Bibliographic Metadata

Title
Simulationsgestützte Produktionsfeinplanung mittels kombinatorischer Optimierungsalgorithmen / von Philipp Sumereder
Additional Titles
Simulation - based production planning using Combinatorial optimization algorithms
AuthorSumereder, Philipp
CensorSihn, Wilfried ; Sobottka, Thomas
PublishedWien, 2017
Description127 Seiten
Institutional NoteTechnische Universität Wien, Diplomarbeit, 2017
Annotation
Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprueft
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
LanguageGerman
Document typeThesis (Diplom)
Keywords (DE)Simulationsbasierte Optimierung / Energieeffiziente Maschinenbelegungsplanung / Metaheuristiken / Genetische Algorithmen
Keywords (EN)Simulation - based optimization / Energy -efficient scheduling / Metaheuristics / Genetic algorithms
URNurn:nbn:at:at-ubtuw:1-97221 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Simulationsgestützte Produktionsfeinplanung mittels kombinatorischer Optimierungsalgorithmen [5.92 mb]
Links
Reference
Classification
Abstract (German)

Das Betreiben von Produktionsanlagen mit der höchstmöglichen Effizienz ist für die meisten Unternehmen eine absolute Notwendigkeit, um auf den Märkten bestehen zu können. Um dies zu erreichen, werden unter anderem die Methoden und Werkzeuge des Operations Research eingesetzt. So ist die Simulation von Produktions- und Logistikprozessen seit Jahrzehnten ein wichtiges Hilfsmittel für die Entscheidungsfindung bei der Planung und Steuerung von Produktionsanlagen. Die systematische Manipulation von Stellgrößen solcher Simulation, um definierte Ziele zu erreichen, führt oft zu sehr komplexen Optimierungsproblemen, welche nicht mehr mit exakten Methoden lösbar sind. Diese Arbeit befasst sich mit Optimierungsalgorithmen, die in der Lage sind, Probleme dieser Art zu lösen. Das Ziel des ersten Teils der Arbeit ist es, geeignete Optimierungsalgorithmen für ein Anwendungsbeispiel, das dem Projekt Balanced Manufacturing der Technischen Universität Wien entspringt, zu identifizieren. Dazu wird erst ein Überblick über Optimierungsalgorithmen für simulationsbasierte Optimierung gegeben. Anschließend werden das Simulationsmodell und das entsprechende Optimierungsproblem näher erläutert und im Rahmen des Operations Research klassifiziert. Basierend auf dieser Einordnung erfolgt eine Evaluierung und Auswahl geeigneter Algorithmen. Im zweiten Teil der Arbeit werden zwei Algorithmen (Particle Swarm Optimization und Genetischer Algorithmus) anhand des vorliegenden Optimierungsproblems hinsichtlich Effektivität, Effizienz und Lösungsqualität verglichen. Zudem werden für ein bereits vorhandenes Optimierungsmodul, das auf einem genetischen Algorithmus basiert, diverse Einstellungen und Operatoren getestet, mit dem Ziel, dessen Leistungsfähigkeit zu erhöhen. Durch einige der getesteten Maßnahmen werden signifikante Verbesserungen erzielt.

Abstract (English)

The operation of production facilities in the most efficient way is a necessity for most companies to be competitive on the markets. To achieve this goal, the tools and methods of operations research are applied among others. The simulation of production and logistic processes is for example an important means for decision making at planning and controlling production plants. The systematic alteration of input variables of such simulations to reach certain goals often leads to highly complex optimization problems, which cannot be solved with exact methods. This work deals with optimization algorithms which can solve such problems. The aim of the first part of this work is to find suitable optimization algorithms for a use case originating the Technical University Vienna Balanced Manufacturing project. For this purpose, an overview of available optimization algorithms for simulation optimization is given. Afterwards the simulation model and the corresponding optimization problem are described in detail and classified in terms of operations research. Based on thatclassification appropriate algorithms are evaluated and selected. In the second part of this work two algorithms (particle swarm optimization and genetic algorithm) are being compared on the problem regarding efficiency and effectivity. Furthermore, several setups and options are being tested for an existing optimization module, which is based on a genetic algorithm, to increase its performance. Some of these adaptions tested increase the algorithms performance significantly.