Effektive und innovative Kombination von klassischen Optimierungsmethoden des OR und Techniken der Künstlichen Intelligenz für dynamische Tourenplanung

Während die Tourenplanung für kleinere bis mittlere Anzahlen an Fahrzeugen mit Methoden des klassischen Operations Research (OR) seit langem zuverlässig gelöst werden kann, stellen Probleme mit mehr als 100 Fahrzeugen sowie komplexen Nebenbedingungen (relevant im Bereich von Logistik- Unternehmen und Flotten großer mobiler Pflegedienste) Herausforderungen dar, die im Normalfall sehr lange Rechenzeit in Anspruch nehmen und häufig nur noch näherungsweise gelöst werden können. Darüber hinaus kann eine Re- bzw. Neuplanung aufgrund von veränderten Bedingungen (z. B. Integration neuer Kunden, längere Streckenfahrzeiten wegen erhöhten Ver-kehrsaufkommens, unbekannte Baustellen oder Unfälle) oft nur im Einzelfall nach Bedarf erfolgen. Wird ein dynamisches Tourenplanungsproblem durch Re-Planung gelöst, kommen oft nur Tourenpläne heraus, die weit von der Optimalität entfernt liegen und daher ein großes Verbesserungspotential aufweisen.

Das Projekt zielt auf die effektive und innovative Kombination von klassischen Optimierungsmethoden des OR und Techniken der Künstlichen Intelligenz (KI) ab. Zur Lösung der dynamischen Tourenplanung mit vielen Attributen und komplexen Nebenbedingungen soll aus vorhandenen Daten und Erfahrungen gelernt werden, um die Qualität der Lösungen zu erhöhen.

Im Kern verfolgt das Projekt einen parallelen Ansatz, in dem einerseits das Maschinelle Lernen dazu eingesetzt werden soll, um klassische OR Verfahren zu beschleunigen und Korrekturen bzw. Re-Planung in nahezu Echtzeit durchführen zu können. Andererseits sollen OR Methoden die KI-basierten Ansätze unterstützen, um die Güte der erzielten Lösungen sicherzustellen. Zu diesem Zweck werden zunächst Planungsdaten von diversen Industriepartnern analysiert, auf dieser Basis geeignete Lösungsmethoden entwickelt sowie anschließend kontinuierlich angepasst und verbessert.