Optimierungsprobleme begegnen uns täglich: Von der Planung effizienter Lieferketten über die Gestaltung komplexer Produktionsprozesse bis hin zu Stundenplänen an Schulen und Universitäten. Auch moderne Künstliche Intelligenz und Machine Learning beruhen darauf, Optimierungsprobleme zu lösen, um den Trainingsfehler großer Datensätze zu minimieren.
News
Neue Wege in der Optimierungsforschung
Mathematisches Analyse-Tool für komplexe Probleme
Ein Forscherteam um Prof.(FH) Dr. Rubén Ruiz Torrubiano, Leiter des Studiengangs Engineering Responsible AI Systems an der IMC Hochschule für Angewandte Wissenschaften Krems, gemeinsam mit Prof.(FH) Dipl. Ing. Dr. techn. Deepak Dhungana, Prof.(FH) Dipl.-Ing. Dr. techn. Sarita Paudel und Assoz.-Prof.(FH) Himanshu Buckchash, PhD, hat einen innovativen Ansatz entwickelt, um sogenannte Metaheuristiken – intelligente Näherungsverfahren für besonders komplexe Optimierungsprobleme – systematisch zu analysieren und auszuwählen. Die Ergebnisse ihrer Arbeit wurden in der renommierten Fachzeitschrift Algorithms (MDPI) veröffentlicht.
Metaheuristiken orientieren sich an Phänomenen aus Natur und Technik, etwa der Evolution, dem Abkühlen von Materialien oder dem Verhalten von Tierkolonien. Sie ermöglichen es, auch sehr komplexe Probleme mit hoher Genauigkeit zu lösen, die mit klassischen Methoden nicht effizient bearbeitet werden könnten, da diese viel zu lange brauchen würden, um praxisrelevante Probleme zu lösen. Ein Problem dabei ist, dass es so viele Metaheuristiken gibt, dass die Wahl der richtigen Methode ein praktisches Problem darstellt. Welcher Algorithmus ist für welches Problem am besten geeignet?
Konkrete Orientierung für die Wahl des richtigen Algorithmus
Im neuen Paper „Modeling Local Search Metaheuristics using Markov Decision Processes“ schlägt das Forschungsteam vor, Metaheuristiken als stochastische Agenten in einem Markov-Entscheidungsprozess zu modellieren. Dieses Framework erlaubt nicht nur die theoretische Analyse des Konvergenzverhaltens einzelner Algorithmen, sondern bietet auch konkrete Orientierung, welche Metaheuristik für ein gegebenes Problem am besten geeignet ist. Die Methode lässt sich flexibel auf verschiedene Algorithmen wie genetische Algorithmen anwenden – ein Schwerpunkt für zukünftige Forschungsarbeiten.