Die Losgrößenplanung ist ein zentrales Problem in der Produktionsplanung, insbesondere in der Prozessindustrie. Sie beschäftigt sich mit der Frage, wie viele Einheiten eines Produkts ohne Unterbrechung eines anderen Produkts produziert werden sollen, um die Gesamtkosten aus Rüst- und Lagerhaltungskosten zu minimieren. Besonders komplex wird das Problem, wenn auch die Losreihenfolge relevant ist, da reihenfolgeabhängige Rüstzeiten zu berücksichtigen sind. Für die simultane Losgrößen- und Reihenfolgeplanung existieren zahlreiche mathematische Optimierungsmodelle, die jedoch in der Praxis wegen ihrer hohen Rechenzeiten und Komplexität oft nur eingeschränkt einsetzbar sind. Komplexitätsreduktion erfolgt meist durch Modellvereinfachung (Relaxation, Dekomposition) oder Aggregation von Produkt- und Zeitdimensionen, wobei die Wahl geeigneter Aggregations- und Disaggregationsregeln eine zusätzliche Herausforderung darstellt. Ein Ansatz zur Verbesserung der Lösungsfindung ist der Einsatz von Machine-Learning-Methoden, welche anhand von Probleminstanzen vorhersagen sollen, welche Lösungsheuristik für ein konkretes Problem am besten geeignet ist. Am Beispiel des Capacitated Lotsizing Problem wird untersucht, ob und wie mittels Machine Learning die beste Lösungsheuristik prognostiziert werden kann, wobei insbesondere die Generalisierbarkeit auf größere Probleminstanzen und die Ableitung geeigneter Problembeschreibungsmerkmale eine zentrale Rolle spielen. Ziel der Arbeit ist es, einen Beitrag zur automatisierten Auswahl effizienter Lösungsverfahren im Kontext NP-schwerer Losgrößenprobleme zu leisten.