Optimierungsmodelle Zusammenfassung

Effizienz: Erreichung eines vorgegebenen Ziels mit möglichst geringem Aufwand

Modell (Wirtschaftswissenschaften): vereinfachtes Abbild eines realen Systems oder Problems

Isomorphes (strukturgleiches) Modell: alle Elemente und Beziehungen aus dem realen System
berücksichtigt

Homomorphes Modell: reales System vereinfacht dargestellt

Quantitative Modelle: sämtliche Elemente des realen Systems durch Daten und Variablen dargestellt
und durch Gleichungen und Ungleichungen miteinander verknüpft

Optimierungsmodelle bestehen aus einer Menge von Alternativen, diese stellen zulässige Lösungen
dar. Lösung zulässig, wenn alle Restriktionen (Nebenbedingungen) erfüllt sind. Alternativen explizit
oder implizit vorgegeben.

Optimierungsmodelle: mindestens eine zu maximierende oder minimierende Zielfunktion

Einkriterielles Optimierungsmodell: eine Zielfunktion, die maximiert oder minimiert werden soll

Deterministisches Optimierungsmodell: alle Daten und Wirkungszusammenhänge bekannt

Lineares Optimierungsmodell: Zielfunktion und Nebenbedingungen sind linear. Variablen

(nichtnegativ) reell

Ganzzahliges lineares Optimierungsmodell: Variablen ganzzahlig

Binäres lineares Optimierungsmodell: Entscheidungsvariablen Werte 0 und 1

Nichtlineares Optimierungsmodell: Zielfunktion und/oder mindestens eine Nebenbedingung keine

lineare Funktion

Lokales Optimum: Maximum oder Minimum in einem beschränkten Ausschnitt des Lösungsraumes.

Globales Optimum: alle anderen Lösungen schlechter oder gleich gut

Mehrere lokale Optima möglich, auch mehrere globale Optima möglich

Optimierungsmodell = Optimierungsproblem

Zuordnungsproblem (ZOP): Spezialfall des Transportproblems (TPP) da binäres lineares

Optimierungsmodell (Zeilen- und Spaltensummen jeweils 1; Einschränkung des Lösungsraumes kann
zu keiner Verbesserung der Lösung führen); Zielfunktion wird maximiert (Nutzen) oder minimiert
(Kosten); exaktes Lösungsverfahren: ungarische Methode

1. Anzahl Auftragnehmer = Anzahl Aufträge (m=n)

2. Jeder Auftragnehmer genau einem Auftrag zugeordnet
3. Jeder Auftrag von genau einem Auftragnehmer ausgeführt
4. Kostenzuordnung
5. Gesamtkosten minimieren
Zuordnungsproblem: Vereinfachung (Relaxation) des TSP, da das Zuordnungsproblem keine
Antisubzyklusnebenbedingungen enthält, sonst aber gleich formuliert ist.

Beispiel Ingenieurinnen bei unterschiedlicher Stellenwahl (ZOP): Nutzen über alle Ingenieurinnen
(Gesamtnutzen) maximieren (soziales Optimum); möglicherweise Ingenieurin nicht den Job mit dem
individuell höchsten Nutzen.
Travelling Salesman Problem (TSP): Handlungsreisendenproblem; jeder der n Orte muss genau
einmal besucht werden; binäres lineares Optimierungsmodell; Ziel: kürzeste Tour, dafür
Distanzmatrix notwendig; Unterschied zum Zuordnungsproblem: beim TSP Bedingung zur
Vermeidung von Sub- und Kurzzyklen; Lösbar mit vollständiger Enumeration und dem Branch&Bound
Verfahren (exakt)

Distanzmatrix: n^2 Einträge; n^2-n oder n*(n-1) Einträge ≠ 0; (n^2-n)/2 oder n*(n-1)/2
unterschiedliche Einträge ≠ 0 bei symmetrischer Matrix

(n-1)! Lösungen Touren; (n-1)! / 2 Lösungen Touren bei symmetrischer Matrix

Anwendung: Transportlogistik (Belieferungsplanung von Kunden; Ziel: kostenoptimale Reihenfolge

der Belieferung), Produktionswirtschaft (reihenfolgeabhängige Rüstkosten; z.B. Lackiererei; Ziel:
kostenoptimale Produktionsreihenfolge), Platinefertigung

Die vierte Nebenbedingung verhindert ein Verbinden

des Knoten i mit sich selbst, ist bei Verwendung der Miller-Tucker-Zemlin-Bedingung nicht
notwendig.
Möglichkeiten Subzyklen zu verhindern:

1. Einbauen von Ungleichungen als Nebenbedingungen

2. Zusätzliche Nebenbedingungen eingefügt, nachdem Lösung mit Subzyklen berechnet wurde
(beispielsweise bei Berechnung des TSP mit dem Microsoft Excel Solver)

Subzyklus kann durch Miller-Tucker-Zemlin-Bedingung verhindert werden:

Transportproblem (TPP): Güterflüsse von Angebots- zu Nachfrageorten (z.B. Wasserversorgung);

Ziel: gesamte Transportkosten minimieren; im klassischen TPP entspricht nachgefragte Menge der
angebotenen Menge; Lösbar mit Heuristiken (Spalten-, Zeilenminimummethode, Regret Heuristik /
Vogel’sche Approximation), exakten Verfahren; mit Solver-Software sind auch mittelgroße Probleme
lösbar

Zur Lösung eines TPP wird benötigt:

1. Angebotene Mengen an jedem Angebotsort

2. Nachgefragte Mengen an jedem Nachfrageort
3. Transportkosten je Mengeneinheit
Beispiel Wasserversorgung (TPP):
Knapsack-Problem (Rucksack-Problem / Schmugglerproblem):

Lösungsmethoden für Optimierungsmodelle

Vollständige Enumeration: bspw. zur Lösung des Rundreisebeispiels (TSP)

Heuristiken: rasche Berechnungen; Lösungen können optimal sein, es können jedoch keine
optimalen Lösungen garantiert werden; Anwendung, wenn exakte Verfahren zu großen
Rechenaufwand darstellen; eignen sich für praxisrelevante Probleme

Eröffnungs- und Konstruktionsverfahren:

 Nearest Neighbor Verfahren & Best Insertion Verfahren für das TSP
 Spaltenminimumverfahren für TPP/ZOP
 Vogel’sche Approximation (Regret Heuristik) für TPP

Lösung eines TSP mittels Nearest Neighbor Heuristik:

1. Starte bei beliebigem Knoten

2. Nächstgelegener Knoten eingebunden
3. Alle Knoten einbinden, letzten Knoten mit Startknoten verbinden
Reduzierte Kosten der exakt berechneten Lösung: 4 Einheiten; bestmögliche Tour mit dem Nearest
Neighbor Verfahren hat reduzierte Kosten von 5 Einheiten. Die optimale Tour kann somit mit dem
Nearest Neighbor Verfahren nicht ermittelt werden.

Verbesserungsverfahren: 2opt-Verfahren und 3opt-Verfahren für das TSP; Problem: Verharren in

lokalem Optimum

Metaheuristiken: Methode der näherungsweisen Lösung eines Optimierungsproblems;

Metaheuristiken entwickelt um heuristische Verbesserungsverfahren so zu steuern, dass sie nicht in
einem lokalen Optimum verharren; Anwendbar: Telekommunikation, Transportlogistik,
Wasserleitungsbau, Katastrophenhilfe; Variable Neighborhood Search: basiert nicht auf natürlichen
Prozessen; die meisten Metaheuristiken beruhen auf natürlichen Prozessen: ACO, GA, MA, SA, TS

Ant Colony Optimization (ACO): natürliches Verhalten, wie Ameisen den kürzesten Weg zwischen
ihrem Nest und einer Futterstelle finden; populationsbasierte Metaheuristik (mehr als eine Lösung
pro Iterationsschritt); Multi-Agenten Ansatz; 1991 von Marco Dorigo vorgestellt

 Ameisen sind (fast) blind

 Interaktion erfolgt indirekt über Duftstoffe (Pheromone), die im Zeitverlauf verdunsten =
markerbasierte Stigmergie
 Nutzung kollektives Gedächtnis: Schwarmintelligenz

Autokatalysischer Prozess: verstärkt sich selber; selber, aber auch individueller Start- und Zielpunkt
für jede Ameise möglich; die Wahrscheinlichkeit einen von x Wegen ohne vorhandene
Pheromonspuren zu nutzen ist ident und beträgt p=1/x; nach Ablauf einer bestimmten Zeitspanne
werden alle Ameisen nur noch den kürzesten Weg benutzen (Pheromone reichern sich über die Zeit
an bzw. verdunsten oder beides)

ACO anhand des TSP:

bi(t)… Anzahl an Ameisen in Knoten i zum Zeitpunkt t

Lk… Länge des Tour von Ameise k
ηij… Nähe zwischen 2 Knoten i und j (η ij=1/dij)

Nach Beenden eines Zyklus wird die Intensität der Spur auf jeder Kante mit der folgenden Formel neu
berechnet: τij(t+n) = ρ*τij(t)+Δτij

ρ… Koeffizient für Verdunstung der Pheromonspur

Verdunstung von (1-ρ) der Spur im Zeitintervall (t,t+n)
Δτij… Anreicherung

Jede Ameise k hat einen Speicher Mk durch welchen garantiert wird, dass sie alle n Städte nur genau
einmal besucht. Speicher Mk wird nach jedem Zyklus gelöscht.

Berechnung der Wahrscheinlichkeit einer Knotenwahl durch Ameise k:

Knoten a kein Element vom Speicher Mk, da nur noch nicht besuchte Knoten besucht werden sollen
bzw. dürfen.
α und β sind Parameter, welche die relative Wichtigkeit von Spurintensität und Nähe bestimmen.
Relative Wichtigkeit ist abhängig vom Angebot rundherum.

Zum Zeitpunkt t=0 werden die Ameisen an verschiedenen Knoten ausgesetzt und diese Startpunkte
in die Speicher der Ameisen eingefügt. Außerdem werden die Parameter α und β festgelegt und die
Startwerte der Spurintensität an den einzelnen Kanten bestimmt.

Nach n Durchläufen (bzw. einem Zyklus) hat jede Ameise eine Tour gebildet. Wird eine Tour beendet,
erfolgen folgende Schritte:

 Aus dem Speicher jeder Ameise k werden die Tourlänge L k und die Veränderung der
Spurintensitäten durch Ameise k (Δτkij) ermittelt
 Kürzeste Tour abgespeichert.
 Neue Spurintensitäten berechnet.
 Speicher Mk jeder Ameise k wird gelöscht.

Es beginnt ein neuer Zyklus. Die Berechnung erfolgt solange bis:

 Eine vorgegebene maximale Zyklenanzahl erreicht ist.

 Für eine bestimmte vorgegebene Anzahl an Zyklen keine Verbesserung der Lösung erzielt
wurde.
 Eine vorgegebene maximale Rechenzeit erreicht ist.

Genetische Algorithmen (GA): basieren auf Evolutionstheorie von Darwin; erstmals von John Holland
(1975) erwähnt; gehört zum Evolutionären Algorithmus; populationsbasierte Metaheuristik (mehr als
eine Lösung pro Iterationsschritt); beispielsweise Anwendung für TSP; Evolver verwendet GA

Lösung als Chromosom aufgebaut. Ausgehend von Anfangspopulation werden neue Chromosomen
erzeugt, deren Individuen anschließend durch eine Bewertungsfunktion (Fitnessfunktion) beurteilt
werden. Es wird gutes und schlechtes Erbgut in die nächste Generation übernommen, da sonst die
Gefahr besteht, in einem lokalen Optimum zu verharren.

Vererbungsmechanismen:

 Reproduktion: unveränderte Weitergabe des Chromosoms in die Folgegeneration

 Mutation: zufällige Abänderung
 Inversion: Umdrehen eines Teilstücks der DNA eines Chromosoms
 Crossover: Vererbung zweier über Kreuz zusammengesetzter Chromosomen
 Blockung
 Entblockung

Selektion entscheidet über die Gestaltung der Bewertungsfunktion und bestimmt welche
Chromosomen überleben und ihr Erbgut in die Folgegeneration einbringen können
 1. Generierung Initialpopulation
2. Bewertung Individuen durch Fitnessfunktion
3. Selektion basierend auf Fitnesswert
4. Neukombination des Erbmaterials (Reproduktion, Inversion, Crossover)
5. Mutation zur Verhinderung verfrühter Konvergenz
6. So lange Individuen generiert, bis Größe der neuen Generation jener der Initialpopulation
entspricht
7. Setze bei 2. Fort bis ein Abbruchkriterium erreicht wird

Selektionsregeln: Roulette Wheel Selection, Fitnessproportionale Selektion, lineare Rang-Selektion

Memetische Algorithmen (MA): Weiterentwicklung der Genetischen Algorithmen unter

Einbeziehung sozialer Interaktion (Informationsaustausch, Kommunikation untereinander); gehört
zum Evolutionären Algorithmus; populationsbasierte Metaheuristik (mehr als eine Lösung pro
Iterationsschritt); Meme bedeutet Gen im Kontext der kulturellen Evolution

Simulated Annealing (SA): basiert auf thermodynamischen Prozessen (Abkühlen und Aushärten von
Stahl); physikalisch; von Kirkpatrick und Cerny (1985) unabhängig voneinander entwickelt; Ziel:
Zustand minimaler Energie; Anwendung SA für das Schmuggler Beispiel; Single-Solution
Metaheuristik (eine Lösung pro Iterationsschritt)

 Wahrscheinlichkeit, dass ein Zustand höherer Energie akzeptiert wird, nimmt mit sinkender
Temperatur ab.
 SA umfasst eine Folge von Metropolis-Algorithmen, bei denen das Temperaturniveau stetig
fällt
 Eine Konfiguration entspricht Lösungskandidaten für ein Problem
 Generator dient der Erzeugung neuer Konfigurationen
 Kontrollparameter tk entspricht Temperatur
 Akzeptanzkriterium kann vereinfacht werden, indem die Bolzmann-Konstante k weggelassen
wird
 Anfangstemperatur t0: je höher diese gewählt wird, desto höher ist die Wahrscheinlichkeit,
dass anfangs schlechte Lösungen akzeptiert werden
 Kühlrate: fixe oder adaptive Temperaturverminderung
 Abbruchkriterium: über längeren Zeitraum keine Lösungsverbesserung oder maximale
Rechenzeit erreicht
Tabu Search (TS): basiert auf adaptiven Kurz- und Langzeitgedächtnisfunktionen; von Glover und
Hansen beschrieben; lokale Nachbarschaftssuche mit Hilfe eines Gedächtnisses; iterativer
Suchprozess mit geringen Modifikationen in jedem Schritt; Lösung: Schmugglerbeispiel; Single-
Solution Metaheuristik (eine Lösung pro Iterationsschritt)

 Zug: Übergang von einer Lösung zur nächsten

 Nachbar: jede von einer Lösung s durch einen Zug erreichbare Lösung s‘
 Suchraum: Menge an Lösungen, die während eines Rechenschrittes in Betracht gezogen
werden
 Nachbarschaftsmenge N(s): enthält alle von einer Lösung s durch einen Zug erreichbaren
Lösungen
 Zielfunktion: um Lösungsgüte zu evaluieren
 Tabuliste: Kurzzeit-Gedächtnis, welches das Steckenbleiben des Suchprozesses in lokalen
Optima verhindern soll
 Tabudauer: statisch oder dynamisch festgelegt
1. Aus der Eröffnungsheuristik wird eine Ausgangslösung s generiert
2. Es wird von dieser Ausgangslösung weg gestartet und in der Nachbarschaft nach dem besten
Lösungskandidaten gesucht
3. Um in keine Endlosschleife (Steckenbleiben in lokalem Optimum) zu gelangen, wird das
Gegenteil des Zuges, der zu dieser Lösung führt, für eine bestimmte Dauer tabu gesetzt,
Eintrag in die Tabuliste
4. Verfahren wird bei Erreichen des Abbruchkriteriums (beispielsweise maximale Anzahl an
Rechenschritten) beendet

Tabudauer: wichtiges Steuerelement

Zu kurze Tabudauer führt zu einer Endlosschleife (Kreisen) / Steckenbleiben in einem lokalen

Optimum

Zu lange Tabudauer kann an der besten Lösung vorbeiführen

Intensivierungs- und Diversifikationsstrategie nutzen zusätzlich zur Kurzzeitgedächtnisfunktion

(Tabuliste) auch eine Langzeitgedächtnisfunktion.

Intensivierungsstrategie: Intensivierung der Suche in bestimmten vielversprechenden Regionen des

Lösungsraums.

Diversifikationsstrategie: breite Erkundung des Lösungsraumes (Regionen, die noch nicht untersucht
wurden; Lösungen unterscheiden sich von den bisher generierten signifikant); beispielsweise durch
Verwenden einer zufällig generierten Initiallösung in jedem Rechendurchgang oder Versehen häufig
genutzter Züge mit einem Strafanteil

Aspirationskriterium: attraktive Nachbarschaftslösungen zugelassen, auch wenn die Züge, die dazu
führen in der Tabuliste stehen.

Auch Austauschbeziehungen ohne Verbesserung werden nach bestimmten Regeln akzeptiert, um zu

vermeiden, dass man in lokalen Optima verharrt.

v ϵ V(s) mit v ∉ T … erlaubt sind alle Züge, die nicht tabu sind
s <- s‘ … Lösung s wird mit der besten gefundenen Nachbarschaftslösung s‘ überschrieben
Exakte Verfahren: Ungarische Methode zur Lösung ZOP, Branch&Branch Verfahren zur Lösung des
TSP; Lösung ZOP über die ungarische Methode hat einen besseren Lösungswert als das TSP über das
Branch&Bound Verfahren gelöst, da es weniger Restriktionen hat (Anti-Subzyklusnebenbedingung)

Ungarische Methode: König und Egervary; zur Lösung ZOP; primal-duales lineares Lösungsverfahren;
Kostenmatrix bereits reduziert, Reduktionskonstante bestimmt; nach Ungarischer Methode erhöht
sich die Reduktionskonstante, sofern nicht davor bereits eine optimale Zuordnung getroffen wurde

Branch&Bound Verfahren: zur Lösung TSP; global optimale Lösung; nicht optimal erscheinende
Lösungen werden nicht weiterverfolgt, sondern weggeschnitten

Einfache untere Schranke: im Vergleich zu einer fortgeschrittenen unteren Schranke werden eine
höhere Anzahl an Rechenschritten im Branch&Bound Verfahren benötigt

Fortgeschrittene untere Schranke: geringere Anzahl an Rechenschritten im Branch&Bound Verfahren;

eine fortgeschrittene untere Schranke für das TSP kann durch Lösung des Zuordnungsproblems
(beispielsweise durch die ungarische Methode) generiert werden

Die Wurzel repräsentiert die Menge an möglichen Lösungen.

Bounding: in jedem Knoten eine untere Schranke für den Lösungswert vorhanden

Penalties (Strafwerte): Spaltenminimum ≠ 0 und Zeilenminimum ≠ 0 addieren

Microsoft Excel Solver zur Lösung von Optimierungsmodellen: vor allem für kleinere Problemgrößen
eingesetzt; Genauigkeit, Toleranz, Konvergenz, Iterationen, Höchstzeit, lineares Modell (Simplex-
Algorithmus; exakt) kann festgelegt bzw. vorausgesetzt werden; Lösung von nicht-linearen
Problemen mittels Generalized Reduced Gradient (GRG2; exakt) und dem Evolutionärem Algorithmus
(EA im Microsoft Excel Solver garantiert keine global optimale Lösung, da metaheuristisches
Verfahren; geeignet für lineare und nicht-lineare Probleme)

Zeilen- und Spaltensumme bei gelöstem Optimierungsmodell beträgt 1.

Gesamtkosten: SUMMENPRODUKT(C4:G6:C11:G13)

Modellierungsbeispiele:

Graph: Menge aus Knoten und Kanten; ungerichteter Graph: keine Richtung vorgegeben; gemischter
Graph: einige Kanten mit Richtungen definiert; gerichteter Graph: alle Kanten mit Richtungsvorgaben

Kette: eine Folge von Kanten, die zwei Knoten miteinander verbindet

Weg: Kette mit eindeutiger Richtung

Zyklus: Kette, die einen Knoten mit sich selbst verbindet, ohne dass eine Kante zweimal verwendet
wird

Verbundener Graph: es gibt zu je zwei Knoten eine Kette, die diese miteinander verbindet

Baum: verbundener Graph, der keine Zyklen besitzt

Naturschutzgebiete – MCSP, MECP

Maximal Covering Species Problem MCSP: binäres, lineares Modell; eine Tierart gilt als
schützenswert, wenn sie in mindestens einem Gebiet vorkommt

Maximal Expected Coverage Problem MECP: binäres, nichtlineares Modell

Diesellieferung: kein klassisches TPP, da es Transportbeschränkungen gibt und mehrere Touren
gebildet werden müssen. Problem: Capacitated Vehicle Routing Problem (CVRP); lösbar mit exakten
Verfahren für kleine Problemgrößen oder einer (Mat-/Meta-)Heuristik.
Wasserversorgung – Maximum Flow Problem: maximalen Fluss durch den Graphen finden, Bedarfe
sollen befriedigt werden; optimale Lösung kann unter Umständen auch bestimmte Rohre nicht
verwenden

Straßenstreuung – Chinese Postman Problem CPP: Streufahrzeug; CPP: Tourenplanung von

Streufahrzeugen, Briefträgern, Müllabfuhren

Eulersche Tour: in einem gerichteten Graphen wird jede Kante genau einmal besucht; eine Eulersche
Tour stellt die optimale Tour dar und entspricht der Länge aller gerichteten Kanten; Lösung durch
Bildung eines Graphen
Standortplanung von Krankenhäusern – p-Median Problem: In einer Region in Brasilien sollen drei
neue Spitäler errichtet werden; Ziel: gewichtete Summe der Distanzen zwischen allen
Bevölkerungsmitgliedern und nächstgelegener Einrichtung minimieren (durchschnittliche Distanz
jedes Bewohners zum nächstgelegenen Spital minimieren); Median eines Graphen ist ein Knoten mit
bestimmten Eigenschaften; Erstellung einer Distanzmatrix, welche die kürzeste Distanz von Ort i zu
Ort j angibt, unter Anwendung des Tripelalgorithmus (Tripelalgorithmus sucht den kürzesten Weg
zwischen allen Knoten eines Graphen)

pi … Einwohnerzahl von Stadt i

dij … Distanz zwischen Stadt i und Stadt j
Anwendungsfälle:

Wasserversorgungsproblem in Kenia: Minimierung der Rohrleitungslänge

Verfahren nach Kruskal – Minimal Spanning Tree (MST) Problem: Minimal spannender Baum kann
mit Hilfe des Kruskal Verfahrens exakt gelöst werden

 Kürzeste Kante im Graphen gesucht und die beiden angrenzenden Knoten verbunden
 Ein noch nicht verbundener Knoten, welcher einem verbundenen Knoten am nächsten liegt,
wird gesucht
 Treten Mehrdeutigkeiten während dem Verfahren auf, kann die Wahl beliebig getroffen
werden und führt dennoch zu einer global optimalen Lösung

Wassernetzoptimierung: nichtlineare Gleichungen in der Hydraulik (technische Restriktion;

Druckverlust in jedem Rohr); Rohrdurchmesser diskrete Variable, da nur in bestimmten
Abmessungen erhältlich (keine kontinuierlichen Funktionen); vorgegebene minimale
Rohrdurchmesser; Ziel: Kombination von gewerblichen Wasserrohrdurchmessern, welche die
Gesamtkosten des Wassernetzwerkes minimiert; nichtlineares gemischt-ganzzahliges
Optimierungsmodell; kann nicht effizient mit Solver-Software gelöst werden; metaheuristische
Lösungsmethoden TS und SA
Es wurden sowohl fixe als auch variable Tabudauern ausgetestet; ein Aspirationskriterium wird
verwendet; Rohrdurchmesser wird tabu gesetzt; da keine global optimalen Lösungen als Benchmark
vorhanden sind, wird das Ergebnis des TS mit dem SA verglichen; TS und SA führten zu einer gleichen
Ergebnisgüte, jedoch hatte der TS einen schnelleren Rechenverlauf

Multikriterielle Optimierung der Standorte von öffentlichen Einrichtungen in von Tsunamis

bedrohten Küstengebieten: öffentliche Gebäude wie Schulen und Krankenhäuser sind an sicheren
Orten wieder zu errichten

 Distanzen zwischen Wohnort der Kinder und ihrer Schule soll minimiert werden
 Risiko einer weiteren Katastrophe an den Schulstandorten soll minimiert werden
 Kosten sollen minimiert werden

Dominanz: Eine Lösung y dominiert eine Lösung z, wenn y mindestens gleich gut ist wie z in Bezug auf
alle Zielfunktionen und besser als z bezüglich mindestens einer Zielfunktion

Pareto-Effizienz: Eine Lösung ist Pareto-optimal, wenn keine andere zulässige Lösung existiert, von
der sie dominiert wird. Kein Zielfunktionswert kann verbessert werden, ohne dass ein anderes
Kriterium verschlechtert wird. Wenn eine Zielfunktion minimiert wird, ist der Nutzen einer Lösung
höher, je geringer die Zielfunktionswerte sind.

Anwendung Pareto-basierter Ansätze: Entscheidungsträger können aus einem Set bestehender

zulässiger Lösungen wählen
Mehrziel-Optimierung ohne Pareto-basiertem Ansatz: Zielfunktonen gewichtet

p-Median Kriterium: gewichtete Summe der Distanzen zwischen allen Bevölkerungsmitgliedern und
deren nächstgelegener Einrichtung minimieren, wobei jedem Bevölkerungsmitglied genau eine
Einrichtung zugewiesen wird

Maximum Covering Location Kriterium: Anzahl Bevölkerungsmitglieder, welche keine Einrichtung

innerhalb einer bestimmten maximalen Distanz erreichen können, soll minimiert werden; maximale
Distanz vorgegeben

Optimierung im Rundholztransport:

 Vorgegebene Arbeitszeit (maximale Tourdauer)

 Rungen-LKW muss ausreichende Kapazität haben
 Verkehrswegerestriktionen (Gewichtsbeschränkungen auf Forststraßen)
 Anlieferzeiträume bzw. Öffnungszeiten der Industriebetriebe
 Bereitschaftszeiten der Fahrer

Optimierungsprobleme:

 TPP (linear, mit Solver lösbar)

 Timber Transport Order Smoothing Problem (TTOSP; linear, mit Solver lösbar)
 Timber Transport Vehicle Routing Problem (TTVRP; linear, mit Solver lösbar; Erweiterung des
Vehicle Routing Problems (VRP) oder Sonderfall des Stacker Crane Problems SCP mit dem Ziel
eine kostenminimale Rundreise (kürzester Weg) auf einem gemischten Graphen mit
gerichteten und ungerichteten Kanten zu finden und dabei alle gerichteten Kanten
einzubeziehen; Tabu Search-basierte Lösungsansätze; mit Standard-Solversoftware FICO-
Xpress global optimal lösbar)
 Metaheuristischer Lösungsansatz basierend auf der SCP Modellformulierung: Ausgehend von
der Startlösung werden mit Hilfe der TS Metaheuristik mit einfachen Ausschnitten
Nachbarschaftslösungen generiert. Aus diesen wird jeweils die beste Lösung, die nicht tabu
ist, gewählt und als Ausgangslösung für den nächsten Rechenschritt verwendet. Um nicht in
einem lokalen Optimum zu verweilen, werden hier auch nicht zulässige Lösungen verwendet.

Varianten der TS Metaheuristik:

 TS
 TSLN (Tabu Search with a limited neighborhood)
 TSAS (Tabu Search with an alternating strategy)
 TSLP (Tabu Search for large problem instances)
Mobile Pflege und Betreuung in Krisen- und Katastrophensituationen: es werden mehrere Ziele
verfolgt, es gibt harte und weiche Restriktionen; Zielfunktion ist die gewichtete Summe mehrerer
Kriterien und der Gesamtfahrzeit; exakte Lösung mit Solver-Software FICO-Xpress nur für kleine
Testinstanzen möglich; Verwendung einer Metaheuristik basierend auf Variable Neighborhood
Search (VNS) für schnelle Lösungsfindung von größeren Problemen

Alternatives Mobilitätskonzept für urbane mobile Pflegedienstleister: unterschiedliche

Qualifikationen; Zielfunktion: Minimierung der Summe von Transportzeiten von Pflegekräften und
FahrerInnen sowie von Wartezeiten; Lösung mit Matheuristik (kombiniert exakte Lösungsmethoden
mit (meta-)heuristischen Verfahren

Produktions- und Transportkostenoptimierung eines Futtermittelherstellers:

Ɐ
Standortbestimmung für Recyclingwerke - Uncapacitated Facility Location Problem UFLP:

Organisation der Transporte von Einsatzkräften und Hilfsmitteln bei einer Naturkatastrophe:
Nach einer Flutkatastrophe soll ein rascher Transport von Sandsäcken, Werkzeugen und
Einsatzkräften zu definierten Einsatzorten erfolgen; Lösung als klassisches TPP, anschließend
Nachoptimierung (Bottleneck-Transportproblem); Zielfunktion klassisches TPP: Minimierung der
Kostenfunktion; Zielfunktion Bottleneck-Transportproblem: Minimierung der maximalen
Transportzeit; längste Zeit des Transportplans entspricht einem Engpass / Flaschenhals / bottleneck

Ausgehend von Lösung klassisches TPP kann eine obere Schranke angegeben werden, dies ist die
höchste ermittelte Transportzeit (15 Stunden); untere Schranke ist Maximum aus allen Zeilen- und
Spaltenminima (10 Stunden)