Zum Inhalt springen
Technische Universität München

Multi-Criteria Optimization and Decision Analysis for Embedded Systems Design

Vortragende/r (Mitwirkende/r)
Nguyen Anh Vu Doan
Umfang 2 SWS
Semester Wintersemester 2024/25
Unterrichtssprache Englisch

Teilnahmekriterien

Siehe TUMonline
Anmerkung: Anmeldung in TUMonline ab 23.09.2024

Lernziele

Nach erfolgreichem Abschluss dieses Module
- verstehen die Studenten die Berücksichtigung mehrerer Kriterien beim Design eingebetteter Systeme und die zugehörigen Herausforderungen,
- können die zugehörigen Probleme analysieren und modellieren,
- verstehen, wie unterschiedliche (mehrdimensionale) Optimierungsmethoden funktionieren, und können die - abhängig von der Problemstellung - am beste(n) geeignete(n) Methode auswählen und anwenden,
- verstehen, wie unterschiedliche (multikriteriellen) Entscheidungsverfahren funktionieren, und können die am beste(n) geeignete(n) Methode auswählen und anwenden sowie die vom Optimierungsprozess erhaltenen Ergebnisse analysieren.

Beschreibung

Inhalt der Vorlesung:
1. Einführung in die Berücksichtigung mehrerer Kriterien beim Design eingebetteter Systeme
- Notwendigkeit von mehreren Kriterien
- Modellierung und Herausforderungen
2. Optimierungsmethoden
- Lineare Programmierung
- Meta-Heuristiken (z.B. Genetische Algorithmen, Simulated Annealing)
- Mehrdimensionale Optimierung für die Entwurfsraumexploration
3. Entscheidungsverfahren
- Entscheidungstheorie
- Multikriterielle Entscheidungsanalyse
- Spieltheorie
- Entscheidung unter Risiko und Unsicherheit

In der Vorlesung werden die theoretischen Inhalte durch illustrative Beispiele zu folgenden Konzepten ergänzt: Problemabstraktion und Modellierung, Auswahl eines Algorithmus und dessen Implementierung sowie multikriterielle Entscheidungsfindung und Analyse. Dabei werden sowohl funktionale als auch nicht-funktionale Aspekte berücksichtigt. Ausführlichere Übungsbeispiele zu diesen Themen werden von den Studenten im Eigenstudium durchgeführt.

Inhaltliche Voraussetzungen

- Datenstrukturen
- Grundlegende Programmierkenntnisse in Python oder Matlab; alternativ C/C++ oder Java
- Grundkenntnisse von Wahrscheinlichkeitsrechnung und Statistik (Wahrscheinlichkeitsaxiome und -theoreme, z.B. Bayes-Theorem und dessen Anwendung; typische Wahrscheinlichkeitsverteilungen, z.B. exponentiell, Gauss, etc.)

Lehr- und Lernmethoden

Die technischen Inhalte werden mittels PowerPoint Präsentationen eingeführt und unmittelbar anhand kleinerer Beispiele oder Herleitungen veranschaulicht, die mit Hand in die Folien eingefügt werden. Zudem werden Studierende aktiv zu Fragen animiert. Zusätzlich zu den individuellen Lernmethoden der Studenten wird die Übertragung des theoretischen Wissens auf seine praktische Anwendung mittels illustrativer Beispiele während der Vorlesung und durch im Selbststudium durchzuführende Übungsaufgaben erreicht. Das Material zur Veranstaltung wird den Studierenden über Moodle verfügbar gemacht.

Studien-, Prüfungsleistung

Schriftliche Prüfung (60 Minuten):
Die Studierenden werden durch eine schriftliche Prüfung geprüft, in der sie nachweisen, dass sie die Anwendung des Multi-Kriterien-Paradigmas verstanden haben, und es für die Analyse, Modellierung, Optimierung und Entscheidungsfindung von Problemen beim Entwurf eingebetteter Systeme anwenden können. Die Fragen decken den in der der Vorlesungen vermittelten theoretischen Hintergrund sowie die Übungen aus der Vorlesung ab. Die Prüfung dauert 60 Minuten, Hilfsmittel sind nicht erlaubt.

Hausaufgabe:
Im Rahmen des Selbststudiums wir eine Hausaufgabe in Gruppen von 2 bis 3 Teilnehmenden erarbeitet und bewertet. Darin sollen die Studierenden nachweisen, dass sie reale Optimierungsprobleme aus einem aktuellen Forschungsgebiet lösen können. Die Bewertung dieses Teils erfolgt anhand von abzuliefernden Ergebnissen und eines Berichts.

Die Gesamtnote ergibt sich aus dem gewichteten Mittelwert von Abschlussprüfung (60%) und Hausaufgabe (40%).

Empfohlene Literatur

Optionale Literaturempfehlungen:
- XS. Yangi, "Engineering Optimization: An Introduction with Metaheuristic Applications", Wiley 2010
- EG. Talbi, "Metaheuristics: From Design to Implementation", Wiley 2009
- S. Greco, M. Ehrgott, J.R. Figueira (Eds.), "Multiple Criteria Decision Analysis: State of the Art Surveys", Springer 2016

Links

To top