IM 39, 2023, 19-22
KI-gestützte Optimierung repetitiver Prozesse – Eine Kodierungstechnik für repetitive Prozesse in der evolutionären Optimierung

Bibtex

Cite as text

						@Article{Plump+Drechsler+Berger,
							Cite-key = "Plump2023", 
							Year= "2023", 
							Number= "1", 
							 Volume= "IM 39", 
							Pages= "19-22", 
							Journal   = "Industrie 4.0 Management",
							 Title= "KI-gestützte Optimierung repetitiver Prozesse – Eine Kodierungstechnik für repetitive Prozesse  in der evolutionären Optimierung", 
							Author= "Christina Plump, Rolf Drechsler, Universität Bremen und DFKI - Cyber-Physical Systems und  Bernhard J. Berger, Technische Universität Hamburg (TUHH)", 
							Doi= "https://doi.org/10.30844/IM_23-1_19-22", 
							 Abstract= "Optimierung ist eine wesentliche Fragestellung in vielen Kontexten. Sei es Ressourcen-, Zeit-, Personal- oder nicht zuletzt auch Kosteneffizienz, regelhaft müssen Prozesse, Einstellungen, Zusammensetzungen – die Liste ließe sich beliebig fortsetzen − optimiert werden. Um das Optimierungsproblem zu lösen, gibt es viele unterschiedliche Techniken. Eine besondere Klasse stellen die evolutionären Algorithmen dar, sie zählen zu den populationsbasierten, heuristischen Verfahren. Sie erlauben auch die Optimierung von Problemen mit vielen lokalen Optima oder stark durch Nebenbedingungen eingeschränkten Suchräumen. Gleichzeitig sind sie in der Lage, im Rahmen eines einzelnen Optimierungslaufs mehrere Lösungsmöglichkeiten vorzuschlagen. Ein besonderer Aspekt bei der Verwendung von evolutionären Algorithmen ist die Wahl der korrekten Kodierung oder die wohldefinierte Spezifikation einer Kodierung. Insbesondere bei der Optimierung eines Prozesses, der aus sich wiederholenden Grundprozessen besteht, die sich nur in ihren Parameterausprägungen unterscheiden, ist dies ein nicht-triviales Problem. Dieser Beitrag stellt eine solche, bereits erfolgreich getestete Kodierung vor, die sich insbesondere in Hinblick auf die KI-Unterstützung als dateneffizient herausgestellt hat.", 
							 Keywords= "Künstliche Intelligenz, Maschinelles Lernen, Evolutionäre Algorithmen, Optimierung, repetitive Prozesse, Kodierung, Rekombination, Mutation ", 
							}
					
Christina Plump, Rolf Drechsler, Universität Bremen und DFKI - Cyber-Physical Systems und  Bernhard J. Berger, Technische Universität Hamburg (TUHH)(2023): KI-gestützte Optimierung repetitiver Prozesse – Eine Kodierungstechnik für repetitive Prozesse  in der evolutionären Optimierung. IM 391(2023), S. 19-22. Online: https://doi.org/10.30844/IM_23-1_19-22 (Abgerufen 19.05.24)

Abstract

Abstract

Optimierung ist eine wesentliche Fragestellung in vielen Kontexten. Sei es Ressourcen-, Zeit-, Personal- oder nicht zuletzt auch Kosteneffizienz, regelhaft müssen Prozesse, Einstellungen, Zusammensetzungen – die Liste ließe sich beliebig fortsetzen − optimiert werden. Um das Optimierungsproblem zu lösen, gibt es viele unterschiedliche Techniken. Eine besondere Klasse stellen die evolutionären Algorithmen dar, sie zählen zu den populationsbasierten, heuristischen Verfahren. Sie erlauben auch die Optimierung von Problemen mit vielen lokalen Optima oder stark durch Nebenbedingungen eingeschränkten Suchräumen. Gleichzeitig sind sie in der Lage, im Rahmen eines einzelnen Optimierungslaufs mehrere Lösungsmöglichkeiten vorzuschlagen. Ein besonderer Aspekt bei der Verwendung von evolutionären Algorithmen ist die Wahl der korrekten Kodierung oder die wohldefinierte Spezifikation einer Kodierung. Insbesondere bei der Optimierung eines Prozesses, der aus sich wiederholenden Grundprozessen besteht, die sich nur in ihren Parameterausprägungen unterscheiden, ist dies ein nicht-triviales Problem. Dieser Beitrag stellt eine solche, bereits erfolgreich getestete Kodierung vor, die sich insbesondere in Hinblick auf die KI-Unterstützung als dateneffizient herausgestellt hat.

Keywords

Schlüsselwörter

Künstliche Intelligenz, Maschinelles Lernen, Evolutionäre Algorithmen, Optimierung, repetitive Prozesse, Kodierung, Rekombination, Mutation

References

Referenzen

[1] Weicker, K.: Evolutionäre Algorithmen. Berlin Heidelberg 2015.

[2] Jin, Y.: Surrogate-assisted evolutionary computation: Recent advances and future challenges. In: Swarm and Evolutionary Computation 1 (2011) 2, S. 61-70. https://doi.org/10.1016/j.swevo.2011.05.001.

[3] Ellendt, N.; Mädler, L.: High-Throughput Exploration of Evolutionary Structural Materials. In: HTM Journal of Heat Treatment and Materials 73 (2018), S. 3-12. 10.3139/105.110345. 

[4] Ellendt, N. u. a.: Experimental Methods to Enable High-Throughput Characterisation of New Structural Materials. 2021.

GITO events | library.gito