Die Arbeit widmet sich der Rekonstruktion von Polygonzügen aus 2D-Punktwolkendaten. Die Daten wurden mittels Laser-Scannern erhoben und bilden Grundrisse von historischer Architektur ab. Die Arbeit beleuchtet die Arbeitsfähigkeit von GPU-parallelisierten genetischen Algorithmen, bei dem Versuch aus diesen Daten Polygone und Streckenzüge zu erheben die zu den ursprünglichen Daten kongruent sind.:1 Introduction 5 1.1 Point Cloud Reconstruction 5 1.2 Genetic Algorithms 7 1.3 Evaluation of Results 8 2 Evolutionary Algorithms 10 2.1 Metaheuristic Approaches 10 2.1.1 NPO-problems 11 2.1.2 Metaheuristics 11 2.2 Evolutionary Computing 12 2.2.1 Definition and Motivation 13 2.2.2 Fundamentals and Terminology 13 2.2.3 The Genetic Algorithm 14 2.2.4 Individuals in Genetic Algorithms 15 2.2.5 Components of Genetic Algorithms 15 2.3 Parallel Genetic Algorithms 20 2.3.1 Taxonomy for Parallel Genetic Algorithms 20 2.3.2 Global Parallel Genetic Algorithms 20 3 Hardware Accelerators 22 3.1 SIMD in Global Parallel Gentic Algorithms 22 3.2 OpenCL 23 4 Concepts and Implementation 25 4.1 Input Data and Pre-Proccesing 26 4.2 Genotype Construction 30 4.3 The Fitness Function 33 4.4 Mutation 35 4.5 The Genetic Algorithm 36 4.6 Global Parallelization and GPU-Usage 38 5 Results and Evaluation 40 5.1 Wall-Time and Fitness 40 5.2 Visual Observation 43 6 Conclusion 44 Appendices 47 A Terminology for Evolutionary Algorithms 48 B PC1 49 C PC2 50 D PC3 51 E PC1 Convergence 52 F PC2 Convergence 53 G PC3 Convergence 54 H Layout Reconstruction 1 55 I Layout Reconstruction 2 56 J t-test for implementation comparison 57

Univ., Diss.--Karlsruhe, 2003.

Im Rahmen des FACETS-Projektes ist die optimierte Abbildung neuronaler Netzwerke durch spezielle Algorithmen auf dafür konzipierte Hardware notwendig, um die Simulation plastischer und pulsierender Modelle zu ermöglichen. Die Erstellung der biologischen und Hardware- Modelle sowie die Konzeptionierung und Analyse der Algorithmen werden in dieser Arbeit vorgestellt.

Univ., Diss.--Augsburg, 2001. / Literaturverz. S. [285] - 311.

Univ., Diss.--Münster, 2003.

Simulation based optimisation or simulation optimisation is an important field in stochastic optimisation. The present report introduces into that problem area. We distinguish between the non-recursive and recursive approaches of simulation optimisation. For the non-recursive approach we consider three methods, the retrospective, SPO-, and the RS-methods. With the help of a simple inventory problem we discuss the advantages and disadvantages of these methods. As a recursive method we consider in the second part of our report the coupling of simulation with Genetic Algorithms. As an application example we take a complex multi-location inventory model with lateral transshipments. From our experiences with such optimisation problems we finally formulate some principles, which may be relevant in simulation optimisation.

Univ., Diss.--Osnabrück, 2004.

Im Rahmen des FACETS-Projektes ist die optimierte Abbildung neuronaler Netzwerke durch spezielle Algorithmen auf dafür konzipierte Hardware notwendig, um die Simulation plastischer und pulsierender Modelle zu ermöglichen. Die Erstellung der biologischen und Hardware- Modelle sowie die Konzeptionierung und Analyse der Algorithmen werden in dieser Arbeit vorgestellt.

Spreadsheets are very successful content generation tools, used in almost every enterprise to create a wealth of information. However, this information is often intermingled with various formatting, layout, and textual metadata, making it hard to identify and interpret the tabular payload. Previous works proposed to solve this problem by mainly using heuristics. Although fast to implement, these approaches fail to capture the high variability of user-generated spreadsheet tables. Therefore, in this paper, we propose a supervised approach that is able to adapt to arbitrary spreadsheet datasets. We use a graph model to represent the contents of a sheet, which carries layout and spatial features. Subsequently, we apply genetic-based approaches for graph partitioning, to recognize the parts of the graph corresponding to tables in the sheet. The search for tables is guided by an objective function, which is tuned to match the specific characteristics of a given dataset. We present the feasibility of this approach with an experimental evaluation, on a large, real-world spreadsheet corpus.

Die folgende Arbeit befasst sich mit den Untersuchungen von Problemen der Optimierung von Ressourcen in Umgebungen mit unvorhersehbarem Verhalten, wo: (i) nicht alle Informationen verfügbar sind, und (ii) die Umgebung unbekannte zeitliche Veränderungen aufweist. Diese Dissertation ist folgendermaßen gegliedert: Teil I stellt das Investitionsmodell vor. Es wird sowohl eine analytische als auch eine numerische Analyse der Dynamik dieses Modells für feste Investitionsstrategien in verschiedenen zufälligen Umgebungen vorgestellt. In diesem Investitionsmodell hängt die Dynamik des Budgets des Agenten x(t) von der Zufälligkeit der exogenen Rendite r(t) ab, wofür verschiedene Annahmen diskutiert wurden. Die Heavy-tailed Verteilung des Budgets wurde numerisch untersucht und mit theoretischen Vorhersagen verglichen. In Teil II wurde ein Investitionsszenario mit stilisierten exogenen Renditen untersucht, das durch eine periodische Funktion mit verschiedenen Arten und Stärken von Rauschen charakterisiert ist. In diesem Szenario wurden unterschiedliche Strategien, Agenten-Verhalten und Agenten Fähigkeiten zur Vorhersage der zukünftigen r(t) untersucht. Hier wurden Null-intelligenz-Agenten, die über technischen Analysen verfügen, mit Agenten, die über genetischen Algorithmen verfügen, verglichen. Umfangreiche Ergebnisse von Computersimulationen wurden präsentiert, in denen nachgewiesen wurde, dass für exogene Renditen mit Periodizität: (i) das wagemutige das vorsichtige Verhalten überbietet, und (ii) die genetischen Algorithmen in der Lage sind, die optimalen Investitionsstrategien zu finden und deshalb die anderen Strategien überbieten. Obwohl der Schwerpunkt dieser Dissertation im Zusammenhang mit dem Gebiet der Informatik präsentiert wurde, können die hier vorgestellten Ergebnisse auch in Szenarien angewendet werden, in denen der Agent anderere Arten von Ressourcen steuern muss, wie z.B. Energie, Zeitverbrauch, erwartete Lebensdauer, etc. / The main goal of this PhD thesis is to investigate some of the problems related to optimization of resources in environments with unpredictable behavior where: (i) not all information is available and (ii) the environment presents unknown temporal changes. The investigations in this PhD thesis are divided in two parts: Part I presents the investment model and some analytical as well as numerical analysis of the dynamics of this model for fixed investment strategies in different random environments. In this investment model, the dynamics of the investor''s budget x(t) depend on the stochasticity of the exogenous return on investment r(t) for which different model assumptions are discussed. The fat-tail distribution of the budget is investigated numerically and compared with theoretical predictions. Part II investigates an investment scenario with stylized exogenous returns characterized by a periodic function with different types and levels of noise. In this scenario, different strategies, agent''s behaviors and agent''s capacities to predict the future r(t) are investigated. Here, ''zero-intelligent'' agents using technical analysis (such as moving least squares) are compared with agents using genetic algorithms to predict r(t). Results are presented for extensive computer simulations, which shows that for exogenous returns with periodicity: (i) the daring behavior outperforms the cautious behavior and (ii) the genetic algorithm is able to find the optimal investment strategy by itself, thus outperforming the other strategies considered. Finally, the investment model is extended to include the formation of common investment projects between agents. Although the main focus of this PhD thesis is more related to the area of computer science, the results presented here can be also applied to scenarios where the agent has to control other kinds of resources, such as energy, time consumption, expected life time, etc.