Modulcode:	infEnlOpt-01a
Englische Bezeichnung:	Introduction to nonlinear Optimization
Modulverantwortliche(r):	Prof. Dr. Thomas Slawig
Turnus:	unregelmäßig (SS23 WS24/25)
Präsenzzeiten:	2V 2Ü
ECTS:	6
Workload:	30 Std. Vorlesung, 30 Std. Präsenzübung, 120 Std. Selbststudium
Dauer:	ein Semester
Modulkategorien:	BSc-Inf-WP (BSc Inf (21)) BSc-WInf-WP-WInf (BSc WInf (21)) MSc-Inf-WP (MSc Inf (21)) 2F-MEd-Inf-WP (MEd-Hdl Inf (21)) 2F-MA-Inf-WP (2F-MA Inf (21)) MSc-WInf-WP-WInf (MSc WInf (21))
Lehrsprache:	Deutsch
Voraussetzungen:	Inf-Math-A Inf-Math-B infEInf-01a

Kurzfassung:

Theorie und Algorithmen zur Lösung von allgemeinen, nichtlinearen Optimierungsaufgaben mit und ohne Nebenbedingungen aus verschiedenen Anwendungsfeldern.

Lernziele:

• Modellierung und Formalisierung von in Textform gegebenen Aufgaben der Optimierung
• Optimierungsprobleme klassifizieren
• Optimalitätskriterien anwenden
• Algorithmen zur Lösung von Optimierungsaufgaben implementieren und anwenden
• Ergebnisse von Optimierungsalgorithmen aus- und bewerten

Lehrinhalte:

• Klassifizierung von Optimierungsproblemen
• Optimalitätskriterien für Probleme ohne Nebenbedingungen
• Algorithmen für Probleme ohne Nebenbedingungen, gradientenbasierte und ableitungsfreie Verfahren
• Algorithmisches Differenzieren
• Optimalitätskriterien für Probleme mit Nebenbedingungen
• Algorithmen für Probleme mit Nebenbedingungen

Weitere Voraussetzungen:

• Mathematik für die Informatik A und B, insbesondere Lineare Algebra und Differenzierbarkeit in einer (oder besser in mehreren) Raumdimension(en)
• grundlegende Programmierkenntnisse in Python und einer höheren Programmiersprache
• Mathematik für die Informatik C ist von Vorteil

Prüfungsleistung:

• Mündliche Prüfung, basierend auf den Übungsaufgaben mit theoretischen und Programmieraufgaben

Lehr- und Lernmethoden:

• Flipped-Classroom-Methode
• Peer-Instruction-Methode
• Präsentation
• Gruppenarbeit
• Selbststudium
• Hausaufgaben in Kleingruppen

Verwendbarkeit:

Literatur:

Verweise:

Kommentar:

Modul ist unabhängig vom Modul "Einführung in Operations Research", d. h. die Inhalte dieses Moduls werden nicht vorausgesetzt.