Beruflich Dokumente
Kultur Dokumente
Optimierungsmethoden dienen der Erreichung eines effizienten Zustandes. Werden eingesetzt zur
Lösung von Problemen im Umwelt- und Bioressourcenmanagement (Dimensionierung von
Wasserleitungen, Katastrophenmanagement, Transportoptimierung, Standortplanungen,
Unterstützung von Entscheidungsprozessen, Nationalparkmanagement, uvm.).
Nichtlineares Optimierungsmodell
- Wenn die Zielfunktion oder mindestens eine Nebenbedingung keine lineare Funktion ist
Beispiel Produktionsprogrammplanung
Exakte Verfahren:
Gelangen mit einer endlichen Anzahl von Schritten garantiert zu einer global optimalen Lösung
- Ungarische Methode (Lösung des Zuordnungsproblems, Harold W. Kuhn, primal duales LP
Verfahren)
- Branch&Bound Verfahren (Lösung des TSP)
- MS Excel Solver
- 6 Knoten (miteinander verbunden, Zeitmatrix, jeder Knoten ist genau einmal zu besuchen)
- Forsthaus ist immer Ausgangs- und Endpunkt
- (6-1) Lösungen möglich -> 1*2*3*4*5 = 120 Möglichkeiten
- Rundreiseproblem (Handlungsreisendenproblem)
- Existenz einer Dauer- oder Distanzmatrix
- Ziel: Minimiere die Wegzeit, finde die kürzeste Tour
- Symmetrisch / asymmetrisch
Anwendungsfälle
- Transportlogistik (Versorgung, Entsorgung, etc)
- Produktionswirtschaft (reihenfolgeabhängige Rüstkosten, Platinenfertigung, etc)
- Und viele mehr
➔ Lösung: LP Formulierung
Mit Excel-Solver, Xpress, etc lösbar
Zielfunktion minimieren oder maximieren / Nebenbedingungen
Problem ist, dass die zulässige Lösung bei vorher präsentiertem LP-Modell nicht
zufriedenstellend für die Lösung eines TSP ist.
Anti-Subzyklus Nebenbedingen sind notwendig, um das TSP lösbar zu machen.
- Systeme von Ungleichungen, die als Nebenbedingungen in das LP-Modell integriert werden
(Connectivity Nebenbedingungen / Subtour-Eliminationsbedingungen / Miller-Tucker-Zemlin
Nebenbedingungen)
- bei kleinen Problemen (händische Lösung durch Einfügen zusätzlicher Nebenbedingungen nach
Berechnung einer Lösung mit Subzyklen)
➔ Lösung: Branch & Bound Verfahren
Exaktes Verfahren, rechenzeitaufwändig aber schneller als vollständige Enumeration
Lösungsbaum
➔ Lösung: Heuristiken
Planvolle Strategie, die das Finden von Lösungen für Optimierungsprobleme unterstützt, reale
Problemstellungen als LP Modell formuliert, optimale Lösungen können generiert werden aber
keine Lösbarkeit bei großen/komplexen Problemen
Abhilfe: Heuristiken
liefern Lösungen, die optimal sein können, aber nicht müssen, schnelle Berechnung, für
bestimmte Probleme konzipiert, Befolgung von einfachen Regeln zur Lösung des Problems,
können keine zulässigen (alle Nebenbedingungen sind erfüllt) Lösung finden, exakte Verfahren
würden einen zu großen Rechenaufwand verursachen
Eröffnungsheuristiken: dienen dazu, schnell eine erste Lösung zu finden, sehr einfach, zumeist
schlechte Lösungsgüte, als Startlösung für Verbesserungsverfahren, zB Nearest Neighbor, Best
Insertion, Vogel’sche Verfahren, etc.
>Uniformierte Verfahren (starrer Ablauf)
> Greedy (in jedem Iterationsschritt wird versucht den bestmöglichen Zielfunktionswert zu
erreichen, nimmt keine Rücksicht auf zukünftige Rechenschritte)
>Vorausschauend (Regretwerte, welche Auswirkungen haben aktuelle Schritte auf die nächsten)
Starte bei beliebigen Knoten, suche nächstgelegenen Knoten und verbinde Wiederhole bis alle
Knoten einbezogen sind. Verbinde letzten Knoten mit Startknoten.
2-opt
Verbesserungsheuristik, eine bereits vorhandene Tour wird aufgebrochen und neu
zusammengesetzt
Initialisierung mit zulässiger Ausgangslösung (x(k); k=0)
Schritt 1: Identifiziere die beste Lösung, die aus einem Austausch von zwei Kanten aus x(k)
generiert werden kann.
Schritt 2: Wenn Kosten von x(k+1) < Kosten von x(k); Wiederhole Schritt 1, sonst Stopp
Die gefundene Lösung wird als 2-optimal bezeichnet.
➔ Lösung: Metaheuristiken
Strategie, die den Suchprozess anderer, einfacher Heuristiken steuert
entsprechend ihrer Anwendung kalibriert, iterativer Suchprozess
Klassifizierung nach der Verwendung eines Adaptive Memory, der Definition der Nachbarschaft
einer Lösung, der Anzahl von Lösungen die von einem Rechenschritt in den nächsten
mitgenommen werden. Populationsbasiert <-> nicht populationsbasiert
zB Telekommunikation, Fertigungssteuerung, Transportlogistik, Wasserleitungsbau,
Katastrophenhilfe, Gesundheitswesen
Single Solution Metaheuristiken: TS und SA (eine Lösung pro Iterationsschritt)
Populationsbasierte Metaheuristiken: ACO, GA, MA (mehrere Lösungen pro Iterationsschritt)
Künstliche Ameise:
Auswahl der nächsten Stadt über Wahrscheinlichkeitsfunktion (Distanz & Spurintensität)
Reisen zu bereits besuchten Städten sind verboten
Wenn eine Ameise eine Tour beendet hat, legt sie eine Spur auf jede Kante, die sie benutzt hat.
Jede Ameise hat einen Speicher, damit garantiert ist, dass sie alle n Städte jeweils einmal
besucht. Der Speicher wird anschließend gelöscht und die Ameisen beginnen eine neue Tour
Mk ist der Vektor, der den Speicher der k-ten Ameise enthält. Nij ist die Nähe zwischen zwei
Städten i und j (Kehrwert ihrer Entfernung 1/dij).
Alpha und beta sind Parameter, welche die relative Wichtigkeit von Spurintensität und Nähe
bestimmen.
Biologischer Hintergrund:
Chromosom enthält die DNA
Gen = Teilstück der DNA, Träger der Erbinformation
Allel = Mögliche Ausprägung eines Gens
Population = Gesamtheit aller Individuen einer Art in einem begrenzten Lebensraum
Selektion = Welche Individuen bringen Erbgut in Folgegeneration ein?
Reproduktion = Chromosom wird eins zu eins weiter gegeben
Mutation = zufällige Veränderung von einem oder mehreren Genen
Inversion = Teilstück eines Chromosoms wird umgedreht
Crossover = Chromosom wird geteilt und über Kreuz neu zusammengesetzt
Blockung = Gene werden zu einer Einheit zusammengefasst und dürfen nicht getrennt werden.
Ablauf:
Generierung der Initialpopulation
Bewertung der Individuen durch eine Fitnessfunktion f(s)
Selektion fähiger Individuen (Fitnesswert)
Kreuzung: Neukombination des Erbmaterials (verfrühte Konvergenz, relevante Bausteine können
verloren gehen wegen schlechten Fitnesswerten)
Mutation: geringfügige Änderung des Erbguts an zufällig ausgewählten Stellen (Diversifikation)
➔ Neue Generation
➔ Vorgang wird wiederholt bis Abbruchkriterium erreicht
Beispiel: Stahl
In einer geordneten Struktur ist die Anziehungskraft zwischen den Molekülen am größten und
der Stahl damit am belastbarsten.
Ablauf:
Wahrscheinlichkeit dass ein bestimmter Energiezustand akzeptiert wird (Metropolis –
Algorithmus)
Tabu Search (TS):
1986 von Glover und Hansen, lokale Suche bzw Nachbarschaftssuche mit Hilfe eines
Gedächtnisses, Tabu (Suchmöglichkeiten werden verboten), iterativer Suchprozess (geringe
Modifikationen in jedem Schritt)
Ablauf:
Basierend auf einer Lösung, werden in der Nachbarschaft dieser andere Lösungen gesucht
Auswahl der besten Nachbarschaftslösung als Basislösung für den nächsten Austauschvorgang
Auch Austauschvorgänge ohne Verbesserung werden nach bestimmten Regeln akzeptiert, um zu
vermeiden, dass man in lokalen Optima verharrt.
Um zu vermeiden, dass man durch Austauschvorgänge wieder auf alte Lösungen zurückfällt,
werden Tabu Listen geführt
Implementierung:
- Suchraum: Menge an Lösungen, die während eines Rechenschrittes in Betracht gezogen werden
- Eröffnungsheuristik um eine Ausgangslösung zu generieren
- Nachbarschaftsstruktur: die möglichen Transformationen, um zu einer Nachbarschaftslösung zu
gelangen
- eine Zielfunktion, um die Güte einer Lösung zu evaluieren
- Tabu Liste
MCSP
Kann als binäres Modell formuliert werden
MECP
Kann als binäres, nichtlineares Modell formuliert werden
Beim MCSP ist eine Tierart dann schützenswert, wenn sie in mindestens einem Gebiet vorkommt.
Beim MECP wird die erwartete Anzahl an Tierarten maximiert, die geschützt werden.
OPTIMIERUNG DIESELBELIEFERUNG
Klassisches TSP? Nein, weil es Kapazitätsbeschränkungen gibt und mehrere Touren gebildet werden
müssen. Daher CVRP (Capacitated Vehicle Routing Problem):
- Kann Probleme mittels exakten Verfahren oder Meta Heuristik lösen
➔
OPTIMIERUNG WASSERVERSORGUNGSNETZWERKE
Der angegebene Graph zeigt ein Wasserversorgungsnetzwerk. Die Knoten sind von 1 bis 10
durchnummeriert und repräsentieren die Städte, die Wasserreservoire und die Pumpstationen. Die
drei Städte Gotham City, Metropolis und Spider Ville werden von 2 Reservoirs versorgt. Die Kapazität
jeder Rohrleitung in 1.000 m³/h ist im Graphen angegeben. Reservoir 1 kann 35.000 m³/h liefern,
während Reservoir 2 nur 25.000 m³/h liefern kann.
Es soll eine Studie angefertigt werden, die aussagt, ob das gegebene Wasserversorgungsnetzwerk die
Städte noch in 10 Jahren versorgen kann, deren Nachfragemengen dann auf 18.000 m³/h (Gotham
City), 15.000 m³/h (Metropolis) und 20.000 m³/h (Spider Ville) geschätzt werden.
Aufgabe: Finde jenen Fluss durch den Graphen, der am besten die Bedürfnisse der Städte befriedigt.
Dabei müssen die verfügbaren Mengen bei den Wasserreservoirs berücksichtigt werden.
Maximum Flow Problem (lineare Zielfunktion, Kapazität darf nie überschritten werden, Wasserfluss
in die Senke maximiert = Zielfunktion)
➔ Einführen einer Quelle und Senke im Graphen
Zielfunktion:
OPTIMIERUNG STRAßENSTREUUNG
Bei Schneefall und Eis sollen alle Straßen eines Dorfes gestreut werden. Die folgende Graphik zeigt
eine schematische Darstellung des Ortes als gerichteter Graph. Die Knoten stellen die
Straßenkreuzungen dar, am Knoten 1 steht das Streufahrzeug bereit. Die eingezeichneten
gerichteten Kanten stellen die zu streuenden Straßen dar. Bei Straßen, die keine Einbahnen
darstellen, muss jeder Fahrstreifen extra gestreut werden. Jede Kante ist mit ihrer Länge in Metern
bewertet.
Die Verwaltung des Dorfes will die kürzest-mögliche Tour für das Streufahrzeug bestimmen, dessen
Kapazität ausreicht, um alle Straßen in einer Tour zu streuen.
Tour startet und endet an Knoten 1. ABER kein TSP, da Knoten öfter als einmal besucht werden
dürfen und im CPP werden Kanten statt Knoten benutzt
➔ Chinese Postman Problem
Eulersche Tour: In einem gerichteten Graphen ist eine Eulersche Tour eine Tour, die jede Kante
exakt einmal besucht. Wenn eine Eulersche Tour besteht, ist diese auch die optimale Tour, da sie
gleich der Länge aller gerichteten Kanten ist.
Eine Eulersche Tour besteht, wenn in jedem Knoten i die Anzahl an eingehenden Kanten gleich ist wie
jener die aus dem Knoten herausgehen.
➔ Lösung:
Bildung eines Graphen auf welchem eine Eulersche Tour gebildet werden kann, durch
Duplizieren von bestehenden Kanten.
➔ Lösung
p-Median Problem: als Median eines Graphen bezeichnet man einen Knoten mit bestimmten
Eigenschaften
Ziel: Minimiere die gewichtete Summe der Distanzen zwischen allen Bevölkerungsmitgliedern
und deren nächstgelegener Einrichtung
Ermittlung der kürzesten Distanzen zwischen allen Städten mit dem Tripelalgorithmus
(Distanzmatrix)
Zielfunktion
OPTIMIERUNG ENERGIEEINSATZPLANUNG
Ein Industrieunternehmen hat Bedarf an Energie für Heizung, Kühlung und Strom. Der Bedarf wird
derzeit über konventionelle elektrische Energie und Erdgas abgedeckt. Aufgrund von häufigen
Engpässen bei Erdgaslieferungen und dem Wunsch den Verbrauch von konventioneller elektrischer
Energie zu reduzieren, investiert das Unternehmen in eine Photovoltaik-Anlage.
Ziel: Bestimme den optimalen Mix aus den drei Energiequellen Strom, Erdgas und Solarenergie. Der
Energiemix soll die gesamten jährlichen Energiekosten für das Unternehmen minimieren.
Für Heizung, Kühlung und Strom werden je mindestens 1.800.000, 1.200.000 bzw. 900.000 kWh
benötigt. Die Photovoltaik-Anlage liefert jährlich mindestens 1.075.000 kWh. Das Management
kalkuliert vorsichtig, dass die Menge nicht überschritten wird.
Für Strom und Erdgas hat das Unternehmen jeweils einen Vertrag abgeschlossen. Der jährliche
Stromverbrauch muss bei mindestens 100.000 kWh liegen und die Mindestabnahme von Erdgas liegt
bei 750.000 kWh. Der Vorstand des Unternehmens legt fest, dass mindestens 75 % seines
Energieverbrauches durch elektrische Energie gedeckt werden muss.
Die Anschaffungskosten der Photovoltaik-Anlage werden auf eine Nutzungsdauer von 10 Jahren
aufgeteilt und die Kosten pro kWh entsprechend angepasst. Überschüssige Solarenergie kann für
0,22 € pro kWh ins Stromnetz eingespeist werden.
Zielfunktion:
Lösungsansätze:
- Angebot von Leitungswasser durch die Gemeindebehörde zu einer monatlichen Gebühr (90%
der Bewohner können sich diese nicht leisten)
- Zuweisung von Geldmitteln durch die Regierung (Unterschlagung)
- Beurteilung der technischen Rahmenbedingungen (Wasseranschluss ist für manche
Ansiedelungen nahezu unmöglich)
Lösungsmaßnahmen:
- Vorschlag einer kosteneffizienten Lösung des Problems um Mittel von der Regierung dafür zu
bekommen und damit zur Armutsbekämpfung beizutragen
- Ansatz: zentrales Wasserreservoir mit Pumpwerk, lokale Wassersammelbehälter,
Rohrleitungssysteme von den lokalen Wassersammelbehältern zu den Haushalten
Ziel: Minimiere die Länge der Rohrleitungen
Lösungsweg:
- Festlegen von möglichen Standorten für lokale Wassersammelbehälter und möglichen
Versorgungsorten
- Auswahl von Versorgungsknoten durch Optimierungsverfahren, welche zum Ziel haben
potentielle Standorte auf kürzestmöglichem Weg miteinander zu verbinden
Lösungsmethode
- Ermittlung des minimal spannenden Baumes für mögliche Standortkombinationen
- Auswahl jenes minimal spannenden Baumes mit den geringsten Kosten
Ergebnis
- 90% der Haushalte verfügen über einen Wasseranschluss, wenn das rechnerische Ergebnis
verwirklicht wird
- Die gesamten Entwicklungskosten können durch die Regierung getragen werden (Keine
Kosten für die Bevölkerung)
WASSERNETZOPTIMIERUNG
Problemstellung:
- Wassernetzwerke: urbane Infrastruktur
- Realisierung / Instandhaltung: enorme Investitionen
- Komplex: nichtlineare Gleichungen in der Hydraulik / vorgegebene Rohrdurchmesser
(Diskrete Variable) / keine kontinuierlichen Funktionen
Herangehensweise:
- Nicht lineares gemischt-ganzzahliges Optimierungsmodell
- Metaheuristische Lösungsmethode: Tabu Search
Ziel: Vermeidung lokaler Optima und rasches Finden von guten Lösungen
basierend auf einer Lösung werden in der Nachbarschaft andere Lösungen gesucht
Tabu Listen
Modellformulierung:
Ziel = Kombination von gewerblichen Wasserrohrdurchmessern, welche die Kosten minimieren
Nebenbedingungen: nur bestimmte Durchmessergrößen sind erhältlich, technische
Nebenbedingungen, minimale Rohrdurchmesser
Zielfunktion:
Metaheuristische Lösung: TS
Nebenbedingungen müssen eingehalten werden. Größtmöglicher Durchmesser als Anfangslösung.
- Nachbarschaftsstruktur
Reduzierung eines Durchmessers
Nachbarschaftslösungen sind Lösungen in der alle Rohre den selben Durchmesser wie in der
aktuellen Lösung haben außer einem Rohr
hydraulische Nebenbedingungen müssen erfüllt sein
lokales Optimum erreicht -> Nachbarschaftslösungen generiert in denen Durchmesser
vergrößert werden
Diversifikationsstrategie angewandt um lokalen Optima zu entgehen (verschiedene
Entscheidungsstrategien entwickelt)
- Tabu Liste
jeder neue Zug kommt auf die Tabu Liste
sowohl fixe als auch variable Tabudauer ausgetestet
Verwendung eines Aspirationskriteriums (wenn die beste bisher gefundene Lösung weiter
verbessert werden kann)
Ergebnisse:
- Keine optimalen Lösungen der Problemstellungen als Benchmark
- Vergleich mit der Simulated Annealling Metaheuristik (gleiche Ergebnisgüte, schnellerer
Rechenverlauf bei Tabu Search)
Standortplanung:
- Distanz zwischen Zuhause der Kinder und Schule
- Risiko einer weiteren Katastrophe
- Kosten der Gebäude
Mehrziel-Optimierung
- Nicht nur eine optimale Lösung
- Set von Lösungen, welche simultan multiple Ziele optimieren
- Pareto-optimales Set (Vilfredo Pareto)
- Dominanz
Eine Lösung dominiert eine andere Lösung wenn sie mindestens gleich gut ist im Bezug auf
alle Zielfunktionen, und besser bezüglich mindestens einer Zielfunktion.
- Pareto Effizienz
Eine Lösung wird pareto-optimal genannt, wenn keine andere zulässige Lösung existiert, von
der sie dominiert wird. Kein Zielfunktionswert kann verbessert werden, ohne dass ein
anderes Kriterium verschlechtert wird.
Pareto-basierte Ansätze
- (teilweise) Bestimmung effizienter (pareto optimaler) Portfolio Kandidaten
- Entscheidungsträger kann aus einem Set zulässiger Lösungen wählen
Strategisches Problem: Standortplanung, langfristige Entscheidung
2stufiges Problem: Entscheidungsträger soll versorgt werden mit einem Set von zulässigen Lösungen
des multikriteriellen Optimierungsproblems
Ziele:
- Kombination des p-Median Kriteriums (Minimierung der gewichteten Summe der Distanzen
zwischen allen Bevölkerungsmitgliedern und deren nächstgelegener Einrichtung; jeder Kunde
einer Einrichtung zugewiesen, keine Zuweisung zu einem Ort ohne Einrichtung, fixe Anzahl an
Einrichtungen) und des Maximum Covering Location Kriteriums (Minimierung der
Bevölkerungsmitglieder, die keine Einrichtung innerhalb einer bestimmten maximalen
Distanz erreichen können; vorgegebene maximale Distanz, vorgegebene Anzahl an
Einrichtungen)
- Tsunami (Erdbeben unter Wasser, welches hohe Wellen verursacht) Risiko
Risiko Modell von Kaistrenko und Pinegina
sie nehmen an, dass für jedes Tsunami Ereignis, die run-up Höhe H exponentiell verteilt ist
- Kosten (Konstruktion und Wartung, zusätzliche Baumaßnahmen wie Schutzwall und/oder
Stelzenkonstruktionen)
Lösungsverfahren:
- Exakter Lösungsansatz: brute force complete enumeration
effiziente Portfolios innerhalb akzeptabler Zeit nur für vergleichsweise kleine Probleme
Heuristischer Lösungsansatz
A fast and Elitist Multiobjective Genetig Algorithm von Kalyanmoy Deb: NSGA 2
- Multiple Ziele in einem Problem
- Set von optimalen Lösungen (pareto-optimal)
- Genetische Operatoren
Selektion (Roulette Wheel)
Rekombination (Cross Over)
Mutation
Schlussfolgerungen:
- Standortplanung für öffentliche Einrichtung
= wichtiger Teil der Katastrophenhilfe und -vorsorge
- Metaheuristiken für multiple Ziele (Lösungen in einem akzeptablen Zeitraum)
- Exakte Methode: Wochen oder Monate / Metaheuristik: Wenige Minuten
OPTIMIERUNG IM RUNDHOLZTRANSPORT
- 520.000 LKW-Transporte pro Jahr von Poltern zu Industriebetrieben (in Ö)
- Transportkosten: 30% der gesamten Kosten des Rundholzes
- Optimierungspotenzial bei taktischer und operativer Planung
- Problem Rungen LKW: keine Rückladungen möglich (hoher Leerfahrtenanteil)
Ziel: Minimierung der Zeitdauer bzw Distanz der Leerfahrten (optimale Tourenpläne)
Nebenbedingungen: maximale Tourdauer bzw. -distanz, Kapazität der LKW,
Verkehrswegerestriktionen, Arbeitszeiten, Öffnungszeiten der Industriebetriebe, keine Toleranz bei
Verletzungen
Planungsebenen
- Transportproblem (TPP)(Zuordnung von Poltern zu Industriebetrieben)
- Timber Transport Order Smoothing Problem (TTOSP) (Zuordnung von Transporten zu den
einzelnen Tagen des Planungshorizontes, Berücksichtigung der Auslastung der Frächter
und/oder Industriebetriebe)
- Timber Transport Vehicle Routing Problem (TTVRP) (Optimierung der täglichen
Tourenplanung)
Modellformulierung:
- Linear für TPP und TTOSP (Lösung mit Standard-Solversoftware Express möglich)
- 2 Modellformulierungen für TTVRP (Erweiterung des Vehicle Routing Problems, Sonderfall
Stacker Crane Problem; SCP, weniger Nebenbedingungen, SCP ist ein Reihenfolgeproblem,
ermittelt den kürzesten Weg durch einen gemischten Graphen)
Testdaten:
- Distanzmatrix basierend auf 589 Orten
- Zufallsgeneratoren zur Entwicklung von
- 2 Testdatenmengen (10 LKW und 30 Lastfahrten)
- Testinstanz mit 80 LKW und 250 Lastfahrten
- Testinstanz zum Testen der Postoptimierungsstrategie mit 10 LKW und 30 Lastfahrten
Zielfunktion:
- Minimierung der Gesamtfahrzeit
- Maximierung des Satisfizierungsgrades der Klienten und der Pflegekräfte (Arbeitszeitfenster,
Vermeidung von Überstunden, Einhaltung von Präferenzen, etc.)
Zielfunktion ist die gewichtete Summe der Terme und der Gesamtfahrzeit.
Nebenbedingungen:
- Pflegebedarf jedes Klienten muss innerhalb des vorgegebenen Zeitfensters erfüllt werden
- Versorgung durch adäquat qualifizierte Pflegekraft
- 30 Minuten Pause ab einer Arbeitszeit von mehr als sechs Stunden
- Einhaltung von Gesamtarbeitszeit, Ruhezeiten
- Arbeitsbeginn zu Hause oder im Depot
Modellierung Klient:
- Qualifikationsniveau (1,2,3)
- Sprachkenntnisse (4 Sprachen)
- Einzig zulässige Pflegekraft
- Ausgeschlossene Pflegekraft
- Präferierte Pflegekraft
- Hartes Zeitfenster für Behandlung
- Bevorzugtes Zeitfenster für Behandlung (Weich)
- Mehrere Behandlungen pro Tag möglich
Modellierung Pflegekraft
- Qualifikationsniveau (1,2,3)
- Sprachkenntnisse (4)
- Ausgeschlossener Klient
- Arbeitsvertrag (Vollzeit / Teilzeit)
- Abfahrtsort (zuhause mit/ohne Bezahlung, Depot)
- Bevorzugtes Arbeitszeitfenster
- Mehrere Dienste pro Tag möglich (max. 2)
Ansatz:
- Iterativ (Tagesmodell für jeden Wochentag einzeln / Adaptionen hinsichtlich nicht erfüllter
Restriktionen)
- Simultan (Wochenmodell)
Exakte Verfahren:
- Xpress-Solver Software
- Löst Probleme mittels Branch-and-Bound
- Großer Baum für kleine Probleme (4 Pflegekräfte, 20 Klienten)
- Findet zum Teil schnelle Lösungen
- Verifikation, dass gefundene Lösung auch globales Optimum ist, dauert meist lange
- Für 4 Pflegekräfte und 20 Klienten: 50 Minuten
Datenmaterial
- 3 Testregionen in OÖ
- Urbanes und rurales Gebiet
- Bis zu 80 Pflegekräfte
- Bis zu 500 Klienten
VNS-Metaheuristik:
- Variable Neighborhood Search
Lösungsqualität nimmt mit Anzahl an Iterationen zu, Lösung reagiert sensibel auf
Änderungen der Gewichtungsfaktoren in der Zielfunktion, findet rasch Lösungen, auch reale
Problemgrößen lösbar
- Ausblick: Austesten mit verschiedenen Parametern, Entwicklung exakter Verfahren
Zielfunktion: Die Summe von Transportzeiten von Pflegekräften und Fahrern sowie von Wartezeiten
soll minimiert werden.
Nebenbedingungen:
- Beschränkte Anzahl an verfügbaren Pflegekräften mit unterschiedlichen Qualifikationen
- Menge an Klienten (Behandlungszeitfenster, Servicedauer und Qualifikationsanforderungen)
- Beschränkte Anzahl an verfügbaren Fahrzeugen mit einer fixen Anzahl an Plätzen
- Jede Tour eines Fahrzeuges/einer Pflegekraft startet/endet im Stützpunkt
- Pflegekräfte benötigen mindestens gleichen Qualifikationslevel wie von Klient angefordert
- Maximale Arbeitszeit und Pausenregelungen, maximale Gehdistanzen, maximale
Wartezeiten, maximal erlaubte Verzögerungen durch Umwege für die Abholung und
Ablieferung anderer Pflegekräfte
Lösung:
- Zweistufige Metaheuristik entwickelt: kombiniert exakte Lösungsmethoden mit
heuristischen Verfahren
- Bestimmung guter Startgehrouten (Vielzahl an verschiedenen Lösungen)
- Verbesserung der besten Lösung mit Tabu Suche (Austausch von Gehwegen)
- In jeder Lösungsbewertung: lineares ganzzahliges Optimierungsmodell (mit möglichst wenig
Wartezeiten)
Lösung eines Beispiels
Zielfunktion:
Modellformulierung:
UFLP (Uncapacitated Facility Location Problem), keine Kapazitätsbeschränkungen, nicht linear
Zielfunktion:
Modellformulierung:
Zielfunktion:
Problemstellung:
- Ziel: Minimierung der Transportzeiten
- Nebenbedingungen: Dauer, eine Kante zu passieren (repariert ≠ zerstört)
begrenztes Budget
begrenzte Arbeitsstunden
Lösung:
GRASP-Metaheuristik
➔ Zunächst Einsatz des Budgets so, dass alle Straßen repariert werden, die beschädigt wurden
➔ Danach sukzessive Reduktion (Abbildung der Knappheit an Ressourcen nach Katastrophen)
➔ Nach der Katastrophe: 31 Orte betroffen, 13 erreichbar über Umweg, 18 Abgeschnitten
75% des Budgets -> keine Orte betroffen
50% des Budgets -> 1 Ort betroffen, erreichbar über Umweg
25% des Budgets -> 14 Orte betroffen, erreichbar über Umweg
Lösung:
- Klassisches TTP
- Bottleneck-TPP
Unterscheidung bei Zielfunktion, längste Transportzeit entspricht Engpass (Bottleneck)
Ziel: Minimierung der Transportdauer
Nebenbedingungen: Einhaltung der Liefermengen, Angebotsmenge muss Bedarfsmenge
entsprechen
Modellformulierung:
Zielfunktion:
➔ MDVRPPDTW (Multi-depot vehicle routing problem with pick up and delivery and time
windows)
-> near exact (NE) solution approach
Ziel: Die Fahrzeit bzw. Die Treibhausgasemissionen über alle Leerfahrten sollen minimiert werden
Nebenbedingungen:
- Eine vordefinierte Anzahl homogener Rungen-LKW startet von verschiedenen Depots aus
- Bestimmte Anzahl an Transportaufträgen (ein Transportauftrag startet beim Polter und
endet beim holzverarbeitenden Betrieb)
- Jeder Transportauftrag muss erfüllt werden
- Tour startet beim Depot Richtung Polter (Beladung), Weiterfahrt zu einem vordefinierten
holzverarbeitenden Betrieb (vollständige Entladung), danach weiterer Transportauftrag oder
Rückkehr in Depot
- Polter/holzverarbeitende Betriebe können während des Planungszeitraumes mehrmals
besucht werden
- Transporte zwischen Poltern und zwischen den Betrieben sind nicht erlaubt, da stets eine
vollständige Be- bzw. Entladung erfolgt
- Maximale Fahrzeiten und Zeitfenster bei Depots + Betrieben
- Servicezeiten für die Beladung am Lagerplatz bzw. für die Entladung beim Betrieb
MDVRPPDTW:
- Matrix (minimaler Treibstoffverbrauch von/zu jedem Knoten, Fahrwege unterscheiden sich
von Matrix bei der minimale Fahrzeit zugrunde liegt, kein linearer Zusammenhang zwischen
Treibstoffverbrauch und Geschwindigkeit)
➔ 1. Schritt: Lösung eines erweiterten Zuordnungsproblems (EAP), um ein vereinfachtes
Transportnetz zu erhalten
POLLUTION-ROUTING PROBLEM
Ausgangslage:
- Erweiterung des VRP um Aspekt der CO2 Emissionen
- Monetäre Bewertung des emittierten CO2
- PRP basiert auf klassischer VRP-Formulierung
Problemformulierungen:
- Minimiere gefahrene Distanz in km (Annahme: konstante Geschwindigkeit)
- Minimiere gewichtete Fracht in tkm (Annahme: konstante Geschwindigkeit)
- Minimiere Energieaufwand in kWh (=Minimierung der CO2 Emissionen, Annahme:
Geschwindigkeit ist variabel)
- Minimiere Gesamtkosten unter Berücksichtigung der Kosten für Emissionen, Fahrer und
Treibstoff (Annahme: Geschwindigkeit ist variabel, PRP)
PRP:
- Kantenbewertung (Distanz oder Fahrzeit, zusätzlich: CO2 Emissionen)
- Treibstoffverbrauch in Abhängigkeit der Fahrgeschwindigkeit
Schlussfolgerungen:
- Fahrerkosten sind entscheidender Faktor der Gesamtkosten, gefolgt von Treibstoffkosten
und Kosten für CO2
- CO2-Kosten: kleiner Anteil der Gesamtkosten
- Um Fahrerkosten gering zu halten, wird Geschwindigkeit erhöht (geringere Fahrzeit, mehr
Treibstoff- bzw. CO2-Emissionen)