0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

The course consisted of two parts:<ol><li>The first 5 EC are taught at NHH in Bergen. The students follow the introductary course in Optimization Under Uncertainty (BEA512) there. This part consists of 6 full days of lectures and is assessed through a term paper, in which the theories of the course are used on a mathematical programming model, preferably one the student is already working with in his / her thesis. This part is graded by Stein Wallace</li><li>The second 5 EC are taught at NTNU in Trondheim. The focus here is methodology for optimization under uncertainty. This part, which is assessed by an oral exam, consists of two modules:</li><li>First, the students participated in three full days of guest lectures by specialists in the field of optimization under uncertainty (Ward Romeijnders, Krzysztof Postek, and Milos Kopa). This was organized by Ruben van Beesten. The purpose is to get students up to speed with the state of the art in the field.</li><li>Second, we had three colloquium sessions about remaining topics. This was taught by Ruben van Beesten. Each session, one student prepares a presentation on the topic, which is used as a starting point for a 2-hour discussion on the topic. The purpose is to help the students get a deep understanding of the material.</li></ol> We had sufficient resources to carry out everything that was planned. Based on the students' performance and feedback, most elements of the course worked well. The only significant point of consideration is that some of the students seemed to lack background knowledge for some of the guest lectures. A way to prevent this is to swap the order of the guest lectures and the colloquia, such that we can prepare the students ourselves for the guest lectures. The learning environment was very open, flexible and approachable. We adapted the course to the students' needs, which they seemed to appreciate. The students got out of the course what they needed for their individual research interests. The learning material consisted of the state of the art (guest lectures, selected reading materials for colloquia). Moreover, we tailored the subjects to the students' needs and interests. Hence, we deem the material updated and relevant. Some of the students appeared to lack knowledge about certain mathematical topics (probability theory, optimization). However, I don't see how this issue can be tackled given the wide range of backgrounds of PhD students. The best we can do is get them up to speed within the course itself, which, given the results, worked out well. The course contributed to a better understanding of stochastic programming techniques that the students use in their PhD programme. Thus, I am content with their learning outcomes.

NTNU:TIA:REST

Institutt for industriell økonomi og teknologiledelse

Department of Industrial Economics and Technology Management

Ingen trykte eller håndskrevne hjelpemidler tillatt. Bestemt, enkel kalkulator tillatt.

Engelsk

Anbefalte forkunnskaper

Mastergrad i industriell økonomi og teknologiledelse, eller tilsvarende.

Forkunnskapskrav

Det forventes kunnskaper om lineær og ikke-lineær optimering som kan oppnås med TIØ4120 Operasjonsanalyse Grunnkurs eller TIØ4126 Optimering og beslutningsstøtte eller TIØ4130 Optimeringsmetoder eller tilsvarende kunnskaper.

Faglig innhold

Emnet gir kunnskap om metoder og modeller for optimeringsbasert beslutningsstøtte under usikkerhet og risiko. Kurset består av tre beslektede deler:<ul><li>teoretisk del</li><li>algoritmer og programvare</li><li>applikasjoner, bl.a. innen finans og produksjonsplanlegging, energi, telecom</li></ul>Emnet undervises neste gang høsten 2022.

Kursmateriell

Læringsutbytte

Emnets posisjon og funksjon i studiet:Emnet er ment å være et emne for ph.d.-studenter ved IØT og andre institutter som arbeider med teoretiske og praktiske optimeringsproblemstillinger innen forskjellige bransjer av industri og tjenester med vesentlig usikkerhet om data og andre elementer av problemstilling. Emnet bygger på kurser i optimering i IØTs masterstudium og grunnleggende kunnskap innen sannsynlighetsteori eller tilsvarende kunnskap.Emnet skal formidle følgende kunnskap: Det teoretiske grunnlaget for formulering, analyse og løsning av problemer innen stokastisk optimering samt relevante applikasjoner. Gi trening innen forskning i området optimering under usikkerhet.Emnet skal gi studentene følgende ferdigheter: Gi trening i bruk av optimeringsmodeller for løsning av planleggings- og økonomiske problemer med usikkerhet innen energi, produksjon, logistikk, transport, finans, telekom.Andre viktige læringsmål: Gi trening i bruk av relevant programvare for løsning av optimeringsmodeller under usikkerhet.

Læringsformer og aktiviteter

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

Optimering under usikkerhet

Bedriftsøkonomi og optimering

Industriell økonomi og teknologiledelse

Bedriftsøkonomi

Operasjonsanalyse

Økonomi og ledelse - doktorgrad (ph.d.)

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(19713)/FieldValuesAsText

Optimering under usikkerhet - IØ8401