Auszug
Die Optimierung komplexer Vorgänge ist in der Regel nicht mehr durch analytische Methoden machbar. Die Ursachen liegen einerseits im zu hohen zeitlichen Entwicklungsaufwand und zusätzlich darin, dass es keine analytische Lösung für diese Probleme gibt, die in der Regel np-vollständig ist. Zumeist werden für die Lösung solcher Themenstellungen Ansätze wie
-
➾ Das Simulated Annealing
-
➾ Der Sintflut-Algorithmus oder
-
➾ Genetische Algorithmen
verwendet. All diesen Verfahren ist gemeinsam, dass eine große Anzahl von Iterationsschritten notwendig ist. Würde die Simulation direkt dafür verwendet werden, wäre der Zeitaufwand zu hoch, um praxisorientierte operative Logistikfragestellungen zeitgerecht zu lösen. Um den Zeitfaktor beschleunigen zu können und zusätzlich ein optimales Ergebnis zu erreichen, wird im Rahmen des Beitrages ein Lösungsansatz beschrieben, der aufzeigt, wie das „konzentrierte Wissen “ eines neuronalen Netzes verwendet werden kann, um eine Optimierung von logistischen Prozessen zu erreichen.
Der Lösungsansatz liegt darin, dass logistische Prozesse und deren allgemeines Prozessverhalten in einem weiten Parameterraum simuliert werden und die daraus gewonnene Erfahrung kompakt in einem neuronalen Netz abgebildet wird.
Die Idee im Detail: Lernen durch ein umfassendes „Ausprobieren“ durch die Simulation, Abstrahieren und Ablage der Ergebnisse im neuronalen Netz.
Dieses Vorgehensmodell wird anhand des klassischen Bestellpunktverfahrens evaluiert.
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
Neuronale Netze
Hebb, D., O.: The Organization of Behavior, New York, Wiley 1949.
Hinton, G., E.: Wie neuronale Netze aus Erfahrung lernen, In: Spektrum der Wissenschaft, November 1992.
Kohonen, T.: Self-organized formation of topologically correct feature maps, In: Biological Cybernetics 1982, S 43, S 59–69.
McCulloch, W., Pitts, W.: A Logical Calculus of the Ideas Immanent in Nervous Activity. In: Bulletin of Mathematical Biophysics 1943, S 5, S 115–133.
Rey G., D., Beck, F.: Neuronale Netze — Eine Einführung, http://www.neuronalesnetz.de, Abgerufen am: 3.2.2007.
Rumelhart, D. E., Hinton, G., E., Williams, R., J.: Learning internal representations by error propagation, In: Rumelhart D., E./ McClelland J. L. (eds.): Parallel Distributed Processing (vol. 2). Cambridge 1986, MA: MIT Press.
Strecker, S., Schwickert, A.: Künstliche neuronale Netze — Einordnung, Klassifikation und Abgrenzung aus betriebswirtschaftlicher Sicht, Lehrstuhl für Allg. BWL und Wirtschaftsinformatik Uni Mainz, Arbeitspapiere WI Nr.4/97.
Simulation
Fishman, G.S.: Concepts and Methods in Discrete Event Digital Simulation, John Wiley & Sons, Inc 1973.
Fishman, G.S.: Discrete Event Simulation: Modelling, Programming and Analysing, Springer-Verlag 2001.
Nayler, T.H., Balintfy, J.L., Budick, D.S., Kong, C.: Computer Simulation Techniques, John Wiley & Sons, Inc. 1966.
Page, B.: Diskrete Simulation, Springer-Verlag 1992.
VDI3633: VDI (Hrsg.): Richtlinie VDI 3633, Blatt 1: Simulation von Logistik-Materialfluss-und Produktionssystemenen: Grundlagen. Düsseldorf, 1993.
Spieckermann, S., Voß, S.: Simulation Skriptum zur Vorlesung-Technische Universität Braunschweig Institut für Wirtschaftswissenschaften Abteilung für Allg. BWL, Wirtschaftsinformatik und Informationsmanagement Abt-Jerusalem-Straße 7, D-38106 Braunschweig.
Zimmermann, H.-J: Operations Research Methoden und Modelle, 2. Auflage, Vieweg Verlag, Braunschweig 1992.
Optimierung
Alt, W.: Nichtlineare Optimierung — Eine Einführung in Theorie, Verfahren und Anwendungen, Vieweg, 2002.
Dreiseitl, S.: Skriptum zu AGM6 SS2002, FHS Hagenberg, http://webster.fhshagenberg.ac.at /staff/sdreisei/Teaching/SS2002/AGM6/agm6_skriptuml-93.pdf
Fletcher, R.: Practical Methods of Optimization, Wiley 1987.
Horst, R., Pardalos P.M. (eds.): Handbook of Global Optimization, Kluwer, Dordrecht, 1995.
Kallrath, J.: Gemischt-Ganzzahlige Optimierung: Modellierung in der Praxis, Vieweg, 2002.
Nocedal, J., Wright, S., J.: Numerical Optimization, Springer, 1999.
Press, W.H., et al: Numerical Recipes, Cambridge: University Press. S. Boyd, L. Vandenberghe, Convex Optimization, Cambridge University Press 2004.
Tiefenbrunner, M.: Ein sortimentsübergreifendes Optimierungsmodell zur Verbesserung der logistischen Disposition, Dissertation, 2000.
Author information
Authors and Affiliations
Editor information
Rights and permissions
Copyright information
© 2007 Deutscher Universitäts-Verlag | GWV Fachverlage GmbH, Wiesbaden
About this chapter
Cite this chapter
Bäck, S., Tiefenbrunner, M., Gössler, G. (2007). Optimierung von logistischen Prozessen durch die Kombination von Simulation und neuronalen Netzen. In: Engelhardt-Nowitzki, C., Nowitzki, O., Krenn, B. (eds) Management komplexer Materialflüsse mittels Simulation. Gabler. https://doi.org/10.1007/978-3-8349-9646-6_11
Download citation
DOI: https://doi.org/10.1007/978-3-8349-9646-6_11
Publisher Name: Gabler
Print ISBN: 978-3-8350-0963-9
Online ISBN: 978-3-8349-9646-6
eBook Packages: Business and Economics (German Language)