Kap3 2-BaP

Kapitel 3: Exakte Lösung von VRPs
Literatur
Folien zur Vorlesung1

Transportlogistik
Prof. Timo Gschwind, Prof. Stefan Irnich, Dr. Christian Tilk
1
Version 2.0.1
1 / 43
Kapitel 3.2: Column Generation und Branch-&-Price
Literatur
Kapitel 3.2: Column Generation und

Branch-&-Price
Lesen Sie...
(Desaulniers u. a., 2014)

(Kallehauge u. a., 2005)
2 / 43
Literatur
Lernziele
Lernziele:
Das Prinzip von Column Generation und Branch-&-Price
verstehen
Die einzelnen Komponenten von Branch-&-Price, deren
Aufgaben und deren Zusammenspiel verstehen
Das VRPTW mit Branch-&-Price lösen können
3 / 43
Literatur
Wiederholung: VRP with Time Windows
Gegeben:
Fahrzeuge mit vorgegebener Kapazität, stationiert an einem Depot
Eine Menge von Kunden mit Nachfragemengen und Zeitfenstern in
denen sie besucht werden können.
4 / 43
Literatur
Wiederholung: VRP with Time Windows
Gegeben:
Fahrzeuge mit vorgegebener Kapazität, stationiert an einem Depot
Eine Menge von Kunden mit Nachfragemengen und Zeitfenstern in
denen sie besucht werden können.
Gesucht: Eine Menge von Fahrzeugrouten, so dass

Jeder Kunde genau einmal besucht wird
Jede Route am Depot startet und am Depot endet
Jede Route zulässig bezüglich der Fahrzeugkapazität und der
Zeitfenster ist
Die Summe der Kosten aller Routen minimiert wird
4 / 43
Literatur
3-Index Formulierung – Notation

Input:
N Menge von Kunden i mit Nachfrage qi und Zeitfenster [ai , bi ]
o, d Start- und Enddepot
K Menge von Fahrzeugen mit Kapazität Q
A Bogenmenge
5 / 43
Literatur
3-Index Formulierung – Notation

Input:
N Menge von Kunden i mit Nachfrage qi und Zeitfenster [ai , bi ]
o, d Start- und Enddepot
K Menge von Fahrzeugen mit Kapazität Q
A Bogenmenge
Entscheidungsvariablen:
yik Binäre Variable mit yik = 1 genau dann, wenn Kunde i ∈ N von
Fahrzeug k ∈ K bedient wird, und yik = 0 sonst.
xijk Binäre Variable mit xijk = 1 genau dann, wenn Fahrzeug k ∈ K
Bogen (i, j) ∈ A benutzt, und xijk = 0 sonst.
uik Kontinuierliche Variable, die die (Mindest-)Beladung des Fahrzeugs
k nach dem Besuchen des Kunden i ∈ N angibt, falls i von k
bedient wird.
Tik Kontinuierliche Variable, die den Start des Service des Fahrzeugs k
am Kunden i ∈ N angibt, falls i von k bedient wird. 5 / 43
Literatur
3-Index Formulierung – Modell

X X
z3I−MTZ = min cij xijk (1)
k∈K (i,j)∈A
K
X
so dass yik = 1 für alle i ∈ N (2)
k=1
X X
xjik = xijk = yik für alle i ∈ N, k ∈ K (3)
(j,i)∈δ − (i) (i,j)∈δ + (i)
X
x0jk ≤ 1 für alle k ∈ K (4)
(0,j)∈δ + (0)
uik − ujk + Qxijk ≤ Q − qj für alle (i, j) ∈ A(N), k ∈ K (5)

qi ≤ uik ≤Q für alle i ∈ N, k ∈ K (6)
Tik − Tjk + Mij xijk ≤ Mij − tij für alle (i, j) ∈ A(N), k ∈ K(7)
ai ≤ Tik ≤ bi für alle i ∈ N, k ∈ K (8)
yik ∈ {0, 1} für alle i ∈ N, k ∈ K (9)
xijk ∈ {0, 1} für alle (i, j) ∈ A, k ∈ K (10)
6 / 43
Literatur
3-Index Formulierung – Modell
(1) Minimiere die gesamten Routingkosten

(2) Jeder Kunde wird von genau einem Fahrzeug bedient
(3) Kunde i wird von Fahrzeug k genau einmal besucht, wenn er von
Fahrzeug k bedient wird
(4) Jedes Fahrzeug fährt höchstens eine Route
(5) Festlegen der Beladungsvariablen uik und Verbot von Subtouren
(6) Kapazitätsbedingungen
(7) Festlegen der Zeitvariablen Tik und Verbot von Subtouren
(8) Zeitfensterbedingungen
7 / 43
Literatur
3-Index Formulierung – Eigenschaften
Eigenschaften der Formulierung:

Anzahl der Variablen:
→ O (|V |2 · |K |) binäre Variablen
→ |N| · |K | kontinuierliche Variablen
O (|N 2 | · |K |) Nebenbedingungen
8 / 43
Literatur

Kompaktes Modell
Vielfältig erweiterbar
8 / 43
Literatur

Kompaktes Modell
Vielfältig erweiterbar
Schwaches Modell
Symmetrieproblematik
8 / 43
Literatur
Dantzig-Wolfe Reformulierung
Idee:
Nebenbedingungen (3)–(8) können für jedes Fahrzeug getrennt
betrachtet werden.
Für jedes Fahrzeug entsteht dann ein eigenes (identisches) Problem
eine zulässige Route zu finden.
Gesucht ist dann nur noch eine Kombination der Routen aller
Fahrzeuge, so dass jeder Kunde genau einmal bedient wird und die
Routingkosten minimal sind.
9 / 43
Literatur
Problemformulierung mit Definition der Routenvariablen:
Routenvariablen:
10 / 43
Literatur
Routenvariablen:
XX
min cr λkr
k∈K r ∈Ωk
XX
air λkr = 1 für alle i ∈ N
k∈K r ∈Ωk
X
λr ≤ 1 für alle k ∈ K
r ∈Ωk
λkr ∈ {0, 1} für alle k ∈ K , r ∈ Ωk
Wobei:
cr Kosten der Route r
air = 1, wenn Route r Kunde i
besucht, = 0 sonst
λkr = 1, wenn Route r Teil der
Lösung ist, = 0 sonst
10 / 43
Literatur
Routenvariablen:
Ωk = r = (yik , xijk ) , mit

XX
min cr λkr
k∈K r ∈Ωk X X
XX xjik = xijk = yi für alle i ∈ N
air λkr =1 für alle i ∈ N (j,i)∈δ − (i) (i,j)∈δ + (i)
k∈K r ∈Ωk X
k
X x0j =1
λr ≤ 1 für alle k ∈ K (0,j)∈δ + (0)
r ∈Ωk
uik − ujk + Qxijk ≤ Q − qj für alle (i, j) ∈ A(N)
λkr ∈ {0, 1} für alle k ∈ K , r ∈ Ωk
qi ≤ uik ≤ Q für alle i ∈ N
Wobei: Tik − Tjk + Mij xijk ≤ Mij − tij für alle (i, j) ∈ A(N)
cr Kosten der Route r ai ≤ Tik ≤ bi für alle i ∈ N
air = 1, wenn Route r Kunde i yik ∈ {0, 1} für alle i ∈ N
besucht, = 0 sonst xijk ∈ {0, 1} für alle (i, j) ∈ A
λkr = 1, wenn Route r Teil der
Lösung ist, = 0 sonst
10 / 43
Literatur
Alle Fahrzeuge sind identisch → Aggregation!
11 / 43
Literatur
Aggregierte Problemformu-
lierung mit Routenvariablen:
X
min cr λr
r ∈Ω
X
air λr = 1 für alle i ∈ N
r ∈Ω
X
λr ≤ |K |
r ∈Ω
λr ∈ {0, 1} für alle r ∈ Ω
11 / 43
Literatur
Aggregierte Problemformu-
X
min cr λr
r ∈Ω
X
air λr = 1 für alle i ∈ N
r ∈Ω
X
λr ≤ |K |
r ∈Ω
⇒ Pfadbasierte Formulierung
11 / 43
Literatur
Aggregierte Problemformu- Definition der aggregierten Routenvariablen:

X Ω = {r = (yi , xij )} , mit
min cr λr
r ∈Ω
X X
X xji = xij = yi für alle i ∈ N
air λr = 1 für alle i ∈ N (j,i)∈δ − (i) (i,j)∈δ + (i)
r ∈Ω X
X x0j = 1
λr ≤ |K | (0,j)∈δ + (0)
r ∈Ω
ui − uj + Qxij ≤ Q − qj für alle (i, j) ∈ A(N)
qi ≤ ui ≤ Q für alle i ∈ N
⇒ Pfadbasierte Formulierung Ti − Tj + Mij xij ≤ Mij − tij für alle (i, j) ∈ A(N)
a i ≤ Ti ≤ b i für alle i ∈ N
yi ∈ {0, 1} für alle i ∈ N
xij ∈ {0, 1} für alle (i, j) ∈ A
11 / 43
Literatur
Pfadbasierte Formulierung

Exponentiell viele Variablen
|N| + 1 Nebenbedingungen
Sehr starkes Modell
12 / 43
Literatur
Pfadbasierte Formulierung

Exponentiell viele Variablen
|N| + 1 Nebenbedingungen
Sehr starkes Modell
Modell kann nicht vollständig ausformuliert und mit
Standardsoftware gelöst werden. Lösung mittels Branch-&-Price:
1 Löse LP-Relaxation des Modells mit einer kleinen Teilmenge
von Variablen
2 Iterativ: Identifiziere fehlende Variablen und füge sie dem
Modell hinzu
3 Bei nicht ganzzahliger Lösung der LP-Relaxation, Herstellung
der Ganzzahligkeit der λr mittels Branch-&-Bound
12 / 43
Literatur
Erinnerung: Branch-&-Bound – Schema
Wähle nächsten Knoten N ∈ S mit LB(N) < zBest und setze S = S \ {N}
Knoten N
Konstruiere initales LP(N)

Füge Kinder-
knoten von N
zu S hinzu
Löse LP(N)
Wenn z(LP(N)) < zBest , ja Ist die Lösung von LP(N) nein
Branching
setze zBest = z(LP(N)) ganzzahlig?
13 / 43
Literatur
Erinnerung: Branch-&-Bound – Schema
Knoten N
Konstruiere initales LP(N)

Füge Kinder-
knoten von N
zu S hinzu
Löse LP(N)
Wenn z(LP(N)) < zBest , ja Ist die Lösung von LP(N) nein
Branching
setze zBest = z(LP(N)) ganzzahlig?
13 / 43
Literatur
Branch-&-Price – Schema
Knoten N
Column Generation Konstruiere initales RMP(N)

(Spaltengenerierung)
Löse RMP(N)
Routen R Füge Kinder-
knoten von N
Duale Preise
zu S hinzu
(πi , µ)
Konstruiere Routen R mit ne- ja Löse Subproblem SP(πi , µ)

gativen reduzierten Kosten z(SP(πi , µ)) < 0 ?
nein
Wenn z(RMP(N)) < zBest , ja Ist die Lösung von RMP(N) nein
Branching
setze zBest = z(RMP(N)) ganzzahlig?
14 / 43
Literatur
Knoten N
Column Generation Konstruiere

Konstruiere initales
initales RMP(N)
Löse RMP(N)
knoten von N
Duale Preise
zu S hinzu
(πi , µ)

nein
Branching
14 / 43
Literatur
Restricted Master Problem (RMP)
Das Restricted Master Problem (RMP) ist die LP-Relaxation der

Pfadformulierung, in der zusätzlich die Menge Ω der zulässigen Routen
durch eine (kleine) Teilmenge Ω̄ ersetzt wird.
15 / 43
Literatur

X
zPfad = min cr λr (1)
r ∈Ω̄
X
so dass air λr = 1 für alle i ∈ N (2)
r ∈Ω̄
X
λr ≤ |K | (3)
r ∈Ω̄
λr ≥ 0 für alle r ∈ Ω̄ (4)
15 / 43
Literatur

X
zPfad = min cr λr (1)
r ∈Ω̄
X
so dass air λr = 1 für alle i ∈ N (2)
r ∈Ω̄
X
λr ≤ |K | (3)
r ∈Ω̄
λr ≥ 0 für alle r ∈ Ω̄ (4)
Initialisierung der Teilmenge Ω̄: Zum Beispiel mit heuristischer Lösung.
15 / 43
Literatur
Restricted Master Problem (RMP) – Beispiel
[1,4] [3,9]
2
1 3
2
2 5
2 5
[0,11] 2
2 4
1
[4,5] [2,9]
2
Gegeben
Depot
Kunden mit Nachfragen und Zeitfenstern [ ]
Fahrzeuge mit Kapazität Q = 6
16 / 43
Literatur

Heuristische Lösung:
2
[1,4] [3,9]
1 3
2
2 5
[0,11] 2
2 4
[4,5] [2,9]
2
Gegeben
Depot
Kunden mit Nachfragen und Zeitfenstern [ ]
Fahrzeuge mit Kapazität Q = 6
16 / 43
Literatur
Initiales RMP mit Touren aus heuristischer Lösung: siehe Tafel!
17 / 43
Literatur
Initiales RMP mit Touren aus heuristischer Lösung: siehe Tafel!
min 6λ1 +9λ2

λ1 =1
λ1 =1
λ2 =1
λ2 =1
λ1 +λ2 ≤2
λ1 ≥0
λ2 ≥0
17 / 43
Literatur
Knoten N

Löse RMP(N)
knoten von N
Duale Preise
zu S hinzu
(πi , µ)

nein
Branching
18 / 43
Literatur
Lösung des RMPs und Duale Preise
Einschub: Simplexalgorithmus bei Minimierungsproblem
19 / 43
Literatur
Definition (Standardproblem der LP bei Minimierung)
z = min c > x
so dass Ax = b
x ≥0
mit den Eigenschaften
1 ein Minimierungsproblem
2 ausschließlich nicht-negativen EV x ≥ 0
3 nicht-negativer rechter Seite b ≥ 0
4 (m × n)-Koeffizientenmatrix A, welche die (m × m)-Einheitsmatrix
Im als Basis enthält, d.h. A = (N|Im ).
19 / 43
Literatur
Unterschiede/Gemeinsamkeiten zu Maximierungsproblem:
20 / 43
Literatur
Darstellung der BV xB durch die NBV xn bei gegebener Basis B
→ z = (cN> − cB> B −1 N)xN + cB> B −1 b (→ wie Max.)
→ mit reduzierten Kosten c̃j := cj − cB> B −1 aj (→ Max.: ∆zj )
→ Basis optimal, wenn c̃j ≥ 0 ∀ j (→ Max.: ∆zj ≥ 0)
20 / 43
Literatur
Simplextableau (→ wie Max.)
→ Ausnahme: In der Zielfunktionszeile werden die reduzierten
Kosten c̃j eingetragen (anstatt ∆zj )
20 / 43
Literatur
Simplextableau (→ wie Max.)
→ Ausnahme: In der Zielfunktionszeile werden die reduzierten
Kosten c̃j eingetragen (anstatt ∆zj )
Simplexalgorithmus mit Simplextableau (→ wie Max.)
→ bei Nutzung von c̃j anstatt ∆zj in allen Formeln
20 / 43
Literatur

Transformation in Standardproblem bei “=-Restriktionen (ohne Spalte ei )”:
21 / 43
Literatur


Zum Erreichen des Standardproblems der linearen Programmierung fehlen evtl.
die (positiven!) Spalten der Einheitsmatrix I in der Koeffizientenmatrix.
21 / 43
Literatur


Addition nicht-negativer Hilfsvariablen xh zur linken Seite und Zuordnung sehr
hoher Kosten M als Zielfunktionskoeffizienten,
21 / 43
Literatur


hoher Kosten M als Zielfunktionskoeffizienten, denn
a1 x1 + a2 x2 + · · · + an xn = b
(a1 , a2 , . . . , an , b ∈ R) ist äquivalent zu
a1 x1 + a2 x2 + · · · + an xn + xh = b
mit Hilfsvariable xh ≥ 0, die man mit
z = min c > x + (M)xh
in die Zielfunktion aufnimmt.
21 / 43
Literatur


hoher Kosten M als Zielfunktionskoeffizienten, denn
a1 x1 + a2 x2 + · · · + an xn = b
(a1 , a2 , . . . , an , b ∈ R) ist äquivalent zu
a1 x1 + a2 x2 + · · · + an xn + xh = b
mit Hilfsvariable xh ≥ 0, die man mit
z = min c > x + (M)xh
in die Zielfunktion aufnimmt.
In einer optimalen Lösung (falls existent) muss wegen der hohen Kosten stets
xh = 0 gelten!
21 / 43
Literatur
Lösung des RMPs und Duale Preise – Beispiel

RMP mit heuristischer Lösung in Standardform:
min 6λ1 9λ2 +Ms1 +Ms2 +Ms3 +Ms4
λ1 +s1 =1
λ1 +s2 =1
λ2 +s3 =1
λ2 +s4 =1
λ1 +λ2 +s5 =2
λ1 , λ2 , s1 , s2 , s3 , s4 , s5 ≥ 0
22 / 43
Literatur

λ1 +s1 =1
λ1 +s2 =1
λ2 +s3 =1
λ2 +s4 =1
λ1 +λ2 +s5 =2
λ1 , λ2 , s1 , s2 , s3 , s4 , s5 ≥ 0
1. Simplextableau:
cj 6 9 M M M M
cB xB λ1 λ2 s1 s2 s3 s4 s5 b0
M s1 1 0 1 1
M s2 1 0 1 1
M s3 0 1 1 1
M s4 0 1 1 1
0 s5 1 1 1 2
c̃j 4M
22 / 43
Literatur

λ1 +s1 =1
λ1 +s2 =1
λ2 +s3 =1
λ2 +s4 =1
λ1 +λ2 +s5 =2
λ1 , λ2 , s1 , s2 , s3 , s4 , s5 ≥ 0
1. Simplextableau:
cj 6 9 M M M M
M s1 1 0 1 1
M s2 1 0 1 1
M s3 0 1 1 1
M s4 0 1 1 1
0 s5 1 1 1 2
c̃j 6 − 2M 4M
22 / 43
Literatur

λ1 +s1 =1
λ1 +s2 =1
λ2 +s3 =1
λ2 +s4 =1
λ1 +λ2 +s5 =2
λ1 , λ2 , s1 , s2 , s3 , s4 , s5 ≥ 0
1. Simplextableau:
cj 6 9 M M M M
M s1 1 0 1 1
M s2 1 0 1 1
M s3 0 1 1 1
M s4 0 1 1 1
0 s5 1 1 1 2
c̃j 6 − 2M 9 − 2M 4M
22 / 43
Literatur

λ1 +s1 =1
λ1 +s2 =1
λ2 +s3 =1
λ2 +s4 =1
λ1 +λ2 +s5 =2
λ1 , λ2 , s1 , s2 , s3 , s4 , s5 ≥ 0
1. Simplextableau:
cj 6 9 M M M M
M s1 1 0 1 1
M s2 1 0 1 1
M s3 0 1 1 1
M s4 0 1 1 1
0 s5 1 1 1 2
c̃j 6 − 2M 9 − 2M 4M
22 / 43
Literatur

2. Simplextableau:
cj 6 9 M M M M
6 λ1 1 0 1 1
M s2 0 −1 1 0
M s3 1 0 1 1
M s4 1 0 1 1
0 s5 1 −1 1 1
c̃j 9 − 2M 2M − 6 2M + 6
23 / 43
Literatur

2. Simplextableau:
cj 6 9 M M M M
6 λ1 1 0 1 1
M s2 0 −1 1 0
M s3 1 0 1 1
M s4 1 0 1 1
0 s5 1 −1 1 1
c̃j 9 − 2M 2M − 6 2M + 6
23 / 43
Literatur

2. Simplextableau:
cj 6 9 M M M M
6 λ1 1 0 1 1
M s2 0 −1 1 0
M s3 1 0 1 1
M s4 1 0 1 1
0 s5 1 −1 1 1
c̃j 9 − 2M 2M − 6 2M + 6
3. Simplextableau (Endtableau):
cj 6 9 M M M M
6 λ1 1 1 1
M s2 −1 1 0
9 λ2 1 0 1 1
M s4 0 −1 1 0
0 s5 −1 −1 1 0
c̃j 2M − 6 2M − 9 15
23 / 43
Literatur

Duale Variablen und Duale Preise:
Jede Nebenbedingung ist mit einer dualen Variable assoziiert
Im Optimum gibt der Wert der Dualvariable (auch: Schattenpreis, dualer
Preis) einer Restriktion an (innerhalb gewisser Grenzen), wie sich der Ziel-
funktionswert ändert, wenn die rechte Seite um eine Einheit erhöht wird.
24 / 43
Literatur

Andere Interpretation: Attraktivität einen Kunden in einer fehlenden
Route zu besuchen, ausgehend von aktueller RMP-Lösung
24 / 43
Literatur

Duale Preise cB> B −1
24 / 43
Literatur

Duale Preise cB> B −1
VRPTW
X
zPfad = min cr xr (duale Preise) (1)
r ∈Ω̄
X
so dass air xr = 1 für alle i ∈ N (πi ) (2)
r ∈Ω̄
X
xr ≤ |K | (µ) (3)
r ∈Ω̄
xr ≥ 0 für alle r ∈ Ω̄ (4)

24 / 43
Literatur

Drittes Simplextableau (Endtableau):
cj 6 9 M M M M
6 λ1 1 1 1
M s2 −1 1 0
9 λ2 1 0 1 1
M s4 0 −1 1 0
s5 −1 −1 1 0
c̃j 2M − 6 2M − 9 15
25 / 43
Literatur

Drittes Simplextableau (Endtableau):
cj 6 9 M M M M
6 λ1 1 1 1
M s2 −1 1 0
9 λ2 1 0 1 1
M s4 0 −1 1 0
s5 −1 −1 1 0
c̃j 2M − 6 2M − 9 15
Die dualen Preise einer Nebenbedingung entspricht gerade der Differenz

aus Kosten und reduzierten Kosten der zugehörigen Schlupf-/Hilfsvariable
π1 := cs1 − c̃s1 = −M + 6
π2 := cs2 − c̃s2 = M
π3 := cs3 − c̃s3 = −M + 9
π4 := cs4 − c̃s4 = M
µ := cs5 − c̃s5 = 0
25 / 43
Literatur
Knoten N

Löse RMP(N)
knoten von N
Duale Preise
zu S hinzu
(πi , µ)

nein
Branching
26 / 43
Literatur
Subproblem
Die Aufgabe des Subproblems ist es, fehlende Routen zu identifizieren:
27 / 43
Literatur
Subproblem
Fehlende Routen r sind solche, die den Zielfunktionswert verbessern
→ Route r ∈ Ω ist attraktiv falls ihre reduzierten Kosten c̃r echt
kleiner als 0 sind
→ Aufnahme in die Basis kann(!) den Zielfunktionswert verbessern
27 / 43
Literatur
Subproblem
kleiner als 0 sind
Reduzierten Kosten einer Route sind definiert als:
X
c̃r := cr − cB> B −1 aj = cr − πi aij − µ
i∈N
→ Problem: Route r ist unbekannt

→ Kosten cr und besuchte Kunden aij sind unbekannt
27 / 43
Literatur
Subproblem
kleiner als 0 sind
X
i∈N

Routen r müssen zulässig sein, d.h. r ∈ Ω
27 / 43
Literatur
Subproblem
kleiner als 0 sind
X
i∈N

Routen r müssen zulässig sein, d.h. r ∈ Ω
⇒ Optimierungsproblem: Finde eine zulässige Route r (d.h. bestimme
cr und aij ) mit möglichst kleinen reduzierten Kosten bei gegebenem πi
und µ
min c̃r
r ∈Ω
27 / 43
Literatur
Subproblem
X X
zSub = min cij xij − πi yi − µ (1)
(i,j)∈A i∈N
X X
so dass xji = xij = yi für alle i ∈ N (2)
(j,i)∈δ − (i) (i,j)∈δ + (i)
X
x0j = 1 (3)
(0,j)∈δ + (0)
ui − uj + Qxij ≤ Q − qj für alle (i, j) ∈ A(N) (4)

qi ≤ ui ≤ Q für alle i ∈ N (5)
Ti − Tj + Mij xij ≤ Mij − tij für alle (i, j) ∈ A(N) (6)
ai ≤ Ti ≤ bi für alle i ∈ N, k ∈ K (7)
yi ∈ {0, 1} für alle i ∈ N (8)
xij ∈ {0, 1} für alle (i, j) ∈ A (9)
28 / 43
Literatur
Subproblem
X X
zSub = min cij xij − πi yi − µ (1)
(i,j)∈A i∈N
X X
so dass xji = xij = yi für alle i ∈ N (2)
(j,i)∈δ − (i) (i,j)∈δ + (i)
X
x0j = 1 (3)
(0,j)∈δ + (0)
ui − uj + Qxij ≤ Q − qj für alle (i, j) ∈ A(N) (4)

qi ≤ ui ≤ Q für alle i ∈ N (5)
Ti − Tj + Mij xij ≤ Mij − tij für alle (i, j) ∈ A(N) (6)
ai ≤ Ti ≤ bi für alle i ∈ N, k ∈ K (7)
yi ∈ {0, 1} für alle i ∈ N (8)
xij ∈ {0, 1} für alle (i, j) ∈ A (9)
Nebenbedingungen (2)–(9) entsprechen Nebenbedingungen (3)–(10) der
3-Index Formulierung bis auf das Entfernen des Index k.
Das Subproblem ist ein elementares Kürzeste-Wege-Problem mit
Ressourcenbeschränkung. Es ist NP-schwer.
28 / 43
Literatur
Subproblem
Unser Beispiel:
Erinnerung: π1 = −M + 6, π2 = M, π3 = −M + 9, π4 = M, µ = 0
Optimale Lösung (z.B. mit MIP Solver ermittelt):
→ zSub = 5 − 2M < 0
→ y2∗ = y4∗ = 1; x02
∗ ∗
= x24 ∗
= x40 = 1; u2∗ = 2; u4∗ = 3; T2∗ = 4; T4∗ = 5
→ alle anderen Variablen: Wert 0
29 / 43
Literatur
Subproblem
Unser Beispiel:
→ zSub = 5 − 2M < 0
→ y2∗ = y4∗ = 1; x02
∗ ∗
= x24 ∗
= x40 = 1; u2∗ = 2; u4∗ = 3; T2∗ = 4; T4∗ = 5
Bemerkungen:
Wird eine Route mit negativen reduzierten Kosten gefunden
→ Füge diese dem RMP hinzu (→ folgende Folien)
Existiert keine Route mit c̃r < 0
→ RMP ist optimal gelöst
29 / 43
Literatur
Subproblem
Unser Beispiel:
→ zSub = 5 − 2M < 0
→ y2∗ = y4∗ = 1; x02
∗ ∗
= x24 ∗
= x40 = 1; u2∗ = 2; u4∗ = 3; T2∗ = 4; T4∗ = 5
Bemerkungen:
Es ist nicht nötig, eine Route mit minimalen c̃r zu identifizieren
29 / 43
Literatur
Subproblem
Unser Beispiel:
→ zSub = 5 − 2M < 0
→ y2∗ = y4∗ = 1; x02
∗ ∗
= x24 ∗
= x40 = 1; u2∗ = 2; u4∗ = 3; T2∗ = 4; T4∗ = 5
Bemerkungen:
Anstatt nur eine neue Route zum RMP hinzuzufügen, können auch
mehrere (oder alle) Routen mit negativen reduzierten Kosten hinzugefügt
werden.
29 / 43
Literatur
Subproblem
Unser Beispiel:
→ zSub = 5 − 2M < 0
→ y2∗ = y4∗ = 1; x02
∗ ∗
= x24 ∗
= x40 = 1; u2∗ = 2; u4∗ = 3; T2∗ = 4; T4∗ = 5
Bemerkungen:
Anstatt nur eine neue Route zum RMP hinzuzufügen, können auch
mehrere (oder alle) Routen mit negativen reduzierten Kosten hinzugefügt
werden.
Das Subproblem lässt sich effizienter mit einem Labeling Algorithmus
lösen. (→ Kapitel 3.3)
29 / 43
Literatur
Knoten N

Löse RMP(N)
knoten von N
Duale Preise
zu S hinzu
(πi , µ)
Konstruiere Routen R mit ja Löse Subproblem SP(πi , µ)

negativen reduzierten Ko- z(SP(πi , µ)) < 0 ?
sten
nein
Branching
30 / 43
Literatur
Konstruktion von Routen für das RMP

Für das RMP sind folgende Eigenschaften einer Route r ∈ Ω relevant:
cr Kosten der Route
air Anzahl der Besuche von Kunden i in Route r
31 / 43
Literatur

cr Kosten der Route
Diese Informationen können einfach aus der Lösung des Subproblems

extrahiert werden. Sei (x ∗ , y ∗ , u ∗ , T ∗ ) die optimale Lösung des
Subproblems, dann gilt: X
cr = cij xij∗
(i,j)∈A
und
air = yi∗ für alle i ∈ N und a|N|+1,r = 1
31 / 43
Literatur

cr Kosten der Route
Diese Informationen können einfach aus der Lösung des Subproblems

extrahiert werden. Sei (x ∗ , y ∗ , u ∗ , T ∗ ) die optimale Lösung des
Subproblems, dann gilt: X
cr = cij xij∗
(i,j)∈A
und
air = yi∗ für alle i ∈ N und a|N|+1,r = 1
0
Die neue Spalte ar im aktuellen Simplextableau des RMP kann
berechnet werden als:
0
ar := (B −1 · (a1r , . . . , a|N|,r , a|N|+1,r )> )
31 / 43
Literatur
Unser Beispiel:
Die Lösung des Subproblems war:
→ zSub = 5 − 2M < 0
→ y2∗ = y4∗ = 1; x02
∗ ∗
= x24 ∗
= x40 = 1; u2∗ = 2; u4∗ = 3; T2∗ = 4; T4∗ = 5
32 / 43
Literatur
Unser Beispiel:
→ zSub = 5 − 2M < 0
→ y2∗ = y4∗ = 1; x02
∗ ∗
= x24 ∗
= x40 = 1; u2∗ = 2; u4∗ = 3; T2∗ = 4; T4∗ = 5
Die zugehörige Routenvariable λ3 ist dann gegeben durch:
∗ ∗ ∗
→ c3 = 2x02 + 1x24 + 2x40 = 5 und
→ a23 = y2 = 1, a43 = y4∗ = 1, a13 = a33 = 0 und a53 = 1
∗
32 / 43
Literatur
Unser Beispiel:
→ zSub = 5 − 2M < 0
→ y2∗ = y4∗ = 1; x02
∗ ∗
= x24 ∗
= x40 = 1; u2∗ = 2; u4∗ = 3; T2∗ = 4; T4∗ = 5
Die zugehörige Routenvariable λ3 ist dann gegeben durch:
∗ ∗ ∗
→ c3 = 2x02 + 1x24 + 2x40 = 5 und
→ a23 = y2 = 1, a43 = y4∗ = 1, a13 = a33 = 0 und a53 = 1
∗
Die Spalte im aktuellen Simplextableau des RMP lautet:

     
1 0 0 0 0 0 0
0
−1 1 0 0 0 1 1
a3 = 0 0 1 0 0 · 0 = 0
     
0 0 −1 1 0 1 1
−1 0 −1 0 1 1 1
32 / 43
Literatur

Unser Beispiel: Um neue Spalte erweitertes Simplextableau
1. Simplextableau in 2. RMP-Iteration
cj 6 9 5 M M M M
cB xB λ1 λ2 λ3 s1 s2 s3 s4 s5 b0
6 λ1 1 0 1 0 1
M s2 1 −1 1 0 0
9 λ2 1 0 0 1 1
M s4 1 0 −1 1 0
0 s5 1 −1 −1 1 0
c̃j 2M − 6 2M − 9 15
33 / 43
Literatur

cj 6 9 5 M M M M
6 λ1 1 0 1 0 1
M s2 1 −1 1 0 0
9 λ2 1 0 0 1 1
M s4 1 0 −1 1 0
0 s5 1 −1 −1 1 0
c̃j 5 − 2M 2M − 6 2M − 9 15
33 / 43
Literatur

cj 6 9 5 M M M M
6 λ1 1 0 1 0 1
M s2 1 −1 1 0 0
9 λ2 1 0 0 1 1
M s4 1 0 −1 1 0
0 s5 1 −1 −1 1 0
c̃j 5 − 2M 2M − 6 2M − 9 15
33 / 43
Literatur

cj 6 9 5 M M M M
6 λ1 1 0 1 0 1
M s2 1 −1 1 0 0
9 λ2 1 0 0 1 1
M s4 1 0 −1 1 0
0 s5 1 −1 −1 1 0
c̃j 5 − 2M 2M − 6 2M − 9 15
2. Simplextableau in 2. RMP-Iteration:
cj 6 9 5 M M M M
6 λ1 1 1 0 0 1
5 λ3 1 −1 1 0 0
9 λ2 1 0 0 1 1
M s4 1 −1 −1 1 0
0 s5 0 −1 −1 1 0
c̃j −1 2M − 5 2M − 9 15 33 / 43
Literatur

Unser Beispiel:
cj 6 9 5 M M M M
6 λ1 1 1 1 −1 1
5 λ3 1 0 −1 1 0
9 λ2 1 0 1 0 1
M s1 1 −1 −1 1 0
0 s5 −1 −1 0 1 0
c̃j 2M − 6 2M − 10 1 15
34 / 43
Literatur

Unser Beispiel:
cj 6 9 5 M M M M
6 λ1 1 1 1 −1 1
5 λ3 1 0 −1 1 0
9 λ2 1 0 1 0 1
M s1 1 −1 −1 1 0
0 s5 −1 −1 0 1 0
c̃j 2M − 6 2M − 10 1 15
Duale Preise:
π1 := cs1 − c̃s1 =M
π2 := cs2 − c̃s2 = −M + 6
π3 := cs3 − c̃s3 = −M + 10
π4 := cs4 − c̃s4 =M −1
µ := cs5 − c̃s5 =0
34 / 43
Literatur

Unser Beispiel:
cj 6 9 5 M M M M
6 λ1 1 1 1 −1 1
5 λ3 1 0 −1 1 0
9 λ2 1 0 1 0 1
M s1 1 −1 −1 1 0
0 s5 −1 −1 0 1 0
c̃j 2M − 6 2M − 10 1 15
(Eine) Optimale Lösung des Subproblems:

Duale Preise:
zSub = 7 − 2M < 0
π1 := cs1 − c̃s1 =M
y1∗ = y4∗ = 1; x04
∗ ∗
= x41 ∗
= x10 = 1;
π2 := cs2 − c̃s2 = −M + 6 ∗ ∗ ∗ ∗
u1 = 5; u4 = 1; T1 = 4; T4 = 2,
π3 := cs3 − c̃s3 = −M + 10
alle anderen Variablen: Wert 0
π4 := cs4 − c̃s4 =M −1
zugehörige Route λ4 :
µ := cs5 − c̃s5 =0
c4 = 6, a14 = a44 = a54 = 1, a24 = a34 = 0
34 / 43
Literatur
Beispiel – Weiterer Verlauf des Verfahrens

Duale Preise neue Spalte
Iter. π1 π2 π3 π4 µ # cr a1r a2r a3r a4r a5r
3 M-3 9-M M 9-M 0 5 4 0 0 1 0 1
4 6 5 9 5 -5 6 10 0 1 1 1 1
5 4 3 5 3 -1 zSub ≥0
35 / 43
Literatur

3 M-3 9-M M 9-M 0 5 4 0 0 1 0 1
4 6 5 9 5 -5 6 10 0 1 1 1 1
5 4 3 5 3 -1 zSub ≥0
Endtableau in 5. Iteration: (zum Nachrechnen)
cj 6 9 5 6 4 10 M M M M
cB xB λ1 λ2 λ3 λ4 λ5 λ6 s1 s2 s3 s4 s5 b0
6 λ1 1 − 12 0 0 0 0 1
2
1
2
0 − 12 0 1
2
1 1
6 λ4 0 2
0 1 0 0 2
− 12 0 1
2
0 1
2
1
4 λ5 0 2
0 0 1 0 − 12 − 12 0 1
−2 1 1
2
1 1 1 1 1
10 λ6 0 2
0 0 0 1 2 2
1 2
−1 2
5 λ3 0 0 1 0 0 0 −1 0 −1 0 1 0
c̃j 2 M −4 M −3 M −5 M −3 1 13
35 / 43
Literatur

3 M-3 9-M M 9-M 0 5 4 0 0 1 0 1
4 6 5 9 5 -5 6 10 0 1 1 1 1
5 4 3 5 3 -1 zSub ≥0
Endtableau in 5. Iteration: (zum Nachrechnen)
cj 6 9 5 6 4 10 M M M M
cB xB λ1 λ2 λ3 λ4 λ5 λ6 s1 s2 s3 s4 s5 b0
6 λ1 1 − 12 0 0 0 0 1
2
1
2
0 − 12 0 1
2
1 1
6 λ4 0 2
0 1 0 0 2
− 12 0 1
2
0 1
2
1
4 λ5 0 2
0 0 1 0 − 12 − 12 0 1
−2 1 1
2
1 1 1 1 1
10 λ6 0 2
0 0 0 1 2 2
1 2
−1 2
5 λ3 0 0 1 0 0 0 −1 0 −1 0 1 0
c̃j 2 M −4 M −3 M −5 M −3 1 13
Lösung:
λ∗1 = λ∗4 = λ∗5 = λ∗6 = 12 , alle anderen Variablen: Wert 0.
35 / 43
Literatur
Knoten N

Löse RMP(N)
knoten von N
Duale Preise
zu S hinzu
(πi , µ)

nein
Branching
36 / 43
Literatur
Branching
Ist die optimale Lösung λ∗r des RMP nicht ganzzahlig, muss
Ganzzahligkeit mittels Branch-&-Bound hergestellt werden.
37 / 43
Literatur
Branching
Ein direktes Verzweigen auf den λr -Variablen ist nicht geschickt
1 Entscheidung λr = 1 sehr stark, λr = 0 sehr schwach
→ Unausgeglichener Branch-&-Bound Baum
2 Im Subproblem schwer einzuhalten
37 / 43
Literatur
Branching
→ Verzweige auf den (aggregierten) Bogenvariablen xij = k∈K xijk

P
des Ursprungsproblems
37 / 43
Literatur
Branching
→ Verzweige auf den (aggregierten) Bogenvariablen xij = k∈K xijk

P
des Ursprungsproblems
Dazu wird aus der Lösung λ∗r ein Supportgraph erstellt, in dem die
Routenvariablen λr zurück in die aggregierten Bogenvariablen xij
des Ursprungsproblems übersetzt werden.
Verzweigen auf einer Variable xij mit nicht-ganzzahligem Wert
→ z.B. Wert am nächsten bei 0,5
→ Zwei Kinderknoten: xij = 0 bzw. xij = 1
37 / 43
Literatur
Branching – Supportgraph
Unser Beispiel:
Optimale Lösung der LP-Relaxation: λ∗1 = λ∗4 = λ∗5 = λ∗6 = 1
2
Korrespondierende Routen:
λ1 =
ˆ (0-1-2-0); λ4 =
ˆ (0-1-4-0); λ5 =
ˆ (0-3-0); λ6 =
ˆ (0-4-2-3-0)
38 / 43
Literatur
Unser Beispiel:
2
λ1 =
ˆ (0-1-2-0); λ4 =
ˆ (0-1-4-0); λ5 =
ˆ (0-3-0); λ6 =
ˆ (0-4-2-3-0)
Supportgraph: 1
+ 12 = 1
2
1
2
[1,4] [3,9]
1 3
1
2
+ 12 = 1 1
2
1
1 2 1
[0,11] 2 2
2 4
1
Gegeben 2
[4,5] 1 [2,9]
Depot 2
Kunden mit Nachfragen und Zeitfenstern [ ] 1
Fahrzeuge mit Kapazität Q = 6 2
1
2
Werte der Bogenvariablen
38 / 43
Literatur
Unser Beispiel:
2
λ1 =
ˆ (0-1-2-0); λ4 =
ˆ (0-1-4-0); λ5 =
ˆ (0-3-0); λ6 =
ˆ (0-4-2-3-0)
Supportgraph: 1
+ 12 = 1
2
1
2
[1,4] [3,9]
1 3
1
2
+ 12 = 1 1
2
1
1 2 1
[0,11] 2 2
2 4
1
Gegeben 2
[4,5] 1 [2,9]
Depot 2
Kunden mit Nachfragen und Zeitfenstern [ ] 1
Fahrzeuge mit Kapazität Q = 6 2
1
2
Werte der Bogenvariablen
⇒ Verzweige (z.B.) auf x12

38 / 43
Literatur
Knoten N

Löse RMP(N)
knoten von N
Duale Preise
zu S hinzu
(πi , µ)

nein
Branching
39 / 43
Literatur
Konstruktion des RMPs nach Branching

Im RMP und im Subproblem müssen die im aktuellen Knoten
gültigen Branchingentscheidungen beachten werden.
40 / 43
Literatur

Hier: Eine Branchingentscheidung erzwingt oder verbietet einen
Bogen
→ Kann durch Verwendung einer verkleinerten Bogenmenge
A0 ⊂ A umgesetzt werden:
40 / 43
Literatur

Bogen
xij =0 Entferne den Bogen (i, j) aus A0
40 / 43
Literatur

Bogen
xij =1 Entferne Bögen (i, k) für k 6= j und (h, j) für h 6= i aus A0
40 / 43
Literatur

Bogen
→ Die zweite Implikation folgt, weil jeder Knoten exakt einmal
besucht wird und daher kein anderer der ausgehenden
(eingehenden) Bögen des Knotens i (j) den Wert 1 annehmen
darf.
40 / 43
Literatur

Bogen
→ Die zweite Implikation folgt, weil jeder Knoten exakt einmal
besucht wird und daher kein anderer der ausgehenden
(eingehenden) Bögen des Knotens i (j) den Wert 1 annehmen
darf.
Implementierung der Branchingentscheidungen:
→ Entferne alle Routen aus dem RMP, die ausgeschlossene Bögen
nutzen
→ Löse das Subproblem über der reduzierten Bogenmenge A0
40 / 43
Literatur

Unser Beispiel: (Knoten N1 )
Routen im RMP: λ1 = ˆ (0-1-2-0); λ2 =
ˆ (0-3-4-0);λ3 =
ˆ (0-2-4-0);λ4
=
ˆ (0-1-4-0); λ5 =
ˆ (0-3-0); λ6 =
ˆ (0-4-2-3-0)
Branchingentscheidung x12 = 0 ⇒ Entferne Route λ1
Erstes Simplextableau:
cj 9 5 6 4 10 M M M M
cB xB λ2 λ3 λ4 λ5 λ6 s1 s2 s3 s4 s5 b0
M s1 0 0 1 0 0 1 1
M s2 0 1 0 0 1 1 1
M s3 1 0 0 1 1 1 1
M s4 1 1 1 0 1 1 1
0 s5 1 1 1 1 1 1 2
c̃j 9 − 2M 5 − 2M 6 − 2M 4−M 10 − 3M 4M
ˆ (0 − 1 − 0) mit c7 = 4
Neu generierte Routen: λ7 =
Optimale Lösung der LP-Relaxation: λ∗6 = λ∗7 = 1 (ganzzahlig!)
mit Zielfunktionswert 14
41 / 43
Literatur

Unser Beispiel: (Knoten N2 )
Routen im RMP: λ1 = ˆ (0-1-2-0); λ2 =
ˆ (0-3-4-0);λ3 =
ˆ (0-2-4-0);λ4
=
ˆ (0-1-4-0); λ5 =
ˆ (0-3-0); λ6 =
ˆ (0-4-2-3-0)
Branchingentscheidung x12 = 1 ⇒ Entferne Routen λ3 , λ4 und λ6
Erstes Simplextableau:
cj 6 9 4 M M M M
M s1 1 0 0 1 1
M s2 1 0 0 1 1
M s3 0 1 1 1 1
M s4 0 1 0 1 1
0 s5 1 1 1 1 2
c̃j 6 − 2M 9 − 2M 4−M 4M
ˆ (0 − 4 − 0) mit c8 = 4
Neu generierte Routen: λ8 =
Optimale Lösung der LP-Relaxation: λ∗1 = λ∗2 = 1 (ganzzahlig!)
mit Zielfunktionswert 15
42 / 43
Literatur
Branch-&-Bound Baum – Beispiel

N0
LB = 13
x12 = 0 x12 = 1
N1 N2
UB = 14 UB = 15
Das Branch-&-Price Verfahren endet nach dem Abarbeiten der beiden

Kinderknoten N1 und N2 , da beide ganzzahlige Lösungen haben.
Die optimale Lösung des Beispiels ist damit die Lösung von Knoten
N1 mit Zielfunktionswert 14. 1
[1,4] [3,9]
1 3
1
1
1
[0,11]
2 4
1
[4,5] [2,9]
1 43 / 43
Literatur
[Desaulniers u. a. 2014] Desaulniers, G. ; Madsen, O. B. G. ; Ropke, S.:

Chapter 5: The Vehicle Routing Problem with Time Windows. In: Toth, P.
(Hrsg.) ; Vigo, D. (Hrsg.): Vehicle Routing. Philadelphia, PA : Society for
Industrial and Applied Mathematics, 2014, S. 119–159
[Kallehauge u. a. 2005] Kallehauge, B. ; Larsen, J. ; Madsen, O. B. G. ;
Solomon, M. M.: Vehicle Routing Problem with Time Windows. In:
Desaulniers, Guy (Hrsg.) ; Desrosiers, Jacques (Hrsg.) ; Solomon, Marius M.
(Hrsg.): Column Generation. Springer-Verlag, 2005, S. 67–98
43 / 43

Kap3 2-BaP

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Kap3 2-BaP

Hochgeladen von

Copyright:

Verfügbare Formate

Kapitel 3: Exakte Lösung von VRPs

Folien zur Vorlesung1

Prof. Timo Gschwind, Prof. Stefan Irnich, Dr. Christian Tilk

Kapitel 3.2: Column Generation und

(Desaulniers u. a., 2014)

Wiederholung: VRP with Time Windows

Wiederholung: VRP with Time Windows

Gesucht: Eine Menge von Fahrzeugrouten, so dass

3-Index Formulierung – Notation

3-Index Formulierung – Notation

3-Index Formulierung – Modell

uik − ujk + Qxijk ≤ Q − qj für alle (i, j) ∈ A(N), k ∈ K (5)

3-Index Formulierung – Modell

(1) Minimiere die gesamten Routingkosten

3-Index Formulierung – Eigenschaften

Eigenschaften der Formulierung:

3-Index Formulierung – Eigenschaften

Eigenschaften der Formulierung:

3-Index Formulierung – Eigenschaften

Eigenschaften der Formulierung:

λkr ∈ {0, 1} für alle k ∈ K , r ∈ Ωk

Aggregierte Problemformu- Definition der aggregierten Routenvariablen:

Eigenschaften der Formulierung:

Eigenschaften der Formulierung:

Erinnerung: Branch-&-Bound – Schema

Konstruiere initales LP(N)

Erinnerung: Branch-&-Bound – Schema

Konstruiere initales LP(N)

Column Generation Konstruiere initales RMP(N)

Konstruiere Routen R mit ne- ja Löse Subproblem SP(πi , µ)

Column Generation Konstruiere

Konstruiere Routen R mit ne- ja Löse Subproblem SP(πi , µ)

Restricted Master Problem (RMP)

Das Restricted Master Problem (RMP) ist die LP-Relaxation der

Restricted Master Problem (RMP)

Das Restricted Master Problem (RMP) ist die LP-Relaxation der

λr ≥ 0 für alle r ∈ Ω̄ (4)

Restricted Master Problem (RMP)

Das Restricted Master Problem (RMP) ist die LP-Relaxation der

λr ≥ 0 für alle r ∈ Ω̄ (4)

Initialisierung der Teilmenge Ω̄: Zum Beispiel mit heuristischer Lösung.

Restricted Master Problem (RMP) – Beispiel

Restricted Master Problem (RMP) – Beispiel

Restricted Master Problem (RMP) – Beispiel

Initiales RMP mit Touren aus heuristischer Lösung: siehe Tafel!

Restricted Master Problem (RMP) – Beispiel

Initiales RMP mit Touren aus heuristischer Lösung: siehe Tafel!

min 6λ1 +9λ2

Column Generation Konstruiere initales RMP(N)

Konstruiere Routen R mit ne- ja Löse Subproblem SP(πi , µ)

Lösung des RMPs und Duale Preise

Einschub: Simplexalgorithmus bei Minimierungsproblem

Lösung des RMPs und Duale Preise

Einschub: Simplexalgorithmus bei Minimierungsproblem

Definition (Standardproblem der LP bei Minimierung)

Lösung des RMPs und Duale Preise

Einschub: Simplexalgorithmus bei Minimierungsproblem

Lösung des RMPs und Duale Preise

Einschub: Simplexalgorithmus bei Minimierungsproblem

Lösung des RMPs und Duale Preise

Einschub: Simplexalgorithmus bei Minimierungsproblem

Lösung des RMPs und Duale Preise

Einschub: Simplexalgorithmus bei Minimierungsproblem