Prof. Dr. Alexander Schiendorfer

Einsatzmöglichkeiten von kombinatorischer Optimierung und maschinellem Lernen in der Produktion & Logistik, speziell auch mit den Anforderungen der Automobilbranche (montageintensiv, variantenreiche Produktion, komplexe Lieferketten)

• Constraint-Programmierung, Mathematische Optimierung (u.a. MiniZinc, Google OR-Tools, Gurobi, CPLEX)
• Maschinelles Lernen (Graph-neuronale Netze, Unsicherheitsbehaftete Modelle, Zeitreihen)

Laufende Projekte:

• PALIM
• IKIGas
• ML4Automapps

• Seit März 2021 Forschungsprofessor für KI-basierte Optimierung in der Automobilproduktion, Technische Hochschule Ingolstadt
• 2018-2020 Akademischer Rat a.Z., Institut für Software & Systems Engineering, Universität Augsburg
• 2013-2018 Wiss. Mitarbeiter und Promotion Informatik, Institut für Software & Systems Engineering, Universität Augsburg
• 2011-2013 M.Sc. Software Engineering (Universität Augsburg, TUM, LMU)
• 2011 Forschungsaufenthalt bei Siemens Corporate Research (Princeton, USA)
• 2008-2011 B. Sc. Software Engineering (Fachhochschule Hagenberg, Österreich)

Vollständiger CV auf Anfrage verfügbar
(https://www.linkedin.com/in/alexander-schiendorfer/ bzw https://twitter.com/schienal) 

Vollständigeres Verzeichnis unter https://scholar.google.at/citations?hl=en&user=NDP4if4AAAAJ

• C Lenzen (Gajek), A Schiendorfer, W Reif, A Recommendation System for CAD Assembly Modeling based on Graph Neural Networks, (ECML-PKDD 2022)
• L Lodes, A Schiendorfer, A Deep Learning Bootcamp for Engineering & Management Students (TeachML @ ECML-PKDD 2022)
• L Lodes, A Schiendorfer, Certainty Groups: A practical approach to distinguish confidence levels in neural networks, PHM Society European Conference 7 (1), 294-305    (PHM 2022)
• S Bhavnani, A Schiendorfer, Towards copeland optimization in combinatorial problems, International Conference on Integration of Constraint Programming (CPAIOR  2022)
• S Stieber, N Schröter, E Fauster, A Schiendorfer, W Reif, PermeabilityNets: Comparing Neural Network Architectures on a Sequence-to-Instance Task in CFRP Manufacturing, (ICMLA 2021)
• S Böhm, M Neumayer, O Kramer, A Schiendorfer, A Knoll, Comparing Heuristics, Constraint Optimization, and Reinforcement Learning for an Industrial 2D Packing Problem,
• J Wilfert, N Paprotta, O Kosak, S Stieber, A Schiendorfer, W Reif, A real-word realization of the AntNet routing algorithm with ActivityBots (ACSOS-C 2021)
• S. Stieber, N. Schröter, A. Schiendorfer, A. Hoffmann and W. Reif. 2020. FlowFrontNet: improving carbon composite manufacturing with CNNs. In European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases - ECML PKDD 2020, 14-18 September 2020.
• A. Schiendorfer, C. Lenzen (Gajek) and W. Reif. Turning software engineers into machine learning engineers. In Proceedings of the Teaching Machine Learning Workshop at ECML-PKDD 2020, 14 September 2020. ML Research Press

• A. Schiendorfer and W. Reif. “Reducing Bias in Preference Aggregation for Multiagent Soft Constraint Problems”. In: Proc. 25th Intl. Conf. “Principles and Practice of Constraint
  Programming” (CP 2019). Springer. 2019, pp. 510–526.

• A. Schiendorfer, A. Knapp, G. Anders, and W. Reif. “MiniBrass: Soft constraints for MiniZinc”.
  In: Constraints (July 2018), pp. 403–450. url: https://doi.org/10.1007/s10601-018-9289-2
   
• G. Anders, A. Schiendorfer, F. Siefert, J.-P. Steghöfer, and W. Reif. “Cooperative Resource
  Allocation in Open Systems of Systems”. In: ACM Transactions on Autonomous and Adaptive
  Systems (June 2015), 11:1–11:44.