@misc{Gronau2005,
  author    = {Gronau, Norbert},
  title     = {Ermittlung der Zukunftsf{\"a}higkeit unternehmensweiter Anwendungssysteme},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus-6843},
  year      = {2005},
  abstract  = {Bei Entscheidungen {\"u}ber abzul{\"o}sende oder neue Anwendungssysteme kann mit Hilfe funktionaler Anforderungen immer nur der gegenw{\"a}rtige oder vorhersehbare Bedarf ermittelt werden. In einem turbulenten Umfeld sind die Anwendungssysteme jedoch h{\"a}ufig langere Zeit im Einsatz als die Anforderungen g{\"u}ltig sind, mit Hilfe derer sie ausgew{\"a}hlt wurden. An der Universit{\"a}t Potsdam wird im Rahmen des BMBF-Projektes CHANGE eine Vorgehensweise zur Ermittlung der Zukunftsf{\"a}higkeit unternehmensweiter Anwendungssysteme entwickelt, deren wesentliche Merkmale in diesem Beitrag beschrieben werden.},
  subject      = {Enterprise-Resource-Planning},
  language  = {de}
}
@misc{GronauWildemannZaeh2004,
  author    = {Gronau, Norbert and Wildemann, Horst and Z{\"a}h, Michael F.},
  title     = {Entwicklung und Betrieb wandlungsf{\"a}higer Auftragsabwicklungssysteme},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus-6791},
  year      = {2004},
  abstract  = {Mittelst{\"a}ndische Industrieunternehmen setzen f{\"u}r ihre betrieblichen Abl{\"a}ufe Planungs- und Ausf{\"u}hrungssysteme ein. Aufgrund der Turbulenzen auf Absatz- und Beschaffungsm{\"a}rkten kann die Wirtschaftlichkeit und Wettbewerbsf{\"a}higkeit dieser Unternehmen nur durch permanente Anpassungen der Organisationsstrukturen und -abl{\"a}ufe erfolgen. In der Praxis zeigt sich eine unzureichende technologische Anpassungsf{\"a}higkeit der heute eingesetzten Standardsoftwaresysteme. Diese lassen zwar w{\"a}hrend der Einf{\"u}hrungsphase vielf{\"a}ltige Konfigurationsm{\"o}glichkeiten zu, Ver{\"a}nderungen im laufenden Betrieb sind aber meist nur mit großem Aufwand m{\"o}glich. Hier sind die Softwarehersteller in Zukunft zunehmend gefordert, wandlungsf{\"a}hige Auftragsabwicklungssysteme zu entwickeln. {\"U}ber die Entwicklungsphase (Build-Time) hinaus muss auch parallel zur Betriebsphase (Run-Time) der technische Fortschritt aufgrund von ge{\"a}nderten Anforderungen durch entsprechende Softwarereleases synchronisiert werden.},
  subject      = {Auftragsabwicklung},
  language  = {de}
}
@misc{BenderHabibGronau2020,
  author    = {Bender, Benedict and Habib, Natalie and Gronau, Norbert},
  title     = {Digitale Plattformen},
  series = {Zweitver{\"o}ffentlichungen der Universit{\"a}t Potsdam : Wirtschafts- und Sozialwissenschaftliche Reihe},
  journal   = {Zweitver{\"o}ffentlichungen der Universit{\"a}t Potsdam : Wirtschafts- und Sozialwissenschaftliche Reihe},
  number    = {1},
  issn      = {1867-5808},
  doi       = {10.25932/publishup-60541},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus4-605419},
  pages     = {11},
  year      = {2020},
  abstract  = {Obwohl digitale Plattformen vornehmlich von Großunternehmen betrieben werden, bieten sie klein- und mittelst{\"a}ndischen Unternehmen (KMU) Potenziale zur Verbreitung innovativer Technologien und f{\"u}r den Ausbau ihres Gesch{\"a}ftsmodells. F{\"u}r die Umsetzung digitaler Plattformen stehen Unternehmen mehrere Strategien zur Verf{\"u}gung. Der Beitrag vergleicht und bewertet grundlegende Strategien am Beispiel eines Maschinenbauunternehmens. Die Ergebnisse dienen als Grundlage f{\"u}r die Entscheidungsfindung von KMU.},
  language  = {de}
}
@misc{PanzerBenderGronau2021,
  author    = {Panzer, Marcel and Bender, Benedict and Gronau, Norbert},
  title     = {Deep reinforcement learning in production planning and control},
  series = {Zweitver{\"o}ffentlichungen der Universit{\"a}t Potsdam : Wirtschafts- und Sozialwissenschaftliche Reihe},
  journal   = {Zweitver{\"o}ffentlichungen der Universit{\"a}t Potsdam : Wirtschafts- und Sozialwissenschaftliche Reihe},
  issn      = {2701-6277},
  doi       = {10.25932/publishup-60572},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus4-605722},
  pages     = {13},
  year      = {2021},
  abstract  = {Increasingly fast development cycles and individualized products pose major challenges for today's smart production systems in times of industry 4.0. The systems must be flexible and continuously adapt to changing conditions while still guaranteeing high throughputs and robustness against external disruptions. Deep reinforcement learning (RL) algorithms, which already reached impressive success with Google DeepMind's AlphaGo, are increasingly transferred to production systems to meet related requirements. Unlike supervised and unsupervised machine learning techniques, deep RL algorithms learn based on recently collected sensorand process-data in direct interaction with the environment and are able to perform decisions in real-time. As such, deep RL algorithms seem promising given their potential to provide decision support in complex environments, as production systems, and simultaneously adapt to changing circumstances. While different use-cases for deep RL emerged, a structured overview and integration of findings on their application are missing. To address this gap, this contribution provides a systematic literature review of existing deep RL applications in the field of production planning and control as well as production logistics. From a performance perspective, it became evident that deep RL can beat heuristics significantly in their overall performance and provides superior solutions to various industrial use-cases. Nevertheless, safety and reliability concerns must be overcome before the widespread use of deep RL is possible which presumes more intensive testing of deep RL in real world applications besides the already ongoing intensive simulations.},
  language  = {en}
}
@misc{PanzerBenderGronau2023,
  author    = {Panzer, Marcel and Bender, Benedict and Gronau, Norbert},
  title     = {A deep reinforcement learning based hyper-heuristic for modular production control},
  series = {Zweitver{\"o}ffentlichungen der Universit{\"a}t Potsdam : Wirtschafts- und Sozialwissenschaftliche Reihe},
  journal   = {Zweitver{\"o}ffentlichungen der Universit{\"a}t Potsdam : Wirtschafts- und Sozialwissenschaftliche Reihe},
  issn      = {1867-5808},
  doi       = {10.25932/publishup-60564},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus4-605642},
  pages     = {24},
  year      = {2023},
  abstract  = {In nowadays production, fluctuations in demand, shortening product life-cycles, and highly configurable products require an adaptive and robust control approach to maintain competitiveness. This approach must not only optimise desired production objectives but also cope with unforeseen machine failures, rush orders, and changes in short-term demand. Previous control approaches were often implemented using a single operations layer and a standalone deep learning approach, which may not adequately address the complex organisational demands of modern manufacturing systems. To address this challenge, we propose a hyper-heuristics control model within a semi-heterarchical production system, in which multiple manufacturing and distribution agents are spread across pre-defined modules. The agents employ a deep reinforcement learning algorithm to learn a policy for selecting low-level heuristics in a situation-specific manner, thereby leveraging system performance and adaptability. We tested our approach in simulation and transferred it to a hybrid production environment. By that, we were able to demonstrate its multi-objective optimisation capabilities compared to conventional approaches in terms of mean throughput time, tardiness, and processing of prioritised orders in a multi-layered production system. The modular design is promising in reducing the overall system complexity and facilitates a quick and seamless integration into other scenarios.},
  language  = {en}
}