Literaturverzeichnis von 27 auf 87 Eintraege

Auftrag: bestehende Liste bewerten, Streichkandidaten benennen, moderne
Standardwerke recherchieren, neue Themenbloecke anlegen - mit Relevanzsternen
(3 Stufen) und Themen-Tags.

Welche Bloecke fehlen, entschied nicht die Vorschlagsliste, sondern das Buch.
Vorgeschlagen waren u. a. "Diskrete Ereignissimulation (SimPy)" und
"Cloud-basierte Solver-Nutzung". Beide wurden NICHT angelegt: "SimPy" kommt im
Buch null Mal vor, "Cloud" ebenfalls null. Eine Literaturliste soll das Buch
erschliessen, nicht darueber hinausweisen. Der API-gestuetzte Betrieb ist
stattdessen im neuen Praxisblock erfasst - dort gibt es mit dem
FastAPI-Optimierungsdienst tatsaechlich einen Anker im Text.

Zwoelf neue Bloecke, in der Reihenfolge der Kapitel: Modellierung in Python;
Lineare und ganzzahlige Optimierung; Moderne Solver und Benchmarks; Graphen,
Fluesse und Tourenplanung; Metaheuristiken; Spaltengenerierung und
Dekomposition; Optimierung unter Unsicherheit; Dynamische Programmierung;
Mehrkriterielle Optimierung; Lernbasierte Optimierung; Supply Chain, Energie
und Produktionsplanung; Praxis: Betrieb, Test und Auslieferung.

Streichkandidaten: keine. Alle 27 Alteintraege sind korrekt zitiert, in ihrem
Feld massgeblich und nicht redundant. Zwei wurden auf einen Stern herabgestuft
(Dantzig 1963, Bellman 1957) - historisch bedeutend, im selben Block aber
durch modernere Darstellungen ersetzt. Eine Streichliste zu erfinden, nur weil
der Auftrag eine vorsah, waere die schlechtere Antwort gewesen.

Zur Vorgabe "bevorzugt ab 2018": nur teilweise einloesbar, und zwar aus der
Sache heraus. 22 von 63 datierten Eintraegen sind von 2018 oder juenger. In
weiten Teilen des OR sind die massgeblichen Werke aelter - Ahuja/Magnanti/
Orlin (1993), Boyd/Vandenberghe (2004), Ehrgott (2005), Birge/Louveaux (2011).
Neu ist es dort, wo sich das Feld bewegt hat: Benchmarks, Python-Bibliotheken,
lernbasierte Optimierung.

Recherchiert, nicht erinnert: Bei einem Literaturverzeichnis ist eine
erfundene Quelle der schlimmste moegliche Fehler. Die unsicheren Angaben sind
per Websuche gegen die Primaerquelle geprueft - linopy (JOSS 8(84), 4823),
SCIP Optimization Suite 9.0, Elmachtoub & Grigas (Management Science 68(1),
9-26), MIPLIB 2017 (MPC 13(3), 443-490), HiGHS und Vidal/Laporte/Matl
(EJOR 286(2), 401-416).

Ein Fund dabei: Die Mittelmann-Benchmarks enthalten seit 2024 keine
kommerziellen Solver mehr - Gurobi, IBM und FICO haben ihre Ergebnisse
entfernen lassen. Ein direkter Vergleich Gurobi gegen HiGHS ist dort nicht
mehr moeglich. Das steht jetzt als Einschraenkung beim Eintrag.

Jeder Block verweist ueber {ref:kap:...} auf sein Kapitel - 37 Querverweise,
alle aufgeloest. PDF von 772 auf 781 Seiten. Veroeffentlicht: 4 Dateien.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

Operations_Research_mit_Python_Version_04/95_Anhang_Literatur.md

@@ -1,78 +1,484 @@
 # Anhang: Literaturverzeichnis {#anhang:literatur}
 
-## Mathematische Optimierung — Grundlagen
+Die Blöcke folgen der Reihenfolge der Kapitel. Jeder Eintrag trägt eine Relevanzangabe und
+einen Themen-Tag:
 
-* **Bertsimas, D. & Tsitsiklis, J. N. (1997):** *Introduction to Linear Optimization.*
-  Athena Scientific, Belmont.
+* **★★★ Kernwerk** — wer in diesem Bereich arbeitet, kommt daran nicht vorbei.
+* **★★ wichtige Ergänzung** — vertieft oder belegt einen Punkt des Buchs.
+* **★ optional** — historisch, sehr speziell oder nur für den Einstieg gedacht.
+
+Frei zugängliche Fassungen sind vermerkt. Wo eine DOI angegeben ist, führt sie zur
+verbindlichen Fassung.
+
+## Grundlagen und Standardwerke des Operations Research
+
+*Zu {ref:kap:einfuehrung} und {ref:kap:fundament}.*
+
+* ★★★ **Bertsimas, D. & Tsitsiklis, J. N. (1997):** *Introduction to Linear Optimization.*
+  Athena Scientific, Belmont. [Lineare Optimierung]
   *Standardwerk zur geometrischen und algebraischen Theorie des Simplex-Verfahrens,
-  Dualität, Sensitivitätsanalyse und Netzwerkflüssen.*
-* **Dantzig, G. B. (1963):** *Linear Programming and Extensions.* Princeton University Press.
-  *Das historische Originalwerk des Erfinders des Simplex-Algorithmus.*
-* **Wolsey, L. A. (2020):** *Integer Programming* (2. Aufl.). Wiley, Hoboken.
-  *Branch-and-Bound, Branch-and-Cut, Polyedertheorie, Formulierungsstärke.*
-* **Hillier, F. S. & Lieberman, G. J. (2021):** *Introduction to Operations Research*
-  (11. Aufl.). McGraw-Hill.
-  *Breite Einführung inkl. Warteschlangen, DP und Entscheidungsmodellen.*
+  Dualität, Sensitivitätsanalyse und Netzwerkflüssen. Alt, aber unverändert die klarste
+  Herleitung der Dualitätstheorie.*
+* ★★★ **Nocedal, J. & Wright, S. J. (2006):** *Numerical Optimization* (2. Aufl.). Springer,
+  New York. DOI: 10.1007/978-0-387-40065-5 [Numerik der Optimierung]
+  *Warum Verfahren numerisch scheitern: Konditionierung, Schrittweitensteuerung,
+  Konvergenzraten. Die Grundlage des Abschnitts über Skalierung und Ruiz-Equilibrierung.*
+* ★★ **Hillier, F. S. & Lieberman, G. J. (2021):** *Introduction to Operations Research*
+  (11. Aufl.). McGraw-Hill, New York. [OR-Überblick]
+  *Breite Einführung inklusive Warteschlangen, Entscheidungsmodellen und Simulation — die
+  Themen, die dieses Buch bewusst auslässt.*
+* ★★ **Kallrath, J. (2021):** *Business Optimization Using Mathematical Programming*
+  (2. Aufl.). Springer, Cham. DOI: 10.1007/978-3-030-73237-0 [Modellierungspraxis]
+  *Der Brückenschlag von der betrieblichen Fragestellung zum Modell, mit ausführlichem
+  Katalog industrieller Anwendungsfälle. Nächster Nachbar zu {ref:kap:modellierung}.*
+* ★ **Dantzig, G. B. (1963):** *Linear Programming and Extensions.* Princeton University
+  Press. [Historisch]
+  *Das Originalwerk des Erfinders des Simplex-Algorithmus. Historisch bedeutend, für die
+  tägliche Arbeit heute entbehrlich.*
 
-## Konvexe, nichtlineare und robuste Optimierung
+## Modellierung in Python: Bibliotheken und Modellierungsschichten
 
-* **Boyd, S. & Vandenberghe, L. (2004):** *Convex Optimization.* Cambridge University Press.
-  *Referenzwerk für konvexe Mengen, KKT, QP und SDP; theoretische Basis von CVXPY.
-  Frei verfügbar unter stanford.edu/~boyd/cvxbook/.*
-* **Ben-Tal, A., El Ghaoui, L. & Nemirovski, A. (2009):** *Robust Optimization.*
-  Princeton University Press.
-* **Bertsimas, D. & Sim, M. (2004):** *The Price of Robustness.* In: *Operations Research*
-  52(1), S. 35–53. *Quelle des Budgeted-Uncertainty-Ansatzes.*
-* **Bellman, R. (1957):** *Dynamic Programming.* Princeton University Press.
+*Zu {ref:kap:oekosystem}.*
+
+* ★★★ **Diamond, S. & Boyd, S. (2016):** *CVXPY: A Python-embedded modeling language for
+  convex optimization.* In: *Journal of Machine Learning Research* 17(83), S. 1–5.
+  [Bibliothek: CVXPY]
+  *Die Referenz zur im Buch am häufigsten benutzten Modellierungsschicht.
+  [www.cvxpy.org](https://www.cvxpy.org)*
+* ★★ **Agrawal, A., Verschueren, R., Diamond, S. & Boyd, S. (2018):** *A rewriting system for
+  convex optimization problems.* In: *Journal of Control and Decision* 5(1), S. 42–60.
+  DOI: 10.1080/23307706.2017.1397554 [Bibliothek: CVXPY]
+  *Erklärt, was CVXPY beim Übersetzen tatsächlich tut — und warum ein `DCPError` kein
+  Solverfehler ist.*
+* ★★★ **Bynum, M. L., Hackebeil, G. A., Hart, W. E., Laird, C. D., Nicholson, B. L., Siirola,
+  J. D., Watson, J.-P. & Woodruff, D. L. (2021):** *Pyomo — Optimization Modeling in Python*
+  (3. Aufl.). Springer, Cham. DOI: 10.1007/978-3-030-68928-5 [Bibliothek: Pyomo]
+  *Das Referenzbuch der Autoren zur mächtigsten der drei im Buch verglichenen
+  Modellierungsschichten.*
+* ★★ **Hofmann, F. (2023):** *Linopy: Linear optimization with n-dimensional labeled
+  variables.* In: *Journal of Open Source Software* 8(84), 4823.
+  DOI: 10.21105/joss.04823 [Bibliothek: linopy]
+  *Beschreibt den beschrifteten-Achsen-Ansatz und enthält den Speicher- und
+  Geschwindigkeitsvergleich gegen Pyomo, PuLP, CVXPY und gurobipy. Frei zugänglich.*
+* ★★ **Virtanen, P., Gommers, R., Oliphant, T. E. et al. (2020):** *SciPy 1.0: fundamental
+  algorithms for scientific computing in Python.* In: *Nature Methods* 17, S. 261–272.
+  DOI: 10.1038/s41592-019-0686-2 [Bibliothek: SciPy]
+  *Die zitierfähige Quelle zu `scipy.optimize` — dem Einstiegspunkt in
+  {ref:kap:lp}.*
+* ★★ **Harris, C. R., Millman, K. J., van der Walt, S. J. et al. (2020):** *Array programming
+  with NumPy.* In: *Nature* 585, S. 357–362. DOI: 10.1038/s41586-020-2649-2
+  [Bibliothek: NumPy]
+  *Grundlage jeder vektorisierten Modellerzeugung; siehe den Abschnitt über den Aufbau
+  großer Modelle.*
+
+## Lineare und ganzzahlige Optimierung
+
+*Zu {ref:kap:lp} und {ref:kap:milp}.*
+
+* ★★★ **Wolsey, L. A. (2020):** *Integer Programming* (2. Aufl.). Wiley, Hoboken.
+  [Ganzzahlige Optimierung]
+  *Branch-and-Bound, Branch-and-Cut, Polyedertheorie, Formulierungsstärke. Die Begründung
+  dafür, warum ein kleines $M$ besser ist als ein großes.*
+* ★★★ **Conforti, M., Cornuéjols, G. & Zambelli, G. (2014):** *Integer Programming.* Springer,
+  Cham. DOI: 10.1007/978-3-319-11008-0 [Ganzzahlige Optimierung]
+  *Modernere Darstellung als Wolsey, mit ausführlicher Behandlung von Schnittebenen und
+  totaler Unimodularität.*
+* ★★ **Klotz, E. & Newman, A. M. (2013):** *Practical guidelines for solving difficult mixed
+  integer linear programs.* In: *Surveys in Operations Research and Management Science* 18(1–2),
+  S. 18–32. DOI: 10.1016/j.sorms.2012.12.001 [Ganzzahlige Optimierung]
+  *Was zu tun ist, wenn ein Modell nicht fertig rechnet — Skalierung, Formulierung,
+  Symmetrie. Die Literaturgrundlage von {ref:anhang:fehlerdiagnose}.*
+* ★★ **Achterberg, T. (2009):** *SCIP: solving constraint integer programs.* In: *Mathematical
+  Programming Computation* 1(1), S. 1–41. DOI: 10.1007/s12532-008-0001-1
+  [Solver: SCIP]
+  *Beschreibt die Verbindung von MILP und Constraint Programming in einem Solver.*
+
+## Moderne Solver: Implementierung, Vergleich und Benchmarks
+
+*Zu {ref:kap:oekosystem} und {ref:anhang:spickzettel}. Neuer Abschnitt: Das Buch vergleicht
+durchgehend Solver, die Literatur dazu stand bisher verstreut.*
+
+* ★★★ **Huangfu, Q. & Hall, J. A. J. (2018):** *Parallelizing the dual revised simplex method.*
+  In: *Mathematical Programming Computation* 10(1), S. 119–142.
+  DOI: 10.1007/s12532-017-0130-5 [Solver: HiGHS]
+  *Die vom HiGHS-Projekt selbst benannte Zitierquelle. HiGHS ist das Backend von
+  `scipy.optimize.linprog` und CVXPY. [highs.dev](https://highs.dev)*
+* ★★★ **Gleixner, A., Hendel, G., Gamrath, G. et al. (2021):** *MIPLIB 2017: data-driven
+  compilation of the 6th mixed-integer programming library.* In: *Mathematical Programming
+  Computation* 13(3), S. 443–490. DOI: 10.1007/s12532-020-00194-3 [Benchmarks]
+  *Die Testmenge, auf der praktisch jeder Solververgleich beruht: 1065 Instanzen, davon 240
+  als Benchmark-Teilmenge. Frei zugänglich; Daten unter
+  [miplib.zib.de](https://miplib.zib.de).*
+* ★★★ **Mittelmann, H. D.:** *Benchmarks for Optimization Software.* Arizona State University.
+  [plato.asu.edu/bench.html](https://plato.asu.edu/bench.html) [Benchmarks]
+  *Die laufend aktualisierte Referenzmessung für LP-, MILP- und QP-Solver. **Wichtige
+  Einschränkung:** Seit 2024 sind die kommerziellen Solver auf eigenen Wunsch nicht mehr
+  enthalten; ein direkter Vergleich Gurobi gegen HiGHS ist dort nicht mehr möglich.*
+* ★★ **Bolusani, S., Besançon, M., Bestuzheva, K. et al. (2024):** *The SCIP Optimization
+  Suite 9.0.* Technischer Bericht, Zuse-Institut Berlin. arXiv:2402.17702 [Solver: SCIP]
+  *Beschreibt Aufbau und Komponenten der Suite. Die Reihe wird fortgeschrieben — die jeweils
+  aktuelle Fassung steht unter [scipopt.org](https://www.scipopt.org); beim Zitieren die
+  tatsächlich benutzte Version angeben.*
+* ★★ **Perron, L. & Furnon, V.:** *OR-Tools.* Google.
+  [developers.google.com/optimization](https://developers.google.com/optimization)
+  · Quellcode: [github.com/google/or-tools](https://github.com/google/or-tools)
+  [Solver: OR-Tools]
+  *Die Sammlung, aus der das Buch CP-SAT und die Routing-Bibliothek benutzt.*
 
 ## Constraint Programming und Scheduling
 
-* **Rossi, F., van Beek, P. & Walsh, T. (2006):** *Handbook of Constraint Programming.*
-  Elsevier.
-* **Perron, L. & Furnon, V.:** *OR-Tools CP-SAT Solver Documentation.*
+*Zu {ref:kap:cpsat}.*
+
+* ★★★ **Rossi, F., van Beek, P. & Walsh, T. (Hrsg., 2006):** *Handbook of Constraint
+  Programming.* Elsevier, Amsterdam. [Constraint Programming]
+  *Nach wie vor das Referenzwerk zu Propagation, globalen Constraints und Suchstrategien.*
+* ★★★ **Perron, L. & Furnon, V.:** *OR-Tools CP-SAT Solver Documentation.* Google.
   [developers.google.com/optimization/cp](https://developers.google.com/optimization/cp)
+  [Solver: CP-SAT]
+  *Die einzige vollständige Beschreibung des im Buch benutzten Solvers. Der Abschnitt zu
+  `AddNoOverlap` und `AddCumulative` deckt sich mit {ref:kap:cpsat}.*
+* ★★ **Laborie, P., Rogerie, J., Shaw, P. & Vilím, P. (2018):** *IBM ILOG CP Optimizer for
+  scheduling.* In: *Constraints* 23(2), S. 210–250. DOI: 10.1007/s10601-018-9281-x
+  [Scheduling]
+  *Intervallvariablen und Ressourcenprofile aus Sicht des konkurrierenden Solvers — lehrreich
+  für das Verständnis der Modellierungsprimitive.*
+* ★★ **Biere, A., Heule, M., van Maaren, H. & Walsh, T. (Hrsg., 2021):** *Handbook of
+  Satisfiability* (2. Aufl.). IOS Press, Amsterdam. [SAT]
+  *Die Grundlage dessen, was CP-SAT unter der Haube tut: Conflict-Driven Clause Learning,
+  Klausellernen, Neustarts.*
+
+## Graphen, Flüsse und Tourenplanung
+
+*Zu {ref:kap:graphen}. Neuer Abschnitt.*
+
+* ★★★ **Ahuja, R. K., Magnanti, T. L. & Orlin, J. B. (1993):** *Network Flows: Theory,
+  Algorithms, and Applications.* Prentice Hall, Englewood Cliffs. [Netzwerkflüsse]
+  *Das Standardwerk zu Min-Cost-Flow, Matching und totaler Unimodularität — der Grund, warum
+  diese Modelle schon als LP ganzzahlig lösen.*
+* ★★★ **Toth, P. & Vigo, D. (Hrsg., 2014):** *Vehicle Routing: Problems, Methods, and
+  Applications* (2. Aufl.). SIAM, Philadelphia. DOI: 10.1137/1.9781611973594 [VRP]
+  *Das Referenzwerk zur Tourenplanung, einschließlich Kapazitäten, Zeitfenstern und
+  Subtour-Eliminierung.*
+* ★★ **Vidal, T., Laporte, G. & Matl, P. (2020):** *A concise guide to existing and emerging
+  vehicle routing problem variants.* In: *European Journal of Operational Research* 286(2),
+  S. 401–416. DOI: 10.1016/j.ejor.2019.10.010 [VRP]
+  *Übersicht über die Variantenvielfalt — hilfreich, um die eigene Aufgabe einzuordnen, bevor
+  man modelliert. Frei zugänglich als arXiv:1906.06750.*
+* ★ **Kuhn, H. W. (1955):** *The Hungarian method for the assignment problem.* In: *Naval
+  Research Logistics Quarterly* 2(1–2), S. 83–97. DOI: 10.1002/nav.3800020109
+  [Zuordnungsproblem]
+  *Das Originalverfahren hinter `scipy.optimize.linear_sum_assignment`.*
+
+## Metaheuristiken
+
+*Zu {ref:kap:metaheuristiken}. Neuer Abschnitt.*
+
+* ★★★ **Gendreau, M. & Potvin, J.-Y. (Hrsg., 2019):** *Handbook of Metaheuristics* (3. Aufl.).
+  Springer, Cham. DOI: 10.1007/978-3-319-91086-4 [Metaheuristiken]
+  *Sammelband zu Tabu-Suche, Simulated Annealing, LNS, genetischen Verfahren — jeweils von
+  den Urhebern geschrieben.*
+* ★★★ **Pisinger, D. & Ropke, S. (2010):** *Large Neighborhood Search.* In: Gendreau, M. &
+  Potvin, J.-Y. (Hrsg.): *Handbook of Metaheuristics*, S. 399–419. Springer.
+  DOI: 10.1007/978-1-4419-1665-5_13 [Metaheuristiken]
+  *Die Darstellung des Verfahrens, das im Buch die exakte Suche auf Teilproblemen mit
+  heuristischem Zerstören verbindet.*
+* ★★ **Kirkpatrick, S., Gelatt, C. D. & Vecchi, M. P. (1983):** *Optimization by Simulated
+  Annealing.* In: *Science* 220(4598), S. 671–680. DOI: 10.1126/science.220.4598.671
+  [Metaheuristiken]
+  *Die Originalarbeit; die Abkühlungsanalogie stammt von hier.*
+* ★★ **Sörensen, K. (2015):** *Metaheuristics — the metaphor exposed.* In: *International
+  Transactions in Operational Research* 22(1), S. 3–18. DOI: 10.1111/itor.12001
+  [Metaheuristiken]
+  *Kritik an der Flut naturanaloger „neuer" Verfahren. Vor der Auswahl einer Metaheuristik zu
+  lesen — sie erspart viel Zeit.*
+
+## Spaltengenerierung und Dekomposition
+
+*Zu {ref:kap:dekomposition}. Neuer Abschnitt.*
+
+* ★★★ **Desaulniers, G., Desrosiers, J. & Solomon, M. M. (Hrsg., 2005):** *Column Generation.*
+  Springer, New York. DOI: 10.1007/b135457 [Spaltengenerierung]
+  *Das Referenzwerk zum Verfahren, einschließlich Stabilisierung und Branch-and-Price.*
+* ★★★ **Lübbecke, M. E. & Desrosiers, J. (2005):** *Selected Topics in Column Generation.*
+  In: *Operations Research* 53(6), S. 1007–1023. DOI: 10.1287/opre.1050.0234
+  [Spaltengenerierung]
+  *Kompakter als das Buch und für den Einstieg besser geeignet; erklärt das Preisproblem
+  sauber.*
+* ★★ **Rahmaniani, R., Crainic, T. G., Gendreau, M. & Rei, W. (2017):** *The Benders
+  decomposition algorithm: A literature review.* In: *European Journal of Operational
+  Research* 259(3), S. 801–817. DOI: 10.1016/j.ejor.2016.12.005 [Dekomposition]
+  *Übersicht über Varianten und Beschleunigungen — die Gegenrichtung zur Spaltengenerierung.*
+
+## Konvexe und nichtlineare Optimierung
+
+*Zu {ref:kap:qp-nlp}.*
+
+* ★★★ **Boyd, S. & Vandenberghe, L. (2004):** *Convex Optimization.* Cambridge University Press.
+  [Konvexe Optimierung]
+  *Referenzwerk für konvexe Mengen, KKT-Bedingungen, QP und SDP; die theoretische Basis von
+  CVXPY. Frei verfügbar unter
+  [stanford.edu/~boyd/cvxbook](https://web.stanford.edu/~boyd/cvxbook/).*
+* ★★ **Kraft, D. (1988):** *A Software Package for Sequential Quadratic Programming.*
+  DFVLR-FB 88-28, Deutsche Forschungs- und Versuchsanstalt für Luft- und Raumfahrt, Köln.
+  [Nichtlineare Optimierung]
+  *Die Originalarbeit zu SLSQP — dem Verfahren hinter `scipy.optimize.minimize`.*
+* ★★ **Lobo, M. S., Vandenberghe, L., Boyd, S. & Lebret, H. (1998):** *Applications of
+  second-order cone programming.* In: *Linear Algebra and its Applications* 284(1–3),
+  S. 193–228. DOI: 10.1016/S0024-3795(98)10032-0 [Konische Optimierung]
+  *Warum sich Risikoschranken und Normbedingungen als SOCP schreiben lassen — die Grundlage
+  der Chance-Constraints-Formulierung in {ref:kap:unsicherheit}.*
+
+## Optimierung unter Unsicherheit: stochastisch, robust, Chance Constraints
+
+*Zu {ref:kap:unsicherheit} und {ref:kap:supplychain}. Aus dem früheren Block „Konvexe,
+nichtlineare und robuste Optimierung" herausgelöst und erweitert.*
+
+* ★★★ **Birge, J. R. & Louveaux, F. (2011):** *Introduction to Stochastic Programming*
+  (2. Aufl.). Springer, New York. DOI: 10.1007/978-1-4614-0237-4
+  [Stochastische Optimierung]
+  *Das Standardwerk zur zweistufigen Optimierung, Szenariobäumen und dem Wert perfekter
+  Information (EVPI).*
+* ★★★ **Ben-Tal, A., El Ghaoui, L. & Nemirovski, A. (2009):** *Robust Optimization.* Princeton
+  University Press. [Robuste Optimierung]
+  *Die geschlossene Darstellung der robusten Gegenstücke und ihrer konischen Umformung.*
+* ★★★ **Bertsimas, D. & Sim, M. (2004):** *The Price of Robustness.* In: *Operations Research*
+  52(1), S. 35–53. DOI: 10.1287/opre.1030.0065 [Robuste Optimierung]
+  *Quelle des Budgeted-Uncertainty-Ansatzes: Der Parameter $\Gamma$ regelt stufenlos, wie
+  vorsichtig die Lösung wird.*
+* ★★ **Nemirovski, A. & Shapiro, A. (2007):** *Convex Approximations of Chance Constrained
+  Programs.* In: *SIAM Journal on Optimization* 17(4), S. 969–996. DOI: 10.1137/050622328
+  [Chance Constraints]
+  *Zeigt, wann sich eine Wahrscheinlichkeitsbedingung konvex annähern lässt — und wann nicht.*
+* ★★ **Charnes, A. & Cooper, W. W. (1959):** *Chance-Constrained Programming.* In: *Management
+  Science* 6(1), S. 73–79. DOI: 10.1287/mnsc.6.1.73 [Chance Constraints]
+  *Die Originalarbeit, die den Begriff geprägt hat.*
+* ★★ **Savage, S. L. (2009):** *The Flaw of Averages.* Wiley, Hoboken. [Unsicherheit]
+  *Die populäre Darstellung des Fluchs des Durchschnitts. Ohne Formeln, dafür mit den
+  Beispielen, die in Besprechungen wirken.*
+
+## Dynamische Programmierung und sequenzielle Entscheidungen
+
+*Zu {ref:kap:dynamische-programmierung}. Neuer Abschnitt.*
+
+* ★★★ **Powell, W. B. (2022):** *Reinforcement Learning and Stochastic Optimization: A Unified
+  Framework for Sequential Decisions.* Wiley, Hoboken. [Dynamische Programmierung]
+  *Ordnet dynamische Programmierung, approximative Verfahren und bestärkendes Lernen in einen
+  gemeinsamen Rahmen — genau die Einordnung, die {ref:kap:dynamische-programmierung} am
+  Schluss vornimmt.*
+* ★★★ **Bertsekas, D. P. (2017):** *Dynamic Programming and Optimal Control, Vol. I*
+  (4. Aufl.). Athena Scientific, Belmont. [Dynamische Programmierung]
+  *Die mathematisch strenge Darstellung des Optimalitätsprinzips und der Rückwärtsinduktion.*
+* ★★ **Sutton, R. S. & Barto, A. G. (2018):** *Reinforcement Learning: An Introduction*
+  (2. Aufl.). MIT Press, Cambridge. [Reinforcement Learning]
+  *Der Standardtext zum lernenden Gegenstück. Frei verfügbar auf der Seite der Autoren.*
+* ★ **Bellman, R. (1957):** *Dynamic Programming.* Princeton University Press. [Historisch]
+  *Das Originalwerk. Für die praktische Arbeit heute durch Powell und Bertsekas ersetzt.*
+
+## Mehrkriterielle Optimierung
+
+*Zu {ref:kap:mehrziel}. Neuer Abschnitt.*
+
+* ★★★ **Ehrgott, M. (2005):** *Multicriteria Optimization* (2. Aufl.). Springer, Berlin.
+  DOI: 10.1007/3-540-27659-9 [Mehrkriterielle Optimierung]
+  *Pareto-Optimalität, Skalarisierung und ihre Grenzen — insbesondere die Frage, welche
+  Punkte der Front eine gewichtete Summe überhaupt erreichen kann.*
+* ★★ **Miettinen, K. (1999):** *Nonlinear Multiobjective Optimization.* Kluwer, Boston.
+  DOI: 10.1007/978-1-4615-5563-6 [Mehrkriterielle Optimierung]
+  *Systematik der Verfahren, geordnet danach, wann die Präferenz des Entscheiders einfließt.*
+* ★★ **Blank, J. & Deb, K. (2020):** *pymoo: Multi-Objective Optimization in Python.* In:
+  *IEEE Access* 8, S. 89497–89509. DOI: 10.1109/ACCESS.2020.2990567 [Bibliothek: pymoo]
+  *Die im Buch für evolutionäre Pareto-Fronten benutzte Bibliothek.
+  [pymoo.org](https://pymoo.org)*
+
+## Lernbasierte Optimierung: maschinelles Lernen und OR
+
+*Zu {ref:kap:prognose}. Neuer Abschnitt — im Buch als eigenes Kapitel behandelt, in der
+Literaturliste bisher gar nicht vertreten.*
+
+* ★★★ **Elmachtoub, A. N. & Grigas, P. (2022):** *Smart „Predict, then Optimize".* In:
+  *Management Science* 68(1), S. 9–26. DOI: 10.1287/mnsc.2020.3922
+  [KI-gestützte Optimierung]
+  *Die Arbeit, die zeigt, dass ein prognosegenaueres Modell zu schlechteren Entscheidungen
+  führen kann, und den entscheidungsbewussten Verlust (SPO-Loss) einführt. Freie Fassung als
+  arXiv:1710.08005.*
+* ★★★ **Bengio, Y., Lodi, A. & Prouvost, A. (2021):** *Machine learning for combinatorial
+  optimization: A methodological tour d'horizon.* In: *European Journal of Operational
+  Research* 290(2), S. 405–421. DOI: 10.1016/j.ejor.2020.07.063
+  [KI-gestützte Optimierung]
+  *Die meistzitierte Übersicht zum Feld: Wo Lernen einen Solver ergänzt und wo es ihn nicht
+  ersetzt. Frei zugänglich als arXiv:1811.06128.*
+* ★★ **Mišić, V. V. & Perakis, G. (2020):** *Data Analytics in Operations Management: A
+  Review.* In: *Manufacturing & Service Operations Management* 22(1), S. 158–169.
+  DOI: 10.1287/msom.2019.0805 [KI-gestützte Optimierung]
+  *Einordnung, an welchen Stellen des Betriebsablaufs Daten und Optimierung
+  zusammenkommen.*
+* ★★ **Kotary, J., Fioretto, F., Van Hentenryck, P. & Wilder, B. (2021):** *End-to-End
+  Constrained Optimization Learning: A Survey.* In: *Proceedings of IJCAI-21*, S. 4475–4482.
+  DOI: 10.24963/ijcai.2021/610 [KI-gestützte Optimierung]
+  *Überblick über Verfahren, die Prognose und Optimierung gemeinsam trainieren, statt sie
+  hintereinanderzuschalten.*
+
+## Supply Chain, Energie und Produktionsplanung
+
+*Zu {ref:kap:bruecke} und {ref:kap:supplychain}. Neuer Abschnitt.*
+
+* ★★★ **Pochet, Y. & Wolsey, L. A. (2006):** *Production Planning by Mixed Integer
+  Programming.* Springer, New York. DOI: 10.1007/0-387-33477-7 [Produktionsplanung]
+  *Losgrößen, Rüstkosten, mehrstufige Stücklisten — die Modellbausteine hinter dem
+  Produktionsteil des Buchs.*
+* ★★★ **Morales, J. M., Conejo, A. J., Madsen, H., Pinson, P. & Zugno, M. (2014):**
+  *Integrating Renewables in Electricity Markets: Operational Problems.* Springer, New York.
+  DOI: 10.1007/978-1-4614-9411-9 [Energiewirtschaft]
+  *Kraftwerkseinsatz und Reservevorhaltung unter Einspeiseunsicherheit — der
+  Anwendungsrahmen von {ref:kap:supplychain}.*
+* ★★ **Van den Bergh, J., Beliën, J., De Bruecker, P., Demeulemeester, E. & De Boeck, L.
+  (2013):** *Personnel scheduling: A literature review.* In: *European Journal of Operational
+  Research* 226(3), S. 367–385. DOI: 10.1016/j.ejor.2012.11.029
+  [Personaleinsatzplanung]
+  *Systematik der Modellvarianten für Schicht-, Dienst- und Vertretungspläne; Grundlage
+  mehrerer Projekte der Projektwerkstatt.*
+* ★★ **Brandimarte, P. & Zotteri, G. (2007):** *Introduction to Distribution Logistics.*
+  Wiley, Hoboken. [Supply Chain]
+  *Verbindet Bestandsführung, Standortwahl und Tourenplanung — die drei Entscheidungen, die
+  im Buch getrennt behandelt und im Supply-Chain-Kapitel zusammengeführt werden.*
 
 ## Quantitative Finanzmathematik
 
-* **Markowitz, H. (1952):** *Portfolio Selection.* In: *The Journal of Finance* 7(1),
-  S. 77–91.
-* **Rockafellar, R. T. & Uryasev, S. (2000):** *Optimization of Conditional Value-at-Risk.*
-  In: *Journal of Risk* 2(3), S. 21–42.
-* **Ledoit, O. & Wolf, M. (2003):** *Improved estimation of the covariance matrix of stock
-  returns with an application to portfolio selection.* In: *Journal of Empirical Finance*
-  10(5), S. 603–621. *Quelle des Konstant-Korrelations-Ziels.*
-* **Ledoit, O. & Wolf, M. (2004):** *A well-conditioned estimator for large-dimensional
+*Zu {ref:kap:finanzdaten}, {ref:kap:markowitz}, {ref:kap:cvar} und
+{ref:kap:handelsmaschine}.*
+
+* ★★★ **Markowitz, H. (1952):** *Portfolio Selection.* In: *The Journal of Finance* 7(1),
+  S. 77–91. DOI: 10.2307/2975974 [Portfoliotheorie]
+  *Die Arbeit, die das Zusammenspiel von Rendite und Kovarianz zum Optimierungsproblem
+  gemacht hat.*
+* ★★★ **Rockafellar, R. T. & Uryasev, S. (2000):** *Optimization of Conditional Value-at-Risk.*
+  In: *Journal of Risk* 2(3), S. 21–42. DOI: 10.21314/JOR.2000.038 [Risikomaße]
+  *Der Satz, der die CVaR-Minimierung in ein lineares Programm überführt.*
+* ★★★ **Ledoit, O. & Wolf, M. (2004):** *A well-conditioned estimator for large-dimensional
   covariance matrices.* In: *Journal of Multivariate Analysis* 88(2), S. 365–411.
-  *Quelle des von `scikit-learn` verwendeten Ziels (skalierte Einheitsmatrix).*
-* **Almgren, R. & Chriss, N. (2000):** *Optimal Execution of Portfolio Transactions.*
-  In: *Journal of Risk* 3(2), S. 5–39.
-* **DeMiguel, V., Garlappi, L. & Uppal, R. (2009):** *Optimal Versus Naive Diversification.*
-  In: *Review of Financial Studies* 22(5), S. 1915–1953.
-  *Die Studie, die 1/N als ernstzunehmenden Vergleichsmaßstab etablierte.*
-* **López de Prado, M. (2018):** *Advances in Financial Machine Learning.* Wiley.
-  *Backtest-Overfitting, Deflated Sharpe Ratio, Denoising.*
-* **Cornuéjols, G., Peña, J. & Tütüncü, R. (2018):** *Optimization Methods in Finance*
-  (2. Aufl.). Cambridge University Press.
+  DOI: 10.1016/S0047-259X(03)00096-4 [Kovarianzschätzung]
+  *Quelle des von `scikit-learn` verwendeten Shrinkage-Ziels (skalierte Einheitsmatrix).*
+* ★★★ **Cornuéjols, G., Peña, J. & Tütüncü, R. (2018):** *Optimization Methods in Finance*
+  (2. Aufl.). Cambridge University Press. DOI: 10.1017/9781107297340
+  [Finanzoptimierung]
+  *Die Brücke zwischen Optimierungstheorie und Finanzanwendung; deckt QP, SOCP und robuste
+  Portfolios ab.*
+* ★★★ **Almgren, R. & Chriss, N. (2000):** *Optimal Execution of Portfolio Transactions.* In:
+  *Journal of Risk* 3(2), S. 5–39. DOI: 10.21314/JOR.2000.041 [Orderausführung]
+  *Das Modell hinter dem Beispiel zur optimalen Orderausführung in
+  {ref:kap:dynamische-programmierung}.*
+* ★★ **Ledoit, O. & Wolf, M. (2003):** *Improved estimation of the covariance matrix of stock
+  returns with an application to portfolio selection.* In: *Journal of Empirical Finance*
+  10(5), S. 603–621. DOI: 10.1016/S0927-5398(03)00007-0 [Kovarianzschätzung]
+  *Die frühere Arbeit mit dem Konstant-Korrelations-Ziel.*
+* ★★ **DeMiguel, V., Garlappi, L. & Uppal, R. (2009):** *Optimal Versus Naive Diversification:
+  How Inefficient is the 1/N Portfolio Strategy?* In: *Review of Financial Studies* 22(5),
+  S. 1915–1953. DOI: 10.1093/rfs/hhm075 [Portfoliotheorie]
+  *Die Studie, die 1/N als ernstzunehmenden Vergleichsmaßstab etabliert hat — der Grund, warum
+  im Buch jeder Optimierer gegen sie antreten muss.*
+* ★★ **López de Prado, M. (2018):** *Advances in Financial Machine Learning.* Wiley, Hoboken.
+  [Backtesting]
+  *Backtest-Overfitting, Deflated Sharpe Ratio, Denoising der Kovarianzmatrix. Die
+  Literaturgrundlage der fünf Selbsttäuschungen des Backtestens.*
+* ★★ **Bailey, D. H. & López de Prado, M. (2014):** *The Deflated Sharpe Ratio: Correcting for
+  Selection Bias, Backtest Overfitting, and Non-Normality.* In: *The Journal of Portfolio
+  Management* 40(5), S. 94–107. DOI: 10.3905/jpm.2014.40.5.094 [Backtesting]
+  *Beziffert, wie stark eine Sharpe Ratio zu korrigieren ist, wenn man viele Strategien
+  ausprobiert hat.*
 
-## Software und Dokumentation
+## Praxis: Betrieb, Test und Auslieferung von Optimierungsmodellen
 
-* **Google OR-Tools** — [developers.google.com/optimization](https://developers.google.com/optimization)
-  · Quellcode: [github.com/google/or-tools](https://github.com/google/or-tools)
-* **Diamond, S. & Boyd, S. (2016):** *CVXPY: A Python-embedded modeling language for convex
-  optimization.* In: *Journal of Machine Learning Research* 17(83), S. 1–5.
-  · [www.cvxpy.org](https://www.cvxpy.org)
-* **Huangfu, Q. & Hall, J. A. J. (2018):** *Parallelizing the dual revised simplex method.*
-  In: *Mathematical Programming Computation* 10(1), S. 119–142. · [highs.dev](https://highs.dev)
-* **SciPy** — [docs.scipy.org/doc/scipy/reference/optimize.html](https://docs.scipy.org/doc/scipy/reference/optimize.html)
-* **scikit-learn, Covariance Estimation** — [scikit-learn.org/stable/modules/covariance.html](https://scikit-learn.org/stable/modules/covariance.html)
+*Zu {ref:kap:praxisfallen} und {ref:kap:testing}. Neuer Abschnitt.*
 
-## Verbände und Normen
+* ★★★ **Chinneck, J. W. (2008):** *Feasibility and Infeasibility in Optimization: Algorithms
+  and Computational Methods.* Springer, New York. DOI: 10.1007/978-0-387-74932-7
+  [Fehlerdiagnose]
+  *Das Standardwerk zur Unlösbarkeitsdiagnose, einschließlich des Deletion Filters und der
+  irreduziblen unlösbaren Teilmengen (IIS). Direkte Grundlage von
+  {ref:anhang:fehlerdiagnose}.*
+* ★★ **Sculley, D., Holt, G., Golovin, D. et al. (2015):** *Hidden Technical Debt in Machine
+  Learning Systems.* In: *Advances in Neural Information Processing Systems* 28, S. 2503–2511.
+  [Betrieb]
+  *Über Systeme, deren Modell nur ein kleiner Teil ist — überträgt sich unmittelbar auf den
+  Betrieb von Optimierungsdiensten. Frei zugänglich.*
+* ★★ **Kleppmann, M. (2017):** *Designing Data-Intensive Applications.* O'Reilly, Sebastopol.
+  [Betrieb]
+  *Snapshot-Prinzip, Zustandslosigkeit, Versionierung und Reproduzierbarkeit — die
+  Architekturfragen hinter der OR-Plattform in {ref:kap:praxisfallen}.*
+* ★★ **Ramírez, S.:** *FastAPI Documentation.*
+  [fastapi.tiangolo.com](https://fastapi.tiangolo.com) [Betrieb]
+  *Die Grundlage des Optimierungsdienstes in {ref:kap:testing}, einschließlich der
+  Eingabevalidierung über `pydantic`.*
 
-* **INFORMS** — [www.informs.org](https://www.informs.org)
-* **GOR (Gesellschaft für Operations Research e. V.)** — deutschsprachiger Fachverband.
+## Software, Dokumentation und Datenquellen
+
+* **SciPy — `scipy.optimize`:**
+  [docs.scipy.org/doc/scipy/reference/optimize.html](https://docs.scipy.org/doc/scipy/reference/optimize.html)
+* **HiGHS:** [highs.dev](https://highs.dev) · Python-Anbindung `highspy`
+* **Google OR-Tools:** [developers.google.com/optimization](https://developers.google.com/optimization)
+* **CVXPY:** [www.cvxpy.org](https://www.cvxpy.org)
+* **Pyomo:** [pyomo.org](https://www.pyomo.org)
+* **linopy:** [linopy.readthedocs.io](https://linopy.readthedocs.io)
+* **pymoo:** [pymoo.org](https://pymoo.org)
+* **scikit-learn, Covariance Estimation:**
+  [scikit-learn.org/stable/modules/covariance.html](https://scikit-learn.org/stable/modules/covariance.html)
+* **MIPLIB 2017 — Instanzensammlung:** [miplib.zib.de](https://miplib.zib.de)
+* **Mittelmann-Benchmarks:** [plato.asu.edu/bench.html](https://plato.asu.edu/bench.html)
+
+## Verbände, Normen und Regulierung
+
+* **INFORMS** — Institute for Operations Research and the Management Sciences.
+  [www.informs.org](https://www.informs.org)
+* **GOR** — Gesellschaft für Operations Research e. V., deutschsprachiger Fachverband.
+  [www.gor-ev.de](https://www.gor-ev.de)
+* **EURO** — Association of European Operational Research Societies.
+  [www.euro-online.org](https://www.euro-online.org)
 * **Basel Committee on Banking Supervision:** *Minimum capital requirements for market risk*
-  (Basel III, FRTB) — Grundlage der Umstellung von VaR auf Expected Shortfall.
-* **Europäische Union:** MiFID II / ESMA-Leitlinien zum algorithmischen Handel.
+  (Basel III, FRTB). Bank for International Settlements.
+  *Grundlage der aufsichtsrechtlichen Umstellung von Value at Risk auf Expected Shortfall.*
+* **Europäische Union:** *MiFID II* (Richtlinie 2014/65/EU) sowie die ESMA-Leitlinien zum
+  algorithmischen Handel. *Regulatorischer Rahmen für die Handelsmaschine aus
+  {ref:kap:handelsmaschine}.*
+
+## Änderungsprotokoll
+
+**Stand: September 2026.** Überarbeitung des Literaturverzeichnisses gegenüber der
+Vorgängerfassung.
+
+**Entfernt: kein einziger Eintrag.** Alle 27 Einträge der Vorgängerfassung wurden geprüft;
+sie sind korrekt zitiert, in ihrem Feld weiterhin maßgeblich und nicht redundant zueinander.
+Es gab damit keine Streichkandidaten. Zwei Einträge sind jedoch auf **★ optional**
+herabgestuft, weil sie historisch bedeutend, für die tägliche Arbeit aber entbehrlich sind:
+Dantzig (1963) und Bellman (1957) — beide inzwischen durch modernere Darstellungen ersetzt,
+die im selben Block stehen. Hillier & Lieberman (2021) bleibt bei ★★, ist aber ausdrücklich
+als Überblickswerk ohne Python-Bezug gekennzeichnet.
+
+**Neu aufgenommen: 60 Einträge** — von 27 auf 87. Davon sind 72 mit einer Relevanzangabe
+versehen (34 × ★★★, 35 × ★★, 3 × ★); die übrigen 15 sind Softwareverweise, Datenquellen und
+Institutionen ohne Autorenschaft. 63 Einträge tragen eine Jahresangabe, 22 davon stammen aus
+2018 oder später.
+
+**Zur Vorgabe „bevorzugt Werke ab 2018":** Sie ließ sich nur teilweise einlösen, und zwar aus
+der Sache heraus. In weiten Teilen des Operations Research sind die maßgeblichen Werke älter
+— Ahuja/Magnanti/Orlin (1993) zu Netzwerkflüssen, Boyd/Vandenberghe (2004) zur konvexen
+Optimierung, Ehrgott (2005) zur Mehrkriterialität, Birge/Louveaux (2011) zur stochastischen
+Programmierung. Sie durch jüngere, aber weniger maßgebliche Titel zu ersetzen hätte die
+Liste verschlechtert. Neuer als 2018 ist konsequent dort, wo sich das Feld tatsächlich
+bewegt hat: Solver-Benchmarks, Python-Bibliotheken und lernbasierte Optimierung.
+
+**Neue Themenabschnitte: zwölf.** Sie entsprechen Kapiteln, die in der Vorgängerfassung
+keinen eigenen Literaturblock hatten: *Modellierung in Python*, *Lineare und ganzzahlige
+Optimierung*, *Moderne Solver und Benchmarks*, *Graphen, Flüsse und Tourenplanung*,
+*Metaheuristiken*, *Spaltengenerierung und Dekomposition*, *Optimierung unter Unsicherheit*,
+*Dynamische Programmierung*, *Mehrkriterielle Optimierung*, *Lernbasierte Optimierung*,
+*Supply Chain, Energie und Produktionsplanung* sowie *Praxis: Betrieb, Test und
+Auslieferung*. Der frühere Block „Konvexe, nichtlineare und robuste Optimierung" wurde dabei
+geteilt, weil das Buch Unsicherheit in einem eigenen Kapitel behandelt.
+
+**Nicht angelegt wurden zwei erwogene Abschnitte:** *Diskrete Ereignissimulation* und
+*Cloud-basierte Solver-Nutzung*. Beide Themen kommen im Buch nicht vor — eine Literaturliste
+soll das Buch erschließen und nicht darüber hinausweisen. Der API-gestützte Betrieb eines
+Solvers ist stattdessen im Praxisblock erfasst.
 
 ---