In this thesis a Simulator of the Immune System (IS) is developed. The implemented models of the IS refines and extends models of existing Artificial IS. / In der Arbeit wird der Prototyp eines Immunsystem-Simulators erstellt, der die vorhandenen Modelle Künstlicher Immunsystem verfeinert und die Untersuchung der Einflüsse verschiedener Parameter erlaubt.

Heutige Systeme für die Fertigungssteuerung müssen viele unterschiedliche Problemstellungen lösen. Vor allem die Komplexität der Anforderungen sowie die unterschiedlichen Interessen am Ablaufplan, wie hohe Termintreue, kurze Durchlaufzeiten und geringe Produktionskosten, gilt es zu beachten. Erschwert wird dies durch kurze Planungsfristen und hohe Flexibilitätsanforderungen. Komplexe Problemstellungen werden in der künstlichen Intelligenz unter anderem durch den Einsatz von Multiagentensystemen gelöst. Ein solches System zeichnet sich durch eine hohe Flexibilität sowie schnelle Reaktion auch auf unbekannte und nicht spezifizierte Ereignisse aus. Im Rahmen dieser Arbeit werden beide Forschungsgebiete miteinander verknüpft und so der Ansatz des agentenbasierten Fertigungsmanagements verfolgt. Der Schwerpunkt wird dabei auf die Ablaufplanung mit Anwendung auf produzierende Unternehmen gelegt. Vorgestellt wird ein Konzept, das auf Basis der Multiagenten-Technologie neue Aufträge möglichst schnell einplant und das eine Reparatur zur Herstellung der Konsistenz des Planes binnen Sekunden durchführt. Weiterhin findet die Vorstellung einer Planoptimierung statt, welche die vom Bediener spezifizierten Optimalitätsbedingungen umsetzt. Alle diese Verfahren laufen dezentral durch die Agenten ab und werden nur grob durch einen speziellen Agenten gesteuert. Grundlage des Systems ist ein Bewertungssystem, das den Plan anhand verschiedener Kriterien beurteilt. Zur Überprüfung der Funktion des erarbeiteten Konzeptes wurde ein Prototyp implementiert und anschließend analysiert. Trotz der Anwendung auf die Fertigungssteuerung sind alle Ansätze allgemein gehalten und können somit auch auf andere Bereiche, in denen eine Planung erforderlich ist, angewendet werden.

Der vorliegende Band der Informatikberichte ist dem wissenschaftlichen Lebenswerk von Prof. Werner Dilger gewidmet. Seit Oktober 1993 hat er an der Fakultät für Informatik der TU Chemnitz hervorragende Arbeit in Forschung und Lehre geleistet. Dank der Mitarbeit zahlreicher Autoren beleuchtet der vorliegende Band eine große Vielfalt unterschiedlicher Aspekte der Künstlichen Intelligenz.

Aus der Einführung: "Stehen wir am Rande einer bio-nanotechnologischen getriebenen Revolution, die unsere Art zu leben, zu arbeiten und miteinander umzugehen grundlegend verändern wird? Welchem gesellschaftspolitischen, wirtschaftlichen und technologischen Wandel haben wir uns zu stellen? Langfristige Entwicklungszyklen (Kondratieff, Schumpeter) führen zur nachhaltigen Weiterentwicklung der Zivilisation. Mittelfristige Entwicklungen wie die Trends Globalisierung, Urbanisierung, Digitalisierung (Miniaturisierung) und Humanisierung (Individualisierung), die immer stärker unser Umfeld und Handeln beeinflussen führen zu ganzheitlichen, weltumspannenden Grundtendenzen der gesellschaftlichen Weiterentwicklung. Die technologischen "Enabler" Computing, Biotechnology, Artifical Intelligence, Robotik, Nanotechnology, Additive Manufacturing und Design Thinking wirken beschleunigend auf die gesellschaftlichen Entwicklungen ein. Die technologischen Möglichkeiten beschleunigen sowohl gesellschaftspolitische Zyklen und zivilisatorische Anpassungen. Durch rasanten technologischen, wissenschaftlichen Fortschritt, zunehmende Globalisierungswirkungen, beschleunigte Urbanisierung und aber auch politischer Interferenzen sind die Veränderungsparameter eines dynamischen Geschäftsumfelds immer schnellere Transformationen ausgesetzt. Alle diese Richtungen zeigen das unsere gesellschaftliche Entwicklung inzwischen stark durch die Technik getrieben ist. Ob dies auch heißt, dass wir den Punkt der Singularität (Kurzweil) absehbar erreichen ist dennoch noch offen. ..."

Im Unterschied zu traditionellen Methodologien in der Künstlichen Intelligenz wird das Sehen im Rahmen des neuen Paradigmas 'Aktives Sehen' im Verhaltenskontext des Systems untersucht. Aktive Sehsysteme (ASS) weisen Merkmale auf, die der Biologie entstammen (Binokularität, Foveae, Blickkontrolle mit hoher Geschwindigkeit). Dieser Bericht analysiert Berechnungsstrategien der visuomotorischen Kontrolle, die von biologischen Sehsystemen verwendet werden, um sie für künstliche ASS nutzbar zu machen. Neurale Karten, Populationskodierung und Informationsverarbeitung in geschichteten Strukturen werden als universelle Prinzipien analoger neuraler Berechnungen gekennzeichnet, die auch der Blickkontrolle zugrunde liegen. Auf der Basis dieser Prinzipien schlagen wir ein Modell vor, das kartierte neurale Felder verwendet, um die raum-zeitliche Dynamik in der Motorkarte des Colliculus superior der Säugetiere darzustellen, eines sensomotorischen Transformationszentrums im Mittelhirn, das entscheidend an der Blickkontrolle beteiligt ist.

The fields of biologically inspired artificial intelligence, neuroscience, and psychology have had exciting influences on each other over the past decades. Especially recently, with the increased popularity and success of artificial neural networks (ANNs), ANNs have enjoyed frequent use as models for brain function. However, there are still many disparities between the implementation, algorithms, and learning environment used for deep learning and those employed by the brain, which is reflected in their differing abilities. I first briefly introduce ANNs and survey the differences and similarities between them and the brain. I then make a case for designing the learning environment of ANNs to be more similar to that in which brains learn, namely by allowing them to actively interact with the world and decreasing the amount of external supervision. To implement this sensorimotor learning in an artificial agent, I use deep reinforcement learning, which I will also briefly introduce and compare to learning in the brain. In the research presented in this dissertation, I focus on testing the hypothesis that the learning environment matters and that learning in an embodied way leads to acquiring different representations of the world. We first tested this on human subjects, comparing spatial knowledge acquisition in virtual reality to learning from an interactive map. The corresponding two publications are complemented by a methods paper describing eye tracking in virtual reality as a helpful tool in this type of research. After demonstrating that subjects do indeed learn different spatial knowledge in the two conditions, we test whether this transfers to artificial agents. Two further publications show that an ANN learning through interaction learns significantly different representations of the sensory input than ANNs that learn without interaction. We also demonstrate that through end-to-end sensorimotor learning, an ANN can learn visually-guided motor control and navigation behavior in a complex 3D maze environment without any external supervision using curiosity as an intrinsic reward signal. The learned representations are sparse, encode meaningful, action-oriented information about the environment, and can perform few-shot object recognition despite not knowing any labeled data beforehand. Overall, I make a case for increasing the realism of the computational tasks ANNs need to solve (largely self-supervised, sensorimotor learning) to improve some of their shortcomings and make them better models of the brain.

Damit mobile Roboter vielfältige komplexe Aufgaben autonom erfüllen können, benötigen sie Planung, um so entsprechend der Gegebenheiten ihrer Umgebung zu handeln. Durch die stetig zunehmenden Fähigkeiten der Roboterhardware gewinnt die Handlungsplanung und deren Integration in das Gesamtsystem zunehmend an Bedeutung. Die vorliegende Arbeit versucht, einen weiteren Schritt Richtung planbasierter Robotersteuerung zu gehen. Dabei wird zunächst die Verwendung des HTN-Planers SHOP2 in einem Robotersystem, das sich das Lernen aus Erfahrungen zum Ziel gesetzt hat, beschrieben und Wege aufgezeigt, wie die Robustheit des Systems durch die Integration mit anderen Komponenten erhöht werden kann. Mobilen Robotern stehen unterschiedliche Formen von Wissen, wie temporales oder räumliches Wissen oder Informationen über Ressourcen zur Verfügung. Diese können von SHOP2 jedoch nicht genutzt werden. Um diese Anforderung zu erfüllen, wird in dieser Arbeit der hybride hierarchische Planer CHIMP präsentiert, der die Vorteile hierarchischer Planung und der hybriden Planung als Meta-CSP, das die Integration verschiedener Wissensformen erlaubt, kombiniert. Des Weiteren können seine Pläne parallel ausführbare Aktionen enthalten, und zusätzliche Aufgaben können während der Ausführung in den bestehenden Plan integriert werden.

Machine learning plays an increasingly important role in modern systems. The ability to learn from data enhances or enables many applications. Recently, quick in-stream processing of possibly a huge or even infinite amount of data gains more attention. This thesis deals with such on-line learning systems for regression that learn with every example incrementally and are reliable even in presence of uncertainties. A new learning approach, called IRMA, is introduced which directly incorporates knowledge about the model structure into its parameter update. This way it is aggressive to incorporate a new example locally as much as possible and at the same time passive in the sense that the global output is changed as little as possible. It can be applied to any model structure that is linear in its parameters and is proven to minimize the worst case prediction error in each step. Hence, IRMA is reliable in every situation and the investigations show that in every case a bad performance is prevented by inherently averting overfitting even for complex model structures and in high dimensions. An extension of such on-line learning systems monitors the learning process, regarding conflict and ignorance, and estimates the trustworthiness of the learned hypothesis by the means of trust management. This provides insight into the learning system at every step and the designer can adjust its setup if necessary. Additionally, the trust estimation allows to assign a trustworthiness to each individual prediction the learning system makes. This way the overall system can react to uncertain predictions at a higher level and increase its safety, e.g. by reverting to a fallback. Furthermore, the uncertainties are explicitly incorporated into the learning process. The uncertainty of the hypothesis is reflected by allowing less change for more certain regions of the learned system. This way, good learned knowledge is protected and a higher robustness to disturbances is achieved. The uncertainty of each example used for learning is reflected by adapting less to uncertain examples. Thereby, the learning system gets more robust to training examples that are known to be uncertain. All approaches are formally analyzed and their characteristic properties are demonstrated in empirical investigations. In addition, a real world application to forecasting electricity loads shows the benefits of the approaches.

Analogies are considered a cognitive core mechanism, that is applied in many everday reasoning processes. Heuristic-driven theory projection (HDTP) is a logic-based framework that allows to model analogies with the aim of making analogical reasoning techniques available for artificial intelligence systems. The formal properties of HDTP are investigated, refining and extending some of the original ideas. A special form of restricted higher-order anti-unification is proposed as a means for the generalization process, allowing to account for flexibility in the mapping while staying computationally tractable. Concerning the semantics, it is argued that a sensible interpretation can be given to the syntactic processes, based on an understanding of the involved mappings as a decent type of theory morphisms. The logical nature of HDTP also allows for a notion of re-representation that is discussed from a theoretical and algorithmic point of view. Moreover, the framework of HDTP is also analyzed from the abstract perspective of institution theory, suggesting that the main ideas can be spelled out in other logical formalisms as well. To collect support for the practical utility of HDTP, it is applied to different fields in a series of studies. The domain of geometric analogy serves as an arena to demonstrate the operation of HDTP, including the treatment of ambiguous problems based on thoughts from Gestalt psychology. Another line of research explores how the idea of conceptual blending can be related to analogies and a formalization building on HDTP is presented, leading to the notion of theory blending. These ideas are applied to a classical problem of the field, the interpretation of noun-noun compounds, but they proof to be applicable in other areas as well, demonstrated by a framework for counterfactual reasoning. Furthermore, applications of analogical reasoning and theory blending in mathematics are discussed, including the formal modeling of an example from the history of mathematics and a framework to support mathematical discovery.

Die Arbeit beschäftigt sich mit Konvergenz- und Stabilitätseigenschaften von Verfahren des Reinforcement Lernens mit Funktionsapproximation. Besonderer Schwerpunkt wird dabei auf die Analyse des TD[0] Lernens gelegt, welches als unendliches Produkt von Matrizen aufgefasst wird. Damit kann man eine Klasse von Approximatoren festlegen, welche für das TD[0] Lernen geeignet ist. Im Allgemeinen ist eine solche Analyse aber schwer durchzuführen (Unentscheidbarkeit der Beschränktheit von unendlichen Matrixprodukten). Um eine breitere Klasse von Approximatoren untersuchen zu können, wird das so genannte synchrone TD[0] Lernen vollständig analysiert (inklusive Aussagen über Konvergenzgeschwindigkeit). Es wird aufgezeigt, dass die Divergenz des synchronen TD[0] Lernens die Divergenz des normalen (asynchronen) TD[0] Lernens impliziert. Es werden verschiedene Klassen von Approximatoren sowie andere Bedingungen für die Stabilität des synchronen TD[0] Lernens untersucht. Eine Anwendung der erzielten Resultate auf gitterbasierte Approximatoren schliesst die Arbeit ab.