Bridging Theory and Practice: Development and Evaluation of Production Scheduling Algorithms for Real-World Production Environments

by Michael Groth
Doctoral thesis
Date of Examination:2025-12-16
Date of issue:2025-12-19
Advisor:Prof. Dr. Matthias Schumann
Referee:Prof. Dr. Matthias Schumann
Referee:Prof. Dr. Jutta Geldermann
Referee:Prof. Dr. Lutz M. Kolbe
Persistent Address: http://dx.doi.org/10.53846/goediss-11725

 

 

Files in this item

Name:Dissertation_v005-Veröffentlichung.pdf
Size:2.68Mb
Format:PDF

The following license files are associated with this item:

Abstract

English

Production scheduling is becoming increasingly complex due to customization, variability, and real-time disturbances, while Industry 4.0 technologies offer real-time data and opportunities for reactive control. This dissertation addresses the gap between simplified research on production scheduling and complex real-world production environments with additional constraints, by targeting two areas: the development of real-world-capable scheduling approaches and the evaluation of such approaches under realistic conditions. In the first area, this dissertation lays the foundation for the development of real-world scheduling algorithms. First, it synthesizes real-world complexities into a taxonomy, then proposes a general problem representation, and designs a reference architecture for scheduling applications that expose these complexities to algorithms. Building on these foundations, it develops and iterates reinforcement learning–based schedulers for real-time decision making, demonstrating that state-of-the-art learning methods can integrate constraints such as sequence-dependent changeovers, alternative resources, and dynamic events while remaining computationally viable. In the second area, this dissertation enables the evaluation of such real-world scheduling algorithms. It introduces Simfia, an evaluation environment that manages individually deployable scheduling services, orchestrates experiments, and reports performance against customizable criteria. Furthermore, this dissertation proposes a benchmark that incorporates real-world complexity usable for future research to compare the performance of real-world production scheduling algorithms, thereby addressing common shortcomings of existing evaluations. Overall, the dissertation presents a comprehensive view of real-world scheduling requirements, a reusable problem representation and reference architecture, reinforcement learning schedulers tailored to practice-relevant constraints, and an evaluation stack comprising a platform and a benchmark. Together, these contributions provide actionable building blocks for researchers and practitioners, narrowing the gap between academic advances and factory-floor needs and advancing the relevance and reproducibility of production scheduling research.
Keywords: Production Scheduling; Scheduling; Reinforcement Learning; Machine Learning; Industry 4.0; Advanced Manufacturing Systems

German

Die zunehmende Individualisierung, Variabilität und Echtzeitstörungen erhöhen die Komplexität der Ablaufplanung, während Industrie-4.0-Technologien Echtzeitdaten und neue Steuerungsmöglichkeiten der Produktion ermöglichen. Diese Dissertation adressiert die Lücke zwischen stilisierter Forschung und realen Fabrikumgebungen mit zusätzlichen Restriktionen. Dazu adressiert die Dissertation zwei Bereiche: die Entwicklung praxistauglicher Ablaufplanungs¬algorithmen und deren Evaluation unter realistischen Bedingungen. In dem ersten Bereich schafft diese Dissertation zuerst eine Grundlage für die Entwicklung von praxisrelevanten Ablaufplanungsalgorithmen durch eine Zusammenführung der realen Komplexitäten in einer Taxonomie, der Entwicklung einer Problemrepräsentation und einer Referenzarchitektur zur Entwicklung von praxisrelevanten Ablaufplanungsalgorithmen. Auf diesen Grundlagen aufbauend wird in dieser Dissertation ein Reinforcement-Learning-basierter Ablaufplanungs¬algorithmus entwickelt, der die Komplexität realer Produktionen berücksichtigt und Echtzeitplanung ermöglicht. In dem zweiten Bereich vereinfacht die Dissertation die Evaluation von praxisrelevanten Ablaufplanungsalgorithmen. Dazu führt sie die Evaluationsumgebung Simfia ein, auf der unabhängige Ablaufplanungsdienste orchestriert werden und Experimente in anpassbaren Produktionsumgebungen mit flexiblen Kennzahlen durchgeführt werden können. Anschließend wird ein Benchmark vorgestellt, der eine einheitliche Evaluation von praxisrelevanten Ablaufplanungsalgorithmen in der Forschung ermöglicht. In Summe liefert die Arbeit Anforderungen an praxisrelevante Ablaufplanung, eine wiederverwendbare Problemrepräsentation samt Referenzarchitektur, praxistaugliche Reinforcement-Learning-Ablaufplanungsalgorithmen sowie Möglichkeiten zur Evaluation solcher Algorithmen, bestehend aus einer Evaluationsplattform und einem Benchmark. Dadurch schließt diese Dissertation die Lücke zwischen Forschung und den Anforderungen der Produktionswelt und trägt dazu bei, dass zukünftige Forschung eine größere Relevanz für die Praxis haben wird.
 
Statistik