Reihenfolgeplanung im Zeitalter von Industrie 4.0
Optimierung in der Werkstattfertigung

Norbert Gronau und Edzard Weber

Für eine effiziente Produktion sind Optimierungsverfahren unverzichtbar. Durch die Ausrichtung der Produktion auf Konzepte wie Industrie 4.0 verändern sich aber die Rahmenbedingungen für den richtigen Einsatz dieser Verfahren. Dieser Beitrag stellt die vorhandene Vielfalt an Optimierungsverfahren vor und diskutiert ihre Eignung für Industrie 4.0 .

Der Begriff Industrie 4.0 umschreibt den Einsatz von cyber-physischen Systemen (CPS; softwareintensive eingebettete Systeme, die über das Internet miteinander verbunden sind), die die Eigenschaften von Produkten, Produktionsprozessen, Märkten und Arbeitsbedingungen verändern. Häufig geht mit dem Einsatz von CPS ein höherer Grad an Autonomie in der Fabrik einher [1, 2].

Daher ist zu untersuchen, ob die zahlreichen Verfahren zur Reihenfolgeoptimierung, die zumeist vor dem Hintergrund zentraler Planungsparadigmen entwickelt wurden, noch Gültigkeit besitzen bzw. inwieweit diese an eine große Zahl autonom agierender Objekte in der Fertigung angepasst werden müssen. Dazu stellt dieser Beitrag zunächst eine Klassifikation der bisher bekannten Reihenfolgeplanungsverfahren vor und beurteilt diese u. a. hinsichtlich ihrer Komplexitätsbeherrschung. Als erstes Fazit werden Rahmenbedingungen und Kritik an zentralen Optimierungsverfahren für die Reihenfolgeplanung der Werkstattfertigung genannt.


Stand der Forschung

Eine Maschine steht als Ressource zu bestimmten Zeitpunkten zur Verfügung, abhängig u. a. davon, ob sie zur Zeit mit einem Arbeitsauftrag belegt ist oder nicht. Wird für die Produktion die Reihenfolge der Maschinen nicht geändert, so kann aus der Sicht der Reihenfolgeplanung von einer Fließfertigung (Flow Shop) gesprochen werden [3, 4]. Eine gleichbleibende Reihenfolge ohne fix vorgegebene zeitliche Taktung stellt eine Linienfertigung dar [5]. Ändert sich hingegen die Reihenfolge bei der Bearbeitung von Aufträgen, so wird von Werkstattfertigung (Job Shop) gesprochen [6]. Die Suche nach einer effizienten Reihenfolge der Aufträge wird als Maschinenbelegungsplanung bezeichnet [7].


Bild 1: Taxonomie der Optimierungsmethoden (in Anlehnung an [83])

Die Verfahren zur Maschinenbelegungsplanung (JSP – Job Shop Scheduling Problem) können in optimierende, heuristische und Verfahren der Künstlichen Intelligenz klassifiziert werden [8, 4]. Alternative Systematiken differenzieren nach exakten, eröffnenden, verbessernden und hybriden Verfahren [9]. JSP gehört in die Klasse der NP-vollständigen Probleme [10, 11, 12], denn ihr Berechnungsaufwand steigt exponentiell mit der Anzahl der Variablen und Fragestellungen, die untersucht werden [13]. Zu diesen Variablen gehören die Anzahl einzuplanender Aufträge, die Verweildauer von Arbeitsstücken auf Maschinen, die Anzahl der Maschinen, Rüstzeiten, die Wartezeit [14] oder alternative Maschinen zur Bearbeitung eines Auftrages (Flexible JSP) [15]. Ziel der Verfahren ist u. a. die Optimierung der Durchlaufzeit (makespan) [16] und der Rüstzeit [17].

Optimierende Verfahren haben das Ziel, eine bestmögliche Lösung für das Scheduling zu finden. Ihre Berechnungszeit steigt exponentiell zur Zahl der Eingaben des zu überprüfenden Problems, da sie jede Eingabe einzeln betrachten und sich schrittweise einer optimalen Lösung annähern (wie z. B. CENUM) [18]. Um die Berechnungszeit zu verkürzen, werden Techniken angewendet, mit denen die Problemmenge verkleinert wird (z. B. QUADLS) [18]. Lösungen, die bereits im Vorfeld als nicht optimale Lösung erkannt wurden, werden nicht mehr betrachtet. Des Weiteren kann die Problemmenge in verschiedene Bereiche aufgeteilt und jeder Bereich einzeln betrachtet oder neu angeordnet werden [19, 20].

Für die Berechnung einer Lösung kommen Ansätze wie lineare Programmierung, Branch & Bounding oder Simulated Annealing [21, 22] zum Einsatz. Die Grundidee der linearen Programmierung wurde bereits 1960 mit MIP (mixed integer linear programming) vorgestellt [23]. Branch & Bounding nimmt die Idee der Teilbarkeit der Problemmenge auf und generiert einen Baum, der nach der optimalen Lösung durchsucht werden kann [24]. Neuere Ansätze kombinieren MIP mit Constraints und generalisierten Solvern [25].

Heuristische Verfahren finden eine Lösung zu einem Problem, ohne zu bestimmen, ob es sich dabei um eine optimale Lösung handelt oder wie weit die gefundene Lösung von dem globalen Optimum entfernt ist [8, 26, 27, 28].  Zur Untersuchung von JSP werden auch metaheuristische Verfahren sowie genetische Algorithmen genutzt. Metaheuristiken stellen allgemeine Ansätze für die Suche nach Lösungen zur Verfügung [29, 30]. Berechnungszeit und Qualität der Lösungen hängen von den zu betrachteten Parametern ab. So stellt der I-JAR Algorithmus [31] einen Ansatz vor, der den Iterated Local Search-Algorithmus (ILS) erweitert [32]. Simulated Annealing beschreibt die Suche nach globalen Minima [21, 33]. Ebenso können jene Parameter durch unscharfe Mengen beschrieben werden [34]. Planung kann auch durch kombinierbare Prioritätsregeln erfolgen, von denen über 30 existieren [35]. Ideen aus der Künstlichen Intelligenz, um JSP zu lösen, sind Neuronale Netze [36, 37, 38, 39, 40], Agentensysteme oder Expertensysteme (zum Beispiel CBR - Case-based Reasoning) [41, 42]. Frühe NN-basierte Ansätze (Neuronale Netze) konnten durch beschränkte Rechenkapazitäten oder Modellkomplexität keine praktische Relevanz erwirken [43, 44, 45]. Später wurden Neuronale Netze in der Praxis erfolgreich eingesetzt, um Job Scheduling durchzuführen [46]. Auch eine Kombination von CBR und Neuronalen Netzwerken konnte erprobt und angewandt werden [47, 48].

Genetische Algorithmen werden [49, 50, 51] auf Probleme erfolgversprechend angewendet, welche eine hohe Komplexität besitzen bzw. NP-schwer sind, so dass berechnende Verfahren zu keinem Ergebnis kommen können. Der Lösungsraum ist entsprechend groß und insbesondere bei Reihenfolgeproblemen so strukturiert, dass gute Lösungen nicht zwangsweise nebeneinander liegen müssen [52]. Um verschiedenartige Lösungen und Populationsstämme zu erzeugen, werden Veränderungsoperationen, wie z. B. Mutationsverfahren [53], erprobt oder heuristische Zwischenschritte eingebunden [54]. Zwischenlösungen werden durch lokale Suchfunktionen geprüft [55].


Bild 2: Klassifikation von Lösungsverfahren
nach Handhabung der Problemkomplexität

Genetische Algorithmen setzen bekannte Algorithmen [56], die vorher zur Berechnung genutzt wurden, neu um [57, 58]. Diese Ansätze erlauben es, JSP nahezu in Echtzeit durchzuführen [59] und so direkt in der Produktionsplanung einzusetzen [60, 61]. Durch Genetische Algorithmen werden die Algorithmen optimiert und es wird versucht, die Komplexität des Problems zu reduzieren [58] und damit den Suchraum zu verkleinern [62].

Die Erforschung und Entwicklung Genetischer Algorithmen sind noch nicht abgeschlossen [63, 64]. Genetische Algorithmen können JSP zum Beispiel mit Hilfe von Rekursion [65] lösen und durch Konzepte des parallelen Rechnens effizienter werden [66].

Der Bereich der Heuristischen Suche wird durch Methoden zur Problem- und Berechnungszeitreduzierung bearbeitet. Dies erfolgt durch die Optimierung der zu untersuchenden Parameter [67, 68]. Hierzu werden z. B. Filter-Such-Algorithmus-Anwendungen entwickelt [69].

Neue Produktionsaufträge, veränderte Prioritäten zur Produktionszeit, Lieferengpässe oder Maschinenausfall bzw. eine veränderte Maschinenanzahl erfordern, dass Planungsverfahren auch die Umwelt als Einflussgröße betrachten müssen [70, 71, 72]. Diese Planungsunsicherheiten werden durch Fuzzy-Ansätze [73, 74] oder durch AHP-basierte (analytical hierarchy process) Bewertungsroutinen abgebildet [75].

Der Ansatz der Fitness Landscape [76, 77, 78] beschreibt den Standort optimaler Lösungen in einem Suchraum und kann mit Hilfe von Algorithmen wie dem Random Walk überprüft [79, 80] oder dem Tabu-Search-Algorithmus [81] bewertet werden [82].


Klassifikation der Optimierungsverfahren

Eine Klassifikation der Optimierungsansätze ist sinnvoll, weil dadurch deren Unterschiedlichkeiten und Gemeinsamkeiten aufgezeigt werden. Darauf wird im weiteren Verlauf des Beitrags Bezug genommen, wenn die Eignung für bestimmte Anwendungskontexte betrachtet werden soll.

Es sind mehrere Merkmale für die Unterscheidung bzw. Klassifikation anwendbar, wie z. B. die mathematische Belastbarkeit von Verfahrensentscheidungen zur Reduktion des Lösungsraums bzw. der Problemkomplexität zwecks Erreichung einer Berechenbarkeit oder die algorithmischen Prinzipien der Herangehensweise. Optimierungsverfahren können z. B. auf einer stetigen oder einer diskreten Berechnung basieren oder lineare / nichtlineare Nebenbedingungen berücksichtigen. Weiterhin kann danach klassifiziert werden, welche Art von Problemlösungswissen genutzt wird (Bild 1). Dies kann einerseits auf berechnenden Verfahren für exakte Ergebnisse basieren oder auf Näherungsergebnissen, welche durch heuristische Ansätze oder durch tatsächlich nur näherungsweise berechnende Verfahren ermittelt werden. Heuristiken sind als Faustregeln zu verstehen, sodass z. B. der Lösungsraum für ein bestimmtes Problem durch Erfahrungs- bzw. Expertenwissen systematisch eingegrenzt werden kann. Es gibt auch Heuristiken, die nicht problemspezifisch sind und somit für eine große Bandbreite von Problemen oder Propblemklassen genutzt werden können. Dabei können sie ausgehen von:

  • einer einzelnen Lösung, die iterativ verbessert wird, 
  • einer Menge von Einzellösungen, die zueinander im Wettbewerb stehen, für einen gegenseitigen Vergleich genutzt werden, sich miteinander zu neuen Lösungsvorschlägen kombinieren oder jeweils ausgehend von einer eigenen Optimallösung einen gemeinsamen Kompromiss aushandeln,
  • Lösungspfaden, die eine Menge von Einzellösungen nach einem bestimmten Muster im Lösungsraum zusammenfassen, um daraus erfolgreiche Teil-Muster bzw. vielversprechende Lösungsteilräume zu bestimmen
  • einer Menge von bewährten Einzellösungen, die hinsichtlich der Ähnlichkeit mit der Problemstellung verglichen und als anzupassende Ideallösung ausgewählt werden.

Aus praktischer Sicht ist eine weitere Klassifikation sinnvoll, welche auf den zuvor genannten Klassifikationssystemen aufbaut (siehe Bild 2). Von Interesse ist es, die Ergebnisqualität in Relation zum Aufwand für ein eingesetztes Verfahren einschätzbar zu machen. Deshalb ist einerseits die Handhabung der Problemkomplexität durch die Problemrepräsentation von Bedeutung. Ein Verfahren kann den gesamten, theoretisch denkbaren Lösungsraum aufgreifen, diesen zwecks einer besseren Durchsuchbarkeit reduzieren (systematisch, heuristisch, zufällig) oder aber ignorieren, also sich seiner Größe gar nicht bewusst sein. Andererseits ist die Handhabung des nun verbliebenen Lösungsraum durch die Lösungsberechnung von Bedeutung. Der Lösungsraum kann entweder zufällig, heuristisch bis systematisch oder vollständig untersucht werden. Die Kombination aus gewählter Repräsentations- und Berechnungsart ergibt eine bestimmte, garantierbare Lösungsqualität.

Über die Kombination von Merkmalen, wie von der Problemrepräsentation und dem Verfahren selbst mit der Problemkomplexität umgegangen wird, ergibt sich die mögliche Ergebnisgüte. Einige Verfahren sind lediglich in der Lage, gültige Lösung zu ermitteln. Weitere Verfahren können eine Minimalgüte sicherstellen, indem z. B. der Suchraum nicht zufällig über gute Lösungen reduziert wird. Weitere Verfahren schaffen es, ein lokales Optimum als Ergebnis zu garantieren oder sogar mehrere lokale Optima zu finden, bis zumindest eine Mindestgüte des Ergebnisses erreicht worden ist. Weiterhin kann der Lösungsraum gezielt um schlechte Bereiche reduziert werden, sodass die Rechenkapazitäten genutzt werden können, um zu gewährleisten, dass das Ergebnis ein überregionales (lokales) Optimum darstellt. Dass das globale Optimum gefunden wird, kann nur garantiert werden, wenn der komplette Lösungsraum von der Problemrepräsentation und dem Optimierungsverfahren aufgegriffen wird.

Die Güte-Matrix (Bild 2) dient der Verfahrens-Positionierung und der Auswahl sukzessiv besserer Verfahren oder Optimierungsmodellerweiterungen. Sie verdeutlicht, dass es nicht ausreicht, nur die Problemrepräsentation oder nur das Verfahren nachzubessern, um eine höhere Ergebnisgüte gewährleisten zu können.


Eignung im Kontext von Industrie 4.0

Durch Konzepte wie Industrie 4.0 werden mitunter die Vernetzung der Teilnehmer einer Wertschöpfungskette gesteigert und mehr Produktionsdaten generiert. Dies trägt auch zu Produktivitätssteigerungen bei, wenngleich diese Erfolge durch technisches und datenanalytisches Aufrüsten erzielt werden und nicht durch neuartige Optimierungsalgorithmen. Denn die klassischen Verfahren zur Reihenfolgeoptimierung sind für dezentrale Industrie 4.0-Rahmenbedingungen nicht ausgelegt:

  • Jeder Akteur in einem vernetzten Produktionsverbund hat sein eigenes Zielsystem und sucht sein eigenes Optimum. Dadurch entsteht für den Produktionsverbund eine Gesamtlösung bestehend aus vielen lokalen Optima. Per se gibt es für einen einzelnen Akteur keinen Anreiz, zu Gunsten eines anderen Akteurs eine für sich ungünstige Reihenfolge zu planen, selbst wenn dieser davon überproportional profitiert.
  • Für ein zentral zu bestimmendes, globales Optimum für ein unternehmensübergreifendes Produktionsszenario ist globale Datenverfügbarkeit notwendig. Wenngleich es technisch möglich sein kann, sind es betriebswirtschaftliche Gründe, die einen solchen Ansatz in der Praxis unterbinden. Denn aus den zu übermittelnden Daten lassen sich die Leistungsfähigkeit, Arbeitsweisen, Produktionsverfahren, Produktkonzepte, Auftragsauslastung, Strategie und Wirtschaftlichkeit eines Unternehmens herauslesen. Mittelfristig wird diese Offenlegung einen Wettbewerbsnachteil mit sich bringen.
  • Jeder Akteur in einem Produktionsverbund ist ein eigenes System, welches in der Lage ist, die eigene Produktion vor einer Vielzahl von internen und externen (Umwelt-)Einflüssen zu bewahren. Das jeweilige Optimierungsverfahren ist so gewählt worden, dass es gegenüber diesen Einflüssen tolerant oder robust ist. Ein zentrales Optimierungsverfahren für einen gesamten Produktionsverbund muss sämtliche spezifischen Einflüsse seiner Akteure auffangen können, um realistische Ergebnisse liefern zu können.
  • Selbst wenn in einem Idealfall sämtliche Informationen für ein zentrales Optimierungsverfahren zur Verfügung gestellt werden können, besteht das Problem der wachsenden Lösungsraumkomplexität. In der Regel steigt die Größe des zu untersuchenden Lösungsraumes für jedes neue einzuplanende Element exponentiell an. Durch die Betrachtung der gesamten Wertschöpfungskette vervielfacht sich die Menge der einzuplanenden Elemente. Durch diese enorme Komplexitätssteigerung wird es für klassische Optimierungsverfahren immer unwahrscheinlicher, eine annähernd ideale Lösung zu finden.

Die Konsequenz zu jenen Rahmenbedingungen ist, dass sich im Kontext und in der Praxis von Industrie 4.0 nur dezentrale, komplexitätsreduzierende Optimierungsansätze eignen, welche viele lokale, miteinander konkurrierende Optima zu einem gemeinsamen Optimum zusammenführen unter den Nebenbedingungen  einer globalen Datenintransparenz und einer lokalen Datenanreicherung (Produktionsdaten zu Analysezwecken). 

Exakte Methoden benötigen die vollständige Datentransparenz einhergehend mit der ansteigenden Problemkomplexität und sind nicht in der Lage, Akteurs-spezifische Umwelteinflüsse zu berücksichtigen. Gleiches gilt für Approximierungs-Algorithmen, wenngleich diese die Komplexität durch die Anzahl von Näherungsschritten beliebig annehmen oder ausblenden können. 

Einzellösungs- und populationsbasierte Metaheuristiken eignen sich ebenfalls wegen der unvollständigen Information und der Komplexitätssteigerung nur für den lokalen Einsatz.

Drei Arten von Optimierungsverfahren kommen daher für die Optimierung von vernetzen Produktionspartnern in Betracht. Dazu zählen problemspezifische Heuristiken, die durch ausreichendes Wissen über die jeweilige Wertschöpfungekette individuell umgesetzt werden können. Hieraus lassen sich allerdings keine allgemein gültigen Lösungsverfahren ableiten. Prädestiniert sind agentenbasierte Verfahren. Jeder Agent kennt seine lokalen Einflussgrößen und Zielsysteme, kann daraus sein spezifisches Optimum ermitteln und in der Interaktion mit anderen Agenten z. B. durch Ausgleichszahlungen von seinem eigenen Optimum abweichen, damit sich das Gesamtsystem dem globalen Optimum annähern kann.

Eine Zwischenform können lösungsraumbasierte Verfahren sein. Hierbei kann für diejenigen Aufgaben, welche die Schnittstelle zwischen zwei Akteuren darstellen eine fixierte Anordnung definiert werden, welche bereits kritische Ressourcen oder Aufträge idealtypisch eingeplant haben. Dies bedeutet dann, dass der Lösungsraum eingegrenzt worden ist und Strategien für die Navigation durch den Lösungsraum sich auf kleine Räume beschränken können.


Förderhinweis:

Diese Arbeit entstand im Rahmen des Projektes „Reihenfolgeplanung in der Werkstattfertigung durch systematische Lösungsraumnavigation“. Es wird mit Mitteln der Deutschen Forschungsgemeinschaft gefördert (Kz. GR 1846/17-1).

Schlüsselwörter:

Reihenfolgeplanung, Industrie 4.0, Werkstattfertigung

Literatur:

[1] N. Gronau, H. Theuer: Determination of the optimal degree of autonomy in a cyber-physical production system.accepted paper, CIRP-CMS Stuttgart 2016
[2] N. Gronau: Der Einfluss von Cyber-Physical Systems auf die Gestaltung von Produktionssystemen. Industrie Management 3 / 2015, S. 16-20
[3] M. Medo: Kontinuierliche Planung der Fließfertigung von Varianten. Schriftenreihe des IFU, Band 15, Braunschweig 2010
[4] J. Blazewicz, K. H. Ecker, E. Pesch, G. Schmidt, J. Weglarz: Handbook on Scheduling - From Theory to Applications. Berlin Heidelberg 2007
[5] H. Kühnle: Produktionsmengen- und -Terminplanung bei mehrstufiger Linienfertigung. Berlin Heidelberg 1987
[6] H. Seelbach: Ablaufplanung. Würzburg Wien 1975
[7] T. Siegel: Optimale Maschinenbelegungsplanung: Zweckmäßigkeit der Zielkriterien und Verfahren zur Lösung des Reihenfolgeproblems. Berlin 1974
[8] M. Junge: Simulationsgestütze Entwicklung und Optimierung einer energieeffizienten Produktionssteuerung. In: J. Hesselbach (Hrsg.): Produktion und Energie, Band 1, Kassel 2007
[9] M. Teichner: Analyse der Wirksamkeit ausgewählter Verfahren der Reihenfolgeplanung für die Erreichung ökonomischer Ziele. Aachen 2010
[10] J.K. Lenstra, K. A. H. G. Rimnooy, P. Brucker, Complexity of Machine Scheduling Problems. Annals of Discrete Mathematics (1) 1977, S. 343-362
[11] L. Hall: Approximability of flow shop scheduling. Mathematical Programming (82), 1998, S. 175-190
[12] M.A. Kubzin, V.A. Strusevich: Planning Machine Maintenance in Two-Machine Shop Scheduling. Operations Research (54) 4, 2006, S. 789-800
[13] M.R. Garey, D.S. Johnson. Computers and Intractability: A Guide to the Theory of NP-Completeness. New York 1979
[14] D. Bertsimas, D. Gamarnik, J. Sethuraman: From Fluid Relaxations to Practical Algorithms for High-Multiplicity Job-Shop Scheduling: The Holding Cost Objective. Operations Research (51) 5, 2003, S. 798-813
[15] H.-H. Doh, J.-M. Yu, J.-S. Kim, D.-H. Lee, S.-H. Nam: A priority scheduling approach for flexible job shops with multiple process plans. International Journal of Production Research (51)12, 2013, S. 3748-3764
[16] J. Caffrey, G. Hitchings: Makespan distributions in flow shop scheduling. International Journal of Operations & Production Management (15) No. 3, 1995
[17] W. R. Newman, M. J. Maffei: Managing the job shop: simulating the effects of flexibility, order release mechanisms and sequencing rules. Integrated Manufacturing Systems (10) 5, 1999, S. 266-275
[18] W. Krug: Modelling, Simulation and Optimisation for manufacturing, organisational and logistical processes. Delft 2002
[19] F. Huq, Z. Huq: The sensitivity of rule combinations for scheduling in a hybrid job shop. International Journal of Operations & Production Management (15) 3, 1995, S. 59-75
[20] J. Payman, R. Leachman: Coordinated Multistage Scheduling of Parallel Batch-Processing Machines Under Multiresource Constraints. Operations Research (58) 4-1, 2010, S. 933-947
[21] S. Kirkpatrick, C.D. Gelatt, M.P. Vecchi: Optimization by Simulated Annealing. Science, New Series (220), 1983, S. 671-680
[22] K. Kurbel, T. Rohmann: Ein Vergleich von Verfahren zur Maschinenbelegungsplanung: Simulated Annealing, Genetische Algorithmen und mathematische Optimierung. Wirtschaftsinformatik (37) 6, 1995, S.581-593
[23] A.S. Manne: On the Job-Shop Scheduling Problem. Operations Research (8) 8, 1960, S. 219-223
[24] P.D. Martin: A Time-Oriented Approach to Computing Optimal Schedules for the Job-Shop Scheduling Problem, Ph. D. Thesis, School of Operations Research & Industrial Engineering, Cornell University, Ithaca 1996
[25] T. Yunes, A. Ionu, J. Hooker: An Integrated Solver for Optimization Problems. Operations Research (58) 2, 2010, S. 342-356
[26] A. Garrido, M. A. Salido, F. Barber, M. A. López: Heuristic Methods for Solving Job-Shop Scheduling Problems, Intelligent Planning & Scheduling Group, Polytechnical University of Valencia, 2000, http://users.dsic.upv.es/~agarridot/index_archivos/papers/garrido00b.ps (letzter Abruf 12.08.2016)
[27] A. Fink und F. Rothlauf: Heuristische Optimierungsverfahren in der Wirtschaftsinformatik, Arbeitsbericht: Working Papers in Information Systems 1, 10/2006, Department of Information Systems 1, Universität Mannheim, 2006
[28] D. de Farias, B. van Roy: The Linear Programming Approach to Approximate Dynamic Programming. Operations Research (51) 6, 2003, S. 850-865
[29] S. Binato, W. J. Hery, D. M. Loewenstern, M. G. C. Resende, A: GRASP for Job Shop Scheduling. In: Essays and surveys on metaheuristics, Alphen aan den Rijn, 2001, S. 59-79
[30] C.C. Ribeiro, P. Hansen, Essays and surveys in Metaheuristics. Alphen aan den Rijn 2002
[31] J.P. Watson, A. E. Howe, L.D. Whitley: An Analysis of Iterated Local Search for Job-Shop Scheduling. In: T. Ibaraki, Y Yoshitomi (Hrsg.): Fifth Metaheuristics International Conference, 2003
[32] H.R. Lourenço, O. Martin, T. Stützle, Iterated Local Search. Handbook of Metaheuristics (57), 2002, S. 321-353
[33] P.J.M. van Laarhoven, E.H.L. Aarts: Simulated annealing: theory and applications. Dordrecht 1987
[34] M. Steinrücke: Fuzzy Sets und ihre konzeptionelle Anwendung in der Produktionsplanung. Wiesbaden 1997
[35] V. Sels, N. Gheysen, M. Vanhoucke: A comparison of priority rules for the job shop scheduling problem under different flow time- and tardiness-related objective functions. International Journal of Production Research (50) 15, 2012, S. 4255-4270
[36] J. Heuer: Neuronale Netze in der Industrie: Einführung - Analyse - Einsatzmöglichkeiten. Wiesbaden 1997
[37] P. Priore, D. de la Fuente, R. Pino: Dynamic scheduling of flexible manufacturing systems using neural networks and inductive learning. Integrated Manufacturing Systems (14) 2, 2003, S. 160-168
[38] K. G. Anilkumar, T. Tanprasert: Neural Network Based Generalized Job-Shop Scheduler. In: Proceedings of the 2nd IMT-GT Regional Conference on Mathematics, Statistics and Applications, Malaysia 2006
[39] K. Peters und C. Scharff: Intelligente Produktionssteuerung mit verspätetem Feedback. PPS Management (14) 1, 2009, S. 33-36
[40] Golmohammadi, D.: A neural network decision-making model for job-shop scheduling. International Journal of Production Research (51) 17, 2013, S. 5142-5157
[41] A. Aamodt, E. Plaza: Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AI Communications 7 (1), 1994, S. 39-59
[42] G. Schmidt: Case-based Reasoning for Production Scheduling. International Journal of Production Economics (56-57) 1998, S. 537-546
[43] S. Gulati und S. S. Iyengar: Nonlinear Neural Networks for Deterministic Scheduling. In: IEEEICNN - Proccedings of the IEEE First International Conference on Neural Networks, IEEE Piscataway, 1987, Band 4, S. 745-752
[44] Y.-P. S. Foo und Y. Takefuji: Integer Linear Programming Neural Networks for Job-Shop Scheduling. In: Proceedings of the Second International Conference on Neural Networks. IEEE 1988, Band 2, S. 341-348
[45] P. V. Hayes, R. T. Rue und S. I. Sayegh: Fault Isolation in Units Under Test: A Neural Network Approach. In: Proceedings of the Artificial Neural Networks in Engineering (ANNIE`92) Conference, New York 1992, S. 757-762
[46] J. Wang, H. Zhao, J. Du, T. Yu, W. Wang: Neural Network Model Based Job Scheduling and Its Implementation in Networked Manufacturing. In: 4th International Conference on Natural Computation 2008
[47] B. Scholz-Reiter, T. Hamann, N. Gronau, J. Bogen: Fallbasierte neuronale Produktionsregelung: Nutzung des Case-Based Reasoning zur Produktionsregelung mit neuronalen Netzen. wt Werkstattstechnik online (95) 4, 2005, S. 293-298
[48] T. Hamann: Lernfähige intelligente Produktionsregelung. In: B. Scholz-Reiter (Hrsg.): Informationstechnische Systeme und Organisation von Produktion und Logistik, Band 7, Berlin 2008
[49] D. Whitley , N. Yoo: Modeling Simple Genetic Algorithms for Permutation Problems. Foundations of Genetic Algorithms (3) 1994, S. 163-184
[50] T. Yamada, R. Nakano: Genetic Algorithms for Job-Shop Scheduling Problems. In: Proceedings of Modern Heuristic for Decision Support 1997
[51] C. Bierwirth, D. C. Mattfeld: Production Scheduling and Rescheduling with Genetic Algorithms. Evolutionary Computation Archive (7) 1, 1999
[52] D.C. Mattfeld, C. Bierwirth: A search space analysis of the Job Shop Scheduling Problem. Annals of Operations Research (86), 1999, S. 441-453
[53] A. Fekih, O. Jellouli, A.B. Hadj-Alouane: Flexible job-shop scheduling problem by genetic algorithm and learning by partial injection of sequences. International Journal of Engineering Management and Economics (3) 1/2, 2012, S. 22-39
[54] S. Maqsood, S. Noor, M.K. Khan, A. Wood: Hybrid Genetic Algorithm (GA) for job shop scheduling problems and its sensitivity analysis. International Journal of Intelligent Systems Technologies and Applications (11) 1/2, 2012, S. 49-62
[55] A.-D.D. Ngoc, S.H. Lee, I. Moon: Hybrid genetic algorithm for test bed scheduling problems. International Journal of Production Research (52) 4, 2014, S. 1074-1089
[56] L. Barbulescu, J.-P. Watson, L. D. Whitley: Dynamic Representations and Escaping Local Optima: Improving Genetic Algorithms and Local Search. In: Proceedings of the 17th National Conference on Artificial Intelligence 2000, S. 879-884
[57] C. Bierwirth: A generalized permutation approach to job shop scheduling with genetic algorithms. OR Spectrum (17) 1995, S. 87-92
[58] Mattfeld, D.C.; Bierwirth, C.: An Efficient Genetic Algorithm for Job Shop Scheduling with Tardiness Objectives. European Journal of Operational Research 155 (2004), S. 616-630
[59] D. Montana, M. Brinn, S. Moore, G. Bidwell: Genetic Algorithms for Complex Real-Time Scheduling. In: IEEE Conference on Systems, Man. and Cybernetics, 1998. http://davidmontana.net/papers/smc98.pdf (Letzter Abruf 10.12.2014)
[60] R. Braune, S. Wagner, M. Affenzeller: Applying Genetic Algorithms to the Optimization of Production Planning in a Real-World Manufacturing Environment. In: R. Trappl (Hrsg.): Cybernetics and Systems (1) 2004, S. 41-46
[61] M. Vázquez , L. D. Whitley: A Comparison of Genetic Algorithms for the Dynamic Job Shop Scheduling Problem. In: Proceedings of the Genetic and Evolutionary Computation Conference, 2000, S. 303-312
[62] S. Chen, S. F. Smith: Improving Genetic Algorithms by Search Space Reductions (with Applications to Flow Shop Scheduling). In: Proceedings of the Genetic and Evolutionary Computation Conference, Orlando 1999
[63] J.F. Gonçalves, J. J. de Magalhães Mendes: A Hybrid Genetic Algorithm for the Job Shop Scheduling Problem, AT&T Labs Research Technical Report TD-5EAL6J, 2002
[64] C.F. Tsai, F.-C. Lin: A New Hybrid Heuristic Technique for Solving Job-shop Scheduling Problem. In: IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications, 2003
[65] Khouki: Prototyped genetic search: a cybernetical approach to job-shop scheduling problems, Vol. 31 No. 1, pp. 96-114, 2002
[66] K. Belkadi, M. Gougand, M. Benyettou, A .Aribi: Sequential and Parallel Genetic Algorithms for the Hybrid Flow Shop Scheduling Problem. Journal of Applied Science (6), 2006, S. 775-778
[67] F. Manlig: Optimierung von Fertigungsprozessen mit Rechnersimulation - Ein Analysebericht. IPT, PAS-Forschungsergebnisbericht TU Dresden 2001
[68] S. Horn, G. Weigert, E. Beier: Heuristic optimization strategies for scheduling of manufacturing processes. In: Proceedings of Electronics Technology ISSE 2006, S. 422-427, DOI: 10.1109/ISSE.2006.365142
[69] S. Hong Choi, F. Yu Yan: A filter search algorithm based on machine-order space for job-shop scheduling problems. Journal of Manufacturing Technology Management (17) 3, 2006, S. 376-392
[70] G. Schmidt: Scheduling with limited machine availability. European Journal of Operational Research, 121(3), 2000, S. 1-15
[71] S. Albers, G. Schmidt: Scheduling with unexpected machine breakdowns. Discrete Applied Mathematics, (110) 2-3, 2001, S. 85-99
[72] W. Kubiak, J. Blazewicz, P. Formanowicz, J. Breit, G. Schmidt: Two-machine flow shops with limited machine availability. European Journal of Operational Research 136 (3), 2002, S. 528-540
[73] S. Wang, L. Wang, Y. Xu, M. Liu: An effective estimation of distribution algorithm for the flexible job-shop scheduling problem with fuzzy processing time. International Journal of Production Research (51) 12, 2013, S. 3778-3793
[74] X. Zhang, Y. Deng, F.T.S. Chan, P. Xu, S. Mahadevan, Y. Hu: IFSJSP: A novel methodology for the Job-Shop Scheduling Problem based on intuitionistic fuzzy sets. International Journal of Production Research (51) 17, 2013, S. 5100-5119
[75] D. Lin, C.K.M. Lee, Z. Wu: Integrating analytical hierarchy process to genetic algorithm for re-entrant flow shop scheduling problem. International Journal of Production Research (50) 7, 2012, S. 1813-1824
[76] M. Mitchell , S. Forrest , J.H. Holland: The Royal Road for Genetic Algorithms: Fitness Landscapes and GA Performance. In: Proceedings of the First European Conference on Artificial Life 1991
[77] J. Czogalla, A. Fink: Fitness Landscape Analysis for the Resource Constrained Project Scheduling Problem. In: Lecture Notes in Computer Science (5851) Berlin Heidelberg 2009, S. 104-118
[78] M. J. Geiger: On the distribution of Pareto Optimal Solutions in alternative space - the investigation of multi objective permutation flow shop scheduling problems. Technological and Economic Development of Economy. (12) 1, 2006, S. 23-29
[79] A.M. Sutton: An analysis of search landscape neutrality in scheduling problems. In: Proceedings of ICAPS 2007 Doctoral Consortium, Providence
[80] M. Roberts, L. D. Whitley, A. E. Howe, L. Barbulescu: Randomwalks and Neighbourhood Bias in oversubscribed scheduling. In: Multidisciplinary International Conference on Scheduling, 2005
[81] K. Schmidt: Using Tabu Search to Solve the Job Shop Scheduling Problem with Sequence Dependent Setup Times. ScM Thesis, Brown University, 2001
[82] C. Bierwirth, D. C. Mattfeld, J.-P. Watson: Landscape Regularity and Random Walks for the Job-Shop Scheduling Problem, Lecture Notes in Computer Science (3004) 2004, S. 21-30
[83] E.-G. Talbi: Metaheuristics - From Design to Implementation. New Jersey, 2009