Disputas: Marcus Furuholmen

Prøveforelesning

Bedømmelseskomité

Professor Andy Tyrrell, Department of Electronics, The University of York
Professor Keith Downing, Institutt for datateknikk og informasjonsvitenskap, NTNU
Førsteamanuensis Philipp Häfliger, Institutt for informatikk, Universitetet i Oslo

Leder av disputas:  Morten Dæhlen

Veileder:  Mats Høvin, Jim Tørresen og Hans Christian Von Krogh

Sammendrag

Menneskeskapte systemer blir stadig mer komplekse og det stilles stadig høyere krav til sikkerhet, kvalitet og effektivitet. Dette utfordrer tradisjonelle design- og utviklingsmetoder som i stor grad baserer seg på bruk av heuristikker.

Et eget fagfelt innen optimalisering kalles kunstig evolusjon, hvor tilnærmet optimale løsninger genereres automatisk gjennom en prosess som henter inspirasjon fra evolusjon i naturen. Oppgaven identifiserer en rekke utfordringer ved tradisjonell bruk av kunstig evolusjon, særlig i forhold til skalerbarhet og brukervennlighet, noe som bidrar til å begrense bruken av metoden i industrien.

Denne avhandlingen forsøker å adressere disse utfordringene ved bruk av maskinlæringsmetoder. Maskinlæring dreier seg om hvordan datamaskiner kan programmeres til å lære å løse problemer ved hjelp av erfaring. I avhandlingen undersøkes en metode hvor kunstig evolusjon brukes som læringsalgoritme. På denne måten genereres optimale heuristikker som i neste omgang kan genererere løsninger på ulike problemer.

Oppgaven sammenligner de ulike metodene på en rekke problemer fra industrien som for eksempel systemidentifikasjon, planlegging av prosessanlegg, pakking, og ruting av rør. Oppgaven viser at den foreslåtte metoden kan forbedre flere sider ved bruk av kunstig evolusjon i industrielle applikasjoner.

Arbeidet er utført ved forskningsgruppen for Robotikk og Intelligente Systemer, Institutt for informatikk, Universitetet i Oslo, i samarbeid med Aker Solutions.

Kontaktperson

For mer informasjon, kontakt Else Marie Lingaas.