Feature-Modell-geführtes Online Reinforcement Learning für Selbst-adaptive Systeme

dc.contributor.author	Metzger, Andreas
dc.contributor.author	Quinton, Clément
dc.contributor.author	Mann, Zoltán
dc.contributor.author	Baresi, Luciano
dc.contributor.author	Pohl, Klaus
dc.contributor.editor	Koziolek, Anne
dc.contributor.editor	Schaefer, Ina
dc.contributor.editor	Seidl, Christoph
dc.date.accessioned	2020-12-17T11:57:54Z
dc.date.available	2020-12-17T11:57:54Z
dc.date.issued	2021
dc.identifier.isbn	978-3-88579-704-3
dc.identifier.issn	1617-5468
dc.identifier.uri	http://dl.gi.de/handle/20.500.12116/34521
dc.description.abstract	Wir stellen Lernstrategien für selbst-adaptive Systeme vor, welche Feature-Modelle aus der Software-Produktentwicklung nutzen, um den Lernprozess zur Laufzeit zu beschleunigen.	de
dc.language.iso	de
dc.publisher	Gesellschaft für Informatik e.V.
dc.relation.ispartof	Software Engineering 2021
dc.relation.ispartofseries	ecture Notes in Informatics (LNI) - Proceedings, Volume P-310
dc.subject	Adaptation
dc.subject	Reinforcement Learning
dc.subject	Feature Modell
dc.subject	Cloud Service
dc.title	Feature-Modell-geführtes Online Reinforcement Learning für Selbst-adaptive Systeme	de
dc.type	Text/ConferencePaper
dc.pubPlace	Bonn
mci.reference.pages	75-76
mci.conference.location	Braunschweig/Virtuell
mci.conference.date	22.-26. Februar 2021
dc.identifier.doi	10.18420/SE2021_26