@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}
}
@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}
}