Diese Arbeit behandelt die stochastische Version des Economic Lot Sizing Problem (ELSP) mit sequenzabhängigen Setupzeiten. Das Problem entwickelt sich aus der Tatsache, dass es in vielen Fällen günstiger ist, eine teurere Maschine mit höherer Kapazität und breiteren Einsatzmöglichkeiten anzuschaffen, als eine spezialisierte Maschine, die nur für einen spezifischen Vorgang einzusetzen ist. Die deterministische Version des Problems wird seit einigen Jahrzehnten behandelt und es ist eine große Masse an Literatur dazu verfügbar. Auch die sequenzabhängige Version des deterministischen ELSP-Problems ist als Abwandlung des Traveling Salesman Problem (TSP) relativ gut erforscht. Arbeiten, die beide Probleme kombinieren sind hingegen fast nicht vorhanden. Aus diesem Grund versucht die vorliegende Arbeit, Probleme mit beiden Einschränkungen simultan zu lösen. Dazu werden vorhandene Arbeiten aus beiden Bereichen ausgewertet und relevante Teile kombiniert. Metaheuristiken aus dem Gebiet des deterministischen ELSP werden dazu verwendet, um Startparameter für Simulationsoptimierung zu erhalten. Anschließend versucht ein globaler Optimierer die Lösung sukzessive zu verbessern. Zum Setzen der Produktionssequenzen -- welche bei sequenzabhängigen Setupzeiten entscheidend sind -- wird ein genetischer Algorithmus aus dem Bereich der TSP-Forschung verwendet. Im numerischen Teil der Arbeit werden fünf verschiedene Produktionsplanungsregeln verglichen. Zwei davon basieren auf einem gemeinsamen Zyklus, der für alle Produkte gleich sind. Die restlichen drei Regeln implementieren fixe Zyklusfolgen, in denen ausgewählte Produkte mehrfach vorkommen können. Die letztgenannten Regeln werden in Hinsicht auf das Optimierungsziel verglichen. Der Zyklus wird entweder auf Ausgeglichenheit, Kosteneffizienz in Hinsicht auf Setupzeiten oder eine Kombination aus den beiden optimiert.

This text deals with the stochastic version of the Economic Lot Sizing Problem (ELSP) with sequence-dependent setup times. The problem arises from the fact that it is often more profitable to invest in a single high-capacity machine that can be used for multiple purposes, than cheaper specialized machines. Deterministic and setup-independent versions of the problem have been researched extensively. Research approaches that combine both are relatively sparse. The paper combines some earlier works, as well as metaheuristic concepts to set better production policies. A genetic algorithm is used to improve the sequence and minimize setup times of the whole cycle. Then a global optimizer evaluates policies in simulation runs and tries to improve the result by adapting base stock levels and product frequencies. The results are evaluated in a numerical study.