Hintergrund:

In der Entwicklung intelligenter Produktions- und Logistiksysteme nehmen autonome, vernetzte Agenten eine Schlüsselrolle ein. Um komplexe Aufgaben effizient zu bewältigen, müssen diese Systeme nicht nur lernen, sondern auch ihre interne Struktur und Kommunikation dynamisch anpassen können. Ziel dieser Arbeit ist es, in einer simulativen Testumgebung verschiedene Konzepte für Agentenarchitektur, Lernen und Interaktion zu erforschen und methodisch zu evaluieren.

Ziel der Arbeit:

Entwicklung und Analyse eines simulationsbasierten Multi-Agenten-Systems mit einem von drei Schwerpunkten:

Themenoption 1: Atomare Agentenstrukturen & Rollenverteilung mit Fokus auf Architektur und Organisation

• Modellierung von Agenten als “Atome” mit vernetzbaren Rollen (z. B. Spezialist, Manager)
• Dynamische Bildung von Systemstrukturen über agentenbasierte Verknüpfungslogik
• Aufbau und Visualisierung eines Agentennetzwerks
• Konzeption einer “Agentenbörse” zur strukturierten Verknüpfung

Themenoption 2: Meta-Learning im Reinforcement Learning mit Fokus auf Lernen & Adaption

• Vergleich klassischer RL-Methoden mit Meta-Learning-Ansätzen (z. B. MAML, Reptile)
• Simulation eines adaptiven Agenten in einer rudimentären Umgebung (x, y, dx, dy)
• Bewertung der Anpassungsfähigkeit in dynamischen Zielsystemen
• Analyse von Vor- und Nachteilen des Meta-Learnings

Themenoption 3: Spieltheorie in Multi-Agenten-Kommunikation mit Fokus auf Kooperation & Täuschung

• Interaktion durch „Horizont“/Ziel-Überschneidungen und Kommunikation zwischen Agenten
• Modellierung von Täuschern und Strategien zur Erkennung
• Integration spieltheoretischer Konzepte wie Vertrauen, Betrug, Kooperation
• Aufbau eines agentenbasierten Kommunikations- und Bewertungssystems

Vorgehensweise:

• Einarbeitung in Multi-Agenten-Systeme und Reinforcement Learning
• Auswahl und Ausarbeitung eines der drei Schwerpunktbereiche
• Aufbau eines simulativen Testsystems (z. B. mit Python)
• Implementierung und Evaluation der entwickelten Ansätze
• Dokumentation und Diskussion der Ergebnisse

Anforderungen an Studierende:

• Strukturierte, selbstständige Arbeitsweise
• Erfahrung im wissenschaftlichen Arbeiten sowie in der Durchführung von Literaturrecherchen
• Gute Dokumentationsfähigkeit
• Fortgeschrittene Kenntnisse in Python
• Grundkenntnisse KI, Multi-Agentensystemen oder maschinellem Lernen

Bewerbung:

Bewerbungen bitte mit Lebenslauf und aktueller Fächerübersicht per E-Mail an Luca.Werthmann@faps.fau.de

Kategorien:

Kontakt: