| Teil I: Einführung | 19 |
| 1 Einführung | 21 |
| 1.1 Neue Herausforderungen an technische Systeme | 21 |
| 1.2 Komplexe, komplizierte und chaotische Systeme | 22 |
| 1.3 Grenzen traditioneller Berechnungsmethoden | 22 |
| 1.4 Naturinspirierte Berechnungsmethoden | 23 |
| 1.4.1 Bionik | 23 |
| 1.4.2 Künstliche Intelligenz | 26 |
| 1.4.3 Natural Computing | 28 |
| 1.4.4 Soft Computing | 29 |
| 1.4.5 Computational Intelligence | 29 |
| 1.5 Abschließende Bemerkungen | 33 |
| 2 Problemstellungen und Lösungsansätze | 35 |
| 2.1 Einführende Beispiele | 35 |
| 2.2 Mustererkennung und Klassifikation | 39 |
| 2.2.1 Einführung in die Problemstellung | 39 |
| 2.2.2 Entwurfs- und Auslegungskonzepte | 43 |
| 2.2.3 Kriterien zur Ergebnisbewertung | 51 |
| 2.2.4 Praktische Beispiele | 52 |
| 2.2.5 Weiterführende Literatur | 54 |
| 2.2.6 Zusammenfassende Bewertung | 54 |
| 2.3 Modellbildung | 56 |
| 2.3.1 Einführung in die Problemstellung | 56 |
| 2.3.2 Entwurfs- und Auslegungskonzepte | 60 |
| 2.3.3 Kriterien zur Ergebnisbewertung | 65 |
| 2.3.4 Praktische Beispiele | 72 |
| 2.3.5 Weiterführende Literatur | 75 |
| 2.3.6 Zusammenfassende Bewertung | 76 |
| 2.4 Regelung | 78 |
| 2.4.1 Einführung in die Problemstellung | 78 |
| 2.4.2 Entwurfs- und Auslegungskonzepte | 81 |
| 2.4.3 Kriterien zur Ergebnisbewertung | 93 |
| 2.4.4 Praktische Beispiele | 96 |
| 2.4.5 Weiterführende Literatur | 100 |
| 2.4.6 Zusammenfassende Bewertung | 100 |
| 2.5 Optimierung und Suche | 102 |
| 2.5.1 Einführung in die Problemstellung | 102 |
| 2.5.2 Entwurfs- und Auslegungskonzepte | 108 |
| 2.5.3 Kriterien zur Ergebnisbewertung | 111 |
| 2.5.4 Praktische Beispiele | 113 |
| 2.5.5 Weiterführende Literatur | 116 |
| 2.5.6 Zusammenfassende Bewertung | 117 |
| 2.6 Beispiele und Benchmarks | 119 |
| Teil II: Fuzzy-Systeme | 121 |
| 3 Einleitung | 123 |
| 4 Allgemeine Prinzipien | 125 |
| 4.1 Fuzzy-Mengen, Grundoperationen und linguistische Variablen | 125 |
| 4.2 Mamdani-Fuzzy-Systeme | 129 |
| 4.3 Relationale Fuzzy-Systeme | 134 |
| 4.4 Takagi-Sugeno-Systeme | 137 |
| 4.5 Multivariate Zugehörigkeitsfunktionen und allg. Fuzzy-Partitionierungen | 139 |
| 4.6 Gegenüberstellung von Mamdani- und Takagi-Sugeno-Fuzzy-Systemen | 142 |
| 4.7 Kurze Historie | 142 |
| 5 Clusterverfahren | 145 |
| 5.1 Grundlegende Prinzipien | 145 |
| 5.1.1 Abstand und Metrik | 145 |
| 5.1.2 Einfaches Beispiel: Nächste-Nachbarn-Klassifikation | 148 |
| 5.2 Umsetzung | 149 |
| 5.2.1 Ablauf eines Clusterverfahrens | 151 |
| 5.2.2 c-Means-Algorithmus | 151 |
| 5.2.3 Fuzzy-c-Means-Algorithmus | 152 |
| 5.2.4 Gustafson-Kessel-Algorithmus | 158 |
| 5.2.5 Bestimmung der Clusteranzahl bei Fuzzy-Clusterverfahren | 162 |
| 5.2.6 Wahl des Unschärfeparameters | 164 |
| 5.2.7 Verfahrenserweiterungen | 165 |
| 6.2.1 Identifikation statischer LiP-Modelle mittels LS-Verfahren | 168 |
| 6.2.2 Identifikation linearer dynamischer Eingrößenmodelle | 172 |
| 6.2.3 Ablauf einer Identifikation | 178 |
| 6.3 Fuzzy-Modelle | 180 |
| 6.3.1 Statische Fuzzy-Modelle | 180 |
| 6.3.2 Gewinnung zeitkontinuierlicher dynamischer Fuzzy-Modelle | 188 |
| 6.3.3 Identifikation zeitdiskreter dynamischer Takagi-Sugeno-Modelle | 189 |
| 7 Regelung | 195 |
| 7.1 Einführung | 195 |
| 7.2 Mamdani-Fuzzy-Regler | 196 |
| 7.2.1 Fuzzy-P-Regler | 196 |
| 7.2.2 Fuzzy-PI/PD-Regler | 199 |
| 7.2.3 Anmerkungen | 201 |
| 7.3 Fuzzy-basierte Selbsteinstellung für PI-Regler | 202 |
| 7.4 Relationaler Fuzzy-Reglerentwurf | 203 |
| 7.4.1 Reglerentwurf durch Modellinversion | 203 |
| 7.4.2 Fuzzy-Vorsteuerung | 205 |
| 7.5 Fuzzy-Gain-Scheduling und Takagi-Sugeno-Regler | 207 |
| 7.5.1 Lineare Zustandsmodelle | 208 |
| 7.5.2 Affine Zustandsmodelle | 210 |
| 7.6 Realisierungsaspekte | 213 |
| 8 Anwendungsbeispiele | 215 |
| 8.1 Clusterung mittels Fuzzy-c-Means | 215 |
| 8.1.1 Fehlererkennung und -isolierung bei Brennstoffzellen | 215 |
| 8.1.2 Klinische instrumentelle Ganganalyse | 216 |
| 8.2 Fuzzy-Klassifikation (nicht linear separierbares Zwei-Klassenproblem) | 217 |
| 8.3 Fuzzy-Modellbildung | 218 |
| 8.3.1 Kennfläche eines Axialkompressors | 218 |
| 8.3.2 Dynamisches Modell einer Klärschlammverbrennungsanlage | 220 |
| 8.4 Mamdani-Fuzzy-Regelung eines Drei-Tanksystems | 221 |
| 6 Datengetriebene Modellbildung | 167 |
| 6.1 Einführung | 167 |
| 6.2 Lineare Systemidentifikation | 167 |
| 9 Übungsaufgaben | 227 |
| 9.1 Clusterung einer Objektmenge | 227 |
| 9.2 Mamdani-Fuzzy-Regler | 228 |
| 9.3 Kompensation einer nichtlinearen Ventilkennlinie | 229 |
| Teil III: Künstliche Neuronale Netze | 239 |
| 10 Einleitung | 241 |
| 11 Allgemeine Prinzipien | 243 |
| 11.1 Netzstrukturen und -topologien | 243 |
| 11.1.1 Schichten | 243 |
| 11.1.2 Vorwärtsgerichtete und rückgekoppelte Netze | 244 |
| 11.2 Lernkonzepte | 245 |
| 11.3 Universelle Approximation und Netzstruktur | 246 |
| 11.4 Effizienz und Lösungsqualität von Suchverfahren | 247 |
| 11.5 Kurze Historie | 248 |
| 12 Multi-Layer-Perceptron-(MLP-)Netze | 251 |
| 12.1 Aufbau und Funktionsprinzip eines Neurons | 251 |
| 12.2 Netzaufbau und Übertragungsverhalten | 252 |
| 12.3 Training/Lernverfahren | 256 |
| 12.3.1 Delta-Regel | 256 |
| 12.3.2 Backpropagation-Algorithmus | 258 |
| 12.4 Probleme beim Einsatz des Backpropagation-Verfahrens | 265 |
| 12.5 Erweiterungen des Backpropagation-Verfahrens | 266 |
| 12.6 Mustererkennung mit MLP-Netzen | 268 |
| 12.6.1 Trennflächenform und Ebenenanzahl | 268 |
| 12.6.2 Training des Klassifikators | 271 |
| 12.7 Modellbildung mit MLP-Netzen | 277 |
| 12.8 Modellbasierte prädiktive Regelung mit MLP-Netzen | 278 |
| 9.4 Entwurf einer Vorsteuerung für einen Verbrennungsprozess | 231 |
| 9.5 Fuzzy-Kennlinienregler | 234 |
| 13 Radiale-Basisfunktionen-Netze | 279 |
| 13.1 Netzaufbau | 279 |
| 13.2 Basisfunktionen | 280 |
| 13.3 Übertragungsverhalten | 281 |
| 13.4 Lernverfahren | 283 |
| 13.4.1 Festlegung von Basen und Formparametern | 283 |
| 13.4.2 Ermittlung der Gewichte | 285 |
| 13.4.3 Parameteroptimierung | 285 |
| 13.5 Methodische Erweiterungen | 287 |
| 14.2 Lernverfahren | 291 |
| 15 Anwendungsbeispiele | 297 |
| 15.1 Kennfläche eines Axialkompressors (MLP) | 297 |
| 15.2 Dynamische Modellierung eines servo-hydraulischen Antriebs (MLP) | 299 |
| 15.3 Dynamische Modellierung eines servo-pneumatischen Antriebs (MLP) | 300 |
| 15.4 Fließkurvenmodellierung beim Kaltwalzen (MLP) | 301 |
| 15.5 Virtueller Kraftsensor für elastischen Roboterarm (MLP) | 302 |
| 15.6 Qualitätskenngrößenvorhersage bei Polymerisationsprozess mittels MLP-Netz | 303 |
| 15.7 Zustandsbewertung von Energieübertragungsnetzen (SOM) | 305 |
| 15.8 Routenplanung/TSP (SOM) | 306 |
| 16 Übungsaufgaben | 309 |
| 16.1 Ex-Or-Funktionsapproximation mittels MLP-Netz | 309 |
| 16.2 Klassifikation mittels MLP-Netzen (1) | 310 |
| 16.3 Klassifikation mittels MLP-Netzen (2) | 311 |
| 16.4 Funktionsapproximation mittels RBF-Netz | 312 |
| 16.5 Training einer Kohonenkarte | 313 |
| Teil IV: Evolutionäre Algorithmen | 315 |
| 17 Allgemeine Prinzipien | 317 |
| 17.1 Einführung | 317 |
| 17.2 Grundidee und -schema Evolutionärer Algorithmen | 318 |
| 17.3 Kurze Historie | 321 |
| 14 Selbstorganisierende Karten | 289 |
| 14.1 Netzaufbau und Funktionsprinzip | 289 |
| 18 Genetische Algorithmen | 323 |
| 18.1 Einführung | 323 |
| 18.2 Problemkodierung | 324 |
| 18.3 Algorithmusablauf | 327 |
| 18.4 Selektion der Elternteile | 328 |
| 18.4.1 Fitnessproportionale Selektion | 328 |
| 18.4.2 Rangbasierte Selektion | 331 |
| 18.4.3 Tournierbasierte Selektion | 332 |
| 18.5.4 Permutationsprobleme | 335 |
| 18.6 Mutation | 336 |
| 18.6.1 Binär kodierte kontinuierliche Probleme | 336 |
| 18.6.2 Ganzzahlig, symbolisch oder reell kodierte Probleme | 337 |
| 18.6.3 Permutationsprobleme | 337 |
| 18.7 Selektion der Überlebenden/Populationsmodelle | 338 |
| 18.8 Abbruchkriterium | 339 |
| 18.9 Erweiterungen/Weiterführendes | 339 |
| 18.10 Illustrierendes Beispiel | 339 |
| 19 Evolutionsstrategien | 343 |
| 19.1 Einführung | 343 |
| 19.2 Problemkodierung | 345 |
| 19.3 Startpopulation | 345 |
| 19.4 Algorithmusablauf | 346 |
| 19.5 Selektion der Elternteile | 346 |
| 19.6 Rekombination | 346 |
| 19.7 Mutation | 346 |
| 19.7.1 Rechenbergs 1/5-(Erfolgs-)Regel | 347 |
| 19.7.2 Einheitliche Mutationsschrittweitenadaption | 348 |
| 19.7.3 Separate unkorrelierte Mutationsschrittweitenadaption | 348 |
| 19.7.4 Separate korrelierte Mutationsschrittweitenadaption | 349 |
| 19.8 Selektion der Überlebenden/Populationsmodelle | 349 |
| 19.9 Abbruchkriterium | 350 |
| 19.10 Erweiterungen/Weiterführendes | 350 |
| 19.11 Illustrierendes Beispiel | 351 |
| 20 Genetisches Programmieren | 355 |
| 18.5 Rekombination durch Cross-over | 332 |
| 18.5.1 Binär kodierte kontinuierliche Probleme | 333 |
| 18.5.2 Reell kodierte kontinuierliche Probleme | 333 |
| 18.5.3 Ganzzahlig oder symbolisch kodierte Probleme | 334 |
| 21 Anwendungsbeispiele | 359 |
| 21.1 Formoptimierung eines Rohrkrümmers (ES) | 359 |
| 21.2 Pfadplanung für mobile Roboter (GA) | 360 |
| 21.3 Modellgenerierung für biotechnologische Prozesse (GP) | 361 |
| 22.4 Optimierung eines Fuzzy-Systems mittels Genetischem Algorithmus | 366 |
| Teil V: Weiterführende Methoden | 367 |
| 23 Hybride CI-Systeme | 369 |
| 23.1 Einführung | 369 |
| 23.2 Neuro-Fuzzy-Systeme | 371 |
| 23.2.1 Methodik | 371 |
| 23.2.2 Anwendungsbeispiel Schadensdiagnose von Abwasserrohren | 377 |
| 23.3 Evolutionäre Fuzzy-Systeme | 379 |
| 23.3.1 Methodik | 379 |
| 23.3.2 Anwendungsbeispiel Fuzzy-Reglung inverses Rotationspendel | 382 |
| 23.4 Evolutionäre Neuronale Netze | 384 |
| 23.4.1 Methodik | 384 |
| 23.4.2 Anwendungsbeispiel MLP-Netzoptimierung | 388 |
| 23.5 Evolutionäre Neuro-Fuzzy-Systeme | 390 |
| 23.6 Weiterführende Literatur | 390 |
| 24 Schwarmintelligenz & Künstliche Immunsysteme | 393 |
| 24.1 Einführung | 393 |
| 24.2 Schwarmintelligenz | 393 |
| 24.2.1 Partikelschwarmoptimierung | 393 |
| 24.2.2 Ameisenalgorithmen | 396 |
| 24.2.3 Weiterführende Literatur | 398 |
| 24.3 Künstliche Immunsysteme | 398 |
| 24.3.1 Biologisches Vorbild | 398 |
| 24.3.2 Technische Umsetzung | 401 |
| 24.3.3 Anwendungsbeispiel Unterdrückung von Störeinwirkungen | 403 |
| 24.3.4 Weiterführende Literatur | 404 |
| 22 Übungsaufgaben | 363 |
| 22.1 Routenplanung für mobilen Roboter mittels Genetischem Algorithmus | 363 |
| 22.2 Evolutionsstrategie zur Lösung eines kontinuierlichen Optimierungsproblems | 364 |
| 22.3 Formoptimierung mittels Genetischem Algorithmus | 364 |
| Anhang | 407 |
| 25 Anhang | 409 |
| 25.1 Verzeichnis häufiger Formelzeichen und Abkürzungen | 409 |
| 25.2 Vektoren und Matrizen | 413 |
| 25.3 Normalverteilung | 415 |
| 25.4 Graphen | 416 |
| 25.5 Herleitung des FCM-Algorithmus | 416 |
| 25.6 Berechnungsprogramme im Bereich der CI | 418 |
| Literatur | 421 |
| Verzeichnis der Anwendungsbeispiele | 441 |
| Index | 443 |
