Hybrid Algorithms for Redesigning MRP

Projektdaten

Laufzeit: 2020-10-01 bis 2023-09-30

Projektleiter: , FH-Prof. PD DI (FH) Klaus Altendorfer PhD, Univ-Profin. Sophie Parragh PhD

https://projekte.ffg.at/projekt/3042801

Partner: JKU Linz

Fördergeber: FWF Der Wissenschaftsfonds

Projektbeschreibung

Material Requirements Planning (or MRP for short) concerns medium-term production planning within the widely applied hierarchical production planning framework. It used to determine which items are needed at what due date, when to start their production, and what amount to produce. In spite of its popularity in practice, traditional MRP suffers from a number of problems: machine capacity is assumed to be infinite, demand is assumed to be deterministic, production and replenishment lead times are assumed to be constant (and independent of current system load), and rolling horizon planning aspects are ignored.

The overall aim of this project is to develop efficient modeling and solution approaches to overcome all of these drawbacks and to provide (close to) optimal mid-term production plans. A main focus is the rolling horizon planning aspect in combination with stochastic demand and capacitated production system behavior and the integration of simulation based and optimization based approaches.

Bei Fragen kontaktieren Sie uns jederzeit.

Kontakt

Weitere Projekte

Hybrid Algorithms for Redesigning MRP

Laufzeit: 10/2020 - 09/2023

The overall aim of this project is to develop efficient modeling and solution approaches to overcome all of these drawbacks and to provide (close to) optimal mid-term production plans.

X-PRO

Laufzeit: 01/2020 - 12/2024

Erforschung und Entwicklung benutzer-zentrierter Methoden für Cross-Virtuality Analytics von Produktionsdaten

adaptOp

Laufzeit: 10/2019 - 09/2024

Innerhalb von JRC adaptOp werden wir mit der Lösung dynamischer Optimierungsprobleme in Bereichen wie Lagerhaltung, Produktion und Transport konfrontiert. Es wird ein Framework adaptiver Methoden entwickelt, mit dem wir schnell auf beobachtete Veränderungen in der Umgebung reagieren. Techniken des maschinellen Lernens werden integriert, um das Auftreten zukünftiger Ereignisse vorherzusagen, mögliche zukünftige Szenarien zu entwerfen und geeignete Optimierungsalgorithmen auszuwählen und zu konfigurieren.