Operations Research und Künstliche Intelligenz

Dieses Buch behandelt zentrale Themen des Operations Research und der Künstlichen Intelligenz und zeigt deren enge Verknüpfung auf. Neben klassischen Bereichen wie der Linearen Optimierung, der Graphentheorie und der Kombinatorischen Optimierung werden naturanaloge heuristische Verfahren vorgestellt und die Multiagententechnologie, die ein bedeutendes Teilgebiet der Künstlichen Intelligenz darstellt, behandelt. Hierbei werden sowohl autonome Agenten, die bei der Lösung verteilter Probleme zusammenarbeiten, als auch die Zusammenarbeit der Agenten mit Hilfe von Verfahren aus dem Operations Research optimiert. Überblick über die behandelten Themenfelder: Lineare Optimierung, Graphentheorie, Kombinatorische Optimierungsprobleme, Ameisenalgorithmen, Genetische Algorithmen, Agenten-basierte Verhandlungen und Schwarmintelligenz.

Autorentext
Prof. Dr. Harald Bauer lehrt an der Hochschule für Technik Stuttgart.

Inhalt
Vorwort 5 Inhaltsverzeichnis 11 Teil I Operations Research 15 1 Grundbegriffe des Operations Research 17 1.1 Schlagwörter und Prüfungstipps 17 1.2 Einleitung 17 1.3 Grundlegende Begriffe 20 1.4 Aufgaben 25 2 Lineare Optimierung 29 2.1 Schlagwörter und Prüfungstipps 29 2.2 Einführung 30 2.3 Modell der linearen Optimierung 31 2.4 Graphische Lösung bei zwei Variablen 35 2.5 Der Simplex-Algorithmus 38 2.6 Besondere Situationen beim Simplex-Algorithmus 45 2.7 Der erweiterte Simplex-Algorithmus 46 2.8 Der duale Simplex-Algorithmus 50 2.9 Ganzzahlige Optimierung und Branch-and-Bound-Methode 57 2.10 Aufgaben 65 3 Graphentheorie 71 3.1 Schlagwörter und Prüfungstipps 71 3.2 Einführung 71 3.3 Bäume 79 3.4 Aufgaben 87 4 Kombinatorische Optimierung 89 4.1 Schlagwörter und Prüfungstipps 89 4.2 Grundbegriffe 89 4.3 Rundreiseproblem 93 4.4 Projekt-Scheduling-Problem 103 4.5 Standortproblem 113 4.6 Losgrößenproblem 117 4.7 Aufgaben 125 Teil II Künstliche Intelligenz 133 5 Grundbegriffe der Künstlichen Intelligenz 135 5.1 Schlagwörter und Prüfungstipps 135 5.2 Künstliche Intelligenz 135 5.3 Intelligente Agenten 138 5.4 Multiagentensysteme 138 6 Genetische Algorithmen 141 6.1 Schlagwörter und Prüfungstipps 141 6.2 Grundlegende Ideen 141 6.3 Individuen 143 6.4 Populationsbasierter Ablauf 150 6.5 Fitness, Selektion und Ersetzung 158 6.6 Initialisierung, Reproduktion, Crossover und Mutation 166 6.7 Kalibrierung 170 6.8 Fallstudie Losgrößenproblem 170 6.9 Fallstudie: Clustering 175 6.10 Aufgaben 183 7 Evolutionsstrategien 186 7.1 Schlagwörter und Prüfungstipps 186 7.2 Konzepte 186 7.3 Beispiele 188 7.4 Normalverteilte Zufallszahlen 189 7.5 (1+1)-Evolutionsstrategie 191 7.6 Populationsbasierte Evolutionsstrategie 199 7.7 Aufgaben 209 8 Multiagenten-Planen 211 8.1 Schlagwörter und Prüfungstipps 211 8.2 Dezentrale Planung durch mehrere Agenten 212 8.3 Koordination durch Verhandlung 219 8.4 Dezentrales Reihenfolgeproblem 227 8.5 Lokaler Verhandlungsmechanismus 237 8.6 Dezentrales Losgrößenproblem 244 8.7 Genetischer Verhandlungsmechanismus 249 8.8 Aufgaben 264 9 Schwarmintelligenz 269 9.1 Schlagwörter und Prüfungstipps 269 9.2 Definition und Anwendungen 269 9.3 Schwarm-Simulation 270 9.4 Aufgaben 282 10 Ameisenalgorithmen 284 10.1 Schlagwörter und Prüfungstipps 284 10.2 Vorbild Natur 284 10.3 Graphen und Pheromone 285 10.4 Künstliche Ameisen 287 10.5 Verfahrensablauf 296 10.6 Lernen mit Pheromonen 298 10.7 Kalibrierung und Anpassung 301 10.8 Aufgaben 301 11 Support-Vektor-Maschinen 304 11.1 Schlagwörter und Prüfungstipps 304 11.2 Lernende Klassifikation 304 11.3 Idee der Support-Vektor-Maschinen 308 11.4 Lineare Support-Vektor-Maschinen (Modell I) 310 11.5 Lineare Support-Vektor-Maschinen (Modell II) 320 11.6 Training einer Support-Vektor-Maschine 327 11.7 Nicht-lineare Support-Vektor-Maschinen (Modell III) 331 11.8 Evolutionsstrategie 340 11.9 Aufgaben 344 Literatur 347 Index 355