Scaling Up Generic Optimization

• Antragsteller: Professor Dr. Joachim Giesen
• Fachliche Zuordnung: Theoretische Informatik
• Förderung: Förderung von 2014 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 254643541

Optimierungsprobleme sind allgegenwärtig in Wissenschaft, Technik und Wirtschaft. Daher ist es nicht verwunderlich, dass es eine große Vielfalt von Optimierungsproblemen und -verfahren gibt. In unserem Projekt konzentrieren wir uns auf konvexe Optimierungsprobleme. Eine weitere wichtige Klasse sind diskrete Optimierungsprobleme, wie zum Beispiel die Berechnung kürzester Wege, minimale oder maximale Schnitte, Netzwerkflüsse oder Knotenüberdeckungen in Graphen. Viele diskrete Probleme haben Relaxierungen als lineare oder semidefinite Programme oder können sogar gleich als konvexe Optimierungprobleme formuliert werden. Relaxierungen sind oft ein wesentlicher Bestandteil von Approximationsalgorithmen für kombinatorische Optimierungsprobleme. Deshalb können diskrete und kombinatorische Optimierungsprobleme für Big Data erheblich von generischer, paralleler und verteilter Software für konvexe Optimierung profitieren. Solche Software soll durch den generischen Optimierungscodegenerator (GENO), den wir in diesem Projekt entwickeln wollen, bereitgestellt werden. Die Entwicklung von GENO soll dem Algorithms Engineering Entwicklungszyklus folgen, was insbesondere auch eine theoretische Analyse der zu entwickelnden Algorithmen beinhaltet.Ein weiteres wichtiges Gebiet in dem konvexe Optimierung eine große Rolle spielt, ist Big Data Analytics, d.h. das Lernen von Strukturen in Daten, was zuverlässige Vorhersagen erlauben soll. Maschinelles Lernen beschäftigt sich mit der Entwicklung und Analyse von Methoden für das Lernen aus Daten. In ihrem algorithmischen Kern lassen sich viele dieser Methoden auf konvexe Optimierungsprobleme reduzieren. Die parallele und verteilte Software, die von GENO erzeugt werden soll, wird es ermöglichen, sehr große Datenanalyseprobleme anzugehen.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1736: Algorithmen für große Datenmengen
• Mitverantwortlich: Professor Dr.-Ing. Sören Laue