Motivation
Mit dem Wachstum an Personen- und Güterströmen gewinnt die Optimierung der Fahrten von Fahrzeugflotten für alle Beteiligten zunehmend an Bedeutung. Der Fortschritt im Bereich des autonomen Fahrens wird in den nächsten zehn bis 15 Jahren diese Entwicklung noch dramatisch verschärfen, beispielsweise durch (teil-)autonome Taxiflotten. Die Tourenplanung für eine kleinere bis mittlere Anzahl an Fahrzeugen kann mit Methoden des klassischen Operations Research (OR) seit langem zuverlässig gelöst werden. Die Herausforderungen stellen sich bei einer Flotte mit mehr als 100 Fahrzeugen sowie komplexen Nebenbedingungen (relevant im Bereich von Logistik-Unternehmen und Flotten großer mobiler Pflegedienste). Solche Berechnungen benötigen bisher eine sehr lange Rechenzeit und können häufig nur noch näherungsweise gelöst werden. Darüber hinaus kann eine Um- bzw. Neuplanung aufgrund von veränderten Bedingungen (z.B. Integration neuer Kunden, längere Streckenfahrzeiten wegen erhöhten Verkehrsaufkommens, unbekannte Baustellen oder Unfälle) oft nur im Einzelfall nach Bedarf erfolgen. Wird ein dynamisches Tourenplanungsproblem durch Umplanung gelöst, kommen bisher oft nur suboptimale Tourenpläne heraus.
Ziele und Vorgehen
Im Projekt „Learning to Optimize“ soll eine Lösung zur dynamischen Tourenplanung durch eine effektive und innovative Kombination von klassischen Optimierungsmethoden des OR und Techniken der Künstlichen Intelligenz (KI) gefunden werden. Dazu 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 wird, um klassische OR Verfahren zu beschleunigen und Korrekturen bzw. eine Umplanung annähernd in 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.
Innovationen und Perspektiven
Das Projekt verfolgt konkrete Ziele zur Sicherung des Forschungsstandorts Deutschland und der Förderung der deutschen Wettbewerbsfähigkeit im Hinblick auf Künstliche Intelligenz. Dazu werden Ansätze aus wissenschaftlichen Untersuchungen prototypisch entwickelt, im industriellen Kontext mit den assoziierten Partnern erprobt und die Ansätze auf Basis des Feedbacks iterativ verbessert. Im Fokus steht dabei die dauerhafte Überführung wissenschaftlicher Erkenntnisse in Form neuer Modelle und Algorithmen.