Tourenplanung mit Leerbehälterausgleich im kombinierten Ladungsverkehr, Modelle und Methoden für die Praxis
|
|
- Gerhard Falk
- vor 6 Jahren
- Abrufe
Transkript
1 Tourenplanung mit Leerbehälterausgleich im kombinierten Ladungsverkehr, Modelle und Methoden für die Praxis Dr. Tore Grünert Lehr- und Forschungsgebiet Operations Research und Logistik Management RWTH Aachen 07. Juni
2 Kombinierter Ladungsverkehr (KLV) Was ist kombinierter Ladungsverkehr? Im kombinierten Verkehr wechseln die Ladeeinheiten (hier: Wechselbrücken) den Verkehrsträger in der Transportkette (Oelfke, Speditionsbetriebslehre) Gegensatz: Gebrochener Verkehr, dabei werden die Güter selbst umgeladen 07. Juni
3 Kombinierter Ladungsverkehr (KLV) 07. Juni
4 Umladen einer Wechselbrücke 07. Juni
5 Agenda 1. Planungsaufgaben im KLV 2. Modelle und Methoden (wie kann das OR helfen?) 1. Rahmentouren bzw. Zuordnung Straße/KLV 2. Leerbehälter-Management 3. Tourenplanung im Ladungsverkehr 3. Zusammenfassung und Ausblick 07. Juni
6 Zielsetzung Zeigen, wie einige (sehr schwere) praktische Probleme der Tourenplanung mit quantitativen Modellen und Methoden des OR gelöst werden können Dies kann zu erheblichen Kostenreduktionen führen und bewirkt enorme Effizienzsteigerungen bei der Planung bzw. Disposition 07. Juni
7 Was ist nicht die Zielsetzung? Praktische Umsetzung und Integration in Planungssystemen Aufzeigen von konkreten Einsparungen bzw. -potenzialen Eine reale Anwendung, obwohl viele Aspekte eines gemeinsamen Projekts mit Danzas Euronet GmbH einfließen 07. Juni
8 1. Planungsaufgaben
9 Ausgangspunkt $ 07. Juni
10 Ausgangspunkt $ 07. Juni
11 Entscheidungen Welche Aufträge werden auf der Straße, welche im KLV abgefertigt? Welche leeren Wechselbrücken/ Sattelschlepper müssen wann von wo nach wo repositioniert werden? Tourenplanung: welche Aufträge bilden zusammen Touren und welche Reihenfolge muss eingehalten werden? Umlaufplanung: wie können Fahrzeuge über mehrere Tage effizient eingesetzt werden? Prognose: Welche Aufträge werden in den nächsten Tagen entstehen 07. Juni
12 2. Modelle und Methoden
13 2.1 Rahmentouren
14 Rahmentouren Eine Rahmentour kann man sich wie einen Busfahrplan vorstellen: Ein gechartertes Fahrzeug fährt zu bestimmten Zeiten bestimmte Haltestellen an, um einen oder mehrere Be- und Entladevorgänge zu ermöglichen. Ursachen: Kostenersparnis durch Regelmäßigkeit Eine geplante Tour hat freie Kapazität 07. Juni
15 Beispiel: Rahmentour 20:00 20:45 22:00 22:30 00:30 01:00 AC K F 03:00 03:30 KA 07. Juni
16 Auftragszuordnung zu einer Rahmentour bei einem Gliederzug (2 Wechselbrücken) AC-F AC-F AC-K K-F K-KA AC K F KA 07. Juni
17 Mögliche Lösungen...1 AC-F AC-F AC-K K-F K-KA AC K F KA 07. Juni
18 Mögliche Lösungen...2 AC-F AC-F AC-K K-F K-KA AC K F KA 07. Juni
19 Mögliche Lösungen...3 AC-F AC-F AC-K K-F K-KA AC K F KA 07. Juni
20 Mögliche Lösungen...4 AC-F AC-F AC-K K-F K-KA AC K F KA 07. Juni
21 Aufgabenstellung Bestimme eine Zuordnung von Aufträgen zur Rahmentour, sodass die Einsparung maximiert wird Einsparung: Kosten des Auftrags, wenn er nicht mit der Rahmentour abgewickelt wird 07. Juni
22 Einsparung Falls ein Auftrag nicht einer Rahmentour zugeordnet wird, muss er in der späteren Tourenplanung verplant werden. Die dafür entstehenden Kosten sind a priori nicht bekannt. Approximation: Einsparung = Kosten einer Direktfahrt vom Start- zum Ziel (pessimistisch) 07. Juni
23 Modellierung Annahme: Sattelschlepper mit Kapazität = 1 AC K F KA 07. Juni
24 AC-F Modellierung Annahme: Sattelschlepper mit Kapazität = AC K F KA 07. Juni
25 Modellierung AC-F AC-K Annahme: Sattelschlepper mit Kapazität = AC K F KA 07. Juni
26 Modellierung AC-F AC-K Annahme: Sattelschlepper mit Kapazität = 1 K-F AC K F KA 07. Juni
27 Modellierung Annahme: Sattelschlepper mit Kapazität = 1 AC-F AC-K K-F K-KA AC K F KA 07. Juni
28 Modellierung Annahme: Sattelschlepper mit Kapazität = 1 AC-F AC-K K-F K-KA AC K F KA Juni
29 Lösung: Längster Weg von AC nach KA = maximale Ersparnis AC-F AC-K K-F K-KA AC K F 0 KA 07. Juni
30 Kapazität: 2 Wechselbrücken AC-F (2 Mal) AC-K K-F K-KA AC K F 0 KA 07. Juni
31 Kapazität: 2 Wechselbrücken AC-F (2 Mal) AC-K K-F (0,2) (0,1) K-KA (0,1) 50 (0,1) 60 (0,2) AC K F KA (0,2) Juni
32 Lösung: Fluss mit maximalem Gewinn AC-F (2 Mal) AC-K K-F (0,2) (0,1) K-KA (0,1) 50 (0,1) 60 (0,2) AC K F KA (0,2) Juni
33 Verallgemeinerungen Verschiedene Rahmentouren konkurrieren um die gleichen Aufträge Mehrgüterflüsse, jedes Gut ist eine Rahmentour Kapazität größer als zwei: Zuordnung von Aufträgen zur Bahn im KLV, dabei sind weitere Restriktionen zu beachten 07. Juni
34 2.2 Leerbehälter-Management
35 Leerbehälter-Management Ursache für die Notwendigkeit eines Leerbehälter-Managements ist im weitesten Sinne die fehlende Balance zwischen Angebot und Nachfrage in verschiedenen wirtschaftlichen Regionen Daraus entstehen Abgangs- und Empfangsregionen 07. Juni
36 Die Bilanzierung ist zeitabhängig... t=0 $ 07. Juni
37 Die Bilanzierung ist zeitabhängig... t=1 $ 07. Juni
38 Die Bilanzierung ist zeitabhängig... t=2 $ 07. Juni
39 Die Bilanzierung ist zeitabhängig... t=3 $ 07. Juni
40 Die Bilanzierung ist zeitabhängig... t=4 $ 07. Juni
41 Eigenschaften des Problems Je mehr Leerbehälter man zur Verfügung hat und je mehr Stellflächen in den Depots zur Verfügung stehen, desto flexibler wird man hinsichtlich der Notwendigkeit der Repositionierung. Die Zeit ist ein wesentlicher Bestandteil des Problems 07. Juni
42 Zeitlicher Ablauf Zeit 07. Juni
43 Zeitlicher Ablauf Kontrollzeitpunkte 07:00 16:00 07:00 Zeit 07. Juni
44 Zeitlicher Ablauf ankommende Transportaufträge 07:00 16:00 07:00 Zeit 07. Juni
45 Zeitlicher Ablauf abgehende Transportaufträge 07:00 16:00 07:00 Zeit 07. Juni
46 Zeitlicher Ablauf Bilanz :00 16:00 07:00 Zeit 07. Juni
47 Zeitlicher Ablauf Bestände Bestand(16:00)-1 07:00 16:00 07:00 Zeit 07. Juni
48 (6,10) Zeitlicher Ablauf Mindest / -Höchstbestände (6,10) (6,10) Bestand(16:00)-1 07:00 16:00 07:00 Zeit 07. Juni
49 (6,10) Modellierung (6,10) (6,10) Bestand(16:00)-1 07:00 16:00 07:00 Zeit Ein Knoten für jede Periode 07. Juni
50 (6,10) Modellierung (6,10) (6,10) Bestand(16:00)-1 07:00 16:00 07:00 Zeit Lagerung (6,10) (6,10) (6,10) 07. Juni
51 (6,10) Modellierung (6,10) (6,10) Bestand(16:00)-1 07:00 16:00 07:00 Zeit Transport (6,10) (6,10) (6,10) 07. Juni
52 (6,10) Modellierung (6,10) (6,10) Bestand(16:00)-1 07: :00 07:00 Zeit Bedarfe (6,10) (6,10) (6,10) Juni
53 Ort 1 Modellierung Periode 1 Periode 2 Periode 3 Ort 2 Ort Juni
54 2.3 Tourenplanung im Ladungsverkehr
55 Das Standardproblem (Vehicle Routing Problem, VRP) Eine Menge von Kunden soll von einem Depot aus mit Gütern versorgt werden Jeder Kunde hat einen bestimmten Bedarf, der durch eine einzige Lieferung befriedigt werden soll Zielsetzung (Beispiele): Beliefere alle Kunden durch Touren, sodass die zurückgelegte Strecke minimiert wird Beliefere alle Kunden durch Touren, sodass die zurückgelegte Zeit minimiert wird Beliefere alle Kunden durch Touren, sodass die Anzahl der Touren minimiert wird 07. Juni
56 2 Das VRP Juni
57 2 Das VRP Juni
58 Erweiterungen Zeitfenster Maximale Fahrzeiten Maximale Strecke Mehrere Depots Rückladungen (zuerst alles ausliefern, dann auf der Rückfahrt einsammeln) Abholung und Anlieferung (Pickup & Delivery) Heterogene Fahrzeuge 07. Juni
59 Algorithmen: Eröffnungsverfahren Cluster-First, Route-Second Route-First, Cluster-Second Sequentielle Einfügeverfahren Parallele Einfügeverfahren Aggregationsverfahren Baumsuchheuristiken Lagrange-Heuristiken 07. Juni
60 Algorithmen: Verbesserungsverfahren Kantenaustauschverfahren Intra-Tour-Verfahren Inter-Tour-Verfahren Set-Partitioning-Verfahren Meta-Heuristiken Simulated-Annealing Tabu-Search Genetische Algorithmen Ameisen-Systeme 07. Juni
61 Cluster-First, Route-Second Referenzpunkte Juni
62 Bewertung einer Clusterung i v w Juni
63 Bewertung einer Clusterung, Möglichkeit 1 i w v Einfügekosten: c 0i +c iv +c v0-2c 0v Juni
64 Bewertung einer Clusterung, Möglichkeit 2 i w v Einfügekosten: c 0i +c iw +c w0-2c 0w Juni
65 Clusterung Kunde 1 Kunde 2 Ref 1 Ref 2 Ref 3 Ref 4 Ref 5 Einfügekosten: Kunde 3, Referenzpunkt 4 Kunde 3 Kunde 4 Kunde Juni
66 Lösen des GAP Löse ein sog. verallgemeinertes Zuordnungsproblem (GAP): Jeder Kunde wird zu einem Referenzpunkt zugeordnet Jeder Referenzpunkt kann nur so viele Kunden aufnehmen, dass die Kapazität eines Fahrzeugs nicht überschritten wird Die Zuordnung soll kostenoptimal geschehen 07. Juni
67 Ergebnis der Clusterung Juni
68 Letzte Operation: Routen für jedes Cluster bestimmen Juni
69 Route-First, Cluster-Second, Giant Route Juni
70 Clustern: Optimal durch Lösen eines Kürzeste-Wege-Problems Juni
71 Im Ladungsverkehr hat man u.a.... Zeitfenster Nicht-monotone Kostenfunktion (fahre weiter und zahle weniger) Lenkzeitvorschriften Pickup-and-Delivery-Struktur Vorgegebene Ladereihenfolgen usw Juni
72 Beispiel: Das Pickup & Delivery Problem 1p 2p 4d 3d 3p 1d 6p 2d 6d 5d 5p 4p 7p 7d 07. Juni
73 Beispiel: Das Pickup & Delivery Problem 1p 2p 4d 3d 3p 1d 6p 2d 6d 5d 5p 4p 7p 7d 07. Juni
74 Beispiel: Das Pickup & Delivery Problem 1p 2p 4d 3d 3p 1d 6p 2d 6d 5d 5p 4p 7p 7d 07. Juni
75 Wie kann man bekannte OR-Heuristiken an neue Anforderungen anpassen? Zwei Ansätze: Explizite Modifikation des Algorithmus, klassische Herangehensweise, um spezielle weitere Restriktionen zu berücksichtigen, findet man oft in der OR-Literatur Ressourcen-Ansatz 07. Juni
76 Der Ressourcen-Ansatz Benötigt wird ein generisches Modell, eine Art Template für die Tourenplanung, das es erlaubt, eine Vielzahl von praktischen Problemen zu modellieren, ohne jedes Mal die Algorithmen neu zu erfinden und die Implementierung grundlegend zu verändern. 07. Juni
77 Ressourcen-Ansatz: Annahmen 2 Hauptgruppen von Objekten: Aufträge Fahrzeuge Aufträge sind durch eine Vielzahl von Attributen charakterisiert Fahrzeuge sind ebenfalls durch eine Vielzahl von Attributen charakterisiert, sie beginnen ihre Tour in einem Startdepot und beenden sie in einem Zieldepot (auch virtuelle Depots sind möglich) 07. Juni
78 Ressourcen-Ansatz: Modellierung Depots und Aufträge bilden Knoten eines gerichteten Graphen. Jedes Fahrzeug startet in seinem Startdepot-Knoten und schließt die Tour in seinem Zieldepot-Knoten ab. Dazwischen besucht es in der Regel einen oder mehrere Auftragsknoten, welche den Zustand des Fahrzeugs verändert (z.b. Fahrtlänge, Fahrtdauer, Ladezustand, Anzahl Paletten etc. ) 07. Juni
79 Netzwerkmodell Juni
80 Modellierung des Fahrzeugzustands Der Zustand des Fahrzeugs wird durch einen Vektor von Variablen, den sog. Ressourcenvektor modelliert. Beim Übergang von einem Knoten i zu einem anderen Knoten j beschreibt eine Übergangsfunktion, wie der Ressourcenvektor aktualisiert werden soll. Die Aktualisierung hängt ab von: dem Ressourcevektor im Knoten i den Variablenwerten der Kante i j der Übergangsfunktion 07. Juni
81 Ressourcen-Update x ijk =1 R jk = Φ(R ik,ε ij ) R i k i ε ij R j k j 07. Juni
82 Beispiele für Ressourcen Ladung: L jk :=L ik + ij Ankunftszeit: T jk :=max{a i,t ik + t ij } Distanz: D jk :=D ik + d ij Kosten: C jk := C(D jk ) Lenkzeit usw Juni
83 Zulässigkeit Die Zulässigkeit wird anhand von Ressourcen-Fenstern bzw. durch Angabe einer Domäne für den Ressourcenvektor an jedem Knoten überprüft: R ik D ik? für alle i,k 07. Juni
84 Implementierung Algorithmen Knoten Routen Routenplan 07. Juni
85 Algorithmen auf Routen Nutzung von virtuellen Methoden z.b. Route auf Zulässigkeit überprüfen: durchlaufe Tour und berechne Ressourcen an jedem Knoten überprüfe Zulässigkeit anhand von Ressourcen- Fenstern an jedem Knoten bestimme Kosten der Tour (eine spezielle Ressource) Enthaltensein von Knoten Einfügen von Knoten usw Juni
86 Vorteile des Ressourcen- Ansatzes Software-Wiederverwendung: Es reicht aus, die Ressourcen und deren Aktualisierung von Knoten zu Knoten in einer Route zu deklarieren. Man kann eine Vielzahl von generischen Algorithmen entwickeln und sehr schnell anpassen, ohne die wesentlichen Strukturen zu verändern. 07. Juni
87 ...und es funktioniert Während des gemeinsamen Projekts mit Danzas Euronet wurden relativ spät neue Anforderungen an die Ladereihenfolgen an bestimmten Depots formuliert. Diese konnten ohne Re- Implementierung in die Software integriert werden. 07. Juni
88 Zusammenfassung (I) Es wurde gezeigt, wie man eine Vielzahl von Problemen aus dem Bereich Kombinierter Ladungsverkehr mit Hilfe von OR-Modellen lösen kann. Die dabei entwickelten Ansätze sind teilweise sehr flexibel und lassen sich auch in anderen Bereichen der Tourenplanung einsetzen. Instanzen der Tourenplanung mit vielen Tausend Aufträgen lassen sich heute auf PCs in wenigen Minuten lösen. 07. Juni
89 Zusammenfassung (II) Disponenten können diese Qualität in annehmbarer Zeit nicht erreichen. Die Amortisationsdauer beträgt bei großen Instanzen nur wenige Tage bis Wochen 07. Juni
90 Das Ende Danke für Ihre Aufmerksamkeit
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
MehrFakultät für Informatik. Professur Theoretische Informatik und Informationssicherheit. Thema: Vehicle Routing. Leitung: Prof. Dr.
Technische Universität Chemnitz Fakultät für Informatik Professur Theoretische Informatik und Informationssicherheit Proseminar Effiziente Algorithmen Thema: Vehicle Routing Leitung: Prof. Dr. Lefmann
MehrLogistik: 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
MehrEinsatz 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
MehrRouten- & 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
MehrPlanung und Optimierung von Auslieferungsstandorten in komplexen Distributionsnetzwerken
Planung und Optimierung von Auslieferungsstandorten in komplexen Distributionsnetzwerken Von der Fakultät für Wirtschaftswissenschaften der Rheinisch-Westfälischen Technisdien Hochschule Aadien zur Erlangung
MehrPraxisbeispiele für taktische und operative Planungsverfahren im Rundholztransport
Praxisbeispiele für taktische und operative Planungsverfahren im Rundholztransport Institut für Produktionswirtschaft und Logistik Univ. Ass. DI. Dr. Peter Rauch Workshop Kooperative Holzlogistik 1 Plannungsverfahren
MehrHybrid 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
MehrEffiziente Algorithmen I
H 10. Präsenzaufgabenblatt, Wintersemester 2015/16 Übungstunde am 18.01.2015 Aufgabe Q Ein Reiseveranstalter besitzt ein Flugzeug, das maximal p Personen aufnehmen kann. Der Veranstalter bietet einen Flug
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
Mehr2. Repräsentationen von Graphen in Computern
2. Repräsentationen von Graphen in Computern Kapitelinhalt 2. Repräsentationen von Graphen in Computern Matrizen- und Listendarstellung von Graphen Berechnung der Anzahl der verschiedenen Kantenzüge zwischen
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Clustering: Partitioniere Objektmenge in Gruppen(Cluster), so dass sich Objekte in einer Gruppe ähnlich sind und Objekte
MehrLenk- und Ruhezeiten in der Tourenplanung
Lenk- und Ruhezeiten in der Tourenplanung Asvin Goel und Volker Gruhn Lehrstuhl für Angewandte Telematik/e-Business, Universität Leipzig, Klostergasse 3, 04109 Leipzig {goel,gruhn}@ebus.informatik.uni-leipzig.de
MehrWIR LIEFERN IHNEN BAUSTOFFE. MIT MODERNSTER LOGISTIK.
WIR LIEFERN IHNEN BAUSTOFFE. MIT MODERNSTER LOGISTIK. Ob ebenerdig oder in die Höhe, wir bringen Ihnen die bestellten Baustoffe dorthin, wo Sie wollen pünktlich und zuverlässig bis zu 28 Meter hoch. Mit
MehrLogistikcontrolling: Standort- und Tourenplanung
Logistikcontrolling: Standort- und Tourenplanung Aufgabe 3 Dr. Michael Holtrup Agenda 1 Aufgabe 3a: außerbetriebliche Standortplanung 2 Aufgabe 3a: Lösungshinweise 3 Aufgabe 3b: Standortfaktoren 4 Aufgabe
MehrEinführung in Heuristische Suche
Einführung in Heuristische Suche Beispiele 2 Überblick Intelligente Suche Rundenbasierte Spiele 3 Grundlagen Es muss ein Rätsel / Puzzle / Problem gelöst werden Wie kann ein Computer diese Aufgabe lösen?
MehrWas bisher geschah. 1. Zerlegung in monotone Polygone 2. Triangulierung der monotonen Teilpolygone
Was bisher geschah Motivation, Beispiele geometrische Objekte im R 2 : Punkt, Gerade, Halbebene, Strecke, Polygon, ebene Zerlegung in Regionen (planare Graphen) maschinelle Repräsentation geometrischer
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung
Mehr6. Flüsse in Netzwerken Berechnung maximaler Flüsse. dann berechnet der Markierungsalgorithmus für beliebige Kapazitätsfunktionen
6. Flüsse in Netzwerken Berechnung maximaler Flüsse Satz 6.4. Ersetzt man in Algorithmus 6.1 den Schritt 2 durch 2a. Wähle den Knoten, der zuerst in eingefügt wurde. Setze. dann berechnet der arkierungsalgorithmus
MehrPeriodische 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
Mehr9. Heuristische Suche
9. Heuristische Suche Prof. Dr. Rudolf Kruse University of Magdeburg Faculty of Computer Science Magdeburg, Germany rudolf.kruse@cs.uni-magdeburg.de S Heuristische Suche Idee: Wir nutzen eine (heuristische)
MehrOptimierung der Einzelbeförderung für Schulen und soziale Einrichtungen
Stand 7.September 2004 Seite 1 /17 Optimierung der Einzelbeförderung für Schulen und soziale Einrichtungen eine DV-basierte Optimierung der Tourenplanung Zentrum für integrierte Verkehrssysteme an der
MehrDynamische Programmierung. Problemlösungsstrategie der Informatik
als Problemlösungsstrategie der Informatik und ihre Anwedung in der Diskreten Mathematik und Graphentheorie Fabian Cordt Enisa Metovic Wissenschaftliche Arbeiten und Präsentationen, WS 2010/2011 Gliederung
MehrAlles bestens geplant
Alles bestens geplant Integrated Dispatch Management (IDM) Tourenplanung und Disposition mit SAP Germany Malaysia Switzerland UK USA Alles bestens geplant Integrated Dispatch Management (IDM) Tourenplanung
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
MehrHefte 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
MehrProseminar Online Algorithmen, Prof. Dr. Rolf Klein
Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Vortrag von Michael Daumen am 13.12.2000 Thema : Minimum Spanning Tree und 2-Approximation der TSP-Tour Inhalt des Vortrags : 1. genaue Vorstellung des
MehrSeminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt;
Seminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt Referent Matthias Rost 1 Einleitung Definitionen Maximaler Dynamischer Fluss Algorithmus von Ford-Fulkerson Techniken zur
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2007 4. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Traversierung Durchlaufen eines Graphen, bei
MehrInnovative Fahrzeugkonzepte und Trends in der Nutzfahrzeugtechnik
und Trends in der Nutzfahrzeugtechnik 20.08.2007 Klemens Große-Vehne 1 Gliederung Herausforderung Derzeitiger Stand & Trends in der Nutzfahrzeugbranche Mögliche Lösungsansätze Konzept EuroTRAILER Konzept
MehrTraveling Salesman Problem (TSP) Präsentation von Burku, Kienzerle, Stollnberger
Traveling Salesman Problem (TSP) Präsentation von Burku, Kienzerle, Stollnberger Inhalt Allgemeine Problembeschreibung Historie Mathematische Beschreibung Algorithmische Komplexität Beispiel Symmetrisches
Mehr6 Bestimmung linearer Funktionen
1 Bestimmung linearer Funktionen Um die Funktionsvorschrift einer linearen Funktion zu bestimmen, muss man ihre Steigung ermitteln. Dazu sind entweder Punkte gegeben oder man wählt zwei Punkte P 1 ( 1
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Thomas Vanck Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
MehrPersonalbuslinie CCS Fahrtrichtung Geb Haltestelle Terminal 1 Ost Abfahrtzeiten
00:02 00:04 3 00:08 00:09 00:10 2 00:11 00:11 00:12 Geb. 587 00:13 Geb. 556 00:14 Geb. 555 00:15 1 - intern 00:17 Geb. 520 00:19 Geb. 527 00:20 Geb. 532 00:21 Geb. 534 00:22 Geb. 536 00:23 Geb. 543 00:24
MehrLogistik: Transport. Grundlagen, lineare Transportund Umladeprobleme. Von Dr. Wolfgang Domschke. o. Professor für Betriebswirtschaftslehre
Logistik: Transport Grundlagen, lineare Transportund Umladeprobleme Von Dr. Wolfgang Domschke o. Professor für Betriebswirtschaftslehre Zweite, ergänzte Auflage TECHNISCH!: MOC cchule DARiviSTAOT j P e
MehrEntwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen, 22.01.2015 Agenda 1 2 3 4 5 Ziel der
MehrUnterstützung der Disposition in Speditionen - DynaServ -
Unterstützung der Disposition in Speditionen - DynaServ - Prof. Dr. Thomas Bousonville Prof. Dr. Teresa Melo Hochschule für Technik und Wirtschaft des Saarlandes Statusseminar IngenieurNachwuchs (Informatik),
MehrPartitionierung komplexer heterogener Systeme
Berichte aus der Elektrotechnik Thomas Hollstein Entwurf und interaktive Hardware-/Software- Partitionierung komplexer heterogener Systeme D17(Diss.TU Darmstadt) Shaker Verlag Aachen 2001 Inhaltsverzeichnis
MehrIntelligente Wechselbrückensteuerung für die Logistik von Morgen
Intelligente Wechselbrückensteuerung für die Logistik von Morgen Kassel, 06.03.2009 Alexander Podlich Micromata GmbH 1 Agenda Inwest-Projekt & Projektpartner YellowBox Middleware, Tourenplanung und Ad-Hoc-Optimierung
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Suchprobleme bestehen aus Zuständen
MehrVorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
MehrDas Dilemma des Einbrechers Wer die Wahl hat, hat die Qual!
Das Dilemma des Einbrechers Wer die Wahl hat, hat die Qual! 0kg 4000 Euro Luster 5,5 kg, 430.- Laptop 2,0 kg, 000.- Schatulle 3,2 kg, 800.- Uhr 3,5 kg, 70.- Schwert,5 kg, 850.- Bild 3,4 kg, 680.- Besteck
MehrApproximation im Sinne der Analysis:
1 Approximation im Sinne der Analysis: Satz von Weierstrass: (1815-1897) Sei f eine stetige Funktion auf [a, b]. Dann gibt es zu jedem ε > 0 ein Polynom P ε mit: max x [a,b] f(x) P ε(x) < ε Numerische
MehrSingle Source Sortest Path Negative Kreise All-Pair Shortest Path Problem Minimum Mean Cycle Zusammenfassung. Shortest Paths
Shortest Paths Label Correcting Algorithms Florian Reitz Universität Trier Fachbereich IV Fach Informatik Seminar Netzwerkalgorithmen WS 2005/2006 Einleitung: Problemübersicht Eben: Schnelle Algorithmen
MehrDynaTraffic Modelle und mathematische Prognosen. Simulation der Verteilung des Verkehrs mit Hilfe von Markov-Ketten
DynaTraffic Modelle und mathematische Prognosen Simulation der Verteilung des Verkehrs mit Hilfe von Markov-Ketten Worum geht es? Modelle von Verkehrssituationen Graphen: Kanten, Knoten Matrixdarstellung
MehrLange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege
Lange Nacht der Wissenschaft Ein Klassiker Die Mathematik der Kürzesten Wege 09.06.2007 schlechte@zib.de Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB) http://www.zib.de/schlechte 2 Überblick
MehrLogistik Ansatz und Anwendung
Integration von Planungssystemen in der Logistik Ansatz und Anwendung Christoph Augenstein, Stefan Mutke, André Ludwig Stiftungsprofessur Informationssysteme in der Logistik Agenda Planungssysteme in der
MehrLineare Gleichungssysteme mit zwei Variablen, lineare Funktionen. Zeit-Weg-Diagramme, Textgleichungen
MATHEMATIK Unterrichtsfach Themenbereich/e Schulstufe (Klasse) Fachliche Vorkenntnisse Sprachliche Kompetenzen Zeitbedarf Material- und Medienbedarf Sozialform/en Methodische Tools Hinweise zur Durchführung
MehrEntwicklung einer zeitbezogenen Navigation für den Straßenverkehr
Entwicklung einer zeitbezogenen Navigation für den Straßenverkehr AGIP-Forschungsvorhaben F.A.-Nr. 24.8, Projektzeitraum 1.1.25 bis 31.12. 26 Ausgangssituation Stand der Technik im Straßenverkehr sind
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrRadroutenplaner im Internet
Radroutenplaner im Internet Peter London Ministerium für Bauen und Verkehr NRW Bestehende Wegweisungssysteme zum Thema "Themenrouten"... Schilda liegt in NRW Schilda liegt in NRW (2) ... Abbau von Schilderbäumen
MehrInformationsbroschüre. via logis - Logistik professionell planen
Informationsbroschüre via logis - Logistik professionell planen Der wirtschaftliche Erfolg eines Unternehmens hängt vor allem auch von einer optimalen logistischen Planung ab. Eine perfekte Vernetzung
Mehr5. Lokale Suchverfahren. Beispiel TSP: k-change Nachbarschaft. Nachbarschaft. k-opt Algorithmus
5. Lokale Suchverfahren Lokale Suche 5. Lokale Suchverfahren Beispiel TSP: k-change Nachbarschaft Optimale Lösungen können oft nicht effizient ermittelt werden. Heuristiken liefern zwar zulässige Lösungen,
MehrEntwurf eines normalisierten Datenmodells und einer einheitlichen Auswerte-Schnittstelle
Entwurf eines normalisierten Datenmodells und einer einheitlichen Auswerte-Schnittstelle Folie 1 Übersicht Motivation Hintergrund Problemstellung Zielsetzung Stand der Technik Analyse Ausblick Folie 2
MehrKURZINFORMATION. Teilladungsallianz März einfach fair erfolgreich
KURZINFORMATION Teilladungsallianz März 2016 DAS SYSTEM Einfach! Part Load Alliance ist eine Kooperation für Teilladungen. Sie basiert auf der Idee eines Direktverkehrsnetzes mit Linienknoten und einem
MehrJ. Reinier van Kampenhout Robert Hilbrich Hans-Joachim Goltz. Workshop Echtzeit Fraunhofer FIRST
Modellbasierte Generierung von statischen Schedules für sicherheitskritische, eingebettete Systeme mit Multicore Prozessoren und harten Echtzeitanforderungen J. Reinier van Kampenhout Robert Hilbrich Hans-Joachim
MehrPTV SMARTOUR. Wie gewinnt man gegen die Zeit?
7 Wie gewinnt man gegen die Zeit? 8 PTV. The Mind of Movement Die PTV Group bietet Software und Consulting für Verkehr, Transportlogistik und Geomarketing. Ob Transportrouten, Vertriebsstrukturen, Individualverkehr
MehrWettbewerbswirkungen der Einführung des Gigaliners auf den Kombinierten Verkehr
Wettbewerbswirkungen der Einführung des Gigaliners auf den Kombinierten Verkehr Pressekonferenz 05. September 2006 Frankfurt Analyse der Auswirkungen der Einführung des Gigaliner auf den Wettbewerb zwischen
MehrMaximizing the Spread of Influence through a Social Network
1 / 26 Maximizing the Spread of Influence through a Social Network 19.06.2007 / Thomas Wener TU-Darmstadt Seminar aus Data und Web Mining bei Prof. Fürnkranz 2 / 26 Gliederung Einleitung 1 Einleitung 2
MehrDIPLOMARBEIT. Titel der Diplomarbeit. Anwendung eines Standardsoftwarepaketes für die Lösung von Tourenplanungsproblemen. Verfasserin.
DIPLOMARBEIT Titel der Diplomarbeit Anwendung eines Standardsoftwarepaketes für die Lösung von Tourenplanungsproblemen Verfasserin Tirza Hizgilov angestrebter akademischer Grad: Magistra der Sozial- und
MehrScheduling-Theorie. Mathematische Modelle und Methoden für deterministische Scheduling-Probleme. LiSA - A Library of Scheduling Algorithms
Scheduling-Theorie Mathematische Modelle und Methoden für deterministische Scheduling-Probleme LiSA - A Library of Scheduling Algorithms Otto-von-Guericke Universität Magdeburg/FMA/Heidemarie Bräsel &
MehrAutomatisierte Erstellung von fahrplanreferenzierten ÖV-Netzen. Patrick Brosi, Uli Müller
Automatisierte Erstellung von fahrplanreferenzierten ÖV-Netzen Patrick Brosi, Uli Müller Anwendungen auf Basis von Open Source (GIS) Software mit Schwerpunkt im öv- und Infrastruktur-Bereich Fachapplikationen
MehrTraveling Salesman Problem (TSP)
Traveling Salesman Problem (TSP) Das Traveling Salesman Problem (TSP) ist ein bekanntes Optimierungsproblem. Ein Handlungsreisender soll in einer Rundreise (auch Tour genannt) n vorgegebene Städte besuchen.
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen
MehrEntwurf und Umsetzung eines Werkzeugs für die Fluchtwegplanung
Entwurf und Umsetzung eines Werkzeugs für die Fluchtwegplanung Diplomarbeit Christian Weiprecht Bauhaus-Universität Weimar Fakultät Bauingenieurwesen Professur CAD in der Bauinformatik Inhaltsübersicht
MehrScheduling 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
MehrGliederung. Kapitel 4. Lokale Suchverfahren. Meta-Heuristiken. Simulated Annealing. Lokale Suchverfahren. Optimierungsalgorithmen
Kapitel Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
MehrTourenplanung 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
MehrKombinatorische Optimierung
Kombinatorische Optimierung Zuweisungsprobleme 2 1 3 5 4 Kombinatorische Optimierung Rucksackpackproblem 1 10 2 4 6 3 5 8 6 Aufspannende Bäume Travelling Salesman VLSI Design C. Kanzow, M. Gerdts Kombinatorische
MehrBabeș-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
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
MehrObjektorientierte Modellierung (1)
Objektorientierte Modellierung (1) Die objektorientierte Modellierung verwendet: Klassen und deren Objekte Beziehungen zwischen Objekten bzw. Klassen Klassen und Objekte Definition Klasse Eine Klasse ist
MehrDynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206
Kapitel 4 Dynamische Optimierung Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Inhalt Inhalt 4 Dynamische Optimierung Allgemeiner Ansatz und Beispiele Stochastische dynamische
Mehr10 GUTE GRÜNDE FÜR DEN PTV NAVIGATOR. navigator.ptvgroup.com
10 GUTE GRÜNDE FÜR DEN PTV NAVIGATOR 1. PROFESSIONELLE ROUTENFÜHRUNG SPEZIELL FÜR LKW Kosteneinsparungen durch Reduktion der tatsächlichen Fahrzeit, Vermeidung von Verschleiß und Gefahrenstellen. Effizienzsteigerung
MehrHeuristiken 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
MehrVerkettete Datenstrukturen: Bäume
Verkettete Datenstrukturen: Bäume 1 Graphen Gerichteter Graph: Menge von Knoten (= Elementen) + Menge von Kanten. Kante: Verbindung zwischen zwei Knoten k 1 k 2 = Paar von Knoten (k 1, k 2 ). Menge aller
MehrVorlesung 4 BETWEENNESS CENTRALITY
Vorlesung 4 BETWEENNESS CENTRALITY 101 Aufgabe! Szenario: Sie arbeiten bei einem sozialen Online-Netzwerk. Aus der Netzwerk-Struktur Ihrer Benutzer sollen Sie wichtige Eigenschaften extrahieren. [http://www.fahrschule-vatterodt.de/
MehrWie findet das Navi den Weg?
0.05.0 Verwandte Fragestellungen Problemstellungen aus der Praxis Prof. Dr. Paul Rawiel Gliederung des Vortrags Speicherung von Kartendaten zur Navigation Kriterien für die Navigation Finden des kürzesten
MehrKürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik
Kürzeste Wege in Graphen Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Gliederung Einleitung Definitionen Algorithmus von Dijkstra Bellmann-Ford Algorithmus Floyd-Warshall Algorithmus
Mehr14. Magdeburger Logistiktagung. Schienengüterverkehr. Alexandra Saur Stephan Zelewski. gefördert vom
14. Magdeburger Logistiktagung Optimierung von Leerfahrten im Schienengüterverkehr Alexandra Saur Stephan Zelewski Matthias Klumpp gefördert vom Agenda (1) Einleitung und Problemstellung (2) Modellierung
MehrProblemreduktion durch Transformation am Beispiel des. Erweiterten Euklidschen Algorithmus
Problemreduktion durch Transformation am Beispiel des Erweiterten Euklidschen Algorithmus Wolfgang Windsteiger JKU Linz, A 4040 Linz, Austria Kurzfassung Transformation beschreibt im Wesentlichen die algorithmische
MehrCustomization (Zuschneiden)
Customization (Zuschneiden) Anpassen der (Graph)Datenstruktur an die Anwendung. I Ziel: schnell, kompakt. I benutze Entwurfsprinzip: make the common case fast I Listen vermeiden Mögliches Problem: Software-Engineering-Alptraum
MehrDeadlocks. System hat nur begrenzte Ressourcen (Ressourcentypen) Hauptspeicher Externer Speicher Drucker File
Kapitel V Deadlocks (Verklemmungen) 1 Deadlocks System hat nur begrenzte Ressourcen (Ressourcentypen) Hauptspeicher Externer Speicher Drucker File Prozesse benötigen Genehmigung vor der Benutzung von Ressourcen.
MehrOptimierungsverfahren 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
MehrAutonomes Kreuzungsmanagement für Kraftfahrzeuge
Autonomes Kreuzungsmanagement für Kraftfahrzeuge Trajektorienplanung mittels Dynamischer Programmierung Torsten Bruns, Ansgar Trächtler AUTOREG 2008 / Baden-Baden / 13.02.2008 Szenario Kreuzungsmanagement
MehrWissensbasierte 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?
MehrVortrag. 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
MehrInhaltsübersicht. Verzeichnisse
Inhaltsübersicht Verzeichnisse I 1 Einleitung 1 1.1 Problemstellung 1 1.2 Zielsetzung 3 1.3 Forschungsfrage 4 1.4 Forschungskonzeption 5 1.5 Struktur der Arbeit 10 2 Grundlagen der Planung in der Auftragsabwicklung
Mehr15. Algorithmus der Woche Das Rucksackproblem Die Qual der Wahl bei zu vielen Möglichkeiten
15. Algorithmus der Woche Das Rucksackproblem Die Qual der Wahl bei zu vielen Möglichkeiten Autoren Rene Beier, MPI Saarbrücken Berthold Vöcking, RWTH Aachen In zwei Monaten startet die nächste Rakete
MehrStatistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07
Statistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07 Ziel der Clusteranalyse: Bilde Gruppen (cluster) aus einer Menge multivariater Datenobjekte (stat
MehrSensorsimulation in Hardware in the Loop-Anwendungen
Sensorsimulation in Hardware in the Loop-Anwendungen Kristian Trenkel, Florian Spiteller Echtzeit 2014 20.11.2014 Gliederung I. Einführung II. Problemstellung III. Anforderungen an eine Sensorsimulation
MehrSattelpunkt-Interpretation
Sattelpunkt-Interpretation Vinzenz Lang 14. Mai 2010 Die Sattelpunkt-Interpretation befasst sich mit der Interpretation der Lagrange- Dualität. Sie wird im weiteren Verlauf des Seminars nicht noch einmal
MehrModernes Fuhrparkmanagement Effiziente Wege aus der Kostenfalle
Modernes Fuhrparkmanagement Effiziente Wege aus der Kostenfalle Prof. Dr. Th. Bousonville ISCOM, HTW des Saarlandes Dachser, Überherrn 8. Oktober 2012 Agenda Logistik an der HTW des Saarlandes Studienangebot
MehrBlocksatzbildung. Einführung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 02/03 93
Blocksatzbildung Beispiel 3.9. [Berechnung optimaler Blockungen] egeben ist eine Folge Jeder egenstand hat eine Länge von egenständen. Die egenstände sollen in Blöcke eingeteilt werden, wobei die Idealgröße
MehrDas Multi Traveling Salesman Problem
Das Multi Traveling Salesman Problem Harald Voit Seminar Ganzzahlige Optimierung 19. bis 21. Januar 2007 Wallenfels Das Multi Traveling Salesman Problem p.1/26 Übersicht Vom TSP zum ATSP Das Multi Traveling
MehrOptimierung I. Dr. Ulf Lorenz F2.413
Optimierung I Dr. Ulf Lorenz F2.413 flulo@upb.de Organisation Dozent: Dr. Ulf Lorenz F2.413 Fürstenallee 11 email: flulo@upb.de WWW: http://www.upb.de/cs/flulo (hier auch aktuelle Infos + Ü-Zettel) Vorlesungen:
MehrEffiziente Lokale Suche für Vehicle Routing und Scheduling Probleme mit Ressourcenbeschränkungen
Effiziente Lokale Suche für Vehicle Routing und Scheduling Probleme mit Ressourcenbeschränkungen Von der Fakultät für Wirtschaftswissenschaften der Rheinisch-Westfälischen Technischen Hochschule Aachen
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 11 Prof. Dr. Helmut Seidl, S. Pott,
MehrGemischt-ganzzahlige und Kombinatorische Optimierung
5. Präsenzaufgabenblatt, Sommersemester 2015 Übungstunde am 15.06.2015 Aufgabe J Betrachten Sie die LP-Relaxierung max c T x a T x b 0 x i 1 des 0/1-Knapsack-Problems mit n Gegenständen, c 0 und a > 0.
MehrStandortoptimierung. Dortmund, Oktober 1998
Standortoptimierung Dortmund, Oktober 1998 Prof. Dr. Heinz-Michael Winkels, Fachbereich Wirtschaft FH Dortmund Emil-Figge-Str. 44, D44227-Dortmund, TEL.: (0231)755-4966, FAX: (0231)755-4902 1 Inhalt Seite
Mehr