@phdthesis{Roth2011,
  type      = {Master Thesis},
  author    = {Christian Roth},
  title     = {Agent Objectives for Evolving Coordinated Sensor Networks},
  url       = {https://nbn-resolving.org/urn:nbn:de:bsz:ofb1-opus-843},
  pages     = {xvii, 75},
  year      = {2011},
  abstract  = {Diese Master Thesis betrachtet intelligente Sensornetzwerke unter den Aspekten der selbst{\"a}ndigen Sensorplatzierung und einer aktiven {\"U}berwachung des Systemzustands. Sensornetzwerke f{\"u}r einen intelligenten Systemdesignprozess werden seit einigen Jahren genauer untersucht. Diese Netzwerke bestehen aus einer verteilten Ansammlung von Sensoreinheiten, jede mit den Eigenschaften Informationen individuell aufzunehmen und zu verarbeiten. Solch eine Anordnung kann die F{\"a}higkeit besitzen, sich selbst zu strukturieren. Des Weiteren m{\"u}ssen diese Systeme skalierbar, langlebend und widerstandsf{\"a}hig sein. Daraus ergeben sich interessante Forschungsaufgaben bez{\"u}glich der intelligenten Anordnung von Sensoren w{\"a}hrend des Designprozesses oder einer aktive {\"U}berwachung des Systemzustands im laufenden Betrieb. Diese Sensornetzwerke bringen jedoch auch Optimierungsprobleme mit sich. Dazu z{\"a}hlen dezentralisierte Regelungen, Gew{\"a}hrleistung der Widerstandsf{\"a}higkeit und Maximierung der Abdeckung von Informationsquellen. Zus{\"a}tzlich m{\"u}ssen Informationsquellen und anderen Sensoreinheiten lokalisiert und analysiert werden k{\"o}nnen. Das Ziel dieser Arbeit war es, eine Methode zu entwickeln, welche die Anordnung von Sensoren in einer Umgebung mit Informationsquellen und verschiedenen Informationstypen selbstst{\"a}ndig bewerkstelligt. Dies beinhaltet zum einen die Regelung der Bewegung dieser Sensoreinheiten und zum anderen die Filterung der aufgenommen Informationen, entsprechend der Sensoreigenschaften. Dadurch wird sicher gestellt, dass die Qualit{\"a}t des Systems gesteigert wird, was soviel bedeutet wie eine gute Abdeckung der Informationsquellen. Zus{\"a}tzlich wurde in dieser Arbeit die aktive System{\"u}berwachung bez{\"u}glich Widerstandsf{\"a}higkeit im Falle von Sensorfehlern und die selbstst{\"a}ndige Anpassung der Regelstrategie nach dem Hinzuf{\"u}gen oder Entfernen von Sensoren untersucht. Zwei unterschiedliche L{\"o}sungsans{\"a}tze wurden in dieser Arbeit ausgearbeitet. Zum einen war die Umgebung komplett beobachtbar und zum anderen ein Ansatz in dem die Sensoreinheiten nur {\"u}ber beschr{\"a}nkte Informationen verf{\"u}gen. Beide L{\"o}sungsans{\"a}tze verwenden einen evolution{\"a}ren Algorithmus, basierend auf k{\"u}nstlichen Neuronalen Netzen. Des Weiteren wurden Multiagent Zielfunktionen untersucht um die Qualit{\"a}t des Systems zu messen und die Regelstrategien zu bewerten. Die Ergebnisse dieser Arbeit zeigen, dass im Falle einer Umgebung mit mehreren Informationstypen, individuelle Regelungsstrategien die besten Ergebnisse erzielen, weil diese Strategien sowohl in der Lage sind die Bewegung der Sensoragenten zu kontrollieren, als auch die aufgenommenen Informationen entsprechend der eigenen Eigenschaften zu filtern. Zus{\"a}tzlich zu diesen Ergebnissen zeigt diese Arbeit eine selbstst{\"a}ndige Anpassung der Regelstrategie wenn Sensoragenten hinzugef{\"u}gt oder entfernt wurden. Dies macht deutlich, dass intelligente Sensoragenten in der Lage sind ihre individuellen Regelstrategien entsprechend neuen Umst{\"a}nden anzupassen.},
  language  = {en}
}