Zugl.: Hamburg, Universiẗat, Diss., 2008.

Diss. Nr. 9926 techn. Wiss. ETH Zürich. / Literaturverz.

Techn. Hochsch., Diss., 2001--Aachen.

Bachelorarbeit ZHAW, 2008.

Zugl.: St. Gallen, Universiẗat, Diss., 1995.

Techn. University, Diss., 2002--Berlin.

University, Diss., 2003--Dortmund.

Essen, Universiẗat Diss., 2003--Duisburg.

Combine harvesters are used to gather plants from the field and separate them into the components of value, the grain and the straw. The optimal utilization of existing combine potential is an inevitable task to maximize harvest efficiency and hence to maximize profit. The only way to optimize the threshing and separation processes during harvest is to adjust the combine settings to existing conditions. Operating permanently at optimal harvest efficiency can only be achieved by an automatic control system. However, for reasons of transparency and due to lack of sensors, the approach in this thesis is a combined development of an interactive and an automatic control system for combine process optimization. The optimization of combine processes is a multi-dimensional and multi-objective optimization problem. The objectives of optimization are the harvest quality parameters. The decision variables, the parameters that can be modified, are the combine settings. Analytical optimization methods require the existence of a model that provides function values in dependence of defined input parameters. A comprehensive quantitative model for the input-output-behavior of the combine does not exist. Alternative optimization methods that handle multi-dimensional and multi-objective optimization problems can be found in the domain of Artificial Intelligence. In this work, knowledge acquisition was performed in order to obtain expert knowledge on combine process optimization. The result is a knowledge base with six adjustment matrices for different crop and combine types. The adjustment matrices contain problem oriented setting adjustment recommendations in order to solve single issues with quality parameters. A control algorithm has been developed that is also capable of solving multiple issues at the same time, utilizing the acquired expert knowledge. The basic principle to solve the given multi-objective optimization problem is a transformation into one-dimensional single-objective optimization problems which are solved iteratively. Several methods have been developed that are applied sequentially. In simulation, the average improvement from initial settings to optimized settings, achieved by the control algorithm, is between 34.5 % and 67.6 %. This demonstrates the good performance of the control algorithm.

Die vorliegende Arbeit untersucht das sogenannte logische Allwissenheitsproblem' (Logical Omniscience Problem) der epistemischen Logik und schlägt einen neuen Ansatz zur Lösung des Problems vor. Die epistemische Logik, die ursprünglich als eine Teildisziplin der philosophischen Logik entwickelt wurde, findet heute Anwendung in so unterschiedlichen Gebieten wie Philosophie, Sprachwissenschaft, Wirtschaftswissenschaft und Informatik. In der Informatik und der Künstlichen Intelligenz ist die epistemische Logik einer der Hauptformalismen zur Wissensrepräsentation und zur Spezifikation von Multiagentensystemen geworden. Allerdings ist es eine sehr umstrittene Frage, ob die epistemische Logik für diese Anwendungen geeignet ist. Kritiker behaupten, daß die epistemische Logik die Begriffe des Wissens und des Glaubens nicht adäquat erfassen kann und folglich für die Repräsentation von Wissen ungeeignet ist. Ihre Behauptung gründet sich auf der Tatsache, daß die meisten Systeme der epistemischen Logik sehr starke Idealisierungen hinsichtlich der logischen Fähigkeiten der epistemischen Subjekte (englisch: agents) machen. Es wird z. B. angenommen, daß die epistemischen Subjekte alle logischen Wahrheiten kennen, oder daß sie alle logischen Konsequenzen einer Aussage kennen, wenn sie diese Aussage glauben. Dieses Problem is als das logische Allwissenheitsproblem' (Logical Omniscience Problem) bekannt. Es gibt in der Literatur eine Reihe von Ansätzen, dieses Problem zu lösen. Fast alle vorgeschlagenen Lösungen verfolgen die Strategie, schwächere modale Systeme zu betrachten. Ich werde zeigen, daß diese Lösungen unbefriedigend sind: in dieser Weise kann logische Allwissenheit vermieden werden, aber viele Intuitionen über die Begriffe Glauben und Wissen gehen verloren. Also können auch die schwächeren epistemischen Systeme die genannten Begriffe nicht adäquat erfassen. Ein anderer Lösungsansatz wird vorgeschlagen. Ich werde argumentieren, daß sich die Hauptprobleme der epistemischen Logik in einem statischen Rahmen nicht lösen lassen. Um diese Probleme zu lösen, müssen wir auch die Denkaktivitäten der epistemischen Subjekte in Betracht ziehen. Zur Modellierung von Wissen (und Glauben) brauchen wir eine dynamische epistemische Logik. Ich werde zeigen, daß Axiome der epistemischen Logik die folgende Form haben muß: wenn alle Prämissen einer gültigen Schlußregel gewußt (geglaubt) werden und wenn das Subjekt die notwendige Folgerung vollzieht, dann weißt (glaubt) es auch die Konklusion. Um diese Idee zu formalisieren, schlage ich vor, die epistemische Logik zu d.h., eine dynamische Komponente in die Sprache einzuführen. An einem Beispiel wird erläutert, wie die Dynamisierung' der epistemischen Logik realisiert werden kann.