Methoden des bestärkenden Lernens für die Produktionsablaufplanung:
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
Wiesbaden
Springer Vieweg
[2023]
|
| Schlagworte: | |
| Online-Zugang: | Inhaltstext Auszug Inhaltsverzeichnis |
| Beschreibung: | XXXIII, 286 Seiten Illustrationen, Diagramme 21 cm x 14.8 cm |
| ISBN: | 9783658417505 3658417501 |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV049367401 | ||
| 003 | DE-604 | ||
| 005 | 20241017 | ||
| 007 | t| | ||
| 008 | 231016s2023 gw a||| m||| 00||| ger d | ||
| 015 | |a 23,N17 |2 dnb | ||
| 016 | 7 | |a 1286770076 |2 DE-101 | |
| 020 | |a 9783658417505 |9 978-3-658-41750-5 | ||
| 020 | |a 3658417501 |9 3-658-41750-1 | ||
| 035 | |a (OCoLC)1377496937 | ||
| 035 | |a (DE-599)DNB1286770076 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-HE | ||
| 049 | |a DE-83 | ||
| 084 | |a ZM 9220 |0 (DE-625)157217: |2 rvk | ||
| 084 | |a QP 542 |0 (DE-625)141900: |2 rvk | ||
| 100 | 1 | |a Lang, Sebastian |d 1992- |e Verfasser |0 (DE-588)1200217918 |4 aut | |
| 245 | 1 | 0 | |a Methoden des bestärkenden Lernens für die Produktionsablaufplanung |c Sebastian Lang |
| 264 | 1 | |a Wiesbaden |b Springer Vieweg |c [2023] | |
| 264 | 4 | |c © 2023 | |
| 300 | |a XXXIII, 286 Seiten |b Illustrationen, Diagramme |c 21 cm x 14.8 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 650 | 0 | 7 | |a Produktionsplanung |0 (DE-588)4047360-0 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Ablaufplanung |0 (DE-588)4122751-7 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Bestärkendes Lernen |g Künstliche Intelligenz |0 (DE-588)4825546-4 |2 gnd |9 rswk-swf |
| 653 | |a Produktion | ||
| 653 | |a Künstliche Intelligenz | ||
| 653 | |a Reinforcement Learning | ||
| 653 | |a Logistik | ||
| 653 | |a Maschinelles Lernen | ||
| 653 | |a Scheduling | ||
| 653 | |a Open Access | ||
| 655 | 7 | |0 (DE-588)4113937-9 |a Hochschulschrift |2 gnd-content | |
| 689 | 0 | 0 | |a Produktionsplanung |0 (DE-588)4047360-0 |D s |
| 689 | 0 | 1 | |a Ablaufplanung |0 (DE-588)4122751-7 |D s |
| 689 | 0 | 2 | |a Bestärkendes Lernen |g Künstliche Intelligenz |0 (DE-588)4825546-4 |D s |
| 689 | 0 | |5 DE-604 | |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe |z 9783658417512 |
| 856 | 4 | 2 | |m X:MVB |q text/html |u http://deposit.dnb.de/cgi-bin/dokserv?id=9b69d7799a684481a2ee8c9f44fc926d&prov=M&dok_var=1&dok_ext=htm |3 Inhaltstext |
| 856 | 4 | 2 | |m X:MVB |u https://link.springer.com/978-3-658-41750-5 |3 Auszug |
| 856 | 4 | 2 | |m DNB Datenaustausch |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034627429&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-034627429 | |
Datensatz im Suchindex
| _version_ | 1817696328699871232 |
|---|---|
| adam_text |
1
EINLEITUNG
.
1
1.1
MOTIVATION
UND
PROBLEMSTELLUNG
.
2
1.2
ZIELSTELLUNG
DER
ARBEIT
UND
FORSCHUNGSFRAGEN
.
8
1.3
FORSCHUNGSMETHODIK
UND
AUFBAU
DER
ARBEIT
.
9
2
GRUNDLAGEN
DER
PRODUKTIONSABLAUFPLANUNG
.
13
2.1
BEGRIFFSBESTIMMUNG
UND
THEMATISCHE
ABGRENZUNG
.
13
2.2
PROZESS
DER
PRODUKTIONSABLAUFPLANUNG
.
16
2.3
MATHEMATISCHE
OPTIMIERUNG
DER
PRODUKTIONSABLAUFPLANUNG
.
19
2.3.1
MATHEMATISCHE
FORMALISIERUNG
.
19
2.3.1.1
PROBLEME
.
20
2.3.1.2
NEBENBEDINGUNGEN
.
22
2.3.1.3
ZIELFUNKTIONEN
.
24
2.3.2
MODELLBILDUNG
.
26
2.3.2.1
GANZZAHLIGE
UND
GEMISCHT-GANZZAHLIGE
LINEARE
PROGRAMMIERUNG
.
27
2.3.2.2
EREIGNISDISKRETE
SIMULATION
.
29
2.3.3
KONVENTIONELLE
LOESUNGSVERFAHREN
.
31
2.3.3.1
GANZZAHLIGE
LINEARE
OPTIMIERUNG
.
31
2.3.3.2
HEURISTIKEN
.
35
2.3.3.3
METAHEURISTIKEN
.
37
3
GRUNDLAGEN
DES
BESTAERKENDEN
LERNENS
.
41
3.1
EINORDNUNG
IN
DIE
KUENSTLICHE
INTELLIGENZ
UND
IN
DAS
MASCHINELLE
LERNEN
.
42
3.1.1
UEBERWACHTES
LERNEN
ALS
ANGRENZENDES
PARADIGMA
.
43
IX
X
INHALTSVERZEICHNIS
3.1.2
UNUEBERWACHTEN
LERNENS
ALS
ANGRENZENDES
PARADIGMA
.
44
3.2
GRUNDPRINZIP
UND
TAXONOMIE
DES
BESTAERKENDEN
LERNENS
.
46
3.3
GRADIENTENABHAENGIGES
BESTAERKENDES
LERNEN
.
48
3.3.1
MARKOV-ENTSCHEIDUNGSPROBLEM
.
49
3.3.2
NUTZENFUNKTION
.
50
3.3.3
AKTIONSNUTZEN-BEWERTENDE
VERFAHREN
.
53
3.3.4
ENTSCHEIDUNGSPOLITIK-APPROXIMIERENDE
VERFAHREN
.
57
3.3.5
ACTOR-CRITIC-VERFAHREN
.
61
3.4
GRADIENTENFREIES
BESTAERKENDES
LERNEN
.
64
3.4.1
MODELLSUCHENDE
UND
PARAMETEROPTIMIERENDE
VERFAHREN
.
66
3.4.2
HYBRIDE
VERFAHREN
-
NEUROEVOLUTION
OF
AUGMENTING
TOPOLOGIES
.
68
4
STAND
DER
WISSENSCHAFT
UND
TECHNIK:
BESTAERKENDES
LERNEN
IN
DER
PRODUKTIONSABLAUFPLANUNG
.
77
4.1
GRADIENTENABHAENGIGE
VERFAHREN
FUER
DIE
PRODUKTIONSABLAUFPLANUNG
.
77
4.1.1
AGENTENBASIERTE
AUSWAHL
VON
PRIORITAETSREGELN
.
78
4.1.2
AGENTENBASIERTE
RESSOURCENBELEGUNGSPLANUNG
.
81
4.1.3
AGENTENBASIERTE
REIHENFOLGEPLANUNG
.
83
4.1.4
AGENTENBASIERTE
LOSBILDUNG
.
87
4.1.5
AGENTENBASIERTES
REPARIEREN
VON
UNGUELTIGEN
ABLAUFPLAENEN
.
88
4.2 GRADIENTENFREIE
VERFAHREN
FUER
DIE
ABLAUFPLANUNG
IM
ALLGEMEINEN
.
90
4.2.1
EINSATZ
DER
KREUZENTROPIE-METHODE
IN
DER
ABLAUFPLANUNG
.
91
4.2.2
EINSATZ
VON
BAYES
'
SCHER
OPTIMIERUNG
IN
DER
ABLAUFPLANUNG
.
93
4.2.3
EINSATZ
VON
NEURO-EVOLUTION
IN
DER
ABLAUFPLANUNG
.
96
4.3
ZUSAMMENFASSUNG
UND
DISKUSSION
DER
FORSCHUNGSLUECKE
.
100
5
EINE
METHODE
ZUM
EINSATZ
VON
BESTAERKENDEN
LERNVERFAHREN
FUER
DIE
PRODUKTIONSABLAUFPLANUNG
.
105
5.1
AUSGANGSSITUATION,
PROBLEMSTELLUNG
UND
ANFORDERUNGSDEFINITION
.
106
INHALTSVERZEICHNIS
XI
5.2
VON
DER
PRODUKTIONSABLAUFPLANUNG
ZUR
AGENTENBASIERTEN
PRODUKTIONSABLAUFSTEUERUNG
-
PROZESSMODELL
UND
FUNKTIONSPRINZIP
.
111
5.2.1
AGENTENBASIERTE
RESSOURCENBELEGUNGSPLANUNG
.
115
5.2.2
AGENTENBASIERTE
REIHENFOLGEPLANUNG
UND
LOSBILDUNG
.
118
5.3
PROJEKTIERUNG
UND
ENTWICKLUNG
VON
AGENTENBASIERTEN
PRODUKTIONSABLAUFSTEUERUNGEN
.
123
5.3.1
ENTWURF
VON
AGENTENUMGEBUNGEN
.
124
5.3.1.1
MODELLIERUNG DER
ERZEUGUNG
VON
AUFTRAEGEN
.
126
5.3.1.2
MODELLIERUNG
VON
AUFTRAEGEN .
127
5.3.1.3
MODELLIERUNG
VON
PRODUKTIONSRESSOURCEN
.
132
5.3.2
DEFINITION
VON
MASCHINELLEN
LERNAUFGABEN
UND
GESTALTUNG
VON
AGENTEN
.
138
5.3.2.1
FORMULIERUNG
VON
ALLOKATIONSPROBLEMEN
FUER
DIE
RESSOURCENBELEGUNGSPLANUNG
ALS
MASCHINELLE
LERNAUFGABE
.
139
5.3.2.2
FORMULIERUNG
VON
SEQUENZIERUNGSPROBLEMEN
FUER
DIE
REIHENFOLGEPLANUNG
UND
LOSBILDUNG
ALS
MASCHINELLE
LERNAUFGABE
.
142
5.3.3
INTEGRATION
UND
INBETRIEBNAHME
VON
AGENTEN
UND
AGENTENUMGEBUNGEN
.
148
5.3.3.1
INTEGRATIONSKONZEPT
FUER
GRADIENTENABHAENGIGES
BESTAERKENDES
LERNEN
.
149
5.3.3.2
INTEGRATIONSKONZEPT
FUER
GRADIENTENFREIES
BESTAERKENDES
LERNEN
.
159
5.3.4
AUSWAHL
UND
IMPLEMENTIERUNG
VON
BESTAERKENDEN
LERNVERFAHREN
.
161
5.3.5
GESTALTUNG
VON
BELOHNUNGSFUNKTIONEN
.
171
5.3.5.1
ZEITBASIERTE
BELOHNUNGSFUNKTIONEN
.
172
5.3.5.2
BELASTUNGSORIENTIERTE
BELOHNUNGSFUNKTIONEN
.
180
5.3.6
TRAINING
VON
AGENTEN
.
182
5.4
ZUSAMMENFASSUNG
DER
METHODE
.
193
XII
INHALTSVERZEICHNIS
6
EVALUATION
DER
ENTWICKELTEN
METHODE
.
197
6.1
FLEXIBLE-JOB-SHOP-PROBLEM
MIT
FLEXIBLER
OPERATIONSPLANUNG
.
198
6.1.1
PROBLEMBESCHREIBUNG
.
199
6.1.2
ANWENDUNG
DES
DQN-ALGORITHMUS
ZUR
LOESUNG
DES
PROBLEMS
.
200
6.1.3
DISKUSSION
DER
ERGEBNISSE
.
206
6.1.4
ERWEITERUNG
DES
PROBLEMS
UM
EINEN
DYNAMISCHEN
AUFTRAGSHORIZONT
.
209
6.2
DYNAMISCHES
PARALLEL-MASCHINEN-PROBLEM
MIT
/
FAMILIENABHAENGIGEN
RUESTZEITEN
UND
RESSOURCENABHAENGIGEN
BEARBEITUNGSGESCHWINDIGKEITEN
.
212
6.2.1
PROBLEMBESCHREIBUNG
.
212
6.2.2
ANWENDUNG
DES
PPO-ALGORITHMUS
ZUR
LOESUNG
DES
PROBLEMS
.
214
6.2.3
DISKUSSION
DER
ERGEBNISSE
.
220
6.3
ZWEISTUFIGES
HYBRID-FLOW-SHOP-PROBLEM
MIT
FAMILIENABHAENGIGEN
RUESTZEITEN
.
223
6.3.1
PROBLEMBESCHREIBUNG
.
224
6.3.2
ANWENDUNG
DES
A2C-ALGORITHMUS
ZUR
LOESUNG
DES
PROBLEMS
.
226
6.3.3
ANWENDUNG
DES
NEAT-ALGORITHMUS
ZUR
LOESUNG
DES
PROBLEMS
.
238
6.3.4
VERGLEICH
MIT
ANDEREN
LOESUNGSVERFAHREN
.
251
7
SCHLUSSBETRACHTUNG
.
259
7.1
ZUSAMMENFASSUNG
UND
DISKUSSION
.
259
7.2
AUSBLICK
.
264
LITERATURVERZEICHNIS
267 |
| adam_txt |
1
EINLEITUNG
.
1
1.1
MOTIVATION
UND
PROBLEMSTELLUNG
.
2
1.2
ZIELSTELLUNG
DER
ARBEIT
UND
FORSCHUNGSFRAGEN
.
8
1.3
FORSCHUNGSMETHODIK
UND
AUFBAU
DER
ARBEIT
.
9
2
GRUNDLAGEN
DER
PRODUKTIONSABLAUFPLANUNG
.
13
2.1
BEGRIFFSBESTIMMUNG
UND
THEMATISCHE
ABGRENZUNG
.
13
2.2
PROZESS
DER
PRODUKTIONSABLAUFPLANUNG
.
16
2.3
MATHEMATISCHE
OPTIMIERUNG
DER
PRODUKTIONSABLAUFPLANUNG
.
19
2.3.1
MATHEMATISCHE
FORMALISIERUNG
.
19
2.3.1.1
PROBLEME
.
20
2.3.1.2
NEBENBEDINGUNGEN
.
22
2.3.1.3
ZIELFUNKTIONEN
.
24
2.3.2
MODELLBILDUNG
.
26
2.3.2.1
GANZZAHLIGE
UND
GEMISCHT-GANZZAHLIGE
LINEARE
PROGRAMMIERUNG
.
27
2.3.2.2
EREIGNISDISKRETE
SIMULATION
.
29
2.3.3
KONVENTIONELLE
LOESUNGSVERFAHREN
.
31
2.3.3.1
GANZZAHLIGE
LINEARE
OPTIMIERUNG
.
31
2.3.3.2
HEURISTIKEN
.
35
2.3.3.3
METAHEURISTIKEN
.
37
3
GRUNDLAGEN
DES
BESTAERKENDEN
LERNENS
.
41
3.1
EINORDNUNG
IN
DIE
KUENSTLICHE
INTELLIGENZ
UND
IN
DAS
MASCHINELLE
LERNEN
.
42
3.1.1
UEBERWACHTES
LERNEN
ALS
ANGRENZENDES
PARADIGMA
.
43
IX
X
INHALTSVERZEICHNIS
3.1.2
UNUEBERWACHTEN
LERNENS
ALS
ANGRENZENDES
PARADIGMA
.
44
3.2
GRUNDPRINZIP
UND
TAXONOMIE
DES
BESTAERKENDEN
LERNENS
.
46
3.3
GRADIENTENABHAENGIGES
BESTAERKENDES
LERNEN
.
48
3.3.1
MARKOV-ENTSCHEIDUNGSPROBLEM
.
49
3.3.2
NUTZENFUNKTION
.
50
3.3.3
AKTIONSNUTZEN-BEWERTENDE
VERFAHREN
.
53
3.3.4
ENTSCHEIDUNGSPOLITIK-APPROXIMIERENDE
VERFAHREN
.
57
3.3.5
ACTOR-CRITIC-VERFAHREN
.
61
3.4
GRADIENTENFREIES
BESTAERKENDES
LERNEN
.
64
3.4.1
MODELLSUCHENDE
UND
PARAMETEROPTIMIERENDE
VERFAHREN
.
66
3.4.2
HYBRIDE
VERFAHREN
-
NEUROEVOLUTION
OF
AUGMENTING
TOPOLOGIES
.
68
4
STAND
DER
WISSENSCHAFT
UND
TECHNIK:
BESTAERKENDES
LERNEN
IN
DER
PRODUKTIONSABLAUFPLANUNG
.
77
4.1
GRADIENTENABHAENGIGE
VERFAHREN
FUER
DIE
PRODUKTIONSABLAUFPLANUNG
.
77
4.1.1
AGENTENBASIERTE
AUSWAHL
VON
PRIORITAETSREGELN
.
78
4.1.2
AGENTENBASIERTE
RESSOURCENBELEGUNGSPLANUNG
.
81
4.1.3
AGENTENBASIERTE
REIHENFOLGEPLANUNG
.
83
4.1.4
AGENTENBASIERTE
LOSBILDUNG
.
87
4.1.5
AGENTENBASIERTES
REPARIEREN
VON
UNGUELTIGEN
ABLAUFPLAENEN
.
88
4.2 GRADIENTENFREIE
VERFAHREN
FUER
DIE
ABLAUFPLANUNG
IM
ALLGEMEINEN
.
90
4.2.1
EINSATZ
DER
KREUZENTROPIE-METHODE
IN
DER
ABLAUFPLANUNG
.
91
4.2.2
EINSATZ
VON
BAYES
'
SCHER
OPTIMIERUNG
IN
DER
ABLAUFPLANUNG
.
93
4.2.3
EINSATZ
VON
NEURO-EVOLUTION
IN
DER
ABLAUFPLANUNG
.
96
4.3
ZUSAMMENFASSUNG
UND
DISKUSSION
DER
FORSCHUNGSLUECKE
.
100
5
EINE
METHODE
ZUM
EINSATZ
VON
BESTAERKENDEN
LERNVERFAHREN
FUER
DIE
PRODUKTIONSABLAUFPLANUNG
.
105
5.1
AUSGANGSSITUATION,
PROBLEMSTELLUNG
UND
ANFORDERUNGSDEFINITION
.
106
INHALTSVERZEICHNIS
XI
5.2
VON
DER
PRODUKTIONSABLAUFPLANUNG
ZUR
AGENTENBASIERTEN
PRODUKTIONSABLAUFSTEUERUNG
-
PROZESSMODELL
UND
FUNKTIONSPRINZIP
.
111
5.2.1
AGENTENBASIERTE
RESSOURCENBELEGUNGSPLANUNG
.
115
5.2.2
AGENTENBASIERTE
REIHENFOLGEPLANUNG
UND
LOSBILDUNG
.
118
5.3
PROJEKTIERUNG
UND
ENTWICKLUNG
VON
AGENTENBASIERTEN
PRODUKTIONSABLAUFSTEUERUNGEN
.
123
5.3.1
ENTWURF
VON
AGENTENUMGEBUNGEN
.
124
5.3.1.1
MODELLIERUNG DER
ERZEUGUNG
VON
AUFTRAEGEN
.
126
5.3.1.2
MODELLIERUNG
VON
AUFTRAEGEN .
127
5.3.1.3
MODELLIERUNG
VON
PRODUKTIONSRESSOURCEN
.
132
5.3.2
DEFINITION
VON
MASCHINELLEN
LERNAUFGABEN
UND
GESTALTUNG
VON
AGENTEN
.
138
5.3.2.1
FORMULIERUNG
VON
ALLOKATIONSPROBLEMEN
FUER
DIE
RESSOURCENBELEGUNGSPLANUNG
ALS
MASCHINELLE
LERNAUFGABE
.
139
5.3.2.2
FORMULIERUNG
VON
SEQUENZIERUNGSPROBLEMEN
FUER
DIE
REIHENFOLGEPLANUNG
UND
LOSBILDUNG
ALS
MASCHINELLE
LERNAUFGABE
.
142
5.3.3
INTEGRATION
UND
INBETRIEBNAHME
VON
AGENTEN
UND
AGENTENUMGEBUNGEN
.
148
5.3.3.1
INTEGRATIONSKONZEPT
FUER
GRADIENTENABHAENGIGES
BESTAERKENDES
LERNEN
.
149
5.3.3.2
INTEGRATIONSKONZEPT
FUER
GRADIENTENFREIES
BESTAERKENDES
LERNEN
.
159
5.3.4
AUSWAHL
UND
IMPLEMENTIERUNG
VON
BESTAERKENDEN
LERNVERFAHREN
.
161
5.3.5
GESTALTUNG
VON
BELOHNUNGSFUNKTIONEN
.
171
5.3.5.1
ZEITBASIERTE
BELOHNUNGSFUNKTIONEN
.
172
5.3.5.2
BELASTUNGSORIENTIERTE
BELOHNUNGSFUNKTIONEN
.
180
5.3.6
TRAINING
VON
AGENTEN
.
182
5.4
ZUSAMMENFASSUNG
DER
METHODE
.
193
XII
INHALTSVERZEICHNIS
6
EVALUATION
DER
ENTWICKELTEN
METHODE
.
197
6.1
FLEXIBLE-JOB-SHOP-PROBLEM
MIT
FLEXIBLER
OPERATIONSPLANUNG
.
198
6.1.1
PROBLEMBESCHREIBUNG
.
199
6.1.2
ANWENDUNG
DES
DQN-ALGORITHMUS
ZUR
LOESUNG
DES
PROBLEMS
.
200
6.1.3
DISKUSSION
DER
ERGEBNISSE
.
206
6.1.4
ERWEITERUNG
DES
PROBLEMS
UM
EINEN
DYNAMISCHEN
AUFTRAGSHORIZONT
.
209
6.2
DYNAMISCHES
PARALLEL-MASCHINEN-PROBLEM
MIT
/
FAMILIENABHAENGIGEN
RUESTZEITEN
UND
RESSOURCENABHAENGIGEN
BEARBEITUNGSGESCHWINDIGKEITEN
.
212
6.2.1
PROBLEMBESCHREIBUNG
.
212
6.2.2
ANWENDUNG
DES
PPO-ALGORITHMUS
ZUR
LOESUNG
DES
PROBLEMS
.
214
6.2.3
DISKUSSION
DER
ERGEBNISSE
.
220
6.3
ZWEISTUFIGES
HYBRID-FLOW-SHOP-PROBLEM
MIT
FAMILIENABHAENGIGEN
RUESTZEITEN
.
223
6.3.1
PROBLEMBESCHREIBUNG
.
224
6.3.2
ANWENDUNG
DES
A2C-ALGORITHMUS
ZUR
LOESUNG
DES
PROBLEMS
.
226
6.3.3
ANWENDUNG
DES
NEAT-ALGORITHMUS
ZUR
LOESUNG
DES
PROBLEMS
.
238
6.3.4
VERGLEICH
MIT
ANDEREN
LOESUNGSVERFAHREN
.
251
7
SCHLUSSBETRACHTUNG
.
259
7.1
ZUSAMMENFASSUNG
UND
DISKUSSION
.
259
7.2
AUSBLICK
.
264
LITERATURVERZEICHNIS
267 |
| any_adam_object | 1 |
| any_adam_object_boolean | 1 |
| author | Lang, Sebastian 1992- |
| author_GND | (DE-588)1200217918 |
| author_facet | Lang, Sebastian 1992- |
| author_role | aut |
| author_sort | Lang, Sebastian 1992- |
| author_variant | s l sl |
| building | Verbundindex |
| bvnumber | BV049367401 |
| classification_rvk | ZM 9220 QP 542 |
| ctrlnum | (OCoLC)1377496937 (DE-599)DNB1286770076 |
| discipline | Werkstoffwissenschaften / Fertigungstechnik Wirtschaftswissenschaften |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a22000008c 4500</leader><controlfield tag="001">BV049367401</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20241017</controlfield><controlfield tag="007">t|</controlfield><controlfield tag="008">231016s2023 gw a||| m||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">23,N17</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1286770076</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783658417505</subfield><subfield code="9">978-3-658-41750-5</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3658417501</subfield><subfield code="9">3-658-41750-1</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1377496937</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1286770076</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-HE</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-83</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ZM 9220</subfield><subfield code="0">(DE-625)157217:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QP 542</subfield><subfield code="0">(DE-625)141900:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Lang, Sebastian</subfield><subfield code="d">1992-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1200217918</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Methoden des bestärkenden Lernens für die Produktionsablaufplanung</subfield><subfield code="c">Sebastian Lang</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Wiesbaden</subfield><subfield code="b">Springer Vieweg</subfield><subfield code="c">[2023]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">© 2023</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XXXIII, 286 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">21 cm x 14.8 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Produktionsplanung</subfield><subfield code="0">(DE-588)4047360-0</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Ablaufplanung</subfield><subfield code="0">(DE-588)4122751-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Bestärkendes Lernen</subfield><subfield code="g">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4825546-4</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Produktion</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Künstliche Intelligenz</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Reinforcement Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Logistik</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Maschinelles Lernen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Scheduling</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Open Access</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4113937-9</subfield><subfield code="a">Hochschulschrift</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Produktionsplanung</subfield><subfield code="0">(DE-588)4047360-0</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Ablaufplanung</subfield><subfield code="0">(DE-588)4122751-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Bestärkendes Lernen</subfield><subfield code="g">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4825546-4</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe</subfield><subfield code="z">9783658417512</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="q">text/html</subfield><subfield code="u">http://deposit.dnb.de/cgi-bin/dokserv?id=9b69d7799a684481a2ee8c9f44fc926d&prov=M&dok_var=1&dok_ext=htm</subfield><subfield code="3">Inhaltstext</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="u">https://link.springer.com/978-3-658-41750-5</subfield><subfield code="3">Auszug</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034627429&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-034627429</subfield></datafield></record></collection> |
| genre | (DE-588)4113937-9 Hochschulschrift gnd-content |
| genre_facet | Hochschulschrift |
| id | DE-604.BV049367401 |
| illustrated | Illustrated |
| index_date | 2024-07-03T22:53:32Z |
| indexdate | 2024-12-06T13:05:03Z |
| institution | BVB |
| institution_GND | (DE-588)1043386068 |
| isbn | 9783658417505 3658417501 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-034627429 |
| oclc_num | 1377496937 |
| open_access_boolean | |
| owner | DE-83 |
| owner_facet | DE-83 |
| physical | XXXIII, 286 Seiten Illustrationen, Diagramme 21 cm x 14.8 cm |
| publishDate | 2023 |
| publishDateSearch | 2023 |
| publishDateSort | 2023 |
| publisher | Springer Vieweg |
| record_format | marc |
| spelling | Lang, Sebastian 1992- Verfasser (DE-588)1200217918 aut Methoden des bestärkenden Lernens für die Produktionsablaufplanung Sebastian Lang Wiesbaden Springer Vieweg [2023] © 2023 XXXIII, 286 Seiten Illustrationen, Diagramme 21 cm x 14.8 cm txt rdacontent n rdamedia nc rdacarrier Produktionsplanung (DE-588)4047360-0 gnd rswk-swf Ablaufplanung (DE-588)4122751-7 gnd rswk-swf Bestärkendes Lernen Künstliche Intelligenz (DE-588)4825546-4 gnd rswk-swf Produktion Künstliche Intelligenz Reinforcement Learning Logistik Maschinelles Lernen Scheduling Open Access (DE-588)4113937-9 Hochschulschrift gnd-content Produktionsplanung (DE-588)4047360-0 s Ablaufplanung (DE-588)4122751-7 s Bestärkendes Lernen Künstliche Intelligenz (DE-588)4825546-4 s DE-604 Erscheint auch als Online-Ausgabe 9783658417512 X:MVB text/html http://deposit.dnb.de/cgi-bin/dokserv?id=9b69d7799a684481a2ee8c9f44fc926d&prov=M&dok_var=1&dok_ext=htm Inhaltstext X:MVB https://link.springer.com/978-3-658-41750-5 Auszug DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034627429&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis |
| spellingShingle | Lang, Sebastian 1992- Methoden des bestärkenden Lernens für die Produktionsablaufplanung Produktionsplanung (DE-588)4047360-0 gnd Ablaufplanung (DE-588)4122751-7 gnd Bestärkendes Lernen Künstliche Intelligenz (DE-588)4825546-4 gnd |
| subject_GND | (DE-588)4047360-0 (DE-588)4122751-7 (DE-588)4825546-4 (DE-588)4113937-9 |
| title | Methoden des bestärkenden Lernens für die Produktionsablaufplanung |
| title_auth | Methoden des bestärkenden Lernens für die Produktionsablaufplanung |
| title_exact_search | Methoden des bestärkenden Lernens für die Produktionsablaufplanung |
| title_exact_search_txtP | Methoden des bestärkenden Lernens für die Produktionsablaufplanung |
| title_full | Methoden des bestärkenden Lernens für die Produktionsablaufplanung Sebastian Lang |
| title_fullStr | Methoden des bestärkenden Lernens für die Produktionsablaufplanung Sebastian Lang |
| title_full_unstemmed | Methoden des bestärkenden Lernens für die Produktionsablaufplanung Sebastian Lang |
| title_short | Methoden des bestärkenden Lernens für die Produktionsablaufplanung |
| title_sort | methoden des bestarkenden lernens fur die produktionsablaufplanung |
| topic | Produktionsplanung (DE-588)4047360-0 gnd Ablaufplanung (DE-588)4122751-7 gnd Bestärkendes Lernen Künstliche Intelligenz (DE-588)4825546-4 gnd |
| topic_facet | Produktionsplanung Ablaufplanung Bestärkendes Lernen Künstliche Intelligenz Hochschulschrift |
| url | http://deposit.dnb.de/cgi-bin/dokserv?id=9b69d7799a684481a2ee8c9f44fc926d&prov=M&dok_var=1&dok_ext=htm https://link.springer.com/978-3-658-41750-5 http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034627429&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT langsebastian methodendesbestarkendenlernensfurdieproduktionsablaufplanung |