Mathematik in den Ingenieurwissenschaften

Warum Mathematik?

In der Mathematik geht es um beweisbare Aussagen, die im Rahmen einer Theorie gültig sind. Damit ermöglicht die Mathematik die Modellierung von Vorgängen, etwa technische oder naturwissenschaftliche Prozesse, sowie deren Analyse im Hinblick auf die Abhängigkeit von Parametern, Stabilität und Grenzwertverhalten. Auf Basis der Modellierungsannahmen kann das Verhalten der Prozesse vorhergesagt (simuliert) oder durch geeignete Wahl von Modellparametern beeinflusst (optimiert) werden. Auch hier leistet die Mathematik ihren Beitrag bei der Entwicklung von effizienten numerischen Algorithmen und Optimierungsverfahren.

Übung macht den Meister!

Diese Weisheit gilt insbesondere für mathematische Vorlesungen, da sich mathematische Inhalte häufig erst nach intensiver Beschäftigung mit der Materie erschließen. Neben dem Besuch der Vorlesungen sind die selbstständige Bearbeitung von Übungsaufgaben und die Nachbereitung der Vorlesungsinhalte besonders wichtig, um Routine und Sicherheit bei der Anwendung von Resultaten und Verfahren zu erreichen. Dann macht Mathematik sogar Spaß und es gibt viele interessante Dinge zu entdecken! Versprochen!

Lehrveranstaltungen in ILIAS

Lehrveranstaltungen der Professur für Ingenieurmathematik auf ILIAS.

Link zu ILIAS

Themen für studentische Arbeiten

(Studienarbeit, Bachelorarbeit, Projektarbeit, Masterarbeit)

Sind Sie an einem Thema für eine Studien-, Bachelor-, Projekt- oder Masterarbeit interessiert? Dann sprechen Sie uns einfach an. Wir bieten Arbeiten zu verschiedenen Themenstellungen in den Bereichen Optimierung, optimale Steuerung und Regelung an. Unsere Hauptanwendungen behandeln das automatisierte Fahren sowie die Steuerung von Robotern und Flugsystemen. Die Themen können theoretisch oder praktisch ausgerichtet sein und adressieren zum Beispiel Modellierungs- und Simulationsaufgaben, Entwicklung und Untersuchung von Algorithmen oder die praktische Umsetzung auf Versuchsträgern im Labor. Insbesondere bei praktischen Aufgaben werden sehr gute Programmierkenntnisse benötigt. Methodisch werden u.a. gradientenbasierte Optimierungsmethoden, gitterbasierte Optimierungsmethoden, Spieltheorie, modell-prädiktive Regler und Methoden des maschinellen Lernens (z.B. Reinforcement Learning, Supervised Learning) eingesetzt.

Skripte/Lecture Notes

Liste mit Skripten zu gehaltenen Vorlesungen / Lecture notes