Optimierung industrieller Logistikprozesse mit Verfahren der Schwarmintelligenz und rekurrenten neuronalen Netzen
| dc.contributor.author | Runkler, Thomas A. | |
| dc.contributor.author | Grothmann, Ralph | |
| dc.contributor.author | Bamberger, Joachim | |
| dc.date.accessioned | 2018-01-08T09:14:21Z | |
| dc.date.available | 2018-01-08T09:14:21Z | |
| dc.date.issued | 2010 | |
| dc.description.abstract | 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. | |
| dc.identifier.pissn | 1610-1987 | |
| dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/11135 | |
| dc.publisher | Springer | |
| dc.relation.ispartof | KI - Künstliche Intelligenz: Vol. 24, No. 2 | |
| dc.relation.ispartofseries | KI - Künstliche Intelligenz | |
| dc.title | Optimierung industrieller Logistikprozesse mit Verfahren der Schwarmintelligenz und rekurrenten neuronalen Netzen | |
| dc.type | Text/Journal Article | |
| gi.citation.endPage | 152 | |
| gi.citation.startPage | 149 |