Einführung in die Optimierung

Dieses Lehrbuch vermittelt einen breiten und grundlegenden Einblick in das methodische Verständnis für die Problematik der Optimierung. Im Fokus stehen Algorithmen und Komplexität verschiedener Optimierungsprobleme sowie nützliche Lösungsmethoden und Anwendungsbezug. Dabei wird auf eine ausführliche Darstellung der wichtigen Konzepte der Optimierung genauso Wert gelegt wie auf eine anwendungsbezogene Aufbereitung der Problemstellungen und Lösungsverfahren. Der vermittelte theoretisch-methodische Inhalt des Buches wird durch eine Vielzahl von erprobten Übungsaufgaben (inkl. Lösungen) begleitet. Darüber hinaus steht als online verfügbares Begleitmaterial eine große Menge an praktischen Beispielen und Anwendungsfällen bis hin zu aktuellen Forschungsfragen zur Vertiefung und zum Eigenstudium zur Verfügung. Alle praktischen Problemstellungen werden durch Lösungsimplementierungen in der Programmiersprache Python (ab Version 3) und, wo möglich und sinnvoll, mit realen Datensätzen ergänzt.

Der InhaltGrundbegriffe und Komplexität
Graphen und Bäume
Lineare Optimierung
Nicht-lineare Optimierung
Naturinspirierte Optimierung
Entscheidungs- und Spieltheorie

Die Zielgruppen• Studierende der Wirtschaftsinformatik, Informatik und Wirtschaftswissenschaften• Lehrende an Universitäten und Hochschulen• Schüler im Leistungskurs Informatik

Die AutorenDr.-Ing. Christian Grimme studierte Informatik und promovierte in diesem Fachbereich an der TU Dortmund. Er forschte/lehrte am Institut für Roboterforschung der TU Dortmund. Zurzeit arbeitet er als PostDoc am Institut für Wirtschaftsinformatik der Westfälischen Wilhelms-Universität Münster in den Bereichen Optimierung, Statistik und Datenanalyse. 
Jakob Bossek studierte Informatik und Statistik mit Schwerpunkt Intelligente Systeme an der TU Dortmund. Derzeit ist er wissenschaftlicher Mitarbeiter am Institut für Wirtschaftsinformatik der Westfälischen Wilhelms-Universität Münster. Seine Forschungsinteressen liegen im Bereich der (mehrkriteriellen) kombinatorischen Optimierung, evolutionärer Algorithmen und maschinellem Lernen.