JR-Center for Adaptive Optimierung in dynamischen Umgebungen

Dieses JR-Zentrum erforscht adaptive Optimierungs-algorithmen zur Steuerung dynamischer Produktions-prozesse (z.B. von Stahl oder Flachglas), die laufend mitlernen, sich an Veränderungen anpassen und vorausschauend agieren können.

Optimierungsprobleme aus den Bereichen Lagerung, Produktion und Intralogistik findet man beispielsweise bei der Steuerung von Kränen, Transportfahrzeugen oder Fertigungslinien. Angesichts der fortschreitenden Digitalisierung in der Produktion und der innerbetrieblichen Logistik ist der Einsatz von mathematischen und simulationsbasierten Optimierungsmodellen zur Prozesssteuerung ein wichtiges Forschungsgebiet. Die aus diesen Modellen abgeleiteten Handlungsempfehlungen müssen schnell verfügbar sowie umsetzbar, qualitätssichernd, kosteneffizient, stabil und robust sein.

In der fortlaufenden Steuerung von Produktions- und Logistikprozessen reagieren bestehende Lösungsansätze jedoch oft nicht ausreichend auf dynamische Ereignisse innerhalb des Planungshorizonts. Die echte Welt hält während der Berechnung der Optimierung nicht inne und diese Änderungsereignisse werden vom laufenden Optimierungsprozess nicht bemerkt. Dies birgt die Gefahr, dass die ermittelte Lösung hinsichtlich dieser Änderungen qualitativ unzureichend oder eventuell sogar ungültig ist. Eine nachträgliche Reparatur der berechneten Lösungen ist in diesem Fall oftmals nicht effizient möglich.

Um diesen Herausforderungen zu begegnen, werden im JR-Zentrum für adaptive Optimierung in dynamischen Umgebungen proaktive, adaptive und zeitlich unbeschränkte Optimierungsverfahren entwickelt, die synchron zur echten Welt ausgeführt werden und dabei in der Lage sind, Änderungsereignisse laufend zu beobachten, darauf zu reagieren und sich im Verlauf der Zeit daran anzupassen. Ein solcher Optimierungsprozess ähnelt daher dem Verhalten menschlicher Entscheidungs-trägerInnen, die einen Prozess laufend überwachen und sich aufgrund ihrer Erfahrung und Expertise auf unterschiedliche mögliche Änderungsereignisse vorbereiten und aus ihnen lernen.

Neben der Entwicklung einer Softwareumgebung für adaptive Optimierungsverfahren stellen dabei auch die Formulierung neuer dynamischer Problemmodelle sowie die Definition entsprechender Benchmarks zentrale Meilensteine dar. Darüber hinaus werden maschinelle Lern-verfahren als integraler Bestandteil der Lösungsverfahren eingesetzt, um zukünftige Ereignisse vorherzusagen, potentielle Zukunftsszenarien zu entwickeln und adäquate Optimierungsalgorithmen automatisch auszuwählen und zu parametrieren. Die Leistungsfähigkeit der entwickelten Methoden wird schlussendlich anhand von Simulations-experimenten untersucht sowie bei den Unternehmens-partnern mit Tests unter realistischen Bedingungen evaluiert.