Markov-beslissingsproces voor productieplanning bij onzekere vraagtijd

In logistieke en industriële processen is het plannen van productiecapaciteit een uitdagende taak, met name wanneer de timing van binnenkomende orders onvoorspelbaar is. De bestudeerde problematiek richt zich op situaties waarin de omvang van de vraag bekend is, maar het exacte moment waarop deze zich voordoet stochastisch van aard is. Elk verzoek moet binnen een vastgesteld tijdsvenster worden afgehandeld om achterstanden te voorkomen.

Om deze dynamiek te vangen, is het planningsvraagstuk geformuleerd als een discreet-tijd Markov-beslissingsproces. Hierdoor kan het model beslissingen nemen op het niveau van individuele vragen, wat helpt bij het beheren van capaciteitsconflicten en voorraadbeheer onder onzekere omstandigheden.

Hoewel wiskundige optimalisatiemethoden vaak worden ingezet voor operationele vraagstukken, sluit het gebruik van Markov-beslissingsprocessen nauw aan bij methoden die ook binnen reinforcement learning worden toegepast. Dergelijke stochastische modellen vormen de basis voor besluitvormingssystemen in complexe omgevingen.