Daten- und zielgetriebene sequentielle Entscheidungsfindung für zeitdynamische Logistiksysteme

• Antragstellerinnen / Antragsteller: Professor Dr.-Ing. Kai Furmans; Professorin Dr.-Ing. Anne Meyer; Professor Dr. Stefan Nickel
• Fachliche Zuordnung: Produktionssystematik, Betriebswissenschaften, Qualitätsmanagement und Fabrikplanung
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 502552827

In der operativen Steuerung von Logistiksystemen müssen wiederholt Entscheidungen im Zeitverlauf getroffen werden. Typische Rahmenbedingungen sind eine sich ständig verändernde Datenlage sowie gleichzeitige Unsicherheit über zukünftige Entwicklungen. Zur Gewährleistung eines effektiven und effizienten Betriebs eines Logistiksystems ist es aufgrund der Komplexität und Dynamik auftretender Entscheidungssituationen nicht ausreichend, Methoden aus den Bereichen Datenanalyse und Entscheidungsfindung wiederholt hintereinander auszuführen. Vielmehr wird eine überlappende und sich gegenseitig ergänzende Koordination und Integration von Datenanalyse- und Optimierungsprozessen zu Methodenpipelines benötigt, um die im Zeitverlauf erforderlichen Entscheidungen ziel- und datengetrieben im Sinne der jeweiligen Logistik-Anwendung treffen zu können. In existierenden Arbeiten fehlt ein durchgängiger Ansatz, der die Wechselwirkungen zwischen Datenlage und Entscheidungsfindung im dynamischen Kontext, wie sie in der operativen Logistik oft vorzufinden sind, geeignet berücksichtigt. Vielmehr werden die jeweiligen Fragestellungen bisher in unterschiedlichen Communities adressiert: Die Analyse von (Roh-)Daten erfolgt in den Bereichen Statistik, Machine Learning und Data Engineering; zeitdynamische Optimierungsprobleme werden in den mathematischen Disziplinen der Online-Optimierung oder der mehrstufigen robusten Optimierung bzw. stochastischen Programmierung behandelt; logistische Fragestellungen werden meist unter Zuhilfenahme einer festgelegten Methodik zur Entscheidungsfindung jedoch mit unzureichender Berücksichtigung zugehöriger dynamischer Datenprozesse untersucht. Das Hauptziel des Vorhabens ist daher die Entwicklung des Dynamic Data-Driven Decisions for Logistics (4D4L)-Metamodells zur integrierten Betrachtung der gesamten Kette aus Datenlage, Zielsystem, Methoden der Datenanalyse und der Entscheidungsfindung inklusive deren Wechselwirkungen im Kontext zeitdynamischer logistischer Entscheidungssituationen. Es stellt eine adaptive und per Feedback gekoppelte Verknüpfung von Methoden zur Datenanalyse und Entscheidungsfindung in Form von Methodenpipelines bereit, die eine daten- und ziel-orientierte Steuerung von Logistiksystemen ermöglichen. Damit ergibt sich die Möglichkeit ein strukturiertes Methoden-Repository für zeitdynamische Logistiksysteme bereitzustellen und Entscheidungsprozesse nicht isoliert, sondern zielorientiert und in Verbindung mit passenden Verfahren zur Datenanalyse zu unterstützen. Das Metamodell ist so allgemein, dass eine Anpassung an unterschiedliche Logistik-Anwendungen möglich ist. Zur Validierung des Metamodells fokussiert sich das Vorhaben auf den Bereich Warehouse Operations, der als aussagekräftiges Beispiel für zeitdynamische logistische Problemstellungen dient. Langfristig trägt das Vorhaben dazu bei, eine automatisierte daten- und zielgetriebene Komposition von Methodenpipelines zur Entscheidungsunterstützung zu realisieren.

• DFG-Verfahren: Sachbeihilfen