Ziel der vorliegenden Arbeit ist es, einen Überblick über die Funktionsweise Neuronaler Netzwerke zu gewinnen. Darüber hinaus sollen Anwendungsfälle Neuronaler Netzwerke in der Logistik kategorisiert und einige ausgewählte Anwendungsfälle exemplarisch näher erläutert werden.
Systeme der Künstlichen Intelligenz (KI) sind Schlüsseltechnologien unserer Zeit und werden bereits in vielen Bereichen des alltäglichen Lebens eingesetzt. Ein Teilgebiet der schwachen KI bilden Künstliche Neuronale Netzwerke, für die es bereits zahlreiche Anwendungsbereiche gibt, zu denen auch die Logistik gehört. Künstliche Neuronale Netzwerke (nachfolgend als Neuronale Netzwerke bezeichnet) bestehen aus miteinander verbundenen Einheiten, die natürliche Neuronen nachbilden sollen. Die Informationsverarbeitung erfolgt, indem sich die Neuronen mithilfe von gewichteten Verbindungen untereinander aktivieren. Charaktertisch für Neuronale Netzwerke ist deren Lernfähigkeit. Sie können die Erledigung bestimmter Aufgaben anhand von Trainingsbeispielen erlernen, ohne dass dafür eine explizite Programmierung notwendig ist.
Neben der Lernfähigkeit zeichnen sich Neuronale Netzwerke durch eine verteilte Wissensrepräsentation aus. Das gelernte „Wissen“ ist in Neuronalen Netzwerken in Gewichten verteilt gespeichert, was zum einen eine hochgradig parallele Informationsverarbeitung ermöglicht und zum anderen zu einer höheren Fehlertoleranz des Gesamtsystems gegenüber dem Ausfall einzelner Neuronen oder Verbindungen führt.
Es existieren eine Vielzahl von Anwendungsbereichen, die von den Eigenschaften von Neuronalen Netzwerken profitieren könnten. Unternehmen wie Google setzen Neuronale Netzwerke u. a. zum Zweck der Bilderkennung ein. Und erst kürzlich besiegte Google Deep Mind den amtierenden Weltmeister im komplexen Strategiespiel Go. Dank der kontinuierlichen Weiterentwicklung in der Informationstechnik vergrößert sich das Anwendungsspektrum für Neuronale Netzwerke. Die Anwendungsbereiche Neuronaler Netzwerke in der Logistik sind ebenfalls vielfältig. Dies gilt nahezu für alle Bereiche der Wertschöpfungskette sowohl im Logistikbereich eines Unternehmens als auch für Logistikketten zwischen Unternehmen.
Inhaltsverzeichnis
1 Einleitung
2 Grundlagen
2.1 Biologische Grundlagen
2.2 Historische Übersicht
2.3 Grundlagen Neuronaler Netzwerke
2.3.1 Schematischer Verarbeitungsprozess
2.3.2 Trainings- und Anwendungsphase
3 Ausgewählte Topologien Neuronaler Netzwerke
3.1 Überwachtes Lernen
3.1.1 Feed-Forward-Netzwerke
3.1.2 Feedback-Netzwerke
3.2 Unüberwachtes Lernen
3.2.1 Kohonen-Netzwerk
4 Anwendungsfälle Neuronaler Netzwerke
4.1 Anwendungskategorien
4.2 Anwendungsfälle Neuronaler Netzwerke in der Logistik
4.2.1 Tourenplanung inkl. Travelling Salesman Problem
4.2.2 Verhaltensprognose von Transportflusssystemen
4.2.3 Bedarfsprognose im Handel
5 Softwaretechnische Implementierung Neuronaler Netzwerke
6 Fazit
Zielsetzung & Themen
Die vorliegende Arbeit gibt einen fundierten Überblick über die Funktionsweise und Anwendungsmöglichkeiten Künstlicher Neuronaler Netzwerke. Das primäre Ziel besteht darin, die theoretischen Konzepte hinter diesen Systemen zu erläutern und ihr Potenzial für die Optimierung komplexer logistischer Prozesse und Wertschöpfungsketten darzulegen.
- Grundlagen zur Biologie und historischen Entwicklung Neuronaler Netzwerke.
- Differenzierung zwischen überwachten und unüberwachten Lernverfahren.
- Kategorisierung von Anwendungsfällen wie Datenanalyse, Prognose, Klassifizierung und Optimierung.
- Exemplarische Vertiefung in Logistik-Anwendungen wie Tourenplanung, Bedarfsprognose und Transportfluss-Simulation.
- Überblick über softwaretechnische Implementierungsprozesse und aktuelle Werkzeuge.
Auszug aus dem Buch
3.1.1.1 Topologie von Feed-Forward-Netzwerken
Ein Feed-Forward-Netzwerk besteht aus einer Eingabeschicht, n verdeckten Schichten und einer Ausgabeschicht. Die Eingabe- und Ausgabeschicht verbinden das Neuronale Netzwerk mit der Außenwelt. Alle Schichten können aus mehreren Neuronen bestehen.
Neuronen eines Feed-Forward-Netzwerks können Signale ausschließlich an Neuronen weiterleiten, die sich in der Netzwerkstruktur nachgelagert befinden. Wenn es Neuronen nicht möglich ist, Aktivitätszustände einer vorgelagerten Schicht, zu beeinflussen, spricht man auch von Neuronalen Netzwerken ohne Rückkopplung (vgl. Heuer, S. 15).
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die Thematik der Künstlichen Intelligenz ein und definiert das Ziel, die Funktionsweise sowie die Anwendungsmöglichkeiten Neuronaler Netzwerke in der Logistik zu untersuchen.
2 Grundlagen: Hier werden die biologischen Vorbilder, eine historische Entwicklung und die grundlegenden Mechanismen der Informationsverarbeitung und Lernphasen in Neuronalen Netzwerken dargestellt.
3 Ausgewählte Topologien Neuronaler Netzwerke: Dieses Kapitel erläutert die Funktionsweise wichtiger Netzwerktypen, insbesondere unter Unterscheidung von überwachten Lernverfahren wie Feed-Forward-Netzwerken und Feedback-Netzwerken sowie unüberwachten Modellen wie dem Kohonen-Netzwerk.
4 Anwendungsfälle Neuronaler Netzwerke: Das Kapitel klassifiziert Einsatzbereiche in der Logistik anhand von Kategorien wie Datenanalyse und Optimierung und detailliert Anwendungsbeispiele wie die Tourenplanung und Bedarfsprognose.
5 Softwaretechnische Implementierung Neuronaler Netzwerke: Hier wird der Prozess der softwaretechnischen Umsetzung skizziert und ein Überblick über Kriterien sowie relevante Werkzeuge zur praktischen Implementierung gegeben.
6 Fazit: Die Arbeit schließt mit einer zusammenfassenden Bewertung des Nutzens Neuronaler Netzwerke in der Logistik und gibt einen Ausblick auf notwendige weitere Untersuchungen hinsichtlich der Praxistauglichkeit.
Schlüsselwörter
Künstliche Neuronale Netzwerke, Künstliche Intelligenz, Maschinelles Lernen, Überwachtes Lernen, Unüberwachtes Lernen, Logistik, Tourenplanung, Travelling Salesman Problem, Bedarfsprognose, Backpropagation, Perceptron, Feed-Forward-Netzwerk, Simulation, Prozessoptimierung, Deep Learning
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit bietet eine fundierte Einführung in die Welt der Künstlichen Neuronalen Netzwerke und erörtert deren Einsatzmöglichkeiten zur Lösung logistischer Problemstellungen.
Welche zentralen Themenfelder werden abgedeckt?
Zu den Kernfeldern zählen die biologischen Grundlagen, verschiedene Netzwerk-Topologien, Lernalgorithmen sowie spezifische Logistik-Anwendungen wie Touren- und Materialflussoptimierung.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist es, ein Verständnis für die Funktionsweise Neuronaler Netzwerke zu vermitteln und anhand konkreter logistischer Anwendungsfälle deren praktischen Nutzen aufzuzeigen.
Welche wissenschaftliche Methode wird verwendet?
Es wird eine deskriptive Methodik angewandt, die auf einer umfassenden Literaturanalyse basiert, um die theoretischen Konzepte von Netztopologien und Lernverfahren darzustellen und in den logistischen Kontext zu setzen.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in eine theoretische Fundierung zu Netzwerktypen, die Kategorisierung von Anwendungsfällen in der Logistik und die Erläuterung des Implementierungsprozesses für derartige Systeme.
Welche Schlüsselwörter charakterisieren die Arbeit?
Charakterisierende Begriffe sind Künstliche Neuronale Netzwerke, Maschinelles Lernen, Logistikoptimierung, Datenanalyse, Prognosemodellierung und Software-Implementierung.
Warum ist das Perceptron für komplexe Probleme oft limitiert?
Das Perceptron ist ein einstufiges Modell, das nur linear trennbare Funktionen lösen kann. Komplexe Probleme wie die XOR-Funktion erfordern hingegen mehrschichtige Architekturen, die nicht linear trennbare Muster verstehen können.
Welchen Vorteil bietet die Kombination aus Simulation und Neuronalen Netzwerken in der Logistik?
Durch die Kombination können komplexe Prozesse, wie sie etwa bei der Grobplanung von Stauplätzen in Logistiksystemen vorkommen, effizienter modelliert werden, wodurch die Zeit für umfangreiche diskrete Simulationen reduziert wird.
- Quote paper
- Anonym (Author), 2020, Neuronale Netzwerke. Grundlagen und ausgewählte Anwendungsfälle in der Logistik, Munich, GRIN Verlag, https://www.grin.com/document/1275525
