Ein selbstlernender Optimierungsalgorithmus zur virtuellen Steuergerteapplikation

Marco Scheffmann stellt einen neuartigen multikriteriellen Lsungsalgorithmus fr die Erzeugung optimaler Datenstze von Fahrzeugsteuergerten vor. Im Gegensatz zu verbreiteten, zumeist evolutionren Anstzen wendet der Autor hier einen Ansatz des bestrkenden Lernens an. Infolge der eigenstndigen Entwicklung zielgerichteter Handlungsstrategien kann damit auf sonst hufig eingesetzte vorangestellte Methoden der statistischen Versuchsplanung und der Metamodellbildung verzichtet werden. Zur subjektiven Betrachtung von optimierten Datenstzen dient ihm die echtzeitfhige Verkopplung der vollbeweglichen Fahrsimulation mit virtualisierten Steuergerten. Seine abschlieende Probandenstudie besttigt die Ergebnisse des vorgestellten methodischen Ansatzes.