Zum Status der Vorlesung im Rahmen der DPO: (Stand: 23. Juli 2010)

Da diese Vorlesung erst für den Masterstudiengang als Basisvorlesung eingerichtet wurde, hat sie im Diplomstudiengang einen Sonderstatus: Sie kann entweder als

• Wahlpflichtvorlesung im Katalog A oder
• Wahlvorlesung im den Schwerpunktgebieten 6 + 7

geprüft werden. Sie müssen sich natürlich vor der Prüfung entscheiden, welchen Status die Vorlesung für Ihre Prüfung haben soll!

Bei der Optimierung komplexer Systeme speziell in den Ingenieurwissenschaften stellt sich meist schnell heraus, dass die Reichweite analytischer und exakter Lösungsmethoden wegen idealisierender Voraussetzungen für die Praxis zu eingeschränkt ist. Die "Praktische Optimierung" behandelt deshalb solche Lösungsansätze, die sich für praxisrelevante Problemklassen wie die nichtkonvexe Optimierung unter dem Black-Box-Szenario, die Optimierung bei Unsicherheit sowie zeitvarianter Probleme, die mehrkriterielle und schließlich die symbolische Optimierung bewährt haben. Methodisch kommen hier direkte deterministische Suchverfahren als auch etwa evolutionäre Algorithmen zum Einsatz. Besonderes Augenmerk gilt der Hybridisierung der Optimierverfahren mit statistischen Methoden: Bei zeitinvarianten Problemen werden Prognosemodelle, bei der Optimierung unter Unsicherheit statistische Testverfahren, zur Funktionsapproximation etwa Krigingverfahren oder Neuronale Netze benutzt. Weitere Themen berühren softwaretechnische Fragen zur Kopplung von Optimierverfahren und (kommerziellen) Simulatoren sowie die sinnvolle Nutzung paralleler Hardware. In den Übungen soll sich mit den Lösungsansätzen aktiv auseinandergesetzt werden, wobei existierende Schnittstellen zu Simulatoren softwaretechnisch bedient werden müssen.

Neben dem Erwerb von Einsicht in die Problematik und analytische Struktur der jeweiligen Problemklasse sollen die Studierenden methodisches Spezialwissen zur praktischen Lösung solcher Probleme erlangen. Sie sollen die praxisorientierten Lösungsansätze kennen und beherrschen sowie die Fähigkeit besitzen, selbständig praxisrelevante Probleme bearbeiten zu können. Schließlich sollen die Ergebnisse auch kritisch beurteilt werden können. Zur praktischen Umsetzung wird ausschließlich R eingesetzt (eine Einführung erfolgt im Rahmen der Übung).

Dienstag, 08:30 - 10:00h, OH14, R304 (Beginn: 27.04.2010). Veranstalterin: Nicola Beume

• Webseiten zur Übung

HINWEIS: Die hier bereitgestellte Literatur soll der Prüfungsvorbereitung dienen. Sie ist also nur für Ihren privaten Gebrauch bestimmt. Sie darf also nicht weitergegeben oder auf irgendeine andere Weise weiter verbreitet werden.

1. Einleitung
2. Grundlagen und analytischer Lösungsansatz
   • M. Papageorgiou: Optimierung. Oldenbourg 1991. (Kapitel 1-4, 6 und 7)
   • A. Antoniou und W.-S. Lu: Practical Optimization. Springer 2007. (Kapitel 1, 2, 10)
3. Abstiegsverfahren und direkte Suchverfahren
   • A. Antoniou und W.-S. Lu: Practical Optimization. Springer 2007. (Kapitel 4, 5, 7)
   • T.G. Kolda, R.M. Lewis und V. Torczon: Optimization by direct search: new perspectives on some classical and modern methods. SIAM Review 45(3):385-482, 2003. (S. 387-388, 401-411, 427-429)
4. Randomisierte Verfahren
   • ...
   • G. Rudolph: Stochastic Convergence. In G. Rozenberg, T. Bäck, and J.N. Kok (Hrsg.): Handbook of Natural Computing. Springer 2010, im Druck. (Abschnitte 1+3)
5. Evolutionäre Algorithmen
   • O. Kramer: Computational Intelligence: Eine Einführung. Springer 2009. (Kapitel 2)
   • G. Rudolph: Evolutionary Strategies. In G. Rozenberg, T. Bäck, and J.N. Kok (Hrsg.): Handbook of Natural Computing. Springer 2010, im Druck. (Abschnitte 1 - 4.1.2, 4.3 - 4.3.2, 4.3.4, 4.3.6)
6. Statistik und Parameter Tuning
   • ...
7. Restriktionsbehandlung
   • M. Papageorgiou: Optimierung. Oldenbourg 1991. (Abschnitt 10.1)
8. Mehrkriterielle Optimierung
   • M. Ehrgott: Multicriteria Optimization, Springer 2000. (Kapitel 1-3)
   • N. Beume, B. Naujoks und M. Emmerich: SMS-EMOA: Multiobjective selection based on dominated hypervolume. European Journal of Operational Research, 181(3):1653-1669, 2007.
   • G. Rudolph und M. Preuss: Ein mehrkriterielles Evolutionsverfahren zur Bestimmung des Phasengleichgewichts von gemischten Flüssigkeiten, S. 177-185 in R. Mikut und M. Reischl (Hrsg.): Proceedings of the 17th GMA Workshop on Computational Intelligence, Universitätsverlag Karlsruhe 2007.
   • G. Rudolph und M. Preuss: Ein Evolutionsverfahren zur Approximation äquivalenter Urbilder von Pareto-optimalen Zielvektoren, S. 30-39 in R. Mikut and M. Reischl (Hrsg.): Proceedings of the 18th GMA Workshop on Computational Intelligence, Universitätsverlag Karlsruhe 2008.
9. Metamodellierung
   • D.R. Jones, M. Schonlau und W.J. Welch: Efficient Global Optimization of Expensive Black-Box Functions. Journal of Global Optimization 13:455-492, 1998.
   • A.I.J. Forrester und A.J.Keane: Recent advances in surrogate-based optimization. Progress in Aerospace Sciences 45:50-79, 2009.
10. Parallele Optimierung
    • G. Rudolph: Deployment Scenarios of Parallelized Code in Stochastic Optimization, S. 3-11 in: B. Filipic and J. Silc (Hrsg.): Proceedings of the Second International Conference on Bioinspired Optimization Methods and their Applications (BIOMA 2006), Josef Stefan Institute: Ljubljana 2006.