Zur Seitenansicht
 

Titelaufnahme

Titel
Effektivität und Effizienz durch problemspezifische Abstraktion : ein Beitrag zum maschinellen Lernen von Regeln zur Steuerung von Produktionsnetzwerken der Serienfertigung / Andre Döring
AutorDöring, Andre In der Gemeinsamen Normdatei der DNB nachschlagen
Erschienen2009
HochschulschriftPaderborn, Univ., Diss., 2009
SpracheDeutsch
DokumenttypDissertation
URNurn:nbn:de:hbz:466-20090505017 Persistent Identifier (URN)
Dateien
Effektivität und Effizienz durch problemspezifische Abstraktion [3.41 mb]
zusammfassung e-diss [0.19 mb]
abstract e-diss [0.18 mb]
Links
Nachweis
Klassifikation

Deutsch

Ein Fokus in der aktuellen akademischen, sowie industriell orientierten Forschung in der Wirtschaftsinformatik für das Supply Chain Management liegt auf der intelligenten Steuerung von Produktionsnetzwerken. Durch die Kombination von Methoden aus der künstlichen Intelligenz in der Informatik und Methoden der Wirtschaftswissenschaft sollen z. B. Steuerungssysteme für Produktionsnetzwerke entwickelt werden, mit denen ungültige Zustände des Produktionsnetzwerkes weitgehend automatisiert und möglichst schnell in gültige Zustände überführt werden können. Um dieses Ziel erreichen zu können wird in dieser Arbeit untersucht, wie ein maschinelles Lernsystem Regeln zur Steuerung der Änderungsplanung in Produktionsnetzwerken der Serienfertigung lernen kann. Besondere Randbedingungen für den Lernprozess sind der große Zustandsraum von Produktionsnetzwerken, die herrschende Unsicherheit bei der unternehmensübergreifenden Planung sowie die Nachvollziehbarkeit der Lernprozessergebnisse durch menschliche Planer. Es wird ein Lernverfahren konzipiert, welches unter Verwendung von k-means-Clustering und Q-Learning effizientes Lernen solcher Regeln auf einem skalierbaren Zustandsraum ermöglicht. Zur Abstraktion von Zuständen aus Produktionsnetzwerken wird eine planverlaufsbasierte Distanzfunktion vorgeschlagen. Die Umsetzung der Rewardfunktion im Q-Learning wird durch eine kostenorientierte Lernfunktion auf der Basis von Restriktion und Leistungsvereinbarungen in Produktionsnetzwerken realisiert.

English

Current academic and industry-oriented research in the area of business computing for Supply Chain Management focuses on the development of intelligent control methods for production networks. The combination of artificial intelligence and business computing methods enables the development of new approaches for an automated and fast eradication of infeasible plans in production networks. In order to fulfill this objective, this doctoral thesis presents a concept for a machine learning system that learns rules to manage change planning processes in series production networks. The developed system reduces the large state space of series production networks and deals with uncertainty of inter-company decisions during co-operative change planning processes. A plan-based distance function, integrated in k-means-clustering, reduces the state space of production networks in a scalable way. Q-Learning has been chosen for implementing the learning system. Q-Learning uses a cost-based reward function regarding planning restrictions and co-operation agreements in production networks.