Veranstaltung
Einführung in die Stochastische Optimierung [SS242550470]
Dozent/en
Einrichtung
- Stochastische Optimierung
Bestandteil von
- Teilleistung Einführung in die Stochastische Optimierung | Wirtschaftsingenieurwesen (M.Sc.)
- Teilleistung Einführung in die Stochastische Optimierung | Wirtschaftsingenieurwesen (B.Sc.)
- Teilleistung Einführung in die Stochastische Optimierung | Technische Volkswirtschaftslehre (M.Sc.)
- Teilleistung Einführung in die Stochastische Optimierung | Technische Volkswirtschaftslehre (B.Sc.)
- Teilleistung Einführung in die Stochastische Optimierung | Digital Economics (B.Sc.)
- Teilleistung Einführung in die Stochastische Optimierung | Digital Economics (M.Sc.)
- Teilleistung Einführung in die Stochastische Optimierung | Wirtschaftsinformatik (M.Sc.)
- Teilleistung Einführung in die Stochastische Optimierung | Wirtschaftsinformatik (B.Sc.)
- Teilleistung Einführung in die Stochastische Optimierung | Informationswirtschaft (B.Sc.)
- Teilleistung Einführung in die Stochastische Optimierung | Informationswirtschaft (M.Sc.)
- Teilleistung Einführung in die Stochastische Optimierung | Wirtschaftsmathematik (M.Sc.)
Literatur
Weiterführende Literatur:
J. R. Birge, F. Louveaux, Introduction to Stochastic Programming, Springer, 2011
S. Nickel, S. Rebennack, O. Stein, K.-H. Waldmann, Operations Research, Springer Gabler, 2022
A. J. King, S. W. Wallace, Modeling with Stochastic Programming, Springer, 2012
Veranstaltungstermine
- 19.04.2024 14:00 - 15:30
- 26.04.2024 14:00 - 15:30
- 03.05.2024 14:00 - 15:30
- 10.05.2024 14:00 - 15:30
- 17.05.2024 14:00 - 15:30
- 31.05.2024 14:00 - 15:30
- 07.06.2024 14:00 - 15:30
- 14.06.2024 14:00 - 15:30
- 21.06.2024 14:00 - 15:30
- 28.06.2024 14:00 - 15:30
- 05.07.2024 14:00 - 15:30
- 12.07.2024 14:00 - 15:30
- 19.07.2024 14:00 - 15:30
- 26.07.2024 14:00 - 15:30
Anmerkung
Die Vorlesung behandelt die Modellierung und Analyse von mathematischen Optimierungsproblemen, bei denen entscheidungsrelevante Daten zum Zeitpunkt der Entscheidungsfindung nicht vollständig bekannt sind. Dabei wird davon ausgegangen, dass zumindest Verteilungsinformationen für die unsicheren Daten zur Verfügung stehen und im Entscheidungsprozess bzw. dem zugehörigen mathematischen Modell berücksichtigt werden können. Die Vorlesung gibt einen Überblick über die wesentlichen Eigenschaften der resultierenden stochastischen Optimierungsprobleme sowie über geeignete Lösungsverfahren (Lagrange-Relaxierung, L-shaped Methode).
Die Vorlesung ist wie folgt aufgebaut:
· Einführendes Beispiel
· Modellierung von Unsicherheiten
· Wertfunktion
· Wert der stochastischen Lösung
· Lagrange-Relaxierung
· L-shaped Methode
· Sample Average Approximation
Die zur Vorlesung angebotenen Übung und Rechnerübung bieten die Gelegenheit, den Vorlesungsstoff zu vertiefen, zu üben und in der Modellierungssprache GAMS ein Lösungsverfahren zu implementieren.