Einsatz Evolutionärer Algorithmen zur Optimierung der Tourenplanung eines Wachschutzunternehmens

Transkript

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

2 Übersicht Darstellung und Einordnung des Problems Genetische Algorithmen Entwurf und Implementierung Vorstellung der Programmoberfläche Zusammenfassung und Ausblick

3 Darstellung und Einordnung des Problems

4 Beschreibung des Problems mehrere Kunden, die von einem zentralen Fahrzeugdepot aus angefahren werden müssenm Wachobjekte, Zeitfenster, Kontrollzeiten, Zeitrestriktionen der Fahrer Ziel: die verschiedenen Kunden so auf n Routen aufzuteilen, dass die dafür r benötigte Zeit und Gesamtstrecke möglichstm optimal wird

5 Tourenplanung Beispiel: 3 1 Kunden Depot Routen Aufteilung d. Objekte auf mehrere Routen/Fahrer, so dass alle Zeitbedingungen erfüllt werden und Gesamtkilometerzahl oder Zeitaufwand minimal wird

6 Einordnung lässt sich als Vehicle Routing Problem beschreiben Vehicle Routing Problem ähnelt stark dem bekannten Problem des Handelsreisenden Aufgabe: optimale Lösung L finden Absuchen des Lösungsraums L

7 Laufzeitkomplexität Beispiel zur Verdeutlichung: 3 Wachobjekte A,B,C Fahrzeugdepot D ein Fahrzeug A D B C Lösungsraum: D,A,B,C,D D,A,C,B,D D,B,A,C,D D,B,C,A,D D,C,A,B,D D,C,B,A,D Jede mögliche m Kombination muss evaluiert werden hinsichtlich der Erfüllung sämtlicher Restriktionen sowie der dafür r benötigte Zeitaufwand Permutation: es gibt n mögliche Anordnungen von n verschiedenen Objekten (Beispiel n=3): 3 = 3*2*1= 6 mögliche Kombinationen

8 Laufzeitkomplexität der Lösungsraum L kann sehr groß werden 10 Objekte 12 Objekte 16 Objekte Anzahl d. Möglichkeiten *10 13????????? Problem ist NP-vollständig (hohe Laufzeitkomplexität) t) für r größ ößere Probleme unmöglich alle Kombinationen in akzeptabler Zeit zu untersuchen (Rechenzeit ) Einsatz von heuristischen Suchverfahren (suboptimale Lösungen) L Bergsteigerprinzip Sintflut-Algorithmus Naturanaloge Verfahren (Evolution( Evolutionäre Algorithmen)

9 Genetische Algorithmen

10 Genetische Algorithmen als Optimierungsverfahren Modell nach Vorbild der biologischen Evolution und der molekularen Genetik simuliert den Evolutionsprozeß auf dem Rechner in vereinfachter Form nach codierter Wert von Variable x codierter Wert von der Variablen y Eigenschaften: Gen Allel (Wert) String Repräsentations-Schema (geeignete Codierung) Fitness-Bestimmung, Genetische Operatoren Parameter des GA: Populationsgröß öße, Pm,Pr,Pc Pc,, Selektionsform u.v.a. Abbruchkriterium

11 Entwurf und Implementierung

12 Lösungsansatz Benutzer Modell des Wachschutzprozesses Optimierungsverfahren (Genetischer Algorithmus) mögliche LösungL

13 Voraussetzung Für r die Optimierung des Tourenplans benötigt man die kürzestenk Entfernungen (Fahrzeit, Distanz) zwischen den einzelnen Objekten in Form eines vollständigen Graphen in einem vollständigen Graphen ist jeder Knoten i mit jedem anderen Knoten j durch genau einen Bogen verbunden b = k ( k 1) 2 k = 4 b = 6 k = 5 b = 10 k = 6 b = 15

14 Repräsentation des Straßennetzes mögliche Ansätze: 1. Euklidischer Abstand (Luftlinienentfernung) keine Berücksichtigung des zugrundeliegenden Straßennetzes (ungenau) 2. Eingabe der gesamten Entfernungsmatrix z.b. Verwendung eines Routenplaners hoher Wartungsaufwand beim Hinzufügen von neuen Wachobjekten 3. Abbildung des Straßennetzes von Brandenburg und Umgebung gerichteter bewerteter Graph Implementierung eines shortest-path Algorithmus

15 Repräsentations-Schema (Codierung) Codierung einer Lösung L des VRP als Chromosom Verwendung einer Permutationscodierung (Pfadrepräsentation) A B 1 2 E D 4 0 C 3 D B C A E D Genom-String aus Buchstaben Integer-String Jedes Chromosom(Individuum) stellt eine mögliche m Lösung L des Problems (Punkt im Suchraum) dar

16 Repräsentations-Schema (Codierung) Blankzeichen zur Unterscheidung der verschiedenen Routen Tour 1 Tour 2 Tour 3 5,8,12,7,18,13,1,0,2,3,14,6,7,0,11,4,9,... Die Verwendung einer Permutationscodierung erfordert spezielle Mutations- und Crossoveroperatoren (inkonsistente Nachkommen) Eltern Kinder Mutation Crossover

17 Veränderung des Erbguts Mutation: Prinzip des Zweiertausches Verschiebung eines Sequenz-Teilstückes

18 Veränderung des Erbguts PMX-Crossover Crossover: E1: E2: N1: N2: x x x x x x x x x x x x x x N1: N2: N1: N2: x 3 x x x x 4 x

19 Fitnessbestimmung t 0,5 t t t 5,8 8, 12 12, 7 Individuum: 5, 8, 12, 7, 18, 13, 1, 0, 2, 3, 14,... Unterschiedliche Zielkriterien Aggregationsansatz F Fahrzeit t +, (1) tπ ( i), π ( i= 1 Zeitfensterverletzungen Arbeitszeitverletzungen Schlüsselverletzungen Bewertung der Tourenpläne ne (Mehrzieloptimierung) ( x) = w f ( x) + w f ( x) + K+ w f ( x) 1 1 n 1 + t 0 π i+ 1) π ( n),0 2 2 n n

20 Entwicklungsumgebung Erstellung einer Windows-Applikation Borland C++ Object Windows Library (OWL) Anwendung Eigene Klassen OWL Windows-API

21 Vorstellung der Programmoberfläche

22 Zusammenfassung und Ausblick

23 Zusammenfassung und Ausblick Komplexität t des Problems Lösungsverfahren (z.b. Genetischer Algorithmus) Modellierung Entwurf eines GA Windows-Anwendung Erweiterung des Straßennetzes

24 Vielen Dank für f r die Aufmerksamkeit Fragen