Anticipatory Vehicle Routing by means of Optimal Learning
Final Report Abstract
Das Projekt „Antizipierende Tourenplanung durch Optimal Learning“ zielt auf die Ausschöpfung des Potentials simulationsbasierter Ansätze für betriebswirtschaftliche Tourenplanungsprobleme. Dieses Ziel wurde durch die Integration von Verfahren aus dem relativ neuen Forschungsgebiet „Optimal Learning“ in simulationsbasierte Tourenplanungsansätze erreicht. Im Fokus des Projekts standen mit den sogenannten „Sample Scenario Ansätzen“ und den Ansätzen der „Approximativen Dynamischen Programmierung“ die beiden wesentlichen simulationsbasierten, wissenschaftlichen Herangehensweisen zur antizipierenden Tourenplanung. Die im Projekt erfolgreich vollzogene Integration von Optimal Learning und simulationsbasierter Tourenplanung stellt die erste derartige Arbeit dar. Es wurde somit eine neue Klasse von Sample Scenario Ansätzen für die dynamische Tourenplanung begründet und durch zahlreiche wissenschaftliche Experimente empirisch nachgewiesen, dass diese Klasse von Ansätzen bisherigen Vorgehensweisen hinsichtlich Lösungsqualität und -geschwindigkeit überlegen ist. Im Bereich der Integration von Optimal Learning und Approximativer Dynamischer Programmierung wurde ebenfalls ein neuartiger Ansatz entwickelt und erste vielversprechende Ergebnisse erzielt. Der neue Ansatz förderte eine Reihe höchst interessanter wissenschaftlicher Herausforderungen zu Tage, deren vollständige Bearbeitung über die Projektlaufzeit hinaus andauert.
Publications
- A Meta-Waiting Strategy for Dynamic Routing of Service Vehicles; INFORMS Annual Meeting 2012, Phoenix, Arizona
Stephan Meisel
- A Universal Hybrid Policy for Approximate Dynamic Programming; INFORMS Computing Society Conference 2013, Santa Fe, New Mexico
Stephan Meisel
