1. Einleitung
2. Stand der Forschung
2.1 Energie
2.1.1 Energieeffizienz
2.1.1.1. Industrie
2.1.1.2. Dienstleistungsgewerbe
2.1.1.3. Private Haushalte
2.1.1.4. Übereinstimmungen
2.1.2 Bedarfsabhängige Steuerungen zur Steigerung der Energieeffizienz
2.2 Künstliche Intelligenz
2.2.1 Der Begriff
2.2.2 Fuzzy-Logik
2.2.3 Rationale Agenten
2.2.4 Such-Algorithmen und Exploration
2.3 Künstliche Intelligenz und Energie-Effizienz
3. Vorgehensweise
4. Künstlich intelligente Steuerung der Raumtemperatur
4.1 Ziele des Agenten
4.2 Sensoren und Aktoren
4.3 Programmablauf
5. Implementierung der künstlichen Intelligenz
5.1 Schwächen der Tree-Search-Methode
5.2 Optimierung des Suchalgorithmus
5.3 Bewertung der Aktionen des Agenten
5.3.1 Wegkosten
5.4 Nutzenfunktion
5.5 Induktive Aktionsgeneratoren
5.6 Nachbarfelder absuchen
5.7 Optimierter Algorithmus
6. Kritische Betrachtung
6.1 Reaktionsvermögen
6.1.1 Datenmenge
6.1.2 Datenpflege
6.2 Energieverbrauch des KI-Rechners
6.3 Einsparpotential
6.4 Gegenüberstellung der Potentiale einer künstlichen Intelligenz und einer linearen, numerischen Steuerung
7. Aussicht
7.1 Verbesserungen für die KI
7.2 Einsparpotentiale in der Bäckerei
7.3 Einsparpotentiale bei Druckluftsystemen
7.4 Produzierendes Gewerbe
8. Fazit
9. Quellenverzeichnis
Literaturverzeichnis
Sonstige Quellen
Anhang A I
Anhang B I
Verzeichnis der verwendeten Symbole
Abbildung in dieser Leseprobe nicht enthalten
Abkürzungsverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
Glossar
Abbildung in dieser Leseprobe nicht enthalten
Abbildungsverzeichnis
Abbildung 2.1 Der Leistungsstandard (Performance standard) beeinflusst die Kritik (Critic) auf das Lernelement (Learning element), welches das Leistungselement (Performance element) anpasst und schließlich durch den Problemgenerator (Problem generator) erstellte Aktionen ausführen lässt. [24]
Abbildung 2.2 Tree-Search-Algorithmus mit drei Parametern u, v und w
Abbildung 3.1 Entwicklung von Energiepreisen für deutsche Haushalte (Datenquelle: [26])
Abbildung 4.1 Auf dieser Kurve hätte der Agent unter einer Heizleistung von 0,8 kW Schwierigkeiten keinen Benutzereingriff zu provozieren, da hier die Temperaturdifferenz stark ansteigt
Abbildung 4.2 Abstrahierte Darstellung eines zu heizenden Raumes mit Fenster, Sensor, der die Fensterstellung binär misst (F1), Heizung mit angetriebener Regelung (H1) und digitalem Temperatursensor (T1)
Abbildung 4.3 Nach dem Start überprüft die Steuerung mit Hilfe der Datenspeisung aus Bewegungsmeldern und Kameras, ob sich Personen im Raum befinden. Die Anwesenheitserkennung muss dabei praktikabel arbeiten. Eine kürzere Abwesenheit von Personen soll nicht bedeuten, dass die Heizungsleistung sofort herunter gefahren wird
Abbildung 4.4 Sollte die Anwesenheitserkennung den Agenten davon benachrichtigen, dass keine Personen anwesend sind und auch nicht erwartet werden, so geht dieser in den weniger komplizierten Nachtmodus, um weitere Energie einzusparen
Abbildung 4.5 Der Agent kennt die Anzahl der Runden, die er durchlaufen hat. Ebenso sichert er sich die Einstellung der Heizungsregelung und des Fensters, um Benutzereingriffe während des Zyklus zu erkennen. Anschließend wird die gemessene Temperatur an T1 mit der Solltemperatur T1Soll (die von einer der Vorrunden in der Datenbank vorliegt) verglichen
Abbildung 4.6 Sollte die gemessene Temperatur geringer sein als die Solltemperatur, wird bei geschlossenem Fenster die Temperatur erhöht. Ist das Fenster offen, gibt es je nach Heizungsstellung die Aufforderung das Fenster zu schließen, oder eine Anpassung der Solltemperatur
Abbildung 4.7 Ist die gemessene Temperatur zu hoch, wird bei ausgeschalteter Heizung und geschlossenem Fenster eine Benachrichtigung zum öffnen ausgelöst. Ist die Heizung jedoch aktiviert muss sie entweder heruntergeregelt werden (bei geöffnetem Fenster) oder die höhere Temperatur als Sollwert übernommen werden
Abbildung 4.8 Nach Überprüfung der Zustände von Temperatur, Fenster und Heizung, wird die benötigte Energie des vergangenen Zyklus gemessen, sofern es keine Anpassung der Solltemperatur gab. Ist der Energieverbrauch gesunken und kein Benutzereingriff aufgetreten, werden die Parameter für den späteren Zugriff in einer Tabelle mit positiven Resultaten gesichert (grün), andernfalls in einer mit negativen Ergebnissen (orange)
Abbildung 4.9 Wie auch im Nachtmodus steht am Ende des Zyklus’ der induktive Aktionsgenerator, der anhand seines Wissens Schlussfolgerungen zieht, die zu Variationen in der Ausführung des nächsten Zyklus führen. Nur damit hat der Agent die Möglichkeit mehr Energie zu sparen als in dem vergangenen Zyklus
Abbildung 5.1 Anzahl der Zustände, die der Zustandsraum, in dem sich der Agent befindet, abhängig von den vom Programm beeinflussbaren Variablen und deren Wertebereich, einnehmen kann
Abbildung 5.2 Zustandsbaum, den der Heizungssteuerungsagent gemäß der Tree-Search-Methode nach Optima zu durchsuchen hat
Abbildung 5.3 Berechnung der Wahrscheinlichkeit p
Abbildung 5.4 Berechnung des Nutzens U
Abbildung 5.5 Drittes Axiom der Nutzentheorie [7]
Abbildung 5.6 Entscheidungsbaum, der der KI anhand ihrer Erfahrung Informationen darüber gibt, welche Einstellungen stochastisch zu guten Ergebnissen führen, und welche nicht (vgl. [7])
Abbildung 6.1 Berechnung der Speicheranforderung pro Zeile
Abbildung 6.2 Ist der Ausdruck wahr, dann lohnt sich eine Installation der KI-gesteuerten Heizung (zTyp: Sparkennzahl; EKenn: Energiekennzahl des Raum; ARaum: Fläche des Raums; PPCmin und PPCmax: Leistungsaufnahme des KI-Rechners im Leerlauf und unter Vollast)
Abbildung A.1 Kompletter Programmablaufplan
Tabellenverzeichnis
Tabelle 5.1 Praktikable Beispiele für die Setzung der Parameter H1 und y mit zugehöriger Wahrscheinlichkeit p, dass kein Benutzereingriff erfolgt, und Nutzenwert U für die entsprechende Parameter-Konfiguration
Tabelle 5.2 Beispielwerte eines Traininglaufes der künstlichen Intelligenz angepasst an die Sensoren und Aktoren der Heizungssteuerung (vgl. [7])
Tabelle 6.1 Datentabelle mit Parametervariablen, Datentypen und Datenformat
Tabelle 6.2 Speicheranforderung in MySQL-Datenbanken für numerische Felder [28]
Tabelle 6.3 Speicheranforderung in MySQL-Datenbanken für Datums- und Zeitfelder [28]
Tabelle 6.4 Abfragedauer für n Datensätze im praktischen Test (vgl. Anhang B, Tabelle B.1)
Tabelle 6.5 Berechnung des jährlichen Energieverbrauchs für unterschiedlich basierte Desktop-PCs bei 24 Stunden Betrieb zu 50 Prozent unter Volllast
Tabelle 6.6 Energieverbraucher-Typen mit zugehörigem Sparpotential und Sparkennzahl zur Berechnung der Raumlosgröße
Tabelle B.1 Praxistest, der die Dauer von n Datenreihen in je 20 Testläufen dokumentiert. Durchschnittswerte am Ende der Tabelle.
Jenseits der durch die Science-Fiction inspirierten Welt von künstlicher Intelligenz in menschenähnlichen Robotern, findet sich ein weiteres spannendes, wesentlich mehr Erfolg versprechendes Anwendungsgebiet. Die Unterstützung des Menschen in seinem Alltag bleibt als Endzweck sehr wohl auch in diesem Aufgabengebiet erhalten. Denn die künstliche Intelligenz bietet heute die Möglichkeit als quasi unsichtbarer, persönlicher Assistenz für uneingeschränkten Komfort und hocheffizienten Nutzen beim Einsatz von Energieressourcen zu sorgen.
Dabei steht im Vordergrund die Akzeptanz für ein solches System durch den Menschen zu schüren, um dem schwächsten Glied in der Kette des energiebewussten Handelns wichtige Hilfestellung im Umgang mit den wenigen verbliebenen oder kompliziert zu gewinnenden, regenerativen Ressourcen dieser Welt zu geben.
Häufig führt ein geringes Wissen über die effiziente Nutzung von Strom, Gas, Öl oder Fernwärme dazu, dass diese Energieträger ihren Einsatzzweck nur zu einem geringen Prozentsatz erfüllen können, und das Output pro Input Verhältnis der Energie nicht zufrieden stellend ist.
Eine intelligente Steuerung verschiedener alltäglicher aber auch wirtschaftlicher Prozesse, deren Ausführung sonst ganz oder teilweise dem Menschen überlassen wäre, könnte somit einen entscheidenden Beitrag dazu leisten, den Menschen erstens zu entlasten, zweitens Prozesse dennoch weiterhin so auszuführen, dass die neue Steuerung auf große Akzeptanz stößt (indem sie sich beispielsweise an den Gewohnheiten des Menschen orientiert) und drittens mit wertvollen Ressourcen so rational umgehen, dass neben den Vorteilen der Kosteneinsparung ebenfalls ökologische Nachhaltigkeit entsteht.
Dabei soll die künstliche Intelligenz unbemerkt im Hintergrund ihre Entscheidungen so treffen, dass sie gleichzeitig höchste Effizient im Umgang mit Energie erreicht, während sie die Bedürfnisse des Menschen voll befriedigt. Das Ziel des Rechners ist es also ein persönlicher Assistent des Benutzers zu werden, der dessen Vorlieben und Verhaltensweisen kennt, und den sparsamen Umgang mit der Energie diesen persönlichen Eigenschaften anpasst.
Mit Hilfe einer theoretischen Implementierung von künstlicher Intelligenz in ein System zur Steuerung einer Heizungsanlage wird die Machbarkeit, Effektivität und das Potential dieser Computerprogramme dokumentiert.
Fragen denen sich die Arbeit in diesem Teil stellen wird sind: „Woher weiß die künstliche Intelligenz, wie sie Heizen muss, um Energie zu sparen?“, „Wie passt sich die Steuerung den Bedürfnissen des Menschen an?“ und „Wie entscheidet sich das System, wenn diese Bedürfnisse hohe Energiekosten verursachen sollen?“.
Ebenso soll die Diskussion die künstliche Intelligenz aber einer kritischen Betrachtung unterziehen und deren Vorteile gegenüber einer programmierten Steuerung aufzeigen.
Dabei fällt die Wahl auf die Darstellung einer Heizungsanlage auf Grund der in Kapitel 3 erläuterten Energiesituation.
Die Erkenntnisse aus der Anwendung im Heizungssystem werden zum Schluss exemplarisch auf weitere Prozesssteuerungen übertragen. Mit Hilfe dieser Beispiele wird die generelle Machbarkeit der künstlichen Intelligenz als universal einsetzbare Prozessteuerung untermauert.
Die unterschiedlichen Anwendungen zeigen, dass es jederzeit Ziel der Steuerung ist, dem Menschen Denkarbeit abzunehmen, und so die Gefahr potentieller Fehler im Umgang mit Energie zu vermeiden.
Die Bereiche der Energieeffizienz einerseits und der künstlichen Intelligenz andererseits haben bis dato sehr wenige Überschneidungen. Dies liegt zum einen daran, dass die Ursprünge der Felder sehr unterschiedlicher Natur sind. So liegen die Wurzeln künstlicher Intelligenz in der Informationstechnik, das Feld der Energiebereitstellung und –nutzung jedoch ist ein typisches Gebiet der Ingenieurswissenschaften.
Zum anderen dominieren, wie im Folgenden beschrieben, in der Energienutzung mechanische oder höchstenfalls programmierbare Steuerungen. Sinnvolle Einsatzfelder für künstliche Intelligenz im Zusammenhang mit Energie finden sich bisher nur vereinzelt. Beide Bereiche sollen somit im Folgenden stärker differenziert werden, um in Kapitel 2.3 diese vereinzelten Anwendungen in der Nutzung des kombinierten Wissens aufzuzeigen.
Da die Bedeutung des Begriffs Energie durch REBHAN [2] hinreichend erklärt wird, soll im Folgenden die Konzentration auf der Wortkombination „Energieeffizienz“ liegen.
Energieeffizienz ist der erste Schritt in Richtung Nachhaltigkeit. Dabei stehen drei Maßnahmen zur Steigerung dieser Effizienz im Vordergrund:
- „Schonung der natürlichen Ressourcen“ [2]
- „Verminderung der Schadstoffbelastung und Klimaveränderungen“ [2]
- „Optimierung des Einsatzes von Kapital und Betriebskosten.“ [2]
Zur Verfolgung dieser Ziele ist das räumliche und zeitliche Geringhalten des Energiebedarfs der erste Schritt. Weitergehend müssen die Verluste bei der Deckung des Energiebedarfes gering gehalten werden.
REBHAN [2] zählt acht weitere Bedeutungen des Wortes Energieeffizienz auf.
Wichtig ist dabei das Verständnis, dass Energieeffizienz in privaten Haushalten, wie auch im Dienstleistungssektor vor allem bedeutet weniger Endenergie einsetzen zu müssen, um den gleichen Bedarf zu erfüllen. Dies ist insbesondere dann der Fall, wenn sich durch bauliche Maßnahmen die aktive Energienutzung minimieren lässt. Das Passivhaus, das kaum bis gar keine zusätzliche Beheizung benötigt [3], ist das Paradebeispiel dafür, wie viel Energie gespart werden kann.
Leider ist eine Wärmeschutzverordnung, die eine starke Dämmung des Gebäudes fordert erst seit 1995 in Kraft und 2001 in die Verordnung über energiesparenden Wärmeschutz und energiesparende Anlagentechnik bei Gebäuden übergegangen. [4]
Ältere Gebäude sind daher bis zur Sanierung auf einem erheblich schlechteren Niveau, was die Heizwärmeeffizienz anbelangt. Da eine solche Sanierung aber nicht kurzfristig an jedem Altbau vorgenommen werden kann, ist es notwendig, die Effizienz auf andere Art und Weise zu erhöhen, oder zumindest auf einem stabilen Niveau zu halten.
Daher ist für diese Arbeit die relevanteste Bedeutung des Begriff Energieeffizienz die „betriebliche Optimierung durch Regulierung nach Bedarf (…)“ [2]. Diese umfasst beispielsweise den Einsatz regelbarer Pumpen und Beleuchtungsanlagen oder auch Heizungsregelsysteme.
Auch REBHAN [2] widmet sich insbesondere der betrieblichen Optimierung.
Dabei geht er davon aus, dass ein Haus dann energieeffizient ist, wenn eingesetzte Anlagen zeitlich, räumlich und leistungsmäßig nur in dem Grad eingesetzt werden, in welchem sie auch benötigt werden.
Den Grund dafür, dass sich derartige Steuerungsanlagen noch nicht durchgesetzt haben, sieht er darin, dass es eine verbreitete Angst der Arbeitgeber ist, dass energieeffiziente Anlagen die Zufriedenheit des Personals beeinträchtigen könnten, während die Energiekosten lediglich ein Prozent der Gesamtkosten betragen. Einen weiteren Grund sieht er darin, dass in privaten Haushalten das ökonomische Denken weniger verbreitet ist. Nur auf Grund der stetig steigenden Energiepreise könnte der Bedarf nach Effizienz steigernden Methoden steigen.
Potentiale die Energieeffizienz zu steigern gibt es viele. Im Folgenden sein diejenigen Alternativen bezogen auf Industrie, Dienstleistungsgewerbe und private Haushalte aufgelistet, die zumindest theoretisch durch den Einsatz von künstlicher Intelligenz weiter verbessert werden können (Quelle: [2])
- Leerlauf energietechnischer Einrichtungen vermeiden,
- Überheizen von Räumen und Werkhallen vermeiden,
- Raumtemperatur nicht durch Öffnen der Fenster regeln
- Künstliche Beleuchtung nicht genutzter Räume abschalten
- Keine künstliche Beleuchtung bei genügend Tageslicht
- Zu starke Klimatisierung vermeiden
- Anwendung der Steuerungs- und Regeltechnik
- Bedarfsabhängige Volumenstromregelung in lüftungstechnischen Anlagen
- Anpassung der Betriebszeit an den Bedarf
- Teilbereiche eines Druckluftnetzes zeitweise stilllegen
- Beleuchtungskontrollsysteme
- Abschalten nicht benutzter Bürogeräte
- Bedarfsabhängige Raumtemperaturregelungen, die örtlich und zeitlich auf Präsenz der Benutzer reagieren
- Niedertemperatursysteme für die Heizverteilung
- Kontinuierliche oder Ein-/Aus-Regelung aufgrund der Präsenz der Benutzerund/oder genügender Außen-/Innenhelligkeit
- Last- und bedarfsabhängige Regelung der mechanischen Energie
- Last- und zeitabhängiger Betrieb von elektronischen Anlagen (Prozessoren, Datenspeicher, Bildschirme etc.)
- Lastabhängiger Betrieb von Sende- und Empfangsgeräten für die Telekommunikation
- Bedarfsabhängige Raumbeheizung und Lüftung
- Vermeidung von Stand-by Betrieb
- Zulauftemperaturregelung von Heizwasser
- Regelung von Kleingeräten wie Staubsauger und Bügeleisen
Auffällig häufig wird die Steigerung der Effizienz durch die bedarfsabhängige Nutzung prognostiziert. Dies sind auch diejenigen Einsatzgebiete in denen zwar nicht künstlich intelligente, aber informationstechnisch gesteuerte Systeme zumindest bereits verwendet werden. Das folgende Kapitel führt zwei typische Beispiele dieser programmierten Anwendungen aus.
Die Energieagentur NRW [5] beschreibt zwei von sieben Fällen, in denen Fuzzy-Logik (siehe 2.2.2) eingesetzt wird um energieeffiziente, für den Menschen komfortable Gebäudeautomationen[1] zu betreiben. Die Anwendungen betreffen eine programmierbare Heizungssteuerung einerseits und eine Lichtregelanlage andererseits.
Beiden Fällen ist gemein, dass keine künstliche Intelligenz zum Einsatz kommt, sondern vordefinierte Prozesse für eine Anpassung an den Bedarf sorgen.
Im Fall der Heizungsregelung wird ein voreingestellter Heizwert von der Regelung je nach Uhrzeit eingehalten. Eine Nachtabsenkung sorgt beispielsweise für einen geringeren Verbrauch außerhalb der Betriebszeiten. Diese Vorgehensweise entspricht im Wesentlichen dem Funktionsumfang, den bereits kostengünstige Austausch-Heizungsregler der Firma Honeywell haben. [21]
Die Lichtregelung funktioniert ähnlich geradlinig: tagsüber ist das Licht an einen Helligkeitssensor gebunden, der nur künstliche Beleuchtung zuschaltet, wenn es dunkel genug ist. Dunkle Bereiche werden allerdings permanent beleuchtet. Manuelle Zuschaltmöglichkeiten für einzelne Lampen bleiben bei dieser Anwendung bestehen.
Unabhängig von den Zweifeln an der Machbarkeit der künstlichen Intelligenz und den damit in Zusammenhang stehenden moralischen Bedenken, sind die Forschungen auf dem Gebiet der künstlichen Intelligenz seit Erscheinen der ersten anerkannten KI-Arbeit von Walter Pitts in dem Jahre 1943 sehr umfangreich geworden.
Seit dem entwickelten sich die künstlichen Intelligenzen auf Basis der Mathematik, der technischen Informatik und den Neurowissenschaften über die Philosophie und Psychologie zur Kontrolltheorie[2] und von dort bis zu dem Stadium in dem sie sich heute befindet.
Bereits praktizierte Einsatzgebiete sind heute vor allem internetbasierte Anwendungen, wie Suchmaschinen[3] oder personalisierte Katalogseiten[4] ; ebenso basiert die Computerlinguistik mit Spracherkennung und Sprachwiedergabe in großen Teilen auf der künstlichen Intelligenz. Daneben feiert die künstliche Intelligenz aber ebenso einen Einzug in die Welt der Computerspiele und ähnliche virtuelle Realitäten, in denen sie überzeugend handelnde Menschen bzw. Lebewesen generieren muss.
Wesentlich spezifischere Ergebnisse gibt es in der Forschung. Deep Blue von IBM war das erste Programm, das den Weltmeister im Schachspiel, Garry Kasparov, besiegte. ALVINN ist ein Computervisionssystem, das ein NAVLAB[5] gesteuertes Fahrzeug 2850 Meilen lang in 98 Prozent der Fälle steuerte, in dem es Erfahrungen aus Trainingsläufen nutzte, um die beste Richtung für die Steuerung einzuschlagen. [7]
In der Medizin überragen Diagnoseprogramme, teilweise das Niveau führender Experten. HECKERMANN [8] berichtet, wie ein Mediziner die Diagnose eines KI-Programms nicht teilte. Nachdem dieses dem Fachmann seine Diagnose anhand der teilweise nicht offensichtlichen Symptome erklärte, welche in Wechselwirkung zueinander standen, war der Arzt überzeugt worden, dass die KI recht hatte.
Das Verständnis des Begriffs künstlicher Intelligenz ist in der Literatur allerdings nicht einheitlich. Unter den oben genannten Beispielen wird vorwiegend verstanden, dass eine künstliche Intelligenz in der Lage ist, abhängig von dem Input, den sie bekommt, rational zu denken und ebenso rational zu handeln. Ihre Entscheidungen entstehen also auf Basis rein logischer Zusammenhänge der ihr zur Verfügung gestellten Parameter, wenn diese Basis und die zugehörigen Zusammenhänge auch sehr komplex sein mögen.
Auch in dieser Arbeit wird mit dem Begriff künstliche Intelligenz die Fähigkeit eines Programms rational zu sein verstanden. Dazu sei auch der Begriff der Rationalität näher erläutert:
In der Regel ist Rationalität das nur dem menschlichen Geist zugesprochene Vermögen auf einer logisch-schlüssigen Ableitung basierend vernünftig zu sein. Dabei geht es darum einen Sachverhalt in Rationen zu gliedern, so dass diese nachvollziehbar und durchführbar werden. Häufig steht das Wort in engem Zusammenhang mit ökonomischen Mitteln. [9]
Das ist auch der Grund, warum sich die Definition der künstlichen Intelligenz mit Hilfe der Rationalität für den Zweck des Energiesparens eignet. Ein Programm ist demnach nur dann künstlich intelligent, wenn es rational ist. Und wenn es rational ist, wird es, sofern es mit der Aufgabe betreut ist, ein Energie-Management-System zu steuern, auch rationell, also ökonomisch, und schließlich effizient damit umgehen.
Die zweite, inhaltliche Bedeutung des Begriffs der künstlichen Intelligenz soll nicht unerwähnt bleiben: so wird darunter andererseits auch verstanden, dass künstliche Intelligenz menschliches Handeln oder Denken simulieren soll. [10]
Der Turing-Test von Alan Turing aus dem Jahr 1950 sollte beweisen, dass Maschinen intelligent sind, indem sie Menschen davon überzeugen ebenfalls Menschen zu sein. Dafür kommuniziert eine Testperson mit einer Software, die sich dem Test stellt, und einem weiteren Menschen über ein Terminal ohne Sicht- oder akustischen Kontakt, ohne zu wissen, wer von den beiden anderen Gesprächsteilnehmern die Maschine und wer das menschliche Wesen ist. Die Testperson muss also den Computer identifizieren. Gelingt ihr das nicht, hat die künstliche Intelligenz den Test bestanden. Obwohl der Test in der Kritik als ungeeignet angesehen wird ist seit 1991 der Loebner-Preis für dasjenige Programm ausgeschrieben, dass den Turing-Test als erstes besteht. Bisher konnte dies allerdings noch keine Software erfüllen. [22]
Gründe dafür liegen in dem völlig unterschiedlichen Aufbau zwischen dem Gehirn des Menschen und einem Computer.
Beispielsweise rechnet ein Computer um den Faktor 1 000 000 schneller als das menschliche Gehirn, kann aber pro CPU (Central Processing Unit; Prozessor), die ihm zur Verfügung steht, immer nur eine Aktion durchführen, während die menschlichen Synapsen und Neuronen gleichzeitig in Betrieb sind. Je nach Aufgabe braucht das Gehirn also wesentlich länger (mathematische Aufgaben) oder ist bis 100 000 Mal schneller als der Computer (komplexe, logische Zusammenhänge). [7]
Grundlage jedes Denkens in Computerprogrammen ist die Fuzzy-Logik, die dann eingesetzt werden muss, wenn es keine mathematisch beschreibbaren Sachverhalte gibt. Ein Fuzzy-Logik-Programm arbeitet also auch im unscharfen (fuzzy) Bereich, in dem es neben den binären Werten „richtig“ oder „falsch“, „ja“ oder „nein“, „true“ oder „false“ und „1“ oder „0“ auch die Zwischenwerte also 0,5 im Sinne von „ein bisschen“ gibt. „Ein bisschen“ lässt sich auf diese Weise mathematisch Darstellen und somit können Fuzzy-Logik-Programme, die auf binär ausgerichteten Prozessoren laufen das menschliche Denken nachahmen. [23]
Nur mit Hilfe der Fuzzy-Logik, also der Betrachtung der Umgebung mit unscharfen Aussagen, ist eine künstliche Intelligenz denkbar, die Entscheidungen auch dann treffen kann, wenn ihr keine absolut korrekten Informationen vorliegen. [9]
Ein wichtiger Begriff im Zusammenhang mit künstlicher Intelligenz ist der Agent. Von einem künstlich intelligenten Computeragenten wird erwartet, dass er selbstständig steuert, seine Umgebung wahrnimmt, persistent ist, sich an Veränderungen anpasst und die Möglichkeit hat Ziele eines anderen Agenten fortzuführen. [7]
„Ein rationaler Agent ist [also] ein Agent, der sich so verhält, dass er das beste Ergebnis erzielt, oder, falls es Unsicherheiten gibt, das beste erwartete Ergebnis.“ [7]
Entsprechend Kapitel 4 können solche Unsicherheiten beispielsweise konkurrierende Zielfunktionen[6] sein, die der Agent dann zu optimieren hat.
Jedem rationalem Agenten ist also gemein, dass er ein gestelltes Problem (oder auch ein selbst generiertes) anhand eines Leistungsstandards lösen muss, indem er mit seiner Umwelt interagiert[7]. Standards können beispielsweise geringe Kosten, kurze Zeitdauer oder eben auch geringer Energieverbrauch sein.
Die Ergebnisse seiner Aktionen vergleicht der Agent mit seinen Leistungsvorgaben. Erfüllt er sie bzw. kommt er seinem Standard näher, so nimmt er dies positiv zur Kenntnis (und wird also weiter versuchen diesen Standard zu erfüllen) andernfalls erfährt er negative Kritik.
Mit Hilfe des Lernelements merkt sich der Agent die Auswirkungen seiner Aktionen und versucht mögliche Verbesserung zu finden, indem er sich aus seinem angesammelten Wissen positive Aktionen induktiv herleitet (vgl. Abbildung 2.1). [12]
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 2.1 Der Leistungsstandard (Performance standard) beeinflusst die Kritik (Critic) auf das Lernelement (Learning element), welches das Leistungselement (Performance element) anpasst und schließlich durch den Problemgenerator (Problem generator) erstellte Aktionen ausführen lässt. [24]
Um dieses Wissen anzusammeln bedient sich der Agent eines Such-Algorithmus, mit Hilfe dessen er alle Situationen durchspielt, die er erfahren und einnehmen kann. Diese sind insbesondere von den Daten seiner Sensoren und Auswirkungen seiner Aktoren abhängig.
Er kreiert also eine Zielfunktion, deren Wert abhängig von den Parametern seinem Leistungsstandard mehr oder weniger nah kommt. In dieser Zielfunktion muss er nun erstens lokale Maximum[8] (Optimum) finden, und zweitens natürlich das globale Optimum.
Abhängig vom Einsatzzweck des Agenten wird dieser sein Ziel durch den Programmierer oder verantwortlichen Betreiber vorgegeben haben und zusammen mit dieser Zielvereinbarung auch das Problem definiert haben. Ebenso kann ein Agent, der sein Ziel nicht vorgegeben bekommt eines selbst auswählen und ergo auch seine Problemstellung selbst benennen müssen.
Diese formulierten Probleme lassen sich mit dem allgemeinen Tree-Search-Algorithmus (Abbildung 2.2) lösen. Dabei wird abhängig vom Ausgangszustand der Wert eines Parameters nacheinander in alle seine annehmbaren Werte verändert und die Resultate als neue Ergebniszustände dokumentiert. Ausgehend von diesen nimmt der nächste Parameter nun verschiedene Werte an und führt zu weiteren Resultatszuständen.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 2.2 Tree-Search-Algorithmus mit drei Parametern u, v und w
Diese, alle Parameter durchschreitende Methode, wird so lange fortgesetzt, bis sich eine Lösung des Problems einstellt (lokales Optimum) bzw. bis sich diejenige Lösung findet, die die geringsten Pfadkosten verursacht (globales Optimum).
Verschiedene Algorithmen wurden entwickelt, um der massiven Rechen- und Speicher-Kapazität, die die Tree-Search-Methode benötigt, entgegen zu wirken. Davon seien die Breitensuche, die Tiefensuche, die tiefenbeschränkte Suche, die iterativ vertiefende Suche und die bidirektionale Suche genannt. [7]
Für Problemlösungs-Suchen eines Agenten, der seine Umwelt beeinflussen kann, sind oben genannte Algorithmen aber weniger geeignet, da sie von festen, nicht veränderlichen Zustandsräumen ausgehen.
[...]
[1] „Als Gebäudeautomation (GA) bezeichnet man die Gesamtheit von Überwachungs-, Steuer-, Regel- und Optimierungseinrichtungen in Gebäuden. Sie ist damit ein wichtiger Bestandsteil des technischen Facility Managements. Ziel ist es Funktionsabläufe gewerkeübergreifend selbständig (automatisch), nach vorgegebenen Einstellwerten (Parametern) durchzuführen oder deren Bedienung bzw. Überwachung zu vereinfachen.“ [19]
[2] „In der Kontrolltheorie werden grundlegende Fragen der Theorie dynamischer Systeme sowie der Steuerungs- und Regelungstheorie wie z.B. der Stabilität oder der Steuerbarkeit komplexer dynamischer Systeme behandelt.“ [20]
[3] Vgl. www.google.com
[4] Vgl. www.amazon.com
[5] NAVLAB ist ein auf GPS basiertes Navigationssystem zur autonomen Steuerung von Fahrzeugen. [6]
[6] „Konkurrierende Ziele liegen dann vor, wenn die Erhöhung des Zielerreichungsgrades von Ziel 1 zu einer Verminderung des Zielerreichungsgrades von Ziel 2 führt. Ein Beispiel für eine mögliche Zielkonkurrenz ist die Intensivierung des Kundendienstes bei gleichzeitiger Kostenminimierung.“ [11]
[7] Mit Hilfe von Aktuatoren (Steuerleitung, die einen Befehl weiter gibt), die Effektoren (physikalische Geräte; z. B. Servomotoren) steuern, kann der Agent seine Umgebung beeinflussen. [7]
[8] Je nach Leistungsstandard kann es sich bei dem Maximum auch um ein Minimum in der eigentlichen Funktion handeln, daher wird im Folgenden der Begriff Optima dem Begriff Maxima vorgezogen und meint denjenigen Wert einer Funktion, der dem Leistungsstandard am nächsten kommt.
