Quantitative structure–activity relationship (QSAR) models are increasingly used in pharmacological research nowadays. This study compares two different machine learning approaches for QSAR models. The Light Gradient Boosting Machine (LightGBM) method uses the well-established decision tree approach, optimized for larger datasets. It is compared with a Random Forest (RF) model, the existing state-of-the-art method for such QSAR models. Data is collected and transformed to train different prediction models, one model to predict the genotoxicity of a molecule, one to predict the bioactivity of molecules inhibiting the monoamine oxidase type-B, and another to predict the inhibitory effect of a molecule on the C–C chemokine receptor type-5. The results imply that the emerging LightGBM method performs comparably to the widely used RF method to create a prediction in a QSAR model. Particularly convincing is the computational speed, where the training process of LightGBM needs significantly less time than the RF approach.KeywordsMachine learningGenotoxicityC–C chemokine receptor type-5Monoamine oxidase type-BQuantitative structure–activity relationship modelQSARRandom forestLight gradient boosting machineLightGBM

In this paper we discuss the real-world problem of crew management in the airline business. We focus on modeling the optimization of the crew rostering, taking into account the constraints from the European Union Aviation Safety Agency (EASA) regulating the flight time limitations (FTL). Special emphasis is put on the preferences and fairness among the crew members. This results in a multiobjective constrained optimization problem, which we solve with a Genetic Algorithm (GA). The fitness function is composed of multiple objectives for which the user can adjust their relative weights, depending on their preferences. The main contribution of the paper is the novel multiobjective problem formulation and its proof-of-concept solution by a GA.KeywordsCrew managementRosteringGenetic algorithmMultiobjective optimization

Dieses Kapitel stellt eine kompakte Einführung in Computational Intelligence (CI) vor. Künstliche Intelligenz (KI) und CI werden kurz miteinander verglichen. CI selbst ist ein Überbegriff, der verschiedene Zweige von Methoden umfasst, von denen die meisten dem Paradigma „von der Natur inspiriert“ folgen. Während sich KI und CI teilweise überschneiden, profitieren die in CI angewandten Methoden von naturinspirierten Strategien und setzen diese in Computeralgorithmen um, wozu als Ausgangspunkt die mathematische Optimierung kurz erläutert wird. CI umfasst fünf Hauptzweige: Evolutionäre Ansätze (Evolutionary Computation, EC), Schwarmintelligenz (Swarm Intelligence, SI), Neuronale Netze (Neural Networks), Fuzzy-Logik (Fuzzy Logic) und Künstliche Immunsysteme (Artificial Immune Systems). Der Schwerpunkt liegt auf EC und SI als den wichtigsten CI-Methoden, die in der Logistik und im Supply-Chain-Management eingesetzt werden. EC ist mit Evolutionären Algorithmen (EA) gekoppelt. Wichtige Methoden, die zu EC bzw. EA gehören, sind Evolutionsstrategien, Genetische Algorithmen (GA), Genetische und Evolutionäre Programmierung, die (multi-objective) Mehrzieloptimierungsalgorithmen Non-dominated Sorting GA (NSGA) und Strength Pareto EA (SPEA), Memetische Algorithmen sowie viele weitere Methoden. Zu den wichtigsten Methoden der SI gehören die Partikelschwarmoptimierung (Particle Swarm Optimization, PSO), die diskrete PSO und die Ameisenkolonieoptimierung (Ant Colony Optimization). EA- und SI-Ansätze werden auch der Klasse der Metaheuristiken zugerechnet, die bei der Suche nach besseren Lösungen in einer Vielzahl von Anwendungsbereichen allgemeine Problemlösungskonzepte bereitstellen.

Dieses Kapitel beschäftigt sich mit strategischen Problemen der Planung eines neuen Standorts sowie dem Gesamtproblem der Gestaltung eines Netzwerks. Bereits die Planung eines einzelnen Standorts stellt sich dabei komplex und schwierig dar, da oft viele verschieden Kriterien zu berücksichtigen sind. Wir betrachten verschiedene verbreitete Varianten von Problemen der Standortplanung wie p-Median-Probleme, p-Center-Probleme, Facility Location-Probleme ohne und mit Kapazitäten sowie Weber-Probleme. Ferner betrachten wir Location-Routing-Probleme, bei denen operative Aspekte der Tourenplanung in die Standortplanung einfliessen sowie komplexe Netzwerk-Gestaltungsprobleme mit Hubs (Hub-Location-Probleme) oder mehreren Netzwerkstufen (Multi-Echelon-Probleme).