Zusammenfassung
Evolutionäre Algorithmen (EA) sind robuste, breit anwendbare Such- und Optimierungsverfahren, die grundlegende Prinzipien der natürlichen Evolution nachahmen. Genetische Algorithmen (GA) stellen die bekannteste Variante dieser Verfahrensklasse dar. Im folgenden Beitrag wird verdeutlicht, dass sich GA gut für komplexe stochastische Optimierungsaufgaben eignen. Als Beispiel dient eine stochastische Lagerhaltungssimulation, deren Entscheidungsparameter mit verschiedenen Optimierungsverfahren eingestellt werden. Es zeigt sich, dass der GA bessere Lagerhaltungspolitiken findet als zwei ebenfalls getestete konventionelle Optimierungsverfahren und sogar bei nur wenigen Simulationen je Lösungspunkt zuverlässig ist.
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
Biethahn, J.: Optimierung und Simulation. Gabler, Wiesbaden, 1978
Chen, B.: Experimentelle Optimum-Suchstrategien auf der Basis der Computersimulation zur Unterstützung betriebswirtschaftlicher Entscheidungsfindung. Lang, Frankfurt/M., 1989
Grefenstette, J. J.; Fitzpatrick, J. M: Genetic Search with Approximate Function Evaluations. In: Grefenstette, J. J. (Hrsg.): Proceedings of an International Conference on Genetic Algorithms and Their Applications, Erlbaum, Hillsdale/NJ, 1985, S. 112–120
Holland, J.H.: Adaptation in Natural and Artificial Systems. 2. A. MIT Press, Cambridge/MA., 1992 (1. A. The University of Michigan Press, Ann Arbor 1975)
Nissen, V.: Evolutionäre Algorithmen. Darstellung, Beispiele, betriebswirtschaftliche Anwendungsmöglichkeiten. DUV, Wiesbaden, 1994
Nissen, V.; Biethahn, J.: Simulation und Evolutionäre Algorithmen-Kombinationsmöglichkeiten und ihre Relevanz für betriebswirtschaftliche Fragestellungen. In: Biethahn, J.; Hummeltenberg, W.; Schmidt, B.; Witte, T. (Hrsg.): Simulation als betriebliche Entscheidungshilfe, Vieweg, Braunschweig/Wiesbaden, 1994, S. 119–139
Nissen, V.: Evolutionary Algorithms in Management Applications-The Current State. In: Biethahn, J.; Nissen, V. (Hrsg.): Evolutionary Algorithms in Management Applications. Springer, 1995, S. 44-98
Park, S. K.; Miller, K. W.: Random Number Generators: Good Ones are Hard to Find. In: Communications of the ACM, 31. Jg. (1988), S. 1192-1201
Syswerda, G.: Uniform Crossover in Genetic Algorithms. In: Schaffer, J. D. (Hrsg.): Proceedings of the Third International Conference on Genetic Algorithms, Morgan-Kaufmann, San Mateo, 1989, S. 2–9
Wets, R. J.-B.: Stochastic Programming. In: Nemhauser, G.L.; Rinnooy Kan, A.H.G.; Todd, M.J. (Hrsg.): Optimization. (Handbooks in Operations Research and Management Science, Vol. 1) North-Holland, Amsterdam, 1989, S. 573–629
Witte, T.: Simulationstheorie und ihre Anwendung auf betriebliche Systeme. Gabler, Wiesbaden, 1973
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 1999 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Nissen, V., Biethahn, J. (1999). Ein Beispiel zur stochastischen Optimierung mittels Simulation und einem Genetischen Algorithmus. In: Biethahn, J., Hummeltenberg, W., Schmidt, B., Stähly, P., Witte, T. (eds) Simulation als betriebliche Entscheidungshilfe. Physica, Heidelberg. https://doi.org/10.1007/978-3-642-58671-2_6
Download citation
DOI: https://doi.org/10.1007/978-3-642-58671-2_6
Publisher Name: Physica, Heidelberg
Print ISBN: 978-3-7908-1178-0
Online ISBN: 978-3-642-58671-2
eBook Packages: Springer Book Archive