Self-Learning Problem Prioritization for Operating Tugger Train Systems

Abstract

Für die operative Steuerung logistischer Systemen ist der Einsatz von Optimierungsmethoden unter der Nutzung selbstlernender Algorithmen zunehmend Gegenstand von Forschungs- und Entwicklungsaufgaben. Einen besonderen Anwendungsfall bilden an dieser Stelle selbstlernende Wissensmanagementsysteme, welche die zielgerichtete Reaktion auf Abweichungen, also Störungen und Schwankungen von Systemkennwerten, adressieren. In diesem Beitrag wird im Detail darauf eingegangen, wie ein solches System bewerten kann, auf welches in der Regelstrecke vorliegende Problem idealerweise zu reagieren ist. Hierzu werden zunächst vier verschiedene Ansätze hergeleitet und diskutiert. Anschließend erfolgt eine gesamtheitliche Bewertung und eine Synthese der einzelnen Ansätze hin zu einem allgemeingültigen bzw. allgemein anwendbaren Ansatz. Weitere Verbesserungsmöglichkeiten bilden den Abschluss des Papers.