Kletzander, LucasReischuk, Rüdiger2023-11-092023-11-092023978-3-88579-981-8https://dl.gi.de/handle/20.500.12116/42591Problemstellungen aus der realen Welt mit Optimierungsmethoden zu modellieren und zu lösen ist ein komplexer und schwieriger Prozess, da eine Vielzahl an Regeln und Zielen zu berücksichtigen sind, die teilweise nicht klar definiert sind und sich oft ändern. Leistungsfähige, maßgeschneiderte Methoden können diese Probleme effizient oder sogar optimal lösen, sind aber dann schwer an geänderte Rahmenbedingungen anpassbar. Im ersten Teil der Arbeit werden solche spezifischen Methoden entwickelt, um erweiterte und neue komplexe Problemstellungen zu lösen. Im zweiten Teil wird eine Architektur präsentiert, die es erlaubt, intervallbasierte Probleme auf allgemeine Weise darzustellen und flexibel auf Regeländerungen zu reagieren. Bausteine von Algorithmen können von allgemeinen Methoden aus der Klasse der Hyper-Heuristiken dynamisch zu effizienten Lösungsmethoden zusammengesetzt werden. Zahlreiche neue Bausteine werden zunächst mit be- stehenden Hyper-Heuristiken untersucht, schließlich wird eine neue Hyper-Heuristik basierend auf verstärkendem Lernen eingeführt, die sowohl höchst flexibel auf akademischen und realen Instanzen einsetzbar ist als auch über verschiedene Problemstellungen hinweg hochqualitative Lösungen liefert.deText/Conference Paper