Lösung des Facility Layout Problems mittels Deep Reinforcement Learning

Beschreibung

Diese Arbeit untersucht den Einsatz von Reinforcement Learning zur Lösung des Fabriklayoutproblems, das durch komplexe und multikriterielle Zielsetzungen geprägt ist. Im Rahmen eines Design-Science-Ansatzes wird das Problem als Markov-Entscheidungsprozess modelliert und in der Simulationsumgebung FactorySim umgesetzt. Eine zentrale Innovation ist die Zustandsrepräsentation als mehrschichtiger Bildstapel, der eine flexible Abbildung unterschiedlicher Einflussgrößen und variabler Problemgrößen ermöglicht. Zur Bewertung von Layouts werden bestehende Ansätze in kontinuierliche mathematische Modelle überführt und um zusätzliche praxisrelevante Kriterien erweitert. Darauf aufbauend werden verschiedene Belohnungsfunktionen entwickelt, wobei eine differenzbasierte Variante besonders effektives Lernverhalten zeigt. Die Ergebnisse belegen, dass Reinforcement Learning in der Lage ist, Layoutlösungen auf dem Niveau klassischer Verfahren und teilweise menschlicher Planer zu erzeugen. Gleichzeitig bestehen Herausforderungen hinsichtlich Validität und Nebenbedingungen. Aufgrund der sehr kurzen Inferenzzeiten bietet der Ansatz jedoch großes Potenzial für die praktische Unterstützung der digitalen Layoutplanung.

Autor*in

Hendrik Unger

Themen in »Lösung des Facility Layout Problems mittels Deep Reinforcement Learning«

Innerbetriebliche Standortplanung Bestärkendes Lernen Fabrikplanung

Stimmen zu »Lösung des Facility Layout Problems mittels Deep Reinforcement Learning«

Details

Link teilen