Advertisement

Optimierungsprozesse

Chapter
  • 2.6k Downloads

Zusammenfassung

„Optimierung“ ist ein geläufiger Begriff in fast allen Unternehmen: jeder möchte seine Geschäfts- und Produktionsprozesse verbessern oder „optimieren“, um schlagkräftig am Markt und gleichzeitig renditestark zu bleiben. Doch was hat dieses „Optimieren“ der Praxis mit der mathematischen Diziplin „Optimierung“ zu tun? Ist diese Optimierung in der Praxis nicht einfach ein evolutionäres, häufig modellfreies Probieren und Verwerfen? Oder, werden mathematische Optimierungsmodelle in der Praxis genutzt? Die Antwort ist ernüchternd: Optimierungsmodelle der Mathematik werden zwar gerne in Form von einschlägiger Software gekauft, aber selten längere Zeit genutzt. Warum ist dies so? Beim näheren Hinsehen sind es die beiden Fragen „Was ist zulässig?“ und „Was ist gut?“, die in der Praxis häufig schwer präzise zu beantworten sind und den erfolgreichen Einsatz mathematischer Optimierungsmodelle für Verbesserungsprozesse erschweren. Ein zweites Problem ist der Einsatz komplexer und zeitaufwändiger Simulationen im Verein mit mathematischen Optimierungsalgorithmen. Ist mathematische Optimierung deswegen völlig nutzlos in der Praxis? Flexible parametrische Zulässigkeitsmodelle und Zielfunktionen, sowie hierarchische Strukturierungen mit Einsatz von Surrogaten unter Fehlerschätzern helfen, Optimierungsprozesse in der Praxis mit Hilfe mathematischer Methoden in vernünftigen Rechenzeiten zu unterstützen.

Literaturverzeichnis

  1. 1.
    Bank, B., Guddat, J., Klatte, U., Kammer, B., Tammer, C.: Nonlinear Parametric Optimization, 2nd edn. Birkhäuser, Basel (2014) Google Scholar
  2. 2.
    Ben Tal, A., El Ghaoui, L., Nemirovski, A.: Robust Optimization. Princeton University Press, Princeton (2009) zbMATHGoogle Scholar
  3. 3.
    Biegler, L.T., et al.: Systematic Methods of Chemical Process Design. Prentice Hall International, New Jersey (1997) Google Scholar
  4. 4.
    Bischoff, M., König, M., Schüle, I., Plociennik, K.: Utilizing full planning potential. PV-Mag. 2/2014, 60–62 (2014) Google Scholar
  5. 5.
    Bonnans, J., Shapiro, A.: Perturbation Analysis of Optimization Problems. Springer, New York (2000) CrossRefzbMATHGoogle Scholar
  6. 6.
    Bortz, M., Burger, J., Asprion, N., Blagov, S., Böttcher, R., Nowak, U., Scheithauer, A., Welke, R., Küfer, K.H., Hans, H.: Multi-criteria optimization in chemical process design and decision support by navigation on Pareto sets. Comput. Chem. Eng. 60, 354–363 (2014) CrossRefGoogle Scholar
  7. 7.
    Burger, J., Asprion, N., Blagov, S., Böttcher, R., Nowak, U., Bortz, M., Welke, R., Küfer, K.H., Hasse, H.: Multi-objective optimization and decision support in process engineering – implementation and application. Chem. Ing. Tech. 86, 1065–1072 (2014) CrossRefGoogle Scholar
  8. 8.
    Craft, D., Monz, M.: Simultaneous navigation of multiple Pareto surfaces, with an application to multicriteria IMRT planning with multiple beam angle configurations. Med. Phys. 37(2), 736–741 (2010) CrossRefGoogle Scholar
  9. 9.
    Floudas, C., Pardalos, P. (eds.): Encyclopedia of Optimization, 2nd edn. Springer, New York (2009) zbMATHGoogle Scholar
  10. 10.
    Haase, S., Süss, P., Schwientek, J., Teichert, K., Preusser, T.: Radiofrequency ablation planning: an application of semi-infinite modelling techniques. Eur. J. Oper. Res. 218(3), 856–864 (2012) CrossRefGoogle Scholar
  11. 11.
    Koziel, S., Leifsson, L.: Surrogate-Based Modelling and Optimization. Springer, New York (2013) CrossRefGoogle Scholar
  12. 12.
    Kratt, K., Scherrer, A.: The integration of DVH-based planning aspects into a convex intensity modulated radiation therapy optimization framework. Phys. Med. Biol. 12, 239–246 (2009) CrossRefGoogle Scholar
  13. 13.
    Krause, M., Scherrer, A., Thieke, C.: On the role of modeling parameters in IMRT plan optimization. Phys. Med. Biol. 58, 4907–4926 (2008) CrossRefGoogle Scholar
  14. 14.
    Küfer, K.H., Monz, M., Scherrer, A., Alonso, F., Trinkaus, H., Bortfeld, T., Thieke, C.: Real-time inverse planning using a precomputed multi-criteria plan database. Radiother. Oncol. 68, 76 (2003) Google Scholar
  15. 15.
    Küfer, K.H., Monz, M., Scherrer, A., Süss, P., Alonso, F., Azizi Sultan, A.S., Bortfeld, T., Thieke, C.: Multicriteria optimization in intensity modulated radiotherapy planning. In: Pardalos, P.M., Romeijn, H.E. (eds.) Handbook of Optimization in Medicine, pp. 123–168. Kluwer Academic, Boca Raton (2009). Chap. 5 Google Scholar
  16. 16.
    Küfer, K.H., Scherrer, A., Monz, M., Alonso, F., Trinkaus, H., Bortfeld, T., Thieke, C.: Intensity-modulated radiotherapy: a large scale multi-criteria programming problem. OR Spektrum 25, 223–249 (2003) CrossRefzbMATHGoogle Scholar
  17. 17.
    Maag, V.: Multicriteria global optimization for the cooling system design of casting tools. Ph.D. thesis, Fachbereich Mathematik, Technische Universität Kaiserslautern (2010) Google Scholar
  18. 18.
    Miettinen, K.: Nonlinear Multiobjecitve Optimization. Springer, New York (1998) CrossRefGoogle Scholar
  19. 19.
    Migdalas, A., Pardalos, P.M.: Värbrand, P. (eds.): Multilevel Optimization: Algorithms and Applications. Kluwer Academic, Dordrecht (1998) zbMATHGoogle Scholar
  20. 20.
    Monz, M., Küfer, K.H., Bortfeld, T., Thieke, C.: Pareto navigation: algorithmic foundation of interactive multi-criteria IMRT planning. Phys. Med. Biol. 53, 985–998 (2008) CrossRefGoogle Scholar
  21. 21.
    Scherrer, A., Küfer, K.H., Bortfeld, T., Monz, M., Alonso, F.: IMRT planning on adaptive volume structures – a decisive reduction in computational complexity. Phys. Med. Biol. 50, 2033–2053 (2005) CrossRefGoogle Scholar
  22. 22.
    Schröder, M., Schüle, I.: Interaktive mehrkriterielle Optimierung für die regionale Fahrplanabstimmung in Verkehrsverbünden. Straßenverkehrstechnik 6, 332–340 (2008) Google Scholar
  23. 23.
    Süss, P.: A primal-dual barrier algorithm for the IMRT planning problem – an application of optimization-driven adaptive discretization. Ph.D. thesis, Fachbereich Mathematik, Technische Universität Kaiserslautern (2008) Google Scholar
  24. 24.
    Süss, P., Bortz, M., Küfer, K.H., Thieke, C.: The critical spot eraser – a method to interactively control the correction of local hot and cold spots in imrt planning. Phys. Med. Biol. 21, 1855–1867 (2013) CrossRefGoogle Scholar
  25. 25.
    Thieke, C., Küfer, K.H., Monz, M., Scherrer, A., Alonso, F., Oelfke, U., Huber, P., Debus, J., Bortfeld, T.: A new concept for interactive radiotherapy planning with multicriteria optimization: first clinical evaluation. Radiother. Oncol. 85(2), 292–298 (2007) CrossRefGoogle Scholar
  26. 26.
    Uhrig, M., Thieke, C., Alonso, F., Küfer, K.H., Monz, M., Scherrer, A., Oelfke, U.: First evaluation of a new multicriteria optimization tool: investigation of Pareto-surfaces for IMRT prostate plans. Med. Phys. 32, 1975 (2005) CrossRefGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2015

Authors and Affiliations

  1. 1.KaiserslauternDeutschland

Personalised recommendations