Beruflich Dokumente
Kultur Dokumente
Isomorphes (strukturgleiches) Modell: alle Elemente und Beziehungen aus dem realen System
berücksichtigt
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.
Einkriterielles Optimierungsmodell: eine Zielfunktion, die maximiert oder minimiert werden soll
Lokales Optimum: Maximum oder Minimum in einem beschränkten Ausschnitt des Lösungsraumes.
Optimierungsmodell = Optimierungsproblem
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
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
Nearest Neighbor Verfahren & Best Insertion Verfahren für das TSP
Spaltenminimumverfahren für TPP/ZOP
Vogel’sche Approximation (Regret Heuristik) für TPP
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
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)
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
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.
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.
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:
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
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)
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.
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
Bounding: in jedem Knoten eine untere Schranke für den Lösungswert vorhanden
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)
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
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
Maximal Covering Species Problem MCSP: binäres, lineares Modell; eine Tierart gilt als
schützenswert, wenn sie in mindestens einem Gebiet vorkommt
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)
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
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.
p-Median Kriterium: gewichtete Summe der Distanzen zwischen allen Bevölkerungsmitgliedern und
deren nächstgelegener Einrichtung minimieren, wobei jedem Bevölkerungsmitglied genau eine
Einrichtung zugewiesen wird
Optimierung im Rundholztransport:
Optimierungsprobleme:
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
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)