• Multiobjective Optimization im evolutionären Machine Learning / Pittsburgh LCS (Bachelor- oder Masterarbeit / FM/ PM, Ansprechpartner: Michael Heider)
• Compaction algorithms in XCS(F) (Bachelor- oder Masterarbeit, Ansprechpartner: Michael Heider)

•  Optimierung der Ausführreihenfolge von Programmcode (Bachelor-/Masterarbeit, Ansprechpartner: Michael Heider)
• Comparison and analysis of different methods for automated algorithm configuration (also known as parameter tuning) on optimization and machine learning tasks (Projektmodul, Bachelor- oder Masterarbeit, Ansprechpartner: Jonathan Wurth)
• Automated algorithm selection: learning to select the best optimization algorithm / metaheuristic for solving a specific optimization problem (Projektmodul, Bachelor- oder Masterarbeit , Ansprechpartner: Jonathan Wurth)
• Automating the design of optimization algorithms / metaheuristics with (Push) genetic programming (Projektmodul, Bachelor- oder Masterarbeit, Ansprechpartner:  Jonathan Wurth)
• Learning to Optimize: use deep learning to learn efficient optimization algorithms / metaheuristics (Projektmodul oder Masterarbeit, Ansprechpartner: Jonathan Wurth)
• Competitive coevolution of optimization algorithms / metaheuristics and problem instances (Projektmodul oder Masterarbeit,  Ansprechpartner: Jonathan Wurth)
• Efficient continuous and combinatorial optimization problem instance generators in Rust or Julia (Praxis- oder Projektmodul, Ansprechpartner:  Jonathan Wurth)

• IoT-Netzwerke mit IEEE 802.15.4 (DetNet, Traffic Engineering, Contiki NG, Nordic Semiconductor nRF52840)
• IoT-Netzwerke mit LoRa (z.B. Meshtastic, LoRaWAN, Smart City, Heltec WiFi LoRa 32(V3))
• IoT-Projekte mit Arduino Nano 33 BLE Sense oder Raspberry Pi Pico (2) W (z.B. TinyML)
• Time-Sensitive Networking (TSN) (z.B. Vergleich von Traffic Shapern mit OMNeT++ und INET)
• Congestion Control für Rechenzentren in Simulation (z.B. DCTCP, PowerTCP, ...)
• Vehicular Networking mit OMNeT++ und Veins Simulator

• Modellbasierte Reinforcement-Learning-Methoden setzen auf die Verwendung von expliziten Umgebungsmodellen, um Vorhersagen über künftige Zustände und Belohnungen zu treffen. Ziel dieser Arbeit ist die Reimplementation solcher Methoden sowie ihre Anwendung und Evaluation anhand verschiedener Problemstellungen im gymnasium-Umfeld. (Projektmodul, Bachelor- oder Masterarbeit, Ansprechpartner:  Marco Steinberger)

• Multi-Agent Reinforcement Learning (MARL) ist ein spezialisiertes Feld des maschinellen Lernens, das die Interaktion mehrerer Agenten innerhalb einer gemeinsamen Umgebung untersucht. Ziel der hier ausgeschriebenen Arbeit ist es, einen fundierten Vergleich zwischen MARL und Single-Agent RL zu erstellen. Hierfür sollen geeignete Agenten identifiziert und implementiert sowie passende Benchmarks ausgewählt werden, die einen sinnvollen Vergleich ermöglichen. Durch diese Arbeit sollen die Unterschiede und Vorteile beider Ansätze herausgearbeitet werden. (Projektmodul, Masterarbeit oder Bachelorarbeit in Kombination mit Forschungsmodul; Ansprechpartner:  Marco Steinberger)

• Die Multi-Layer Observer Controller (MLOC) Architektur findet bereits in diversen Bereichen Anwendung, wobei eine der prominentesten Domänen der Straßenverkehr - insbesondere die optimale Steuerung von Ampeln - ist. Ziel dieser Arbeit ist es, moderne Reinforcement Learning Algorithmen in die MLOC Architektur zu integrieren und deren Leistung mit dem Verkehrssimulator SUMO zu evaluieren. (Projektmodul, Bachelor- oder Masterarbeit, Ansprechpartner:  Marco Steinberger)

• Bayesian Networks sind als Tool für viele Anwendungen verwendbar, darunter auch für die Detektion und Diagnose von Anomalien in Datensätzen. Wie kann ein Anwendungsfall im Feld Predictive Maintenance mithilfe von Expertenwissen und aufgezeichneten Daten implementiert werden? (Projektmodul, Bacheloarbeit oder Masterarbeit; Ansprechpartner: Lukas Meitz).

• Erstellung eines Agenten zur Konfiguration von industriellen Fertigungsanlagen (Projektmodul oder Masterarbeit; Ansprechpartner: Michael Heider).
• Eine praktische Demonstration von Explainability in ML; XAI in industry (Bachelor- oder Masterarbeit; Ansprechpartner: Michael Heider).

Cartesian Genetic Programming (CGP) ist eine Unterart der Genetischen Programmierung - Lösungen werden in einer Graph-Struktur dargestellt anstatt einer Baum-Struktur.

Dadurch entstehen sowohl Vor- als auch Nachteile.

Das Thema des Projektmoduls / Abschlussarbeit ist CGP, wobei das Ziel und die Details individuell besprochen werden.

Die komplette Algorithmik (Implementierung von CGP, etc.) muss in einer kompilierbaren, performanten Sprache geschrieben werden (C++, Rust, Julia, ...). Die Programmiersprache für die Evaluation ist frei wählbar.

(Projektmodul, Bachelor- oder Masterarbeit. Ansprechpartner: Henning Cui)

Predictive Maintenance (PdM) nutzt Datenanalyse und Machine Learning, um den Zustand von Maschinen kontinuierlich zu überwachen und Ausfälle vorherzusagen. Ziel ist es, durch rechtzeitige Wartungsmaßnahmen unerwartete Stillstände zu vermeiden, die Lebensdauer von Maschinen zu verlängern und die Effizienz zu steigern. In einer Abschlussarbeit können aktuell offene Fragestellungen im Forschungsfeld bearbeitet werden, z.B. durch die praxisnahe Integration von PdM oder das Testen moderner Machine-Learning Modelle. (Projektmodul oder Abschlussarbeit Bachelor und Master; Ansprechpartner: Lukas Meitz)

Eine Abschlussarbeit in Kooperation mit einem externen Unternehmen kann nach Absprache von uns betreut werden. Nehmen Sie gerne Kontakt mit uns auf, falls Sie ein spannendes Thema und einen passenden Partner an der Hand haben.

• Wir bieten einige Themen in Kooperation mit folgenden Unternehmen an:
   
  • Firma OSRAM im Bereich
     
    • Active Learning zum Effizienten Trainieren von Industriedaten
    • Explainable AI für industrielle Bildverarbeitung
    • Weitere Themen nach Absprache möglich