TY  - THES
AB  - Das Entwurfsparadigma der Computer-Selbstwahrnehmung begegnet der zunehmenden Komplexitaet moderner Computersysteme, indem es Entscheidungen zur Entwurfszeit in die Laufzeit verlagert, was autonomes und adaptives Verhalten erfordert. Haeufig wird dafuer der Einsatz von lernenden Klassifizierersystemen vorgeschlagen, insbesondere deren populaerste Variante XCS. Allerdings wurde XCS bisher nur selten in realen Anwendungen eingesetzt, und es fehlt an Forschung darueber, wie XCS erfolgreich verwendet werden kann, um Autonomie und Adaptivitaet in solchen Anwendungen zu realisieren. Diese Dissertation macht einen Schritt hin zur Schließung dieser Forschungsluecke. Sie praesentiert den ersten experimentellen Vergleich von Explore/Exploit-Strategien fuer XCS, und eine automatisierte Parameteroptimierung gibt Systemdesignern fuer jede Strategie eine Reihe von nuetzlichen Konfigurationen an die Hand. Um Sicherheitsgarantien zu erfuellen, fuehrt diese Dissertation das Konzept der verbotenen Klassifizierer ein. Diese speziellen Klassifizierer werden von Hand erstellt, wobei die Interpretierbarkeit der XCS-Regelbasis genutzt wird. Die experimentelle Auswertung zeigt, dass XCS mit verbotenen Klassifizierern eine Problemloesung in kuerzerer Zeit und mit weniger Klassifizierern finden kann als XCS mit einem externen Sicherheitsschild. Schließlich wird in einer Fallstudie der Einsatz von XCS zur Steuerung der CPU-Frequenz untersucht. Waehrend XCS durchgaengig bessere Ergebnisse als tabellarisches Q-Learning erzielt, zeigt es ein Lernverhalten, das sich stark von dem Verhalten unterscheidet, das in den kuenstlichen Problemumgebungen beobachtet wird, welche ueblicherweise in der XCS-Forschung verwendet werden. Die Fallstudie unterstreicht die Notwendigkeit, Mechanismen fuer XCS zu entwickeln, mit denen es automatisch solche Umgebungsmerkmale erkennen kann, welche die Ableitung ...
AU  - Hansmeier, Tim
CY  - Paderborn
DA  - 2023
DO  - 10.17619/UNIPB/1-1820
DP  - Universität Paderborn
LA  - ger
N1  - Tag der Verteidigung: 21.09.2023
N1  - Universität Paderborn, Dissertation, 2023
PB  - Veröffentlichungen der Universität
PY  - 2023
SP  - 1 Online-Ressource (xix, 144 Seiten)
T2  - Institut für Informatik
TI  - XCS for Self-awareness in Autonomous Computing Systems
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-45824
Y2  - 2026-02-01T20:49:48
ER  -