Multi-Criteria Optimization and Decision Analysis for Embedded Systems Design
| Vortragende/r (Mitwirkende/r) | |
|---|---|
| Umfang | 2 SWS |
| Semester | Wintersemester 2025/26 |
| Unterrichtssprache | English |
Teilnahmekriterien
Siehe TUMonline
Anmerkung: Anmeldung in TUMonline ab 22.09.2025.
Anmerkung: Anmeldung in TUMonline ab 22.09.2025.
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.
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.)
- 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.