Praktische Optimierung (komplexer Systeme)

• Stand: 02.04.2021  
  Wegen der Corona-Pandemie ist weiterhin der Online-Betrieb notwendig. Um sich auf den Vorlesungsstream aufschalten zu können, müssen Sie sich vorher registrieren. Dies geschieht im Moodle via dem oben angegebenen Link. 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.
  

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 Studienleistung ist Voraussetzung zur Teilnahme an der mündlichen Modulprüfung.
Die Modulbeschreibung findet sich hier.

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

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: 12.04.21
2		Analytische Lösungsverfahren					Stand: 13.04.21
3		Abstiegs- und direkte Suchverfahren					Stand: 19.04.21
4		Vergleich von Algorithmen					Stand: 20.04.21
5		Randomisierte Verfahren					Stand: 27.04.21
6		Evolutionäre Algorithmen					Stand: 04.05.21
7		Restriktionsbehandlung					Stand: 18.05.21
8		Modellbasierte Optimierung (Teil A)					Stand: 31.05.21	(aktualisiert)
		Modellbasierte Optimierung (Teil B)					Stand: 31.05.21
		Modellbasierte Optimierung (Teil C)					Stand: 07.06.21
		Modellbasierte Optimierung (Teil D)					Stand: 07.06.21
		Modellbasierte Optimierung (Teil E)					Stand: 07.06.21
9		Tuning					Stand: 08.06.21
10		Mehrkriterielle Optimierung (Teil A)					Stand: 14.06.21
		Mehrkriterielle Optimierung (Teil B)					Stand: 21.06.21
		Mehrkriterielle Optimierung (Teil C)					Stand: 05.07.21
		Mehrkriterielle Optimierung (Teil D)					Stand: 05.07.21
		Mehrkriterielle Optimierung (Teil E)					Stand: 06.07.21
		Mehrkriterielle Optimierung (Teil F)					Stand: 06.07.21
11		Parallele Stochastische Optimierung					Stand: 12.07.21
12		Stochastische Probleme					Stand: 13.07.21
		– ENDE –