Genetische Programmierung und Reinforcement Learning bei der Entwicklung von Heuristiken für dynamische Einsatzplanung: Ein vorläufiger Vergleich

Planungsheuristiken werden häufig verwendet, um dynamische Planungsprobleme in realen Anwendungen zu lösen. Die Entwicklung effektiver Heuristiken kann jedoch zeitaufwändig sein und führt oft zu suboptimaler Leistung. Genetische Programmierung wird vielfach genutzt, um Planungsheuristiken automatisch zu erlernen. In den letzten Jahren hat auch Reinforcement Learning in diesem Bereich an Bedeutung gewonnen. Das Verständnis ihrer Stärken und Schwächen ist entscheidend für die Entwicklung wirksamer Planungsheuristiken. In dieser Arbeit werden eine typischen genetischen Programmiermethode und eine typische Reinforcement-Learning-Methode im dynamischen flexiblen Job-Shop-Scheduling untersucht. Die Ergebnisse zeigen, dass der untersuchte genetische Programmieralgorithmus die betrachtete Reinforcement-Learning-Methode in den geprüften Szenarien übertrifft. Zudem offenbart die Studie, dass die verglichene Reinforcement-Learning-Methode stabiler ist, wenn sich die Menge der Trainingsdaten ändert, während die untersuchte genetische Programmiermethode mit zunehmenden Trainingsdaten effektivere Planungsheuristiken erlernen kann. Zusätzlich hebt die Studie das Potenzial und den Wert der genetischen Programmierung in realen Anwendungen aufgrund ihrer guten Generalisierungsfähigkeit und Interpretierbarkeit hervor. Basierend auf den Ergebnissen schlägt diese Arbeit vor, die untersuchte Reinforcement-Learning-Methode bei begrenzten Trainingsdaten und Bedarf an stabilen Ergebnissen zu verwenden, und die untersuchte genetische Programmiermethode bei ausreichenden Trainingsdaten und hohem Interpretierbarkeitsbedarf einzusetzen.