Die Ablaufplanung für Werkstattproduktion befasst sich mit der Zuordnung von Aufträgen zu Arbeitssystemen bzw. Maschinen und umgekehrt unter Beachtung des Rüstzustands
der Maschinen und der Verfügbarkeit von Werkzeugen, Transportmitteln usw.
Es wird in die Feinplanung des hierarchischem Planungskonzepts eingeordnet.
Bei Job Shop Scheduling Problem(JSSP) handelt es sich um die verallgemeinerte Ablaufplanung für Werkstattproduktion ohne Berücksichtigung der reihenfolgeabhängigen
Rüstzustände der Maschinen und Kapazitätsrestriktionen von Werkzeugen, Transportmitteln usw. Viele JSSP sind sowohl NP-Vollständig als auch eins die schlechsten in dieser
Problemklasse. Die meisten untersuchten Lösungsansätze eignen sich nur für deterministische
Bearbeitungszeiten. Ihre praktischen Einsatzmöglichkeiten sind daher relativ begrenzt. Genetische Algorithmen(GA) zählen zu den populären Lösungsverfahren, die
auf verschiede Arten Optimierungsprobleme angewandt sind.
Gegenstand der Seminararbeit ist die Darstellung eines genetischen Algorithmus(GAUCE), der das JSSP unter stochastischen Bearbeitungszeiten lösen kann. Nach einer Einführung
in der Problematik der Ablaufplanung wird GAUCE detailliert dargestellt. In der Folge werden numerische Experimente und deren Ergebnisse analysiert und diskutiert. Abschließend werden Kritiken und weitere Aspekte beschrieben.
Inhaltsverzeichnis
- 1 Einführung zur stochastischen Ablaufplanung
- 2 Modelle zur Ablaufplanung
- 2.1 Statisches Job Shop Scheduling Problem (JSSP)
- 2.2 Stochastisches JSSP (SJSSP)
- 3 Genetische Algorithmen (GA) als Lösungsverfahren zum SJSSP
- 3.1 Klassische GA
- 3.2 Monte Carlo Simulation (MC)
- 3.3 GAUCE Verfahren
- 3.3.1 Repräsentation
- 3.3.2 Initialisierung der ersten Population.
- 3.3.3 Genetische Operatoren
- 4 Numerische Experimente und Analyse
- 4.1 Experimentsrahmen.
- 4.2 Ergebnisse und Analyse
- 5 Kritik
- 6 Fazit und Ausblick
Zielsetzung und Themenschwerpunkte
Die Arbeit befasst sich mit der robusten Ablaufplanung unter Berücksichtigung stochastischer Einflüsse. Ziel ist es, ein Verfahren zu entwickeln, das in der Lage ist, optimale oder zumindest gute Lösungen für das stochastische Job Shop Scheduling Problem (SJSSP) zu finden. Dabei kommen stochastische genetische Algorithmen zum Einsatz, die eine effiziente Lösungsmöglichkeit für komplexe Probleme in der Ablaufplanung bieten.
- Stochastische Ablaufplanung
- Job Shop Scheduling Problem (JSSP)
- Genetische Algorithmen (GA)
- Monte Carlo Simulation (MC)
- GAUCE Verfahren
Zusammenfassung der Kapitel
- Kapitel 1: Einführung zur stochastischen Ablaufplanung
Dieses Kapitel gibt eine Einführung in die stochastische Ablaufplanung und erläutert die Herausforderungen, die bei der Planung von Produktionsprozessen unter Unsicherheit auftreten.
- Kapitel 2: Modelle zur Ablaufplanung
In diesem Kapitel werden zwei Modelle zur Ablaufplanung vorgestellt: das statische Job Shop Scheduling Problem (JSSP) und das stochastische JSSP (SJSSP). Die Unterschiede zwischen den beiden Modellen werden erläutert und die Herausforderungen der stochastischen Modellierung werden hervorgehoben.
- Kapitel 3: Genetische Algorithmen (GA) als Lösungsverfahren zum SJSSP
Dieses Kapitel stellt genetische Algorithmen (GA) als Lösungsverfahren für das SJSSP vor. Es werden verschiedene GA-Varianten und deren Anwendung im Kontext der stochastischen Ablaufplanung erläutert. Insbesondere wird das GAUCE-Verfahren vorgestellt, das eine Kombination aus GA und Monte Carlo Simulation (MC) darstellt.
- Kapitel 4: Numerische Experimente und Analyse
In diesem Kapitel werden numerische Experimente durchgeführt, um die Leistungsfähigkeit des GAUCE-Verfahrens zu evaluieren. Die Ergebnisse der Experimente werden analysiert und diskutiert.
- Kapitel 5: Kritik
Dieses Kapitel enthält eine kritische Analyse des GAUCE-Verfahrens und diskutiert mögliche Schwächen und Einschränkungen.
Schlüsselwörter
Die Arbeit behandelt die Themen stochastische Ablaufplanung, Job Shop Scheduling Problem (JSSP), genetische Algorithmen (GA), Monte Carlo Simulation (MC), GAUCE Verfahren, Robustheit, Optimierung, und Simulation. Die Forschung zielt darauf ab, praktikable Lösungen für die Herausforderungen der stochastischen Ablaufplanung in realen Produktionssystemen zu finden.
- Arbeit zitieren
- Diplom-Wirtschaftsinformatiker Junjie Tang (Autor:in), 2004, Robuste Ablaufplanung mit stochastischen genetischen Algorithmen, München, GRIN Verlag, https://www.grin.com/document/54958
