Prof. Dr. Michael Hintermüller

Prof. Hintermüller entwickelt mathematische Optimierungs- und Steuerungsmethoden für komplexe physikalische und technische Systeme. Sein aktueller Fokus liegt auf der Lösung von Variationsungleichungen und quasi-variationalen Problemen mit Anwendungen in der optimalen Steuerung, sowie auf skalierbaren numerischen Verfahren für große Systeme — etwa in der Quantensimulation, der Bildrekonstruktion (MRT) und der Multiskalensimulation. Diese Methoden ermöglichen es Unternehmen und Forschungseinrichtungen, komplexe Optimierungsprobleme in Materialwissenschaften, Energiemärkten, Mikrofluidiksystemen und Quantentechnologien effizient zu lösen und dabei Rechenzeit und Ressourcen zu sparen.

🔒 Das System hat 992 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• DFG-Forschungszentrum "Mathematik für Schlüsseltechnologien - MATHEON": Control of phase separation phenomena with applications to structure formation during cooling of binary alloys and phase inversion processes in polymetric membrane production.

  Quelle ↗

  Förderer: DFG sonstige Programme Zeitraum: 10/2008 - 05/2010 Projektleitung: Prof. Dr. Michael Hintermüller

• SPP Optimierung mit partiellen Differentialgleichungen

  Quelle ↗

  Förderer: DFG Sachbeihilfe Zeitraum: 10/2009 - 12/2014 Projektleitung: Prof. Dr. Michael Hintermüller

• Formoptimierung

  Quelle ↗

  Förderer: Wirtschaftsunternehmen / gewerbliche Wirtschaft Zeitraum: 05/2011 - 09/2011 Projektleitung: Prof. Dr. Michael Hintermüller

• The Primal-Dual Active Set Strategy as a Semismooth Newton Method

  2002

  SIAM Journal on Optimization · DOI

  International audience

• An Infeasible Primal-Dual Algorithm for Total Bounded Variation--Based Inf-Convolution-Type Image Restoration

  2006

  SIAM Journal on Scientific Computing · DOI

  In this paper, a primal-dual algorithm for total bounded variation (TV)--type image restoration is analyzed and tested. Analytically it turns out that employing a global $\boldsymbol{L}^s$-regularization, with $1 < s \leq 2$, in the dual problem results in a local smoothing of the TV-regularization term in the primal problem. The local smoothing can alternatively be obtained as the infimal convolution of the $\ell_r$-norm, with $r^{-1} + s^{-1} = 1$, and a smooth function. In the case $r = s = 2$, this results in Gauss-TV--type image restoration. The globalized primal-dual algorithm introduced in this paper works with generalized derivatives, converges locally at a superlinear rate, and is stable with respect to noise in the data. In addition, it utilizes a projection technique which reduces the size of the linear system that has to be solved per iteration. A comprehensive numerical study ends the paper.

• Total Bounded Variation Regularization as a Bilaterally Constrained Optimization Problem

  2004

  SIAM Journal on Applied Mathematics