Simulative Bewertung von Selbststeuerung in Transportnetzen

Transkript

1 Advances in Simulation for Production and Logistics Applications Markus Rabe (ed.) Stuttgart, Fraunhofer IRB Verlag 2008 Simulative Bewertung von Selbststeuerung in Transportnetzen Assesment of Autonomous Control in Transportation Networks Using Simulation Sebastian Vastag, Informatik LS IV, TU Dortmund (Germany) Abstract: The subject of this work is simulation of transportation networks featuring autonomous shipments. Thereby routing-algorithms used in packet-switched datanetworks are applied on external logistic networks and their effects are characterized. A simulation environment for transportation networks with autonomous cargoes (ATNSim) is implemented. Existing solutions of networks used by mail and express services are used as examples for simulation. Their behaviour with classical static routing of goods as well as dynamic algorithms is statistically seized and evaluated. Objective of this work is to compare the quality logistical networks with and without the employment of autonomous procedures by simulation. In consideration of different levels of load their behaviour is analyzed in order to support strategy choice to charge the capacity future transportation networks better and evenly. 1 Einleitung Ein neuer Ansatz zur taktischen und operativen Planung von Logistiknetzen ist die Nutzung dynamisch entscheidender Elemente, welche ohne zentrale Steuerung zeitnah auf Veränderungen im Transportnetz reagieren (vgl. Freitag et al. 2004; ten Hompel et al. 2005). Dieses immer wichtiger werdende Paradigma der Selbststeuerung in der Logistik eröffnet neue Möglichkeiten und Freiheitsgrade der Planung, zu deren Erkundung sich eine simulative Umsetzung anbietet. In Zuge dieser Arbeit werden die Vorteile von Selbststeuerung innerhalb von Servicenetzen für KEP-Dienstleister erstmals untersucht. Dazu wurde ein System geschaffen, welches komplette Netztopologien im Modell nachbildet und Aussagen über das Verhalten mit und ohne Selbststeuerung liefern kann. Das vorrangige Ziel der Modellierung ist eine Steigerung der Gesamtkapazität der Transportnetze durch Selbststeuerung, ebenso sollte die Robustheit gegenüber Aufkommensspitzen verbessert werden. Als Maßzahl wurde die in Standorten zwischengelagerte Menge an Sendungen gewählt, die nicht planmäßig im Netz weitertransportiert werden kann. Große Lagerbestände weisen hier auf Engpässe in der Kapazitätsplanung hin.

2 220 Vastag, Sebastian Transportnetze sind das Ergebnis einer vorhergehenden Netzplanung, sie unterteilt sich in drei Phasen. In der strategischen Planung wir die Position und die Aufgabe von logistischen Standorten festgelegt. Neben lokalen Depots werden auch dedizierte Sortierzentren (Hubs) ausgewählt, die innerhalb eines Hauptlaufes Güterströme zwischen den Depots kanalisieren. Transportrelationen verbinden die Standorte, meistens werden die Hubs untereinander durch leistungsfähige Direktverkehre verbunden. Während der taktischen Planung eines Transportnetzes werden die Fahrzeugkapazität und das Sendungsrouting auf Relationen einmalig festgelegt (Graf 2000). Dieser unflexible Ansatz führt im operativen Tagesgeschäft dazu, dass bei Aufkommensspitzen Sendungen unter Zeitverlust zwischengelagert werden oder teure Zusatzfahrten durchzuführen sind. Störungen und Staus erfordern ein manuelles Eingreifen des Disponenten. Die fehlende Planungsunterstützung soll mit Hilfe von Selbststeuerung kompensiert werden. Sie beeinflusst hier den Fluss der Sendungen auf Relationen innerhalb von Transportnetzen im operativen Tagesgeschäft. 2 Dynamisches Routing Die Grundidee des Dynamischen Routing (Berning und Vastag 2007) ist, Sendungseinheiten selbstständig und individuell über die nächste Transportrelation entscheiden zu lassen und so die Route durch das Netz eigenständig zu bestimmen. Für jedes Paket wird bei jedem Sortiervorgang an einen Standort durch Routingalgorithmen aus Datennetzen entschieden, zu welcher Zeit und in welche Richtung es den Standort wieder verlässt. Dies greift das Internet der Dinge auf, ein Ansatz zur Selbststeuerung in der Logistik durch Methoden des Internets (ten Hompel et al. 2005; Fleisch und Mattern 2005). Zwischen Transport- und IP-Netzen existieren bei näherer Betrachtung Gemeinsamkeiten. Das Internetprotokoll definiert vier Schichten (Tanenbaum 2003). Die Anwendungsschicht erlaubt es dem Benutzer mit dem Netzwerk zu kommunizieren. Beispiele sind , FTP oder das Hypertext Transfer Protokoll. Im Bereich der Logistik ist ein Beispiel für eine Netzanwendung eine Distribution oder ein Paketdienst. In IP-Netzen sichern die Protokolle TCP und UDP den sicheren Datentransport zwischen zwei Endpunkten. Ihr Gegenstück in der Logistik sind Fahrzeuge, sie befördern Sendungen zwischen zwei Standorten. Ein wesentlicher Unterschied ist die Verfügbarkeit der Fahrzeuge, in der materiellen Welt sind diese nicht in beliebiger Anzahl zu nutzen. Die wichtigste Schicht für diese Arbeit ist die Vermittlungsschicht. Routingalgorithmen bringen auch bei wechselnden und schwierigen Netzzuständen Datenpakete sicher an ihr Ziel. Ist eine Route überlastet oder ausgefallen, wird eine Alternative automatisch gewählt. Die Netzzugangsschicht beschreibt letztendlich die physikalische Übertragung über Kabel, in Transportnetzen wäre dies die Relation zwischen zwei Standorten. Es gibt aber auch viele Aspekte in denen sich beide Netzarten unterscheiden. Das Verlieren von Paketen wird in Datennetzen durch die Transportschicht kompensiert, für Logistiknetze ist ein Sendungsverlust nicht haltbar. Die Transportgeschwindigkeit unterscheidet sich ebenfalls beträchtlich. Während die Netzwerklatenz im Internet in Millisekunden gemessen wird erreichen Paketnetze Durchlaufzeiten von Stunden oder Tage. Stand der Technik sind festgelegte Routen für Güter auf Relationen (Graf 2000). Wenn ein auf einer Relation verkehrendes Fahrzeug voll beladen ist, so gibt es für

3 Simulative Bewertung von Selbststeuerung in Transportnetzen 221 jede weitere Sendungseinheit nur eine Alternative: Warten auf die nächste Verbindung. Oftmals haben Paketnetze eine Taktung von 24 Stunden, was im diesen speziellen Fall die Durchlaufzeit enorm verschlechtert. Der Ansatz des Dynamischen Routings versucht, dieses Problem durch ein situationsabhängiges Routing der Sendungen auf Relationen zu lösen. Mit ähnlichen Methoden und Algorithmen wie in Datennetzen werden Flaschenhälse in Transportnetzen umgangen. Eine intelligente Vermittlungsschicht wird auf ein System der Transportwelt aufgesetzt. Die Idee selbststeuernder logistischer Prozesse basiert auf dem Ansatz, Entscheidungsfunktionen direkt auf logistische Objekte zu verlagern (Böse et al. 2005). In Servicenetzen für Paketdienstleister sind die grundlegenden logistischen Objekte die Sendungseinheiten. Die Fähigkeit eigene Entscheidungen zu treffen, könnte in Zukunft durch RFID-Tags an den Sendungen ermöglicht werden. Sie können Daten wie Start, Ziel, Priorität und die Art des transportierten Gutes mit den Sortiermaschinen austauschen. In der Welt der Datennetze entspräche diese Information dem IP-Header, die logistischen Standorte übernehmen die Aufgabe von Routern. Mit Hilfe von externen Informationen über den Netzzustand ermöglicht dies ein reaktives Verhalten auf Störungen. Dies kann sehr einfach mit Algorithmen zur Suche des kürzesten Pfades geschehen, die jedoch eine besondere Kostenfunktion zur Bewertung von der Alternativen benötigen. Innerhalb von Datennetzen ist die Roundtrip-Time zwischen zwei Stationen eine wichtige und oftmals die einzige Kenngröße. Das Dynamische Routing nutzt mehrere Netzwerkparameter als Eingabe für die Kostenfunktion. Diese setzt sich aus der Summe der Zeitverzögerungen zusammen, welche auf einer Relation auftreten können. Der erste Summand ist die von einen Fahrzeug benötigte Zeit für die Fahrt zwischen zwei Standorten. Bei bekannten Verzögerungen und Staus wird dieser Wert weiter erhöht Ein wichtiger Unterschied zu Kostenfunktionen aus Datennetzen ist die Nutzung von Fahrplänen. Während Datenpakete praktisch zu jeder beliebigen Zeit bei freiem Medium versendet werden können, müssen sich auf einer Relation verkehrende Fahrzeuge an einen Zeitplan halten. Da der Fahrplan schon im Voraus bekannt ist, kann das Intervall zwischen der Kostenbewertung und der Abfahrt des Fahrzeuges zu der sonstigen Reisezeit addiert werden. Die Routen, welche während der taktischen Netzplanung erzeugt wurden, sind unter den Planungsannahmen optimal und müssen erst in davon abweichenden Situationen geändert werden. Aus diesem Grund ist das Dynamische Routing in zwei Stufen gegliedert: Die vorgegebene Route der statischen Routenplanung wird genommen, solange kein Stau auftritt oder die begrenzte Kapazität der Fahrzeuge überschritten wird. Nur bei Problemen kommt das Dynamische Routing zum Einsatz: Alle möglichen alternativen Wege werden dabei betrachtet. Bietet die ursprünglich geplante Relation keine Kapazitätsreserven so entfällt sie. Besteht nur eine Verzögerung durch einen kurzen Stau, so kann sie immer noch ausgewählt werden wenn andere Alternativen zu noch höheren Kosten und Verzögerungen führen. Es ist sogar ein Umweg über einen zusätzlichen Standort möglich, falls dies die in der Situation kürzeste mögliche Transportzeit erlaubt. Wird keine annehmbare Ausweichmöglichkeit gefunden, so verbleibt die Sendung im Zwischenlager des Standortes und kann erst am nächsten Tag weiter versendet werden.

4 222 Vastag, Sebastian 3 Simulationsmodell und Bewertung Simulation ist in der außer- (Page und Kreutzer 2005) sowie der innerbetrieblichen Logistik weit verbreitet (Liekenbrock 2005). Die wichtigsten Ereignisse in den Simulationsmodellen sind die Ankünfte und Abfahrten von Fahrzeugen und Gütern im Transportnetz, der Transportprozess selbst ist meist nicht von Interesse. Ähnliches gilt auch für Datenkommunikation in der Informatik, die eigentliche Übertragung steht in den Simulationen meist im Hintergrund, die Reaktionen der eingesetzten Protokollschichten sind wesentlich relevanter. In beiden Bereichen werden ereignisdiskrete Simulatoren verwendet, z. B. OMNeT++ ( Auch für die hier vorgestellten Experimente mit Selbststeuerung wird ein solches Simulationssystem verwendet. Mit Rücksicht auf bereits bestehende Software zur strategischen und taktischen Netzwerkplanung wurde der Simulator ATNSim (Autonomous Transportation Network Simulator) in Java geschrieben (Vastag 2007). ATNSim verwendet viele Konzepte aus OMNeT++, unter anderem Trennung von Experiment und Modell sowie die Beschreibung des Verhaltens grundlegender Modellelemente in wiederverwendbaren Quellcode. Das Programm beinhaltet eine Bibliothek mit Modellbausteinen für die außerbetriebliche Logistik. Standorte, Relationen, Fahrzeuge und Güter stehen zur Verfügung. Ein realitätsnahes Verhalten der Sendungen im Netzwerk ist hierbei das Hauptziel, andere komplexe Prozesse in den Standorten konnten ausgelassen werden. Eine Implementierung des Dynamischen Routings ist ebenfalls enthalten. Depots und Hubs basieren auf denselben Grundelementen. Ein Schema der Modellteile innerhalb eines Standortes zeigt Abbildung 1. Durch die Kapselung nach außen ist er gleichzeitig auf höherer Ebene selbst ein Modellelement, welches mehrmals im Netzmodell verwendbar ist. Die wichtigsten Bestandteile eines Standortes sind Lager (4), Verteiler (2) und die Ladebuchten für Fahrzeuge. Das Lager dient als Zwischenspeicher für Sendungen, welches aber in einem Sortierzentrum im Idealfall leer sein sollte. Die zentrale Steuerung und Sortierung ist im Verteiler realisiert. Er übernimmt das Weiterleiten der Sendungen zum Lager oder zur nächsten Zwischenstation. Das Abholen der Sendungen von den Kunden eines jeden Depots im Vorlauf übernimmt ein Sendungsgenerator (1). Das Verteilen der Waren im Nachlauf findet seine Entsprechung in der Auslieferung (5), welche als Senke Sendungen bei Ankunft aus dem Modell entfernt. Diese Blaupause eines Standortes ist über das Verhalten des Vorlaufes, des Verteilers und des Schedulers konfigurierbar. Ein impliziter Parameter ist die Anzahl der zugehörigen Relationen, welche über die Rolle als Hub oder Depot entscheidet. Ein Konverter liest die Netzwerktopologie aus den Eingabedaten und verknüpft die Standorte durch Modellrelationen zu großen Netzen für den Simulator. Die dazu verwendeten Sendungsdaten, welche den Warenaustausch zwischen jeweils zwei Standorten beschreiben, liegen über den Zeitraum eines Jahres vor. Gespeichert sind sie in Form einer quadratischen Aufkommensmatrix, aus der jedes Element das durchschnittliche in eine Richtung transportierte Gewicht enthält. Bei der Initialisierung des Modells wird jeder Generator mit der zugehörigen Zeile der Aufkommensmatrix konfiguriert. Sie bestimmt die täglich zu generierende Menge an Sendungen sowie die Verteilung der Zieladressen. Die korrekte Menge an Frachtgut wird durch Erzeugen von Sendungen in Zeitintervallen mit normalverteilt variierender Länge sichergestellt, welche im Mittel dem Quotienten Sendungen pro

5 Simulative Bewertung von Selbststeuerung in Transportnetzen 223 Minuten eines Tages entsprechen. Zur Steigerung der so erreichten Aufkommensmenge lassen sich die Intervalle verkürzen. Durch die begrenzte Anzahl von Fahrten zwischen Depot und Hauptlauf verändert dieser kontinuierliche Sendungsstrom nicht das Modellverhalten. Abbildung 1: Modellaufbau eines Standortes Zum Transport der Sendungen zwischen Standorten existieren Fahrzeuge in Form von Transaktionsnachrichten, welche die Transportrelationen nutzen. Ihre Kapazität für Sendungen ist durch die entsprechende Fahrzeugart begrenzt. Hier wurden LKWs berücksichtigt, andere Verkehrsträger wie Schiff und Flugzeug sind leicht durch andere Kapazitäts- und Geschwindigkeitsangaben einzubinden. Die Anzahl der Fahrzeuge auf einer Relation ist durch das in der Netzplanung berücksichtigte Aufkommen vorgegeben, welches auf das nächste Vielfache der Fahrzeugkapazität aufgerundet wird. Die benötigte Fahrzeit ist einem digitalen Straßennetz entnommen und im Modell durch die Verzögerung auf der Transportrelation umgesetzt. Zur Vereinfachung ist der Umlauf eines Fahrzeuges zurück zum Ausgangsort nicht Teil des Modells, vielmehr werden entladene Fahrzeuge verworfen und bei Bedarf neu instanziiert. Das Ziel des Dynamischen Routings ist die bessere Nutzung von existierenden Transportträgern, um eine möglichst große Sendungsmenge zu transportieren. Zur Modellvalidierung mussten alle eingesetzten Modelle zeigen, dass sie die durchschnittliche Planungsmenge (hier als 100% bezeichnet) bewältigen können. Um das maximale Transportvolumen eines Netzes zu finden, wurde die Sendungsmenge in 10% Schritten von 100% bis auf 150% erhöht. Abhängig von der Reaktion des Netzwerks wurden auch kleinere Zwischenschritte genutzt. In den Experimenten wurde das Verhalten der Modelle für 14 Tage Modellzeit beobachtetet, um die Bedeutung der transienten Phase mit initialer in den Ergebnissen zu reduzieren. Um die maximale Transportkapazität eines Netwerkes zu bestimmen wurde folgendes Kriterium eingesetzt: Das Netz ist überlastet, wenn mindestens ein Zwischenlager komplett mit Sendungen gefüllt ist, die eigentlich auf ihre Weiterverladung warten. Im Idealfall benötigt ein Standort gar kein Zwischenlager, da alle Güter direkt auf das Fahrzeug der Anschlussfahrt verladen werden sollten. Wie oben beschrieben entstehen jedoch Situationen, in denen kein direkter Weitertransport möglich ist.

6 224 Vastag, Sebastian Deswegen fehlen auch in den Ausgangsdaten für die Experimente die Angaben der Lagergrößen für die einzelnen Standorte. Entsprechend wurde das obige Kriterium modifiziert zu: Das Netzwerk ist überlastet, wenn in mindestens einem Standort die Lagermenge konstant ansteigt. Unabhängig von der tatsächlichen Lagerkapazität würde ein konstant wachsender Lagerbestand jede Obergrenze in absehbarer Zeit überschreiten. Die Testumgebung wurde weitgehend automatisiert. Dazu werden die Verläufe der Lagerstände mit Hilfe des LOWESS Algorithmus (LOcally WEighted Scatterplot Smoothing) geglättet. Ein lineares Modell wird an die Kurve angepasst und bestimmt die Steigung des Lagerbestandes. Eine Steigung von 0 wäre hier optimal, doch solange die Simulationsergebnisse noch die transiente Phase enthalten, hat sich auf empirischer Basis eine Steigung bis 0.25 als zulässige Obergrenze herausgestellt. Ein anderer interessanter Punkt ist die Robustheit des Netzwerkes gegen Ausfälle von Relationen. Störungen werden mit einer Wahrscheinlichkeit von 10% auf die Relationen eingestreut, um Staus zu simulieren. Wenn ein Stau auftritt, so variiert der Zeitverlust normalverteilt um die Hälfte der ursprünglichen Reisezeit. Bei den kurzen Schlupfzeiten in den Netzmodellen führen sogar kurze Verspätungen dazu, dass Sendungen die Anschlussfahrt verpassen und auf das nächste Fahrzeug warten müssen. Mit einer Wahrscheinlichkeit von 1,5% wird eine Zieladresse ausgewählt, die für die nächsten 24h Modellzeit ein Vielfaches der normalen Sendungsmenge erhält. Die Standorte erhalten so insgesamt ein leicht höheres Aufkommen als in den Eingabedaten spezifiziert. 4 Ergebnisse Die Ergebnisse von Experimenten mit drei verschiedenen Netzen sollen hier diskutiert werden. Die ersten beiden sind Testmodelle zur Erstellung von logistischen Planungswerkzeugen. Die Position der Standorte sowie das Aufkommen basieren auf den Angaben eines Paketdienstleisters. Die Netzwerktopologie unterschiedet sich in der Anzahl der Hubs, das erste Netz hat zehn, das zweite sechs Verteilzentren im Hauptlauf. Das dritte Netz besitzt nur vier Hubs im Hauptlauf und ist das Ergebnis eines Industrieprojektes. Auch dieses Projekt wurde für einen Paketdienstleister durchgeführt. Wie bei den ersten Netzen konnte die genutzte Aufkommensmatrix verwendet werden, somit arbeitet das Modell mit realitätsnahen Warenflüssen. Alle drei Netze wurden in Experimentserien mit und ohne Dynamischen Routing untersucht. Ist die zweite Stufe des Dynamischen Routing deaktiviert, so nutzt ATNSim nur die Empfehlungen aus der taktischen Netzplanung. In den folgenden Tabellen sind die Werte für und Durchlaufzeit an den Stellen ausgelassen, an denen die Netze als überlastet gelten. Hier ist keine genaue Messung möglich, die Simulation wird nicht stationär. 4.1 Netzwerk mit 10 Hubs Das größte verfügbare Netz besitzt 74 Depots und 10 dedizierte Hubs. Für das ursprüngliche statische Routing der taktischen Netzplanung ist der Anstieg der durch ein steigendes Aufkommen aus Tabelle 1 zu entnehmen. Sie steigt von 91 bis zu 500 während das Sendungsvolumen nur um den Faktor 1,2 wächst.

7 Simulative Bewertung von Selbststeuerung in Transportnetzen 225 Nicht ausreichende Transportkapazitäten im Hauptlauf sind hier der Grund, sie verhindern einen kontinuierlichen Fluss von Sendungen vom ersten zum zweiten Hub auf den gegebenen Routen. Letztendlich überschreitet die Steigung der den Wert von 0,25 bei einen Aufkommen von über 120%, das Netz ist überlastet. Die Durchlaufzeit verschlechtert sich von 26 Stunden (1575 Minuten) auf 30 Stunden (1818 Minuten). In diesen Zeiten sind die ersten zwölf Stunden Wartezeit im ersten Depot eingeschlossen, die der konstant laufende Sendungsgenerator im Netz mit 24 Stunden Taktung erzeugt. Aufkommen 100% 110% 120% 130% 140% 150% Steigung Mittlere Durchlaufzeit Fahrzeugauslastung stat. 0,05 0,15 0,29 0,43 0,57 0,69 dyn. 0 0,01 0,03 0,16 0,26 0,41 stat. 91,17 214,87 470, dyn. 44,92 61,64 113,19 219,4 407,1 - stat. 1575,8 1691,7 1818, dyn. 1526,3 1561,6 1658,3 1798,9 1968,8 - stat. 32% 34% 36% 38% 39% 40% dyn. 35% 41% 51% 59% 70% 76% Tabelle 1: Versuchsergebnisse des Netzes mit 10 Hubs Im Vergleich dazu bringt das Dynamische Routing deutliche Verbesserungen der Netzwerkparameter. Die mittlere Lagermenge sinkt auf ein Viertel der ursprünglichen Menge da Sendungen die Lager schneller verlassen können. Wenn die Steigung der als Kriterium genommen wird, so ist das Netzwerk in der Lage, 140% Aufkommen zu bewältigen, ein Gewinn von gut 20%. Überraschenderweise bringt das Dynamische Routing eine kleine Verbesserung der Durchlaufzeit. Bei 100% Aufkommen besteht noch kein relevanter Unterschied, erst bei 110% und 120%. Ab 140% Aufkommen verliert das Dynamische Routing wieder seinen Vorteil, da das gesamte Sendungsvolumen sich der maximalen Transportkapazität annähert. Die Erklärung für den Kapazitätszuwachs ist die optimale Ausnutzung der verfügbaren Transportkapazitäten. Die Fahrzeugbelegung wuchs in den Experimenten von 35% auf bis zu 76%. 4.2 Netzwerk mit 6 Hubs Das zweite Netz ist eine Variante des zuerst beschrieben Beispiels mit 10 Hubs. Es besitzt auch 84 Standorte, von denen 6 als Konsolidierungshubs ausgelegt sind. Die Ergebnisse der Versuche sind in Tabelle 2 aufgeführt. Die maximale Transportkapazität mit statischen Routing ist bei 30% zusätzlichen Aufkommen zur geplanten Menge zu finden.

8 226 Vastag, Sebastian Aufkommen 100% 110% 120% 130% 140% 150% Steigung mittlere Durchlaufzeit Fahrzeugauslastung stat. 0,03 0,07 0,13 0,21 0,34 0,43 dyn. 0,01 0,01 0,02 0,01 0,02 0,02 stat. 173,87 293,3 437,5 670,7 - - dyn. 102,6 117,4 133,3 170,7 205,3 224,8 stat. 1543,7 1604,6 1633,6 1682,7 - - dyn. 1480,8 1490,4 1493,0 1520,0 1544,9 1549,5 stat. 31% 33% 36% 38% 40% 42% dyn. 32% 35% 39% 43% 48% 52% Tabelle 2: Versuchsergebnisse des Netzes mit 6 Hubs Bemerkenswert ist die große Hauptlaufskapazität des Netzes, die Fahrzeugbelegung bleibt trotz der Aufkommenssteigerungen sehr niedrig. Die steigenden Lagermengen werden durch einen Flaschenhals an einen einzigen Hub verursacht, offensichtlich sind die zugewiesenen ausgehenden Transportkapazitäten auf den Relationen wesentlich kleiner als die Reserven von anderen Standorten. Mit Hilfe des Dynamischen Routings kann der Engpass automatisch umgangen werden. Die nun erreichbare Transportmenge wächst stark, die Simulation ermöglichte bis weit über 200% der ursprünglichen Planmenge. Durchschnittlich spart das Dynamische Routing ein Drittel der benötigten Lagermenge in den Zwischenlagern. Die Steigung der ist sehr flach, die Werte bleiben bei 0,02 verglichen mit 0.31 bei 130% Aufkommen und statischem Routing. Die Sendungen, die vorher am unterdimensionierten Hub aufgehalten wurden nehmen jetzt Routen über Nachbarstandorte, die noch genügend Ressourcen frei haben. Ebenso kann auch die mittlere Durchlaufzeit mit Dynamischem Routing gesenkt werden, hier verbessert das Umgehen des Flaschenhalses die Werte. 4.3 Netzwerk mit 4 Hubs Sehr empfindlich auf Aufkommenssteigerungen ist das Netzwerk mit 4 Hubs und 70 Depots. Es reagiert auf nur 5% Mehrbelastung mit konstant steigenden Lagerleveln. Aus diesem Grund wurde das Aufkommen in den Versuchen nur in 1% Schritte erhöht. Tabelle 3 enthält auszugsweise einige wichtige Messwerte. Es existiert ein Flaschenhals an einen Hub, die drei anderen haben noch genügend Reserven. Die kleine Sicherheitsreserve macht den Vergleich zwischen statischen und Dynamischen Routing besonders interessant. Für den kleinen Aufkommensbereich, der auch mit statischen Routing bewältigt werden kann reduziert das Dynamische Routing die mittlere.

9 Simulative Bewertung von Selbststeuerung in Transportnetzen 227 Aufkommen 100% 103% 105% 108% 110% 120% Steigung mittlere Durchlaufzeit Fahrzeugauslastung stat. 0,23 0,3 0,39 0,41 0,54 0,97 dyn. 0,05 0,09 0,21 0,24 0,32 1,21 stat. 622,7 894, dyn. 617,7 676,4 839,6 983, stat. 1749,7 1815, dyn. 1771,7 1766,4 1807,2 1836,1 - - stat. 52% 54% 54% 56% 56% 60% dyn. 55% 57% 59% 62% 65% 70% Tabelle 3: Versuchsergebnisse des Netzes mit 4 Hubs In Experimenten mit 100% Aufkommen und statischem Routing hat der Engpass am Hub die Steigung der mit 0,23 fast an das Limit getrieben. Zusätzliches Aufkommen führte zum Zusammenbruch des Netzes. Mit Dynamischem Routing wird das Problem bis 108% unterdrückt, was gleichzeitig die maximal erreichbare Kapazität markiert. Im Gegensatz zu Netzwerken mit mehr Hubs ist hier keine signifikante Verbesserung der mittleren Durchlaufzeit mit Dynamischem Routing zu erreichen. In Netzen mit kleinem Hauptlauf kann das Dynamische Routing nur kleine Verbesserungen in Bezug auf Lagerstände und Versandzeit bringen. Der Grund ist die kleine Netzwerktopologie mit zu wenigen Relationen, die nicht viele Alternativen zulassen. Hier existieren nur zwei alternative ausgehende Relationen mit vergleichbarer Auslastung wie die ursprünglich vorgesehene Verbindung. Das Warten auf den nächsten Transport ist genauso zeitlich aufwändig wie das Nutzen der wenigen alternativen Umwege. 5 Zusammenfassung Die grundlegenden Ideen der Selbststeuerung durch Dynamisches Routing wurden dargelegt. Sendungen wurden mit der Übertragung von Paketen in Datennetzen verglichen. Das Verstehen eines logistischen Systems als ein Netzwerk von Standorten und Relationen ähnlich Computernetzen bietet die Möglichkeit, reaktive Routingverfahren aus Datennetzen an logistische Systeme zu adaptieren Um die Vorteile von Selbststeuerung durch Dynamisches Routing zu untersuchen wurde das ereignisdiskretes Simulationssystem ATNSim erstellt. Modelle von Transportnetzen wurden auf Basis von Ergebnissen strategischer Netzplanung generiert. Die Daten umfassten Standort, Kapazität, Fahrpläne und die mittlere Sendungsaufkommen pro Tag. In Vergleich mit konventionellem statischen Routing zeigt die Selbststeuerung Vorteile. Beim Einsatz des Dynamischen Routings wird die Gesamtkapazität eines Netzwerkes erhöht. In Phasen mit hohen Aufkommen und

10 228 Vastag, Sebastian überlasteten Relationen werden Sendungen über zusätzliche Standorte geroutet. Dies verteilt das Aufkommen über ein weiteres Gebiet zu Relationen, die noch Kapazitätsreserven haben. Obwohl die tatsächliche Routenlänge wächst, bleibt die mittlere Durchlaufzeit vergleichsweise niedrige in Bezug auf das statische Routing. Viele Hubs im Hauptlauf begünstigen diesen Effekt. Das Dynamische Routing ist eine mögliche Lösung für bereits existierende Netzwerke ihre Kapazität für Aufkommensspitzen zu erhöhen ohne das gesamte Netz neu zu planen. Das kostentreibende Anmieten von zusätzlichen Kapazitäten kann entfallen. Gleichzeitig kann die Plankapazität innerhalb der strategischen Planung bewusst niedrige gehalten. Das Nutzen von Selbststeuerung um Güter um blockierte Relationen zu leiten könnte helfen, Servicenetze in Regionen zu etablieren, die keine verlässlichen Transportsysteme aufweisen. Literatur Berning, M., Vastag, S. (2007) Simulation selbststeuernder Transportnetze. In: Bullinger, H.-J., ten Hompel, M.(Hrsg.): Internet der Dinge. Springer, Berlin, Heidelberg, S Böse, F., Piotrowski, J., Windt, K. (2005) Selbststeuerung in der Automobil-Logistik. Industrie Management 21 (2005) 4, S Fleisch, E., Mattern, F. (2005) Das Internet der Dinge Ubiquitous Computing und RFID in der Praxis. Springer, Berlin Freitag, M., Herzog, O., Scholz-Reiter, B. (2004) Selbststeuerung logistischer Prozesse ein Paradigmenwechsel und seine Grenzen. Industrie Management 20 (2004) 1, S Graf, H.W. (2000) Netzstrukturplanung: Ein Ansatz zur Optimierung von Transportnetzen. Dissertation, Universität Dortmund Liekenbrock, D. (2005) Simulative Untersuchung dezentraler Steuerungsverfahren komplexer Fördernetze. Logistics Journal, April 2005, Online Page, B., Kreutzer, W. (2005) The Java Simulation Handbook, Simulating Discrete Event Systems with UML and Java. Shaker, Aachen Tanenbaum, A.S. (2003) Computernetzwerke. Pearson Studium, München ten Hompel, M., Liekenbrock, D., Stuer, P. (2005) Realtime logistics: echtzeitnahe Steuerung von Materialflusssystemen auf Basis autonomer Agenten und Entitäten. Logistics Journal, März 2005, Online Vastag, S. (2007) Modellierung selbststeuernder Servicenetze aus Netzplanungsdaten. In: Koschke, R., Herzog, O., Rödiger, K.H., Ronthaler, M. (Hrsg.): INFORMATIK Informatik trifft Logistik. Volume 109 of Lecture Notes in Informatics. Gesellschaft für Informatik, Bonn, S