Ein selbstlernender Optimierungsalgorithmus zur virtuellen Steuergerateapplikation

Marco Scheffmann stellt einen neuartigen multikriteriellen Loesungsalgorithmus fur die Erzeugung optimaler Datensatze von Fahrzeugsteuergeraten vor. Im Gegensatz zu verbreiteten, zumeist evolutionaren Ansatzen wendet der Autor hier einen Ansatz des bestarkenden Lernens an. Infolge der eigenstandigen Entwicklung zielgerichteter Handlungsstrategien kann damit auf sonst haufig eingesetzte vorangestellte Methoden der statistischen Versuchsplanung und der Metamodellbildung verzichtet werden. Zur subjektiven Betrachtung von optimierten Datensatzen dient ihm die echtzeitfahige Verkopplung der vollbeweglichen Fahrsimulation mit virtualisierten Steuergeraten. Seine abschliessende Probandenstudie bestatigt die Ergebnisse des vorgestellten methodischen Ansatzes.