Stipendiaten 2010

Bei der Entwicklung von Algorithmen ist es zur Optimierung meist notwendig, mehrere Variationen miteinander zu vergleichen, was oft nur durch eine empirische Evaluation auf einer Vielzahl von Eingaben möglich ist. Dies bedeutet zum einen einen hohen Rechenaufwand, zum anderen ist die Beurteilung schwierig, da selten eine Variante bezüglich aller Messgrößen klar auf allen Eingaben dominiert. Häufig haben Entwickler daher keine leichte Möglichkeit festzustellen, wie sich Änderungen am Algorithmus auf die Performanz auswirken. Zudem hängen Verhalten und Performanz von Algorithmen oft entscheidend von einer Vielzahl von Parametern ab, die bisher meist manuell optimiert werden. Dies schöpft das Potenzial des Algorithmus selten voll aus.

Ziel unseres Projektes ist es, diese Probleme in einem einheitlichen Rahmen zu lösen. Zunächst wollen wir aufbauend auf Techniken des Data Minings neue Methoden und Metriken entwickeln, die den Entwickler automatisiert auf signifikante Änderungen der Ergebnisse hinweisen. Diese Verfahren dienen dann als Basis für den zweiten Teil des Projekts, in dem wir erste Forschungsergebnisse zur automatisierten Parameterkonfiguration mit Hilfe von Ansätzen aus den Bereichen der Kombinatorischen Suche, des Maschinellen Lernens und der Optimierungstheorie weiterentwickeln wollen. Wesentlicher Bestandteil des Projektes wird es daher sein, dem Nutzer eine gezielte, automatisierte und parallelisierte Parameteroptimierung bereit zu stellen.