- Titel
- Einsatz von bestärkendem Lernen in der Reihenfolgeplanung mit dem Ziel der platzeffizienten Produktion
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-997697
- Übersetzter Titel (EN)
- Implementing reinforcement learning in production scheduling to achieve space-efficient production
- Konferenz
- 21. ASIM-Fachtagung Simulation in Produktion und Logistik. Dresden, Germany, 24. bis 26. September 2025
- Quellenangabe
- Simulation in Produktion und Logistik 2025
Herausgeber: Sebastian Rank
Herausgeber: Mathias Kühn
Herausgeber: Thorsten Schmidt
Erscheinungsort: Dresden
Verlag: Technische Universität Dresden, Professur für Technische Logistik
Erscheinungsjahr: 2025
ISBN: 978-3-86780-806-4 - Erstveröffentlichung
- 2025
- DOI
- https://doi.org/10.25368/2025.273
- Abstract (EN)
- Priority rules are often used in production planning and control for sequence planning of production orders to optimise production efficiency based on key figures such as order throughput time, machine utilisation or production output. Compared to priority rules, reinforcement learning agents are adaptive and can adjust to dynamic production conditions. This offers enormous potential for optimising production control. This study shows the successful implementation of a reinforcement learning agent that is trained with the Proximal Policy Optimisation algorithm. The agent is used to adjust the sequence of transport orders with the aim of achieving space-efficient production with short lead times. The results of the simulation study show an improvement in lead time and space efficiency compared to conventional priority rules.
- Freie Schlagwörter (DE)
- Simulation, Künstliche Intelligenz, Modellierung, Optimierung, Prioritätsregeln, Sequenzplanung
- Freie Schlagwörter (EN)
- Simulation, Artificial Intelligence, Modelling, Optimisation, Priority rules, sequence planning
- Klassifikation (DDC)
- 620
- Klassifikation (RVK)
- ZM 9500
- Publizierende Institution
- Technische Universität Dresden, Dresden
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:14-qucosa2-997697
- Veröffentlichungsdatum Qucosa
- 21.10.2025
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Deutsch
- Lizenz / Rechtehinweis
CC BY 4.0