@techreport{BartzBeielsteinZaefferer2015,
  author    = {Bartz-Beielstein, Thomas and Zaefferer, Martin},
  title     = {CIMO - CI-basierte Mehrkriterielle Optimierungsverfahren f{\"u}r Anwendungen in der Industrie (Schlussbericht)},
  url       = {http://nbn-resolving.de/urn:nbn:de:hbz:832-cos-861},
  year      = {2015},
  abstract  = {Dieser Schlussbericht beschreibt die im Projekt „CI-basierte mehrkriterielle Optimierungsverfahren f{\"u}r Anwendungen in der Industrie" (CIMO) im Zeitraum von November 2011 bis einschließlich Oktober 2014 erzielten Ergebnisse. F{\"u}r aufw{\"a}ndige Optimierungsprobleme aus der Industrie wurden geeignete L{\"o}sungsverfahren entwickelt. Der Schwerpunkt lag hierbei auf Methoden aus den Bereichen Computational Intelligence (CI) und Surrogatmodellierung. Diese bieten die M{\"o}glichkeit, wichtige Herausforderung von aufw{\"a}ndigen, komplexen Optimierungsproblemen zu l{\"o}sen. Die entwickelten Methoden k{\"o}nnen verschiedene konflikt{\"a}re Zielgr{\"o}ßen ber{\"u}cksichtigen, verschiedene Hierarchieebenen des Problems in die Optimierung integrieren, Nebenbedingungen beachten, vektorielle aber auch strukturierte Daten verarbeiten (kombinatorische Optimierung) sowie die Notwendigkeit teurer/zeitaufw{\"a}ndiger Zielfunktionsberechnungen reduzieren. Die entwickelten Methoden wurden schwerpunktm{\"a}ßig auf einer Problemstellung aus der Kraftwerkstechnik angewendet, n{\"a}mlich der Optimierung der Geometrie eines Fliehkraftabscheiders (auch: Zyklon), der Staubanteile aus Abgasen filtert. Das Optimierungsproblem, das diese FIiehkraftabscheider aufwerfen, f{\"u}hrt zu konflikt{\"a}ren Zielsetzungen (z.B. Druckverlust, Abscheidegrad). Zyklone k{\"o}nnen unter anderem {\"u}ber aufw{\"a}ndige Computational Fluid Dynamics (CFD) Simulationen berechnet werden, es stehen aber auch einfache analytische Gleichungen als Sch{\"a}tzung zu Verf{\"u}gung. Die Verkn{\"u}pfung von beidem zeigt hier beispielhaft wie Hierarchieebenen eines Optimierungsproblems mit den Methoden des Projektes verbunden werden k{\"o}nnen. Neben dieser Schwerpunktanwendung konnte auch gezeigt werden, dass die Methoden in vielen weiteren Bereichen Erfolgreich zur Anwendung kommen k{\"o}nnen: Biogaserzeugung, Wasserwirtschaft, Stahlindustrie. Die besondere Herausforderung der behandelten Probleme und Methoden bietet viele wichtige Forschungsm{\"o}glichkeiten f{\"u}r zuk{\"u}nftige Projekte, die derzeit durch die Projektpartner vorbereitet werden.},
  subject      = {Optimierung},
  language  = {de}
}
@techreport{BartzBeielsteinFlasch2013,
  author    = {Bartz-Beielstein, Thomas and Flasch, Oliver},
  title     = {FIWA - Methoden der Computational Intelligence f{\"u}r Vorhersagemodelle in der Finanz-und Wasserwirtschaft (Schlussbericht)},
  url       = {http://nbn-resolving.de/urn:nbn:de:hbz:832-cos-466},
  year      = {2013},
  abstract  = {Dieser Schlussbericht beschreibt die im Projekt „Methoden der Computational Intelligence f{\"u}r Vorhersagemodelle in der Finanzund Wasserwirtschaft" (FIWA) im Zeitraum von Juni 2009 bis einschließlich November 2012 erzielten Ergebnisse. In der Praxis werden f{\"u}r diese Vorhersagemodelle Verfahren der linearen und nichtlinearen Regression, NN, Support Vector Machines (SVM) und viele weitere Verfahren eingesetzt. Das Projekt FIWA befasste sich mit der Entwicklung modularer Systeme zur Analyse und Prognose von Daten aus der Finanz- und Wasserwirtschaft mittels Verfahren der Computational Intelligence (CI) mit methodischem Fokus auf dem CI-Unterbereich Genetic Programming (GP). Ein zentrales Ergebnis der wissenschaftlichtechnischen Arbeit im Projekt FIWA ist die Entwicklung der Open-Source Software RGP. Dabei handelt es sich um ein Software- Framework f{\"u}r GP, welches auf die automatische Erstellung von Vorhersagemodellen spezialisiert ist. F{\"u}r die Finanzwirtschaft stand ein Handelssimulator zu Verf{\"u}gung, der auf Basis von echten Finanzdaten die Qualit{\"a}t verschiedener Strategien testen kann. Dieser wurde im Projekt weiterentwickelt. GP wurde genutzt, um auf Basis der Simulationen genaue Vorhersagen und damit verbesserte Handelsstrategien zu entwerfen. Auch f{\"u}r die Wasserwirtschaft wurden Prognoseverfahren mit GP entwickelt. Der Schwerpunkt lag dabei auf der F{\"u}llstandprognose f{\"u}r Regen{\"u}berlaufbecken. Hier konnten moderne Verfahren mit GP oder SVM klassische Methoden deutlich schlagen oder verbessern. Auch der Einsatz von Sequentieller Parameter Optimierung zeigte signifikante Verbesserungen f{\"u}r die Prognosegenauigkeit. Dabei war die Kombination von klassischen Methoden und GP besonders erfolgreich. GP ist nach wie vor ein sehr aktives Forschungsgebiet und erlaubt auch f{\"u}r die Folgezeit zahlreiche Kooperationen mit den Partnern der Fachhochschule K{\"o}ln. Sowohl f{\"u}r technische Anwendungen als auch zur L{\"o}sung von Forschungsfragen bieten sich zahlreiche M{\"o}glichkeiten an.},
  subject      = {Soft Computing},
  language  = {de}
}
@techreport{KonenKoch2013,
  author    = {Konen, Wolfgang and Koch, Patrick},
  title     = {SOMA - Systematische Optimierung von Modellen in IT- und Automatisierungstechnik (Schlussbericht)},
  url       = {http://nbn-resolving.de/urn:nbn:de:hbz:832-cos-553},
  year      = {2013},
  abstract  = {Das im Rahmen der F{\"o}rderlinie IngenieurNachwuchs gef{\"o}rderte Forschungsvorhaben Systematische Optimierung von Modellen f{\"u}r Informations- und Automatisierungs-technik (kurz: SOMA) startete im August 2009. Eine wesentliche Zielsetzung war die Entwicklung und Optimierung von Modellen zur Prognose von Zielgr{\"o}ßen. Ein wichtiges Merkmal ist dabei die effiziente Optimierung dieser Modelle, welche es erm{\"o}glichen soll, mit einer streng limitierten Anzahl an Auswertungen gute Parametereinstellungen zu bestimmen. Mithilfe dieser genaueren Parametrierungen der unterliegenden Modelle k{\"o}nnen unter Einbeziehung neuer merkmalserzeugender Verfahren insbesondere f{\"u}r kleine und mittelst{\"a}ndische Unternehmen verbesserte L{\"o}sungen erzielt werden. Als direkter Gewinn derartiger Verbesserungen konnte f{\"u}r KMUs ein geeignetes Framework f{\"u}r Modellierungs- und Prognoseaufgaben be- reitgestellt werden, sodass mit geringem technischem und personellen Aufwand performante und nahezu optimale L{\"o}sungen erzielt werden k{\"o}nnen. Dieser Schluss-bericht beschreibt die im Projekt durchgef{\"u}hrten Maßnahmen und Ergebnisse.},
  subject      = {Optimierung},
  language  = {de}
}
@techreport{BartzBeielsteinZaefferer2012,
  author    = {Bartz-Beielstein, Thomas and Zaefferer, Martin},
  title     = {A Gentle Introduction to Sequential Parameter Optimization},
  url       = {http://nbn-resolving.de/urn:nbn:de:hbz:832-cos-191},
  year      = {2012},
  abstract  = {There is a strong need for sound statistical analysis of simulation and optimization algorithms. Based on this analysis, improved parameter settings can be determined. This will be referred to as tuning. Model-based investigations are common approaches in simulation and optimization. The sequential parameter optimization toolbox (SPOT), which is implemented as a package for the statistical programming language R, provides sophisticated means for tuning and understanding simulation and optimization algorithms. The toolbox includes methods for tuning based on classical regression and analysis of variance techniques; tree-based models such as classification and regressions trees (CART) and random forest; Gaussian process models (Kriging), and combinations of different meta-modeling approaches. This article exemplifies how an existing optimization algorithm, namely simulated annealing, can be tuned using the SPOT framework.},
  subject      = {Optimierung},
  language  = {de}
}