Detailansicht

Decomposition strategies for large scale multi depot vehicle routing problems

Alexander Ostertag

Art der Arbeit

Dissertation

Universität

Universität Wien

Fakultät

Fakultät für Sozialwissenschaften

Betreuer*in

Richard Hartl

Volltext herunterladen
Volltext in Browser öffnen

DOI

10.25365/thesis.2960

URN

urn:nbn:at:at-ubw:1-29777.00171.126565-3

Link zu u:search

(Print-Exemplar eventuell in Bibliothek verfügbar)

Abstracts

Abstract

(Deutsch)

Das Umfeld in der heutigen Wirtschaft verlangt nach immer bessern Ansätzen, um Transportprobleme möglichst effizient zu lösen. Die Klasse der ”Vehicle Routing Problems” (VRP) beschäftigt sich speziell mit der Optimierung von Tourenplanungsproblemen in dem ein Service-Leister seine Kunden möglichst effizient beliefern muss. Eine der VRP-Varianten ist das ”Multi Depot Vehicle Routing Problem with Time Windows” (MDVRPTW), in dem Kunden von verschiedenen Depots in einem fix vorgegebenen Zeitintervall beliefert beliefert werden müssen. Das MDVRPTW ist im realen Leben dank seiner realitätsnahen Restriktionen sehr oft vertreten. Typische Transportprobleme, wie sie in der Wirklichkeit auftreten, sind jedoch oftmals so groß, dass sie von optimalen Lösungsansätzen nicht zufriedenstellend gelöst werden können. In der vorliegenden Dissertation werden zwei Lösungsansätze präsentiert, wie diese riesigen, realitätsnahen Probleme zufriedenstellend bewältigt werden können. Beide Ansätze benutzen die POPMUSIC Grundstruktur, um das Problem möglichst intelligent zu dekomponieren. Die Dekomponierten und damit kleineren Subprobleme können dann von speziell entwickelten Algorithmen effizienter bearbeitet und letztendlich gelöst werden. Mit dem ersten Ansatz präsentieren wir eine Möglichkeit Transportprobleme zu dekomponieren, wenn populationsbasierte Algorithmen als Problemlöser eingesetzt werden. Dazu wurde ein maßgeschneiderter Memetischer Algorithmus (MA) entwickelt und in das Dekompositionsgerüst eingebaut um ein reales Problem eines österreichischen Transportunternehmens zu lösen. Wir zeigen, dass die Dekomponierung und Optimierung der resultierenden Subprobleme, im Vergleich zu den Ergebnissen des MA ohne Dekomposition, eine Verbesserung der Zielfunktion von rund 20% ermöglicht. Der zweite Ansatz beschäftigt sich mit der Entwicklung einer Dekomponierungsmethode für Lösungsalgorithmen, die nur an einer einzigen Lösung arbeiten. Es wurde ein ”Variable Neigborhood Search” (VNS) als Optimierer in das POPMUSIC Grundgerüst implementiert, um an das vorhandene Echtwelt-Problem heranzugehen. Wir zeigen, dass dieser Ansatz rund 7% bessere Ergebnisse liefert als der pure VNS Lösungsansatz. Außerdem präsentieren wir Ergebnisse des VNS Dekompositionsansatzes die um rund 6% besser sind als die des MA Dekompositionsansatzes. Ein weiterer Beitrag dieser Arbeit ist das Vorstellen von zwei komplett verschiedenen Ansätzen um das Problem in kleinere Sub-Probleme zu zerteilen. Dazu wurden acht verschiedene Nähe-Maße definiert und betrachtet. Es wurde der 2,3 und 4 Depot Fall getestet und im Detail analysiert. Die Ergebnisse werden präsentiert und wir stellen einen eindeutigen Gewinner vor, der alle Testinstanzen am Besten lösen konnte. Wir weisen auch darauf hin, wie einfach die POPMUSIC Dekomponierung an reale Bedürfnisse, wie zum Beispiel eine möglichst schnelle Ergebnisgenerierung, angepasst werden kann. Wir zeigen damit, dass die vorgestellten Dekomponierungsstrategien sehr effizient und flexibel sind, wenn Transportprobleme, wie sie in der realen Welt vorkommen gelöst werden müssen.

Abstract

(Englisch)

The optimization of transportation activities is of high importance for companies in today’s economy. The Vehicle Routing Problem (VRP) class is dealing with the routing of vehicles so that the customer base of a company can be served in the most efficient way. One of the many variants in the VRP class is the Multi Depot Vehicle Routing Problem with Time Windows (MDVRPTW) which extends the VRP by additional depots from which customers can be served, as well as an individual time window for each customer in which he is allowed to be served. Modern carrier fleet operators often encounter these MDVRPTW in the real world, and usually they are of very large size so that exact approaches cannot solve them efficiently. This thesis presents two different approaches how this real world large scale MDVRPTWs can be solved. Both approaches are based on the POPMUSIC framework, which intelligently tries to decompose the large scale problem into much smaller sub-problems. The resulting sub-problems can then be solved more efficiently by specialized optimizers. The first approach in this thesis was developed for population based optimizers. A Memetic Algorithm (MA) was developed and used as an optimizer in the framework to solve a real world MDVPRTW from an Austrian carrier fleet operator. We show that decomposing the complete problem and solving the resulting sub-problems improves the solution quality by around 20% compared to using the MA without any decomposition. The second approach specially focuses on decomposition strategies for single solution methods. More precisely, a Variable Neighborhood Search (VNS) was implemented in the POPMUSIC framework to solve the real world instances. We show that decomposing the problem can yield improvements of around 7% compared to using the pure VNS method. Compared to the POPMUSIC MA approach the second approach can further improve the solution quality by around 6%. Another contribution in this thesis is the development of two generally different ways to measure proximity when creating sub-problems. In detail we tested eight different proximity measures and analyzed how good they decompose the problem in different environments. We tested the two, three and four depot case and present a clear winner that can outperform all other measures. Further we demonstrate that the POPMUSIC approach can flexibly be adjusted to real world demands, like a faster solution finding process, while at the same time maintaining high quality solutions. We show that a decomposition strategies combined with state of the art metaheuristic solvers are a very efficient and flexible tool to tackle real world problems with regards to solution quality as well as runtime.

Autor*innen

Alexander Ostertag

Haupttitel (Englisch)

Decomposition strategies for large scale multi depot vehicle routing problems

Paralleltitel (Deutsch)

Dekompositionsstrategien für große Multi Depot Vehicle Routing Probleme

Publikationsjahr

2008

Umfangsangabe

X, 124 S. : graph. Darst.

Sprache

Englisch

Beurteiler*innen

Karl Dörner ,

Walter Gutjahr

Klassifikation

85 Betriebswirtschaft > 85.32 Beschaffung, Materialwirtschaft

AC Nummer

AC05039462

Utheses ID

2577

Studienkennzahl

UA | 084 | 157 | |

Detailansicht

Abstracts

Schlagwörter