@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{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{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}
}