Maschinelles Lernen in BPC für Tourenplanungsprobleme

Die Planung und Durchführungen von Lieferungen stellt einen wesentlichen Teil der Kosten im Bereich der Distributionslogistik dar und es besteht ein großes Interesse Optimierungspotentiale in diesem Bereich bestmöglich auszuschöpfen. Daher gehören Tourenplanungsprobleme auch zu den zentralen Fragestellungen des Operations Research (OR). Der Einsatz von Optimierungverfahren zur Tourenplanung verspricht großes Potential zur Kosteneinsparung durch die höhere Qualität der Planungsergebnisse als auch durch Automatisierung und Beschleunigung des Planungsprozesses. Es existieren zahlreiche Varianten von Tourenplanungsproblemen, angelehnt an die unterschiedlichen realen Anfordernisse denen sich Transportdienstleister gegenübersehen. In den meisten Tourenplanungsproblemen gilt es, für eine gegebene Flotte von Fahrzeugen die kostengünstigsten Routen zu finden, um eine gegebene Menge von Aufträgen unter Berücksichtigung verschiedener Restriktionen zu erledigen. Die leistungsfähigsten exakten Algorithmen zur Tourenplanung basieren auf Branch-Cut-and-Price (BCP), welches seinerseits auf Techniken der Spaltengenerierung beruht. Hierbei ist ein Master- Problem zuständig für die beste Auswahl der zur Verfügung stehenden Routen bzw. Schichten, während ein oder mehrere sog. Pricing-Probleme sukzessive neue Routen bzw. Schichten generieren. Das geplante Vorhaben soll neue Erkenntnisse zur Nutzung von maschinellem Lernen (ML) in BCP zur Lösung von Tourenplanungsproblemen hervorbringen. Die Kernfrage ist, auf welche Weise ML in OR-Algorithmen eingesetzt werden kann, denn Optimierungsprobleme unterscheiden sich stark von den meisten Problemen, die aktuell durch ML gelöst.