Recoverable Robustness in Combinatorial Optimization (Tienda española)

Previo

Indice, Datei (120 KB)
Lectura de prueba, Datei (210 KB)

Die Dissertation von Christina Büsing untersucht das Konzept der Recoverable Robustness in der kombinatorischen Optimierung und entwickelt mathematische Verfahren zur Entscheidungsfindung unter Unsicherheit. Im Mittelpunkt steht ein zweistufiger Optimierungsansatz, bei dem zunächst eine Lösung bestimmt wird, die nach Eintritt unvorhergesehener Ereignisse durch begrenzte Anpassungen verändert werden darf. Ziel ist es, die maximal entstehenden Kosten unter Berücksichtigung zulässiger Wiederherstellungsmaßnahmen zu minimieren. Die Arbeit analysiert verschiedene Unsicherheitsmodelle, darunter diskrete Szenarien, Intervallszenarien und Γ-Szenarien, sowie deren Auswirkungen auf die Berechnungskomplexität. Anhand kombinatorischer Optimierungsprobleme wie kürzesten Wegen, minimalen Schnitten und gewichteten Hitting-Set-Problemen werden theoretische Eigenschaften und Lösungsverfahren untersucht. Weitere Schwerpunkte bilden Recoverable-Robust-Rent-Modelle, Rucksackprobleme und die robuste Klassifizierung von Zugverbindungen. Mithilfe mathematischer Optimierung, Komplexitätsanalysen und Approximationsalgorithmen werden Grenzen und Möglichkeiten der Lösbarkeit aufgezeigt. Die Ergebnisse liefern theoretische Grundlagen für flexible und widerstandsfähige Entscheidungsmodelle, insbesondere für Anwendungen in der Verkehrs- und Infrastrukturplanung.