RTTP - Robuste Taktische Transportplanung

Im klassischen Transportplanungsproblem geht es darum für gegebene Bedarfe, gegebene Kostenstruktur (Transportkosten, Kapitalbindung, C02 Ausstoß) und gegebene kundenspezifische Restriktionen (z.B. Mindestmengen per LKW, Beladungs-Vorschriften etc), einen optimalen Transportplan zu ermitteln, der alle Restriktionen und Bedarfe erfüllt. In der Praxis sind vielfach die Bedarfe und Kosten zum Zeitpunkt taktischer Planungsentscheidungen noch unsicher oder nicht bekannt. Dennoch müssen die Transporte vorab für einen gewissen Zeithorizont gebucht werden und ungefähre Bestellmengen an die Lieferanten übermittelt werden (taktische Entscheidungen), um das rechtzeitige Eintreffen der Materialien beim belieferten Werk sicherzustellen. Das Ziel des Projekts ist die Entwicklung von Verfahren für die robuste taktische Transportplanung (RTTP), welche die Unsicherheit der tatsächlichen Bedarfe und Kosten von Anfang an mittels einer zweistufigen Planung algorithmisch in Betracht zieht, und verschiedene, teils unabhängige Planungsziele (Transportkosten, Kapitalbindung, CO2-Ausstoß, …) optimiert. In Stufe 1 erfolgt die taktische Planung für einen längeren Zeitraum, zB. eine Woche. In Stufe 2 erfolgt die operative Planung im dem die  (eventuell leicht modifizierte) taktische Planung um die Einzelheiten der nächste Periode, zb. des nächsten Tages,  ergänzt wird. Die Verfahren werden gemeinsam mit der Firma s2 data & algorithms GmbH entwickelt und von dieser implementiert. Um den obigen zweistufigen Optimierungsprozess zu modellieren, bedarf es im Vergleich zu bestehenden Verfahren für die klassische taktische Transportplanung grundlegend anderer Modelle und Lösungsmethoden (Algorithmen). Im geplanten Projekt sollen dafür Modelle und Methoden der mehrstufigen robusten Optimierung (Adjustable und Recoverable Robust Optimization) entwickelt und umgesetzt werden. Für die Modellierung der Bedarfsunsicherheiten werden aus verwandten Problemstellungen bekannte Ansätze wie budgetierte Intervall-Unsicherheiten verwendet und evaluiert. Die Parameter dieser Modelle sollen basierend auf bestehenden Daten mit statistischen Methoden und Machine Learning gelernt werden. In der Praxis ist der Suchraum der möglichen taktischen Planungen vielfach zu groß, um ihn effizient nach robusten Lösungen durchsuchen zu können. Es sollen daher Meta-Heuristiken speziell auf den Anwendungsfall maßgeschneidert und mit einem parallelisierbaren Framework umgesetzt werden. Für die Evaluierung der Robustheit einer gegebenen taktischen Planung soll ein mathematisches Modell basierend auf Constraint Programming (CP) entworfen und implementiert werden. Die Funktionsweise und die Tauglichkeit des entworfenen Modells werden anhand synthetischer und echter,  aus praktischen Anwendungfällen stammenden  Daten  analysiert werden.