Optimierung der Reihenfolgeplanung
Optimization of Sequencing
- Die Optimierung der Auftragsterminierung und Einsteuerungsreihenfolge hat großen Einfluss auf die Produktivität von Fertigungssystemen. Genetische Algorithmen und Simulation sind verbreitete Werkzeuge zur Optimierung. Dieser Beitrag beschreibt einen neuen Ansatz zur Optimierung durch einen genetischen Algorithmus und der Simulation in dynamischen Modellen. Eine illustrative Fallstudie validiertDie Optimierung der Auftragsterminierung und Einsteuerungsreihenfolge hat großen Einfluss auf die Produktivität von Fertigungssystemen. Genetische Algorithmen und Simulation sind verbreitete Werkzeuge zur Optimierung. Dieser Beitrag beschreibt einen neuen Ansatz zur Optimierung durch einen genetischen Algorithmus und der Simulation in dynamischen Modellen. Eine illustrative Fallstudie validiert den Ansatz und zeigt das Potenzial zur ganzheitlichen Verbesserung von Fertigungssystemen auf.…
- The optimization of the order scheduling and sequencing have big influence on the productivity of manufacturing systems. Genetic algorithms and simulation are common tools for optimization. This article describes a new approach to optimization based on the simulation in dynamic models and a genetic algorithm. An illustrative case study validates the approach and shows the potential for holisticThe optimization of the order scheduling and sequencing have big influence on the productivity of manufacturing systems. Genetic algorithms and simulation are common tools for optimization. This article describes a new approach to optimization based on the simulation in dynamic models and a genetic algorithm. An illustrative case study validates the approach and shows the potential for holistic improvement of manufacturing systems.…
Document Type: | Article (reviewed) |
---|---|
Title (German): | Optimierung der Reihenfolgeplanung |
Title (English): | Optimization of Sequencing |
Subtitle (German): | Integration von maschinellem Lernen und generischen Materialflussmodellen |
Subtitle (English): | Integration of machine learning and generic material flow models |
Author: | Michael SchlechtGND, Sebastian Berger, David Wußler, Matthias HaunGND, Jürgen KöblerGND |
Year of Publication: | 2022 |
Place of publication: | Berlin, Boston |
Publisher: | Walter de Gruyter |
First Page: | 9 |
Last Page: | 13 |
Parent Title (German): | Zeitschrift für wirtschaftlichen Fabrikbetrieb |
Volume: | 117 |
Issue: | 1-2 |
ISSN: | 0947-0085 |
ISSN: | 2511-0896 (E-ISSN) |
DOI: | https://doi.org/10.1515/zwf-2022-1005 |
URL: | https://www.degruyter.com/document/doi/10.1515/zwf-2022-1005/html |
Language: | German |
Institutes: | Fakultät Elektrotechnik, Medizintechnik und Informatik (EMI) (ab 04/2019) |
Fakultät Betriebswirtschaft und Wirtschaftsingenieurwesen (B+W) | |
Institutes: | Bibliografie |
Tag: | Genetischer Algorithmus; Materialfluss; Optimierung; Produktion; Simulation Genetic Algorithm; Material Flow; Optimisation; Production; Simulation |
Open Access: | Closed |
Relevance: | Wiss. Zeitschriftenartikel reviewed: Listung in AG IV-Liste |
Licence (German): | ![]() |