Zusammenfassung
In der Vergangenheit sind verschiedentlich Verfahren beschrieben worden, bei denen die Simulation als Modellierungs- oder Bewertungswerkzeug im Rahmen der Werkstattsteuerung eingesetzt wird. Ebenso wurden Werkstattsteuerungslösungen auf Basis genetischer Algorithmen beschrieben. Im folgenden werden diese Lösungen auf ihre jeweilige Eignung zur anwendungsorientierten Modellierung und aufgabenunabhängigen Optimierung bei der Lösung von Werkstattsteuerungsaufgaben untersucht.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Einen ähnlichen Ansatz, der allerdings nicht in Echtzeit arbeitet, verfolgen Li et al. [LITT92]
Zur Einordnung der Simulationssysteme in unterprogramm-orientierte und parameter-orientierte Systeme, siehe [BECK91]
Von einer ortsfesten Baustellenfertigung bzw. -montage wird hier abgesehen, da sie relativ selten ist.
Die rechnerunterstützte Programmerstellung ist vor allem unter dem englischen Begriff “computer-aided software engineering” (CASE) bekannt.
DNS: Desoxyribonukleinsäure, bestehend aus Folgen von Nucleotiden, die wiederum aus einem Zucker, einem Phosphorsäurerest und einer organischen Stickstoffbase zusammengesetzt sind. Die Base variiert zwischen Adenin, Cytosin, Guanin und Thymin. Die Sequenz der Basentypen enthält die genetische Information. [DTV77]
Effizienz wird hier definiert als das Verhältnis von Anzahl an Stichproben werten aus dem Problemraum, den ein Algorithmus benötigt, um zu einem guten/optimalen Ergebnis zu kommen zu der Gesamtgröße des Problemraums.
Undurchführbare Lösungen, die Randbedingungen verletzen, werden nicht aussortiert, sondern mit entsprechenden Strafen belegt. Auch diese schlechten Lösungen werden bei der Selektion berücksichtigt, da sie potentiell gute Lösungselemente beinhalten.
“(...) if we are interested in getting the maximum processing of schemata, we should give the genetic algorithm the maximum quantity of raw material to work with. (..) the maximum number of schemata per bit of information is obtained with the smallest possible alphabet.” (aus [GOL89B], Seite 83)
“Because these sets are all quite different, bit string representations would be awkward and quite unnatural, hence so-called real-valued codes are used.” (aus [HUS93], Seite 81)
Für eine detaillierte Beschreibung der Untersuchung der Codierungen, siehe [DAN93B]
Eine Übersicht über kombinatorische Cross-over Operatoren gibt [OLIV87] oder [SYS91].
“While this operator (inversion) was inspired by a biological process, it requires additional overhead and it has not in general been found to be useful in genetic algorithm practice.” (aus [DAV91], Seite 21)
“Der Aspekt der Kopplung von Simulation und (evolutionsbasierter) Optimierung ist bisher bei den gängigen kommerziellen Simulationsumgebungen kaum berücksichtigt worden, sondern wenigen, vornehmlich in der Forschung eingesetzten Tools vorbehalten.” (aus [BÄCK93], Seite 54)
“Eine zur Lösung einer Aufgabe vollständige Anweisung an eine Datenverarbeitungsanlage bezeichnet man als Programm.” (aus [HAS83], Seite 12)
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 1995 Springer-Verlag, Berlin, Heidelberg
About this chapter
Cite this chapter
Schulte, J. (1995). Untersuchung von Simulationsverfahren und genetischen Algorithmen. In: Werkstattsteuerung mit genetischen Algorithmen und simulativer Bewertung. IPA-IAO Forschung und Praxis, vol 220. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-47964-9_4
Download citation
DOI: https://doi.org/10.1007/978-3-642-47964-9_4
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-60281-1
Online ISBN: 978-3-642-47964-9
eBook Packages: Springer Book Archive