Kurzbeschreibung
HeuristicLab ist ein Open-Source-Softwaresystem, in dem Optimierungs- und Datenanalysefragestellungen mit metaheuristischen Algorithmen bearbeitet und gelöst werden können.
HeuristicLab wird seit über 15 Jahren an der Fakultät für Informatik, Kommunikation und Medien der FH Oberösterreich von der Forschungsgruppe "Heuristic and Evolutionary Algorithms Laboratory" (HEAL) entwickelt und erfolgreich sowohl in Forschungs- und Industrieprojekten als auch in der Lehre eingesetzt.
HeuristicLab zeichnet sich durch eine flexible Architektur aus, die die Anwendung und Analyse eines breiten Spektrums von Algorithmen auf eine Vielzahl von Optimierungsproblemen aus unterschiedlichen Domänen (z.B. Produktion, Logistik, Medizin- und Bioinformatik, Mechatronik, Finanz) mit Hilfe einer graphischen Benutzerschnittstelle ermöglicht.
Links:
https://dev.heuristiclab.com
https://heal.heuristiclab.com
Ansprechperson
FH-Prof. Priv.-Doz. DI Dr. Michael Affenzeller
Research Services
Anwendung heuristischer Optimierungsverfahren zur Lösung komplexer Optimierungsprobleme aus unterschiedlichsten Domänen
Methoden & Expertise zur Forschungsinfrastruktur
Einsatz von heuristischen Algorithmen zur Lösung komplexer Optimierungsprobleme in der Produktion und Logistik sowie in der datenbasierten nicht-linearen Modellierung
Bitte um Rücksprache mit dem Projektleiter!
AVL List
EREMA
Industrie-Logistik-Linz
Johannes Kepler Universität Linz
Kepler Universitätsklinikum Linz
Linz Center of Mechatronics
LiSEC Austria
Logistikum
LogServ
Miba Frictec
Profactor
RISC Software
Rübig
Software Competence Center Hagenberg
Universität Wien
voestalpine Stahl
EREMA
Industrie-Logistik-Linz
Johannes Kepler Universität Linz
Kepler Universitätsklinikum Linz
Linz Center of Mechatronics
LiSEC Austria
Logistikum
LogServ
Miba Frictec
Profactor
RISC Software
Rübig
Software Competence Center Hagenberg
Universität Wien
voestalpine Stahl
HOPL - Heuristic Optimization in Production and Logistics
Ziel dieses Projekts ist die Entwicklung innovativer Optimierungsalgorithmen, um durch ganzheitliche Modellierung und Optimierung von wechselseitig abhängigen Teilprozessen zusätzliches Optimierungspotential in Logistik- und Produktionsprozessen zu generieren.
Effizienter Ressourceneinsatz ist ein wichtiger Faktor für moderne Unternehmen. In der Praxis werden Optimierungsansätze für Produktion und Logistik durch die Schwierigkeit eingeschränkt, Systeme und Problemsituationen sowie deren Komplexität vollständig zu erfassen und zu formalisieren. Eine Vielzahl existierender Problemmodelle konzentriert sich dabei auf die Darstellung idealisierter und abstrahierter Teile der Realität – dies ist oftmals eine Notwendigkeit, um die Anwendung moderner Optimierungsmethoden zu ermöglichen. Folglich gehen in diesem Prozess wichtige Systemeigenschaften verloren und stehen somit der Optimierung nicht mehr zur Verfügung; der verlustlose Transfer einer optimierten Lösung aus der Modell- zurück in die Realwelt ist in vielen Fällen nicht möglich.
Der Fokus dieses Forschungsprojektes ist die Vereinigung von generischen Problembeschreibungen, Simulationsmethoden und exakten sowie heuristischen Optimierungsverfahren zu sogenannten Optimierungsnetzwerken, um Produktions- und Logistikprozesse im Hinblick auf effizientere Nutzung von Ressourcen planen und betreiben zu können.
Das Konsortium vereint wissenschaftliche und praktische Expertise in heuristischer und exakter Optimierung, Systemidentifikation, Produktion und Logistik. Innovative Optimierungskonzepte werden erforscht, implementiert, und umgesetzt, um konkrete Szenarien teilnehmender Unternehmen ganzheitlich zu erfassen und zu optimieren.
Die zentralen Aufgabenstellungen des Projektes sind:
Integrierte Lager-, Transport- und Reihenfolgeoptimierung
Strategisches Design und Planung von Produktions- und Logistiksystemen
Integration datenbasierter Modellbildung in die Optimierung von Produktionssystemen
Laufzeit:
Mai 2014- April 2018
Projektpartner:
voestalpine
Rosenbauer
miba frictec
Gebrüder Weiss
carvatech
FH Oberösterreich
Profactor
RISC Software GmbH
Universität Wien
JKU Linz
v-Research
Homepage:
http://hopl.heuristiclab.com/
Ziel dieses Projekts ist die Entwicklung innovativer Optimierungsalgorithmen, um durch ganzheitliche Modellierung und Optimierung von wechselseitig abhängigen Teilprozessen zusätzliches Optimierungspotential in Logistik- und Produktionsprozessen zu generieren.
Effizienter Ressourceneinsatz ist ein wichtiger Faktor für moderne Unternehmen. In der Praxis werden Optimierungsansätze für Produktion und Logistik durch die Schwierigkeit eingeschränkt, Systeme und Problemsituationen sowie deren Komplexität vollständig zu erfassen und zu formalisieren. Eine Vielzahl existierender Problemmodelle konzentriert sich dabei auf die Darstellung idealisierter und abstrahierter Teile der Realität – dies ist oftmals eine Notwendigkeit, um die Anwendung moderner Optimierungsmethoden zu ermöglichen. Folglich gehen in diesem Prozess wichtige Systemeigenschaften verloren und stehen somit der Optimierung nicht mehr zur Verfügung; der verlustlose Transfer einer optimierten Lösung aus der Modell- zurück in die Realwelt ist in vielen Fällen nicht möglich.
Der Fokus dieses Forschungsprojektes ist die Vereinigung von generischen Problembeschreibungen, Simulationsmethoden und exakten sowie heuristischen Optimierungsverfahren zu sogenannten Optimierungsnetzwerken, um Produktions- und Logistikprozesse im Hinblick auf effizientere Nutzung von Ressourcen planen und betreiben zu können.
Das Konsortium vereint wissenschaftliche und praktische Expertise in heuristischer und exakter Optimierung, Systemidentifikation, Produktion und Logistik. Innovative Optimierungskonzepte werden erforscht, implementiert, und umgesetzt, um konkrete Szenarien teilnehmender Unternehmen ganzheitlich zu erfassen und zu optimieren.
Die zentralen Aufgabenstellungen des Projektes sind:
Integrierte Lager-, Transport- und Reihenfolgeoptimierung
Strategisches Design und Planung von Produktions- und Logistiksystemen
Integration datenbasierter Modellbildung in die Optimierung von Produktionssystemen
Laufzeit:
Mai 2014- April 2018
Projektpartner:
voestalpine
Rosenbauer
miba frictec
Gebrüder Weiss
carvatech
FH Oberösterreich
Profactor
RISC Software GmbH
Universität Wien
JKU Linz
v-Research
Homepage:
http://hopl.heuristiclab.com/
A. Beham, S. Wagner, M. Affenzeller. Optimization Knowledge Center - A Decision Support System for Heuristic Optimization. Companion Publication of the 2016 Genetic and Evolutioanry Computation Conference, GECCO '16 Companion, ACM. 2016. (URL: http://dl.acm.org/authorize.cfm?key=N19168)
A. Scheibenpflug, A. Beham, M. Kommenda, J. Karder, S. Wagner, M. Affenzeller. Simplifying Problem Definitions in the HeuristicLab Optimization Environment. Companion Publication of the 2015 Genetic and Evolutionary Computation Conference, GECCO '15 Companion, ACM. 2015. (URL: http://dl.acm.org/citation.cfm?id=2768463)
A. Beham, J. Karder, G. Kronberger, S. Wagner, M. Kommenda, A. Scheibenpflug. Scripting and Framework Integration in Heuristic Optimization Environments. Companion Publication of the 2014 Genetic and Evolutionary Computation Conference, GECCO '14 Companion, ACM. 2014. (URL: https://dl.acm.org/citation.cfm?id=2598394.2605690)
S. Wagner et al. Architecture and Design of the HeuristicLab Optimization Environment. In Advanced Methods and Applications in Computational Intelligence, Topics in Intelligent Engineering and Informatics Series, Springer, pp. 197-261. 2014. (URL: http://link.springer.com/chapter/10.1007/978-3-319-01436-4_10)
G. Kronberger, M. Kommenda, S. Wagner, H. Dobler. GPDL: A Framework-Independent Problem Definition Language for Grammar Guided Genetic Programming. Proceedings of the 15th Annual Conference Companion on Genetic and Evolutionary Computation, ACM, pp. 1333-1340. 2013. (URL: http://dl.acm.org/citation.cfm?id=2482713&dl=ACM&coll=DL)
M. Kommenda, G. Kronberger, S. Wagner, S. M. Winkler, M. Affenzeller. On the Architecture and Implementation of Tree-based Genetic Programming in HeuristicLab. GECCO '12 Proceedings of the 14th Annual Conference Companion on Genetic and Evolutionary Computation, ACM, pp. 101-108. 2012. (URL: http://dl.acm.org/citation.cfm?id=2330784.2330801&coll=DL&dl=GUIDE)
A. Beham et al. Integration of Flexible Interfaces in Optimization Software Frameworks for Simulation-Based Optimization. GECCO '12 Proceedings of the 14th Annual Conference Companion on Genetic and Evolutionary Computation, ACM, pp. 125-132. 2012. (URL: http://dl.acm.org/citation.cfm?id=2330804)
A. Scheibenpflug, S. Wagner, E. Pitzer, M. Affenzeller. Optimization Knowledge Base: An Open Database for Algorithm and Problem Characteristics and Optimization Results. GECCO '12 Proceedings of the 14th Annual Conference Companion on Genetic and Evolutionary Computation, ACM, pp. 141-148. 2012. (URL: http://dl.acm.org/citation.cfm?id=2330784.2330806)
S. Wagner, G. Kronberger, A. Beham, S. Winkler, M. Affenzeller. Model Driven Rapid Prototyping of Heuristic Optimization Algorithms. Computer Aided Systems Theory - EUROCAST 2009, vol. 5717, Springer, pp. 729–736. 2009. (URL: http://link.springer.com/chapter/10.1007%2F978-3-642-04772-5_94)
S. Wagner et al. Benefits of Plugin-Based Heuristic Optimization Software Systems. Computer Aided Systems Theory - EUROCAST 2007, vol. 4739, Springer, pp. 747–754. 2007. (URL: http://link.springer.com/chapter/10.1007/978-3-540-75867-9_94)
A. Scheibenpflug, A. Beham, M. Kommenda, J. Karder, S. Wagner, M. Affenzeller. Simplifying Problem Definitions in the HeuristicLab Optimization Environment. Companion Publication of the 2015 Genetic and Evolutionary Computation Conference, GECCO '15 Companion, ACM. 2015. (URL: http://dl.acm.org/citation.cfm?id=2768463)
A. Beham, J. Karder, G. Kronberger, S. Wagner, M. Kommenda, A. Scheibenpflug. Scripting and Framework Integration in Heuristic Optimization Environments. Companion Publication of the 2014 Genetic and Evolutionary Computation Conference, GECCO '14 Companion, ACM. 2014. (URL: https://dl.acm.org/citation.cfm?id=2598394.2605690)
S. Wagner et al. Architecture and Design of the HeuristicLab Optimization Environment. In Advanced Methods and Applications in Computational Intelligence, Topics in Intelligent Engineering and Informatics Series, Springer, pp. 197-261. 2014. (URL: http://link.springer.com/chapter/10.1007/978-3-319-01436-4_10)
G. Kronberger, M. Kommenda, S. Wagner, H. Dobler. GPDL: A Framework-Independent Problem Definition Language for Grammar Guided Genetic Programming. Proceedings of the 15th Annual Conference Companion on Genetic and Evolutionary Computation, ACM, pp. 1333-1340. 2013. (URL: http://dl.acm.org/citation.cfm?id=2482713&dl=ACM&coll=DL)
M. Kommenda, G. Kronberger, S. Wagner, S. M. Winkler, M. Affenzeller. On the Architecture and Implementation of Tree-based Genetic Programming in HeuristicLab. GECCO '12 Proceedings of the 14th Annual Conference Companion on Genetic and Evolutionary Computation, ACM, pp. 101-108. 2012. (URL: http://dl.acm.org/citation.cfm?id=2330784.2330801&coll=DL&dl=GUIDE)
A. Beham et al. Integration of Flexible Interfaces in Optimization Software Frameworks for Simulation-Based Optimization. GECCO '12 Proceedings of the 14th Annual Conference Companion on Genetic and Evolutionary Computation, ACM, pp. 125-132. 2012. (URL: http://dl.acm.org/citation.cfm?id=2330804)
A. Scheibenpflug, S. Wagner, E. Pitzer, M. Affenzeller. Optimization Knowledge Base: An Open Database for Algorithm and Problem Characteristics and Optimization Results. GECCO '12 Proceedings of the 14th Annual Conference Companion on Genetic and Evolutionary Computation, ACM, pp. 141-148. 2012. (URL: http://dl.acm.org/citation.cfm?id=2330784.2330806)
S. Wagner, G. Kronberger, A. Beham, S. Winkler, M. Affenzeller. Model Driven Rapid Prototyping of Heuristic Optimization Algorithms. Computer Aided Systems Theory - EUROCAST 2009, vol. 5717, Springer, pp. 729–736. 2009. (URL: http://link.springer.com/chapter/10.1007%2F978-3-642-04772-5_94)
S. Wagner et al. Benefits of Plugin-Based Heuristic Optimization Software Systems. Computer Aided Systems Theory - EUROCAST 2007, vol. 4739, Springer, pp. 747–754. 2007. (URL: http://link.springer.com/chapter/10.1007/978-3-540-75867-9_94)