 Suchen

4 Explorieren

4 Lernen

4 Vergleichen

4 Klassifizieren

4 Voraussagen

3 Soziales Aktivität

4 Führen

4 Kommunizieren

4 Kooperieren

4 Bekämpfen

4 Vortäuschen

4 Ablehnen

4 Annehmen

4 Kaufen

4 Kontrollieren

3 Motorisches Aktivität

4 Bremsen

4 Trennen

4 Verbinden

4 Transportieren

4 Beschleunigen

4 Neigen

4 Reparieren

2 Verhalten Bezeichnung, Einfluss, Wirkungsmöglichkeit,

Energieabgabe, Ausgangszustand,

Endzustand, Wird_ausgeführt_durch,

196 Anhang

Startzeitpunkt, Endzeitpunkt, Dauer, Kosten,

Aktion

3 Kognitive Verhaltensweisen

4 Suchverhalten

4 Explorationsverhalten

4 Lernverhalten

3 Soziale Verhaltensweisen

4 Kommunikationsverhalten

4 Kooperationsverhalten

3 Motorische Verhaltensweisen

4 Bremsverhalten

4 Beschleunigungsverhalten

4 Fahrverhalten

3 Physikalisches Verhalten

4 Spannungsverhalten

4 Dehnungsverhalten

4 Korrosionsverhalten

Tabelle 23: Definition der Klassen

A.2 Die Slots

Name Typ Kardinalität Ausprägung (Klasse = )

Abkürzung String Single

Ähnlich_zu Instanz Multiple Körperliche Entität

Aktivität Instanz Aktivität Multiple

Alter Instanz Single Zeiteinheit

Anfangspunkt Instanz Single Fahrbahnsystem

Auf Instanz Single System

Auftrag Instanz Multiple Verbindung

Besteht_aus Instanz Multiple Material

Bezeichnung String Single

Beziehung Float Single

Dämpfungskonstante Float Single

Dauer Instanz Zeiteinheit Single

Depotplätze Integer Single

Direkt_Nach Instanz Single Aktivität

Direkt_Vor Instanz Single Aktivität

DirektHinter Instanz Single System

DirektVor Instanz Single System

Dokumentation String Single

Einfluss Instanz Multiple System

Einheit String Single Einheit

Endet_zusammen_mit Instanz Multiple Aktivität

Endpunkt Instanz Single Fahrbahnsystem

Endzeitpunkt Instanz Single Zeiteinheit

Energieabgabe Instanz Single Physikalische Größe

Fährt_auf Instanz Single Schiene

Federkonstante Float Single

Formel Float (Prozedur) Single

Formelzeichen String Single

Gebühr Single Instanz Monetäre Einheit

Gleich Instanz Multiple Größe

Gleise Integer Single

Größer Instanz Multiple Größe

GrößerGleich Instanz Multiple Größe

Hat_Merkmale Instanz Multiple Abstrakte Entität

Hat-Ort Instanz Multiple Örtliche Entität

Anhang 197

Hat_Richtung Instanz Single Richtung

Hat_Verhalten Verhalten Instanz Multiple

Hat_Ziel Multiple Instanz Entität

Hat_Zustand Instanz Multiple Zustand

Hinter Multiple Instanz System

Identisch_zu Instanz Multiple Körperliche Entität

Intensität Instanz Multiple Physikalische Größe

Kleiner Instanz Multiple Größe

KleinerGleich Instanz Multiple Größe

Kosten Instanz Single Monetäre Einheit

Läuft_innerhalb Instanz Multiple Aktivität

LinksVon Instanz Multiple System

Nach_ Instanz Aktivität Multiple

Methode Instanz Multiple

Parameter Instanz Multiple Größe

RechtsVon Instanz Multiple System

Referenzeinheit Klasse Single Einheit

Richtung Instanz Single Attribut

Startet_zusammen_mit Instanz Multiple Aktivität

Startbahnhof Instanz Single Bahnhof

Startzeitpunkt Instanz Single Zeiteinheit

Teil_von Instanz Multiple System

Transportgut Multiple Instanz System

Überlappt_mit Instanz Multiple Aktivität

Ursprung Instanz Single System

Uhrzeit Single Instanz Zeiteinheit

Unter Instanz Multiple System

Verbunden_mit Instanz System Multiple

Vor Instanz Multiple System

Vor_ Instanz Aktivität Multiple

Wert Float Single

Wird_ausgeführt_durch Instanz Single System

Wirkt_auf Multiple Instanz Abstrakte Entität

Wirkungsmöglichkeiten Instanz System Multiple

Zielbahnhof Single Instanz Bahnhof

Tabelle 24: Definition der Slots

B Der SCOUT-Algorithmus

B.1 Die Variablen

Variable Beschreibung

akHead einer Regel der Ontologie A.

aufnahmeArt Variable dient zur Differenzierung der Art der Aufnahme („AND“ oder

„OR“). Sie beinhaltet somit die Information darüber, ob die Übersetzung

(falls vorhanden) eindeutig ist, also eine „AND“-Übersetzung, oder bzgl.

der Variablenausprägungen eine „ODER“-Übersetzung darstellt. Die

Ausgangsbelegung ist für jede Regel von Ontologie C „AND“.

ausgabe Zusammenführung der Heads aus ausgabeAND und ausgabeOR unter

Beachtung der entsprechenden Verknüpfung (

∧

oder ). ∨

ausgabeANDdSammlung aller Heads, deren Regeln als eindeutig matchbar klassifiziert

wurden. Sie kommen mit einem

∧

-Junktor in die ausgabe.

ausgabeOReSammlung aller Heads deren Regeln, bedingt durch die Wertebereiche,

nicht als eindeutig matchbar klassifiziert wurden. Sie kommen, sofern

diese Zuordnung in dem Teilalgorithmus VALIDIERUNG bestätigt wurde,

mit einem -Junktor in die ausgabe. ∨

198 Anhang

ausprägung Variable, welche die Wertangabe des zu detaillierenden Literals enthält

ausrGG Variable zur Ermittlung der aufnahmeArt. Bildet die Differenz zwischen

dem “Tendenz-Größer A“ (tgA) und “Tendenz-Größer C“ (tgC).

ausrGK Variable dient zur Ermittlung von Überschneidungen in den

Wertebereichen. Bildet die Differenz zwischen dem “Tendenz-Größer A“

(tgA) und “Tendenz-Kleiner C“ (tkC).

ausrKG Variable dient zur Ermittlung von Überschneidungen in den

Wertebereichen. Bildet die Differenz zwischen dem “Tendenz-Kleiner A“

(tkA) und “Tendenz-Größer C“ (tgC).

ausrKK Variable zur Ermittlung der aufnahmeArt. Bildet die Differenz zwischen

dem “Tendenz-Kleiner A“ (tkA) und “Tendenz-Kleiner C“ (tkC).

ciHead einer Regel von der Ontologie c.

basisOnttypid Klasse des betrachteten Literals.

basisOntA Variable beinhaltet bei einer Funktion die Basisontologie des ersten

inneren Slots.

basisOntB Variable beinhaltet bei einer Funktion die Basisontologie des zweiten

inneren Slots.

BodyGrößepVariable zur Speicherung der Anzahl der übereinstimmenden Slots einer

als matchbar klassifizierten Regel von Ontologie C. Damit kann nach

Durchlauf aller Regeln von Ontologie C auf eine potentielle 1-1-

Übersetzung geschlossen werden.

bodyIdentität

Booleanvariable enthält die Information über den erfolgreichen Slot-

Vergleich. Die Ausgangsbelegung für jede Regel von Ontologie C ist

„TRUE“. Nur wenn ein Slot aus einer Regel von Ontologie C nicht in der

betrachteten Regel von Ontologie A enthalten ist, wird der Wert auf

„FALSE“ gesetzt.

d Index zur eindeutigen Identifikation eines Heads in ausgabeAND, bzw.

der zugehörigen Slots in prädikatmengeAND.

depot Zusammenfassung aller Slots einer Regel von Ontologie C welche zu

einem Slot von Ontologie A äquivalent sind – auch bzgl. sich

überschneidender Wertebereiche. Die Regel von Ontologie C wird nur

dann als matchbar empfunden, wenn die gemeinsamen Slots zumindest

Überschneidungen in den Wertebereichen besitzen und wenn bei

Vorhandensein von mehr Slots in der Regel von Ontologie C mindestens

auch alle Slots der Regel von Ontologie A existieren.

detaillierungsliteral Zusammenfassung aller logisch - zusammengehörigen Literale einer

Regel, so z.B. “Regen(Wetter,R), R>10, R<15“.

diffGG Variable dient zur Ermittlung der aufnahmeArt. Es wird somit geprüft, ob

das Intervall von Ontologie A das von Ontologie C umfasst. Bildet die

Differenz zwischen dem “Wert-Größer A“ (wgA) und “Wert-Größer C“

(wgC).

diffGK Variable dient zur Ermittlung von Überschneidungen zwischen den

Wertebereichen. Bildet die Differenz zwischen dem “Wert-Größer A“

(wgA) und “Wert-Kleiner C“ (wkC).

diffKG Variable dient zur Ermittlung von Überschneidungen zwischen den

Wertebereichen. Bildet die Differenz zwischen dem “Wert-Kleiner A“

(wkA) und “Wert-Gößer C“ (wgC).

diffKK Variable dient zur Ermittlung der aufnahmeArt. Es wird somit geprüft, ob

das Intervall von Ontologie A das von Ontologie B umfasst. Bildet die

Differenz zwischen “Wert-Kleiner A“ (wkA) und “Wert-Kleiner C“ (wkC).

e Index zur eindeutigen Identifikation eines Heads in ausgabeOR, bzw. der

zugehörigen Slots in prädikatmengeOR.

literal Literal, welches zur Extraktion der Werte an die DETAILLIERUNG

übergeben wird.

HeadCollectionpZusammenfassung aller Heads der als matchbar klassifizierten Regeln.

Im Falle einer existierenden 1-1-Übersetzung werden die übrigen Heads

aus der ausgabeAND und ausgabeOR entfernt.

i Index zur eindeutigen Identifikation der Regeln von Ontologie C.

id Variable weist allen zusammengehörigen Informationen einer Regel eine

gemeinsame Nummerierung zu.

j Index zur eindeutigen Identifikation einers Literals innerhalb einer Regel

Anhang 199

von Ontologie C

k Index zur eindeutigen Identifikation der Regeln von Ontologie A.

l Index zur eindeutigen Identifikation eines Literals innerhalb einer Regel

von Ontologie A.

ljInkrement Anzahl, um welche l bzw. j weitergesetzt werden müssen, damit bei der

nächsten Iteration ein noch nicht analysiertes Literals zur Verfügung

steht.

mk,l Literal einer Regel

MAMenge der gesamten ak´s mit dazugehörigen mk,l´s

MCMenge der gesamten ci´s mit dazugehörigen mi,j´s

MTIn dieser Menge werden die gesamten erfolgreichen Übersetzungen

zusammengefasst und am Ende des Algorithmus als Ausgabe

zurückgegeben.

operator Extraktion des im literal befindlichen Vergleichsoperators (<, >, <=, >=, =)

p Index zur Identifikation der prädikatAnzB in der bodyGröße, des Heads

im headCollection und der zu der Regel von Ontologie C gehörigen Slots

in prädikatCollection.

prädikattypid Slot des betrachteten Literals

prädikatA Variable beinhaltet bei einem Literal, welches aus einer Funktion besteht,

den ersten inneren Slot.

prädikatB Variable beinhaltet bei einem Literal, welches aus einer Funktion besteht,

den zweiten inneren Slot.

prädikatAlternativeA Variable stellt bei einer Funktion, eine Verknüpfung der relevanten

Informationen (äußerer Slot, erster innere Slot, Klasse vom ersten

inneren Slot, zweiter innerer Slot, Klasse vom zweiten inneren Slot) dar.

Eine Unterscheidung ist notwendig, da aufgrund unterschiedlicher Werte

auch die innere Repräsentation mit berücksichtigt werden muss.

prädikatAlternativeB Variable stellt bei einer Funktion, eine Verknüpfung der relevanten

Informationen (äußerer Slot, zweiter innerer Slot, Klasse vom zweiten

inneren Slot, erster innerer Slot, Klasse vom ersten inneren Slot) dar.

Eine Unterscheidung ist notwendig, da aufgrund unterschiedlicher Werte

auch die innere Repräsentation mit berücksichtigt werden muss.

prädikatAnzA Variable zur Erfassung der Anzahl aller Slots einer Regel von Ontologie

prädikatAnzB Variable zur Erfassung der Anzahl aller Slots einer Regel von Ontologie

C, welche äquivalent sind bzgl. eines Slots und dessen Basisontologie

der betrachteten Regel von Ontologie A.

prädikatCollectionpZusammenfassung aller Slots der als matchbar klassifizierten Regeln. Im

Falle einer existierenden 1-1-Übersetzung werden die übrigen Slots aus

der prädikatmengeAND und prädikatmengeOR entfernt.

prädikatmengeANDdSammlung aller Slots, deren Regeln als eindeutig matchbar klassifiziert

wurden. Die zusammengehörigen Slots einer Regel werden mit einem

gemeinsamen Index gekennzeichnet.

prädikatmengeOReSammlung aller Slots, deren Regeln bedingt durch die Wertebereiche

nicht als eindeutig matchbar klassifiziert wurden. Die

zusammengehörigen Slots einer Regel werden mit einem gemeinsamen

Index gekennzeichnet.

prädikatVereinigungA Zusammenfassung aller Slots einer Regel von der Ontologie A. Eine

Übersetzung darf nur dann erfolgen, wenn diese Slots (mindestens)

vollständig von Ontologie C abgedeckt werden kann.

prädikatVereinigungB Zusammenfassung aller Slots aus den Mengen prädikatmengeAND und

prädikatmengeOR. Nur wenn diese die prädikatVereinigungA umfasst, ist

eine erfolgreiche Übersetzung gefunden worden.

prüfmenge Menge bildet eine disjunkte Vereinigung aller in der prädikatmengeOR

vorhandenen Slots abzüglich derer, die bereits in der prädikatmengeAND

vorhanden sind.

q Index zur Identifikation der Slots in der schnittmenge.

r Index zur eindeutigen Identifikation eines Literals innerhalb eines

detaillierungsliterals.

restmenge Menge besteht aus der prüfmenge abzüglich der aktuellen oder in

200 Anhang

früheren Iterationen betrachteten Slots der prädikatmengeOR.

sa Index zur Identifikation der zu einer bestimmten Regel gehörenden Slots

in der prädikatmengeOR.

sb Index zur Identifikation der zu einer bestimmten Regel gehörenden Slots

in der prädikatmengeOR.

schnittA Detaillierungsliteral mit dem Prädikat schnittmengeq aus der der zur

prädikatmengeORsa gehörenden Regel.

schnittB Detaillierungsliteral mit dem Prädikat schnittmengeq aus der der zur

prädikatmengeORsb gehörenden Regel.

schnittmenge Menge besteht aus den gemeinsamen Slots der beiden aktuell

betrachteten Mengen prädikatmengeOR.

tempA Hilfsvariable zur Realisierung des Vergleichs von Literals, welche aus

Funktionen bestehen. Abhängig davon wird der Wert von der Variablen

entweder (bei minus) mit -1 multipliziert oder (bei dividiert) der Kehrwert

genommen. Darüber hinaus fungiert die Variable bei der Vertauschung

der Tendenzen.

tempB Hilfsvariable zur Realisierung des Vergleichs von Literals, welche aus

Funktionen bestehen. Abhängig davon wird der Wert von der Variablen

entweder (bei minus) mit -1 multipliziert oder (bei dividiert) der Kehrwert

genommen.

tgtypid “Tendenz-Größer“ – beschreibt den Vergleichsoperator, welcher zum

minimalen Wert (wg) gehört, mittels einer Zahl. Folgende mögliche

Zuordnungen existieren: “=“ → 10, “>=“ → 3, “>“ → 2

tktypid “Tendenz-Kleiner“ – beschreibt den Vergleichsoperator, welcher zum

maximalen Wert (wk) gehört, mittels einer Zahl. Folgende mögliche

Zuordnungen existieren: “=“ → -10, “<=“ → -4, “<“ → -1

treffer Booleanvariable beinhaltet die Information, ob die betrachteten Slots und

Klassen identisch sind.

typ Identifikation der betrachteten Ontologie (A bzw. C)

wertIdentität Booleanvariable beinhaltet die Information, ob die betrachteten

Wertebereiche Überschneidungen besitzen.

wgtypid “Wert-Größer-(als)“ – beinhaltet für jedes Werteintervall den minimalsten

Wert. D.h., jeder für den Slot potentielle Wert ist mindestens – abhängig

vom Vergleichsoperator – so groß wie dieser Wert.

wktypid “Wert-Kleiner-(als)“ – beinhaltet für jedes Werteintervall den maximalsten

Wert. D.h., jeder für den Slot potentielle Wert ist höchstens – abhängig

vom Vergleichsoperator – so groß wie dieser Wert.

Tabelle 25: Die Variablen des SCOUT-Algorithmus

B.2 Der Pseudo-Code

Es sei:

k :- mAk,l (mit k = 1…n und l = 1…m)

i :- mCi,j (mit i=1…s und j=1…t)

A = [ ak :- mAk,l ]

C = [ ci :- mCi, j ]

Initialisierungen:

∑∑

l11

∑∑

j11

d = 1

Anhang 201

e = 1

i = 1

id = 1

j = 1

ment = 0

k = 1

p = 1

r = 1

1. FOR MA DO

2. WHILE ak ≠ Ø

3. prädikatAnzA = 0

4. WHILE mk,l ≠ Ø

5. ljInkrement = 0

6. detaillierungsliteral = mk,l

7. prädikatAnzA = prädikatAnzA + 1

8. IF ( Vergleichsoperator) mk,l+1

9. detaillierungsliteral = detaillierungslitera

ljInkre

l = 1

∈ ∈

∧

mk,l+1

10. ljInkrement = ljInkrement + 1

11. IF Vergleichsoperator m

ngslitera

(∈)∈k,l+2

12. detaillierungsliteral = detaillieru l

∧

mk,l+2

13. ljInkrement = ljInkrement + 1

14. SEPARATION(A, id, detaillierungsliteral)

einigungA = prädikatVereinigungA

∧

15. prädikatVer prädikatAid

16. id = id + 1

17. l = l + ljInkrement + 1

18. FOR MC DO

21. prädikatAnzB = 0

22. bodyIdentität = TRUE

23. WHILE mi,j ≠ Ø

24. ljInkrement = 0

25. detaillierungsliteral = mi,j

26. IF ( Vergleichsoperator

19. W ILE ci ≠ Ø

20. aufnahmeArt = AND

∈)

∈

mi,j+1

27. detaillierungsliteral = detaillierungsliteral

∧

mi,j+1

28. ljInkrement = ljInkrement + 1

29. IF (

∈

Vergleichsoperator)

∈

mi,j+2

30. detaillierungsliteral = detaillierungsliteral

∧

mi,j+2

31. ljInkrement = ljInkrement + 1

32. SEPARATION(C, 1, detaillierungsliteral)

33. id = 1

34. treffer = FALSE

35. WHILE (treffer = FALSE

∧

prädikatAid ≠ Ø)

37. id = id + 1

40. wertIdentität = INTERVALLANALYSE(id)

41. IF wertIdentität = TRUE

42. prädikatAnzB = prädikatAnzB + 1

43. IF aufnahmeArt ≠ OR

44. aufnahmeArt = INTERVALLVERHÄLTNIS(id)

45. depot= depot

prädikatC1

d A

36. treffer = PRÄDIKATANALYSE(id)

38. IF treffer = TRUE

39. id = id - 1

∧

46. j = j + ljInkrement + 1

47. ESE

48. depot = Ø

49. j = -1

50. prädikatAnzB = 0

51. ELSE

52. bodyIdentität = FALSE

53. j = j + ljInkrement + 1

∧

54. IF prä ikatAnzB ≠ prädikatAnz bodyIdentität = FALSE

57. bodyGrößeP = prädikatAnzB

58. headCollectionP = ci

55. depot = Ø

56. IF depot ≠ Ø

202 Anhang

59. prädikatCollectionP = depot

61. IF aufnahmeArt = AND

62. ausgabeANDd = ci

63. prädikatmengeANDd = depot

64. d = d + 1

65. ESLE

66. ausgabeORe = ci

67. prädikatmengeORe = depot

68. e = e + 1

70. j = 1

72. VALIDIERUNG()

60. p = p + 1

69. i = i + 1

71. depot = Ø

73. prädikatVereinigungB = prädikatmengeAND

∧

prädikatmengeOR

74. IF prädikatVereinigungA prädikatVereinigungB

75. ausgabe = ausgabeAND … ausgabeANDd

⊆

1 ∧ ∧

∧

(ausgabeOR1… ausgabeORe )

76. MT = MT (ak = ausgabe)

80. RETURN(MT)

81. SEPARATION(typ, id, detaillierungsliteral)

82. wgtypid = -∞, tgtypid = 2, tktypid = -1, wktypid = ∞

83. prädikattypid = Slot

84. basisOnttypid = Basisontologie

85. mr = r-te Literal vom detaillierungsliteral

86. IF mr+1 = Ø

87. DETAILLIERUNG(typ, id, mr)

88. ESLE

89. DETAILLIERUNG(typ, id, mr+1)

90. IF mr+2 ≠ Ø

91. DETAILLIERUNG(typ, id, mr+2)

92. IF prädikattypid Funktion

93. prädikatA = 1.Slot in Funktion

dem 1.Slot

dem 2.Slot

98. prädikattypid = prädikat id/ prädikatA/ basisOntA/ prädikatB/ basisOntB

99. IF typ = C

100. prädikatAlternativeA = prädikattypid/ prädikatA/ basisOntA/ prädikatB/ basisOntB

101. prädikatAlternativeB = prädikattypid/ prädikatB/ basisOntB/ prädikatA/ basisOntA

102. DETAILLIERUNG(typ, id, literal)

103. operator = Vergleichsoperator aus literal

106. tktypid = -4, wktypid = ausprägung

107. IF operator = “<“

108. tktypid = -1, wktypid = ausprägung

109. IF operator = “=“

110. tgtypid = 10, tktypid = -10, wgtypid = wktypid = ausprägung

111. IF operator = “>“

112. tgtypid = 2, wgtypid = ausprägung

113. IF operator = “>=“

114. tgtypid = 3, wgtypid = ausprägung

115. PRÄDIKATANALYSE(id)

116. IF prädikatC1Funktion

117. IF (prädikat id = prädikatC1 basisOntAid = basisOntC1)

118. return TRUE

122. IF prädikat id = prädikatAlternativeA

∨ ∨

∧

77. prädikatVereinigungA = prädikatVereinigungB = … = Ø

78. p = … = 1

79. k = k + 1

∈

94. basisOntA = Basisontologie von

95. prädikatB = 2.Slot in Funktion

96. basisOntB = Basisontologie von

97. IF typ = A typ

104. ausprägung = Wert aus literal

105. IF operator = “<=“

∉

A ∧

119. ESLE

FALSE 120. return

121. ELSE

Anhang 203

123. prädikatC1 = prädikatAlternativeA

124. return TRUE

125. IF prädikatAid = prädikatAlternativeB

126. prädikatC1 = prädikatAlternativeB

127. IF prädikatC1{minus, dividiert}

128. VERTAUSCHUNG()

LSE

132. VERTAUSCHUNG()

133. tempA = wgC1

134. tempB = wkC1

135. if prädikatC1 = minus

136. wgC1 = tempB * (-1)

137. wkC1 = tempA * (-1)

138. if prädikatC1 = dividiert

139. wgC1 = (tempB)-1

140. wkC1 = (tempA)-1

141. tempA = tgC1

142. tgC1 = tkC1

143. tkC1 = tempA

144. IF tgC1 = -4

145. tgC1 = 3

146. IF tgC1 = -1

147. tgC1 = 2

148. ELSE

149. tgC1 = 10

150. IF tkC1 = 2

151. tkC1 = -1

152. IF tkC1 = 3

153. tkC1 = -4

154. ELSE

155. tkC1 = -10

156. INTERVALLANALYSE(id)

157. IF ((wgAid = wkAid) (wgC1 = wkC1))

158. IF wgAid = wgC1

159. return TRUE

163. diffGK = wg id C1

164. diffKG = wkAid – wgC1

165. ausrGK = tgAid – tkC1

166. ausrKG = tkAid – tgC1

167. IF ((diffGK > 0 (diffGK = 0 (ausrGK ≠ 7 ausrGK <= 12)))

((

169. E

170. return TRUE

171. INTERVALLVERHÄLTNIS(id)

172. IF wgAid = wkAid = wgC1 = wkC1

173. return AND

174. ELSE

175. diffGG = wgAid – wgC1

176. diffKK = wkAid – wkC1

177. ausrGG = tgAid – tgC1

178. ausrKK = tkA – tkC1

179. IF((diffGG>0 (diffGG=0 (ausrGG=-1 ausrGG=0 ausrGG=7)))

∈

129. return TRUE

130. ELSE

131. return FA

∧

160. ELSE

FALSE 161. return

162. ELSE A – wk

∨ ∧ ∨ ∨

(diffKG < 0 ∨diffKG = 0 ∧ausrKG ≠ -7 ∨ ausrKG >= -12))))

168. return FALSE

LSE

id∨ ∧ ∨ ∨

∧

(diffKK<0

(diffKK=0 (ausrKK=-6 ausrKK=0 ausrKK=3))))

bodyGröße

∨ ∧ ∨ ∨

180. return AND

181. ESLE

182. return OR

183. VALIDIERUNG()

184. if prädikatAnzA ∈

204 Anhang

185. p = 1

186. while bodyGrößeP ≠ Ø

187. if bodyGrößeP < prädikatAnzA

188. (ausgabeAND ausgabeOR)\ headCollectionP

189. (prädikatmengeAND prädikatmengeOR)\ prädikatCollectionP

190. p = p + 1

191. prüfmenge = prädikatmengeOR1 … prädikatmengeORe

192. prüfmenge = prüfmenge\ (prädikatmengeAND … prädikatmengeANDd)

193. sa = 1

194. WHILE prädikatmengeORsa ≠ Ø

195. restmenge = prüfmenge \ prädikatmengeORsa

196. sb = 1

197. WHILE prädikatmengeORsb ≠ Ø

198. IF prädikatmengeORsb restmenge

199. restmenge = restmenge \ prädikatmengeORsb

200. ELSE

201. If prädikatmengeORsa ≠ prädikatmengeORsb

202. schnittmenge = prädikatmengeORsa

∨∨

∪ ∪ 1 ∪ ∪

⊆

∩

prädikatmengeORsb

203. wertidentität = TRUE

204. q = 1

205. while schnittmengeq ≠ Ø wertidentität = TRUE

ungsliteral mit schnittmengeq aus prädikatmengeORsa -Regel

207. schnittB =detaillierungsliteral mit schnittmengeq aus prädikatmengeORsb -Regel

208. SEPARATION(A, 1, schnittA)

209. SEPARATION(B, 1, schnittB)

210. wertidentität = INTERVALLANALYSE(1)

hnittmenge

215. restmenge = restmenge\ prädikatmengeORsb

216. sb = sb + 1

217. IF restmenge ≠ Ø

218. prädikatmengeOR = prädikatmengeOR \ prädikatmengeORsa

ausgabeOR \ ausgabeORsa

000

Protégé-200044 ist ein frei verfügbares Wissensakquisitionstool, welches an der Universität

Stanford entwickelt wurde. Es wurde zur Unterstützung bei der Entwicklung und dem Aufbau

von wissensbasierten Systemen entwickelt.

Die grafische Benutzeroberfläche von Protégé-2000 besteht aus sich überlappenden Tabs, um

in komfortables Erstellen einer Wissensdatenbank zu ermöglichen. Das Design mittels Tabs

ie Modellierung einer Ontologie von Klassen, die ein spezielles Thema darstellt,

• das Füllen der Wissensdatenbank mit neuen Daten und

Das W onzept, das aus Klassen,

lots, Facetten und Axiomen besteht. Klassen sind Objekte aus dem zu modellierenden

∧

206. schnittA =detaillier

211. q = q + 1

212. if ertidentität = TRUE

213. prädikatmengeOR = prädikatmengeORsb\ sc

tmengeOR214. if prädika sb ⊆ restmenge

219. ausgabeOR =

220. s = sa + 1

C Protégé-2

erlaubt:

• d

• die Ausführung von zusätzlichen Applikationen (Plug-ins).

issensmodell von Protégé-2000 basiert auf dem Frame-K

Weltausschnitt. Slots entsprechen den Attributen dieser Klassen. Facetten beschreiben

44 http://protege.stanford.edu/

Anhang 205

Eigenschaften von Slots. Axiome spezifizieren zusätzliche Einschränkungen (Constraints)

[NFM00].

Mittlerweile benutzen mehr als 100 Projekte weltweit Protégé-2000. Dies kann auf mehrere

• Protégé-2000 ist ein leicht zu bedienendes konfigurierbares Tool.

it anderen

Wissensrepräsentationstools.

• Protégé-2000 ist erweiterbar. Mehrere Plugin-Tabs stehen zur Verfügung unter

http://protege.stanford.edu/plugins.html

Gründe zurückgeführt werden:

• Es besitzt eine hohe Kompatibilität und Interoperabilität m

Eine der wichtigsten Merkmale für die Kompatibilität von Protégé-2000 mit anderen

Wissensrepräsentationstools ist seine Fähigkeit, Ontologien und Wissensbasen im RDF-

Format zu importieren und zu exportieren. RDF ist ein Wissensrepräsentationsstandard, der

vom World-Wide Web Consortium (W3c; siehe auch www.w3.org) definiert wurde. Folgende

Betrachtung galt als die Grundidee von RDF: Die bis dahin zu findenden web-basierten

Dokumente waren maschinenlesbar, aber leider nicht maschinenverständlich. Anhand von

RDF wird versucht, Dokumente so zu strukturieren, dass die darin enthaltene Semantik

maschinell „verstanden“ werden kann. Damit kann die enorme Anzahl an Dokumenten und

Daten, die im Internet vorhanden sind, in einer Weise beschrieben werden, die es nicht nur

Menschen, sondern auch Maschinen ermöglicht, sie zu verarbeiten und zu verstehen.

C.1 Klassen und Instanzen

eine taxonomische Hierarchie, die als hierarchischer

Klassenbaum dargestellt wird. Besitzt eine Klasse A eine Unterklasse B, so gilt für jede

Instanz der Klasse B, dass sie zusätzlich eine Instanz der Klasse A ist. Protégé-2000

unterstützt dabei die Mehrfachvererbung, d.h. zwei Klassen können eine gemeinsame

Unterklasse haben. Diese erbt die Eigenschaften beider Superklassen [NFM00]. Neben der

hierarchischen Anordnung der Klassen können sie zudem horizontal über Slots verbunden

werden.

C.2 Slots

Slots beschreiben die Eigenschaften der Klassen, wie z.B. den Namen eines Künstlers oder

den Titel eines Songs [NFM00]. Bei den Slots kann es sich um relationale, deskriptive oder

prozedurale Slots handeln. Die Bestimmung der Art der Slots erfolgt über den „Value Type“.

Die verfügbaren Typen sind in Tabelle 26 aufgeführt.

Die Klassen bilden in Protégé-2000

206 Anhang

Typ Beschreibung Beispiel Art

Boolean se Deskriptiv Logischer Wert True, Fal

Klasse ensbasis Shuttle

Klasse der Wiss Relational

Float Dezimalzahl 1.0, 1000, 0.1 Deskriptiv

Instanz Instanz einer Klasse Relational

Siemens X2

Integer Ganze Zahl Deskriptiv 1, 4, -5

String rot, hoch Prozedural Buchstaben Deskriptiv,

Symbol ichen Werten und mittel Liste an mögl Hoch, tief Deskriptiv

Tabelle 26: Die V

C.3 Facetten

n Eigenschaften (Restriktionen) von Slots. Sie definieren Beschränkungen

• Kardinalität eines Slots

er Wert eines numerischen Slots

n automatisch in eine andere

Klasse übertragen.

• Template Values: Eintragungen eines Slots, die nicht geändert werden können

D Resource Description Framework (RDF)

ards wie dem Resource

Damit die Daten für eine automatische Verarbeitung durch verschiedene Systeme nicht nur

alue Types der Slots

Facetten beschreibe

(engl. Constraints) auf der Zuordnung eines Slots zu einer bestimmten Klasse. In Protégé-

2000 können folgende Constraints durch Facetten spezifiziert werden:

• Minimaler und maximal

• Inverse Slots: Die Werte der Instanz einer Klasse werde

• Defaults: Eintragungen eines Slots, die geändert werden können.

Ontologien als Träger von Wissen lassen sich mit Hilfe von Stand

Description Framework (RDF) in Verbindung mit dem Resource Description Framework

Schema (RDFS) abbilden. Mittels RDF können beliebige Metadaten über beliebige Objekte

erfasst werden. Metadaten sind Daten über (andere) Daten bzw. Informationen über (andere)

Informationen. So sind Titel, Autor und Erstelldatum eines Dokuments dessen Metadaten.

Meistens helfen Metadaten, Informationen zu finden. Während manche Daten für ein

Programm Metadaten darstellen, können dieselben Daten aus anderer Sicht nur Daten an sich

sein. Im Bereich der relationalen Datenbanken beispielsweise ist genau definiert, wo

Metadaten enden und wo Daten beginnen: Der Name einer jeden Tabelle und der Typ einer

jeden Spalte sind Metadaten der abgelegten Daten [Mae03].

maschinenlesbar, sondern auch maschinenverständlich sind, muss das semantische

Datenmodell als Ontologie in einem RDF-Schema festgehalten werden. Damit ein Austausch

dieser Daten zwischen verschiedenen Systemen problemlos funktionieren kann, kann RDF in

dem systemneutralen Format Extensible Markup Language (XML) notiert werden.

Anhang 207

D.1 RDF-Datenmodell und -Syntax

RDF selbst besteht aus den vier grundlegenden Komponenten Ressourcen, Eigenschaften,

Literale und Aussagen [W3c99]:

• Ressourcen: Eine Ressource kann, ähnlich wie in einem ERM45, ein materielles oder

immaterielles Objekt sein, welches in RDF eindeutig über einen sogenannten URI

(Unified Resource Identifier) identifizierbar ist46. Somit kann z.B. auf Webseiten,

Personen, Unternehmen und auch (Wissens-)Objekte durch natürliche oder künstliche

Schlüssel verwiesen werden.

“Ora Lassila is the creator of the resource http://www.w3.org/Home/Lassila”

• Subjekt (Ressource): http://www.w3.org/Home/Lassila

Abbildung 94: Einfache Aussage in RDF [LS99]

• Eigenschaften (Properties): Eine Property ist eine Eigenschaft, ein Attribut oder eine

Relation, die dazu benutzt wird, eine Ressource zu beschreiben. Die Bedeutung eines

Propertys wird durch die Definition der zulässigen Werte, der Typen der Ressourcen,

die es beschreiben kann, und die Definition der Beziehung dieses Propertys zu anderen

Properties festgelegt.

• Literale (Literals): Literale können atomare Werte wie Unicode-Zeichenketten

beinhalten. Eigenschaften können durch Literale ausgedrückt werden.

• Aussagen (Statements): In einem Statement wird der Property einer Ressource ein

Wert zugewiesen, wobei dieser Wert auch wieder eine Ressource sein kann. Somit

stellen die Statements als Tripel Subjekt-Prädikat-Objekt die Grundidee des RDF dar.

Die Aussage

hat die folgenden Teile [LS99]:

• Prädikat (Eigenschaft): Creator

• Objekt (Wert, Literal): "Ora Lassila"

Damit lässt sich diese Aussage auf eindeutige Weise in das RDF-Datenmodell überführen.

In der folgenden grafischen Darstellung wird ein Oval für die Ressource, ein Pfeil für die

Eigenschaft und ein Rechteck für das Objekt verwendet.

45 Abkürzung für Entity Relationship Modell

46 Informationen zu qualifizierenden URIs unter: http://www.ietf.org/rfc/rfc2396.txt

http://www.w3.org/Home/Lassila Ora Lassila

Creator

208 Anhang

Wesentlich dabei ist, dass der Pfeil immer vom Subjekt auf das Objekt gerichtet ist. Diese

einfache Diagrammdarstellung kann auch als "<Subjekt> hat <Prädikat> <Objekt>" gelesen

werden. Also in diesem Fall: "http://www.w3.org/Home/Lassila has creator Ora Lassila". In

der RDF/XML-Syntax würde diese Aussage in Form eines vollständigen XML-Dokuments

wie folgt repräsentiert:

(1) <?xml version="1.0"?>

(5) <rdf:Description about="http://www.w3.org/Home/Lassila">

In den Zeilen 3 und 4 werden zwei Namespaces deklariert: der RDF-Namespace wird dem

Präfix rdf und ein Schema dem Präfix s zugewiesen. Ein Namespace dient in XML zur

Unterscheidung verschiedener Vokabulare. Hier wird also zum Beispiel über die URL

http://www.w3.org/1999/02/22-rdf-syntax-ns#, die ein Dokument mit der

Beschreibung des RDF-Vokabulars identifiziert, eine eindeutige Beschreibung für den

Namespace rdf hergestellt und festgelegt, welche syntaktischen Elemente dieser Namespace

enthält. Auf diese Weise werden mögliche Überschneidungen von verschiedenen XML-

basierten Vokabularen verhindert, da jedes syntaktische Element durch seinen zugeordneten

Namespace und die damit verbundene eindeutige URL ebenfalls eindeutig wird. In Zeile 5

beginnt die eigentliche Beschreibung mit dem Abschnitt Description. Über das Attribut

about wird auf die Ressource "http://www.w3.org/Home/Lassila" Bezug genommen und

damit das Objekt der Aussage festgelegt. Zeile 6 enthält die Eigenschaft (Prädikat) und ihren

Wert (Objekt). Bei der Eigenschaft wird über das Namespace-Präfix s auf das Schema

verwiesen. Wie oben bereits erwähnt, wird dann mittels dieses Schemas die Charakteristik der

Eigenschaft festgelegt. Wesentlich ist, dass auf diese Weise für jede verwendete Eigenschaft

ein Schema angegeben werden muss.

(2) <rdf:RDF

(3) xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"

(4) xmlns:s="http://description.org/schema/">

(6) <s:Creator>Ora Lassila</s:Creator>

(7) </rdf:Description>

(8) </rdf:RDF>

In den folgenden Beispielen wird zur Übersichtlichkeit die Namespace-Deklaration

weggelassen. Das obige Beispiel würde dann so lauten:

<rdf:Description about="http://www.w3.org/Home/Lassila">

<s:Creator>Ora Lassila</s:Creator>

</rdf:Description>

Weiterhin ist die Verwendung einer abgekürzten Syntax möglich, die eine kompaktere Form

erlaubt [Las99]. Das Beispiel würde dann wie folgt dargestellt:

<rdf:Description about="http://www.w3.org/Home/Lassila" s:Creator="Ora Lassila" />

Anhang 209

D.2 Das RDF-Schema

RDF ist ein Datenmodell zur Repräsentation von Metadaten, die Ressourcen beschreiben. Es

werden also Aussagen auf Instanzenebene gemacht. Da im RDF selber aber keine

Möglichkeit besteht, Strukturinformationen der generischen Klassen zu beschreiben, also zum

Beispiel zu sagen welche Klassen von Ressourcen es gibt, benötigt man für diese Aufgabe

zusätzlich zum RDF die Schema-Spezifikationssprache RDF-Schema. RDFS erlaubt die

Definition von Schemata, die Begriffe für spezielle Anwendungsgebiete in

maschinenverständlicher Form festlegen. Dadurch kann die Semantik von Klassen,

Eigenschaften und Werten formal definiert werden. Hierfür stehen u.a. die folgenden

Konstrukte zur Verfügung:

• rdfs:Class beschreibt Klassen von ähnlichen Objekten.

• rdfs:subClassOf ist eine vordefinierte Eigenschaft, welche eine Klasse als Unterklasse

einer anderen Klasse definiert.

• rdfs:Resource ist die Superklasse in jedem Schema. Jede definierte Klasse ist

rdfs:subClassOf rdfs:Resource.

• rdf:type ist eine Eigenschaft, die eine Ressource als Instanz einer bestimmten Klasse

definiert. Der Wert dieser Eigenschaft definiert diese Klasse.

• rdfs:Property stellt die allgemeinste Eigenschaft dar. Jede definierte Eigenschaft ist

rdfs:subPropertyOf rdfs:Property.

E Prolog

Bei Prolog (PROgramming in LOGic) handelt es sich um eine deklarative

Programmiersprache. Auf dem Gebiet der Künstlichen Intelligenz (KI) ist sie neben LISP47

die bedeutendste. Entwickelt wurde Prolog 1972 in Marseille von der „Groupe d'Intelligence

Artificielle de Luminy“ um den französischen Informatiker Alain Colmerauer [Leh98-ol]. Ein

erster kommerzieller Prolog-Interpreter kam allerdings erst Anfang der 80er Jahre auf den

Markt. 1995 entstand schließlich eine ISO-Standardisierung von Prolog. Ursprünglich wurde

diese Programmiersprache zur Verarbeitung natürlicher Sprachen entwickelt [Hen00-ol].

• rdfs:subPropertyOf beschreibt die Beziehungen zwischen einer allgemeineren und

einer speziellen Eigenschaft.

• Constrains: In RDFS können Eigenschaften dadurch näher spezifiziert werden, indem

der Anwendungsbereich dieser Eigenschaft auf bestimmte Klassen beschränkt wird

(rdfs:domain) oder der Wertebereich definiert wird (rdfs:range) [LS99].

47 LISP (LISt Programming) wurde in den 50er Jahren von John McCarthy entwickelt und ist die zweitälteste

noch in Verwendung stehende Programmiersprache.Zielsetzung bei der Entwicklung der Sprache war es, ein

System zur Symbolmanipulation zur Verfügung zu haben. LISP stellt eine funktionale Programmiersprache

dar und verwendet als Datenstruktur Listen. Allerdings stellt diese Programmiersprache direkt keine

Methoden zur Verfügung, um Fakten logisch zu verknüpfen und so auf neue Fakten zu schließen. Die für ein

Wissensbasiertes System notwendigen Komponenten, die Wissensbasis und die Inferenzmaschine, sind somit

erst aus LISP-Konstrukten zu erstellen [Hyp00 -ol].

210 Anhang

Prolog kann auch als „Maschinensprache eines Logik-Prozessors“ bezeichnet werden, da sie

auf den mathematischen Grundlagen der Prädikatenlogik beruht. Ein Prolog-Programm ist

eine Sammlung von so genannten Hornklauseln [Wik04 -ol].

Unter einem Literal wird allgemein ein positives oder negatives Prädikat mit einer

bestimmten Stelligkeit verstanden, z.B. die Temperatur(Wetter, 20). Erfolgt nun eine

disjunkte Verknüpfung von Literalen (L1 … L

n) so wird dies als Klausel bezeichnet

[Sch01-ol].

Schließlich existiert noch der Spezialfall einer Klausel, die Hornklausel. Sie besitzt höchstens

ein positives Literal (¬ P1, ..., ¬ Pn-1, Pn). Dargestellt werden kann eine solche Klausel auch als

Implikation (Pn -> P1

Die logische Programmierung unterscheidet sich sehr stark von anderen Programmierstilen.

Der größte Unterschied liegt darin, dass in Prolog im Gegensatz zu den herkömmlichen

prozeduralen Programmiersprachen wie Fortran, Pascal oder C der Lösungsweg nicht mehr

algorithmisch angegeben wird, sondern nur die Bedingungen, die die Lösung des Problems

erfüllen sollen. Das Ziel ist also eine deklarative Programmierung, bei der eine gegebene

Spezifikation direkt in ein Programm umgewandelt werden kann.

Bei Prolog handelt es sich um eine deskriptive Programmiersprache, d.h. die Lösung eines

Problems wird durch Regeln, Fakten und Anfragen erreicht. Prozedurale

Programmiersprachen sind hingegen imperativ. Die Lösung eines Problems muss in Form von

Befehlsfolgen ausprogrammiert werden [Hyp00-ol].

In Prolog gelten folgende Begriffe bzw. Definitionen:

∨ ∨

∧

... Pn-1), oder in Prolog (Pn :- P1 … Pn-1). Im Wesentlichen werden

drei Arten von Hornklauseln unterschieden. Eine Hornklausel bestehend aus genau einem

positiven Literal heißt in Prolog Faktum, eine Klausel bestehend aus höchstens einem

positivem Literal und beliebig vielen negativen Literale ist eine Regel, und eine Hornklausel

ohne positives Literal ist eine Anfrage [Uni04-ol].

∧

Eine Prolog-Regel besteht aus einem Kopf (Head) und einem Rumpf (Body) und wird als eine

logische Implikation angesehen, die entgegen der Konvention in der Logik von rechts nach

links gelesen wird. So wird beispielsweise die Implikation „wenn a und b, dann c“

geschrieben als „a b c“ in Prolog zu „c :- a, b.“, wobei das Zeichen ’:-’ dem

umgedrehten Implikationspfeil ’ ← ’entspricht und der Punkt die Prologregel beendet. Der

Kopf der Regel besteht bei diesem Beispiel aus ’c’, der Rumpf der Klausel aus ’a’ und ’b’

[Sch01-ol].

∧→

Zusätzlich zu den Regeln gibt es in Prolog die Fakten. Ein Faktum repräsentiert eine Aussage

und besteht aus einem Literal, das mit einem Punkt beendet wird. Fakten sind beispielsweise

’Temperatur(Wetter, 20).’ oder ’Bahnhof(Paderborn).’ [Sch01-ol].

Anhang 211

Schließlich existieren in Prolog-Programmen noch Anfragen. Hierbei handelt es sich um ein

Literal oder mehrere durch Kommata getrennte Literale. Eingeleitet wird ein solcher

Ausdruck durch ’?-’. Beim Stellen einer Anfrage wird die Regelbasis eines Prolog-

Programms durchlaufen und, wenn möglich, ein Ergebnis deduziert. Die übliche Antwort

eines Prolog-Programms auf eine Anfrage ist ein einfaches ’yes’ oder ’no’. Darüber hinaus

lassen sich die Variablenbelegungen mit ausgeben, wodurch auch ein Erstellen von sehr

komplexen Anfragen möglich wird [Sch01-ol].