Zum Inhalt springen

Computational Intelligence

aus Wikipedia, der freien Enzyklopädie

In der Informatik bezieht sich Computational Intelligence (CI) auf Konzepte, Paradigmen, Algorithmen und Implementierungen von Systemen, die darauf ausgelegt sind, in komplexen und sich verändernden Umgebungen „intelligentes“ menschliches Verhalten nachzuahmen.[1.1] Diese Systeme zielen darauf ab, komplexe Aufgaben in einer Vielzahl von technischen oder kommerziellen Bereichen zu bewältigen und bieten Lösungen, die unter anderem Muster erkennen und interpretieren, Prozesse steuern, Entscheidungsfindungen unterstützen oder Fahrzeuge oder Roboter in unbekannten Umgebungen autonom manövrieren.[1.2] Die Konzepte und Paradigmen zeichnen sich durch die Fähigkeit aus, zu lernen oder sich an neue Situationen anzupassen, zu verallgemeinern, zu abstrahieren, zu entdecken und zu assoziieren.[2.1] Naturanaloge oder von der Natur inspirierte Methoden spielen dabei eine Schlüsselrolle.[1.1]

CI-Ansätze befassen sich in erster Linie mit komplexen Problemen der realen Welt, für die mathematische oder traditionelle Modellierung aus verschiedenen Gründen nicht geeignet ist: Die Prozesse lassen sich mit vollständigem Wissen nicht genau beschreiben, sie sind für mathematische Herangehensweisen zu komplex, sie beinhalten gewisse Unsicherheiten während des Prozesses, wie beispielsweise unvorhergesehene Veränderungen in der Umgebung oder im Prozess selbst, oder die Prozesse sind einfach stochastischer Natur. Daher sind CI-Techniken in der Regel auf Prozesse ausgerichtet, die unzureichend definiert, komplex, nichtlinear, zeitabhängig und/oder stochastisch sind.[3.1]

Eine Definition der IEEE Computational Intelligence Society von 2025 beschreibt CI als die Theorie, das Design, die Anwendung und die Entwicklung von biologisch und linguistisch motivierten Berechnungsparadigmen. Traditionell sind die drei Hauptsäulen der CI neuronale Netze, Fuzzy-Systeme und evolutionäre Algorithmen (Evolutionary Computation). ... CI ist ein sich weiterentwickelndes Gebiet und umfasst derzeit neben den drei Hauptkomponenten auch Berechnungsparadigmen wie ambient intelligence, künstliches Leben, cultural learning, artificila endokrine networks, social reasoning und artificial hormone networks. ... In den letzten Jahren gab es eine explosionsartige Zunahme der Forschung im Bereich Deep Learning, insbesondere im Bereich der deep convolutional neural networks. Heutzutage ist Deep Learning zur Kernmethode der künstlichen Intelligenz geworden. Tatsächlich basieren einige der erfolgreichsten KI-Systeme auf CI.[4] (Übersetzt mit DeepL.com)

Die allgemeinen Anforderungen für die Entwicklung eines „intelligenten Systems“ sind letztlich immer dieselben, nämlich die Simulation und Nachahmung intelligenten menschlichen Denkens und Handelns in einem bestimmten Anwendungsbereich. Dazu muss das Wissen über diesen Bereich in einem Modell dargestellt werden, damit es verarbeitet werden kann. Die Qualität des resultierenden Systems hängt weitgehend davon ab, wie gut das Modell nach der Entwicklungs- oder Lernphase die relevanten Aspekte der Realität abbildet. Manchmal eignen sich datengesteuerte Methoden, um ein gutes Modell zu finden, und manchmal liefern logikbasierte Wissensrepräsentationen bessere Ergebnisse. In realen Anwendungen kommen in der Regel hybride Modelle zum Einsatz.[1.2]

Da es sich bei CI um ein aufstrebendes und sich entwickelndes Gebiet handelt, gibt es keine endgültige Definition von CI,[3.2][5][6] insbesondere hinsichtlich der Liste der dazugehörigen Konzepte und Paradigmen.[2.1][7][8] Ausgehend von aktuellen Lehrbüchern können die folgenden Methoden und Paradigmen, die sich weitgehend ergänzen,[9.1] als Bestandteile von CI betrachtet werden:

Verhältnis von CI zu künstlicher Intelligenz und Bezüge zum Hard- und Soft-Computing

[Bearbeiten | Quelltext bearbeiten]

Künstliche Intelligenz (KI) wird spätestens seit dem Ende 2022 einsetzenden Boom um ChatGPT und verwandte Tools in den Medien, aber auch von einem Teil der damit befassten Wissenschaftler als eine Art Oberbegriff für die unterschiedlichsten Techniken verwendet, die mit KI oder mit CI in Verbindung stehen. Die Beziehung zwischen CI und KI ist seit der Entwicklung von CI ein häufig diskutiertes Thema. Die meisten KI-/CI-Forscher, die sich mit diesem Thema beschäftigen, betrachten sie als unterschiedliche Bereiche, wobei entweder

  • die CI eine Alternative zur KI ist,
  • die KI die CI einschließt, oder aber
  • die CI die KI einschließt.[5][6]
Eine mögliche Sichtweise der Beziehung zwischen Hard Computing und Künstlicher Intelligenz einerseits und Soft Computing und Computational Intelligence andererseits.[3.2] Die EC beinhaltet im Wesentlichen die verschiedenen evolutionären Algorithmen.

Die Sichtweise des ersten der drei Punkte geht auf Zadeh zurück, dem Begründer der Fuzzy-Set-Theorie, der maschinelle Intelligenz in Hard- und Soft-Computing-Techniken unterschied, die einerseits in der KI und andererseits in der CI zum Einsatz kommen.[14][15] Im Hard Computing (HC) und in der traditionellen KI[8][11.2] (z. B. Expertensysteme) sind Ungenauigkeit und Unsicherheit unerwünschte Eigenschaften eines Systems, während sich Soft Computing (SC) und damit CI auf den Umgang mit diesen Eigenschaften konzentrieren.[12.1][16] Die nebenstehende Abbildung veranschaulicht diese Sichtweise und listet die wichtigsten CI-Techniken auf. Ein weiteres häufig genanntes Unterscheidungsmerkmal ist die Darstellung von Informationen in symbolischer Form in der KI und in subsymbolischer Form in CI-Techniken.[1.4][11.2]

Hard Computing ist eine konventionelle Berechnungsmethode, die auf den Prinzipien der Determiniertheit und Genauigkeit basiert. Sie erfordert ein genau definiertes analytisches Modell der zu verarbeitenden Aufgabe und ein vorab geschriebenes Programm, d. h. einen festen Satz von Anweisungen. Die verwendeten Modelle basieren auf der Booleschen Logik, bei der beispielsweise ein Element entweder Mitglied einer Menge ist oder nicht, und es gibt nichts dazwischen. Bei der Anwendung auf reale Aufgaben führen HC-basierte Systeme zu konkreten Steuerungsmaßnahmen, die durch das zu Grunde liegende Modell oder den Algorithmus definiert sind. Bei Eintritt einer unvorhergesehene Situation, die nicht in dem verwendeten Modell oder Algorithmus enthalten ist, schlägt die Maßnahme höchstwahrscheinlich fehl.[17][18][19]

Soft Computing hingegen basiert auf der Tatsache, dass der menschliche Verstand in der Lage ist, Informationen zu speichern und zielorientiert zu verarbeiten, auch wenn die Daten ungenau sind und keine Eindeutigkeit aufweisen.[15] Die meisten SC-Techniken basieren auf einem Modell des menschlichen Gehirns mit probabilistischem Denken, Fuzzy-Logik und mehrwertiger Logik. Soft Computing kann eine Fülle von Daten verarbeiten und eine große Anzahl von Berechnungen, die möglicherweise nicht exakt sind, parallel durchführen. Bei schwierigen Problemen, für die keine zufriedenstellenden exakten Lösungen auf der Grundlage von HC verfügbar sind, können SC-Methoden erfolgreich angewendet werden. SC-Methoden sind in der Regel stochastischer Natur, d. h. sie arbeiten mit zufällig definierten Prozessen, die statistisch, aber nicht präzise analysiert werden können. Bislang können die Ergebnisse einiger CI-Methoden, wie z. B. Deep Learning, nicht verifiziert werden, und es ist auch nicht klar, worauf genau sie basieren. Dieses Problem stellt eine wichtige wissenschaftliche Frage für die Zukunft dar.[17][18][19]

KI und CI sind eingängige Begriffe,[5] aber sie sind sich auch so ähnlich, dass sie leicht verwechselt werden können. Die Bedeutung beider Begriffe hat sich über einen langen Zeitraum hinweg entwickelt und verändert,[20][2.3] wobei KI zuerst verwendet wurde.[2.1][7] Bezdek beschreibt dies eindrucksvoll und kommt zu dem Schluss, dass solche Schlagworte häufig von der Wissenschaftsgemeinschaft, dem Wissenschaftsmanagement und dem (Wissenschafts-)Journalismus verwendet und gehypt werden.[5] Nicht zuletzt, weil KI und biologische Intelligenz mit Emotionen besetzte Begriffe sind[2.1][5] und es nach wie vor schwierig ist, eine allgemein akzeptierte Definition für den Grundbegriff Intelligenz zu finden.[2.1][3.1][8]

Geschichte

[Bearbeiten | Quelltext bearbeiten]

Im Jahr 1950 entwickelte Alan Turing, einer der Gründerväter der Informatik, einen Test für Computerintelligenz, der als Turing-Test bekannt ist.[21] Bei diesem Test kann eine Person über eine Tastatur und einen Monitor Fragen stellen, ohne zu wissen, ob ihr Gegenüber ein Mensch oder eine Maschine ist. Ein Computer gilt als intelligent, wenn der Fragesteller den Computer nicht von einem Menschen unterscheiden kann. Dies veranschaulicht die Diskussion über intelligente Computer zu Beginn des Computerzeitalters.

Der Begriff Computational Intelligence wurde erstmals 1985 als Titel der gleichnamigen Fachzeitschrift verwendet[22][20] und später vom IEEE Neural Networks Council (NNC) aufgegriffen, der 1989 von einer Gruppe von Forschern gegründet wurde, die sich für die Entwicklung biologischer und künstlicher neuronaler Netze interessierten. Am 21. November 2001 wurde der NNC zur IEEE Neural Networks Society und zwei Jahre später zur IEEE Computational Intelligence Society, indem neue Interessengebiete wie Fuzzy-Systeme und evolutionäre Algorithmen mit einbezogen wurden.[23]

Das NNC half 1994 bei der Organisation des ersten IEEE World Congress on Computational Intelligence in Orlando, Florida.[23] Auf dieser Konferenz wurde von Bezdek die erste brauchbare Definition von Computational Intelligence vorgestellt: Ein System ist "computationally intelligent", wenn es: nur mit numerischen (Low-Level-)Daten arbeitet, über Komponenten zur Mustererkennung verfügt, kein Wissen im Sinne der (traditionellen) KI nutzt und darüber hinaus (1) rechnerische Anpassungsfähigkeit, (2) rechnerische Fehlertoleranz, (3) eine Geschwindigkeit, die der menschlichen Arbeitsgeschwindigkeit nahekommt, und (4) Fehlerquoten, die der menschlichen Leistungsfähigkeit nahekommen, aufweist oder aufzuweisen beginnt.[24] (Übersetzung basiert auf DeepL.com)

Heute, mit maschinellem Lernen und insbesondere Deep Learning, das eine Vielzahl von überwachten, unüberwachten und bestärkenden Lernansätzen nutzt, hat sich die CI-Landschaft durch neuartige Ansätze erheblich erweitert.

Die wichtigsten algorithmischen Ansätze der CI und ihre Anwendungen

[Bearbeiten | Quelltext bearbeiten]

Zu den bedeutendsten Anwendungsbereichen der Computational Intelligence zählen Informatik, Ingenieurwesen, Datenanalyse und Biomedizin.

Fuzzy Systeme

[Bearbeiten | Quelltext bearbeiten]

Fuzzy-Regelsysteme basieren auf Fuzzy-Logik, welche im Gegensatz zur herkömmlichen Booleschen Logik auf Fuzzy-Mengen basiert. In beiden Logikmodellen wird eine Eigenschaft eines Objekts als Zugehörigkeit zu einer Menge definiert; in der Fuzzy-Logik wird diese Relation jedoch nicht scharf durch eine Ja/Nein-Unterscheidung definiert, sondern graduell abgestuft. Dies erfolgt mithilfe von Zugehörigkeitsfunktionen, die jedem Element eine reelle Zahl zwischen 0 und 1 als Zugehörigkeitsgrad zuweisen. Die so neu eingeführten Mengenoperationen definieren die Operatoren eines zugehörigen Logik-Kalküls, das die Modellierung von Inferenzprozessen, d. h. logischen Schlussfolgerungen, ermöglicht.[2.4] Daher eignet sich Fuzzy-Logik gut für technische Entscheidungen bei Unsicherheiten oder mit ungenauen Daten,[25] verfügt jedoch nicht über Lernfähigkeiten.[3.4]

Die Technologie findet in einer Vielzahl von Bereichen Anwendung, beispielsweise in der Regelungstechnik,[26] Bildverarbeitung,[27] Fuzzy-Daten-Clustering[27][28] und Entscheidungsfindung.[25] Fuzzy-Logik-basierte Steuerungssysteme finden sich beispielsweise im Haushaltsgerätebereich in Waschmaschinen, Geschirrspülern, Mikrowellenherden usw. oder bei Kraftfahrzeugen in Getriebe- und Bremssystemen. Die Methodik kommt auch bei der Bildstabilisierung von Videokameras zum Einsatz. Weitere Anwendungsbereiche der Fuzzy-Logik sind beispielsweise die medizinische Diagnostik, Satellitensteuerungen oder die Auswahl von Geschäftsstrategien.[25][2.5]

Neuronale Netze

[Bearbeiten | Quelltext bearbeiten]

Ein wichtiger Bereich der CI ist die Entwicklung künstlicher neuronaler Netze (KNN), die auf biologischen neuronalen Netzen basieren und durch drei Hauptkomponenten definiert werden können: den Zellkörper, der die Informationen verarbeitet, das Axon, das die Signalübertragung ermöglicht, und die Synapse, die die Signale steuert.[2.6][12.2] Daher eignen sich KNNs sehr gut für verteilte IT-systeme, da die Datenverarbeitung sowohl in der Lern- als auch in der Arbeitsphase parallel erfolgt.[3.5] KNNs zielen darauf ab, die kognitiven Prozesse des menschlichen Gehirns nachzuahmen. Zu den Hauptvorteilen dieser Technologie zählen daher Fehlertoleranz, Mustererkennung auch bei verrauschten Bildern und die Fähigkeit zu lernen.[2.6]

Hinsichtlich ihrer Anwendungsbereiche lassen sich neuronale Netze in fünf Gruppen einteilen: Datenanalyse und -klassifizierung, Assoziativspeicher, Datenclusterung oder -komprimierung, Mustergenerierung und Steuerungssysteme.[2.6][3.5][12.3] Zu den zahlreichen Anwendungsbereichen gehören beispielsweise die Analyse und Klassifizierung medizinischer Daten, einschließlich der Erstellung von Diagnosen, Spracherkennung, Data Mining, Bildverarbeitung, Erstellung von Prognosen, Robotersteuerung, Betrugserkennung, Kreditgenehmigung, Mustererkennung, Gesichtserkennung und der Umgang mit Nichtlinearitäten eines Systems, um dieses zu steuern.[2.6][3.5][12.3] KNNs haben mit Fuzzy-Logik den letzteren Anwendungsbereich und die Datenclusterung gemeinsam. Generative Systeme, die auf Deep Learning und Convolutional Neural Networks basieren, wie beispielsweise chatGPT oder DeepL, sind ein relativ neues Anwendungsgebiet.

Evolutionary Computation

[Bearbeiten | Quelltext bearbeiten]

Evolutionary computation (EC) kann als eine Familie von Methoden und Algorithmen zur globalen Optimierung betrachtet werden, die in der Regel auf einer Population von Lösungsansätzen basieren. Sie sind von der biologischen Evolution inspiriert[29.1][30.1] und werden oft unter dem Begriff „evolutionäre Algorithmen“ zusammengefasst.[9][29][31] Dazu gehören die genetischen Algorithmen, die Evolutionsstrategie, die genetische Programmierung und viele andere Verfahren.[9][29.2][30.2] Sie gelten als Problemlöser für Aufgaben, die mit traditionellen mathematischen Methoden nicht lösbar sind,[29.3][30.3][31.1] und werden häufig für Optimierungsaufgaben einschließlich Mehrzieloptimierungen eingesetzt.[29.4][32] Da die Mitglieder einer Population pro Iteration parallel verarbeitet werden können, bietet sich die Verteilung der Population auf die Computerknoten eines Clusters unmittelbar an.[33] Zusätzlich kann die Bewertung bei allen Verfahren, die mehrere Nachkommen pro Paarung und Iteration erzeugen, nochmals verteilt werden, was insofern relevant ist, als die Bewertungen häufig den zeitaufwändigsten Teil des Optimierungsprozesses darstellen.[34]

Im Laufe der Optimierung lernt der Algorithmus etwas über die Struktur des Suchraums und speichert diese Informationen in den Chromosomen der Lösungskandidaten. Nach einem Durchlauf kann dieses Wissen für ähnliche Aufgaben wiederverwendet werden, indem einige der „alten“ Chromosomen angepasst und zur Bildung einer neuen Startpopulation verwendet werden.[35][36]

Schwarmintelligenz

[Bearbeiten | Quelltext bearbeiten]

Schwarmintelligenz (SI) basiert auf dem kollektiven Verhalten dezentralisierter, selbstorganisierter Systeme, die typischerweise aus einer Population einfacher Agenten bestehen, die lokal miteinander und mit ihrer Umgebung interagieren. Trotz des Fehlens einer zentralisierten Kontrollstruktur, die vorschreibt, wie sich die einzelnen Agenten verhalten sollen, führen lokale Interaktionen zwischen solchen Agenten oft zum Entstehen eines globalen Verhaltens.[3.6][37][38] Zu den anerkannten Vertretern von SI basierten Algorithmen zählen die Partikelschwarm-Optimierung (PSO) und die Ant Colony Optimization (ACO).[1.5][2.7] Beides sind metaheuristische Optimierungsalgorithmen, die zur (näherungsweisen) Lösung schwieriger numerischer Probleme oder komplexer kombinatorischer Optimierungsaufgaben eingesetzt werden können.[39][40] Da die Verfahren auf einer Population beruhen, lassen sie sich genauso wie die evolutionären Algorithmen leicht parallelisieren.[41][42] Außerdem weisen sie vergleichbare Lerneigenschaften auf.[43][44]

Bayessche Netze (Bayesian networks)

[Bearbeiten | Quelltext bearbeiten]

In Bereichen komplexer Anwendungen bieten Bayessche Netzwerke eine Möglichkeit, unsicheres Wissen effizient zu speichern und auszuwerten. Ein Bayessches Netzwerk ist ein probabilistisches grafisches Modell, das eine Reihe von Zufallsvariablen und deren bedingte Abhängigkeiten durch einen gerichteten azyklischen Graphen darstellt. Die probabilistische Darstellung erleichtert es, auf der Grundlage neuer Informationen Schlussfolgerungen zu ziehen. Darüber hinaus eignen sich Bayessche Netzwerke gut für das Lernen aus Daten.[1.3] Ihr breites Anwendungsspektrum umfasst medizinische Diagnostik, Risikomanagement, Informationsabruf (information retrieval), Textanalyse, z. B. für Spamfilter, Bonitätsbewertung von Unternehmen und den Betrieb komplexer industrieller Prozesse.[45]

Künstliche Immunsysteme

[Bearbeiten | Quelltext bearbeiten]

Künstliche Immunsysteme sind ein weitere Gruppe populationsbasierter metaheuristischer Lernalgorithmen, die für die Lösung von Clustering- und Optimierungsproblemen entwickelt wurden. Diese Algorithmen sind von den Prinzipien der theoretischen Immunologie und den Prozessen des Immunsystems von Wirbeltieren inspiriert und nutzen die Lern- und Gedächtniseigenschaften des Immunsystems, um ein Problem zu lösen. Dabei kommen die von den evolutionären Algorithmen bekannten Operatoren zum Klonen und Mutieren künstlicher Lymphozyten zur Anwendung.[11.3][46] Künstliche Immunsysteme bieten interessante Fähigkeiten wie Anpassungsvermögen, selbständiges Lernen und Robustheit, die für verschiedene Aufgaben in den Bereichen Datenverarbeitung,[46] in Fertigungssystemen,[47] Systemmodellierung und -steuerung, Fehlererkennung oder Cybersicherheit[11.3] genutzt werden können.

Probabilistische Methoden

[Bearbeiten | Quelltext bearbeiten]

Als eines der Hauptelemente der Fuzzy-Logik zielen probabilistische Methoden, die erstmals 1974 von Paul Erdos und Joel Spencer eingeführt wurden,[48][3.7] darauf ab, die Ergebnisse eines computergestützten intelligenten Systems zu bewerten, das größtenteils durch Zufälligkeit definiert ist.[49] Daher bringen probabilistische Methoden auf der Grundlage von Vorwissen mögliche Lösungen für ein Problem hervor.

Lerntheorie und Maschinelles Lernen

[Bearbeiten | Quelltext bearbeiten]

Auf der Suche nach einer „Denkweise“, die der des Menschen nahekommt, ist die Lerntheorie einer der wichtigsten Ansätze der KI. In der Psychologie ist Lernen der Prozess, bei dem kognitive, emotionale und umweltbedingte Einflüsse und Erfahrungen zusammengeführt werden, um Wissen, Fähigkeiten, Werte und Weltanschauungen zu erwerben, zu verbessern oder zu verändern.[50][51][3.8] Lerntheorien helfen dabei, zu verstehen, wie diese Einflüsse und Erfahrungen verarbeitet werden, und ermöglichen es dann, auf der Grundlage früherer Erfahrungen Vorhersagen zu treffen.[52] Die neue wissenschaftliche Disziplin des maschinellen Lernens geht auf A. Samuel zurück[53] und hat sich auf der Grundlage psychologischer Lerntheorien entwickelt. Man unterscheidet vier Lernformen, überwachtes, unüberwachtes, semi-überwachtes und bestärkendes Lernen. Lernmechanismen sind ein wesentlicher Bestandteil jedes intelligenten Systems und daher leistungsstarke Werkzeuge für die CI.[3.8]

Hybride Systeme

[Bearbeiten | Quelltext bearbeiten]

Zwischen den Methoden der CI gibt es oft Synergien.[54][55] Dazu nachfolgend drei Beispiele stellvertretend für zahlreiche andere hybride Formen: So werden z. B. Evolutionäre Algorithmen häufig zum Entwurf von Künstlichen neuronalen Netzen[3.9] und Fuzzy-Systemen[1.6][3.10] verwendet. Die Grundidee der Kombination von Fuzzy-Systemen und neuronalen Netzen besteht darin, eine Architektur zu entwerfen, die ein Fuzzy-System zur interpretierbaren Darstellung von Wissen und die Lernfähigkeit eines neuronalen Netzes zur Optimierung der Parameter des Fuzzy-Teils nutzt. Eine solche Kombination kann ein interpretierbares Modell bilden, das lernfähig ist und problemspezifisches Vorwissen nutzen kann.[56][57] Daher eignen sich Neuro-Fuzzy-Verfahren besonders für Anwendungen, die eine Benutzerinteraktion bei der Modellgestaltung oder -interpretation erfordern.[58] Darüber hinaus gibt es weitere verschiedene kooperative und integrative Architekturen,[3.11] insbesondere für Steuerungs-, Klassifizierungs- und Funktionsapproximationsaufgaben.[1.7]

Studium und Wissenschaft

[Bearbeiten | Quelltext bearbeiten]

In Deutschland wird Computational Intelligence oder einzelne Teilgebiete an vielen Universitäten (z. B. Uni Bonn,[59] TU Darmstadt,[60] Dortmund,[61] Dresden,[62] Kassel,[63] Karlsruhe,[64][65] Magdeburg,[66] Osnabrück,[67] Siegen[68]) und Fachhochschulen (z. B. Bochum,[69] Darmstadt,[70] Frankfurt am Main,[71] Karlsruhe,[72] Köln Abt. Gummersbach,[73] Mittweida,[74] Osnabrück,[75] Südwestfalen[76]) gelehrt.

Zu den anerkannten Fachzeitschriften zählen unter anderem Computational Intelligence, International Journal of Computational Intelligence Systems und das IEEE Computational Intelligence Magazine. Zu den wichtigen europäischen Konferenzen gehören unter anderem das European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN) und das European Symposium on Computational Intelligence and Mathematics (ESCIM).

International ist die 2004 gegründete IEEE Computational Intelligence Society aktiv, die auch einen Konferenzkalender bereitstellt.

Siehe auch

[Bearbeiten | Quelltext bearbeiten]

Literatur

[Bearbeiten | Quelltext bearbeiten]
  • Thomas Hanne, Rolf Dornberger: Computational Intelligence in Logistik und Supply Chain Management. Springer Gabler 2023. ISBN 978-3-03121451-6.
  • Rudolf Kruse, Sanaz Mostaghim, Christian Borgelt, Christian Braune, Matthias Steinbrecher: Computational Intelligence. A Methodological Introduction. Springer 2022. ISBN 978-3-030-42226-4.
  • Andreas Kroll: Computational Intelligence. Probleme, Methoden und technische Anwendungen. De Gruyter 2016. ISBN 978-3-11-040066-3.
  • David B. Fogel, Derong Liu, James M. Keller: Fundamentals of Computational Intelligence: Neural Networks, Fuzzy Systems, and Evolutionary Computing. Wiley 2016. ISBN 978-1-119-21434-2.
  • Rudolf Kruse, Christian Borgelt, Christian Braune, Frank Klon, Christian Mewes, Matthias Steinbrecher: Computational Intelligence: Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze. Springer Vieweg 2015, ISBN 978-3-658-10903-5.
  • Nazmul Siddique, Hojjat Adeli: Computational Intelligence: Synergies of Fuzzy Logic, Neural Networks and Evolutionary Computing. John Wiley & Sons 2013, ISBN 978-1-118-33784-4.
  • Oliver Kramer: Computational Intelligence. Eine Einführung. Springer 2009. ISBN 978-3-540-79738-8.
[Bearbeiten | Quelltext bearbeiten]

Einzelnachweise

[Bearbeiten | Quelltext bearbeiten]
  1. ↑ Rudolf Kruse, Sanaz Mostaghim, Christian Borgelt, Christian Braune, Matthias Steinbrecher: Computational Intelligence: A Methodological Introduction (= Texts in Computer Science). 3. Auflage. Springer International Publishing, Cham 2022, ISBN 978-3-03042226-4, doi:10.1007/978-3-030-42227-1 (computational-intelligence.eu [abgerufen am 6. Januar 2026]).
    1. ↑ a b Preface, S. V
    2. ↑ a b Intelligent Systems, S. 1-2
    3. ↑ a b c d e f Computational Intelligence, S. 2-3
    4. ↑ Introduction to Artificial Neural Networks, S. 8
    5. ↑ Computational Swarm Intelligence, S. 347-374
    6. ↑ Evolutionary Fuzzy Control, S. 487-493
    7. ↑ S. 477
  2. ↑ Andries P. Engelbrecht: Computational Intelligence: An Introduction. 2nd ed Auflage. John Wiley & Sons, Chichester, England ; Hoboken, NJ 2007, ISBN 978-0-470-03561-0.
    1. ↑ a b c d e Introduction to Computational Intelligence, S. 3-4
    2. ↑ a b c d Computational Intelligence Paradigms, S. 4-11
    3. ↑ Short History, S. 11–13
    4. ↑ Fuzzy Logic and Reasoning, S. 465–474
    5. ↑ Fuzzy Systems. S. 10-11
    6. ↑ a b c d Artificial Neural Networks, S. 5-7
    7. ↑ Swarm Intelligence, S. 10
  3. ↑ Nazmul Siddique, Hojjat Adeli: Computational Intelligence: Synergies of Fuzzy Logic, Neural Networks, and Evolutionary Computing. J. Wiley & Sons, Chichester, U.K 2013, ISBN 978-1-118-53481-6.
    1. ↑ a b Computational Intelligence, S. 1-2
    2. ↑ a b Paradigms of Computational Intelligence, S. 2-3
    3. ↑ a b c d e f Approaches to Computational Intelligence, S. 3-10
    4. ↑ Fuzzy Logic, S. 4-5
    5. ↑ a b c Neural Networks, S. 5
    6. ↑ Swarm Intelligence, S. 7-11
    7. ↑ Probabilistic Methods, S. 6-7
    8. ↑ a b Learning Theory, S. 6
    9. ↑ Evolutionary Neural Networks, S. 307-351
    10. ↑ Evolutionary Fuzzy Systems, S. 265-303
    11. ↑ Neural Fuzzy Systems, S. 357-410
  4. ↑ What is Computational Intelligence? IEEE Computational Intelligence Society, abgerufen am 23. Dezember 2025 (englisch).
  5. ↑ a b c d e James C. Bezdek: (Computational) Intelligence: What's in a Name? In: IEEE Systems, Man, and Cybernetics Magazine. Band 2, Nr. 2, April 2016, ISSN 2333-942X, S. 4–14, doi:10.1109/MSMC.2016.2558778 (ieee.org [PDF]).
  6. ↑ a b Bart Craenen, A. E. Eiben: Computational Intelligence. In: N. K. Joost (Hrsg.): Encyclopedia of Life Support Sciences (EOLSS). Band 4. EOLSS Co. Ltd., 2002 (researchgate.net).
  7. ↑ a b Włodzisław Duch, Jacek Mandziuk: What Is Computational Intelligence and Where Is It Going? In: Włodzisław Duch, Jacek Mandziuk (Hrsg.): Challenges for Computational Intelligence (= Studies in Computational Intelligence). Band 63. Springer, Berlin, Heidelberg 2007, ISBN 978-3-540-71983-0, S. 1–13, doi:10.1007/978-3-540-71984-7.
  8. ↑ a b c John Fulcher: Introduction, Overview, Definitions. In: John Fulcher, L. C. Jain (Hrsg.): Computational Intelligence: A Compendium (= Studies in Computational Intelligence). Nr. 115. Springer, Berlin, Heidelberg 2008, ISBN 978-3-540-78292-6, S. 3–7, doi:10.1007/978-3-540-78293-3.
  9. ↑ a b Volker Nissen: Evolutionäre Algorithmen. Deutscher Universitätsverlag, Wiesbaden 1994, ISBN 3-8244-0217-3, doi:10.1007/978-3-322-83430-0.
    1. ↑ Hybridsysteme, S. 265-312
  10. ↑ a b c d e Thomas Hanne, Rolf Dornberger: Computational Intelligence. In: Computational Intelligence in Logistics and Supply Chain Management (= International Series in Operations Research & Management Science). Band 244. Springer International Publishing, Cham 2017, ISBN 978-3-319-40720-3, S. 13–41, doi:10.1007/978-3-319-40722-7.
  11. ↑ Alexander Hošovský, Ján Piteľ, Monika Trojanová, Kamil Židek: Computational Intelligence in the Context of Industry 4.0. In: D.T. Matt, V. Modrák, H. Zsifkovits (Hrsg.): Implementing Industry 4.0 in SMEs. Springer International Publishing, Cham 2021, ISBN 978-3-03070515-2, doi:10.1007/978-3-030-70516-9_2.
    1. ↑ a b c d e f S. 30-31
    2. ↑ a b S. 28
    3. ↑ a b Artificial Immune Systems, S. 48-52
  12. ↑ Russell Eberhart, Yuhui Shi: Computational Intelligence. Elsevier / Morgan Kaufmann, Amsterdam, Boston 2007, ISBN 978-1-55860-759-0, doi:10.1016/B978-1-55860-759-0.X5000-8.
    1. ↑ a b c d e Preface, S. XIII-XIX
    2. ↑ Biological Basis for Neural Networks, S. 4-6
    3. ↑ a b Neural Networks, S. 12-13
  13. ↑ a b c d e Cengiz Kahraman (Hrsg.): Computational Intelligence Systems in Industrial Engineering: With Recent Theory and Applications (= Atlantis Computational Intelligence Systems. Band 6). Atlantis Press, Paris 2012, ISBN 978-94-91216-76-3, Preface, S. VII-XI, doi:10.2991/978-94-91216-77-0.
  14. ↑ Lotfi A. Zadeh: Fuzzy Logic, Neural Networks, and Soft Computing. In: Communications of the ACM. Band 37, Nr. 3, März 1994, ISSN 0001-0782, S. 77–84, doi:10.1145/175247.175255.
  15. ↑ a b Lotfi A. Zadeh: Roles of Soft Computing and Fuzzy Logic in the Conception, Design and Deployment of Information/Intelligent Systems. In: Okyay Kaynak, Lotfi A. Zadeh, Burhan Türkşen, Imre J. Rudas (Hrsg.): Computational Intelligence: Soft Computing and Fuzzy-Neuro Integration with Applications. Springer, Berlin, Heidelberg 1998, ISBN 3-642-63796-5, S. 1–9, doi:10.1007/978-3-642-58930-0_1.
  16. ↑ Volker Nissen: Soft Computing. (Memento vom 25. März 2019 im Internet Archive) In: Enzyklopaedie der Wirtschaftsinformatik. Lehrstuhl für Wirtschaftsinformatik, Universität Potsdam; abgerufen am 27. Dezember 2025.
  17. ↑ a b Sakunthala S: Soft Computing Techniques and Applications in Electrical Drives Fuzzy logic, and Genetic Algorithm. In: HELIX. Band 8, Nr. 2, 28. Februar 2018, S. 3285–3289, doi:10.29042/2018-3285-3289.
  18. ↑ a b Soft Computing vs. Hard Computing: Key Differences. In: WisdomPlexus. 23. Mai 2025, abgerufen am 27. Dezember 2025 (englisch).
  19. ↑ a b Difference between Soft Computing and Hard Computing. GeeksforGeeks, 22. Februar 2023, abgerufen am 27. Dezember 2025 (englisch).
  20. ↑ a b James C. Bezdek: Computational Intelligence Defined - By Everyone ! In: Okyay Kaynak, Lotfi A. Zadeh, Burhan Türkşen, Imre J. Rudas (Hrsg.): Computational Intelligence: Soft Computing and Fuzzy-Neuro Integration with Applications. Springer, Berlin, Heidelberg 1998, ISBN 3-642-63796-5, S. 10–37, doi:10.1007/978-3-642-58930-0_2.
  21. ↑ Allan M. Turing: I.—COMPUTING MACHINERY AND INTELLIGENCE. In: Mind. Band LIX, Nr. 236, 1. Oktober 1950, ISSN 1460-2113, S. 433–460, doi:10.1093/mind/LIX.236.433.
  22. ↑ Computational Intelligence - Issue archive. In: Computational Intelligence. Wiley Online Library, doi:10.1111/(issn)1467-8640 (wiley.com [abgerufen am 28. Dezember 2025]).
  23. ↑ a b IEEE Computational Intelligence Society History. In: Engineering and Technology History Wiki. 3. März 2025, abgerufen am 28. Dezember 2025 (englisch).
  24. ↑ James C. Bezdek: What is Computational Intelligence? In: Jacek M. Zurada, Robert J. Marks II, Charles J. Robinson (Hrsg.): Computational Intelligence: Imitating Life. IEEE Press, New York, NY 1994, ISBN 0-7803-1104-3, S. 1–12.
  25. ↑ a b c Scott Robinson, Wesley Chai: What is fuzzy logic? 13. August 2025, abgerufen am 28. Dezember 2025 (englisch).
  26. ↑ Witold Pedrycz: Fuzzy Control and Fuzzy Systems (= Electronic & Electrical Engineering Research Studies. Nr. 4). 2. erweiterte Auflage. Research Studies Press; Wiley, Taunton, Somerset, England : New York 1993, ISBN 0-86380-131-5.
  27. ↑ a b Frank Höppner, Frank Klawonn, Rudolf Kruse, Thomas Runkler (Hrsg.): Fuzzy Cluster Analysis: Methods for Classification, Data Analysis and Image Recognition. Wiley, Chichester Weinheim 1999, ISBN 0-471-98864-2.
  28. ↑ J. C. Dunn: A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters. In: Journal of Cybernetics. Band 3, Nr. 3, Januar 1973, ISSN 0022-0280, S. 32–57, doi:10.1080/01969727308546046.
  29. ↑ A.E. Eiben, J.E. Smith: Introduction to Evolutionary Computing (= Natural Computing Series). 2. Auflage. Springer, Berlin, Heidelberg 2015, ISBN 978-3-662-44873-1, doi:10.1007/978-3-662-44874-8.
    1. ↑ Evolutionary Computing: The Origins, S. 13-24
    2. ↑ Popular Evolutionary Algorithm Variants, S. 99-116
    3. ↑ Evolutionary Computing: Why?, S. 20-24
    4. ↑ Multiobjective Evolutionary Algorithms, S. 195-202
  30. ↑ Karsten Weicker: Evolutionäre Algorithmen. Springer Fachmedien, Wiesbaden 2015, ISBN 978-3-658-09957-2, doi:10.1007/978-3-658-09958-9.
    1. ↑ Natürliche Evolution, S.1-15; Von der Evolution zur Optimierung, S. 19-42
    2. ↑ Evolutionäre Standardalgorithmen, S. 127-183
    3. ↑ Anwendung evolutionärer Algorithmen, S. 237-288
  31. ↑ Kenneth A. DeJong: Evolutionary Computation: A Unified Approach (= A Bradford book). MIT Press, Cambridge, Mass. 2006, ISBN 0-262-52960-2.
    1. ↑ Evolutionary Algorithms as Problem Solvers, S. 71–114
  32. ↑ Jürgen Branke, Kalyanmoy Deb, Kaisa Miettinen, Roman Słowiński (Hrsg.): Multiobjective Optimization: Interactive and Evolutionary Approaches (= Lecture Notes in Computer Science. Band 5252). Springer, Berlin, Heidelberg 2008, ISBN 978-3-540-88907-6, doi:10.1007/978-3-540-88908-3.
  33. ↑ Erick Cantú-Paz: Efficient and Accurate Parallel Genetic Algorithms (= Genetic Algorithms and Evolutionary Computation. Band 1). Springer US, Boston, MA 2001, ISBN 1-4613-6964-9, doi:10.1007/978-1-4615-4369-5.
  34. ↑ Hatem Khalloof, Mohammad Mohammad, Shadi Shahoud, Clemens Duepmeier, Veit Hagenmeyer: A Generic Flexible and Scalable Framework for Hierarchical Parallelization of Population-Based Metaheuristics. ACM, 2020, ISBN 978-1-4503-8115-4, S. 124–131, doi:10.1145/3415958.3433041.
  35. ↑ Tobias Friedrich, Markus Wagner: Seeding the initial population of multi-objective evolutionary algorithms: A computational study. In: Applied Soft Computing. Band 33, August 2015, S. 223–230, doi:10.1016/j.asoc.2015.04.043.
  36. ↑ Wilfried Jakob, Sylvia Strack, Alexander Quinte, Günther Bengel, Karl-Uwe Stucky, Wolfgang Süß: Fast Rescheduling of Multiple Workflows to Constrained Heterogeneous Resources Using Multi-Criteria Memetic Computing. In: Algorithms. Band 6, Nr. 2, 22. April 2013, ISSN 1999-4893, S. 245–277, doi:10.3390/a6020245.
  37. ↑ James Kennedy, Russell C. Eberhart, Yuhui Shi: Swarm Intelligence. Elsevier, 2001, ISBN 1-55860-595-9, doi:10.1016/b978-1-55860-595-4.x5000-1.
  38. ↑ Eric Bonabeau, Marco Dorigo, Guy Theraulaz: Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press, New York 1999, ISBN 0-19-513158-4, doi:10.1093/oso/9780195131581.001.0001.
  39. ↑ Riccardo Poli: Analysis of the Publications on the Applications of Particle Swarm Optimisation. In: Journal of Artificial Evolution and Applications. Band 2008, Nr. 1, Januar 2008, ISSN 1687-6229, doi:10.1155/2008/685175.
  40. ↑ Nilanjan Dey (Hrsg.): Applications of Ant Colony Optimization and its Variants: Case Studies and New Developments (= Springer Tracts in Nature-Inspired Computing). Springer Nature, Singapore 2024, ISBN 978-981-9972-26-5, doi:10.1007/978-981-99-7227-2.
  41. ↑ Bo Li, K. Wada: Parallelizing Particle Swarm Optimization. IEEE, 2005, ISBN 0-7803-9195-0, S. 288–291, doi:10.1109/PACRIM.2005.1517282.
  42. ↑ Marcus Randall, Andrew Lewis: A Parallel Implementation of Ant Colony Optimization. In: Journal of Parallel and Distributed Computing. Band 62, Nr. 9, September 2002, S. 1421–1432, doi:10.1006/jpdc.2002.1854.
  43. ↑ Rui-zhao Zheng, Yong Zhang, Kang Yang: A Transfer Learning-based Particle Swarm Optimization Algorithm for Travelling Salesman Problem. In: Journal of Computational Design and Engineering. Band 9, Nr. 3, 23. Mai 2022, ISSN 2288-5048, S. 933–948, doi:10.1093/jcde/qwac039.
  44. ↑ Li-Ning Xing, Ying-Wu Chen, Peng Wang, Qing-Song Zhao, Jian Xiong: A Knowledge-Based Ant Colony Optimization for Flexible Job Shop Scheduling Problems. In: Applied Soft Computing. Band 10, Nr. 3, Juni 2010, S. 888–896, doi:10.1016/j.asoc.2009.10.006.
  45. ↑ Olivier Pourret, Patrick Naïm, Bruce Gregory Marcot: Bayesian Networks: A Practical Guide to Applications (= Statistics in practice). J. Wiley, Chichester (GB) 2008, ISBN 978-0-470-06030-8.
  46. ↑ a b Georgina Cosma, David Brown, Matthew Archer, Masood Khan, A. Graham Pockley: A survey on computational intelligence approaches for predictive modeling in prostate cancer. In: Expert Systems with Applications. Band 70, März 2017, S. 1–19, doi:10.1016/j.eswa.2016.11.006.
  47. ↑ Rui Pinto, Gil Gonçalves: Application of Artificial Immune Systems in Advanced Manufacturing. In: Array. Band 15, September 2022, S. 100238, doi:10.1016/j.array.2022.100238.
  48. ↑ Paul Erdős, Joel H. Spencer: Probabilistic Methods in Combinatorics (= Probability and mathematical statistics, 17). Academic Press, New York 1974, ISBN 0-12-240960-4, doi:10.1007/978-3-0348-9078-6_132.
  49. ↑ Ajoy K. Palit, Dobrivoje Popovicþ: Computational Intelligence in Time Series Forecasting - Theory and Engineering Applications (= Advances in Industrial Control). Springer-Verlag, London 2005, ISBN 1-85233-948-9, doi:10.1007/1-84628-184-9.
  50. ↑ Jeanne Ellis Ormrod: Educational Psychology: Principles and Applications. Merrill ; Maxwell Macmillan Canada ; Maxwell Macmillan International, Englewood Cliffs, N.J. : Toronto : New York 1995, ISBN 0-675-21086-0.
  51. ↑ Knud Illeris, Dorothy Reader, Knud Illeris: The three dimensions of learning: contemporary learning theory in the tension field between the cognitive, the emotional and the social. 2. ed Auflage. Roskilde Univ. Press [u. a.], Frederiksberg 2004, ISBN 87-7867-121-3 (archive.org [abgerufen am 4. Januar 2026]).
  52. ↑ James Worrell: Computational Learning Theory: 2014-2015. In: Page of a CLT course. University of Oxford, abgerufen am 5. Januar 2026.
  53. ↑ A. L. Samuel: Some Studies in Machine Learning Using the Game of Checkers. In: IBM Journal of Research and Development. Band 3, Nr. 3, Juli 1959, ISSN 0018-8646, S. 210–229, doi:10.1147/rd.33.0210.
  54. ↑ S. Bhattacharyya, V. Snášel, D. Gupta, A. Khanna (Hrsg.): Hybrid Computational Intelligence - Challanges and Applications. Elsevier, 2020, ISBN 978-0-12-818699-2, doi:10.1016/c2018-0-03259-4.
  55. ↑ Priti Srinivas Sajja: Illustrated Computational Intelligence: Examples and Applications (= Studies in Computational Intelligence. Band 931). Springer, Singapore 2021, ISBN 978-981-15-9588-2, Examples and Applications on Hybrid Computational Intelligence Systems, S. 191–255, doi:10.1007/978-981-15-9589-9.
  56. ↑ Detlef Nauck, Andreas Nürnberger: Neuro-fuzzy Systems: A Short Historical Review. In: Computational Intelligence in Intelligent Data Analysis. Band 445. Springer, Berlin, Heidelberg 2013, ISBN 978-3-642-32377-5, S. 91–109, doi:10.1007/978-3-642-32378-2_7 (researchgate.net [abgerufen am 6. Januar 2026]).
  57. ↑ Zs.J. Viharos, K.B. Kis: Survey on Neuro-Fuzzy systems and their applications in technical diagnostics and measurement. In: Measurement. Band 67, Mai 2015, S. 126–136, doi:10.1016/j.measurement.2015.02.001.
  58. ↑ Andreas Nürnberger: Neuro-Fuzzy Systems. Otto-von-Guericke Universität, Magdeburg, 2001, abgerufen am 6. Januar 2026.
  59. ↑ Sven Behnke: Vorlesung Computational Intelligence. University of Bonn, Institute for Computer Science VI, Autonomous Intelligent Systems, abgerufen am 5. Januar 2026.
  60. ↑ Artificial Intelligence and Machine Learning Lab (AIML Lab). TU Darmstadt, FB Informatik, abgerufen am 5. Januar 2026.
  61. ↑ Computational Intelligence. TU-Dortmund, Fakultät für Informatik, abgerufen am 5. Januar 2026.
  62. ↑ Institut für Künstliche Intelligenz. TU Dresden, Institut für Künstliche Intelligenz, 12. Februar 2021, abgerufen am 5. Januar 2026.
  63. ↑ Computational Intelligence & Data Analytics (CIDA). Universität Kasel, FB 16 Elektrotechnik/Informatik, abgerufen am 5. Januar 2026.
  64. ↑ Ralf Mikut, Markus Reischl: Computational Intelligence im Maschinenbau. KIT - Institut für Automation und angewandte Informatik (IAI), abgerufen am 5. Januar 2026.
  65. ↑ Petra Gruner: Künstliche Intelligenz. KIT, Fakultät für Informatik, 11. März 2025, abgerufen am 5. Januar 2026.
  66. ↑ Chair of Computational Intelligence. Otto-von-Guericke-Universität Magdeburg, Institute for Intelligent Cooperating Systems, 1. Dezember 2025, abgerufen am 5. Januar 2026 (englisch).
  67. ↑ Künstliche Intelligenz studieren. Uni Osnabrück, abgerufen am 5. Januar 2026.
  68. ↑ Joeran Beel: Machine Learning at ETI. Universität Siegen, 19. Januar 2022, abgerufen am 5. Januar 2026.
  69. ↑ AKIS - Interdisziplinäres Institut für Angewandte KI. Hochschule Bochum, abgerufen am 6. Januar 2026.
  70. ↑ Data Science und Künstliche Intelligenz. Fachbereich Mathematik und Naturwissenschaften, Hochschule Darmstadt, abgerufen am 6. Januar 2026.
  71. ↑ Franziska Folberth: KI-Studienangebote an der Frankfurt UAS. Frankfurt University of Applied Sciences, 14. Januar 2025, abgerufen am 6. Januar 2026.
  72. ↑ Künstliche Intelligenz in den Ingenieurwissenschaften. HKA - Hochschule Karlsruhe, 4. September 2025, abgerufen am 5. Januar 2026.
  73. ↑ Fakultät für Informatik und Ingenieurwissenschaften. TH Köln, Campus Gummersbach, abgerufen am 6. Januar 2026.
  74. ↑ SICIM Sächsisches Institut für Computational Intelligence und Machine Learning. Hochschule Mittweida, abgerufen am 6. Januar 2026.
  75. ↑ Künstliche Intelligenz. Hochschule Osnabrück, abgerufen am 5. Januar 2026.
  76. ↑ Angewandte Künstliche Intelligenz M.Sc. (berufsbegleitendes Verbundstudium). Fachhochschule Südwestfalen, 9. Oktober 2025, abgerufen am 6. Januar 2026.
Abgerufen von „https://de.wikipedia.org/w/index.php?title=Computational_Intelligence&oldid=263127690“