Uncertainty-Aware Coevolution Design of Self-Adaptive Cyber-Physical Systems

Cyber-fysiske systemer som er selvtilpassende får stadig større oppmerksomhet, da disse anses for å være mer fleksible og robuste i lys av uforutsette hendelser. Dette fordrer imidlertid at systemene utformes på en måte som 1) muliggjør co-evolusjon med omgivelsene, slik at systemet lærer av og tilpasser seg endringer i dets omgivelser, og 2) tar høyde for iboende usikkerhet i systemets omgivelser så vel som i systemet selv. Co-evolver adresserer disse utfordringene gjennom å undersøke og utnytte hvordan cyber-fysiske systemer realiserer mål i designfasen, slik at systemet kan utvikle og tilpasse seg når det er i drift. For å oppnå dette bruker vi teorier og teknologier fra modellbasert ingeniørkunst, evolusjonære algoritmer, maskinlæring og AI-teknologier. Målet er å sikre at disse systemene er robust mot kjente og ukjente eventualiteter som ligger innad i slike systemer. Så langt i prosjektet har vi utviklet metoder for kvantifisering av usikkerhet og maskinlæringsteknikker for å forbedre robustheten til selv-CPS, med et spesielt fokus på domenet for autonom kjøring. I tillegg har vi brukt forsterkende læring og epigenetikk-evolusjonære algoritmer for å bygge to nye teknikker for å sikre selv-CPS robusthet.

Self-adaptation in self-adaptive cyber-physical systems (self-CPSs) has gained great attention, mostly because of its envisioned benefits, that is, its flexibility and robustness in diverse known and unforeseen situations. Such benefits require a complex system design that must be able to handle two key challenges: 1) inevitable coevolution (reciprocally discovering their adaptation strategies and relationships and constantly coevolving with the environment) and 2) inherent internal and external (environment) uncertainty. Co-evolver addresses this challenge and will explore and exploit the coevolution design of a self-CPS to a given level of maturity before deployment and enable the self-evolution of its coevolution strategy during operation. To achieve this, we will draw on theories and technologies from model-based engineering, evolutionary computation, and machine learning. The goal is to ensure that a self-CPS is robust to the known and unknown eventualities inherent in such systems. The key scientific outcomes are 1) a multi-paradigm modelling framework (with a focus on coevolution and uncertainty modelling) for developing executable coevolution design models, 2) novel (co-)evolutionary algorithms and advanced applied studies on uncertainty-related theories and machine learning techniques to enable the continuous exploration and exploitation of coevolution designs, and 3) a comprehensive platform for evolving coevolution design models. The scientific impact of Co-evolver is multifaceted: advancing theoretical research in evolutionary computation, fostering a research niche in the coevolution design of complex systems, and leading the uncertainty modeling research community. Co-evolver will collaborate with NASA JPL&Caltech, USA (leading the development of a Computer Aided Engineering for Systems Architecture platform) and SOFTEAM Cadextan, France (leading the innovation and evolution of Modelio.org, a world leading open source modeling environment).