Författare

Ognjen Radišić-Aberger

Bästsäljande1 verkEngelska

Ognjen Radišić-Aberger är en uppskattad författare inom Ekonomi och Ledarskap med totalt 1 bok tillgängliga på Bokkollen, utgivna hos Springer Fachmedien Wiesbaden.

Bland verken finns Optimisation and Control of Engineering Change Schedules in the Automotive Industry with Metaheuristics and Machine Learning, som toppar listan över Ognjen Radišić-Abergers populäraste böcker. Verken spänner över ekonomi & ledarskap och tilltalar läsare som uppskattar genren.

På Bokkollen gör vi det enkelt att navigera i Ognjen Radišić-Abergers författarskap. Vår databas uppdateras ständigt med nya släpp och format, så oavsett om du söker efter en lättläst pocket för semestern, en lyxig inbunden presentutgåva eller en digital ljudbok för pendlingen, har vi rätt utgåva för dig.

Jämför snabbt och smidigt priser på alla böcker av Ognjen Radišić-Aberger hos Sveriges ledande bokhandlare – som Adlibris, Bokus och Akademibokhandeln – och hitta alltid det bästa erbjudandet utan att betala för mycket.

Optimisation and Control of Engineering Change Schedules in the Automotive Industry with Metaheuristics and Machine Learning
Mest populär

Optimisation and Control of Engineering Change Schedules in the Automotive Industry with Metaheuristics and Machine Learning

Adaptation and change are imperative for products and companies to remain competitive. Managing these changes, however, is increasingly difficult and requires thorough planning and management. Especially in complex production systems, the efficient handling of these engineering changes becomes a competitive edge. This book embarks upon the task to manage the increasingly difficult optimisation and control of engineering changes through artificial intelligence. Based on a knowledge base gained from a systematic literature review, it is shown how AI methods can be applied to resolve challenges faced in production environments. Based on metaheuristic algorithms, optimal EC effectivity dates are determined, which are then validated and controlled by machine learning based business process monitoring. These advances provide significant support for change coordinators and material planners by reducing administrative effort end ensuring complexity control.