Advertisement

Evolutionary Optimisation of a Stochastic Inventory Simulation

  • Volker Nissen
Conference paper
Part of the Operations Research Proceedings book series (ORP, volume 1994)

Abstract

Genetic Algorithms (GA) are robust search methods that mimic basic principles of evolution. They can be employed to optimise the decision variables of simulation models. In this paper, a GA produces better results than two conventional methods when optimising the decision variables of a stochastic inventory simulation. It is also shown that GA are also more robust optimisers when only few simulations of each trial solution are performed. This characteristic may be used to reduce the generally higher CPU-requirements of population-based search methods like GA as opposed to point-based traditional optimisation techniques in stochastic optimisation.

Keywords

Genetic Algorithm Decision Variable Order Quantity Trial Solution Steep Ascent 
These keywords were added by machine and not by the authors. This process is experimental and the keywords may be updated as the learning algorithm improves.

Zusammenfassung

Genetische Algorithmen (GA) sind robuste Suchverfahren, die grundlegende Mechanismen des Evolutionsprozesses imitieren. Sie lassen sich zur Optimierung der Konfiguration von Entscheidungsgrößen bei Simulationsmodellen nutzen. Im vorliegenden Beitrag übertrifft ein GA zwei herkömmliche Verfahren bei der Optimierung der Entscheidungsvariablen einer stochastischen Lagerhaltungssimulation. Der GA ist zudem robuster, wenn nur wenige Simulationen pro Lösungspunkt durchgeführt werden können. Diese Eigenschaft läßt sich nutzen, um den ansonsten gegenüber konventionellen Verfahren größeren Laufzeitbedarf von GA im Bereich der stochastischen Optimierung zu senken.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

References

  1. [1]
    Bäck, T.; Schwefel H.-P.: An Overview of Evolutionary Algorithms for Parameter Optimisation. Evolutionary Computation 1, 1–23 (1993)CrossRefGoogle Scholar
  2. [2]
    Biethahn, J.: Optimierung und Simulation. Gabler, Wiesbaden (1978)Google Scholar
  3. [3]
    Goldberg, D.E.: Genetic Algorithms in Search, Optimisation, and Machine Learning. Addison-Wesley, Reading/ Mass (1989)Google Scholar
  4. [4]
    Nissen, V.: Evolutionary Algorithms in Management Science. An Overview and List of References. Papers on Economics & Evolution # 9303, European Study Group for Evolutionary Economics (eds.) (1993)Google Scholar
  5. [5]
    Nissen, V.: Evolutionäre Algorithmen. Darstellung, Beispiele, betriebswirtschaftliche Anwendungsmöglichkeiten. DUV, Wiesbaden (1994)Google Scholar
  6. [6]
    Syswerda, G.: Uniform Crossover in Genetic Algorithms. In Proceedings of the Third International Conference on Genetic Algorithms (George Mason University, June 4–7), Schaffer J.D. (ed.), Morgan-Kaufmann, San Mateo, 2–9 (1989)Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1995

Authors and Affiliations

  • Volker Nissen
    • 1
  1. 1.GöttingenGermany

Personalised recommendations