Untersuchung von Machine-Learning-Verfahren zur Lösung von Losgrößenproblemen

F?r viele NP-schwere Losgr? enprobleme stehen diverse Heuristiken zur Verf?gung, die je nach Eigenschaft der Instanz unterschiedliche L?sungsqualit?ten und Rechenzeiten aufweisen. Mit zunehmender Problemgr? e steigen die Rechenzeiten der Heuristiken deutlich an, sodass das Testen aller Heuristiken f?r gro e Instanzen sehr zeitaufw?ndig ist. Daher wird ein Verfahren ben?tigt, das ohne Ausprobieren aller Heuristiken eine geeignete Auswahl trifft. Als zu l?sendes Problem wurde das Capacitated Lotsizing Problem (CLSP) gew?hlt, ein grundlegendes und gut erforschtes Modell der Losgr? enplanung, f?r das zahlreiche Heuristiken existieren. Das CLSP betrachtet mehrere Produkte mit dynamischer Nachfrage, die auf einer Produktionslinie mit begrenzter Kapazit?t gefertigt werden. Jeder Produktwechsel verursacht R?stkosten. Ziel ist es, R?st- und Lagerhaltungskosten zu minimieren. F?nf Prognoseverfahren zur Heuristikauswahl f?r das CLSP werden vorgestellt. Grundlage ist ein umfassender Datensatz der verschiedene Szenarien hinsichtlich Nachfrage, Auslastung und Kostenrelationen abbildet. Eines der Prognoseverfahren ist ein dreischichtiges Neuronales Netz (CLSP-Net), das mit kleinen, schnell l?sbaren Instanzen trainiert wird. Durch den Einsatz relativer Key Performance Indikatoren kann CLSP-Net die beste Heuristik auch f?r gro e Instanzen vorhersagen.