Skip to main content
SpringerLink
Log in

Optimierung industrieller Logistikprozesse mit Verfahren der Schwarmintelligenz und rekurrenten neuronalen Netzen

  • Projekt
  • Published:
KI - Künstliche Intelligenz Aims and scope Submit manuscript

Zusammenfassung

In der Logistik spielen effiziente Optimierungsalgorithmen sowie präzise Prognoseverfahren eine zentrale Rolle. Schwarmbasierte Optimierung findet robuste Optima unter komplexen Randbedingungen und passt sich dynamischen Veränderungen an. Rekurrente neuronale Netze erlauben konsistente Mehrschrittprognosen von komplexen Dynamiken. Erfahrungen aus realen industriellen Logistikprojekten beweisen die Praxistauglichkeit dieser fortschrittlichen Methoden.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Abb. 1
Abb. 2

Literatur

  1. Gleißner H, Femerling JC (2007) Logistik: Grundlagen – Übungen – Fallbeispiele. Gabler Verlag, Wiesbaden

    Google Scholar 

  2. Silva CA, Runkler TA, Sousa JM, Palm RH (2002) Ant colonies as logistic process optimizers. In: ANTS 02, Brüssel, S 76–87

  3. Crone S (2009) Neuronale Netze zur Prognose und Disposition im Handel. Betriebswirtschaftlicher Verlag Gabler, Wiesbaden

    Google Scholar 

  4. Bäck T (1996) Evolutionary algorithms in theory and practice: evolution strategies, evolutionary programming, genetic algorithms. Oxford University Press, London

    MATH  Google Scholar 

  5. Kennedy J, Eberhart RC (1995) Particle swarm optimization. In: IEEE, int conference on neural networks, Australia, S 1942–1948

  6. Dorigo M, Maniezzo V (1996) Ant system: optimization by a colony of cooperating agents. IEEE Trans Syst Man Cybern B 26(1):29–41

    Article  Google Scholar 

  7. Pinto P, Runkler TA, Sousa JM (2005) Wasp swarm optimization of supply chains. In: Int conference on adaptive and natural computing algorithms, Coimbra, Portugal, S 264–267

  8. Zimmermann HG, Grothmann R, Neuneier R (2002) Modeling of dynamical systems by error correction neural networks. In: Soofi A, Cao L (Hrsg) Modeling and forecasting financial data, techniques of nonlinear dynamics. Kluwer, Dordrecht

    Google Scholar 

  9. Rumelhart DE, Hinton GE, Williams RJ (1986) Learning internal representations by error propagation. In: Rumelhart DE, McClelland JL et al. (Hrsg) Parallel distributed processing: foundations, Bd 1. MIT Press, Cambridge

    Google Scholar 

  10. Hartmann SA, Runkler TA, Grothmann R, Bamberger J (2008) Ant colony optimization for cash distribution. In: GMA/GI-workshop computational intelligence, Dortmund, S 276–285

Download references

Author information

Authors and Affiliations

  1. Siemens AG, CT IC 4, 80200, München, Deutschland

    Thomas A. Runkler, Ralph Grothmann & Joachim Bamberger

Authors
  1. Thomas A. Runkler
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Ralph Grothmann
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Joachim Bamberger
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Thomas A. Runkler.

Rights and permissions

Reprints and permissions

About this article

Cite this article

Runkler, T.A., Grothmann, R. & Bamberger, J. Optimierung industrieller Logistikprozesse mit Verfahren der Schwarmintelligenz und rekurrenten neuronalen Netzen. Künstl Intell 24, 149–152 (2010). https://doi.org/10.1007/s13218-010-0029-z

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s13218-010-0029-z

Search

Navigation