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

Praktische Optimierung (komplexer Systeme)

Basismodul MPO (INF-MSc-231)

Sommersemester 2020

Prof. Dr. Günter Rudolph



Termin:    
Montag 12:15 - 13:45 OH14 / R304
Dienstag 12:15 - 13:45 OH14 / R304
Beginn: Montag, 20. April 2020




Neuigkeiten:
  • Stand: 24.04.2020, 14:30 Uhr  
    Konsolidierte Fassung: Alle aktuell im Moodle angemeldeten Teilnehmer wurden per Moodle-Nachricht über den neuen Link zur Vorlesung informiert. Dieser Link gilt ab dem 27.04.2020 für alle Vorlesungstermine in diesem Semester. Wer sich noch nachträglich im Moodle anmeldet, muss mit dem Dozenten oder Übungsleiter per email Kontakt aufnehmen, um die Zugangsinformationen zu erhalten.

  • Stand: 16.04.2020, 18:00 Uhr  
    Online-Betrieb ab 20. April 2020:
    Wegen der Corona-Pandemie ist ein Online-Betrieb notwendig. Um sich auf den Vorlesungsstream aufschalten zu können, müssen Sie sich vorher registrieren. Dies geschieht im Moodle via den Webseiten der Übung (Link s.o.). Sie erhalten dann weitere Informationen über die dort hinterlegte (unimail-) email-Adresse.
    Achtung: Eine Versendung der Zugangsinformationen erfolgt nur über ihre unimail-Adresse! Sollten Sie noch keine unimail-Adresse haben, so melden Sie sich als Gast im Moodle an und benachrichtigen Sie den Dozenten.

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 Informatik:

Diese Vorlesung ist ein Basismodul im Forschungsgebiet C (Intelligente Systeme).
Die Studuenleistung ist Voraussetzung zur Teilnahme an der mündlichen Modulprüfung.
Die Modulbeschreibung findet sich hier.

Studierende anderer Studiengänge können an der Modulprüfung teilnehmen, sofern Nebenfachvereinbarungen existieren.


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.

1 Einleitung   Stand: 13.04.20
2 Analytische Lösungsverfahren   Stand: 20.04.20
3 Abstiegsverfahren / Direkte Suchverfahren   Stand: 27.04.20 Nachtrag
4 Vergleich von Algorithmen   Stand: 01.05.20
5 Randomisierte Verfahren   Stand: 11.05.20
6 Evolutionäre Algorithmen   Stand: 25.05.20aktualisiert!
7 Restriktionsbehandlung   Stand: 01.06.20



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