Lösung des Facility Layout Problems mittels Deep Reinforcement Learning

Diese Arbeit untersucht den Einsatz von Reinforcement Learning zur Lösung desFabriklayoutproblems, das durch komplexe und multikriterielle Zielsetzungen geprägt ist. ImRahmen eines Design-Science-Ansatzes wird das Problem als Markov-Entscheidungsprozessmodelliert und in der Simulationsumgebung FactorySim umgesetzt. Eine zentrale Innovationist die Zustandsrepräsentation als mehrschichtiger Bildstapel, der eine flexible Abbildungunterschiedlicher Einflussgrößen und variabler Problemgrößen ermöglicht. Zur Bewertung vonLayouts werden bestehende Ansätze in kontinuierliche mathematische Modelle überführt undum zusätzliche praxisrelevante Kriterien erweitert. Darauf aufbauend werden verschiedeneBelohnungsfunktionen entwickelt, wobei eine differenzbasierte Variante besonders effektivesLernverhalten zeigt. Die Ergebnisse belegen, dass Reinforcement Learning in der Lage ist,Layoutlösungen auf dem Niveau klassischer Verfahren und teilweise menschlicher Planer zuerzeugen. Gleichzeitig bestehen Herausforderungen hinsichtlich Validität undNebenbedingungen. Aufgrund der sehr kurzen Inferenzzeiten bietet der Ansatz jedoch großesPotenzial für die praktische Unterstützung der digitalen Layoutplanung.