![[Translate to English:]](/fileadmin/user_upload/fachbereiche/fb3/infcon/CSLog/CSLog.png)
Winter 2026/2027
Operations Research
Wintersemester 2026/2027, 6CP
03-IBAT-OR, Link zu StudIP
Moderne betriebliche Informationssysteme nutzen verschiedene quantitative Verfahren aus der Informatik und Mathematik, um Planungs- und Entscheidungsprozesse zu unterstützen. So lassen sich viele praktische Fragestellungen als (ganzzahlige) lineare Optimierungsprobleme formulieren, zum Beispiel Warenfluss und Planung von Produktionsprozessen in der Logistik, Portfoliotheorie und Risikomanagement in der Finanzwelt sowie Netzwerkdesign und Routing in der Telekommunikation.
Die Vorlesung gibt eine Einführung in die Modellierung betrieblicher Entscheidungsprobleme und grundlegende Methoden der linearen und ganzzahligen linearen Optimierung. Themen sind: Mathematische Modellierung praktischer Fragestellungen (Entscheidungs-, Planungs- und Optimierungsprobleme), Struktur und Geometrie linearer Programme, Simplex- und Ellipsoidmethode, Dualität; Einführung grundlegender kombinatorische Algorithmen für Graphen- und Netzwerkflussprobleme; Methoden zum Lösen ganzzahliger linearer Probleme, unter anderem dynamische Programmierung, Branch-and Bound Methoden und Greedy Verfahren.
Dozentin: Prof. Dr. Nicole Megow
Tutor: Dr. Moritz Buchem
Zeiten und Format:
- Vorlesung donnerstags von 12 bis 14 Uhr im Raum GW2 B1820,
- Übungen mittwochs, wahlweise von 10 bis 12 Uhr im Raum MZH 1470 oder 16 bis 18 Uhr im Raum MZH 5600.
Die erste Veranstaltung ist die Vorlesung am 15.10.2025.
Literatur:
- [W] Winston, A.: Operations Research, Algorithms and Applications, Whiley & Sons, Duxbury Press, 2003.
- [NSW] Nickel, Stein, Waldmann: Operations Research, Springer Gabler, 2. Auflage, 2014.
- [DDKS] Domschke, W.; Drexl, A.; Klein, R.; Scholl, A.: Einführung in Operations Research, 5. Auflage, Springer, 2015.
- [BT] Bertsimas, Tsitsiklis: Introduction to Linear Optimization, Athena Scientific, 1997.
- [GKT] Guenin, Könemann, Tuncel: A Gentle Introduction to Optimization, Cambridge University Press, 2014.
AI Algorithms: Theory and Engineering
Wintersemester 26/27, 6 CP
03-M-FTH-8, Link zu StudIP
This course introduces the design, analysis, and implementation of algorithms for AI systems. It combines fundamental techniques—including greedy algorithms, dynamic programming, graph algorithms, and mathematical optimization—with search, approximation, randomization, and decision-making under uncertainty. Selected topics include online and learning-augmented algorithms, which combine predictions with provable guarantees.
Students learn to model problems, establish correctness, analyze efficiency, and understand computational limitations. In a semester-long group project, they implement and experimentally evaluate algorithms, compare theoretical guarantees with practical performance, and investigate trade-offs between solution quality, computational cost, and robustness.
Dates and Rooms:
- Tue 12-14 (starting on 13.10.2026), MZH 5600 (Lecture)
- Thu 08-10 (starting on 15.10.2026), MZH 5600 (Tutorial)
Lecturer: Prof. Dr. Nicole Megow
Tutor: Dr. Maximilian Stahlberg
Projekt OPTIMIZE
Wintersemester 26/27 + Summer Semester 27, 24CP
03-IMPJ-OPTI, Link zu StudIP
Algorithms and Optimization for Social Good
Dieses Projekt untersucht, wie mathematische Optimierung und algorithmische Methoden die datengestützte Entscheidungsfindung zum Nutzen der Gesellschaft unterstützen können. Wir befassen uns mit praktischen Herausforderungen in Bereichen wie nachhaltiger Mobilität, städtischer Infrastruktur und der Ressourcenallokation. Die Studierenden modellieren reale Problemstellungen mathematisch, entwerfen geeignete Algorithmen sowie implementieren und evaluieren prototypische Lösungen. Darüber hinaus bietet das Projekt die Möglichkeit, sich mit aktuellen Forschungsarbeiten auseinanderzusetzen und theoretische Fragestellungen zu untersuchen, die sich aus praktischen Anwendungen ergeben.
Organisation: Prof. Dr. Nicole Megow with the help of Dr. Moritz Buchem, Dr. Michalis Xefteris and Bart Zondervan
Overview (engl.): This project explores how mathematical optimization and algorithmic methods can support data-driven decision-making for societal benefit. We study practical challenges in areas such as sustainable mobility, urban infrastructure, and resource allocation. Students will model real-world problems mathematically, design suitable algorithms, and implement and evaluate prototype solutions. The project also offers the opportunity to engage with current research papers and investigate theoretical questions arising from practical applications.