Optimierte Entscheidungsfindung mit Python

Beispielprogramme

Alle 76 im Buch abgedruckten Programme, gruppiert nach Kapitel, zum direkten Herunterladen.

Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung

Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität{idx:Konvexität}

Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten

Kapitel 4: Vom Management-Wunsch zum Modell

Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise

Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound{idx:Branch-and-Bound}

Kapitel 7: Constraint Programming mit CP-SAT{idx:CP-SAT} — Logik, Scheduling und Zuweisung

Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP

Kapitel 9: Metaheuristiken — wenn der exakte Solver aussteigt

Kapitel 10: Spaltengenerierung — das Modell umbauen statt die Lösung raten

Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität

Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit

Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung{idx:Bellman-Gleichung} und Order-Execution

Kapitel 14: Mehrere Ziele — Pareto-Fronten statt Gewichte

Kapitel 15: Predict-then-Optimize{idx:Predict-then-Optimize} — die bessere Prognose, die schlechtere Entscheidung

Kapitel 16: Die Strukturbrücke — dieselbe Mathematik, zwei Welten

Kapitel 17: Supply-Chain und Energieeinsatz unter Unsicherheit

Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage

Kapitel 19: Die moderne Portfoliotheorie nach Markowitz

Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten{idx:Transaktionskosten}

Kapitel 21: Die vollständige quantitative Handelsmaschine

Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz

Kapitel 23: Testen, Messen, Ausliefern