Optimierte Entscheidungsfindung mit Python

Anhang F: Literaturverzeichnis

Die Blöcke folgen der Reihenfolge der Kapitel. Jeder Eintrag trägt eine Relevanzangabe und einen Themen-Tag:

  • ★★★ 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 Kapitel 1 und Kapitel 2.

  • ★★★ 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. 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 Kapitel 4.
  • ★ Dantzig, G. B. (1963): Linear Programming and Extensions. Princeton University Press. DOI: 10.1515/9781400884179 [Historisch] Das Originalwerk des Erfinders des Simplex-Algorithmus. Historisch bedeutend, für die tägliche Arbeit heute entbehrlich.

Modellierung in Python: Bibliotheken und Modellierungsschichten

Zu Kapitel 3.

  • ★★★ 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
  • ★★ 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 Kapitel 5.
  • ★★ 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 Kapitel 5 und Kapitel 6.

  • ★★★ Wolsey, L. A. (2020): Integer Programming (2. Aufl.). Wiley, Hoboken. DOI: 10.1002/9781119606475 [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 Anhang C.
  • ★★ 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 Kapitel 3 und Anhang D. 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
  • ★★★ 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.
  • ★★★ Mittelmann, H. D.: Benchmarks for Optimization Software. Arizona State University. 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; beim Zitieren die tatsächlich benutzte Version angeben.
  • ★★ Perron, L. & Furnon, V.: OR-Tools. Google. developers.google.com/optimization · Quellcode: 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

Zu Kapitel 7.

  • ★★★ Rossi, F., van Beek, P. & Walsh, T. (Hrsg., 2006): Handbook of Constraint Programming. Foundations of Artificial Intelligence, Bd. 2. 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 [Solver: CP-SAT] Die einzige vollständige Beschreibung des im Buch benutzten Solvers. Der Abschnitt zu AddNoOverlap und AddCumulative deckt sich mit Kapitel 7.
  • ★★ 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.). Frontiers in Artificial Intelligence and Applications, Bd. 336. IOS Press, Amsterdam. DOI: 10.3233/FAIA336 [SAT] Die Grundlage dessen, was CP-SAT unter der Haube tut: Conflict-Driven Clause Learning, Klausellernen, Neustarts.

Graphen, Flüsse und Tourenplanung

Zu Kapitel 8. 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 Kapitel 9. 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 Kapitel 10. 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 Kapitel 11.

  • ★★★ Boyd, S. & Vandenberghe, L. (2004): Convex Optimization. Cambridge University Press. DOI: 10.1017/CBO9780511804441 [Konvexe Optimierung] Referenzwerk für konvexe Mengen, KKT-Bedingungen, QP und SDP; die theoretische Basis von CVXPY. Frei verfügbar unter 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 Kapitel 12.

Optimierung unter Unsicherheit: stochastisch, robust, Chance Constraints

Zu Kapitel 12 und Kapitel 17. 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. DOI: 10.1515/9781400831050 [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 Kapitel 13. Neuer Abschnitt.

  • ★★★ Powell, W. B. (2022): Reinforcement Learning and Stochastic Optimization: A Unified Framework for Sequential Decisions. Wiley, Hoboken. DOI: 10.1002/9781119815068 [Dynamische Programmierung] Ordnet dynamische Programmierung, approximative Verfahren und bestärkendes Lernen in einen gemeinsamen Rahmen — genau die Einordnung, die Kapitel 13 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 Kapitel 14. 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

Lernbasierte Optimierung: maschinelles Lernen und OR

Zu Kapitel 15. 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 Kapitel 16 und Kapitel 17. 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 Kapitel 17.
  • ★★ 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. DOI: 10.1002/9780470170052 [Supply Chain] Verbindet Bestandsführung, Standortwahl und Tourenplanung — die drei Entscheidungen, die im Buch getrennt behandelt und im Supply-Chain-Kapitel zusammengeführt werden.

Quantitative Finanzmathematik

Zu Kapitel 18, Kapitel 19, Kapitel 20 und Kapitel 21.

  • ★★★ 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. 21–41. 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. 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. (2001): Optimal Execution of Portfolio Transactions. In: Journal of Risk 3(2), S. 5–39. DOI: 10.21314/jor.2001.041 [Orderausführung] Das Modell hinter dem Beispiel zur optimalen Orderausführung in Kapitel 13.
  • ★★ 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.

Praxis: Betrieb, Test und Auslieferung von Optimierungsmodellen

Zu Kapitel 22 und Kapitel 23. Neuer Abschnitt.

  • ★★★ 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 Anhang C.
  • ★★ 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 Kapitel 22.
  • ★★ Ramírez, S.: FastAPI Documentation. fastapi.tiangolo.com [Betrieb] Die Grundlage des Optimierungsdienstes in Kapitel 23, einschließlich der Eingabevalidierung über pydantic.

Software, Dokumentation und Datenquellen

Verbände, Normen und Regulierung

  • INFORMS — Institute for Operations Research and the Management Sciences. www.informs.org
  • GOR — Gesellschaft für Operations Research e. V., deutschsprachiger Fachverband. www.gor-ev.de
  • EURO — Association of European Operational Research Societies. www.euro-online.org
  • Basel Committee on Banking Supervision: Minimum capital requirements for market risk (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 Kapitel 21.

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.

Prüfung gegen Crossref

Alle Einträge wurden einzeln gegen die Crossref-API geprüft — bei einem Literaturverzeichnis ist eine erfundene oder falsch zitierte Quelle der schwerste Fehler, weil der Leser sie sucht und nicht findet.

54 der 72 Einträge tragen eine DOI. Alle 54 lösen auf und zeigen auf das richtige Werk. Die übrigen 18 sind Webdokumentationen, Institutsberichte, Konferenzbeiträge ohne DOI-Vergabe oder Bücher, die Crossref nicht auf Buchebene führt.

Dabei gefunden und berichtigt:

  • Almgren & Chriss war mit (2000) und der DOI 10.21314/JOR.2000.041 angegeben. Diese DOI löst nicht auf. Richtig ist 2001 mit 10.21314/jor.2001.041; Band, Heft und Seitenzahlen stimmten.
  • Rockafellar & Uryasev war mit S. 21–42 angegeben — bereits in der Vorgängerfassung. Der Verlagsdatensatz nennt S. 21–41.
  • Sieben Buch-DOIs ergänzt (Dantzig, Wolsey, Boyd/Vandenberghe, Ben-Tal et al., Biere et al., Brandimarte/Zotteri, Powell), jede einzeln auf Verlag, Jahr und Typ geprüft.
  • Ein Crossref-Treffer wurde verworfen: Zu Network Flows (Ahuja/Magnanti/Orlin) liefert die Suche 10.2307/2583863 — das ist eine Buchbesprechung von 1994, nicht das Buch. Der Eintrag bleibt ohne DOI.