Konzentrische U-Bahn-Linienpläne

Ähnliche Dokumente
Konzentrische U-Bahn-Linienpläne

Algorithmen zur Visualisierung von Graphen

Flächenaggregation LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK

Algorithmen zur Visualisierung von Graphen Lagenlayouts

Algorithmen zur Visualisierung von Graphen

Algorithmen zur Visualisierung von Graphen

Flächenaggregation. Benjamin Niedermann Vorlesung Algorithmische Kartografie /

Lagenlayouts. 13. November 2014 INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK

Betriebswirtschaftliche Optimierung

Übungsblatt 6 Lösungsvorschläge

Betriebliche Optimierung

Algorithmen zur Visualisierung von Graphen Lagenlayouts Teil 2

Das Prinzip der Suchmaschine Google TM

Optimierung. Vorlesung 9

Algorithmen zur Visualisierung von Graphen

Schematisierung von Karten

Winkelschematisierung im Graphenzeichnen

Anwendungsbeispiel: MTO

Algorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck. 10 Matching-Probleme

Map Labeling, U-Bahnpläne und dynamische Landkarten

Kreuzungen, Kurven und Constraints beim Zeichnen von Graphen

Strukturelle SVM zum Graph-labelling

Kapitel 9: Lineare Programmierung Gliederung

Quantengraphen. Sebastian Haeseler Technische Universität Chemnitz. Abstrakte Versionen klassischer. Ungleichungen und Anwendungen auf

Kapitel 12. Lagrange-Funktion. Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 1 / 28. f (x, y) g(x, y) = c. f (x, y) = x y 2

Kuhn-Tucker Bedingung

Übungsaufgaben zu den mathematischen Grundlagen von KM

Johannes Veit. 8. Januar 2016

TEIL II LINEARE ALGEBRA

Algorithmen zur Visualisierung von Graphen

Ausarbeitung zu: Seminar Netzwerkanalyse und das Internet

Nash-Gleichgewichte in 2-Spieler Systemen. Katharina Klost Freie Universität Berlin

2 Die Dimension eines Vektorraums

Flussmethoden: orthogonales Graphenzeichnen

Varianten des Travelling Salesman Problem (TSP)

Automatisches Zeichnen von U-Bahn-Linienplänen unter Verwendung von Bézierkurven

Visualisierung von Graphen

4.4 Quadratische Optimierungsprobleme

Rundreiseproblem und Stabilität von Approximationsalg.

Datenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität

Graphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke

Technische Universität München

Optimal-trennende Hyperebenen und die Support Vector Machine. Volker Tresp

Simulation von Flüssigkeitsbrücken zwischen Nanopartikeln

Algorithmentechnik - U bung 7 8. Sitzung Tanja Hartmann 04. Februar 2010

Name: Gruppe: Matrikel-Nummer:

»La filosofia è scritta in questo grandissimo libro che continuamente ci sta aperto innanzi a

6. Einführung 43. gilt. Dann soll also A B x B = b eindeutig lösbar sein, also A B vollen Rang haben, d. h. invertierbar (regulär) sein.

11. Übung zu Algorithmen I 6. Juli 2016

Algorithmische Graphentheorie

Das Multi Traveling Salesman Problem

5 Harmonische Funktionen

Approximierbarkeit. Definition. Ein Optimierungsproblem P ist gegeben durch ein Quadrupel. P = (I, Sol, m, goal), wobei:

Optimierung. Vorlesung 08

MATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE

Optimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung

Map Matching. Problem: GPS-Punkte der Trajektorie weisen einen relativ großen Abstand zueinander auf.

Mathematik II für Inf und WInf

Packalgorithmen für quaderförmige Objekte. Ilia Belozerov

Diplomprüfung Frühjahr Prüfungsfach. Statik. Klausur am (bitte deutlich schreiben!)

Klammersprache Definiere

2 Extrema unter Nebenbedingungen

Algorithmen für Routenplanung 12. Sitzung, Sommersemester 2014 Prof. Christos Zaroliagis 26. Mai 2014

Ritz-Galerkin-Verfahren Courant Element

4.7 Der Algorithmus von Dinic für maximalen Fluss

Einführung in das Seminar Algorithmentechnik

Maximumprinzip und Minimumprinzip

Vorlesung Algorithmische Kartografie. Übungsblatt 9. Benjamin Niedermann

Quantengraphen. Sebastian Haeseler Technische Universität Chemnitz. Abstrakte Versionen klassischer. Ungleichungen und Anwendungen auf

Theoretische Physik 1 Mechanik

Perlen der Informatik I Wintersemester 2012 Aufgabenblatt 7

Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 3: Das Matching-Polytop

Delaunay-Triangulierungen

Anordnungstechniken für konvektionsdominante Probleme im Ê 3. Dimensionsunabhängige Verfahren. Algorithmen für planare Graphen. Numerische Beispiele

Abbildung 71. Streckennetz

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Übungen zur Theoretischen Physik 2 Lösungen zu Blatt 13

Algorithmische Methoden zur Netzwerkanalyse

Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)

Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)

Beschleunigung von kräftebasierten Graphzeichenalgorithmen mittels wohlseparierten Paardekompositionen

Institut für Analysis und Scientific Computing Dr. E. Weinmüller SS 2015

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 89

Schnelle und genaue Routenplanung

DWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr

Anwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht

Testklausur Mathematik Studiengang Informationstechnik Berufsakademie in Horb

Der LLL - Algorithmus. Seminar ganzzahlige Optimierung Wintersemester 2006/2007

Abbildung 1: Graphische Lösung der ersten Übungsaufgabe

Minimum Cost Flow Grundlagen und erste Algorithmen. Philip Ralph Weber

Mathematische Probleme, SS 2015 Donnerstag $Id: quadratisch.tex,v /06/18 15:11:12 hk Exp $

Sichtbarkeitsgraph. Andreas Gemsa Übung Algorithmische Geometrie

Lösung allgemeiner linearer Programme

Topologieerkennung von Sensornetzwerken

WS 2010/ Januar Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch

8. Konvexe Polytope. Tobias Boelter. Mittwoch, 5. März TopMath Frühlingsschule

Graphentheorie: Das Hamiltonische-Kreis-Problem: Definitionen, Resultate und Anwendungen

Die allgemeine Sinusfunktion

Transkript:

Bachelor-Kolloquium Konzentrische U-Bahn-Linienpläne Magnus Lechner 19.03.2014 Betreuer: Prof. Dr. Alexander Wolff Dipl.-Inf. Martin Fink

Motivation Warum sind U-Bahn-Linienpläne von Interesse?

Motivation Warum sind U-Bahn-Linienpläne von Interesse? London Underground: 270 Stationen 11 Linien 402 km Streckenlänge 3,2 Millionen Fahrgäste pro Tag

Motivation Warum sind U-Bahn-Linienpläne von Interesse? London Underground: 270 Stationen 11 Linien 402 km Streckenlänge 3,2 Millionen Fahrgäste pro Tag Linienpläne müssen: übersichtlich sein eine effiziente Routenplanung ermöglichen

Motivation Henry Beck (1933): Schematische Darstellung des Londoner U- Bahn-Netzes

Motivation Henry Beck (1933): Schematische Darstellung des Londoner U- Bahn-Netzes Oktilineares Layout weltweit vorherrschend!

Motivation Aufgrund Untersuchungen: Abweichung vom oktilinearen Layout Designregeln an zugrundeliegendes Netzwerk anpassen

Motivation Aufgrund Untersuchungen: Abweichung vom oktilinearen Layout Designregeln an zugrundeliegendes Netzwerk anpassen

Motivation Aufgrund Untersuchungen: Abweichung vom oktilinearen Layout Designregeln an zugrundeliegendes Netzwerk anpassen Radial-Konzentrisches Layout

Motivation Aufgrund Untersuchungen: Abweichung vom oktilinearen Layout Designregeln an zugrundeliegendes Netzwerk anpassen Radial-Konzentrisches Layout

Motivation Aufgrund Untersuchungen: Abweichung vom oktilinearen Layout Designregeln an zugrundeliegendes Netzwerk anpassen Radial-Konzentrisches Layout

Modellierung eines Liniennetzwerkes Grundlegende Bedingungen: essentielle Bestandteile eines (radial-konzentrischen) Linienplanes müssen in jedem Linienplan erfüllt sein

Modellierung eines Liniennetzwerkes Grundlegende Bedingungen: essentielle Bestandteile eines (radial-konzentrischen) Linienplanes müssen in jedem Linienplan erfüllt sein Optimierungskriterien: definieren ein optimales Ergebnis dienen als Qualitätsmaß

Modellierung eines Liniennetzwerkes Grundlegende Bedingungen: Nur radiale oder konzentrische Liniensegmente Keine Kreuzungen Linienverläufe eindeutig nachvollziehbar Stationen dürfen nicht aufeinanderliegen

Modellierung eines Liniennetzwerkes Grundlegende Bedingungen: Nur radiale oder konzentrische Liniensegmente Keine Kreuzungen Linienverläufe eindeutig nachvollziehbar Stationen dürfen nicht aufeinanderliegen

Modellierung eines Liniennetzwerkes Grundlegende Bedingungen: Nur radiale oder konzentrische Liniensegmente Keine Kreuzungen Linienverläufe eindeutig nachvollziehbar Stationen dürfen nicht aufeinanderliegen

Modellierung eines Liniennetzwerkes Grundlegende Bedingungen: Nur radiale oder konzentrische Liniensegmente Keine Kreuzungen Linienverläufe eindeutig nachvollziehbar Stationen dürfen nicht aufeinanderliegen

Modellierung eines Liniennetzwerkes Optimierungskriterien: Linien sollen möglichst wenig Knicke enthalten Abstand zwischen benachbarten Liniensegmenten Kanten möglichst gleich lang Kante: Geringe Anzahl unterschiedlicher Radien von konzentrischen Liniensegmenten Geringe Anzahl unterschiedlicher Winkel von radialen Liniensegmenten Relative Positionen zwischen Knotenpaaren soll berücksichtigt werden

Modellierung eines Liniennetzwerkes Optimierungskriterien: Linien sollen möglichst wenig Knicke enthalten Abstand zwischen benachbarten Liniensegmenten Kanten möglichst gleich lang Linie: Geringe Anzahl unterschiedlicher Radien von konzentrischen Liniensegmenten Geringe Anzahl unterschiedlicher Winkel von radialen Liniensegmenten Relative Positionen zwischen Knotenpaaren soll berücksichtigt werden

Modellierung eines Liniennetzwerkes Optimierungskriterien: Linien sollen möglichst wenig Knicke enthalten Abstand zwischen benachbarten Liniensegmenten Kanten möglichst gleich lang Geringe Anzahl unterschiedlicher Radien von konzentrischen Liniensegmenten Geringe Anzahl unterschiedlicher Winkel von radialen Liniensegmenten Relative Positionen zwischen Knotenpaaren soll berücksichtigt werden

Modellierung eines Liniennetzwerkes Optimierungskriterien: Linien sollen möglichst wenig Knicke enthalten Abstand zwischen benachbarten Liniensegmenten Kanten möglichst gleich lang Geringe Anzahl unterschiedlicher Radien von konzentrischen Liniensegmenten Geringe Anzahl unterschiedlicher Winkel von radialen Liniensegmenten Relative Positionen zwischen Knotenpaaren soll berücksichtigt werden

Modellierung eines Liniennetzwerkes Optimierungskriterien: Linien sollen möglichst wenig Knicke enthalten Abstand zwischen benachbarten Liniensegmenten Kanten möglichst gleich lang Geringe Anzahl unterschiedlicher Radien von konzentrischen Liniensegmenten Geringe Anzahl unterschiedlicher Winkel von radialen Liniensegmenten Relative Positionen zwischen Knotenpaaren soll berücksichtigt werden

Modellierung eines Liniennetzwerkes Optimierungskriterien: Linien sollen möglichst wenig Knicke enthalten Abstand zwischen benachbarten Liniensegmenten Kanten möglichst gleich lang Geringe Anzahl unterschiedlicher Radien von konzentrischen Liniensegmenten Geringe Anzahl unterschiedlicher Winkel von radialen Liniensegmenten Relative Positionen zwischen Knotenpaaren soll berücksichtigt werden

Modellierung eines Liniennetzwerkes Optimierungskriterien: Linien sollen möglichst wenig Knicke enthalten Abstand zwischen benachbarten Liniensegmenten Kanten möglichst gleich lang Geringe Anzahl unterschiedlicher Radien von konzentrischen Liniensegmenten Geringe Anzahl unterschiedlicher Winkel von radialen Liniensegmenten Relative Positionen zwischen Knotenpaaren soll berücksichtigt werden

Grundlagen Polarkoordinaten: Globaler Mittelpunkt

Grundlagen Polarkoordinaten: p(r, φ) r φ Globaler Mittelpunkt Polachse

Grundlagen Kante: Konzentrisch - Radial - Konzentrisch q p

Grundlagen Kante: Konzentrisch - Radial - Konzentrisch q p

Grundlagen Kante: Konzentrisch - Radial - Konzentrisch p q

Grundlagen Kante: Konzentrisch - Radial - Konzentrisch q p

Grundlagen Kreuzung: Radiales Liniensegment einer Kante kreuzt ein konzentrisches Liniensegment einer anderen Kante

Heuristischer Ansatz Mittelpunkt

Heuristischer Ansatz Mittelpunkt

Heuristischer Ansatz Mittelpunkt

Heuristischer Ansatz Mittelpunkt

Heuristischer Ansatz Mittelpunkt

Heuristischer Ansatz Mittelpunkt

Besteht aus: Variablen

Besteht aus: Variablen Nebenbedingungen: - Lineare Gleichungen und Ungleichungen - Sind in jeder Lösung des Problems erfüllt

Besteht aus: Variablen Nebenbedingungen: - Lineare Gleichungen und Ungleichungen - Sind in jeder Lösung des Problems erfüllt Zielfunktion: - Enthält zu optimierende Variablen - Wird minimiert

Nebenbedingungen: Berücksichtigung der Eingabe Kreuzungen Überlappungen Mehrfachabbildungen

Nebenbedingungen: Berücksichtigung der Eingabe Kreuzungen Überlappungen Mehrfachabbildungen Zielfunktion: Berücksichtigung der Ursprungsposition eines Knotens Knickminimierung für eine Kante Radialer oder konzentrischer Kantenverlauf Knickminimierung für eine Linie

Darstellung von Knoten und Kanten: p(r, φ) Radial

Berücksichtigung der Eingabe: φ + c φ c v(r, φ ) k u r k l r Mittelpunkt

Berücksichtigung der Eingabe: k l r r k u r φ c φ φ + c Parameter: 0 < c k l < 1 < k u φ + c φ c v(r, φ ) k u r k l r Mittelpunkt

Kreuzungen: e 2 e 1

Kreuzungen:

Kreuzungen: 1) 4) 2) 3)

Kreuzungen: 1) 4) 2) 3)

Kreuzungen: Radial 2 γ 3)

Kreuzungen: Radial 2 γ 3) φ Radial 1

Kreuzungen: Radial 2 γ l 3) γ l φ γ l Radial 1

Kreuzungen: Radial 2 γ l 3) γ l φ γ l Radial 1 Parameter: 0 < ɛ Radial 2 + ɛ γ l

Kreuzungen: 1) 4) 2) 3) 1: r r l ɛ r +M(X 1 + X 2 ) 2: r u r ɛ r +M((1 X 1 ) + X 2 ) 3: Radial 2 + ɛ γ l +M(X 1 + (1 X 2 )) 4: γ u + ɛ Radial 2 +M((1 X 1 ) + (1 X 2 ))

Kreuzungen: M : X : Konstante Binärvariable a b +M X b a +M(1 X)

Kreuzungen: M : X : Konstante Binärvariable a b +M X b a +M(1 X) X = 0 : a b b a +M

Kreuzungen: M : X : Konstante Binärvariable a b +M X b a +M(1 X) X = 1 : a b +M b a

Kreuzungen: 1) 4) 2) 3) M : X 1, X 2 : Konstante Binärvariablen 1: r r l ɛ r +M(X 1 + X 2 ) 2: r u r ɛ r +M((1 X 1 ) + X 2 ) 3: Radial 2 + ɛ γ l +M(X 1 + (1 X 2 )) 4: γ u + ɛ Radial 2 +M((1 X 1 ) + (1 X 2 ))

Kreuzungen: 1) 4) 2) 3) M : X 1, X 2 : Konstante Binärvariablen 1: r r l ɛ r +M(X 1 + X 2 ) 2: r u r ɛ r +M((1 X 1 ) + X 2 ) 3: Radial 2 + ɛ γ l +M(X 1 + (1 X 2 )) 4: γ u + ɛ Radial 2 +M((1 X 1 ) + (1 X 2 ))

Überlappungen: e 1 p(r, φ) e 2

Überlappungen: e 1 p(r, φ) e 2

Überlappungen:

Überlappungen: Radial 1 < φ Radial 2 < φ p(r, φ) Radial 1 Radial 2

Überlappungen: p(r, φ) Radial 1

Überlappungen: p(r, φ) Radial 1 Wert von X R1 <φ Wert von X φ<r1 Bedingung 1 0 Radial 1 < φ 0 1 Radial 1 > φ 0 0 Radial 1 = φ 1 1 nicht möglich

Überlappungen: p(r, φ) Radial 1 Wert von X R1 <φ Wert von X φ<r1 Bedingung 1 0 Radial 1 < φ 0 1 Radial 1 > φ 0 0 Radial 1 = φ 1 1 nicht möglich

Überlappungen: p(r, φ) Radial 1 φ Radial 1 +MX R1 <φ Radial 1 + ɛ φ +M(1 X R1 <φ) Radial 1 φ +MX φ<r1 φ + ɛ Radial 1 +M(1 X φ<r1 )

Überlappungen: p(r, φ) Radial 1 =1 φ Radial 1 +MX R1 <φ =1 Radial 1 + ɛ φ +M(1 X R1 <φ) Radial 1 φ +MX φ<r1 φ + ɛ Radial 1 +M(1 X φ<r1 )

Überlappungen: p(r, φ) Radial 1 φ Radial 1 +MX R1 <φ Radial 1 + ɛ φ +M(1 X R1 <φ) Radial 1 φ +MX φ<r1 φ + ɛ Radial 1 +M(1 X φ<r1 )

Überlappungen: Radial 1 < φ Radial 2 < φ Radial 1 p(r, φ) Radial 2

Überlappungen: Radial 1 < φ Radial 2 < φ p(r, φ) Radial 2 Radial 1 X R1 <φ + X R2 <φ 1 X φ<r1 + X φ<r2 1

Überlappungen: r 1 r 2 p(r, φ)

Überlappungen: r 2 p(r, φ) r 1

Mehrfachabbildungen: p 1 = (r 1, φ 1 ) p 2 = (r 2, φ 2 ) φ 1 + ɛ φ 2 +M(G 1 + G 2 ) φ 2 + ɛ φ 1 +M((1 G 1 ) + G 2 ) r 1 r 2 ɛ r +M(G 1 + (1 G 2 )) r 2 r 1 ɛ r +M((1 G 1 ) + (1 G 2 ))

Nebenbedingungen: Berücksichtigung der Eingabe Kreuzungen Überlappungen Mehrfachabbildungen Zielfunktion: Berücksichtigung der Ursprungsposition eines Knotens Knickminimierung für eine Kante Radialer oder konzentrischer Kantenverlauf Knickminimierung für eine Linie

Berücksichtigung der Ursprungsposition eines Knotens: p u (r u, φ u ) δ r δ φ p(r, φ)

Berücksichtigung der Ursprungsposition eines Knotens: p u (r u, φ u ) δ r δ φ p(r, φ) r u r δ r r r u δ r

Berücksichtigung der Ursprungsposition eines Knotens: p u (r u, φ u ) δ r δ φ p(r, φ) r u r δ r r u φ u r u φ δ φ r r u δ r r u φ r u φ u δ φ

Berücksichtigung der Ursprungsposition eines Knotens: p u (r u, φ u ) δ r δ φ p(r, φ) Kosten Eingabe = v V (δ r (v) + δ φ (v))

Knickminimierung für eine Kante: v(r v, φ v ) Radial u,v u(r u, φ u )

Knickminimierung für eine Kante: v(r v, φ v ) Radial u,v u(r u, φ u ) φ v Radial u,v + M(1 R 1 ) Radial u,v φ v + M(1 R 1 )

Knickminimierung für eine Kante: v(r v, φ v ) Radial u,v u(r u, φ u ) φ v Radial u,v + M(1 R 1 ) Radial u,v φ v + M(1 R 1 ) φ u Radial u,v + M(1 R 2 ) Radial u,v φ u + M(1 R 2 )

Knickminimierung für eine Kante: u(r u, φ u ) v(r v, φ v ) r v r u + M(1 K) r u r v + M(1 K)

Knickminimierung für eine Kante: Kosten Kante = 2K 2 R 1 R 2 e E (R 1 (e) + R 2 (e) + 2K(e))

Radialer oder konzentrischer Kantenverlauf: v Z R = 0 u

Radialer oder konzentrischer Kantenverlauf: v Z R = 0 u Z K = 0 v u

Radialer oder konzentrischer Kantenverlauf: v Z R = 0 u Z K = 0 v u Z R = 0 Z K = 0 Z = 0 Kosten Verlauf = e E Z(e)

Knickminierung für eine Linie: j i

Knickminierung für eine Linie: Z K,i = 0 Z K,j = 0 Z K,i = 0 Z K,j = 0 X i,j = 0

Knickminierung für eine Linie: Z R,i = 0 Z R,j = 0 Z R,i = 0 Z R,j = 0 Y i,j = 0

Knickminierung für eine Linie: X i,j = 0 Y i,j = 0 Z i,j = 0 Kosten Linie = (i,j) J Z i,j (i, j)

Zielfunktion: Minimiere: λ Eingabe Kosten Eingabe - λ Kante Kosten Kante + λ Verlauf Kosten Verlauf + λ Linie Kosten Linie

Laufzeitverbesserung: Vereinfachung des Graphen Nachträgliches Einfügen von Nebenbedingungen

Laufzeitverbesserung: Vereinfachung des Graphen Nachträgliches Einfügen von Nebenbedingungen v k v k v 1 v 1

Laufzeitverbesserung: Vereinfachung des Graphen Nachträgliches Einfügen von Nebenbedingungen v k v k v 1 v 1

Knoten Kanten Laufzeitverbesserung: Vorher 90 96 Vereinfachung des Graphen Nachher 19 25 Nachträgliches Einfügen von Nebenbedingungen

Laufzeitverbesserung: Vereinfachung des Graphen Nachträgliches Einfügen von Nebenbedingungen

Laufzeitverbesserung: Vereinfachung des Graphen Nachträgliches Einfügen von Nebenbedingungen 1. Lese Graph G ein und vereinfache G 2. Löse MIP Gehe zu 3. Sind Nebenbedingungen verletzt? Ja: Füge entsprechende Nebenbedingungen ein Nein: Erzeuge Zeichnung

Laufzeitverbesserung: Vereinfachung des Graphen Nachträgliches Einfügen von Nebenbedingungen 1. Lese Graph G ein und vereinfache G 2. Löse MIP Gehe zu 3. Sind Nebenbedingungen verletzt? Ja: Füge entsprechende Nebenbedingungen ein Nein: Erzeuge Zeichnung

Wien:

Wien: Laufzeit: 13 Min.

Montréal:

Montréal: Laufzeit: 10 Min. 59 Sek.

Zusammenfassung und Ausblick Ist-Zustand: Modell kann qualitativ gute Ergebnisse erzeugen Hohe Laufzeit

Zusammenfassung und Ausblick Ist-Zustand: Modell kann qualitativ gute Ergebnisse erzeugen Hohe Laufzeit Lösungsvorschläge: Struktur der Nebenbedingungen und Optimierungskriterien vereinfachen Anzahl der benötigten Variablen verringern

Zusammenfassung und Ausblick Qualität erhöhen: Kurze Überlappungen

Zusammenfassung und Ausblick Qualität erhöhen: Gleichmäßige Kantenlänge

Zusammenfassung und Ausblick Qualität erhöhen: Knickminimierung für Linien optimieren

Zusammenfassung und Ausblick Ist-Zustand: Modell kann qualitativ gute Ergebnisse erzeugen Hohe Laufzeit Lösungsvorschläge: Struktur der Nebenbedingungen und Optimierungskriterien vereinfachen Anzahl der benötigten Variablen verringern Vielen Dank für Ihre Aufmerksamkeit!