Einsatz künstlicher neuronaler Netzwerke in der Ablaufplanung: Dissertation zur Erlangung des Grades eines Doktors der Wirtschaftswissenschaft der Rechts- und Wirtschaftswissenschaftlichen Fakultät der Universität Bayreuth

تمرکز جنبه های سازمانی برنامه ریزی تولید، طراحی و اجرای کارآمد فرآیندهای تولید است. یک کلاس مشکل اصلی، برنامه ریزی فرآیند مربوط به تخصیص موقت سفارشات تولید به عوامل تولید کمیاب است. موضوع کار استفاده از شبکه های عصبی مصنوعی برای حل مسائل زمان بندی است. استفاده از شبکه های عصبی مصنوعی مبتنی بر دو ملاحظات اصلی است. از یک طرف، در حال حاضر هیچ روشی وجود ندارد که بتوان از آن برای تعیین راه‌حل‌های بهینه برای مسائل زمان‌بندی کلی استفاده کرد، حتی اگر اندازه‌های مسئله حتی تقریباً واقعی باشد. از سوی دیگر، شبکه‌های عصبی مصنوعی عمدتاً در برنامه‌ریزی فرآیند برای فرمول‌بندی و حل رویکردهای بهینه‌سازی استفاده می‌شوند، اگرچه پتانسیل راه‌حل آن‌ها تنها به طور ناقص مورد بهره‌برداری قرار می‌گیرد. ساختار موازی و توزیع شده شبکه های عصبی مصنوعی همچنین پتانسیلی برای تجزیه و تحلیل داده ها و پردازش اطلاعات ارائه می دهد که امکان استفاده کارآمد از دانش تجربی حل مسئله را فراهم می کند. بنابراین، این کار بررسی می‌کند که آیا شبکه‌های عصبی مصنوعی ادغام این دانش را در حل مشکلاتی که استفاده از دانش خاص موقعیتی تاکنون به سختی برای آنها استفاده شده است، امکان‌پذیر می‌سازد، و چگونه می‌توان چنین ادغامی را طراحی کرد.

Im Mittelpunkt ablauforganisatorischer Aspekte der Produktionsplanung steht die effiziente Gestaltung und Durchführung von Produktionsprozessen. Eine zentrale Problemklasse bildet dabei die mit der zeitlichen Zuordnung von Fertigungsaufträgen zu knappen Produktionsfaktoren befaßte Ablaufplanung. Gegenstand der Arbeit ist die Anwendung künstlicher neuronaler Netzwerke zur Lösung von Ablaufplanungsproblemen. Der Einsatz künstlicher neuronaler Netzwerke gründet dabei auf zwei wesentlichen Überlegungen. Einerseits existiert gegenwärtig noch kein Verfahren, mit dem sich optimale Lösungen für allgemeine Ablaufplanungsprobleme ermitteln lassen, wenn auch nur annähernd realistische Problemgrößen vorliegen. Andererseits werden künstliche neuronale Netzwerke in der Ablaufplanung überwiegend zur Formulierung und Lösung von Optimierungsansätzen verwendet, wobei ihr Lösungspotential nur recht unvollständig ausgeschöpft wird. Die parallele und verteilte Struktur künstlicher neuronaler Netzwerke bietet nämlich zudem ein Potential zur Datenanalyse und Informationsverarbeitung, das die effiziente Nutzung empirischen Problemlösungswissens erlaubt. Die Arbeit untersucht daher, ob künstliche neuronale Netzwerke die Integration dieses Wissens in die Lösung von Problemen ermöglichen, bei denen bisher kaum auf die Verwendung situationsspezifischen Wissens zurückgegriffen wird, und wie eine solche Integration zu gestalten ist.