Ein Simulated Annealing-Verfahren für das Standardproblem der Tourenplanung mit Zeitfensterrestriktionen

Größe: px
Ab Seite anzeigen:

Download "Ein Simulated Annealing-Verfahren für das Standardproblem der Tourenplanung mit Zeitfensterrestriktionen"

Transkript

1 Ein Simulated Annealing-Verfahren für das Standardproblem der Tourenplanung mit Zeitfensterrestriktionen Jörg Homberger und Hermann Gehring Fachbereich Wirtschaftswissenschaft, FernUniversität Hagen, BR Deutschland Zusammenfassung Der Beitrag stellt ein Simulated Annealing-Verfahren zur Lösung des um Zeitfensterrestriktionen erweiterten Standardproblems vor. Die Zielfunktion berücksichtigt zwei Zielkriterien, die Minimierung der Fahrzeuganzahl als primäres und die Minimierung der Gesamtentfernung als sekundäres Kriterium. In der ersten Stufe eines zweistufigen Verfahrensansatzes wird daher zunächst ohne Berücksichtigung der Gesamtentfernung ein Tourenplan mit minimaler Fahrzeuganzahl berechnet. Von diesem Tourenplan ausgehend wird dann in der zweiten Stufe die von den Fahrzeugen zurückzulegende Gesamtentfernung minimiert. Der Focus des Beitrags liegt auf den in der ersten Verfahrensstufe getroffenen problembezogenen Entwurfsentscheidungen, die insbesondere die verwendeten Nachbarschaftsstrukturen und die entwickelte Kostenfunktion betreffen. Zur Bewertung des entwickelten Simulated Annealing-Verfahrens werden einschlägige Benchmarkprobleme von SOLOMON (1987) berechnet und die Ergebnisse mit den besten bekannten Lösungen verglichen. 1 Einführung und Problemformulierung Im Rahmen der Tourenplanung werden Problemstellungen untersucht, bei denen Auslieferungs- oder Sammelaufträge zu effizienten Fahrzeugtouren zusammenzufassen sind. Nachfolgend wird das um Zeitfensterrestriktionen erweiterte Standardproblem der Tourenplanung betrachtet, das auch als "Vehicle Routing Problem with Time Windows" (VRPTW) bezeichnet wird. Das VRPTW läßt sich wie folgt beschreiben (vgl. DOMSCHKE 1997): Innerhalb einer Planungsperiode sind von einem Depot aus n Kunden mit Fahrzeugen derselben Fahrzeugkapazität zu bedienen. Für jeden Kunden sind ein Bedarf, eine Bedienungsdauer und ein Zeitfenster gegeben. Der Bedarf eines Kunden ist durch genau eine Bedienung innerhalb des Kundenzeitfensters zu decken. Jedes Fahrzeug darf innerhalb der Planungsperiode nur einmal eingesetzt werden. Der früheste mögliche Abfahrzeitpunkt vom Depot sowie der späteste Zeitpunkt, zu dem ein Fahrzeug das Depot wieder erreicht haben muß, sind ebenfalls vorgegeben. Die Standorte des Depots und der Kunden sowie die kürzesten Entfernungen und die entsprechenden Fahrzeiten zwischen den einzelnen Kunden und zwischen dem Depot und den Kunden seien als bekannt vorausgesetzt. Als Optimierungsziel wird in der Literatur in der Regel mit erster Priorität die Minimierung der Fahrzeuganzahl und mit zweiter Priorität die Minimierung der von den Fahrzeugen zurückzulegende Gesamtentfernung zugrundegelegt (vgl. SOLOMON 1987). Das VRPTW ist ein kombinatorisches Optimierungsproblem, das aufgrund seiner Komplexität der Klasse der NP-schweren Problemen zuzuordnen ist (vgl. LENSTRA und RINNOY KAN 1981). In den letzten Jahren konnten mit sogenannten "modernen heuristischen Suchverfahren", wie z.b. Evolutionsstrategien (vgl. HOMBERGER 1997) und Tabu Search (vgl. TAILLARD et al. 1996), bereits gute Ergebnisse erzielt werden. Im Rahmen dieses Beitrags wird ein Simulated Annealing-Verfahren für das VRPTW vorgestellt. Der Fokus liegt auf der Beantwortung der Fragestellung, wie mit einem Nachbarschaftssuchverfahren die Fahrzeuganzahl eines Tourenplans systematisch reduziert werden kann? Zur Bewertung des entwickelten Simulated Annealing-Verfahrens werden einschlägige Benchmarkprobleme von SOLOMON (1987) berechnet und die Ergebnisse mit den besten bekannten Lösungen verglichen.

2 2 Simulated Annealing-Verfahren Der Ansatz, kombinatorische Optimierungsprobleme mit Simulated Annealing (SA) zu lösen, wurde unabhängig voneinander von KIRKPATRICK et al. (1983) und CERNY (1985) entwickelt. SA basiert auf der Grundlage des von METROPOLIS et al. (1953) entwickelten Algorithmus zur Simulation der Abkühlung von Festkörpern. Ausgehend von einer Startlösung wird im Rahmen des SA eine stochastische Nachbarschaftssuche durchgeführt. Zu diesem Zweck wird in jeder Iteration aus der Nachbarschaft N(S) der aktuellen Lösung S eine Nachbarlösung S' N(S) zufällig ausgewählt. Die Entscheidung, ob S' als Folgelösung akzeptiert wird, d.h. die Suche von der ausgewählten Nachbarlösung S' weitergeführt wird, hängt von den Kosten C(S) und C(S') der Lösungen ab. Die Nachbarlösung S' wird in jedem Fall akzeptiert, falls sie eine Verbesserung gegenüber S darstellt, d.h. niedrigere Kosten als S aufweist. Hingegen wird die Nachbarlösung S' nur mit einer Wahrscheinlichkeit akzeptiert, falls S' mit höheren Kosten als S bewertet wird. Die Wahrscheinlichkeit P = EXP(- C/T) eine schlechtere Lösung zu akzeptieren ist von der Kostendifferenz C = C(S') C(S) und dem als "Temperatur" T bezeichneten Verfahrensparameter abhängig. Der Verfahrensparameter T wird während der Suche entsprechend einem sogenannten "Kühlplan" variiert. Häufig wird eine geometrische Funktion α(t) = at, a < 1, zur Reduktion der Temperatur herangezogen. Die pro Temperatur durchzuführende Anzahl an Iterationen nrep wird gewöhnlich in Abhängigkeit der Problemgöße festgelegt. Die Entwicklung eines Simulated Annealing-Verfahrens für ein bestimmtes kombinatorisches Optimierungsproblem erfordert zum einen problemspezifische Entwurfsentscheidungen, insbesondere die Definition einer Nachbarschaftsstruktur und die Wahl einer geeigneten Kostenfunktion, sowie zum anderen generische Entwurfsentscheidungen wie z.b. die Festlegung der Starttemperatur und die Wahl eines geeigneten Kühlplans (vgl. REEVES 1993). 3 Entwickeltes Simulated Annealing-Verfahren für das VRPTW Den meisten der in der Literatur diskutierten Lösungsverfahren liegen Ansätze zugrunde, bei denen gleichzeitig die Fahrzeuganzahl und die von den Fahrzeugen zurückzulegende Gesamtentfernung minimiert wird (vgl. POTVIN und BENGIO 1996, TAILLARD et al sowie CHIANG und RUSSELL 1996). Wie RETZKO (1995) zeigt, wächst die von den Fahrzeugen zurückzulegende Gesamtentfernung, falls die Zahl der eingesetzten Fahrzeuge unter einen bestimmten Wert weiter reduziert wird. Aus diesem Grunde kann umgekehrt - ausgehend von einem gegebenen Tourenplan - die Suche nach einem Tourenplan mit einer geringeren Fahrzeuganzahl durch das gleichzeitige Verfolgen des Ziels der Verringerung der Gesamtentfernung erschwert werden. Daher wird nachfolgend ein zweiphasiger Verfahrensansatz gewählt. Während in der ersten Phase zunächst versucht wird, ohne Berücksichtigung der Gesamtentfernung einen zulässigen Tourenplan mit einer minimalen Fahrzeuganzahl zu berechnen, wird ausgehend von der in der ersten Phase berechneten Lösung in der sich anschließenden zweiten Phase die von den Fahrzeugen zurückzulegende Gesamtentfernung minimiert. Den beiden Phasen des entwickelten Simulated Annealing-Verfahrens liegen jeweils unterschiedliche Entwurfsentscheidungen zugrunde. Im Rahmen dieses Beitrags wird im wesentlichen auf die problemspezifischen Entwurfsentscheidungen der ersten Phase eingegangen. Zu Beginn des Verfahrens wird mit Hilfe des Savingsverfahren von CLARKE und WRIGHT (1964) eine zulässige Startlösung für die nachfolgende Nachbarschaftssuche berechnet. Für die iterative Berechnung von Nachbarlösungen während der ersten Phase wird hier das komplexere Konzept des "Compound-Move" verwendet. Compound-Moves setzen sich aus verschiedenen einfachen Move-Operatoren zusammen. Nach GLOVER (1991) und OSMAN (1993) stellen sie ein besonders effektives Konzept dar. Im gegebenen Fall werden zwei einfache Move-Operatoren in einen Compound-Move einbezogen: 1. Ein aus der Menge MoveSet = {Or-Opt-Move, 2Opt*-Move, 1-Single-Interchange-Move} zufällig ausgewählter Move-Operator.

3 2. Ein modifizierter Or-Opt-Move, der dem Ziel der Verringerung der Fahrzeuganzahl durch weitestgehende Auflösung einer Tour dient. Die Operatoren der Menge MoveSet gehen auf folgende Autoren zurück: Dem Or-Opt-Move liegt ein Tauschkonzept von OR (1976) zugrunde. Explizit unter der Bezeichnung "Move" führten OSMAN (1993) den 1-Single-Interchange-Move und POTVIN et al. (1996) den 2Opt*-Move ein. Ausgehend von einem zulässigen Tourenplan tp wird eine zulässige Nachbarlösung in zwei Schritten berechnet. Im ersten Schritt wird mit Hilfe eines aus der Menge MoveSet zufällig gewählten Move-Operators eine zulässige Nachbarlösung tp' berechnet. Exemplarisch sei nachfolgend der Or-Opt-Move kurz beschrieben. Ein Or-Opt-Move faßt eine Ausfüge- und eine Einfügeoperation zusammen. Mittels dieser Operationen wird eine Sequenz von einem oder mehreren Kunden aus einer Tour t eines Tourenplans tp ausgefügt und anschließend an einer anderen Stelle von tp wieder eingefügt. Im Falle nur eines Kunden gilt: Ein Kunde i* wird aus der ihm bedienenden Tour t = (0,..., i*-, i*, i*+,..., 0) ausgeführt, indem die verbleibenden Kunden der Tour t unter Ausschluß des Kunden i* in der ursprünglichen Reihenfolge bedient werden. Die um den Kunden i* reduzierte Tour t 1 lautet dann: t 1 = (0,..., i*-, i*+,..., 0). Handelt es sich bei der Tour t um eine Pendeltour, d.h. das Fahrzeug bedient ausschließlich den Kunden i*, so wird der Kunde i* aus der Tour t ausgefügt, indem die Tour t aufgelöst wird. Ein ausgeführter Kunde i* wird in eine Tour t 2 des Tourenplans eingefügt, indem die Tour t 2 nur die Bedienung des Kunden i* erweitert wird. Wird die Einfügestelle durch zwei aufeinanderfolgende Orte (j, j+) bezeichnet, so gilt: t 2 = (0,..., j, j+,..., 0). Durch das Einfügen des Kunden i* ergibt sich die Tour t 3 = (0,..., j, i*, j+,..., 0). Grundsätzlich ist es nicht ausgeschlossen, daß ein Kunde wieder in die Tour eingefügt wird, aus der er ausgeführt wurde. Allerdings kann sich dann die Einfügestelle von der Ausfügestelle unterscheiden. Sowohl die Sequenz der auszufügenden Kunden als auch die Einfügeposition werden, unter Berücksichtigung der Restriktionen, zufällig ausgewählt. Im zweiten Schritt wird aus dem berechneten Tourenplan tp' mittels eines modifizierten Or-Opt- Operators die Nachbarlösung tp'' berechnet. Der modifizierte Or-Opt-Operator zielt auf die Berechnung eines Tourenplans mit einer geringeren Fahrzeuganzahl ab. Zu diesem Zweck wird versucht, diejenige Tour t s tp' des Tourenplans tp' weitestgehend aufzulösen, welche die geringste Anzahl von Kunden aufweist. t s wird nachfolgend auch als "kleinste" Tour bezeichnet. Das Einfügen von Kunden wie folgt präzisiert: Die Kunden der Tour t s werden entsprechend ihrer Bedienungsreihenfolge nacheinander in je eine Tour t t s, t tp' eingefügt, sofern die Restriktionen des VRPTW nicht verletzt werden. Existieren für einen Kunden k t s alternative Einfügestellen (i, i+) in anderen Touren, so sind zwei Fälle zu unterscheiden: Falls ein Index i+ einen Kunden bezeichnet, wird die durch das Einfügen bewirkte Verschiebung der frühestmöglichen Abfahrtszeit bei dem Kunden i+ als Entscheidungskriterium herangezogen. Falls ein Index i+ das Depot bezeichnet, dient dagegen die durch das Einfügen bewirkte Verschiebung der frühest möglichen Ankunftszeit am Depot i+ als Entscheidungskriterium. Existieren mehrere zulässige Einfügestellen mit gleicher minimaler Verschiebezeit, so wird diejenige Einfügestelle gewählt, für die die zusätzlich zu fahrende Strecke ein Minimum annimmt. Sofern kein Kunde der Tour t s wegen drohender Verletzung der Restriktionen in eine andere Tour t t s, t tp', eingefügt werden kann, wird keine Veränderung an tp' vorgenommen. Die "Kosten" eines Tourenplans tp - im weiteren Sinne - können prinzipiell durch den Zielfunktionswert, also in der ersten Phase durch die Fahrzeuganzahl CF(tp), ausgedrückt werden. In dem Fall, daß zwei zu bewertende Tourenpläne die gleiche Fahrzeuganzahl aufweisen, werden beide Tourenpläne auch mit den gleichen Kosten bewertet. Eine Entscheidung, welche Suchrichtung zu präferieren ist, kann in diesem Fall nicht ohne weiteres getroffen werden. Aus diesem Grunde wurden zwei weitere, die Kosten beschreibende Kennzahlen gewählt, welche die Aussicht auf den Erfolg der

4 Einsparung eines weiteren Fahrzeugs mit einbeziehen. Auf diese Weise wird die Suchrichtung im Hinblick auf eine bessere Zielerreichung des primären Zielkriteriums festgelegt. Die beiden zusätzlich entwickelten Kennzahlen beziehen sich auf die kleinste Tour t s eines Tourenplans tp und schätzen auf unterschiedliche Art ab, wie leicht die Tour t s im Zuge der weiteren Suche vollständig aufgelöst werden kann. Als erste, ganz einfache Kennzahl CK(tp) dient die Anzahl der Kunden, die in der Tour t s bedient werden. Unterstellt wird also, daß ein kleiner Wert für CK(tp) die vollständige Auflösung der Tour t s begünstigt. Als zweite Kennzahl CV(tp) wird die hier so bezeichnete "drohende Verletzung der Zeitfensterrestriktionen " berechnet. Mit der Kennzahl wird abgeschätzt, um wieviel Zeiteinheiten die Zeitfensterrestriktionen verletzt werden, falls man die Tour t s vollständig auflösen würde. In dem in Abb. 1 dargestellten Beispiel wird abgeschätzt, um wieviel Zeiteinheiten die Zeitfensterrestriktionen verletzt werden, wenn der Kunde k = 4 der kleinsten Tour zwischen die Orte i = 2 und i+ = 3 eingefügt wird. Geographische Darstellung einer Tour: 2 Legende: ZV 1 ZV Zeitliche Darstellung einer Tour: Zeitfenster Bedienungszeit Wartezeit Bedienungsreihenfolge t 1 t 2 t 4 t 3 sa t Depot Abb. 1. Berechnung von Zeitfensterverletzungen. Nachdem die Kunden 1 und 2 innerhalb ihres Zeitfensters bedient wurden, erreicht das Fahrzeug den eingefügten Kunden k = 4 außerhalb des Bedienungszeitfensters. Die Bedienung des Kunden wird in Bezug auf die spätest zulässigen Beginn der Bedienung um die dargestellte ZV 1 verzögert. Durch Rückwärtsrechnung ausgehend vom Depot läßt sich die späteste Ankunftszeit sa bei dem Kunden i+ = 3 für den Fall berechnen, daß das Fahrzeug gerade noch rechtzeitig zu dem Depot zurückkehrt. Kommt das Fahrzeug jedoch, wie in Abb. 1 angenommen, erst nach dem Zeitpunkt sa an, so ergibt sich eine positive Zeitdifferenz die in der Abb. 1 ebenfalls dargestellte Zeitfensterverletzung ZV 2. Durch Addition der berechneten Zeitfensterverletzungen ZV 1 und ZV 2 erhält man für das Beispiel einen Wert für die drohende Verletzung der Zeitfensterrerstriktionion, falls man die kleinste Tour auflösen würde. Über die Akzeptanz der durch einen Compound Move berechneten Nachbarlösung tp'' wird nun entsprechend der in Abb. 2 dargestellten Vorgehensweise entschieden. Sofern die berechnete Nachbar-

5 lösung tp'' N(tp) bezüglich einer der drei Kennzahlen CF, CK oder CV eine Verbesserung gegenüber der aktuellen Lösung tp darstellt, wird diese als neue aktuelle Lösung akzeptiert und die Suche von tp'' fortgeführt. In dem Fall, daß die Nachbarlösung sowohl einen größeren Wert CK als auch einen größeren Wert CV aufweist, wird die Nachbarlösung nur mit einer, in der Abb. 2 angegebenen Wahrscheinlichkeit akzeptiert. Es sei ergänzend bemerkt, daß sich die Fahrzeuganzahl CF aufgrund der verwendeten Move-Operatoren nicht vergrößern kann. CF := CF(tp'') - CF(tp); CK := CK(tp'') - CK(tp); CV := CV(tp'') - CV(tp); IF ( ( CF < 0) OR ( CK < 0) OR ( CV < 0) ) THEN ELSE Bestimme Zufallszahl R [0,1) IF ( EXP (- CV/ T) > R ) tp := tp''; THEN tp := tp''; ELSE Abb. 2. Akzeptanz einer Nachbarlösung. Was die generischen Entwurfsentscheidungen der ersten Phase anbelangt, sei bemerkt, daß im wesentlichen die Konzepte von VAN LAARHOVEN und AARTS (1987) angewandt werden. Wie einführend bereits beschrieben, wird die Temperatur entsprechend der Funktion α(t) = at reduziert. Die für jede Temperatur durchzuführende Anzahl an Abkühlungsschritten nrep(n) = bn wird in Abhängigkeit der Problemgröße n festgelegt. Die Phase 1 wird abgebrochen, sobald eines der nachfolgenden Stoppkriterien erfüllt ist: (1) Innerhalb von ks Kühlschritten erfolgte keine Auflösung einer Tour. (2) Die Temperatur fällt unter den kritischen Wert T min. (3) Die Auflösung einer weiteren Tour ist aufgrund der begrenzten Ladekapazitäten der Fahrzeuge nicht möglich. Auf die Entwurfsentscheidungen der zweiten Phase wird in diesem Beitrag nicht eingegangen. Hinsichtlich der Problematik, die Gesamtentfernung zu minimieren, sei auch auf die zahlreich in der Literatur vorhandenen Ansätze hingewiesen [vgl. TAILLARD et al und GLOVER 1991]. 3 Evaluierung Nachfolgend wird kurz auf die Festlegung der Verfahrensparameter eingegangen und die erzielte Lösungsqualität beschrieben. Im Rahmen einer durchgeführten Parameterstudie haben sich die in der folgenden Tab. 1 dargestellten Parameterwerte als geeignet herausgestellt. Diese wurden für alle Problemberechnungen beibehalten. T 0 A b ks T min Tab. 1. Parameterwerte. Berechnet wurden die von SOLOMON (1987) beschriebenen 56 Probleminstanzen, die in der Literatur üblicherweise zur Verfahrensbewertung herangezogen werden. Die Ergebnisse wurden mit den besten

6 bekannten Lösungen verglichen. Alle Problemberechnungen wurden auf einem PC (Pentium- Prozessor, 200 MHz) durchgeführt. Mit dem entwickelten Simulated Annealing-Verfahren konnte für 55 Probleminstanzen die jeweils geringste bekannte Fahrzeuganzahl gefunden werden. Andere aus der Literatur bekannten Verfahren ermitteln jeweils für eine geringere Anzahl von Probleminstanzen die bzgl. des primären Zielkriteriums "Fahrzeuganzahl" besten bekannten Lösungen (vgl. Homberger). Der Tab. 2 sind die Werte für die kumulierte Fahrzeuganzahl, die mit den aus der Literatur bekannten Lösungsverfahren berechnet wurden, zu entnehmen. Referenzverfahren Kumulierte Fahrzeuganzahl Kumulierte Gesamtentfernung Homberger und Gehring (1998) / beschriebenes SA Homberger und Gehring (1997) Taillard et al. (1996) Bachem et al. (1997) Rochat und Taillard (1995) Thangiah et al. (1995) Potvin et al. (1996) Chiang und Russell (1996) Potvin und Bengio (1996) Kontoravdis und Bard (1995) Tab. 2. Vergleich kumulierter Ergebnisse für die 56 Problembeispiele von SOLOMON (1987). Um die Robustheit des entwickelten Simulated Annealing-Verfahren zu bewerten, wurde jede Probleminstanz fünf mal berechnet. Jede der fünf Berechnungen einer Probleminstanz wurde mit unterschiedlichen Zufallszahlen durchgeführt. Im folgenden wird die einmalige Berechnung aller Probleminstanzen als Berechnungslauf bezeichnet. In der Tab. 3 werden für den besten und den schlechtesten der fünf Berechnungsläufe die kumulierte Fahrzeuganzahl und die zur Ermittlung der besten Lösungen benötigte mittlere Rechenzeit angegeben. Bester Berechnungslauf Schlechtester Berechnungslauf Kumulierte Fahrzeuganzahl Mittlere Rechenzeit Kumulierte Fahrzeuganzahl Mittlere Rechenzeit sec sec Tab. 3. Vergleich des besten und des schlechtesten Berechnungslaufs. Die skizzierten Ergebnisse zeigen, daß die beschriebene erste Phase des entwickelten Simulated Annealing-Verfahrens gut geeignet ist, für Probleminstanzen des VRPTW Lösungen mit einer geringen Fahrzeuganzahl in kurzer Rechenzeit zu berechnen. Literatur Bachem, A.; Bodmann, M.; Bolz, G.; Emden-Weinert, T.; Erdmann, A.; Kiahaschemi, M.; Monien, B.; Prömel, H. J.; Schepers, J.; Schrader, R.; Schulze, J.; Tschöke, S. (1997): Verbundprojekt PARALOR: Parallele Algorithmen zur Wegeoptimierung in Flugplanung und Logistik. Universität Köln, Angewandte Mathematik und Informatik, Report No , Köln Cerny, V. (1985): Thermodynamical approach to the traveling salesman problem: An efficient simulation algorithm. Journal of Optimization theory and application 45: 41-51

7 Chiang, W.; Russell, R. A. (1996): Simulated annealing metaheuristics for the vehicle routing problem with time windows. Annals of Operations Research 63: 3-27 Clarke, G. and Wright, J. W. (1964) Scheduling of vehicles from a central depot to a number of delivery points. Operations Research 12: Domschke, W. (1997): Logistik: Rundreisen und Touren. 4. Aufl. Oldenbourg, München Glover, F. (1991) Multilevel tabu search and embedded search neighborhoods for the traveling salesman problem. Working paper, Graduate School of Business and Administration, University of Colorado, Boulder, Colorado. Homberger, J. (1997): Zwei Evolutionsstrategien für das Standardproblem der Tourenplanung mit Zeitfensterrestriktionen. In: Biethahn, J.; Hönerloh, A.; Kuhl, J.; Leisewitz, M.-C.; Nissen, V.; Tietze, M. (Hrsg.): Betriebswirtschaftliche Anwendung des Softcomputing. Vieweg, Wiesbaden Kirkpatrick, S.; Gelatt Jr., C. D.; Vecchi, M. P. (1983): Optimization by simulated annealing. Science 220: Kontoravdis, G.; Bard, J. F. (1995): A GRASP for the vehicle routing problem with time windows. ORSA Journal on Computing 7: Lenstra, J.; Rinnooy Kan, A. (1981): Complexity of vehicle routing and scheduling problems. Networks 11: Metropolis, N.; Rosenbluth, M.; Rosenbluth, A.; Teller, A.; Teller, E. (1953): Equation of state calculations by fast computing machines. Journal of Chemical Physics 21: Or, I. (1976) Traveling salesman-type combinatorial problems and their relation to the logistics of blood banking. Ph.D. thesis, Department of Industrial Engineering and Management Science, Northwestern University, Evanston, IL Osman, I. H. (1993) Metastrategy simulated annealing and tabu search algorithms for the vehicle routing problem. Annals of Operations Research 41: Potvin, J.-Y.; Kervahut, T.; Garcia, B.-L.; Rousseau, J.-M. (1996): The vehicle routing problem with time windows, part 1: Tabu search. INFORMS Journal on Computing 8: Potvin, J.-Y.; Bengio, S. (1996): The vehicle routing problem with time windows, part 2: Genetic search. INFORMS Journal on Computing 8: Reeves C. R. (1993): Modern heurstic techniques for combinatorial problems. John Wiley & Sons, Inc, New York Retzko R. (1995): Flexible Tourenplanung mit selbstorganisierenden Neuronalen Netzen. Unitext, Göttingen Rochat, Y.; Taillard, E. D. (1995): Probabilistic diversification and intensification in local search for vehicle routing. Universität Montreal, Centre de recherche sur la transportation, CRT-95-13, Montreal Solomon, M. M. (1987): Algorithms for the vehicle routing and scheduling problems with time window constraints. Operations Research 35: Taillard, E. D.; Badeau, P.; Gendreau, M.; Guertin, F.; Potvin, J.-P. (1996): A tabu search heuristic for the vehicle routing problem with soft time windows. Universität Montreal, Centre de recherche sur la transportation, CRT-95-66, Montreal Thangiah, S. R.; Osman, I. H.; Sun, T. (1995): Metaheuristics for vehicle routing problems with time windows. Research Report No: UKC/IMS/OR94/8. Institute of Mathematics and Statistics, University of Kent. Van Laarhoven, P. J. M.; Aarts E. H. L. (1987): Simulated annealing: Theory and applikations. D. Reidel Publishing Company,. Dordrecht VERÄNDERUNGEN

8 3.1 Erste Verfahrensphase Zu Beginn des Verfahrens werden mit Hilfe des Savingsverfahrens von Clarke und Wright eine zulässige Startlösung für die nachfolgende Nachbarschaftssuche berechnet. Die der Nachbarschaftssuche zugrunde liegenden problembezogenen Entwurfsentscheidungen, insbesondere die verwendete Nachbarschaftsstruktur und die Kostenfunktion, sowie die durch den Kühlplan festgelegten verfahrensbezogenen Entwurfsentscheidungen werden nun beschrieben. Nachbarschaftsstruktur Kostenfunktion Kühlplan 3.2 Zweite Verfahrensphase Ausgehend von dem in der ersten Verfahrensphase berechneten besten Tourenplan wird in der zweiten Verfahrensphase die Gesamtentfernung minimiert. Die zu diesem Zweck für die zweite Verfahrensphase getroffenen Entwurfsentscheidungen werden nachfolgend kurz beschrieben. Im Unterschied zur ersten Verfahrensphase wird bei der Berechnung einer Nachbarlösung auf die Anwendung des modifizierten Or-Opt-Moves verzichtet. In jeder Iteration wird lediglich ein aus der Menge MoveSet = {Or-Opt-Move, 2Opt*-Move, 1-Single-Interchange-Move} zufällig ausgewählter Move-Opertator angewendet. Die Kosten eines Tourenplans werden in der zweiten Phase durch die Gesamtentfernung ce(tp) ausgedrückt. Eine berechnete Nachbarlösung tp' wird auf jeden Fall akzeptiert, sofern sie eine geringere Gesamtentfernung als tp aufweist, also ce(tp') < ce(tp) gilt. In dem Fall, daß die Nachbarlösung tp' eine Verschlechterung gegenüber tp darstellt, also ce > 0 mit ce = ce(tp') - ce(tp) gilt, wird tp' mit der Wahrscheinlichkeit p = EXP(- ce / t) akzeptiert. Die Temperatur wird zu Beginn der zweiten Phase neu initialisiert. Die Berechnung der neuen Starttemperatur und deren Variation werden entsprechend den Konzepten von Van Laarhoven und Aarts nach einem polynomialen Kühlplan durchgeführt. Wie die Tab. 2 zeigt, konnte mit dem entwickelten Simulated Annealing-Verfahren bzgl. des primären Zielkriteriums "Fahrzeuganzahl" die besten Werte berechnet werden. Ein Vergleich bzgl. des sekundären Zielkriteriums "Gesamtentfernung" ist bei unterschiedlicher Fahrzeuganzahl nur bedingt möglich, da die Einsparung eines Fahrzeugs eine Erhöhung der Fahrstrecke zwingend voraussetzen kann. Dennoch ist festzustellen, daß die Verfahren von Taillard sowie Rochat und Taillard bessere Werte bzgl. des sekundären Zielkriteriums erzielen konnten.

9 Die skizzierten Ergebnisse zeigen, daß die hier im Vordergrund stehende erste Phase des entwickelten Simulated Annealing-Verfahrens gut geeignet ist, für Probleminstanzen des VRPTW Lösungen mit einer geringen Fahrzeuganzahl zu berechnen. Darüber hinaus kann die mit der zweiten Phase erzielte Gesamtentfernung als ordentlich bezeichnet werden, so daß insgesamt mit der zweiphasigen Konzeption des Simulated Annealing Verfahrens ein geeigneter Lösungsansatz für Probleminstanzen des VRPTW vorgestellt wurde.

10 Im Vergleich des besten mit dem schlechtesten Berechnungslauf fällt auf, daß die berechneten kumulierten Werte für die Fahrzeuganzahl lediglich um zwei Fahrzeuge voneinander abweichen. In Bezug auf die mit dem besten Berechnungslauf insgesamt erzielte Fahrzeuganzahl beträgt die Abweichung lediglich 0.5%. Die erste Phase des Simulated Annealing kann somit als sehr robust bezeichnet werden.

11 Um die Lösungsqualität bzgl. der Gesamtentfernung besser beurteilen zu können, wurde daher ein Vergleich mit den besten von Taillard berechneten Lösungen für die 51 Probleminstanzen durchgeführt, bei denen die gleiche Fahrzeuganzahl vorlag. Für die Probleminstanzen (außer R104, R110, R112, R207 und RC202) konnte mit dem Verfahren von Taillard eine kumulierte Gesamtentfernung von Einheiten, mit dem Simulated Annealing eine kumulierte Gesamtentfernung von Einheiten berechnet werden. Insgesamt ist zu bemerken, daß für die in Tab. 4 aufgeführten Probleminstanzen neue Bestlösungen bezüglich der Gesamtentfernung berechnet wurden. Probleminstanz Bestes Literaturergebnis Beste berechnete Lösung (vgl. Taillard 1996) R , ,80 R , ,73 R , ,46 R , ,40 R , ,11 R , ,84 R , ,47 R , ,65 R , ,12 R , ,38 R , ,05 RC , ,09 RC , ,28 RC , ,82 RC , ,04 Tab. 4: Neue Bestlösungen

Heuristiken im Kontext von Scheduling

Heuristiken im Kontext von Scheduling Heuristiken im Kontext von Scheduling Expertenvortrag CoMa SS 09 CoMa SS 09 1/35 Übersicht Motivation Makespan Scheduling Lokale Suche Weitere Metaheuristiken Zusammenfassung Literatur CoMa SS 09 2/35

Mehr

1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung

1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung 1 Einleitung 1.1 Motivation und Zielsetzung der Untersuchung Obgleich Tourenplanungsprobleme zu den am häufigsten untersuchten Problemstellungen des Operations Research zählen, konzentriert sich der Großteil

Mehr

Logistik: Rundreisen und Touren

Logistik: Rundreisen und Touren Logistik: Rundreisen und Touren 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Von Universitätsprofessor Dr. Wolfgang

Mehr

Dynamische Tourenplanung und -steuerung

Dynamische Tourenplanung und -steuerung Dynamische Tourenplanung und -steuerung Zur Erlangung des akademischen Grades eines Doktors der Wirtschaftswissenschaften (Dr. rer. pol.) der Wirtschaftswissenschaftlichen Fakultät der Universität Passau

Mehr

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf

Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen

Mehr

Motivation. Problemstellung. Lösungsansätze. Fazit und Ausblick. Dipl. Wi.-Inf. Thomas Huth. Problemstellung. Lösungsansätze. Fazit und Ausblick

Motivation. Problemstellung. Lösungsansätze. Fazit und Ausblick. Dipl. Wi.-Inf. Thomas Huth. Problemstellung. Lösungsansätze. Fazit und Ausblick Dynamische Aspekte in der mehrperiodischen Tourenplanung Doktorandenkolloquium Sonnenberg, März M 2007 1 Motivation Dynamische Aspekte in der Tourenplanung werden zunehmend wichtiger Gründe dafür sind

Mehr

Einführung. Kapitel 1. Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298

Einführung. Kapitel 1. Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298 Kapitel 1 Einführung Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298 Inhalt Inhalt 1 Einführung Was ist Operations Research? Planungsprozess im OR Peter Becker (H-BRS) Operations

Mehr

Einsatz Evolutionärer Algorithmen zur Optimierung der Tourenplanung eines Wachschutzunternehmens

Einsatz Evolutionärer Algorithmen zur Optimierung der Tourenplanung eines Wachschutzunternehmens Fachhochschule Brandenburg Fachbereich Informatik und Medien Kolloquium zur Diplomarbeit Einsatz Evolutionärer Algorithmen zur Optimierung der Tourenplanung eines Wachschutzunternehmens Übersicht Darstellung

Mehr

Rechnerische Komplexität

Rechnerische Komplexität Proseminar Effiziente Algorithmen SS 2002 Rechnerische Komplexität Ulrike Krönert (34180) 0. Inhalt 1. Einführung 2. Algorithmen und Komplexität 2.1. Algorithmen 2.2. Laufzeitabschätzung 2.3. Polynomialzeit

Mehr

Jörg Homberger und Hermann Gehring. Diskussionsbeitrag Nr. 254 Mai 1998

Jörg Homberger und Hermann Gehring. Diskussionsbeitrag Nr. 254 Mai 1998 Evolutionäre Metaheuristiken als Problemlösungsmethoden für kombinatorische Optimierungsprobleme - dargestellt am Beispiel des Standardproblems der Tourenplanung mit Zeitfensterrestriktionen Jörg Homberger

Mehr

Informatik II Greedy-Algorithmen

Informatik II Greedy-Algorithmen 7/7/06 lausthal Erinnerung: Dynamische Programmierung Informatik II reedy-algorithmen. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Zusammenfassung der grundlegenden Idee: Optimale Sub-Struktur:

Mehr

Teil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung

Teil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung Teil II Optimierung Gliederung 9 Einführung, Klassifizierung und Grundlagen 10 Lineare Optimierung 11 Ganzzahlige und kombinatorische Optimierung 12 Dynamische Optimierung Literatur: zu 10-12: Neumann,

Mehr

Recent Advances in Business Computing and Operations Research (RAIBCOR)

Recent Advances in Business Computing and Operations Research (RAIBCOR) Recent Advances in Business Computing and Operations Research (RAIBCOR) Prof. Dr. Stefan Bock 31.10.2008 / 07.11.2008 Bergische Universität Wuppertal Wirtschaftsinformatik und Operations Research Agenda

Mehr

Hochflexibles Workforce Management: Herausforderungen und Lösungsverfahren

Hochflexibles Workforce Management: Herausforderungen und Lösungsverfahren Hochflexibles Workforce Management: Herausforderungen und Lösungsverfahren Dissertation zur Erlangung des akademischen Gerades eines Doktors der Wirtschaftswissenschaften ( Doctor rerum politicarum") an

Mehr

Recent Advances in Business Computing and Operations Research (RAIBCOR)

Recent Advances in Business Computing and Operations Research (RAIBCOR) Recent Advances in Business Computing and Operations Research (RAIBCOR) Prof. Dr. Stefan Bock Wirtschaftsinformatik und Operations Research Schumpeter School of Business and Economics 21. Oktober 2011

Mehr

Routen- & Tourenplanung

Routen- & Tourenplanung Prof. Dr.-Ing. Bernd NOCHE Mustafa GÜLLER, M.Sc. Routen- & Tourenplanung Lehrstuhl für Fabrikorganisation Technische Universität Dortmund Leonhard-Euler-Str. 5 44227 Dortmund Telefon: +49 (0) 231 755-5773

Mehr

Entwicklung eines Scheduling-Verfahrens zur Optimierung der Reihenfolge von Prototypentests. Masterarbeit

Entwicklung eines Scheduling-Verfahrens zur Optimierung der Reihenfolge von Prototypentests. Masterarbeit Entwicklung eines Scheduling-Verfahrens zur Optimierung der Reihenfolge von Prototypentests Masterarbeit zur Erlangung des akademischen Grades Master of Science (M.Sc.) im Masterstudiengang Wirtschaftswissenschaft

Mehr

SOFT COMPUTING TOOLS FÜR DIE ANALYSE KOMPLEXER BETRIEBLICHER PROBLEME

SOFT COMPUTING TOOLS FÜR DIE ANALYSE KOMPLEXER BETRIEBLICHER PROBLEME SOFT COMPUTING TOOLS FÜR DIE ANALYSE KOMPLEXER BETRIEBLICHER PROBLEME Christina Klüver COBASC-Research Group www.cobasc.de Universität Duisburg-Essen VERFAHREN Zellularautomaten Evolutionäre Algorithmen

Mehr

Systeme 1. Kapitel 5. Scheduling

Systeme 1. Kapitel 5. Scheduling Systeme 1 Kapitel 5 Scheduling Scheduling Verteilung und Zuweisung von begrenzten Ressourcen an konkurrierende Prozesse Beispiel: -> Zeitablaufsteuerung Zwei Prozesse zur gleichen Zeit rechenbereit auf

Mehr

Entwicklung eines Planungswerkzeuges für die Tourenplanung von Außendienstmitarbeitern

Entwicklung eines Planungswerkzeuges für die Tourenplanung von Außendienstmitarbeitern Entwicklung eines Planungswerkzeuges für die Tourenplanung von Außendienstmitarbeitern Günter KIECHLE, Karl DÖRNER und Andreas WAGNER Zusammenfassung Im vorliegenden Beitrag wird ein Lösungsverfahren für

Mehr

Algorithmen für schwierige Optimierungsprobleme Vorlesung für den Bereich Bachelor Informatik

Algorithmen für schwierige Optimierungsprobleme Vorlesung für den Bereich Bachelor Informatik Algorithmen für schwierige Optimierungsprobleme Vorlesung für den Bereich Bachelor Informatik Dozent: Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT

Mehr

Lösungen zu den Übungsaufgaben aus Kapitel 3

Lösungen zu den Übungsaufgaben aus Kapitel 3 Lösungen zu den Übungsaufgaben aus Kapitel 3 Ü3.1: a) Die Start-Buchungslimits betragen b 1 = 25, b 2 = 20 und b 3 = 10. In der folgenden Tabelle sind jeweils die Annahmen ( ) und Ablehnungen ( ) der Anfragen

Mehr

Lösungen zu den Übungsaufgaben aus Kapitel 5

Lösungen zu den Übungsaufgaben aus Kapitel 5 Lösungen zu den Übungsaufgaben aus Kapitel 5 Ü5.1: Die entsprechende Bellman sche Funktionalgleichung kann angegeben werden als: Vct (, ) = max qt D { r rt t ( min{ q t, c} ) min{ q t, c} Vc ( min{ q t,

Mehr

Approximationsalgorithmen

Approximationsalgorithmen Ausarbeitung zum Thema Approximationsalgorithmen im Rahmen des Fachseminars 24. Juli 2009 Robert Bahmann robert.bahmann@gmail.com FH Wiesbaden Erstellt von: Robert Bahmann Zuletzt berarbeitet von: Robert

Mehr

Quantitative Entscheidungsunterstützung Themen für Gruppenarbeiten

Quantitative Entscheidungsunterstützung Themen für Gruppenarbeiten Quantitative Entscheidungsunterstützung Themen für Gruppenarbeiten Dr. Philipp Baumann Prof. Dr. Norbert Trautmann Mario Gnägi Universität Bern Herbstsemester 2014 Gliederung Marketing Portfolio-Selektion

Mehr

Robuste Effizienz in der Umlauf- und Dienstplanung im ÖPNV

Robuste Effizienz in der Umlauf- und Dienstplanung im ÖPNV Department Wirtschaftsinformatik Fachbereich Wirtschaftswissenschaft Robuste Effizienz in der Umlauf- und Dienstplanung im ÖPNV Bastian Amberg Doktorandenworkshop, Magdeburg, 30. Mai 2013 Arbeitsbereiche

Mehr

Durchforsten nach Zahlen mit heuristischen Verfahren zur optimalen Waldbehandlung

Durchforsten nach Zahlen mit heuristischen Verfahren zur optimalen Waldbehandlung 83 Durchforsten nach Zahlen mit heuristischen Verfahren zur optimalen Waldbehandlung Annett Degenhardt 1. Motivation Der traditionelle forstliche Ansatz zur Ableitung optimaler Behandlungsvarianten basiert

Mehr

4. Dynamische Optimierung

4. Dynamische Optimierung 4. Dynamische Optimierung Allgemeine Form dynamischer Optimierungsprobleme 4. Dynamische Optimierung Die dynamische Optimierung (DO) betrachtet Entscheidungsprobleme als eine Folge voneinander abhängiger

Mehr

Binäre lineare Optimierung mit K*BMDs p.1/42

Binäre lineare Optimierung mit K*BMDs p.1/42 Binäre lineare Optimierung mit K*BMDs Ralf Wimmer wimmer@informatik.uni-freiburg.de Institut für Informatik Albert-Ludwigs-Universität Freiburg Binäre lineare Optimierung mit K*BMDs p.1/42 Grundlagen Binäre

Mehr

Kostenmaße. F3 03/04 p.188/395

Kostenmaße. F3 03/04 p.188/395 Kostenmaße Bei der TM nur ein Kostenmaß: Ein Schritt (Konfigurationsübergang) kostet eine Zeiteinheit; eine Bandzelle kostet eine Platzeinheit. Bei der RAM zwei Kostenmaße: uniformes Kostenmaß: (wie oben);

Mehr

Grundlagen und Basisalgorithmus

Grundlagen und Basisalgorithmus Grundlagen und Basisalgorithmus Proseminar -Genetische Programmierung- Dezember 2001 David König Quelle: Kinnebrock W.: Optimierung mit genetischen und selektiven Algorithmen. München, Wien: Oldenbourg

Mehr

Markov-Ketten-Monte-Carlo-Verfahren

Markov-Ketten-Monte-Carlo-Verfahren Markov-Ketten-Monte-Carlo-Verfahren Anton Klimovsky 21. Juli 2014 Strichprobenerzeugung aus einer Verteilung (das Samplen). Markov- Ketten-Monte-Carlo-Verfahren. Metropolis-Hastings-Algorithmus. Gibbs-Sampler.

Mehr

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung

Mehr

Ein Algorithmus zur Lösung von Tourenproblemen mit Zeitrestriktionen und inhomogenem Fahrzeugpark

Ein Algorithmus zur Lösung von Tourenproblemen mit Zeitrestriktionen und inhomogenem Fahrzeugpark Ein Algorithmus zur Lösung von Tourenproblemen mit Zeitrestriktionen und inhomogenem Fahrzeugpark Bernd Schmutzler Bernd.Schmutzler@hrz.tu-chemnitz.de 1 Einführung Bei Touren-Problemen treten in der Praxis

Mehr

Optimale Steuerung/ Prozessoptimierung 1

Optimale Steuerung/ Prozessoptimierung 1 Optimale Steuerung/ Prozessoptimierung 1 Kapitel 1: Einführung Prof. Dr.-Ing. Pu Li Fachgebiet Simulation und Optimale Prozesse (SOP) 2 Chemieindustrie Welche ist die optimale Betriebsstrategie, damit

Mehr

3 Quellencodierung. 3.1 Einleitung

3 Quellencodierung. 3.1 Einleitung Source coding is what Alice uses to save money on her telephone bills. It is usually used for data compression, in other words, to make messages shorter. John Gordon 3 Quellencodierung 3. Einleitung Im

Mehr

Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche. Suche in Spielbäumen. KI SS2011: Suche in Spielbäumen 1/20

Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche. Suche in Spielbäumen. KI SS2011: Suche in Spielbäumen 1/20 Suche in Spielbäumen Suche in Spielbäumen KI SS2011: Suche in Spielbäumen 1/20 Spiele in der KI Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche Einschränkung von Spielen auf: 2 Spieler:

Mehr

Auswahl effizienter Regenerationsmodi unter Berücksichtigung von modiabhängigen Objekteigenschaften und Erlösen

Auswahl effizienter Regenerationsmodi unter Berücksichtigung von modiabhängigen Objekteigenschaften und Erlösen Auswahl effizienter Regenerationsmodi unter Berücksichtigung von modiabhängigen Objekteigenschaften und Erlösen Carolin Kellenbrink Felix Herde Leibniz Universität Hannover Wirtschaftswissenschaftliche

Mehr

Proseminar Supply-Chain-Management SS 2012

Proseminar Supply-Chain-Management SS 2012 LEHRSTUHL FÜR ALLGEMEINE BETRIEBSWIRTSCHAFTLEHRE, SUPPLY CHAIN MANAGEMENT UND OPERATIONS Prof. Dr. Heinrich Kuhn Proseminar Supply-Chain-Management SS 2012 Entscheidungsmodelle in der Produktion und Logistik

Mehr

Planen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher

Planen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

Mehr

Diskrete Optimierung

Diskrete Optimierung Diskrete Optimierung Mi 10-12, C118, Sand Dr. Stephanie Reifferscheid Universität Tübingen, WSI 12. Oktober 2011 Dr. Stephanie Reifferscheid Diskrete Optimierung 12. Oktober 2011 1 / 17 Technisches Erreichbarkeit

Mehr

Institut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) SS 2002. Aufgabe 7

Institut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) SS 2002. Aufgabe 7 Rheinisch Westfälische Technische Hochschule Institut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) SS 2002 Prof. Dr. Wolfgang Dahmen Dr. Karl Heinz Brakhage Aufgabe 7 Bearbeitungszeit:

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

Mehr

Begriff 1 Begriff 2 Datenbank 1

Begriff 1 Begriff 2 Datenbank 1 Literaturrecherche Eine sorgfältige Literaturrecherche ist der erste fundamentale Schritt zur Anfertigung einer wissenschaftlichen Arbeit. Die Recherche sollte systematisch, genau, verständlich und nachvollziehbar

Mehr

Kapitel 3: Problemformulierungen in der KI. oder das Problem ist die halbe Lösung

Kapitel 3: Problemformulierungen in der KI. oder das Problem ist die halbe Lösung Kapitel 3: Problemformulierungen in der KI oder das Problem ist die halbe Lösung Lernziele: eine Struktur für die Definition eines problemlösenden Agenten kennen die wichtige Rolle von Abstraktionen in

Mehr

Modellierung von Positionssensoren. Jörg Roth Fachbereich Informatik Fernuniversität Hagen

Modellierung von Positionssensoren. Jörg Roth Fachbereich Informatik Fernuniversität Hagen Modellierung von Positionssensoren Jörg Roth Fachbereich Informatik Fernuniversität Hagen Position und Positionssensorik Die Position ist eine der wichtigsten Einflussgrößen für ortsbezogenen Dienste Im

Mehr

Datenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15. smichel@cs.uni-kl.de

Datenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15. smichel@cs.uni-kl.de Datenbankanwendung Wintersemester 2014/15 Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern smichel@cs.uni-kl.de Wiederholung: Anfragegraph Anfragen dieses Typs können als Graph dargestellt werden: Der

Mehr

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam. Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging

Mehr

Optimierungsverfahren in der Transportlogistik

Optimierungsverfahren in der Transportlogistik Optimierungsverfahren in der Transportlogistik Jakob Puchinger AIT - Mobility Department Jakob Puchinger AIT - Mobility Department 1 / 291 Organisatorisches Dienstags 17:30-19:00 3 Übungstermine mit Anwesenheitspflicht

Mehr

Prof. Dr. J. H. -Thun. vorlesung, 16.03.2011. Antrittsv vorlesung, 16.03.2011. Prof. Dr. J. H. -Thun. Operations Strategy

Prof. Dr. J. H. -Thun. vorlesung, 16.03.2011. Antrittsv vorlesung, 16.03.2011. Prof. Dr. J. H. -Thun. Operations Strategy vorlesung,.0.0 Operations Strategy Bates et al. (99): a design or blueprint for the manufacturing function that frames the acquisition, development and elimination of manufacturing capabilities far into

Mehr

Untersuchung der Auswahl der Hauptfreiheitsgrade zum Import eines Modells von ANSYS nach SIMPACK

Untersuchung der Auswahl der Hauptfreiheitsgrade zum Import eines Modells von ANSYS nach SIMPACK IMW - Institutsmitteilung Nr. 35 (2010) 103 Untersuchung der Auswahl der Hauptfreiheitsgrade zum Import eines Modells von ANSYS nach SIMPACK M. Leng; Z. Liang Die Auswahl der Hauptfreiheitsgrade spielt

Mehr

Prozesse und Scheduling

Prozesse und Scheduling Betriebssysteme für Wirtschaftsinformatiker SS04 KLAUSUR Vorbereitung mit Lösungen / Blatt 1 Prozesse und Scheduling Aufgabe 1 : Scheduling Gegeben seien die folgenden Prozesse und die Längen des jeweiligen

Mehr

PPS bei tourenorientiertem Prozessmanagement

PPS bei tourenorientiertem Prozessmanagement Jörg-Oliver Vogt 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. PPS bei tourenorientiertem Prozessmanagement Mit

Mehr

Tourenplanung mit Zeitfenstern für mehrere Fahrzeuge

Tourenplanung mit Zeitfenstern für mehrere Fahrzeuge Diplomarbeit Tourenplanung mit Zeitfenstern für mehrere Fahrzeuge Philipp Kindermann Betreuer: Dr. Joachim Spoerhase Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Effiziente Algorithmen und wissensbasierte

Mehr

Forschungsbericht 2006

Forschungsbericht 2006 Forschungsbericht 2006 Lehrstuhl BWL, insb. Otto von Guericke Universität Magdeburg Fakultät für Wirtschaftswissenschaft Lehrstuhl BWL, insb. Universitätsplatz 2, 39106 Magdeburg Tel. +49 (0)391 67 18225,

Mehr

GRUNDLAGEN VON METAHEURISTIKEN UND LOKALE SUCHE

GRUNDLAGEN VON METAHEURISTIKEN UND LOKALE SUCHE Seminararbeit GRUNDLAGEN VON METAHEURISTIKEN UND LOKALE SUCHE Simeon Andreev Institut für Theoretische Informatik Karlsruher Institut für Technologie (KIT) Inhaltsverzeichnis 1 Einleitung 3 1.1 Einführung...................................

Mehr

Hybrid Optimization Methods for Warehouse Logistics and the Reconstruction of Destroyed Paper Documents

Hybrid Optimization Methods for Warehouse Logistics and the Reconstruction of Destroyed Paper Documents Hybrid Optimization Methods for Warehouse Logistics and the Reconstruction of Destroyed Paper Documents Betreut von: ao.univ.-prof. Dr. Günther R. Raidl ao.univ.-prof. Dr. Ulrich Pferschy 25. Jänner 2010

Mehr

Stochastische Modelle

Stochastische Modelle Klausur (Teilprüfung) zur Vorlesung Stochastische Modelle (WS04/05 Februar 2005, Dauer 90 Minuten) 1. Es sollen für eine Zufallsgröße X mit der Dichte Zufallszahlen generiert werden. (a) Zeigen Sie, dass

Mehr

Physik und Chemie der Minerale

Physik und Chemie der Minerale Physik und Chemie der Minerale Phasendiagramme Mehrere Komponenten Segregation, konstitutionelle Unterkühlung Keimbildung Kinetik des Kristallwachstums Kristallzüchtung Literaturauswahl D.T.J Hurle (Hrsg.):

Mehr

Periodische Fahrpläne und Kreise in Graphen

Periodische Fahrpläne und Kreise in Graphen Periodische Fahrpläne und Kreise in Graphen Vorlesung Algorithmentechnik WS 2009/10 Dorothea Wagner Karlsruher Institut für Technologie Eisenbahnoptimierungsprozess 1 Anforderungserhebung Netzwerkentwurf

Mehr

ENTSCHEIDUNGSUNTERSTÜTZUNG IN DER CHEMIEANLAGENPLANUNG

ENTSCHEIDUNGSUNTERSTÜTZUNG IN DER CHEMIEANLAGENPLANUNG ENTSCHEIDUNGSUNTERSTÜTZUNG IN DER CHEMIEANLAGENPLANUNG Richard Welke, Karl-Heinz Küfer, Anton Winterfeld, Fraunhofer ITWM, Norbert Asprion, BASF SE 7. Symposium Informationstechnologien für Entwicklung

Mehr

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei

Mehr

Wissensbasierte Systeme

Wissensbasierte Systeme WBS3 Slide 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 3: Algorithmische Grundlagen der KI WBS3 Slide 2 Suchstrategien Warum sind Suchstrategien so wichtig in Wissensbasierten Systemen?

Mehr

Maschinenbau/Logistik Kommissionierung und Tourenplanung mit SOM

Maschinenbau/Logistik Kommissionierung und Tourenplanung mit SOM Maschinenbau/Logistik Kommissionierung und Tourenplanung mit SOM Dipl.-Phys. M. Wölker Universität Dortmund, Lehrstuhl für Förder- und Lagerwesen 7. Januar 2007 Zusammenfassung In der Logistik sind häufig

Mehr

Metriken - ein unverzichtbarer Begleiter für Software-Prozess-Verbesserungen

Metriken - ein unverzichtbarer Begleiter für Software-Prozess-Verbesserungen Metriken - ein unverzichtbarer Begleiter für Software-Prozess-Verbesserungen Dipl.-Math. Hermann Will QADVICE Software+System Qualität Jamnitzerstr. 2, 81543 München hermann.will@qadvice.de Zusammenfassung.

Mehr

Approximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling

Approximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani

Mehr

Approximation in Batch and Multiprocessor Scheduling

Approximation in Batch and Multiprocessor Scheduling Approximation in Batch and Multiprocessor Scheduling Tim Nonner IBM Research Albert-Ludwigs-Universität Freiburg 3. Dezember 2010 Scheduling Zeit als Ressource und Beschränkung Formaler Gegeben sind Jobs

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne

Mehr

3.2 Lineare Optimierung (Entscheidungen unter Sicherheit)

3.2 Lineare Optimierung (Entscheidungen unter Sicherheit) 3. Lineare Optimierung (Entscheidungen unter Sicherheit) Betrachtet wird hier der Fall Θ = (bzw. die Situation u(a, ϑ) bzw. l(a,ϑ) konstant in ϑ Θ für alle a A). Da hier keine Unsicherheit über die Umweltzustände

Mehr

Recent Advances in Business Computing and Operations Research (RAIBCOR)

Recent Advances in Business Computing and Operations Research (RAIBCOR) Recent Advances in Business Computing and Operations Research (RAIBCOR) Prof. Dr. Stefan Bock Wirtschaftsinformatik und Operations Research Schumpeter School of Business and Economics 25. April 2014 Business

Mehr

Hintergrundpapier. Länderöffnungsklausel im BauGB Länderspezifische Mindestabstände für Windenergieanlagen und ihre räumlichen Auswirkungen

Hintergrundpapier. Länderöffnungsklausel im BauGB Länderspezifische Mindestabstände für Windenergieanlagen und ihre räumlichen Auswirkungen Hintergrundpapier Länderöffnungsklausel im BauGB Länderspezifische Mindestabstände für Windenergieanlagen und ihre räumlichen Auswirkungen Autorin: Brigitte Zaspel-Heisters Mai 2014 Hintergrundpapier 1.

Mehr

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS) Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,

Mehr

Einsatz der Mehrkörpersimulation in Verbindung mit Computertomographie in der Produktentwicklung

Einsatz der Mehrkörpersimulation in Verbindung mit Computertomographie in der Produktentwicklung Einsatz der Mehrkörpersimulation in Verbindung mit Computertomographie in der Produktentwicklung Hintergrund Bei komplexen Baugruppen ergeben sich sehr hohe Anforderungen an die Tolerierung der einzelnen

Mehr

Methoden des Algorithmenentwurfs Kapitel 2.2: Randomisierte Online Algorithmen

Methoden des Algorithmenentwurfs Kapitel 2.2: Randomisierte Online Algorithmen Methoden des Algorithmenentwurfs Kapitel 2.2: Randomisierte Online Algorithmen Christian Scheideler SS 2009 16.07.2009 Kapitel 2 1 Übersicht Notation Paging Selbstorganisierende Suchstrukturen Finanzielle

Mehr

Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg OPTIMIERUNG II. Aufgaben und Lösungen

Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg OPTIMIERUNG II. Aufgaben und Lösungen Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg OPTIMIERUNG II Aufgaben und Lösungen SS 2005 Aufgaben Aufgabe 41 Ein Betrieb stellt zwei Produkte P 1 und P 2 her, die die

Mehr

Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen:

Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen: 1 Parallele Algorithmen Grundlagen Parallele Algorithmen Grundlagen Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen: Dekomposition eines Problems in unabhängige Teilaufgaben.

Mehr

Christoph Puls. Zielorientiertes Management. von Logistikdienstleistungen in. Netzwerken kooperierender. Unternehmen

Christoph Puls. Zielorientiertes Management. von Logistikdienstleistungen in. Netzwerken kooperierender. Unternehmen Christoph Puls Zielorientiertes Management von Logistikdienstleistungen in Netzwerken kooperierender Unternehmen Verlag Dr. Kovac Hamburg 2014 Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis

Mehr

PPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28.

PPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28. PPC und Data Mining Seminar aus Informatik LV-911.039 Michael Brugger Fachbereich der Angewandten Informatik Universität Salzburg 28. Mai 2010 M. Brugger () PPC und Data Mining 28. Mai 2010 1 / 14 Inhalt

Mehr

Seminar Komplexe Objekte in Datenbanken

Seminar Komplexe Objekte in Datenbanken Seminar Komplexe Objekte in Datenbanken OPTICS: Ordering Points To Identify the Clustering Structure Lehrstuhl für Informatik IX - Univ.-Prof. Dr. Thomas Seidl, RWTH-Aachen http://www-i9.informatik.rwth-aachen.de

Mehr

Minuten [1, 4 ] Mathematische

Minuten [1, 4 ] Mathematische Anlage: Übersicht über die Module und Prüfungen im Bachelorstudiengang Wirtschaftsinformatik (Information Systems and Management) an der Hochschule für angewandte Wissenschaften - Fachhochschule München

Mehr

Minimierung von Fahrzeiten und Treibhausgasen im Holztransport

Minimierung von Fahrzeiten und Treibhausgasen im Holztransport Minimierung von Fahrzeiten und Treibhausgasen im Holztransport Universität für Bodenkultur Wien Institut für Produktionswirtschaft und Logistik Vergleich eines matheuristischen Lösungsverfahrens mit einer

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Definition eines Spiels

Definition eines Spiels Definition eines piels 1. Einleitung 1.1 Einführung: Die mathematische pieltheorie beschäftigt sich nicht nur mit der Beschreibung und Analyse von pielen im üblichen inn, sondern allgemein mit Konfliktsituationen

Mehr

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines

Mehr

Entwurf von Algorithmen - Kontrollstrukturen

Entwurf von Algorithmen - Kontrollstrukturen Entwurf von Algorithmen - Kontrollstrukturen Eine wichtige Phase in der Entwicklung von Computerprogrammen ist der Entwurf von Algorithmen. Dieser Arbeitsschritt vor dem Schreiben des Programmes in einer

Mehr

Business Value Launch 2006

Business Value Launch 2006 Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung

Mehr

Hefte zur Logistik Prof. Dr. Siegfried Jetzke. Heft 4 Kostenrechnung für Tourenplanung dispositiv

Hefte zur Logistik Prof. Dr. Siegfried Jetzke. Heft 4 Kostenrechnung für Tourenplanung dispositiv Hefte zur Logistik Prof. Dr. Siegfried Jetzke Heft 4 Kostenrechnung für Tourenplanung dispositiv Oktober 2010 Dieses Heft ist urheberrechtlich geschützt. Wenn Sie die Quelle angeben, können Sie gerne dieses

Mehr

Vortrag. Suchverfahren der Künstlichen Intelligenz. Sven Schmidt (Technische Informatik)

Vortrag. Suchverfahren der Künstlichen Intelligenz. Sven Schmidt (Technische Informatik) Vortrag Suchverfahren der Künstlichen Intelligenz Sven Schmidt (Technische Informatik) Suchverfahren der Künstlichen Intelligenz Grundlagen Zustandsraumrepräsentation Generische Suche Bewertung von Suchstrategien

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 378

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 378 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 378 Umsetzung ausgewählter Supply-Chain-Operations-Reference-Metriken durch das

Mehr

Absolut, relativ oder einfach mehr Geld? Analyse der Netto-Differenzen 2014

Absolut, relativ oder einfach mehr Geld? Analyse der Netto-Differenzen 2014 Voraussetzungen Absolut, relativ oder einfach mehr Geld? Analyse der -en 2014 Tarifbeschäftigte und beamtete Lehrerinnen und Lehrer erhalten bei gleicher Arbeitszeit, gleichen Aufgaben und gleichen Belastungen

Mehr

Systeme easy Systeme mit Bankzahlen Systeme gekürzt. Gültig ab 10. Januar 2013

Systeme easy Systeme mit Bankzahlen Systeme gekürzt. Gültig ab 10. Januar 2013 Systeme easy Systeme mit Systeme gekürzt Gültig ab 10. Januar 2013 Swisslos Interkantonale Landeslotterie, Lange Gasse 20, Postfach, CH-4002 Basel T 0848 877 855, F 0848 877 856, info@swisslos.ch, www.swisslos.ch

Mehr

Sortierverfahren für Felder (Listen)

Sortierverfahren für Felder (Listen) Sortierverfahren für Felder (Listen) Generell geht es um die Sortierung von Daten nach einem bestimmten Sortierschlüssel. Es ist auch möglich, daß verschiedene Daten denselben Sortierschlüssel haben. Es

Mehr

Komplexität und Komplexitätsklassen

Komplexität und Komplexitätsklassen Dr. Sebastian Bab WiSe 12/13 Theoretische Grundlagen der Informatik für TI Termin: VL 21 vom 21.01.2013 Komplexität und Komplexitätsklassen Die meisten Probleme mit denen wir zu tun haben sind entscheidbar.

Mehr

Genetische Algorithmen

Genetische Algorithmen Genetische Algorithmen zur Lösung kombinatorischer Optimierungsprobleme aus dem Bereich Produktion und Logistik S. Häckel, S. Lemke TU Chemnitz Fakultät für Wirtschaftswissenschaften Professur für Produktionswirtschaft

Mehr

TQM in Bauprojekten Kostentreiber oder Kostenersparnis?

TQM in Bauprojekten Kostentreiber oder Kostenersparnis? 1 F A C H H O C H S C H U L E S T U T T G A R T H O C H S C H U L E F Ü R T E C H N I K Master Thesis Internationaler Masterstudiengang Projektmanagement TQM in Bauprojekten Kostentreiber oder Kostenersparnis?

Mehr

Institut für Wirtschaftsinformatik Lehrstuhl Decision Support Prof. Dr. Dirk Christian Mattfeld Simulation und Optimierung von Bike-Sharing-Systemen

Institut für Wirtschaftsinformatik Lehrstuhl Decision Support Prof. Dr. Dirk Christian Mattfeld Simulation und Optimierung von Bike-Sharing-Systemen Simulation und Optimierung von Bike-Sharing-Systemen DoWoNo 2011 Viola Ricker Was ist Bike-Sharing? Bike-Sharing: Fahrräder als nachhaltiges, individuelles, öffentliches Verkehrsmittel Gängigerweise Bereitstellung

Mehr

Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen

Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Dr. Abebe Geletu Ilmenau University of Technology Department of Simulation and Optimal Processes

Mehr