Methoden des bestärkenden Lernens für die Produktionsablaufplanung
In diesem Open-Access-Buch wird eine Methode zur Adaption, Integration und Anwendung von bestärkenden Lernverfahren (Reinforcement Learning) für die Produktionsablaufplanung beschrieben. Die Methode wird anhand von typischen Problemstellungen der Produktionsablaufplanung hergeleitet und evaluiert. D...
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Online |
| Sprache: | Deutsch |
| Veröffentlicht: |
Springer Nature
2023
|
| Schlagworte: | |
| Online-Zugang: | ONIX_20230714_9783658417512_20 |
| Tags: |
Keine Tags, Fügen Sie das erste Tag hinzu!
|
| _version_ | 1869530191554936832 |
|---|---|
| author | Lang, Sebastian |
| author_browse | Lang, Sebastian |
| author_facet | Lang, Sebastian |
| author_sort | Lang, Sebastian |
| collection | Directory of Open Access Books |
| description | In diesem Open-Access-Buch wird eine Methode zur Adaption, Integration und Anwendung von bestärkenden Lernverfahren (Reinforcement Learning) für die Produktionsablaufplanung beschrieben. Die Methode wird anhand von typischen Problemstellungen der Produktionsablaufplanung hergeleitet und evaluiert. Die Produktionsablaufplanung ist eine Kernaufgabe der Produktion und Logistik, bei welcher Aufträge auf Ressourcen so verteilt und in Reihenfolge gebracht werden müssen, dass geforderte Nebenbedingungen der Planung erfüllt werden. Entsprechende Optimierungsprobleme sind meist NP-schwer, wodurch eine optimale Lösung gewöhnlich nicht unter wirtschaftlichen Bedingungen erzielbar ist. In der Industrie werden stattdessen Prioritätsregeln, Heuristiken oder Metaheuristiken verwendet, die entweder zeiteffizient zu Lasten der Lösungsgüte rechnen oder qualitativ hochwertige Lösungen unter hohem Rechenaufwand erzeugen. Das bestärkende Lernen ist eine Unterart des maschinellen Lernens und eine weitere Klasse potenzieller Lösungsstrategien. Probleme der Produktionsablaufplanung sind insoweit vergleichbar, als dass sie sich ebenfalls als stufenartige Entscheidungsketten modellieren lassen. Trotz ihrer Vorteile existiert bisher kaum allgemeines Wissen hinsichtlich der Anwendung des bestärkenden Lernens für die Produktionsablaufplanung. |
| format | Online |
| id | doab-20.500.12854ir-101663 |
| institution | Directory of Open Access Books |
| language | ger |
| publishDate | 2023 |
| publishDateRange | 2023 |
| publishDateSort | 2023 |
| publisher | Springer Nature |
| publisherStr | Springer Nature |
| record_format | ojs |
| spelling | doab-20.500.12854ir-1016632025-07-17T10:01:15Z Methoden des bestärkenden Lernens für die Produktionsablaufplanung Lang, Sebastian Produktion Künstliche Intelligenz Reinforcement Learning Logistik Maschinelles Lernen Scheduling thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQM Machine learning thema EDItEUR::T Technology, Engineering, Agriculture, Industrial processes::TG Mechanical engineering and materials::TGP Production and industrial engineering thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQM Machine learning thema EDItEUR::T Technology, Engineering, Agriculture, Industrial processes::TG Mechanical engineering and materials::TGP Production and industrial engineering In diesem Open-Access-Buch wird eine Methode zur Adaption, Integration und Anwendung von bestärkenden Lernverfahren (Reinforcement Learning) für die Produktionsablaufplanung beschrieben. Die Methode wird anhand von typischen Problemstellungen der Produktionsablaufplanung hergeleitet und evaluiert. Die Produktionsablaufplanung ist eine Kernaufgabe der Produktion und Logistik, bei welcher Aufträge auf Ressourcen so verteilt und in Reihenfolge gebracht werden müssen, dass geforderte Nebenbedingungen der Planung erfüllt werden. Entsprechende Optimierungsprobleme sind meist NP-schwer, wodurch eine optimale Lösung gewöhnlich nicht unter wirtschaftlichen Bedingungen erzielbar ist. In der Industrie werden stattdessen Prioritätsregeln, Heuristiken oder Metaheuristiken verwendet, die entweder zeiteffizient zu Lasten der Lösungsgüte rechnen oder qualitativ hochwertige Lösungen unter hohem Rechenaufwand erzeugen. Das bestärkende Lernen ist eine Unterart des maschinellen Lernens und eine weitere Klasse potenzieller Lösungsstrategien. Probleme der Produktionsablaufplanung sind insoweit vergleichbar, als dass sie sich ebenfalls als stufenartige Entscheidungsketten modellieren lassen. Trotz ihrer Vorteile existiert bisher kaum allgemeines Wissen hinsichtlich der Anwendung des bestärkenden Lernens für die Produktionsablaufplanung. 2023-07-19T09:09:34Z 2023-07-19T09:09:34Z 2023-07-14T15:42:05Z 2023 book ONIX_20230714_9783658417512_20 https://library.oapen.org/handle/20.500.12657/63931 9783658417512 9783658417505 https://directory.doabooks.org/handle/20.500.12854/101663 ger open access image/jpeg image/jpeg n/a n/a https://library.oapen.org/bitstream/20.500.12657/63931/1/978-3-658-41751-2.pdf https://library.oapen.org/bitstream/20.500.12657/63931/1/978-3-658-41751-2.pdf Springer Nature Springer Fachmedien Wiesbaden 10.1007/978-3-658-41751-2 10.1007/978-3-658-41751-2 9fa3421d-f917-4153-b9ab-fc337c396b5a 42712026-ec59-4e21-9992-a7a0aad9363a 9783658417512 9783658417505 Springer Fachmedien Wiesbaden 286 Wiesbaden [...] open access |
| spellingShingle | Produktion Künstliche Intelligenz Reinforcement Learning Logistik Maschinelles Lernen Scheduling thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQM Machine learning thema EDItEUR::T Technology, Engineering, Agriculture, Industrial processes::TG Mechanical engineering and materials::TGP Production and industrial engineering thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQM Machine learning thema EDItEUR::T Technology, Engineering, Agriculture, Industrial processes::TG Mechanical engineering and materials::TGP Production and industrial engineering Lang, Sebastian Methoden des bestärkenden Lernens für die Produktionsablaufplanung |
| title | Methoden des bestärkenden Lernens für die Produktionsablaufplanung |
| title_full | Methoden des bestärkenden Lernens für die Produktionsablaufplanung |
| title_fullStr | Methoden des bestärkenden Lernens für die Produktionsablaufplanung |
| title_full_unstemmed | Methoden des bestärkenden Lernens für die Produktionsablaufplanung |
| title_short | Methoden des bestärkenden Lernens für die Produktionsablaufplanung |
| title_sort | methoden des bestarkenden lernens fur die produktionsablaufplanung |
| topic | Produktion Künstliche Intelligenz Reinforcement Learning Logistik Maschinelles Lernen Scheduling thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQM Machine learning thema EDItEUR::T Technology, Engineering, Agriculture, Industrial processes::TG Mechanical engineering and materials::TGP Production and industrial engineering thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQM Machine learning thema EDItEUR::T Technology, Engineering, Agriculture, Industrial processes::TG Mechanical engineering and materials::TGP Production and industrial engineering |
| topic_facet | Produktion Künstliche Intelligenz Reinforcement Learning Logistik Maschinelles Lernen Scheduling thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQM Machine learning thema EDItEUR::T Technology, Engineering, Agriculture, Industrial processes::TG Mechanical engineering and materials::TGP Production and industrial engineering thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQM Machine learning thema EDItEUR::T Technology, Engineering, Agriculture, Industrial processes::TG Mechanical engineering and materials::TGP Production and industrial engineering |
| url | ONIX_20230714_9783658417512_20 |
| work_keys_str_mv | AT langsebastian methodendesbestarkendenlernensfurdieproduktionsablaufplanung |