Zugl.: Göttingen, Universiẗat, Diss., 2008.

Techn. Hochsch., Diss., 2007--Aachen.

Zugl.: Chemnitz, Techn. Universiẗat, Diss., 2008.

Zugl.: Aachen, Techn. Hochsch., Diss., 2009

Zugl.: Paderborn, Univ., Diss., 2008

Zugl.: Bremen, Univ., Diss., 2008

Das Ameise Kolonie Optimization (ACO) ist eine Metaheuristik für Verfahren der kombinatorischen Optimierung, die auf dem modellhaften Verhalten von realen Ameisen bei der Futtersuche basiert[1]. Viele Probleme können durch ACO sehr effizient bearbeitet werden. Zum Beispiel Job-Shop[2,3], Flow-Shop[4], Minimum Cost Permutation[5], Maschinenbelegungsprobleme, Minimierung der Transportzeit bei räumlich weit auseinander liegenden Produktionsstätten(Single Machine Total Tardiness problem)[6] usw. Marco Dorigo und Thomas Stützle[7] haben über das Problem des Handlungsreisenden (TSP) viele hilfreiche Formeln vorgestellt, um ein besseres Ergebnis zu bekommen. In dieser Masterarbeit werden durch Formeln einfach getestet bzw. ermittelt, wie gut das Ergebnis aussieht. Anschließend wird ein akuelles Thema GSP (The Gas Station Problem) vorgestellt. Samir Khuller, Azarakhsh Malekain und Julian Mestre[8] haben in ihrer Arbeit einige konkrete Probleme diskutiert. Dort haben sie auf theoretischer Ebene die günstigere Tour ermittelt. Zum Beispiel gibt es einige Tankstellen mit unterschiedlichen Benzin-Preisen. Ein Auto fährt von einer Startstadt zu einer Zielstadt und der Fahrer entscheidet, wieviel und wo das Benzin getankt wird. In dieser Masterarbeit werden zudem noch kompliziertere Annahmen beachten. Es kann entweder mit Strom oder Benzin auf den Straßen fahren. Zusätzlich kann das Auto noch unterwegs von Strom auf Benzin oder umgekehrt umschalten. Es kann beispielsweise das erste Drittel des Wegs mit Strom und den Rest mit Benzin fahren. Das Ziel ist es dabei, einen kürzeren Weg dazu so billig wie möglich zu finden. Wir versuchen, dieses Problem durch ACO durchlaufen zu lassen. Im allgeimeinen Fall findet jede Ameise eine günstige Tour d.h. die Ameise stirbt niemals unterwegs. Aber bei diesem Problem darf die Ameise irgendwo sterben, zum Beispiel stirbt sie in einer Stadt, weil sie nicht genug Benzin oder Strom im Tank hat. In dem Kapitel bzgl. der Zukunft der Arbeit stellen wir noch andere Algorithmen bzw. ACO kombiniert mit PSO vor. Der Unterschied zwischen diesen zwei Methoden ist der, dass bei ACO das Auto von Stadt i zu Stadt j immer auf einer geraden Linie und bei ACO mit PSO in einer Kurve fährt. Falls die Ameise einen Berg oder Fluß passiert, leitet sie den Weg um. Das Ameise Kolonie Optimization (ACO) ist ein sehr mächtiger Algorithmus. Es gibt viele Varianten von ACO, die sich mit TSP beschäftigen. Es gibt keine Ideallösung, sondern es geht darum, immer eine bessere Lösung zu finden. Die konkrete Arbeitsweise wird im folgenden Kapitel mit einigen einfachen Beispielen erklärt.

In einer von Vernetzung und Globalisierung geprägten Umwelt wächst der Wettbewerbsdruck auf die Unternehmen am Markt stetig. Die effektive Nutzung der Ressourcen einerseits und die enge Zusammenarbeit mit Lieferanten und Kunden andererseits führen für nicht wenige Unternehmen des industriellen Sektors zu entscheidenden Wettbewerbsvorteilen, die das Fortbestehen jener Unternehmen am Markt sichern. Viele Unternehmen verstehen sich aus diesem Grund als Bestandteil so genannter Supply Chains. Die unternehmensübergreifende Steuerung und Optimierung des Wertschöpfungsprozesses stellt ein charakteristisches Problem des Supply Chain Managements dar und besitzt zur Erzielung von Wettbewerbsvorteilen hohes Potential. Produktionsnetzwerke sind ein wesentlicher Forschungsschwerpunkt der Professur für Produktionswirtschaft und Industriebetriebslehre an der TU Chemnitz. Das Extended Value Chain Management (EVCM) stellt ein kompetenzorientiertes Konzept für die Bildung und zum Betrieb hierarchieloser temporärer regionaler Produktionsnetzwerke im Sinne virtueller Unternehmen dar. Gegenstand dieser Arbeit ist ein diskretes Optimierungsproblem, dass einen mehrstufigen Entscheidungsprozesses unter Berücksichtigung mehrerer Ziele abbildet, der sich bei der Auswahl möglicher Partner in einem Produktionsnetzwerk nach dem Betreiberkonzept des EVCM ergibt. Da mehrere Zielstellungen bestehen, werden grundlegende Methoden der mehrkriteriellen Optimierung und Entscheidung erörtert. Neben der Vorstellung des Problems sollen mehrzielorientierte Ansätze im Sinne einer Pareto-Optimierung auf Basis des Dynamic Programmings als Verfahren zur Bestimmung von Optimallösungen sowie Ant Colony Optimization zur näherungsweisen Lösung vorgestellt werden. Darauf aufbauend werden verschiedene Möglichkeiten der Hybridisierung beider Methoden diskutiert. Die entwickelten Ansätze werden auf ihre Eignung im Rahmen der informationstechnischen Umsetzung des EVCM-Konzepts untersucht und einer Evaluierung unterzogen. Hierzu werden verschiedene Kennzahlen zur Beurteilung der Verfahren entwickelt. Die modellierten Algorithmen und entwickelten Konzepte beschränken sich nicht ausschließlich auf das betrachtete Problem, sondern können leicht auf Probleme mit ähnlichen Eigenschaften übertragen werden. Insbesondere das NP-vollständige mehrkriterielle Kürzeste-Wege-Problem stellt einen Spezialfall des behandelten Optimierungsproblems dar.

In einer von Vernetzung und Globalisierung geprägten Umwelt wächst der Wettbewerbsdruck auf die Unternehmen am Markt stetig. Die effektive Nutzung der Ressourcen einerseits und die enge Zusammenarbeit mit Lieferanten und Kunden andererseits führen für nicht wenige Unternehmen des industriellen Sektors zu entscheidenden Wettbewerbsvorteilen, die das Fortbestehen jener Unternehmen am Markt sichern. Viele Unternehmen verstehen sich aus diesem Grund als Bestandteil so genannter Supply Chains. Die unternehmensübergreifende Steuerung und Optimierung des Wertschöpfungsprozesses stellt ein charakteristisches Problem des Supply Chain Managements dar und besitzt zur Erzielung von Wettbewerbsvorteilen hohes Potential. Produktionsnetzwerke sind ein wesentlicher Forschungsschwerpunkt der Professur für Produktionswirtschaft und Industriebetriebslehre an der TU Chemnitz. Das Extended Value Chain Management (EVCM) stellt ein kompetenzorientiertes Konzept für die Bildung und zum Betrieb hierarchieloser temporärer regionaler Produktionsnetzwerke im Sinne virtueller Unternehmen dar. Gegenstand dieser Arbeit ist ein diskretes Optimierungsproblem, dass einen mehrstufigen Entscheidungsprozesses unter Berücksichtigung mehrerer Ziele abbildet, der sich bei der Auswahl möglicher Partner in einem Produktionsnetzwerk nach dem Betreiberkonzept des EVCM ergibt. Da mehrere Zielstellungen bestehen, werden grundlegende Methoden der mehrkriteriellen Optimierung und Entscheidung erörtert. Neben der Vorstellung des Problems sollen mehrzielorientierte Ansätze im Sinne einer Pareto-Optimierung auf Basis des Dynamic Programmings als Verfahren zur Bestimmung von Optimallösungen sowie Ant Colony Optimization zur näherungsweisen Lösung vorgestellt werden. Darauf aufbauend werden verschiedene Möglichkeiten der Hybridisierung beider Methoden diskutiert. Die entwickelten Ansätze werden auf ihre Eignung im Rahmen der informationstechnischen Umsetzung des EVCM-Konzepts untersucht und einer Evaluierung unterzogen. Hierzu werden verschiedene Kennzahlen zur Beurteilung der Verfahren entwickelt. Die modellierten Algorithmen und entwickelten Konzepte beschränken sich nicht ausschließlich auf das betrachtete Problem, sondern können leicht auf Probleme mit ähnlichen Eigenschaften übertragen werden. Insbesondere das NP-vollständige mehrkriterielle Kürzeste-Wege-Problem stellt einen Spezialfall des behandelten Optimierungsproblems dar.

No description available.