TY  - JOUR
AB  - Heutzutage sind zahlreiche Abläufe strukturiert, wodurch sich diese zunächst modellieren und anschliessend sogar optimieren lassen. Selbst Probleme, die nicht durch ein mathematisches Modell repräsentiert werden können (sogenannte "Black-Box Probleme") können optimiert werden. Leider treffen Menschen hierbei tendenziell schlechte Entscheidungen, da diese oftmals auf Versuchs-und-Irrtums-Experimenten oder schlichtweg auf dem "Bauchgefuehl" der Entscheider beruhen. Sinnvoller wäre es jedoch stattdessen Optimierungsalgorithmen zu verwenden. Allerdings gibt es hiervon sehr viele, sodass sich die Frage stellt, welcher Algorithmus am besten für die Optimierung des vorliegenden Problems geeignet ist. Im Rahmen dieser kumulativen Dissertation werden einerseits automatisch berechenbare Kennzahlen zur Charakterisierung der globalen Struktur kontinuierlicher Optimierungsprobleme, und andererseits experimentelle Studien, die die Vorzüge automatisierter, sowie feature-basierter Algorithmenselektion aufzeigen, vorgestellt.
AU  - Kerschke, Pascal
DA  - 2017
KW  - Algorithm Selection
KW  - Black-Box Optimierung
KW  - Exploratory Landscape Analysis
KW  - Maschinelles Lernen
KW  - einkriterielle Optimierung
KW  - Travelling Salesperson Problem
KW  - Funnel Detection
KW  - Black-Box Optimization
KW  - Machine Learning
KW  - Single-Objective Optimization
LA  - eng
N1  - Teilw. zugl.: Münster (Westfalen), Univ., kum. Diss., 2017
N1  - Vollständige Druckausgabe der kumulativen Dissertation: Kerschke, Pascal: Automated and feature-based problem characterization and algorithm selection through machine learning. (kumulative Dissertation, Westfälische Wilhelms-Universität Münster, 2017) Münster, 2017, S. iii, 227 Seiten
PY  - 2017
TI  - Automated and Feature-Based Problem Characterization and Algorithm Selection Through Machine Learning
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:6-39169612241
Y2  - 2024-11-23T12:26:12
ER  -