10:30 Uhr
Optimierung einer stochastischen MRP-Simulation unter Anwendung der Bayes’schen Optimierung
Philipp Zmijewski | University of Applied Science Osnabrueck
Details anzeigen
Autor:innen:
Philipp Zmijewski | University of Applied Science Osnabrueck
Nicolas Meseth | University of Applied Sciences Osnabrueck
In diesem Beitrag soll untersucht werden, ob unterschiedliche Bayes’sche Optimierungsverfahren für die Anwendung auf stochastische Materialbedarfsplanungssimulationen geeignet sind. Es soll ein Vergleich mit anderen Verfahren durchgeführt werden und speziell die Konvergenzgeschwindigkeit, die eine ausschlaggebende Kenngröße für die simulationsbasierte Optimierung darstellt, untersucht und gegenübergestellt werden. Dazu wird ein einfaches Simulationsmodell für Materialbedarfe entwickelt und systematisch hinsichtlich seiner Komplexität in mehreren Stufen erweitert. Dies wird zum einen durch die Hinzunahme von Produkten und zum anderen durch die Vertiefung der Stücklisten um zusätzliche Ebenen erreicht. Das anfänglich überschaubare Optimierungsproblem wird so schrittweise zu einem hochdimensionalen Optimierungsproblem, was für die simulationsbasierte Optimierung eine besondere Herausforderung darstellt. Die untersuchten Bayes’schen Optimierungsverfahren werden auf jeder Komplexitätsstufe miteinander verglichen. Ziel ist es zu ermitteln, ob und bis zu welchem Grad die Verfahren zufriedenstellende Ergebnisse liefern können. Ferner wird analysiert, wie sich die Konvergenzgeschwindigkeit, also Anzahl benötigter Simulationsszenarien, bis ein befriedigendes Ergebnis erreicht ist, pro Verfahren in Abhängigkeit der Komplexität verhält. Als Benchmark für die Bayes’schen Optimierungsverfahren werden das genetische Verfahren CMA-ES sowie ein Sobol-Verfahren (Random Search) auf das Problem angewendet.
Manuscript herunterladen
11:00 Uhr
Deep Reinforcement Learning for Workload Balance and Due Date Control in Wafer Fabs
Zhugen Zhou | Universität der Bundeswehr
Details anzeigen
Autor:innen:
Zhugen Zhou | Universität der Bundeswehr
Oliver Rose | Universität der Bundeswehr München
Semiconductor wafer fabrication facilities (wafer fabs) often prioritize two operational objectives: work-in-process (WIP) and due date. WIP-oriented and due date-oriented dispatching rules are two commonly used methods to achieve workload balance and on-time delivery, respectively. However, it often requires sophisticated heuristics to achieve both objectives simultaneously. In this paper, we propose a novel approach using deep-Q-network reinforcement learning (DRL) for dispatching in wafer fabs. The DRL approach differs from traditional dispatching methods by using dispatch agents at work-centers to observe state changes in the wafer fabs. The agents train their deep-Q-networks by taking the states as inputs, allowing them to select the most appropriate dispatch action. Additionally, the reward function is integrated with workload and due date information on both local and global levels. Compared to the traditional WIP and due date-oriented rules, as well as heuristics-based rule in literature, the DRL approach is able to produce better global performance with regard to workload balance and on-time delivery.
Manuscript herunterladen
11:30 Uhr
On the Usage of Container and Container Orchestrators as a Computational Infrastructure for Simulation Experiments
Daniel Seufferth | Universität der Bundeswehr
Details anzeigen
Autor:innen:
Daniel Seufferth | Universität der Bundeswehr
Heiderose Stein | Universität der Bundeswehr
Falk Stefan Pappert | Universität der Bundeswehr München
Oliver Rose | Universität der Bundeswehr München
The execution of simulation experiments becomes increasingly resource-intensive, either due to the increasing scale and complexity of the simulation model or the nature of the experiment itself. Popular approaches, like simulation-based optimisation and data farming, require extensive computational resources. Therefore, an appropriate methodology is needed to distribute simulation workloads onto complex computing infrastructures efficiently. Containerisation and container orchestration are promising approaches toward this goal. This paper discusses the requirements needed to utilise containerisation for simulation, gives an example of a container-based computational infrastructure for experimentation, and shows how containerisation and container orchestration benefit simulation execution.
Manuscript herunterladen