Die Analyse sog. Fitness Landscapes wird häufig genutzt, um die Struktur und die Eigenschaften von Optimierungsproblemen besser zu verstehen
und darauf basierend geeignete Algorithmen auszuwählen. Eine Fitnesslandschaft ist definiert durch den Suchraum, der alle möglichen
Lösungen des Problems enthält, ein Abstandsmaß, das angibt, wie weit diese Lösungen voneinander entfernt sind, und eine Zielfunktion,
die jeder Lösung einen bestimmten Wert zuweist und für die der optimale Wert gefunden werden muss. Bei kontinuierlichen Problemen kann
die Fitness Landscape daher als eine Landschaft beschrieben werden, bei der der Suchraum der untere Boden ist und die Landschaftsoberfläche
entsprechend den Werten der Zielfunktion angehoben wird. Analog zu einer geografischen Landschaft können Fitnesslandschaften aus
Gipfeln, Tälern, Ebenen, Schluchten, Klippen, Plateaus und Becken bestehen. Die Untersuchung dieser Landschaftsmerkmale gibt Aufschluss
darüber, wie schwierig es ist, ein Optimum zu finden, d. h. den höchsten Berggipfel (Maximierung) oder das tiefste Tal (Minimierung). (Link:
https://www.researchgate.net/publication/225336568_A_Comprehensive_Survey_on_Fitness_Landscape_Analysis )
Die Einsatzplanung dezentraler Energieerzeuger ist ein Optimierungsproblem, bei dem es gilt, die Fahrpläne aller Anlagen so aufeinander
abzustimmen, dass ein gemeinsamer Zielfahrplan erreicht wird (Link: https://www.annals-csis.org/Volume_18/drp/pdf/160.pdf ). Auch hier
sollte die Analyse der Problemeigenschaften wertvolle Hinweise für die Auswahl und Parametrisierung von Optimierungsalgorithmen liefern.
Der Suchraum setzt sich hierbei aus den Flexibilitäten, d.h. den Betriebsmöglichkeiten aller Anlagen zusammen.

Bei der Fitness-Landscape-Analyse für die verteilte Einsatzplanung gibt es zwei Herausforderungen. Zum einen beruhen viele Landscape Features
auf sogenannten Random Walks. Dabei werden Lösungskandidaten schrittweise verändert, was zu einer Trajektorie durch den Suchraum
führt. Um dies auf die Flexibilität der Anlagen zu übertragen, muss eine geeignete Sampling-Strategie entwickelt werden, mit der eine Menge
gültiger Fahrpläne erstellt wird. Zum anderen sind die Suchräume der einzelnen Anlagen gekoppelt, da die Fahrplanauswahl anderer Anlagen
Einfluss darauf hat, wie gut der Zielfahrplan gemeinsam erreicht wird. Bestehende Konzepte für die Fitnessberechnung bei gekoppelten
Suchräumen müssen daher entsprechend angepasst werden. Zur Evaluation der Fitness Landscape Features, sollen kleine Optimierungsszenarien
erstellt werden, die durch eine agenten-basierte verteilte Optimierungsheuristik gelöst werden. Mittels Korrelationsanalyse soll anschließend
untersucht werden, wie stark die Aussagekraft der Fitness Landscape Features ist.

- zielorientierte und selbstständige Arbeitsweise
- Programmierkenntnisse in Python