Optimering under usikkerhet

Emnet er en introduksjon til optimering under usikkerhet. Emnet inneholder følgende themaer:

• Motivasjon for optimering under usikkerhet: hvorfor er usikkerhet viktig?
• Forskjellige modelleringstilnærminger, med særlig fokus på recourse modeller.
• Teoretiske egenskaper ved recourse modeller.
• Løsningsalgoritmer, blant annet: Benders' decomposition (L-shaped), stochastic dual dynamic programming (SDDP), og dual decomposition
• Scenariogenerering
• Applikasjoner av optimering under usikkerhet (med fokus på energi)

Emnets posisjon og funksjon i studiet:

Emnet er ment å være et emne for ph.d.-kandidater ved Institutt for industriell økonomi og teknologiledelse (IØT) og andre institutter som arbeider med teoretiske og praktiske optimeringsproblemstillinger innen forskjellige bransjer av industri og tjenester med høy grad av usikkerhet om data og andre elementer av problemstilling. Dette emnet bygger på emner i optimering i IØTs masterstudium og grunnleggende kunnskap innen sannsynlighetsteori.

Emnet skal formidle følgende kunnskap: Det teoretiske grunnlaget for formulering, analyse og løsning av problemer innen stokastisk optimering samt relevante applikasjoner; Gi kunnskap til å drive forskning på optimering under usikkerhet.

Emnet skal gi kandidatene følgende ferdigheter: modellering og løsning av praktiske problemer som optimeringsmodeller under usikkerhet.

Andre viktige læringsmål: Gjenkjenne når eksplisitt modellering av usikkerhet er viktig; Validering av modeller ved å bruke stabilitetstester

Forelesninger og frivillige øvinger. Emnet kan gis i form av intensive forelesninger flere timer per dag, flere dager i uka i løpet av få uker.