Department of Computer Science
Chair of Algorithm Engineering (Ls11)
Home Contact Deutsch English
menu
Günter Rudolph: Vorlesung POKS

Praktische Optimierung (komplexer Systeme)

Wahlvorlesung DPO / Basismodul MPO (INF-MSc-231)

Sommersemester 2018

Prof. Dr. Günter Rudolph



Termin:    
Montag 12:15 - 13:45 OH14 / R304
Dienstag 12:15 - 13:45 OH14 / R304
Beginn: Montag, 09. April 2018


  • Übungsleitung: M.Sc. Marius Bommert
  • Webseiten zur Übung


Beschreibung:
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).

Status der Vorlesung im Rahmen der MPO:

Diese Vorlesung ist ein Basismodul im Forschungsgebiet C (Intelligente Systeme).

Status der Vorlesung im Rahmen der DPO:

Diese Vorlesung ist eine Wahlvorlesung in den Schwerpunktgebieten 6 & 7 (Computational Intelligence / Intelligente Systeme).


Foliensätze:
Die Foliensätze zu den einzelnen Kapiteln sind nur per Passwort abrufbar. Das Passwort wird in der Vorlesung und Übung bekannt gegeben. Bitte beachten Sie, dass sämtliche Materialien dem Urheberschutz sowie dem Copyright unterliegen: Deshalb dürfen insbesondere Fotos und Videos nicht anderweitig öffentlich zugänglich gemacht werden! Sämtliche Materialien sind nur für den Einsatz in der Lehre vorgesehen.

Hinweis: Damit die Videos aus der Präsentation abzuspielen sind, müssen sie im gleichen Ordner wie die Präsentation liegen.

1 Einleitung   Stand: 09.04.18 Video 1   Video 2   Video 3
2 Analytische Lösungsverfahren   Stand: 09.04.18
3 Abstiegsverfahren / Direkte Suchverfahren   Stand: 16.04.18
4 Vergleich von Algorithmen   Stand: 16.04.18
5 Randomisierte Verfahren   Stand: 23.04.18
6 Evolutionäre Algorithmen   Stand: 07.05.18
7 Restriktionsbehandlung   Stand: 22.05.18
8 Metamodelle   Stand: 28.05.17
9 Multi-lokale und Modellgestützte Optimierung   Stand: 04.06.18
10 Mehrkriterielle Optimierung (Teil A)   Stand: 05.06.18
Mehrkriterielle Optimierung (Teil B)   Stand: 11.06.18
Mehrkriterielle Optimierung (Teil B+)   Stand: 02.07.18
Mehrkriterielle Optimierung (Teil C)   Stand: 02.07.18
Mehrkriterielle Optimierung (Teil D)   Stand: 02.07.18
Mehrkriterielle Optimierung (Teil E)   Stand: 02.07.18
Mehrkriterielle Optimierung (Teil F)   Stand: 02.07.18
Mehrkriterielle Optimierung (Teil G)   Stand: 02.07.18
11 Parallele Stochastische Optimierung   Stand: 02.07.18
12 Stochastische Probleme   Stand: 02.07.18



 
Imprint
<webmaster  ls11.cs.tu-dortmund.de>
The university does not accept liability for the contents of linked external internet sites