Optimierung eines praktischen Maschinenbelegungsproblems mittels genetischem Algorithmus (ePub)

Markt- und Kundenorientierung stehen im Mittelpunkt moderner Unternehmensstrategien.
Um die Wünsche nach Sachgütern und Dienstleistungen mit niedrigen
Preisen, hoher Qualitäat und kurzen Lieferzeiten erfüllen zu können und dennoch
trotz ständig sinkender Gewinnspannen profitabel zu arbeiten, sind die Unternehmen
dazu angehalten, Möglichkeiten der Kostensenkung zu finden.
Insbesondere im Produktionsbereich lassen sich durch einen verbesserten Ressourcenverbrauch
sowie eine Verringerung der Durchlaufzeiten erhebliche Kosten
einsparen, ohne dabei Abstriche bei der Qualität zu machen. Dazu ist eine rationelle
Produktionsplanung und -steuerung notwendig.
Die Maschinenbelegungsplanung ist dabei eines der zentralen Probleme.
Die Aufgabe besteht darin, eine Zuordnung von Aufträgen zu Maschinen in einer
gewissen Reihenfolge zu finden, so dass ein bestimmtes Ziel bestmöglich erfüllt
wird.
Seit den fünfziger Jahren werden die unterschiedlichsten Verfahren zur Lösung von Maschinenbelegungsproblemen vorgeschlagen. Zu den
bekanntesten zählen Branch & Bound Verfahren sowie prioritätsregelbasierte Verfahren.
Während Ersteres zwar eine Optimallösung garantiert, dessen Einsatz jedoch
aufgrund immenser Rechenzeit bei grösseren Problemen unmöglich ist, liefert
das zweite Verfahren meist nur unbefriedigende Ergebnisse. Neuere Verfahren, wie
Simulated Annealing, Tabu Search oder genetische Algorithmen liefern hingegen
bei moderater Rechenzeit gute Lösungsqualitäten.
Insbesondere genetische Algorithmen scheinen für die Lösung komplexer Optimierungsprobleme
besonders gut geeignet zu sein.
Ziel dieser Arbeit ist es, für ein konkretes Beispiel aus der Produktionspraxis
einen speziellen genetischen Algorithmus zu entwickeln, welcher die Maschinenbelegung
bestmöglich plant.

Zunächst wird jedoch die Maschinenbelegungsplanung aus theoretischer Sicht
innerhalb der Produktionsplanung eingeordnet. Aufgrund der Vielfältigkeit der Maschinenbelegungsprobleme werden diese danach klassifizert. Im Anschluss wird der genetische Algorithmus aus aus mathematischer Sicht erläutert, um dann diese theoretischen Erkenntnisse auf das Praxisbeispiel in einem C Programm anzuwenden. Um einen Performancevergleich zu erhalten, wird ebenfalls kurz das Simulated Annealing theoretisch behandelt und anschliessend ebenfals in einem C Programm umgesetzt.

Die erzielten Ergebnisse werden grafisch aufbereitet dargestellt.

Note: 1,0