Optimierung und maschinelles Lernen
Über
Die Abteilung Optimierung und Maschinelles Lernen verfolgt das Ziel speziell auf die Problemstellung angepasste numerische Optimierungsverfahren und Algorithmen zu entwickeln, die für den Entwurf und Betrieb komplexer Energiesysteme benötigt werden.
Wesentliche Herausforderungen bei der Optimierung solcher Systeme sind Nichtlinearität (insbesondere Nichtkonvexität), Systemdynamik, Multiskalarität, Unsicherheit und diskrete Entscheidungen.
Die Expertise der Abteilung deckt die Bereiche deterministische globale Optimierung, stochastische Optimierung, bilevel Optimierung, und dynamische Optimierung ab.
Forschungsthemen
Einen besonderen Arbeitsschwerpunkt stellt die Verknüpfung von Optimierung und Maschinellem Lernen (ML) dar. Das Maßschneidern von Optimierungsverfahren ermöglicht dabei die Lösung von Entwurfs- und Betriebsproblemen mit hybriden Systemmodellen auf Basis eingebetteter neuronaler Netze.
Zur Bewältigung von großskaligen Problemen entwickelt die Abteilung Methoden für ML-basierte Modellreduktion und speziell für Parallel- und Hochleistungsrechner adaptierte Optimierungsalgorithme
