040114 UK Optimization under Uncertainty (MA) (2022S)
Prüfungsimmanente Lehrveranstaltung
Labels
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Mo 07.02.2022 09:00 bis Mo 21.02.2022 12:00
- Anmeldung von Do 24.02.2022 09:00 bis Fr 25.02.2022 12:00
- Abmeldung bis Mo 14.03.2022 23:59
Details
max. 50 Teilnehmer*innen
Sprache: Englisch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- Montag 07.03. 08:00 - 09:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 14.03. 08:00 - 09:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 21.03. 08:00 - 09:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 28.03. 08:00 - 09:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 04.04. 08:00 - 09:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 25.04. 08:00 - 09:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 02.05. 08:00 - 09:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 09.05. 08:00 - 09:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 16.05. 08:00 - 09:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 23.05. 08:00 - 09:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 30.05. 08:00 - 09:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 13.06. 08:00 - 09:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 20.06. 08:00 - 09:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 27.06. 08:00 - 09:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Study practically relevant aspects of operations research including in particular the consideration of uncertain input data (stochastic optimization, robust optimization)The main themes are discussed first in form of a lecture. Homeworks then give the opportunity to apply and deepen the teaching material.
Art der Leistungskontrolle und erlaubte Hilfsmittel
written exam, blackboard exercises
Mindestanforderungen und Beurteilungsmaßstab
This course should help graduate students to:
a) develop mathematical models for (real world) optimization problems
b) apply different concepts to treat uncertain input data in optimization and understand the consequences implied by choosing on of these techniquesThe test measures the ability to solve simple examples in the dicussed fields.
a) develop mathematical models for (real world) optimization problems
b) apply different concepts to treat uncertain input data in optimization and understand the consequences implied by choosing on of these techniquesThe test measures the ability to solve simple examples in the dicussed fields.
Prüfungsstoff
1) Single stage stochastic optmiization, in particular mean-variance optimization, expected utility, acceptability measures
2) Mixed Integer Optimization#
3) Recourse problems
4) Markov chains
5) Markov decision processes
2) Mixed Integer Optimization#
3) Recourse problems
4) Markov chains
5) Markov decision processes
Literatur
Cornuejols, Pena, Tütüncü (2018), Optimization Methods in Finance, 2nd edition, CambridgeHillier/Lieberman, Introduction to Operations Research, 7th edition
Zuordnung im Vorlesungsverzeichnis
Letzte Änderung: Di 18.10.2022 09:48