Reinforcement Learning

Wie kann Künstliche Intelligenz (KI) die Produktionsplanung und -steuerung (PPS) automatisieren? Im vorliegenden Artikel wird untersucht, inwiefern KI einen Beitrag zur Automatisierung der PPS leisten kann, indem die Potenziale zur Steigerung der Effizienz in modernen Produktionsumgebungen erforscht werden. Der Fokus liegt auf der Implementierung einer robusten Dateninfrastruktur, die Echtzeit-, historische und kontextbezogene Daten integriert. Konkret wird die Anwendung von Reinforcement Learning (RL) betrachtet und eine Roadmap für die Umsetzung vorgestellt, die sich auf die praktische Anwendung fokussiert.

Reinforcement Learning (RL) konnte bereits publikumswirksam in Video- und Strategiespielen beeindruckende Erfolge erzielen [1]. Diese Grundlagenforschung schafft die Grundlagen, dass RL für reale Entscheidungsprobleme in der Produktion nutzbar wird. Beispiele hierfür sind: Wie erhält ein Roboter mehr Intelligenz, um Aufgaben selbstständiger und ohne aufwendige Programmierung durchzuführen? In welcher Reihenfolge müssen Aufträge in einer Produktion abgearbeitet werden, um eine optimale Termintreue zu erhalten? Der Beitrag gibt eine Einführung in die Arbeitsweise des RL, sowie dessen bevorzugte Einsatzgebiete und beschreibt Anwendungsbeispiele aus dem produzierenden Alltag. Das präsentierte Überblickswissen über die aktuelle Forschung soll diesen Teilbereich der Künstlichen Intelligenz einem breiteren Interessentenkreis zugänglich machen. Übergeordnetes Ziel der beschriebenen Methoden ist, die Wertschöpfung am Wirtschaftsstandort Deutschland kontinuierlich zu steigern.

AKWI-Tagungsband zur 35. AKWI-Jahrestagung. Jahrgang, 2022, Seite S. 261–272 Dieser Beitrag entwickelt ein Konzept zur praktischen Umsetzung eines Machine-Learning-Verfahrens zum Lösen von Vehicle Routing Problemen im Kontext einer nachhaltigen “Letzte-Meile”-Logistik, welches durch einen Prototyp umgesetzt und getestet wurde. Dabei wurden Aspekte von kombinatorischen Optimierungsalgorithmen in Form eines Ameisenalgorithmus zur Unterstützung des angewendeten Machine-Learning-Systems verwendet. Der Prototyp basiert auf einem “Reinforcement Learning”-System und verwendet als Algorithmus “REINFORCE mit Baseline”. In einer Vergleichsanalyse wird der Prototyp mit dem bekannten Vertreter für kombinatorische Optimierungsalgorithmen, Google-OR, an Hand von zwei Anwendungsszenarien verglichen. Die kombinatorischen Optimierungsalgorithmen konnten sich hinsichtlich der Lösungsqualität gegenüber dem Prototyp durchsetzen. Dafür überzeugt der Prototyp in der Laufzeit ...