https://opendata.uni-halle.de//handle/541532/3152 2026-06-14T14:09:13Z 2026-06-14T14:09:13Z Benecke, Tobias https://opendata.uni-halle.de//handle/1981185920/125323 2026-05-14T01:04:55Z 2026-01-01T00:00:00Z

Title: Exploring the population dynamics of evolutionary algorithms using gene heritage Author(s): Benecke, Tobias Abstract: The idea of evolutionary algorithms (EAs) is derived from the principle of natural selection in biology. A population of solutions to an optimization problem gets recombined and mutated to create a new generation of offspring. The best survive to the next generation. The idea of this evolutionary loop is simple. However, the resulting search dynamics become very complex, as we usually evolve hundreds or thousands of solutions over many generations. Even though we understand each component in this process, the sheer amount of data quickly becomes incomprehensible for humans. Furthermore, these algorithms are often only tested and evaluated in terms of their performance. While this is an important aspect of the algorithm, we disregard its behavior in the search space. Essentially, only half of the search process is evaluated. This means that we know that one algorithm performed better than another, but we do not truly know why. This question is typically subject to speculation or educated guesses from the user. Subsequently, designing and tailoring EAs for new problems relies mostly on intuition. We believe a better and proven base of knowledge about the search dynamics can only be beneficial for the development and application of EAs. For this reason, we want to explore their population dynamics in this thesis. The idea of evaluating the population dynamics of EAs is not new. However, there is a lack of overview of existing approaches, as, to the best of our knowledge, neither review works nor a shared vocabulary around this topic exists. Here, we provide a first starting point by collecting and classifying existing approaches based on the data they collect. We find that in recent years, works visualizing and evaluating the paths of a population through the search space have gained traction. Furthermore, genealogical evaluations, which are also inspired by the field of biology, are often used to evaluate parent-child relationships of the evolutionary process. However, we do only find a small number of works that focus on precisely tracking how each part of a solution was assembled. Here lies the focus of this dissertation. This thesis proposes a new approach for research into the population dynamics of EAs on a gene-based level. For this, we develop the traceable evolutionary algorithm (T-EA), which allows us to track the heritage of each gene from the initial population throughout the evolutionary process. Furthermore, we propose metrics to evaluate the newly collected data. Most importantly, we can evaluate the influence of a past individual with the amount of genetic material present in the current population. Besides creating new tools to evaluate the population dynamics in EAs, we also want to create first knowledge on how these algorithms assemble their solution. For this, we conduct first exploratory tests to gain a better idea of how the T-EA can be used and get a first interesting insight into the population dynamics of EAs. Our goal is to identify influential individuals in the evolutionary process. For this, we design a system to create individuals of desired genome and fitness properties. Empirically testing both performance and tracing gene heritage in EAs, we can identify which properties, and therefore which individuals, are influential in the search process. We do these tests both for single-objective evolutionary algorithms (SOEAs) and multi-objective evolutionary algorithms (MOEAs). We find that optimizing more than one objective, while only changing the survival process of the evolutionary loop, creates large differences in the convergence behavior.; Die Idee von evolutionären Algorithmen (EAs) leitet sich aus dem Prinzip der natürlichen Selektion ab. Eine Population von Lösungen für ein Optimierungsproblem wird über mehrere Generationen neu kombiniert und mutiert, um neue Lösungen als Nachkommen zu schaffen. Diese neuen Lösungen werden mit einer Fitnessfunktion bewertet. Die Besten werden für die nächste Generation ausgewählt und der Rest wird aussortiert. Die Idee dieser simulierten Evolution ist einfach. Wir können jeden einzelnen Schritt nachvollziehen und wissen genau, wie die neuen Lösungen erstellt werden. Der daraus resultierende Suchprozess wird jedoch schnell komplex und von Menschen nicht mehr nachvollziehbar, da im Laufe aller Generationen zu viele neue Lösungen entstehen. Außerdem werden EAs oft nur anhand der Qualität oder Performance der Lösungen verglichen, die sie gefunden haben. Ihr Verhalten im Suchraum wird oft nicht evaluiert. Damit wird ein wesentlicher Teil des Suchprozesses ignoriert. Dadurch können wir zwar sagen, dass ein Algorithmus bessere Lösungen für ein Problem findet als ein anderer, aber nicht warum. Diese Frage nach dem Warum wird oft nicht oder lediglich durch Vermutungen und Spekulationen beantwortet. Das bedeutet, dass neue Algorithmen oft nur durch Intuition der Anwender an neue Optimierungsprobleme angepasst werden. Ein besseres Verständnis des Suchverhaltens von EAs ist sowohl für ihre Entwicklung als auch für ihre Anwendung wichtig. Das Ziel dieser Dissertation ist daher, dieses Suchverhalten zu untersuchen. Dabei ist dieses Forschungsgebiet schon Jahrzehnte alt. Es gibt allerdings bisher keine Reviews, und kein gemeinsames Vokabular zu diesem Thema. Diese Arbeit schafft daher einen ersten Überblick über existierende Ansätze, und sammelt bisherige Erkenntnisse. Wir finden unter anderem Arbeiten, welche den Suchprozess von Algorithmen im Suchraum visualisieren und vergleichbar machen. Oder Ansätze, die ähnlich wie Ahnenforschung in der Biologie Eltern-Kind-Beziehungen erfassen, und Stammbäume erstellen. Allerdings gibt es nur wenige Arbeiten auf der kleinsten Einheit dieses simulierten Evolutionsprozesses, dem Gen. Hier liegt der Schwerpunkt dieser Arbeit. In dieser Dissertation haben wir einen neuen Algorithmus zum Tracken der Suchdynamik auf der Genebene entwickelt, den tracebaren evolutionären Algorithmus (T-EA). Mit diesem Werkzeug kann die Herkunft jedes Gens von der initialen Population durch den Evolutionsprozess verfolgt werden. Darüber hinaus schlagen wir Metriken zur Auswertung dieser Daten vor. Wir können den Einfluss einer initialen Lösung anhand der Menge des genetischen Materials in der aktuellen Generation bewerten. Mit dem T-EA möchten wir auch erste Untersuchungen der Suchdynamik von EAs erstellen. Dafür führen wir erste explorative Tests durch, um eine bessere Vorstellung davon zu bekommen, wie der T-EA eingesetzt werden kann, und um erste Einblicke in die Populationsdynamik zu gewinnen. Unser Ziel ist es, einflussreiche Individuen im Evolutionsprozess zu identifizieren. Dazu entwerfen wir ein System, um Lösungen mit den gewünschten Genom- und Fitnesseigenschaften zu erstellen. In empirischen Tests messen wir die Performance und tracken die Suchdynamik mithilfe des T-EA, um zu evaluieren, welche Eigenschaften, und damit welche Lösungen, wichtig für den Evolutionsprozess sind. Wir führen diese Tests sowohl für EAs mit einem einzelnen Suchkriterium, als auch für multikriterielle EAs durch. Hier werden die Unterschiede im Suchverhalten für Probleme mit mehr als einem Suchkriterium deutlich.

2026-01-01T00:00:00Z Weikert, Dominik https://opendata.uni-halle.de//handle/1981185920/125155 2026-04-28T01:06:21Z 2026-01-01T00:00:00Z

Title: Evolutionary multi-objective task allocation for IoT networks Author(s): Weikert, Dominik Abstract: The Internet of Things (IoT) has been an area of growing research interest for decades and continues to expand in use cases and applications. Most of these consist of highly heterogeneous and resource-constrained devices interconnected through dynamic wireless networks. Efficient task allocation is essential to ensuring reliable operation in such environments, as the performance of the network with respect to metrics such as energy consumption, latency, reliability, and network lifetime depends strongly on where the given tasks are executed. However, this Task Allocation Problem (TAP) is NP-hard, and optimizing multiple conflicting objectives under dynamic network conditions further increases its complexity. Existing approaches typically address only simplified variants of the problem, focus on single-objective optimization, or assume static and failure-free networks, limiting their applicability in real-world IoT deployments. This thesis presents a decomposition of the TAP into distinct sub-problems and introduces a series of evolutionary multi-objective optimization algorithms to address them. First, the Multi-Objective Task Allocation Algorithm (MOTA) is proposed to solve the base problem in static networks. This foundation is subsequently extended to incorporate node failures (Availability-Aware Multi-Objective Task Allocation Algorithm (A-MOTA)), node mobility (Mobility-Aware Multi-Objective Task Allocation Algorithm (M-MOTA)), and then the full range of dynamic changes in network conditions (Dynamic Multi-Objective Task Allocation Algorithm (D-MOTA)). To ensure applicability in large-scale or hardware-constrained environments, surrogate-assisted optimization techniques are further developed, significantly reducing computational cost while maintaining solution quality. Comprehensive experimental evaluations across a variety of network topologies and scenarios demonstrate that the proposed algorithms consistently outperform other strategies in terms of solution quality, robustness, and adaptability. These results confirm the feasibility and impact of the proposed multi-objective task allocation algorithms in IoT networks.; Das IoT ist seit Jahrzehnten ein Forschungsgebiet mit wachsendem Interesse und wird zunehmend in verschiedensten Einsatzbereichen genutzt. Die meisten dieser Systeme bestehen aus heterogenen und ressourcenbeschränkten Geräten, die über drahtlose Netzwerke miteinander verbunden sind. Eine effiziente Aufgabenverteilung ist entscheidend für einen zuverlässigen Betrieb in solchen Umgebungen, da die Leistungsfähigkeit des Netzwerks in Bezug auf Kennzahlen wie Energieverbrauch, Latenz und Lebensdauer stark davon abhängt, an welchen Geräten die jeweiligen Aufgaben ausgeführt werden. Das zugrunde liegende Zuordnungsproblem ist jedoch NP-schwer, und die Optimierung mehrerer widersprüchlicher Ziele unter dynamischen Netzwerkbedingungen erhöht die Komplexität zusätzlich. Bestehende Ansätze behandeln in der Regel nur vereinfachte Varianten des Problems, konzentrieren sich auf optimierung eines einzelnen Zieles, oder gehen von statischen und fehlerfreien Netzwerken aus, was ihre Anwendbarkeit in realen IoT-Umgebungen einschränkt. Diese Arbeit präsentiert eine systematische Zerlegung des Zuordnungsproblems in Teilprobleme und stellt eine Reihe evolutionärer Multikriterieller Optimierungsalgorithmen zu deren Lösung vor. Zunächst wird der MOTA vorgestellt, um das Grundproblem in statischen Netzwerken zu lösen. Darauf aufbauend wird der Ansatz schrittweise erweitert, um Ausfälle (A-MOTA), Mobilität (M-MOTA), sowie schließlich das vollständige Spektrum dynamischer Änderungen der Netzwerkbedingungen (D-MOTA) zu berücksichtigen. Um die Anwendbarkeit in hardwarebeschränkten Umgebungen sicherzustellen, werden zusätzlich surrogategestützte Optimierungstechniken entwickelt, die die Rechenkosten erheblich reduzieren, ohne die Lösungsqualität zu beeinträchtigen. Umfassende experimentelle Auswertungen über verschiedene Netzwerktopologien und Szenarien hinweg zeigen, dass die vorgeschlagenen Algorithmen existierende Strategien in Bezug auf Lösungsqualität, Robustheit und Anpassungsfähigkeit durchgängig übertreffen. Diese Ergebnisse bestätigen die Machbarkeit und den Nutzen der multkriteriellen Aufgabenverteilung in IoT-Netzwerken.

2026-01-01T00:00:00Z Schleicher, Miro https://opendata.uni-halle.de//handle/1981185920/125029 2026-04-22T01:07:36Z 2026-01-01T00:00:00Z

Title: Modelling and prediction of compliance in healthcare Author(s): Schleicher, Miro Abstract: Compliance, often also referred to as adherence, describes the extent to which individuals follow prescribed monitoring or treatment regimens. In the context of mobile health applications, compliance emphasizes the agreement with recommended actions, while engagement highlights the dynamics and quality of ongoing user interaction with the system. Both concepts are dynamic and heterogeneous, shaped by personal, clinical, and contextual factors, which complicates prediction and limit the applicability of conventional machine learning approaches. This dissertation investigates compliance at two distinct stages of the care process: the stage of initial diagnosis, when baseline assessments are collected, and the stage of treatment, when patients interact longitudinally with mobile health systems. Across these stages, methods are developed and evaluated to capture, model, and predict compliance, with the objective of enabling early identification of non-compliance risk and supporting targeted interventions. At the diagnostic stage, the work examines compliance with a focus on the burden on patients during clinical examinations. Methods are introduced to quantify burden and to identify reduced sets of questionnaires that maintain predictive validity for clinical outcomes. Compliance-derived features, extracted from questionnaire completion patterns, are shown to improve the generalizability of outcome prediction models across clinical centers, even when datasets differ in scope and composition. These results show that compliance serves as a predictive feature, linking baseline data with later treatment behavior. At the treatment stage, the focus shifts to modeling dynamic user-app interaction data. The first set of methods segments longitudinal engagement into distinct trajectories, identifies transition points, and predicts the likelihood of users progressing or disengaging. Additional methods forecast temporary disengagements and subsequent re-engagements by modeling interaction sequences and abstracted behavioral patterns. The final set of methods introduces cluster-based and neighborhood-based strategies to predict the characteristics of future usage intervals, including their duration, structure, and content, by analyzing similarities to historical patterns observed in other users. Diagnostic-stage approaches are evaluated on clinical datasets from tinnitus centers, while treatment-stage approaches are assessed on large-scale, real-world self-monitoring datasets characterized by voluntary participation, heterogeneous behavior, and irregular sampling. The findings show that compliance can be represented in structured forms supporting interpretability and predictive performance. Baseline compliance indicators enhance outcome predictions, and engagement-based neighborhood models enable accurate forecasting of activity patterns. Across approaches, compliance-aware modeling improves robustness with sparse, noisy, and skewed data. This work positions compliance as a primary signal for modeling and intervention planning, with early and personalized predictions providing a foundation for proactive and resource-efficient decision making in digital health. The results have implications for chronic disease management, clinical trial monitoring, and the design of adaptive, compliance-aware mobile Health interventions.; Compliance, auch als Adhärenz bezeichnet, beschreibt das Ausmaß, in dem Personen vorgeschriebene Monitoring- oder Behandlungsabläufe befolgen. Im Kontext mobiler Gesundheitsanwendungen betont Compliance die Übereinstimmung mit empfohlenen Handlungen, während Engagement die Dynamik und Qualität der fortlaufenden Nutzerinteraktion mit dem System hervorhebt. Beide Konzepte sind dynamisch und heterogen, geprägt durch persönliche, klinische und kontextuelle Faktoren. Dies erschwert ihre Vorhersage und schränkt die Anwendbarkeit konventioneller Verfahren des maschinellen Lernens ein. Diese Dissertation untersucht Compliance in zwei unterschiedlichen Stadien des Versorgungsprozesses: dem Stadium der Diagnostik, in dem Basisuntersuchungen durchgeführt werden, und dem Stadium der Behandlung, in dem Patienten über längere Zeiträume mit mobilen Gesundheitssystemen interagieren. In beiden Stadien werden Methoden entwickelt und evaluiert, um Compliance zu erfassen, zu modellieren und vorherzusagen, mit dem Ziel einer frühzeitigen Identifikation von Risiken mangelnder Compliance und der Unterstützung gezielter Interventionen. Im diagnostischen Stadium liegt der Schwerpunkt auf der Belastung der Patienten während klinischer Untersuchungen. Es werden Methoden vorgestellt, um diese Belastung zu quantifizieren und reduzierte Fragebogensätze zu identifizieren, die den noch eine valide Vorhersage klinischer Ergebnisse ermöglichen. Aus Antwortmustern abgeleitete Compliance-Features verbessern die Generalisierbarkeit von Prognosemodellen über verschiedene Kliniken hinweg, selbst wenn sich die Datensätze in Umfang und Zusammensetzung unterscheiden. Diese Ergebnisse zeigen, dass Compliance selbst als prädiktives Merkmal dienen kann, das statische Basisdaten mit späterem Behandlungsverhalten verbindet. Im Behandlungsstadium verschiebt sich der Fokus auf die Modellierung dynamischer Interaktionsdaten zwischen Nutzern und Anwendungen. Die erste Gruppe von Methoden segmentiert langfristige Nutzungsmuster in unterschiedliche Verläufe, identifiziert Übergangspunkte und prognostiziert die Wahrscheinlichkeit fortgesetzter Nutzung oder Abbruchs. Weitere Methoden sagen temporäre Nutzungspausen und anschließende Wiederaufnahmen voraus, indem sie Interaktionssequenzen und abstrahierte Verhaltensmuster modellieren. Eine dritte Gruppe von Methoden führt clusterbasierte und nachbarschaftsbasierte Ansätze ein, um die Eigenschaften künftiger Nutzungsintervalle– einschließlich Dauer, Struktur und Inhalt– anhand von Ähnlichkeiten zu historischen Mustern anderer Nutzer vorherzusagen. Die diagnostischen Ansätze werden auf klinische Datensätze aus Tinnitus-Zentren angewandt, während die Behandlungsansätze auf großskaligen, realweltlichen Selbstmonitoring-Daten evaluiert werden, die durch freiwillige Teilnahme, heterogenes Verhalten und unregelmäßige Erhebung gekennzeichnet sind. Die Ergebnisse zeigen, dass sich Compliance in strukturierte Repräsentationen überführen lässt, die sowohl Interpretierbarkeit als auch Vorhersagequalität unterstützen. Indikatoren der Baseline-Compliance verbessern langfristige Outcome-Prognosen, und auf Engagement basierende Nachbarschaftsmodelle ermöglichen präzise Vorhersagen zukünftiger Aktivitätsmuster. Über verschiedene Ansätze hinweg steigert die Berücksichtigung von Compliance die Robustheit von Prognosen in Datensätzen, die spärlich, verrauscht oder schief verteilt sind. Diese Arbeit positioniert Compliance als zentrales Signal für Modellierung und Interventionsplanung. Durch frühzeitige und personalisierte Vorhersagen von Compliance-Verläufen schaffen die vorgestellten Methoden eine Grundlage für proaktive und ressourcenschonende Entscheidungsfindung in der digitalen Gesundheit. Die Ergebnisse haben Implikationen für das Management chronischer Erkrankungen, die Überwachung klinischer Studien und die Gestaltung adaptiver, compliance-orientierter mobiler Gesundheitsanwendungen.

2026-01-01T00:00:00Z Schütz, Lars https://opendata.uni-halle.de//handle/1981185920/124953 2026-04-16T20:00:37Z 2026-01-01T00:00:00Z

Title: Erklärbarkeit von Clusterings und Rankings in öffentlichen Beteiligungsverfahren Author(s): Schütz, Lars Abstract: Die Arbeit untersucht die Erklärbarkeit von Clusterings und Rankings von Beteiligungsbeiträgen in der Anwendungsdomäne rund umdigitale, öffentliche Beteiligungsverfahren. Diese Beteiligungsverfahren sind in Planungs- und Entwicklungsprozessen der Raumplanung eingebettet. Somit tangiert dies beispielsweise die Stadtplanung oder die Landesplanung. In der Arbeit werden die Perspektiven der Öffentlichkeit und der Mitarbeitenden der öffentlichen Verwaltungen eingenommen. Während die Öffentlichkeit Beteiligungsbeiträge formuliert und einreicht, um beispielsweise Ideen oder Bedenken zu äußern, sind es die Mitarbeitenden der öffentlichen Verwaltungen, die diese für die weitere Planung auswerten und dabei auch teilweise über deren Beachtung entscheiden. Die damit assoziierte Wissensentdeckung ist anspruchsvoll und zeitaufwändig. Die Unterstützung durch Methoden des Clusterns und Rankens soll die Exploration und Analyse von Beteiligungsbeiträgen erleichtern, denn häufig sind zusammenhängende oder ähnliche Beteiligungsbeiträge für die erwähnten Akteure von Interesse. So können verwandte Themen und Anliegen identifiziert und gegenübergestellt werden. Mit diesen Methoden entstehen aber auch neue Herausforderungen, was die Erklärbarkeit von Clusterings und Rankings betrifft. Die Arbeit untersucht deshalb Methoden zur Erklärbarkeit von Clusterings und Rankings. Sie setzt dabei verschiedene Schwerpunkte. Ein wesentlicher Bestandteil ist die Ermittlung von Anknüpfungspunkten für das Clustern und Ranken in Beteiligungsverfahren. Die Arbeit führt außerdem eine grafische Nutzungsoberfläche für die sogenannte Abwägung von Beteiligungsbeiträgen ein, die eine Rankingkomponente integriert. Ferner wird ein Modell zur umfangreichen Unterscheidung von Clusterings mitsamt Anwendungsfällen in der Auswertung von Beteiligungsbeiträgen präsentiert. Dieses lässt sich für verschiedene Beteiligungsverfahren einsetzen und beachtet dabei Eingabeparameter, Datenparameter, Metadatenparameter, Clusterzuweisungen und Modellparameter. Außerdem werden Methoden zur Ermittlung von Prototypen und Kritiken in Clusterings und Rankings vorgestellt. Diese dienen zur Gewinnung von beispielbasierten Erklärungen. Dabei handelt es sich um repräsentative Dateninstanzen. Verschiedene, umfangreiche Nutzungsstudien sprechen für die Eignung der entwickelten Methoden. Untersucht wurden beispielsweise die Genauigkeit, die Effizienz und die empfundene Schwierigkeit einzelner Methoden im Vergleich mit anderen Baselines. Teilweise liegen statistisch signifikante Unterschiede vor. Abschließend wird ein Ausblick auf zukünftige Forschungsarbeiten gegeben.; The thesis investigates the explainability of clusterings and rankings of contributions in the domain of digital public participation processes. These participation processes are embedded in planning and development processes of spatial planning. They affect areas such as urban and regional planning. The thesis adopts the perspectives of both the public and employees of public administrations. While the public formulates and submits contributions, e.g., to express ideas or concerns, it is the employees of public administrations who assess these contributions for further planning and, in part, decide on their consideration. However, the associated process of knowledge discovery is demanding and time-consuming. Support through clustering and ranking methods is intended to facilitate the exploration and analysis of contributions submitted to participation process. This is especially relevant since related or similar contributions are often of interest to the aforementioned actors. In this way, related topics and concerns can be identified and compared. Yet these methods also introduce new challenges regarding the explainability of clusterings and rankings. Therefore, the thesis investigates methods for explaining clusterings and rankings. In this regard, it emphasises various aspects. The determination of anchor points for clustering and ranking in participation processes is one essential element. Furthermore, the thesis introduces a graphical user interface for the so-called assessment of contributions. This graphical user interface incorporates a ranking component. This work also presents a model for a comprehensive differentiation of clusterings, including use cases for the analysis of contributions. This model can be applied across different clustering algorithms and considers input data parameters, metadata parameters, cluster assignments, and model parameters. Methods for identifying prototypes and criticisms in clusterings and rankings are also presented. These are used to compute example-based explanations, representing representative data instances. Various extensive user studies support the suitability of the developed methods. For example, the user studies investigated the accuracy, efficiency, and perceived difficulty of individual methods in comparison with other baseline methods. In some cases, statistically significant differences were found. Finally, the thesis provides an outlook on future research.

2026-01-01T00:00:00Z