@techreport{BartzBeielsteinFlasch2016,
  author    = {Bartz-Beielstein, Thomas and Flasch, Oliver},
  title     = {MCIOP - Mehrkriterielle CI-basierte Optimierungsverfahren f{\"u}r den industriellen Einsatz},
  url       = {http://nbn-resolving.de/urn:nbn:de:hbz:832-opus4-1590},
  pages     = {45},
  year      = {2016},
  abstract  = {Ziel des Forschungsprojektes "Mehrkriterielle CI-basierte Optimierungsverfahren f{\"u}r den industriellen Einsatz" (MCIOP) war die Verringerung von Schadstoffemissionen in Kohlekraftwerken. Der wissenschaftliche Fokus lag auf der Entwicklung von Methoden, die in der Lage sind, interpretierbare Modelle f{\"u}r die Schadstoffemissionen automatisch zu generieren. Hierzu wurden mehrkriterielle Optimierungsverfahren entwickelt und eingesetzt. Zur Zeit- und Kostenreduktion wurde die Optimierung durch Surrogat-Modelle erfolgen, die abgestuft mit aufw{\"a}ndigeren Simulationen zum Einsatz kamen („optimization via simulation"). Bei der Untersuchung von Staubabscheidern konnten durch eine mehrkriterielle Optimierung unterschiedliche Zielgr{\"o}ßen, wie z.B. Abscheidegrad und Druckverlust, gleichzeitig ber{\"u}cksichtigt werden. Dieser Bericht beschreibt die im Projekt MCIOP im Zeitraum von August 2011 bis einschließlich Juni 2015 erzielten Ergebnisse.},
  subject      = {Evolution{\"a}rer Algorithmus},
  language  = {de}
}
@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{BartzBeielsteinBrankeMehnenetal.2015,
  author    = {Bartz-Beielstein, Thomas and Branke, J{\"u}rgen and Mehnen, J{\"o}rn and Mersmann, Olaf},
  title     = {Overview: Evolutionary Algorithms},
  url       = {http://nbn-resolving.de/urn:nbn:de:hbz:832-cos-777},
  year      = {2015},
  abstract  = {Evolutionary algorithm (EA) is an umbrella term used to describe population-based stochastic direct search algorithms that in some sense mimic natural evolution. Prominent representatives of such algorithms are genetic algorithms, evolution strategies, evolutionary programming, and genetic programming. On the basis of the evolutionary cycle, similarities and differences between these algorithms are described. We briefly discuss how EAs can be adapted to work well in case of multiple objectives, and dynamic or noisy optimization problems. We look at the tuning of algorithms and present some recent developments coming from theory. Finally, typical applications of EAs to real-world problems are shown, with special emphasis on data-mining applications},
  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}
}