Das Wichtigste in Kürze
- KI in der Produktionsplanung meint vor allem mathematische Optimierung und maschinelles Lernen, nicht generative KI.
- Ein Sprachmodell darf plausibel sein. Ein Produktionsplan muss zulässig sein.
- Optimierungsverfahren lohnen sich, wenn viele Restriktionen, Varianten oder Zielkonflikte gleichzeitig zu berücksichtigen sind.
- Maschinelles Lernen verbessert vor allem Prognosen, Bearbeitungs- und Rüstzeiten und andere Eingangsgrößen der Planung.
- Die meisten APS-Systeme arbeiten mit Prioritätsregeln. Die reichen in einfachen oder stabilen Planungsumgebungen oft aus – sie sind aber keine KI.
- Ob sich KI lohnt, zeigt ein Vergleich gegen die bisherige Regel an den eigenen Daten, nicht das Etikett des Anbieters.
Was bedeutet KI in der Produktionsplanung?
KI in der Produktionsplanung
ist kein einzelnes Verfahren, sondern ein Sammelbegriff für drei Verfahrensfamilien, die technisch wenig gemeinsam haben:
- Mathematische Optimierung trifft Entscheidungen unter harten Restriktionen – Reihenfolgen, Zuordnungen, Chargen.
- Maschinelles Lernen schätzt Größen aus Daten – Prognosen, Bearbeitungs- und Rüstzeiten.
- Sprachmodelle verarbeiten Text – sie beantworten Fragen zum Plan, berechnen ihn aber nicht.
Wenn MCP von KI in der Produktionsplanung spricht, ist in erster Linie mathematische Optimierung unter realen Restriktionen gemeint.
Heuristik, Metaheuristik, exakte Optimierung – was ist der Unterschied?
Viele APS-Systeme arbeiten mit einfachen Heuristiken, also Prioritätsregeln wie „frühester Liefertermin zuerst“ oder „kürzeste Rüstzeit zuerst“. Sie sind schnell, verständlich und oft ausreichend, prüfen aber nur einen Bruchteil der möglichen Lösungen und können nicht sagen, wie weit ihr Ergebnis vom bestmöglichen entfernt ist. Eine Prioritätsregel bleibt eine Regel, auch wenn sie gut gewählt ist.
Optimierungsverfahren beschreiben die Aufgabe als Modell aus Variablen, Restriktionen und Zielfunktion und durchsuchen den Lösungsraum systematisch. Exakte Verfahren wie Constraint Programming und gemischt-ganzzahlige Programmierung können beweisen, dass eine Lösung optimal ist – oder dass es keine zulässige gibt. Metaheuristiken wie Simulated Annealing oder Large Neighborhood Search lassen zwischenzeitlich schlechtere Lösungen zu, um bessere zu finden; sie liefern auch bei sehr großen Problemen gute Pläne, aber keinen Optimalitätsbeweis.
Für Unternehmen zählt die Unterscheidung, weil sie bestimmt, was man von einem System erwarten kann: Eine Regel liefert schnell einen brauchbaren Plan, ein Optimierungsverfahren einen messbar besseren – sofern die Aufgabe komplex genug ist. Dass KI heute meist mit Sprachmodellen gleichgesetzt wird, ist übrigens eine Verschiebung der letzten Jahre; Constraint Programming und Suchverfahren gehören seit Jahrzehnten zur KI-Forschung.
Worin unterscheidet sich KI in der Produktionsplanung von generativer KI wie ChatGPT?
Der wichtigste Unterschied liegt im Zweck: Generative KI erzeugt Inhalte, KI in der Produktionsplanung berechnet Entscheidungen unter Restriktionen. Daraus folgt ein anderes Fehlerverhalten – ein Sprachmodell füllt Lücken überzeugend, ein Planungsverfahren meldet, wenn eine Aufgabe unlösbar ist.
| Merkmal | Generative KI | KI in der Produktionsplanung |
|---|---|---|
| Zweck | Inhalte erzeugen: Text, Bild, Code | Entscheidungen berechnen: Reihenfolge, Zuordnung, Termin |
| Ergebnis | plausibel, aber nicht überprüfbar richtig | zulässig oder unzulässig – messbar am Modell |
| Fehlerverhalten | erfindet Fehlendes und wirkt dabei überzeugend | meldet, dass keine zulässige Lösung existiert |
| Datenbasis | sehr große, allgemeine Textmengen | die eigenen Stamm- und Bewegungsdaten |
| Nachvollziehbarkeit | kaum nachvollziehbar | bindende Restriktion und Zielgewichtung sind benennbar |
Der Satz, auf den es ankommt
Ein Sprachmodell darf plausibel sein. Ein Produktionsplan muss zulässig sein. Ein Plan, der eine Reinigungssperre verletzt oder eine Person doppelt verplant, sieht in Textform völlig unauffällig aus – und ist trotzdem wertlos.
Wie wird KI in ein bestehendes APS-System integriert?
Ausgangspunkt ist fast immer eine regelbasierte Standardlogik: Die APS-Software lastet Aufträge nach Prioritätsregeln ein und löst Konflikte nach festen Vorrangregeln auf – in den meisten Fertigungen schnell, robust und ausreichend. KI kommt auf zwei Wegen hinzu: als angebundene Optimierungskomponente für ein abgegrenztes Teilproblem oder als lernende Vorstufe, die bessere Eingangsgrößen liefert. Beides lässt sich in bestehende Systemlandschaften einbinden, ohne das APS zu ersetzen. Welcher Weg passt, hängt von der Aufgabe, der Systemlandschaft und der Qualität der Planungsdaten ab.
| Ebene | Wie es funktioniert | Wann sinnvoll |
|---|---|---|
| Regelbasierte Standardlogik | Das APS terminiert nach Prioritätsregeln und Gewichtungen | Der Regelfall – schnell, nachvollziehbar und in den meisten Fertigungen ausreichend |
| Angebundene Optimierung | Ein Optimierungsverfahren löst ein abgegrenztes Teilproblem, etwa die Kammerbeladung oder die Bildung von Rüstfamilien, und gibt das Ergebnis an das APS zurück | Wenn die Regel nachweislich zu schlecht wird oder sich das Problem gar nicht sinnvoll als Regel formulieren lässt |
| Lernende Vorstufe | Maschinelles Lernen liefert bessere Eingangsgrößen: Vorgangszeiten aus Rückmeldungen, Prognosen, Ausschussrisiken | Wenn die Planung an schlechten Eingangsdaten scheitert, nicht am Verfahren |
Wann lohnt sich Optimierung – und wann reicht eine Regel?
Optimierungsverfahren lohnen sich vor allem dann, wenn Prioritätsregeln bei komplexen Restriktionen, hoher Variantenvielfalt oder schwierigen Zielkonflikten an Grenzen stoßen – oder wenn sich die Aufgabe gar nicht sinnvoll als Regel formulieren lässt. In stabileren Planungsumgebungen leistet eine saubere Prioritätsregel dasselbe, schneller und leichter erklärbar. Entscheidend ist nicht der Einsatz von KI an sich, sondern ob das Verfahren gegenüber der Regel einen messbaren Mehrwert liefert. Das lässt sich vorab prüfen, indem beide Verfahren an denselben Daten rechnen.
Ein typischer Fall, in dem sich Optimierung klar lohnt, ist die Beladung von Kammeranlagen: Welche Aufträge gemeinsam in einen Ofen dürfen und welche Beladung Aufheizvorgänge spart, ergibt sich aus der Kombination, nicht aus einer Reihenfolge – eine Prioritätsregel schneidet hier prinzipbedingt schlecht ab. MCP löst diese Aufgabe mit dem MCP Batch Optimiser, der auf der weiter unten zitierten Forschung zum Oven Scheduling Problem beruht. Einzelne Optimierungsverfahren lassen sich als Komponenten auch ohne Systemwechsel nutzen, siehe AI-as-a-Service.
Welche Verfahren stecken tatsächlich dahinter?
| Verfahren | Was es leistet | Typischer Einsatz |
|---|---|---|
| Prioritätsregeln (Heuristiken) keine KI |
Schnelle Regeln für Standardfälle, ohne Aussage zur Lösungsgüte | Einlastung nach Liefertermin, Priorität oder Rüstzeit |
| Exakte Optimierung Constraint Programming, gemischt-ganzzahlige Programmierung |
Optimale oder nachweislich gute Lösungen unter harten Restriktionen; kann Unlösbarkeit beweisen | Reihenfolgen mit Verboten, Chargen- und Kammerbeladung, Losgrößen |
| Metaheuristiken | Gute Lösungen auch für sehr große Probleme, ohne Optimalitätsbeweis | Rüstfamilien, große Reihenfolgeprobleme, Personalzuordnung |
| Maschinelles Lernen | Bessere Prognosen aus historischen Daten | Bearbeitungs- und Rüstzeiten, Absatz, Wiederbeschaffungszeiten, Ausschussrisiko |
| Sprachmodelle | Assistenz bei Fragen und Erklärungen, nicht die Planung selbst | Fragen an den Plan, Zusammenfassungen, Abweichungen erläutern |
Die eigentliche Planungsentscheidung treffen die ersten drei Zeilen. Was ein Betrieb spürt – weniger Rüstvorgänge, haltbare Termine, weniger Umlaufbestand –, entsteht dort und nicht in einem neuronalen Netz.
Wo wirkt KI entlang der Planungskette?
KI in der Produktionsplanung und Materialwirtschaft wirkt an fünf Stellen:
- PrognoseMaschinelles Lernen verbessert Prognosen für Absatz, Wiederbeschaffungszeiten und Ausschussrisiken.
- ParameterLernende Verfahren liefern realistischere Bearbeitungs- und Rüstzeiten, wenn Rückmeldedaten systematisch ausgewertet werden.
- EntscheidungOptimierungsverfahren berechnen Reihenfolgen, Zuordnungen und Chargen unter realen Restriktionen.
- ReaktionBei Störungen werden mehrere Szenarien durchgerechnet und ihre Auswirkungen auf Termine und Ressourcen sichtbar.
- AssistenzSprachmodelle beantworten Fragen zum Plan und erläutern Abweichungen, treffen aber keine Planungsentscheidung.
Wo bringt KI in der Produktionsplanung konkreten Nutzen?
Der größte Nutzen entsteht dort, wo die Zahl möglicher Planungsvarianten für Menschen zu groß wird. In unseren Projekten sind vier Felder am wirksamsten:
- Reihenfolgen und Rüstfamilien: Zwölf Artikel auf einer Linie ergeben 479 Millionen mögliche Folgen; ein Planer prüft einige wenige, eine Prioritätsregel genau eine. Optimierung senkt Rüst- und Reinigungsaufwand messbar – vertieft unter Kampagnenbildung und Reinigungsoptimierung und SMD-Linienplanung.
- Chargen- und Kammerbeladung: Verträgliche Aufträge werden so kombiniert, dass Öfen voller laufen und weniger Aufheizvorgänge nötig sind – siehe energieoptimierte Produktionsplanung.
- Störungsreaktion: Nach einem Anlagenausfall liegen in Minuten zwei bis vier durchgerechnete Optionen vor statt einer Schätzung.
- Lernende Planungsparameter: Vorgangszeiten werden laufend aus Rückmeldungen korrigiert statt aus der Kalkulation übernommen; die Grundlage beschreibt der Beitrag zu den Datenobjekten.
Beispiel: Wie ein Optimierungslauf die Rüstzeit senkt
Optimierungsverfahren prüfen in kurzer Zeit deutlich mehr zulässige Varianten als eine manuelle Planung – und bewerten Termine und Rüstkosten gemeinsam statt nacheinander. Abbildung 2 zeigt das an acht Aufträgen auf einer Anlage:
Nach 1.284 geprüften Varianten sinkt die Rüstzeit von 240 auf 160 Minuten, bei unverändert acht von acht gehaltenen Terminen. Bei acht Aufträgen wäre das noch von Hand machbar; schon bei zwanzig Aufträgen gibt es mehr mögliche Reihenfolgen, als das Universum Sekunden alt ist – ab dort leistet Optimierung, was keine Regel erreicht.
Was bringt KI in der Personaleinsatzplanung?
Die Personaleinsatzplanung ist ein angrenzender Anwendungsfall, in dem Optimierung besonders wirksam ist: Sie ordnet Mitarbeitende unter vielen gleichzeitigen Bedingungen zu – Qualifikationen, Gültigkeit von Nachweisen, Anwesenheiten, Schichtzugehörigkeit. Praktisch hilft sie bei zulässigen Schicht- und Einsatzplänen, bei Alternativen im Störungsfall und bei der Frage, welche Zweitqualifizierung am meisten bringt. Die Grundlagen behandelt der Beitrag Personal und Qualifikationen in der Produktionsfeinplanung.
Rechtlich ist Sorgfalt geboten
Die europäische KI-Verordnung stuft KI-Systeme als hochriskant ein, die über Arbeitsbedingungen mitentscheiden, Aufgaben auf Grundlage individuellen Verhaltens oder persönlicher Merkmale zuweisen oder Leistung und Verhalten von Beschäftigten überwachen und bewerten. Die Pflichten dafür gelten nach dem Digital Omnibus ab dem 2. Dezember 2027. Ob ein klassisches Optimierungsverfahren überhaupt als KI-System im Sinne der Verordnung gilt, ist nach den Leitlinien der EU-Kommission nicht selbstverständlich – Mitbestimmung und Datenschutz gelten unabhängig davon. Bewährt hat sich: keine personenbezogenen Leistungsfaktoren im Modell, Vorschläge statt Entscheidungen, den Betriebsrat früh einbinden. Das ist eine praxisorientierte Einordnung und ersetzt keine rechtliche Prüfung.
In welchen Branchen wird KI in der Produktionsplanung eingesetzt?
KI in der Produktionsplanung ist vor allem dort relevant, wo Variantenvielfalt, Restriktionen oder komplexe Zuordnungen die Planung erschweren. Die Zuordnung folgt dabei der Fertigungslogik, nicht der Branchenbezeichnung; alle genannten Problemstellungen wurden gemeinsam mit der TU Wien wissenschaftlich untersucht.
| Fertigungslogik und Branchen | Typisches Planungsproblem | Verfahren |
|---|---|---|
| Kammeranlagen Elektromaschinenbau, Wärmebehandlung, Gießerei, Keramik, Elektronik |
Welche Aufträge dürfen gemeinsam in einen Ofen? (mehr) | Exakte Optimierung, Metaheuristiken |
| Reihenfolgen mit Kontaminationsverboten Futtermittel, Molkerei, Lebensmittel, Chemie, Pharma |
Welche Produktfolgen sind zulässig, welche Reinigung wird vermeidbar? (mehr) | Exakte Optimierung |
| Auftragsnetze Anlagen- und Sondermaschinenbau, Werkzeugbau |
Vorgängerbeziehungen, geteilte Ressourcen und Kalender (mehr) | Exakte Optimierung, Metaheuristiken |
| Serien- und Variantenfertigung Metallverarbeitung, Kunststoff, Automobilzulieferer |
Passende Prioritätsregel je Auftragslage, gleichmäßige Auslastung | Maschinelles Lernen plus Regel, Optimierung für die Glättung |
| Hohe Variantenzahl, kleine Lose Medizin- und Dentaltechnik, Präzisionsteile |
Automatisierte Feinplanung mit komplexen Nebenbedingungen | Exakte Optimierung, automatische Verfahrensauswahl |
Worauf muss man beim Einsatz von KI in der Produktionsplanung achten?
Damit KI in der Produktionsplanung wirkt, müssen vier Voraussetzungen erfüllt sein: nachvollziehbare Entscheidungen, belastbare Daten, eine saubere Trennung zwischen harten Restriktionen und Zielgrößen sowie Akzeptanz im Fachbereich.
| Voraussetzung | Warum sie zählt |
|---|---|
| Erklärbarkeit | Ein Plan, den der Planer nicht begründen kann, wird nicht gefahren. Das System muss sagen können, welche Restriktion und welche Gewichtung zur Lösung geführt haben. |
| Datenqualität | Ein lernendes Verfahren korrigiert systematische Fehler nicht, es lernt sie mit. Stammen Vorgangszeiten aus der Kalkulation und enthalten Zuschläge, hält das Modell diese für die Realität. |
| Verbot oder Kostenwert | Wird ein Verbot als hoher Kostenwert statt als harte Bedingung modelliert, bricht der Optimierer es unter Termindruck – und liefert einen unzulässigen Plan, der günstig aussieht. |
| Akzeptanz | Ein optimaler Plan, der nicht umgesetzt wird, ist wirkungslos. Wer seit Jahren gut plant, hat gute Gründe für Vorbehalte – und meist das Wissen, das ins Modell gehört. |
Was verbessert sich durch KI in der Produktionsplanung messbar?
KI in der Produktionsplanung verbessert nicht die Kennzahl direkt, sondern die Qualität der Planungsentscheidung, die zu ihr führt. Daraus entstehen geringere Rüst- und Reinigungszeiten, stabilere Termine, weniger Energie je Stück, geringerer Planungsaufwand und schnellere Reaktionen auf Störungen.
Warum das Ergebnis besser wird als bei manueller Planung
nicht, weil das Verfahren klüger wäre als ein erfahrener Planer – für den einzelnen Fall trifft der oft dieselbe Entscheidung. Der Unterschied liegt in Breite und Lückenlosigkeit: Das Verfahren prüft je nach Problemgröße Tausende bis Millionen Varianten, für die ein Mensch nie Zeit hätte, und hält dabei jede Bedingung ausnahmslos ein.
| Verfahren wirkt auf | Mechanismus | Kennzahl |
|---|---|---|
| Reihenfolge und Familienbildung | Mehr Kombinationen geprüft, günstigere Übergänge gewählt | Rüst- und Reinigungsanteil sinkt, Verfügbarkeit und OEE steigen |
| Chargen- und Kammerbeladung | Verträgliche Aufträge zusammengefasst, Leerläufe vermieden | Energie je Stück und Zahl der Anfahrvorgänge sinken |
| Prognosegüte | Geringerer Vorhersagefehler bei Absatz und Wiederbeschaffung | Sicherheitsbestände und Eilaufträge sinken |
| Szenarienrechnung | Folgen einer Störung gerechnet statt geschätzt | Reaktionszeit sinkt, Entscheidungen werden begründbar |
| Personalzuordnung | Zulässige Zuordnungen unter vielen Regeln gefunden statt gesucht | Planungsaufwand und Überstundenquote sinken |
Die Herleitung mit Modellrechnungen je Kennzahl – einschließlich der Kennzahlen, die sich nicht verbessern – steht unter Welche Kennzahlen verbessert ein APS.
Wie erkennt man echte KI in einer APS-Software?
Kaum ein Anbieter kommt heute ohne den Begriff aus. Ob eine Software für KI in der Produktionsplanung wirklich Substanz hat, zeigen drei Fragen:
- Heuristik oder mathematische Optimierung?Eine belastbare Antwort nennt die Verfahrensklasse – Constraint Programming, ganzzahlige Programmierung oder eine konkrete Metaheuristik. Wer nur von KI spricht, meint meist eine Prioritätsregel. Das ist kein Ausschlussgrund, sollte aber beim Namen genannt werden.
- Um wie viel besser ist das Ergebnis als die Standardregel?Lassen Sie beide Verfahren an derselben, real gefahrenen Woche aus Ihrem Betrieb rechnen und vergleichen Sie die Zielgröße, die Ihnen wichtig ist. Zwei Prozent Gewinn rechtfertigen den Aufwand selten.
- Kann das System seine Entscheidung begründen?Warum liegt dieser Auftrag hier und nicht dort? Eine gute Antwort nennt die bindende Restriktion und die Zielgewichtung. Ohne Antwort kann der Planer das Ergebnis nicht verteidigen – und überschreibt es.
Worauf bei der Auswahl einer APS-Software sonst noch zu achten ist, behandelt der Leitfaden Produktionsplanung Software: APS verstehen und auswählen.
Wann lohnt sich KI in der Produktionsplanung nicht?
KI ist nicht in jeder Planungsumgebung sinnvoll. Drei Situationen sprechen gegen eine aufwendige Optimierung:
- Wenig Komplexität: Wenige Varianten in großen Losen auf wenigen Anlagen ohne reihenfolgeabhängige Rüstzeiten – eine gepflegte Regel liefert dasselbe Ergebnis zu einem Bruchteil der Kosten.
- Unklare Ziele: Ein Verfahren optimiert, was man ihm vorgibt. Ist nicht entschieden, wie Termintreue gegen Rüstaufwand und Bestand abgewogen wird, entsteht nur schneller eine willkürliche Abwägung – dazu die Gewichtungsregel.
- Lückenhafte Stammdaten: Dann erzeugt ein Optimierer plausibel aussehende Pläne aus falschen Annahmen und verleiht ihnen Autorität.
Forschung: Was MCP gemeinsam mit der TU Wien untersucht hat
MCP war Industriepartner des Christian-Doppler-Labors ARTIS für künstliche Intelligenz und Optimierung in Planung und Scheduling an der TU Wien (2017 bis 2025, Leitung: Assoc. Prof. Nysret Musliu) und nimmt am CAIML teil, dem Center for Artificial Intelligence and Machine Learning der TU Wien. Die gemeinsamen Ergebnisse sind peer-reviewed veröffentlicht – unter anderem zur Ofenbeladung mit dem Energieeinsatz statt der Durchlaufzeit als Zielgröße, zu Reihenfolgen unter Kontaminationsverboten und zur Auswahl von Prioritätsregeln durch maschinelles Lernen. Die Problemstellungen stammen aus realen Kundenprojekten; Daniel Walkiewicz von MCP ist Mitautor mehrerer dieser Arbeiten.
Kurzcheck: Lohnt sich KI in Ihrer Produktionsplanung?
Ob sich KI in der Produktionsplanung lohnt, hängt von zwei Dingen ab: ob die Aufgabe komplex genug ist und ob die Voraussetzungen erfüllt sind. Die sieben Fragen geben eine erste Einschätzung; belastbar wird sie erst mit einer Vergleichsrechnung an Ihren Daten.
Lohnt sich Optimierung an Ihrer konkreten Aufgabe?
Wir rechnen an Ihren realen Planungsdaten, ob ein Optimierungsverfahren gegenüber Ihrer bisherigen Regel einen messbaren Unterschied macht – und sagen es Ihnen auch, wenn eine gepflegte Regel das Gleiche günstiger leistet.
Häufige Fragen zu KI in der Produktionsplanung
Ein Sammelbegriff für Verfahren, die Planungsentscheidungen unter realen Restriktionen berechnen oder verbessern. Den Kern bildet mathematische Optimierung – Constraint Programming, gemischt-ganzzahlige Programmierung und Metaheuristiken –, die Reihenfolgen, Zuordnungen und Chargen berechnet. Hinzu kommt maschinelles Lernen für Prognosen und Planungsparameter. Sprachmodelle spielen in der Planung selbst keine Rolle, allenfalls als Bedienoberfläche.
In Zweck und Fehlerverhalten. Ein Sprachmodell erzeugt Inhalte und darf plausibel sein; Fehlendes ergänzt es überzeugend. Ein Planungsverfahren berechnet Entscheidungen, deren Ergebnis zulässig oder unzulässig ist – und wenn keine Lösung existiert, meldet es das. Ein Sprachmodell kann einen Plan erklären, aber keinen verantwortbar erstellen.
Eine Heuristik ist eine Regel, die schnell zu einer brauchbaren Lösung führt, etwa den Auftrag mit dem frühesten Liefertermin zuerst einzuplanen. Sie prüft nur einen Bruchteil der Möglichkeiten und weiß nicht, wie weit sie vom Optimum entfernt ist. Optimierungsverfahren durchsuchen den Lösungsraum systematisch; exakte Verfahren können zusätzlich beweisen, dass eine Lösung optimal ist, Metaheuristiken finden auch bei sehr großen Problemen gute Lösungen ohne diesen Beweis.
Wenn die Aufgabe für Regeln zu komplex wird: bei reihenfolgeabhängigen Rüst- oder Reinigungszeiten, vielen Varianten auf denselben Ressourcen, sich gegenseitig einschränkenden Bedingungen, Chargen- und Kammerbeladung oder Personalzuordnung mit vielen Qualifikationen. Voraussetzung sind eine festgelegte Zielgewichtung und belastbare Stammdaten. Ob sich der Aufwand rechnet, zeigt ein Vergleich von Regel und Optimierung an denselben Daten.
An drei Fragen: Arbeitet die Software mit einer Heuristik oder mit mathematischer Optimierung – und lässt sich die Verfahrensklasse benennen? Um wie viel besser ist das Ergebnis als mit der Standardregel, gemessen an einer realen Woche aus dem eigenen Betrieb? Und kann das System begründen, warum ein Auftrag dort liegt, wo er liegt?
Quellen und Publikationen
Die folgenden Arbeiten sind im CD-Labor ARTIS gemeinsam von MCP und der TU Wien entstanden. Die vollständige Liste führt das Labor unter cdlab-artis.dbai.tuwien.ac.at/publications.
- Exact methods for the Oven Scheduling Problem
Lackner, M.-L., Mrkvicka, C., Musliu, N., Walkiewicz, D., Winter, F. (2023). Constraints (Zeitschriftenbeitrag, peer reviewed, Open Access).
Thema: Ofen- und Kammerbeladung, Energieeinsatz als Zielgröße - Modeling and Solving Parallel Machine Scheduling with Contamination Constraints in the Agricultural Industry
Winter, F., Meiswinkel, S., Musliu, N., Walkiewicz, D. (2022). 28th International Conference on Principles and Practice of Constraint Programming (CP 2022), S. 41:1–41:18, peer reviewed, Open Access. DOI: 10.4230/LIPIcs.CP.2022.41.
Thema: Kontaminationsverbote und zulässige Produktübergänge - Automated Production Scheduling for Artificial Teeth Manufacturing
Winter, F., Mrkvicka, C., Musliu, N., Preininger, J. (2021). 31st International Conference on Automated Planning and Scheduling (ICAPS 2021), 31(1), S. 500–508. DOI: 10.1609/icaps.v31i1.15997.
Thema: Automatisierte Feinplanung in der Serienfertigung mit komplexen Nebenbedingungen - Automated Configuration of Parallel Machine Dispatching Rules by Machine Learning
Faustmann, G., Mrkvicka, C., Musliu, N., Winter, F. (2021). GECCO ’21: Genetic and Evolutionary Computation Conference, Companion, S. 125–126. DOI: 10.1145/3449726.3459541.
Thema: Maschinelles Lernen wählt die passende Prioritätsregel – die Verbindung beider Verfahrenswelten - Minimizing Cumulative Batch Processing Time for an Industrial Oven Scheduling Problem
Lackner, M.-L., Mrkvicka, C., Musliu, N., Walkiewicz, D., Winter, F. (2021). 27th International Conference on Principles and Practice of Constraint Programming (CP 2021), S. 37:1–37:18, peer reviewed. DOI: 10.4230/LIPIcs.CP.2021.37.
Thema: Ofenbeladung in der Elektronikfertigung, Constraint Programming und ILP im Vergleich
- Approaches for an Automotive Paint Shop Scheduling Problem – Lackierlinien: Reihenfolge und Farbwechsel
- A Large Neighborhood Search Approach for the Paint Shop Scheduling Problem – Metaheuristik für große Lackierprobleme
- Multi-neighborhood simulated annealing for the oven scheduling problem – Metaheuristik für die Ofenbeladung
- A hyper-heuristic approach for artificial teeth scheduling – Automatische Auswahl des passenden Verfahrens
- Solving the Employee Task Distribution Problem with Multiple Objectives – Aufgabenverteilung auf Mitarbeitende bei mehreren Zielgrößen
- Exact and meta-heuristic approaches for the production leveling problem – Produktionsglättung: exakte Verfahren und Metaheuristiken im Vergleich
- GPMS: A Generalized Parallel Machine Scheduling Framework with Rich Temporal and Resource Constraints – Verallgemeinertes Modell für Maschinenbelegung mit Zeit- und Ressourcenrestriktionen
- Solving Parallel Machine Scheduling With Precedences and Cumulative Resource Constraints With Calendars – Vorgängerbeziehungen, kumulative Ressourcen und Kalender
Rechtliche Einordnung: Verordnung (EU) 2024/1689 (KI-Verordnung), Anhang III Nr. 4; Verordnung (EU) 2026/1744 (Digital Omnibus zur KI) zur Verschiebung der Hochrisiko-Pflichten; Leitlinien der EU-Kommission zur Definition eines KI-Systems (2025).
Michael Bernreiter
Dr. Michael Bernreiter ist seit Anfang 2025 bei MCP Algorithm Factory. Er verantwortet dort unter anderem die Entwicklung von Planungs- und Optimierungsalgorithmen sowie deren Integration in industrienahe Softwaresysteme – von APS über Prozessleitsysteme bis zu MES. MCP betreibt eines der größten Opcenter-APS-Teams in Europa und hat als Unternehmen über 300 Planungsprojekte in Betrieb genommen.
