Um die zunehmenden Bedürfnisse unserer modernen Gesellschaft zu befriedigen, müssen immer komplexere Routingprobleme gelöst werden. Allein in den letzten 20 Jahren hat sich die Anzahl der zu befördernden Sendungen in Deutschland um fast 100% erhöht. Doch nicht nur im transportierenden Gewerbe, sondern auch in der Intralogistik, im Dienstleistungssektor oder im Nahverkehr steigen die Anforderungen, auch an die Flexibilität der Lösungen, stetig. Die zunehmende Vernetzung erlaubt das dynamische Anpassen von bereits geplanten Touren. So können Kundenanfragen online in bestehende Routen integriert werden, um so effizient wie möglich auf neue Nachfragen zu reagieren. Aufgrund des gesteigerten Interesses an der dynamischen Fahrzeugwegeplanung (engl. Dynamic Vehicle Routing Problem ( DVRP )) existieren eine Vielzahl von unterschiedlichen Lösungsansätzen und stetig werden neue entwickelt. Einem Anwender stellt sich aus diesem Grund zunehmend die Frage nach dem besten Ansatz für eine konkrete Problemstellung. Die vorliegende Arbeit widmet sich dieser Fragestellung und wirft dabei, unter anderem, die folgenden Fragen auf. Welche Problemstellungen sind für unterschiedliche Algorithmen besonders schwer bzw. leicht zu lösen? Wie beschreibt man Beziehungen zwischen Lösungsansätzen und Probleminstanzen? Anhand welcher Charakteristika können Instanzen voneinander unterschieden werden? Für die Beantwortung dieser Fragestellungen werden Problemeigenschaften für das DVRP entwickelt, die es erstmalig ermöglichen Probleminstanzen anhand ihrer Dynamik voneinander zu unterscheiden und Algorithmen fair miteinander zu vergleichen. Damit leistet die vorliegende Arbeit einen wesentlichen wissenschaftlichen Beitrag bei der Charakterisierung der Dynamik von Routing Problemstellungen. Mit einem umfangreichen Data-Farming-Experiment werden Erfahrungen über den Zusammenhang zwischen Lösungsqualität und Beschaffenheit von Probleminstanzen generiert. Das Data-Farming-Experiment basiert auf dem in dieser Arbeit eingeführten, quelloffenen Simulator für DVRP. Die gesammelten Erfahrungen werden mit Methoden der Data-Science untersucht und Wissen für die manuelle Auswahl von Algorithmen abgeleitet. Die Datenbasis und die erarbeiteten Eigenschaften bilden die Grundlage für die Konstruktion eines Algorithmus, der Probleminstanzen mit besonderen Ausprägungen bestimmter Problemeigenschaften sehr erfolgreich löst. Zusätzlich werden aus den generierten Erfahrungen Modelle mit Methoden des maschinellen Lernens abgeleitet, die einem Optimierer die automatisierte Auswahl von geeigneten Algorithmen für unbekannte Problemstellungen ermöglicht. Damit bereitet die vorliegende Arbeit die Grundlagen für die Beantwortung der Frage nach dem besten Lösungsansatz für eine dynamische Routingproblemstellung. Zusätzlich wird wesentlich zum Verständnis über die Beziehungen zwischen Problemdynamik und Verhalten von Algorithmen beigetragen.    «

Um die zunehmenden Bedürfnisse unserer modernen Gesellschaft zu befriedigen, müssen immer komplexere Routingprobleme gelöst werden. Allein in den letzten 20 Jahren hat sich die Anzahl der zu befördernden Sendungen in Deutschland um fast 100% erhöht. Doch nicht nur im transportierenden Gewerbe, sondern auch in der Intralogistik, im Dienstleistungssektor oder im Nahverkehr steigen die Anforderungen, auch an die Flexibilität der Lösungen, stetig. Die zunehmende Vernetzung erlaubt das dynamische Anp...    »