@unpublished{BartzBeielstein2015,
  author    = {Bartz-Beielstein, Thomas},
  title     = {Meaningful Problem Instances and Generalizable Results},
  url       = {http://nbn-resolving.de/urn:nbn:de:hbz:832-cos-764},
  year      = {2015},
  abstract  = {Computational intelligence methods have gained importance in several real-world domains such as process optimization, system identification, data mining, or statistical quality control. Tools are missing, which determine the applicability of computational intelligence methods in these application domains in an objective manner. Statistics provide methods for comparing algorithms on certain data sets. In the past, several test suites were presented and considered as state of the art. However, there are several drawbacks of these test suites, namely: (i) problem instances are somehow artificial and have no direct link to real-world settings; (ii) since there is a fixed number of test instances, algorithms can be fitted or tuned to this specific and very limited set of test functions; (iii) statistical tools for comparisons of several algorithms on several test problem instances are relatively complex and not easily to analyze. We propose amethodology to overcome these dificulties. It is based on standard ideas from statistics: analysis of variance and its extension to mixed models. This work combines essential ideas from two approaches: problem generation and statistical analysis of computer experiments.},
  subject      = {Soft Computing},
  language  = {en}
}
@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{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}
}