Stage-oe-small.jpg

Lehre/Vorlesung Naturanaloge und verteilte Optimierungsverfahren: Unterschied zwischen den Versionen

Aus Aifbportal
Wechseln zu:Navigation, Suche
Zeile 4: Zeile 4:
 
|Titel EN=Nature-inspired Optimization Methods
 
|Titel EN=Nature-inspired Optimization Methods
 
|Forschungsgruppe=Effiziente Algorithmen
 
|Forschungsgruppe=Effiziente Algorithmen
|Dozent=Sanaz Mostaghim; Pradyumn Kumar Shukla;
+
|Dozent=Pradyumn Kumar Shukla;
|Übungsleiter=Sanaz Mostaghim; Pradyumn Kumar Shukla;
+
|Übungsleiter=Pradyumn Kumar Shukla;
 
|Leistungspunkte=4.5
 
|Leistungspunkte=4.5
 
|Erfolgskontrolle=Klausur
 
|Erfolgskontrolle=Klausur
|Semester=WS
+
|Semester=SS
 
|LinkVVZ=https://zvwgate.zvw.uni-karlsruhe.de/qisserver/servlet/de.his.servlet.RequestDispatcherServlet?state=verpublish&status=init&vmfile=no&publishid=63706&moduleCall=webInfo&publishConfFile=webInfo&publishSubDir=veranstaltung
 
|LinkVVZ=https://zvwgate.zvw.uni-karlsruhe.de/qisserver/servlet/de.his.servlet.RequestDispatcherServlet?state=verpublish&status=init&vmfile=no&publishid=63706&moduleCall=webInfo&publishConfFile=webInfo&publishSubDir=veranstaltung
 
|LinkStudierendenportal=https://studium.kit.edu/sites/vab/71713/Start/homepage.aspx
 
|LinkStudierendenportal=https://studium.kit.edu/sites/vab/71713/Start/homepage.aspx

Version vom 8. Oktober 2014, 06:29 Uhr

Vorlesung Nature-inspired Optimization Methods

Details zur Lehrveranstaltung
Dozent(en) Pradyumn Kumar Shukla
Übungsleiter Pradyumn Kumar Shukla
Fach (Gebiet)
Leistungspunkte 4.5Der Datenwert „.5“ kann einem Attribut des Datentyps Zahl nicht zugeordnet werden sondern bspw. der Datenwert „4“. ECTS
Erfolgskontrolle Klausur
Semester SS


Aktuelle und ergänzende Informationen, sowie Zeiten und Räume der Lehrveranstaltung finden Sie im Vorlesungsverzeichnis der Universität.
Link zum Vorlesungsverzeichnis
Link zum Studierendenportal


Forschungsgruppe


Inhalt

Viele Optimierungsprobleme sind zu komplex, um sie optimal lösen zu können. Hier werden immer häufiger stochastische, auf Prinzipien der Natur basierende Heuristiken eingesetzt, wie beispielsweise Evolutionäre Algorithmen, Ameisenalgorithmen oder Simulated Annealing. Sie sind sehr breit einsetzbar und haben sich in der Praxis als sehr wirkungsvoll erwiesen. In der Vorlesung werden solche naturanalogen Optimierungsverfahren vorgestellt, analysiert und miteinander verglichen. Da die Verfahren üblicherweise sehr rechenintensiv sind, wird insbesondere auch auf die Parallelisierbarkeit eingegangen.

Many optimization problems are too complex to be solved to optimality. A promising alternative is to use stochastic heuristics, based on some fundamental principles observed in nature. Examples include evolutionary algorithms, ant algorithms, or simulated annealing. These methods are widely applicable and have proven very powerful in practice. During the course, such optimization methods based on natural principles are presented, analyzed and compared. Since the algorithms are usually quite compute intensive, possibilities for parallelization are also investigated.


Literatur
  • E. L. Aarts and J. K. Lenstra: "Local Search in Combinatorial Optimization". Wiley, 1997
  • D. Corne and M. Dorigo and F. Glover: "New Ideas in Optimization". McGraw-Hill, 1999
  • C. Reeves: "Modern Heuristic Techniques for Combinatorial Optimization". McGraw-Hill, 1995
  • Z. Michalewicz, D. B. Fogel: How to solve it: Modern Heuristics. Springer, 1999
  • E. Bonabeau, M. Dorigo, G. Theraulaz: "Swarm Intelligence". Oxford University Press, 1999
  • A. E. Eiben, J. E. Smith: "Introduction to Evolutionary Computation". Springer, 2003