Advertisement

Neuronale Netze in der Betriebswirtschaftslehre

  • Jürgen Faißt
Chapter
Part of the Schriften zur Quantitativen Betriebswirtschaftslehre book series (QUANTITATIVE, volume 6)

Zusammenfassung

Neuronale Netze sind in den letzten Jahren zunehmend in das Interesse nicht nur der Wissenschaft, sondern auch einer breiten Öffentlichkeit gerückt. Dies mag damit zusammenhängen, daß die Theorie künstlicher Neuronaler Netze aufgrund der Ähnlichkeit mit den Vorgängen im menschlichen Gehirn etwas nach ‘Science-Fiction’ klingt. Aus diesem Grund verbinden sich mit Neuronalen Netzen ähnlich hochgesteckte Erwartungen, wie man sie vor wenigen Jahren in den Einsatz von Expertensystemen setzte.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1.
    HOPFIELD/TANK, “Neural” Computation of Decisions in Optimization Problems, in: Biol. Cybern., Vol.52 (1985), S. 141–152.Google Scholar
  2. 2.
    AARTS/KORST, Simulated Annealing and Boltzmann Machines: A Stochastic Approach to Combinatorial Optimization and Neural Computing, a.a.O.Google Scholar
  3. 3.
    KIRKPATRICK et al., Optimization by simulated annealing, Science 220 (1983), S.671–680.Google Scholar
  4. 4.
    Vgl. PETERSON , Parallel Distributed Approaches to Combinatorial Optimization: Benchmark Studies on Traveling Salesman Problem, in: Neural Computation 2(1990), S.261–269 und die dort angegebene Literatur.Google Scholar
  5. 5.
    Vgl. AARTS/KORST, Simulated Annealing and Boltzmann Machines: A Stochastic Approach to Combinatorial Optimization and Neural Computing, a.a.O.Google Scholar
  6. 6.
    SCHNEEWEISS, Planung Bd. 2, a.a.O., Kapitel 1.Google Scholar
  7. 7.
    Ebenda, S.16.Google Scholar
  8. 8.
    Vgl. ROMMELFANGER, Entscheiden bei Unschärfe, Berlin u.a. 1988.Google Scholar
  9. 9.
    SCHöNEBURG, Stock price prediction using neural networks: A project report, in: Neurocomputing, Vol.2, No.l (1990), S. 17–27.Google Scholar
  10. 10.
    REHKUGLER, Prognose von Wertpapierkursen mit Künstlichen Neuronalen Netzen? in: Heinrich et al., Die Informations Wirtschaft im Unternehmen, Linz 1991, S. 121–136.Google Scholar
  11. 11.
    Ebenda, S.134.Google Scholar
  12. 12.
    Diese Ansicht vertreten beispielsweise SCHæNEBURG et al., Neuronale Netzwerke, Haar bei München 1990, S.153.Google Scholar
  13. 13.
    Kurbel bezeichnet solche Expertensysteme als ‘Planungssysteme’. Vgl. KURBEL, Entwicklung und Einsatz von Expertensytemen, Berlin, Heidelberg 1989, S. 140.CrossRefGoogle Scholar
  14. 14.
    Vgl. FAISST, Instrumente des Arbeitszeitmanagements, a.a.O.Google Scholar
  15. 15.
    Als Prototyp eines solchen Systems kann das SYMPAZ-Konzept angesehen werden. Vgl. ACKERMANN/HOFMANN, Systematische Arbeitszeitgestaltung: Handbuch für ein Planungskonzept, Köln 1988 bzw. ACKERMANN/HOFMANN, Innovatives Arbeits- und Betriebszeitmanagement, Frankfurt, New York 1990.Google Scholar
  16. 16.
    Vgl. Abschnitt 6.3.Google Scholar
  17. 17.
    Vgl. SCHNEEWEISS, Planung Bd.l, Berlin u.a. 1991, S.125ff bzw. Keeney/Raiffa, Decisions with Multiple Objectives, New York 1976.Google Scholar
  18. 18.
    Diese Vorgehensweise wird häufig auch zur Erfassung volkswirtschaftlicher Zusammenhänge wie z.B. PREIS/ABSATZ-FUNKTIONEN benutzt.Google Scholar
  19. 19.
    Vgl. LILLICH, Nutzwertverfahren, Heidelberg 1992, S.144ff und die dort angegebene Literatur.Google Scholar
  20. 20.
    Vgl. SCHNEEWEISS, Planung Bd. 1, a.a.O., S.253f.Google Scholar
  21. 21.
    Vgl. die Ausführungen in Kapitel 3.Google Scholar
  22. 22.
    Hopfield, Neural Networks and physical systems with emergent collective computational abilities, in: Proc. Natl. Acad. Sci. USA, Vol.79 April 1982, Biophysics, S.2554–2558 bzw. HOPFIELD, Neurons with graded response have collective computational properties like those of two-state neurons, in: Proc. Natl. Acad. Sci. USA, Vol.79 April 1982, Biophysics, S.2554–2558.Google Scholar
  23. 23.
    HOPFIELD/TANK, “Neural” Computation of Decisions in Optimization Problems, in: Biol. Cybern., Vol.52 (1985), S. 141–152.Google Scholar
  24. 24.
    Vgl. den EXKURS zu Kohonen Feature Maps in Kapitel 4.Google Scholar
  25. 25.
    KOHONEN, Self-Organization and Associative Memory, a.a.O.Google Scholar
  26. 26.
    ANGéNIOL et al., Self-Organizing Feature Maps and the Travelling Salesman Problem, in: Neural Networks, Vol. 1 (1988), S.289–293.Google Scholar
  27. 27.
    So z.B. zum Balancieren eines Stabes oder zur Bewegungssteuerung simulierter Augen (Okulomotorik). Vgl. hierzu RITTER et al., Neuronale Netze: Eine Einführung in die Neuroinformatik selbstorganisierender Netzwerke, a.a.O., Kap. III.Google Scholar
  28. 28.
    Im Unterschied zur Darstellung in Kapitel 3 wird jetzt das Erlernen von Entscheidungsfunktionen betrachtet. Als Bezeichnung des Zielvektors wird deshalb u anstatt f gewählt.Google Scholar
  29. 29.
    Vgl. Schneeweiss, Planung Bd.2, a.a.O., S.25ff.Google Scholar
  30. 30.
    Die folgenden Ausführungen sind angelehnt an ein Beispiel zu Stabbailance ohne Unterweisung in RITTER et al., Neuronale Netze: Eine Einführung in die Neuroinformatik selbstorganisierender Netzwerke, a.a.O., S.145ff.Google Scholar
  31. 31.
    Vgl. SCHNEEWEISS, Planung Bd.2, a.a.O., S.25ffGoogle Scholar
  32. 32.
    RITTER et al., Neuronale Netze: Eine Einführung in die Neuroinformatik selbstorganisierender Netzwerke, a.a.O., Kapitel IV.Google Scholar

Copyright information

© Physica-Verlag Heidelberg 1993

Authors and Affiliations

  • Jürgen Faißt
    • 1
  1. 1.Lehrstuhl für Allgemeine Betriebswirtschaftslehre und Unternehmensforschung SchloßUniversität MannheimMannheim 1Deutschland

Personalised recommendations