You are here: Home → Proceedings
Document Actions

Citation and metadata

Back to the article.

Recommended citation

Noortwyck R, Schulz R (2022). Entwicklung eines DRL-Agenten zur Reihenfolgeoptimierung für Hochregallager mit Shuttle-Fahrzeugen. Logistics Journal : Proceedings, Vol. 2022. (urn:nbn:de:0009-14-55977)

Download Citation

Endnote

%0 Journal Article
%T Entwicklung eines DRL-Agenten zur Reihenfolgeoptimierung für Hochregallager mit Shuttle-Fahrzeugen
%A Noortwyck, Ruben
%A Schulz, Robert
%J Logistics Journal : Proceedings
%D 2022
%V 2022
%N 18
%@ 2192-9084
%F noortwyck2022
%X Aufgrund steigender Dynamik und Heterogenität in der Produktion sind auch die Anforderungen an die Intralogistik und im speziellen an Lagersysteme gestiegen. Lagersysteme müssen flexibel sein und einen hohen Durchsatz ermöglichen. Diese Anforderungen werden durch Shuttlesysteme erfüllt. Damit der Durchsatz von Shuttlesystemen softwarebasiert weiter gesteigert werden kann, wurden Konzepte entwickelt, welche mit Deep Reinforcement Learning (DRL) die Blockaden, welche z. B. beim Gassenwechsel oder bei mehreren Auslagerungen in einer Gasse auftreten, durch eine genänderte Auslagerungsreihenfolge minimieren. Die bisher entwickelten Konzepte betrachten ausschließlich eine sehr kleine Anzahl an Lagerplätzen. Reale Shuttlesysteme verfügen teilweise über mehrere tausend Lagerplätze pro Ebene. Daher wird in diesem Beitrag ein DRLKonzept entwickelt, welches in einem realen Shuttlesystem die Auslagerungsreihenfolge anpasst, um durch eine Minimierung der Blockaden eine Durchsatzsteigerung zu erreichen.
%L 620
%K AVS/RS
%K Deep Reinforcement Learning
%K Durchsatzoptimierung
%K Künstliche Intelligenz
%K Shuttle-Systeme
%K artificial intelligence
%K throughput optimization
%R 10.2195/lj_proc_noortwyck_de_202211_01
%U http://nbn-resolving.de/urn:nbn:de:0009-14-55977
%U http://dx.doi.org/10.2195/lj_proc_noortwyck_de_202211_01
Download

Bibtex

@Article{noortwyck2022,
  author = 	"Noortwyck, Ruben
		and Schulz, Robert",
  title = 	"Entwicklung eines DRL-Agenten zur Reihenfolgeoptimierung f{\"u}r Hochregallager mit Shuttle-Fahrzeugen",
  journal = 	"Logistics Journal : Proceedings",
  year = 	"2022",
  volume = 	"2022",
  number = 	"18",
  keywords = 	"AVS/RS; Deep Reinforcement Learning; Durchsatzoptimierung; K{\"u}nstliche Intelligenz; Shuttle-Systeme; artificial intelligence; throughput optimization",
  abstract = 	"Aufgrund steigender Dynamik und Heterogenit{\"a}t in der Produktion sind auch die Anforderungen an die Intralogistik und im speziellen an Lagersysteme gestiegen. Lagersysteme m{\"u}ssen flexibel sein und einen hohen Durchsatz erm{\"o}glichen. Diese Anforderungen werden durch Shuttlesysteme erf{\"u}llt. Damit der Durchsatz von Shuttlesystemen softwarebasiert weiter gesteigert werden kann, wurden Konzepte entwickelt, welche mit Deep Reinforcement Learning (DRL) die Blockaden, welche z. B. beim Gassenwechsel oder bei mehreren Auslagerungen in einer Gasse auftreten, durch eine gen{\"a}nderte Auslagerungsreihenfolge minimieren. Die bisher entwickelten Konzepte betrachten ausschlie{\ss}lich eine sehr kleine Anzahl an Lagerpl{\"a}tzen. Reale Shuttlesysteme verf{\"u}gen teilweise {\"u}ber mehrere tausend Lagerpl{\"a}tze pro Ebene. Daher wird in diesem Beitrag ein DRLKonzept entwickelt, welches in einem realen Shuttlesystem die Auslagerungsreihenfolge anpasst, um durch eine Minimierung der Blockaden eine Durchsatzsteigerung zu erreichen.",
  issn = 	"2192-9084",
  doi = 	"10.2195/lj_proc_noortwyck_de_202211_01",
  url = 	"http://nbn-resolving.de/urn:nbn:de:0009-14-55977"
}
Download

RIS

TY  - JOUR
AU  - Noortwyck, Ruben
AU  - Schulz, Robert
PY  - 2022
DA  - 2022//
TI  - Entwicklung eines DRL-Agenten zur Reihenfolgeoptimierung für Hochregallager mit Shuttle-Fahrzeugen
JO  - Logistics Journal : Proceedings
VL  - 2022
IS  - 18
KW  - AVS/RS
KW  - Deep Reinforcement Learning
KW  - Durchsatzoptimierung
KW  - Künstliche Intelligenz
KW  - Shuttle-Systeme
KW  - artificial intelligence
KW  - throughput optimization
AB  - Aufgrund steigender Dynamik und Heterogenität in der Produktion sind auch die Anforderungen an die Intralogistik und im speziellen an Lagersysteme gestiegen. Lagersysteme müssen flexibel sein und einen hohen Durchsatz ermöglichen. Diese Anforderungen werden durch Shuttlesysteme erfüllt. Damit der Durchsatz von Shuttlesystemen softwarebasiert weiter gesteigert werden kann, wurden Konzepte entwickelt, welche mit Deep Reinforcement Learning (DRL) die Blockaden, welche z. B. beim Gassenwechsel oder bei mehreren Auslagerungen in einer Gasse auftreten, durch eine genänderte Auslagerungsreihenfolge minimieren. Die bisher entwickelten Konzepte betrachten ausschließlich eine sehr kleine Anzahl an Lagerplätzen. Reale Shuttlesysteme verfügen teilweise über mehrere tausend Lagerplätze pro Ebene. Daher wird in diesem Beitrag ein DRLKonzept entwickelt, welches in einem realen Shuttlesystem die Auslagerungsreihenfolge anpasst, um durch eine Minimierung der Blockaden eine Durchsatzsteigerung zu erreichen.
SN  - 2192-9084
UR  - http://nbn-resolving.de/urn:nbn:de:0009-14-55977
DO  - 10.2195/lj_proc_noortwyck_de_202211_01
ID  - noortwyck2022
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>noortwyck2022</b:Tag>
<b:SourceType>ArticleInAPeriodical</b:SourceType>
<b:Year>2022</b:Year>
<b:PeriodicalTitle>Logistics Journal : Proceedings</b:PeriodicalTitle>
<b:Volume>2022</b:Volume>
<b:Issue>18</b:Issue>
<b:Url>http://nbn-resolving.de/urn:nbn:de:0009-14-55977</b:Url>
<b:Url>http://dx.doi.org/10.2195/lj_proc_noortwyck_de_202211_01</b:Url>
<b:Author>
<b:Author><b:NameList>
<b:Person><b:Last>Noortwyck</b:Last><b:First>Ruben</b:First></b:Person>
<b:Person><b:Last>Schulz</b:Last><b:First>Robert</b:First></b:Person>
</b:NameList></b:Author>
</b:Author>
<b:Title>Entwicklung eines DRL-Agenten zur Reihenfolgeoptimierung für Hochregallager mit Shuttle-Fahrzeugen</b:Title>
<b:Comments>Aufgrund steigender Dynamik und Heterogenität in der Produktion sind auch die Anforderungen an die Intralogistik und im speziellen an Lagersysteme gestiegen. Lagersysteme müssen flexibel sein und einen hohen Durchsatz ermöglichen. Diese Anforderungen werden durch Shuttlesysteme erfüllt. Damit der Durchsatz von Shuttlesystemen softwarebasiert weiter gesteigert werden kann, wurden Konzepte entwickelt, welche mit Deep Reinforcement Learning (DRL) die Blockaden, welche z. B. beim Gassenwechsel oder bei mehreren Auslagerungen in einer Gasse auftreten, durch eine genänderte Auslagerungsreihenfolge minimieren. Die bisher entwickelten Konzepte betrachten ausschließlich eine sehr kleine Anzahl an Lagerplätzen. Reale Shuttlesysteme verfügen teilweise über mehrere tausend Lagerplätze pro Ebene. Daher wird in diesem Beitrag ein DRLKonzept entwickelt, welches in einem realen Shuttlesystem die Auslagerungsreihenfolge anpasst, um durch eine Minimierung der Blockaden eine Durchsatzsteigerung zu erreichen.</b:Comments>
</b:Source>
</b:Sources>
Download

ISI

PT Journal
AU Noortwyck, R
   Schulz, R
TI Entwicklung eines DRL-Agenten zur Reihenfolgeoptimierung für Hochregallager mit Shuttle-Fahrzeugen
SO Logistics Journal : Proceedings
PY 2022
VL 2022
IS 18
DI 10.2195/lj_proc_noortwyck_de_202211_01
DE AVS/RS; Deep Reinforcement Learning; Durchsatzoptimierung; Künstliche Intelligenz; Shuttle-Systeme; artificial intelligence; throughput optimization
AB Aufgrund steigender Dynamik und Heterogenität in der Produktion sind auch die Anforderungen an die Intralogistik und im speziellen an Lagersysteme gestiegen. Lagersysteme müssen flexibel sein und einen hohen Durchsatz ermöglichen. Diese Anforderungen werden durch Shuttlesysteme erfüllt. Damit der Durchsatz von Shuttlesystemen softwarebasiert weiter gesteigert werden kann, wurden Konzepte entwickelt, welche mit Deep Reinforcement Learning (DRL) die Blockaden, welche z. B. beim Gassenwechsel oder bei mehreren Auslagerungen in einer Gasse auftreten, durch eine genänderte Auslagerungsreihenfolge minimieren. Die bisher entwickelten Konzepte betrachten ausschließlich eine sehr kleine Anzahl an Lagerplätzen. Reale Shuttlesysteme verfügen teilweise über mehrere tausend Lagerplätze pro Ebene. Daher wird in diesem Beitrag ein DRLKonzept entwickelt, welches in einem realen Shuttlesystem die Auslagerungsreihenfolge anpasst, um durch eine Minimierung der Blockaden eine Durchsatzsteigerung zu erreichen.
ER
Download

Mods

<mods>
  <titleInfo>
    <title>Entwicklung eines DRL-Agenten zur Reihenfolgeoptimierung für Hochregallager mit Shuttle-Fahrzeugen</title>
  </titleInfo>
  <name type="personal">
    <namePart type="family">Noortwyck</namePart>
    <namePart type="given">Ruben</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Schulz</namePart>
    <namePart type="given">Robert</namePart>
  </name>
  <abstract>Aufgrund steigender Dynamik und Heterogenität in der Produktion sind auch die Anforderungen an die Intralogistik und im speziellen an Lagersysteme gestiegen. Lagersysteme müssen flexibel sein und einen hohen Durchsatz ermöglichen. Diese Anforderungen werden durch Shuttlesysteme erfüllt. Damit der Durchsatz von Shuttlesystemen softwarebasiert weiter gesteigert werden kann, wurden Konzepte entwickelt, welche mit Deep Reinforcement Learning (DRL) die Blockaden, welche z. B. beim Gassenwechsel oder bei mehreren Auslagerungen in einer Gasse auftreten, durch eine genänderte Auslagerungsreihenfolge minimieren. Die bisher entwickelten Konzepte betrachten ausschließlich eine sehr kleine Anzahl an Lagerplätzen. Reale Shuttlesysteme verfügen teilweise über mehrere tausend Lagerplätze pro Ebene. Daher wird in diesem Beitrag ein DRLKonzept entwickelt, welches in einem realen Shuttlesystem die Auslagerungsreihenfolge anpasst, um durch eine Minimierung der Blockaden eine Durchsatzsteigerung zu erreichen.</abstract>
  <subject>
    <topic>AVS/RS</topic>
    <topic>Deep Reinforcement Learning</topic>
    <topic>Durchsatzoptimierung</topic>
    <topic>Künstliche Intelligenz</topic>
    <topic>Shuttle-Systeme</topic>
    <topic>artificial intelligence</topic>
    <topic>throughput optimization</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>2022</number>
      </detail>
      <detail type="issue">
        <number>18</number>
      </detail>
      <date>2022</date>
    </part>
  </relatedItem>
  <identifier type="issn">2192-9084</identifier>
  <identifier type="urn">urn:nbn:de:0009-14-55977</identifier>
  <identifier type="doi">10.2195/lj_proc_noortwyck_de_202211_01</identifier>
  <identifier type="uri">http://nbn-resolving.de/urn:nbn:de:0009-14-55977</identifier>
  <identifier type="citekey">noortwyck2022</identifier>
</mods>
Download

Full Metadata

Bibliographic Citation Logistics Journal : referierte Veröffentlichungen, Vol. 2022, Iss. 18
Title

Entwicklung eines DRL-Agenten zur Reihenfolgeoptimierung für Hochregallager mit Shuttle-Fahrzeugen (ger)
Author Ruben Noortwyck, Robert Schulz
Language ger
Abstract Aufgrund steigender Dynamik und Heterogenität in der Produktion sind auch die Anforderungen an die Intralogistik und im speziellen an Lagersysteme gestiegen. Lagersysteme müssen flexibel sein und einen hohen Durchsatz ermöglichen. Diese Anforderungen werden durch Shuttlesysteme erfüllt. Damit der Durchsatz von Shuttlesystemen softwarebasiert weiter gesteigert werden kann, wurden Konzepte entwickelt, welche mit Deep Reinforcement Learning (DRL) die Blockaden, welche z. B. beim Gassenwechsel oder bei mehreren Auslagerungen in einer Gasse auftreten, durch eine genänderte Auslagerungsreihenfolge minimieren. Die bisher entwickelten Konzepte betrachten ausschließlich eine sehr kleine Anzahl an Lagerplätzen. Reale Shuttlesysteme verfügen teilweise über mehrere tausend Lagerplätze pro Ebene. Daher wird in diesem Beitrag ein DRLKonzept entwickelt, welches in einem realen Shuttlesystem die Auslagerungsreihenfolge anpasst, um durch eine Minimierung der Blockaden eine Durchsatzsteigerung zu erreichen. Due to increasing dynamics and heterogeneity in production, the demands on intralogistics and especially on storage systems have increased. Storage systems must be flexible and enable a high throughput. These requirements are fulfilled by shuttle systems. To be able to increase the throughput of shuttle systems on a software basis, concepts have been developed that use Deep Reinforcement Learning (DRL) to minimise the blockages that arise, e.g. when changing gears or when several withdrawals are made in one gear, by changing the retrieval sequence. These concepts only consider a very small number of storage locations. Real shuttle systems sometimes have several thousand storage locations per level. Therefore, this paper develops a DRL concept that adapts the retrieval sequence in a real shuttle system to minimise blockades and increase throughput.
Subject AVS/RS, Deep Reinforcement Learning, Durchsatzoptimierung, Künstliche Intelligenz, Shuttle-Systeme, artificial intelligence, throughput optimization
DDC 620
Rights fDPPL
URN: urn:nbn:de:0009-14-55977
DOI https://doi.org/10.2195/lj_proc_noortwyck_de_202211_01