You are here: Home → Proceedings
Document Actions

Citation and metadata

Back to the article.

Recommended citation

Schloz F, Kriehn T, Schulz R, Fittinghoff M (2019). Entwicklung einer KI-basierten Reihenfolgestrategie für Hochregallager mit autonomen Fahrzeugen. Logistics Journal : Proceedings, Vol. 2019. (urn:nbn:de:0009-14-49751)

Download Citation

Endnote

%0 Journal Article
%T Entwicklung einer KI-basierten Reihenfolgestrategie für Hochregallager mit autonomen Fahrzeugen
%A Schloz, Franziska
%A Kriehn, Thomas
%A Schulz, Robert
%A Fittinghoff, Markus
%J Logistics Journal : Proceedings
%D 2019
%V 2019
%N 12
%@ 2192-9084
%F schloz2019
%X Die Nutzung der Künstlichen Intelligenz (KI), insbesondere von Algorithmen des maschinellen Lernens zur Lösung von Problemen in der Praxis und der Forschung ist weit verbreitet und in vielen Bereichen etabliert. Im Bereich der Bildung von Lagerstrategien in Hochregallagern mit autonomen Fahrzeugen (Shuttle-Systemen) besteht jedoch noch eine Forschungslücke. Eines der KI-Verfahren, das in letzter Zeit für Aufmerksamkeit gesorgt hat, ist das Reinforcement Learning mit der Verknüpfung zu Deep Learning. In diesem Beitrag wird eine Möglichkeit aufgezeigt, wie das Deep Reinforcement Learning genutzt werden kann, um eine Auslagerstrategie für Shuttle-Systeme zu entwickeln.
%L 620
%K Deep Reinforcement Learning
%K Durchsatzoptimierung
%K Lagerstrategien
%K Shuttle-System
%R 10.2195/lj_Proc_schloz_de_201912_01
%U http://nbn-resolving.de/urn:nbn:de:0009-14-49751
%U http://dx.doi.org/10.2195/lj_Proc_schloz_de_201912_01
Download

Bibtex

@Article{schloz2019,
  author = 	"Schloz, Franziska
		and Kriehn, Thomas
		and Schulz, Robert
		and Fittinghoff, Markus",
  title = 	"Entwicklung einer KI-basierten Reihenfolgestrategie f{\"u}r Hochregallager mit autonomen Fahrzeugen",
  journal = 	"Logistics Journal : Proceedings",
  year = 	"2019",
  volume = 	"2019",
  number = 	"12",
  keywords = 	"Deep Reinforcement Learning; Durchsatzoptimierung; Lagerstrategien; Shuttle-System",
  abstract = 	"Die Nutzung der K{\"u}nstlichen Intelligenz (KI), insbesondere von Algorithmen des maschinellen Lernens zur L{\"o}sung von Problemen in der Praxis und der Forschung ist weit verbreitet und in vielen Bereichen etabliert. Im Bereich der Bildung von Lagerstrategien in Hochregallagern mit autonomen Fahrzeugen (Shuttle-Systemen) besteht jedoch noch eine Forschungsl{\"u}cke. Eines der KI-Verfahren, das in letzter Zeit f{\"u}r Aufmerksamkeit gesorgt hat, ist das Reinforcement Learning mit der Verkn{\"u}pfung zu Deep Learning. In diesem Beitrag wird eine M{\"o}glichkeit aufgezeigt, wie das Deep Reinforcement Learning genutzt werden kann, um eine Auslagerstrategie f{\"u}r Shuttle-Systeme zu entwickeln.",
  issn = 	"2192-9084",
  doi = 	"10.2195/lj_Proc_schloz_de_201912_01",
  url = 	"http://nbn-resolving.de/urn:nbn:de:0009-14-49751"
}
Download

RIS

TY  - JOUR
AU  - Schloz, Franziska
AU  - Kriehn, Thomas
AU  - Schulz, Robert
AU  - Fittinghoff, Markus
PY  - 2019
DA  - 2019//
TI  - Entwicklung einer KI-basierten Reihenfolgestrategie für Hochregallager mit autonomen Fahrzeugen
JO  - Logistics Journal : Proceedings
VL  - 2019
IS  - 12
KW  - Deep Reinforcement Learning
KW  - Durchsatzoptimierung
KW  - Lagerstrategien
KW  - Shuttle-System
AB  - Die Nutzung der Künstlichen Intelligenz (KI), insbesondere von Algorithmen des maschinellen Lernens zur Lösung von Problemen in der Praxis und der Forschung ist weit verbreitet und in vielen Bereichen etabliert. Im Bereich der Bildung von Lagerstrategien in Hochregallagern mit autonomen Fahrzeugen (Shuttle-Systemen) besteht jedoch noch eine Forschungslücke. Eines der KI-Verfahren, das in letzter Zeit für Aufmerksamkeit gesorgt hat, ist das Reinforcement Learning mit der Verknüpfung zu Deep Learning. In diesem Beitrag wird eine Möglichkeit aufgezeigt, wie das Deep Reinforcement Learning genutzt werden kann, um eine Auslagerstrategie für Shuttle-Systeme zu entwickeln.
SN  - 2192-9084
UR  - http://nbn-resolving.de/urn:nbn:de:0009-14-49751
DO  - 10.2195/lj_Proc_schloz_de_201912_01
ID  - schloz2019
ER  -
Download

Wordbib

<?xml version="1.0" encoding="UTF-8"?>
<b:Sources SelectedStyle="" xmlns:b="http://schemas.openxmlformats.org/officeDocument/2006/bibliography"  xmlns="http://schemas.openxmlformats.org/officeDocument/2006/bibliography" >
<b:Source>
<b:Tag>schloz2019</b:Tag>
<b:SourceType>ArticleInAPeriodical</b:SourceType>
<b:Year>2019</b:Year>
<b:PeriodicalTitle>Logistics Journal : Proceedings</b:PeriodicalTitle>
<b:Volume>2019</b:Volume>
<b:Issue>12</b:Issue>
<b:Url>http://nbn-resolving.de/urn:nbn:de:0009-14-49751</b:Url>
<b:Url>http://dx.doi.org/10.2195/lj_Proc_schloz_de_201912_01</b:Url>
<b:Author>
<b:Author><b:NameList>
<b:Person><b:Last>Schloz</b:Last><b:First>Franziska</b:First></b:Person>
<b:Person><b:Last>Kriehn</b:Last><b:First>Thomas</b:First></b:Person>
<b:Person><b:Last>Schulz</b:Last><b:First>Robert</b:First></b:Person>
<b:Person><b:Last>Fittinghoff</b:Last><b:First>Markus</b:First></b:Person>
</b:NameList></b:Author>
</b:Author>
<b:Title>Entwicklung einer KI-basierten Reihenfolgestrategie für Hochregallager mit autonomen Fahrzeugen</b:Title>
<b:Comments>Die Nutzung der Künstlichen Intelligenz (KI), insbesondere von Algorithmen des maschinellen Lernens zur Lösung von Problemen in der Praxis und der Forschung ist weit verbreitet und in vielen Bereichen etabliert. Im Bereich der Bildung von Lagerstrategien in Hochregallagern mit autonomen Fahrzeugen (Shuttle-Systemen) besteht jedoch noch eine Forschungslücke. Eines der KI-Verfahren, das in letzter Zeit für Aufmerksamkeit gesorgt hat, ist das Reinforcement Learning mit der Verknüpfung zu Deep Learning. In diesem Beitrag wird eine Möglichkeit aufgezeigt, wie das Deep Reinforcement Learning genutzt werden kann, um eine Auslagerstrategie für Shuttle-Systeme zu entwickeln.</b:Comments>
</b:Source>
</b:Sources>
Download

ISI

PT Journal
AU Schloz, F
   Kriehn, T
   Schulz, R
   Fittinghoff, M
TI Entwicklung einer KI-basierten Reihenfolgestrategie für Hochregallager mit autonomen Fahrzeugen
SO Logistics Journal : Proceedings
PY 2019
VL 2019
IS 12
DI 10.2195/lj_Proc_schloz_de_201912_01
DE Deep Reinforcement Learning; Durchsatzoptimierung; Lagerstrategien; Shuttle-System
AB Die Nutzung der Künstlichen Intelligenz (KI), insbesondere von Algorithmen des maschinellen Lernens zur Lösung von Problemen in der Praxis und der Forschung ist weit verbreitet und in vielen Bereichen etabliert. Im Bereich der Bildung von Lagerstrategien in Hochregallagern mit autonomen Fahrzeugen (Shuttle-Systemen) besteht jedoch noch eine Forschungslücke. Eines der KI-Verfahren, das in letzter Zeit für Aufmerksamkeit gesorgt hat, ist das Reinforcement Learning mit der Verknüpfung zu Deep Learning. In diesem Beitrag wird eine Möglichkeit aufgezeigt, wie das Deep Reinforcement Learning genutzt werden kann, um eine Auslagerstrategie für Shuttle-Systeme zu entwickeln.
ER
Download

Mods

<mods>
  <titleInfo>
    <title>Entwicklung einer KI-basierten Reihenfolgestrategie für Hochregallager mit autonomen Fahrzeugen</title>
  </titleInfo>
  <name type="personal">
    <namePart type="family">Schloz</namePart>
    <namePart type="given">Franziska</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Kriehn</namePart>
    <namePart type="given">Thomas</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Schulz</namePart>
    <namePart type="given">Robert</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Fittinghoff</namePart>
    <namePart type="given">Markus</namePart>
  </name>
  <abstract>Die Nutzung der Künstlichen Intelligenz (KI), insbesondere von Algorithmen des maschinellen Lernens zur Lösung von Problemen in der Praxis und der Forschung ist weit verbreitet und in vielen Bereichen etabliert. Im Bereich der Bildung von Lagerstrategien in Hochregallagern mit autonomen Fahrzeugen (Shuttle-Systemen) besteht jedoch noch eine Forschungslücke. Eines der KI-Verfahren, das in letzter Zeit für Aufmerksamkeit gesorgt hat, ist das Reinforcement Learning mit der Verknüpfung zu Deep Learning. In diesem Beitrag wird eine Möglichkeit aufgezeigt, wie das Deep Reinforcement Learning genutzt werden kann, um eine Auslagerstrategie für Shuttle-Systeme zu entwickeln.</abstract>
  <subject>
    <topic>Deep Reinforcement Learning</topic>
    <topic>Durchsatzoptimierung</topic>
    <topic>Lagerstrategien</topic>
    <topic>Shuttle-System</topic>
  </subject>
  <classification authority="ddc">620</classification>
  <relatedItem type="host">
    <genre authority="marcgt">periodical</genre>
    <genre>academic journal</genre>
    <titleInfo>
      <title>Logistics Journal : Proceedings</title>
    </titleInfo>
    <part>
      <detail type="volume">
        <number>2019</number>
      </detail>
      <detail type="issue">
        <number>12</number>
      </detail>
      <date>2019</date>
    </part>
  </relatedItem>
  <identifier type="issn">2192-9084</identifier>
  <identifier type="urn">urn:nbn:de:0009-14-49751</identifier>
  <identifier type="doi">10.2195/lj_Proc_schloz_de_201912_01</identifier>
  <identifier type="uri">http://nbn-resolving.de/urn:nbn:de:0009-14-49751</identifier>
  <identifier type="citekey">schloz2019</identifier>
</mods>
Download

Full Metadata

Bibliographic Citation Logistics Journal : referierte Veröffentlichungen, Vol. 2019, Iss. 12
Title

Entwicklung einer KI-basierten Reihenfolgestrategie für Hochregallager mit autonomen Fahrzeugen (ger)
Author Franziska Schloz, Thomas Kriehn, Robert Schulz, Markus Fittinghoff
Language ger
Abstract Die Nutzung der Künstlichen Intelligenz (KI), insbesondere von Algorithmen des maschinellen Lernens zur Lösung von Problemen in der Praxis und der Forschung ist weit verbreitet und in vielen Bereichen etabliert. Im Bereich der Bildung von Lagerstrategien in Hochregallagern mit autonomen Fahrzeugen (Shuttle-Systemen) besteht jedoch noch eine Forschungslücke. Eines der KI-Verfahren, das in letzter Zeit für Aufmerksamkeit gesorgt hat, ist das Reinforcement Learning mit der Verknüpfung zu Deep Learning. In diesem Beitrag wird eine Möglichkeit aufgezeigt, wie das Deep Reinforcement Learning genutzt werden kann, um eine Auslagerstrategie für Shuttle-Systeme zu entwickeln. Using Artificial Intelligence (AI) in particular machine learning algorithms to solve problems in practice and research is widespread and established in several areas. However, there is still a research gap in the formation of storage strategies in high-bay warehouses with autonomous vehicles (AVS/RS). One of the AI methods that has recently attracted attention is Reinforcement Learning (RL), which includes deep learning. This paper presents how deep reinforcement learning can be used to develop a sequencing policy for AVS/RS.
Subject Deep Reinforcement Learning, Durchsatzoptimierung, Lagerstrategien, Shuttle-System
DDC 620
Rights fDPPL
URN: urn:nbn:de:0009-14-49751
DOI https://doi.org/10.2195/lj_Proc_schloz_de_201912_01