Standortplanung - OptiV
Standortplanung - OptiV
Standortplanung - OptiV
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
<strong>Standortplanung</strong><br />
Elisabeth Lossen, Torsten Steinfels<br />
21. September 2006<br />
Inhaltsverzeichnis<br />
1 Einleitung 3<br />
1.1 Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3<br />
1.2 Problembereiche . . . . . . . . . . . . . . . . . . . . . . . . . . . 4<br />
1.2.1 Nebenpfad: . . . . . . . . . . . . . . . . . . . . . . . . . . 4<br />
1.2.2 Nebenpfad: . . . . . . . . . . . . . . . . . . . . . . . . . . 5<br />
1.2.3 Nebenpfad: . . . . . . . . . . . . . . . . . . . . . . . . . . 5<br />
1.2.4 Nebenpfad: . . . . . . . . . . . . . . . . . . . . . . . . . . 6<br />
1.2.5 Nebenpfad: . . . . . . . . . . . . . . . . . . . . . . . . . . 7<br />
1.2.6 Nebenpfad: . . . . . . . . . . . . . . . . . . . . . . . . . . 7<br />
1.2.7 Nebenpfad: . . . . . . . . . . . . . . . . . . . . . . . . . . 8<br />
2 Modelle zur Standortbestimmung 11<br />
2.1 Modellcharakteristika . . . . . . . . . . . . . . . . . . . . . . . . 11<br />
2.2 Ebene Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13<br />
2.2.1 Nebenpfad: Weber Probleme . . . . . . . . . . . . . . . . 13<br />
2.2.2 Nebenpfad: Zentrenprobleme . . . . . . . . . . . . . . . . 14<br />
2.3 Überdeckungsprobleme . . . . . . . . . . . . . . . . . . . . . . . . 15<br />
2.3.1 Nebenpfad: Set Covering . . . . . . . . . . . . . . . . . . 16<br />
2.3.2 Nebenpfad: Maximum Covering . . . . . . . . . . . . . . . 19<br />
2.3.3 Nebenpfad: Zentren . . . . . . . . . . . . . . . . . . . . . 20<br />
2.4 MINISUM Probleme . . . . . . . . . . . . . . . . . . . . . . . . . 22<br />
2.4.1 Nebenpfad: Median . . . . . . . . . . . . . . . . . . . . . 22<br />
2.4.2 Nebenpfad: Warehouse . . . . . . . . . . . . . . . . . . . . 24<br />
2.4.3 Nebenpfad: Hub&Spoke . . . . . . . . . . . . . . . . . . . 25<br />
2.5 Modelle zur Haltestellenoptimierung . . . . . . . . . . . . . . . . 27<br />
2.5.1 Nebenpfad: Door-To-Door Travel Time Stop Location Problem<br />
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27<br />
2.5.2 Nebenpfad: Complete Cover Stop Location Problem . . . 28<br />
2.5.3 Nebenpfad: Bicriterial Stop Location Problem . . . . . . . 30<br />
1
3 Beispiel 1: Depots 33<br />
3.1 Modellierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33<br />
3.2 Modellierung (2) . . . . . . . . . . . . . . . . . . . . . . . . . . . 36<br />
3.3 Lösungsverfahren DROP-Algorithmus . . . . . . . . . . . . . . . 37<br />
3.4 Lösungsverfahren Tabu-Search . . . . . . . . . . . . . . . . . . . 39<br />
4 Beispiel 2: Haltestellen 40<br />
4.1 Modellierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40<br />
4.2 Modellierung (2) . . . . . . . . . . . . . . . . . . . . . . . . . . . 43<br />
4.3 Optimierungsverfahren . . . . . . . . . . . . . . . . . . . . . . . . 45<br />
4.4 Lösungsverfahren Bestimmung kürzester Wege . . . . . . . . . . 46<br />
4.5 Lösungsverfahren Zielgewichtung . . . . . . . . . . . . . . . . . . 49<br />
4.6 Lösung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50<br />
5 Literatur 54<br />
5.1 Literaturverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . 54<br />
2
1 Einleitung<br />
1.1 Einleitung<br />
Standortoptimierung<br />
im<br />
Verkehrswesen<br />
Im Verkehrswesen bestehen zahlreiche Anwendungsmöglichkeiten für Entscheidungsund<br />
Optimierungsmethoden. Gerade im Hinblick auf den langfristigen Zeithorizont,<br />
für den in der Regel Verkehrs- und Logistikprojekte angelegt sind, ist<br />
die Anwendung von zuverlässigen Hilfsmitteln zur Entscheidungsfindung unablässig.<br />
Die Komplexität des ”<br />
Systems Verkehr“ erfordert dabei eine klare und überschaubare<br />
Gliederung und Strukturierung, um den vielfältigen Wechselwirkungen<br />
zwischen einzelnen Problemfeldern während des Planungsprozesses gerecht<br />
zu werden. [FGSV 1982]<br />
Innerhalb dieses Planungsprozesses ist ein Entscheidungsträger mit einer Vielzahl<br />
an notwendigen Entscheidungen konfrontiert, welche die Anwendung von<br />
Entscheidungsmethoden erfordert. Einen dieser Bereiche stellt die <strong>Standortplanung</strong><br />
dar.<br />
Im Verkehrswesen existiert eine Vielzahl an Standortentscheidungsproblemen,<br />
welche durch Optimierungsmethoden des Operations Research modelliert werden<br />
können. Es zeigt sich, dass diese auf sehr unterschiedliche Teilgebiete des<br />
Verkehrswesens - beispielsweise auf den Wirtschaftsverkehr oder den Öffentlichen<br />
Verkehr - angewendet werden können.<br />
Im Folgenden sind verschiedene Einsatzbereiche von Entscheidungsmodellen im<br />
Verkehrswesen dargestellt. Unterteilt sind diese nach der Verkehrsart, also nach<br />
Wirtschaftsverkehr (hierzu zählt neben dem Güterverkehr auch der Sonderverkehr),<br />
Personenindividualverkehr und Öffentlichem Verkehr.<br />
3
1.2 Problembereiche<br />
Wirtschaftsverkehr<br />
Zum Wirtschaftsverkehr zählen der Transport von Gütern ( ”<br />
Güterverkehr“)<br />
und der Sonderverkehr. Sonderverkehr umfasst beispielsweise Einsatzfahrten<br />
von Rettungsdiensten und Fahrten, die dem Straßenbetrieb und der Straßenunterhaltung<br />
dienen.[FACHGEBIET VV der TUD 2004]<br />
Folgende Standortprobleme des Wirtschaftsverkehrs werden betrachtet:<br />
• Güterverkehrszentren<br />
• Straßenmeistereien<br />
• Feuer- und Rettungswachen<br />
Personenindividualverkehr<br />
Zu betrachten sind im Rahmen des Personenindividualverkehrs Standortentscheidungen<br />
für Parkierungsanlagen. Neben Park + Ride Anlagen ist die<br />
Standortbestimmung von Parkplätzen und Parkhäusern in städtischen Kerngebieten<br />
von Interesse.<br />
Öffentlicher<br />
Verkehr<br />
Schon seit vielen Jahren ist der öffentliche Verkehr einer steigenden intermodalen<br />
Konkurrenz - vor allem durch den motorisierten Individualverkehr - ausgesetzt<br />
[LIEBCHEN 2005].<br />
Angesichts knapper finanzieller Ressourcen und einer fortschreitenden Privatisierung<br />
der Märkte sind Verkehrsunternehmen zunehmend auf einen hohen Grad<br />
an Effizienz im Einsatz ihrer Ressourcen, wie etwa Verkehrsmittel und Personal,<br />
angewiesen.<br />
Eine große Rolle spielen dabei computergestützte Planungsmethoden. Hier kann<br />
mit Hilfe von mathematischen Planungs- und Optimierungsmethoden die planerische<br />
Arbeit im ÖPNV unterstützt werden [GENC 2003].<br />
Im Folgenden sollen die Depotplanung für öffentliche Verkehrsmittel sowie<br />
die <strong>Standortplanung</strong> von Haltestellen im Rahmen eines Liniennetzes näher<br />
betrachtet werden.<br />
1.2.1 Nebenpfad:<br />
Güterverkehrszentren<br />
und Lager<br />
GVZ sind zentrale Umschlagplätze in der Nähe von Ballungszentren, in denen<br />
Güter gelagert, für ihren Transport vorbereitet und zwischen verschiedenen Verkehrsmitteln<br />
umgeladen werden. Sie dienen vor allem als Schnittstelle zwischen<br />
4
Straße und Schiene, wenn möglich auch der Binnen- und Seeschifffahrt sowie<br />
dem Luftverkehr. [ABERLE 2000]<br />
Kriterien für die Standortoptimierung sind die Minimierung der Transportwege<br />
und der Transportzeit sowie die Verknüpfung verschiedener Logistikebenen.<br />
Die <strong>Standortplanung</strong> für GVZ lässt sich den MINISUM-Modellen zuordnen. Die<br />
Summe der Distanzen zwischen Nachfragerknoten und potentiellen Standorten<br />
soll minimiert werden. Hub und Spoke Systeme bieten eine gute Möglichkeit.<br />
Die GVZ stellen dabei die Hubs dar, über die die Ware zwischen den Quell- und<br />
Zielorten transportiert werden.<br />
1.2.2 Nebenpfad:<br />
Straßenmeistereien<br />
Straßenmeistereien sind Betriebe, die an Bundes-, Landes- und/oder Kreisstraßen<br />
gelegen sind und deren Instandhaltung dienen. Zu den betrieblichen Einrichtungen<br />
der Meistereien können Verwaltungsräume, Aufenthaltsräume für<br />
Arbeiter, Abstellhallen für Geräte und Fahrzeuge, Werkstätten, Tankstellen und<br />
Lager gehören.<br />
Eine Straßenmeisterei soll möglichst im Schwerpunkt des zu versorgenden<br />
Straßennetzes liegen, damit dieses optimal erreicht werden kann. Ziel bei der<br />
Standortwahl ist es, die Kosten zu minimieren. Dies kann erreicht werden, indem<br />
die Summe der Wege zwischen Meisterei und Einsatzort minimiert wird.<br />
Die <strong>Standortplanung</strong> für Straßenmeistereien lässt sich den MINISUM-Modellen<br />
zuordnen. Die Summe der Distanzen zwischen zu versorgendem Straßenabschnitten<br />
und potentiellen Standorten soll minimiert werden. Medianmodelle<br />
in Netzwerken können diese Problematik darstellen. Ist die Anzahl der zu lokalisierenden<br />
Meistereien nicht vorgegeben, so lässt sich das Optimierungsproblem<br />
in Form eines Warehouse Location Modells beschreiben.<br />
1.2.3 Nebenpfad:<br />
Feuer- und<br />
Rettungswachen<br />
Feuerwehr und Rettungsdienste haben die Aufgabe, bei einem Notfall schnellstmöglich<br />
an dem Einsatzort einzutreffen, um Hilfe zu leisten. Die Zeit ist bei dem Einsatz<br />
die kritische Komponente. Es muss gewährleistet sein, dass ein hoher Prozentsatz<br />
der Bevölkerung rechtzeitige Hilfe erlangen kann.<br />
Das Ziel bei der Bestimmung der Standorte von Feuer- und Rettungswachen<br />
ist zum einen die zentrale Lage im Zuständigkeitsbereich. Zum anderen müssen<br />
auch Randgebiete in einer vorgegebenen Zeit erreichbar sein. Die maximalen<br />
Entfernungen sind gering zu halten. Nicht die minimalen Kosten sind das Hauptziel,<br />
sondern ein bestimmter Grad an Versorgungssicherheit.<br />
Eine 100-prozentige Abdeckung ist kaum möglich. Eine Kooperation zwischen<br />
den Feuerwehr und Rettungsdiensten existiert vielerorts. So kann die Feuerwehr<br />
5
die Erstversorgung übernehmen, bis der Rettungsdienst eingetroffen ist, wenn<br />
die Feuerwache näher am Einsatzort liegt.<br />
Die Standortbestimmung von Feuer- und Rettungswachen ist den MINIMAX-<br />
Modellen zuzuordnen. Es sind vor allem die Zentrenprobleme in Netzwerken<br />
relevant. Gesucht sind die Standorte, bei denen die maximalen Distanzen zwischen<br />
den Rettungswachen und den Nachfragern minimal sind.<br />
1.2.4 Nebenpfad:<br />
Park + Ride<br />
Anlagen<br />
Park + Ride (P+R) bezeichnet ein Prinzip der Verkehrsplanung, bei dem in<br />
der Nähe von Haltestellen des Öffentlichen Nahverkehrs (ÖPNV) Abstellmöglichkeiten<br />
für PKW, teilweise auch Motorräder und Busse, zur Verfügung gestellt<br />
werden.<br />
P+R Anlagen stellen, gerade in Ballungsräumen mit regionalem Schienenverkehr<br />
für Pendler, die aus dem Umland in die Kernstadt fahren, eine sinnvolle<br />
Alternative zur ausschließlichen Nutzung des ÖPNV oder des Motorisierten Individualverkehrs<br />
(MIV) dar. Gründe für eine Nutzung von P+R Anlagen sind<br />
vor allem: [HÜMPFNER 2002]<br />
• Stau<br />
• Mangel an Stellplätzen oder eine Begrenzung der Parkdauer<br />
• Hohe Nutzungsentgelte für Parkierungsanlagen<br />
• Schlechte Anbindung des Umlandes durch den ÖPNV bei guter Anbindung<br />
der Kernstadt<br />
Primäres Optimierungsziel ist es, den Anteil der mit dem PKW zurückgelegten<br />
Wegelänge an der Gesamtreise zu minimieren. Als weiteres Ziel soll der Anteil<br />
der Pendlerreisen maximiert werden, die von einer bisher ausschließlichen MIV-<br />
Nutzung auf P+R übergehen. [HÜMPFNER 2002]<br />
Zum einen können die Anlagen als kapazitierte Warenhäuser angesehen werden.<br />
Die Modellierung als Warehouse Location Problem bietet sich folglich an. Außerdem<br />
ist die Betrachtung von P+R Anlagen bzw. von Haltestellen an einer<br />
Nahverkehrslinie als Hub denkbar. Die Modellierung als Hub Location Problem<br />
ist ebenfalls möglich. Die Wege von den Nachfragern zu den P+R Plätzen und<br />
von der Zielhaltestelle zum endgültigen Ziel stellen die Speichen dar. Der Reiseweg<br />
führt demnach immer über das Hubsystem.<br />
6
1.2.5 Nebenpfad:<br />
Parkplätze<br />
und<br />
Parkhäuser<br />
Des Weiteren ist die <strong>Standortplanung</strong> von Parkplätzen und Parkhäusern in<br />
städtischen Kerngebieten von großer Wichtigkeit. Die Parkraumplanung beeinflusst<br />
nicht nur Art und Umfang des Verkehrs, sondern auch die Stadtstruktur<br />
und die Flächennutzung. Sie zählt in Verbindung mit dem ÖPNV und dem<br />
Fußgänger- und Radverkehr zu einem der bedeutendsten Steuerungsgrößen des<br />
Stadtverkehrs. [TOPP 1994]<br />
Ziele der Parkraumplanung sind daher:<br />
• Schaffung von Verkehrssicherheit<br />
• Erhaltung und Ausbau der Leistungsfähigkeit des Straßenraumes<br />
• Umweltschutz<br />
• Wirtschaftlichkeit der Straßen und der Verkehrsmittel<br />
Die Ziele und Kriterien richten sich im Allgemeinen auf die Minimierung der<br />
Wege zwischen Nachfrager und Parkplatz sowie zwischen Parkplatz und Ziel.<br />
Somit ist die Zuordnung dieser Problemstellung zu den MINISUM-Modellen<br />
in Netzwerken sinnvoll. Die dort angesprochenen Optimierungsverfahren und<br />
Lösungsmodelle sind für diese Problemstellung anwendbar.<br />
1.2.6 Nebenpfad:<br />
Depots für<br />
öffentliche<br />
Verkehrsmittel<br />
Ein Depot dient als Lagerplatz für eine Menge an Fahrzeugen. Gelagert werden<br />
Fahrzeuge, die auf Grund des Fahrplans nicht zum Einsatz kommen, Ersatzfahrzeuge<br />
oder Fahrzeuge, die gewartet werden müssen.<br />
Der Verkehrsbetrieb hat die Aufgabe, die Fahrzeuge den Depots zuzuordnen,<br />
die möglichst nah an deren Anfangs- und Endhaltestellen liegen.<br />
Grundlage der Depotplanung sind der Einsatzplan und die Anzahl der Fahrzeuge,<br />
die je Haltestelle benötigt werden.<br />
Entscheidungskriterien<br />
Die im Rahmen einer Optimierung veränderlichen Entscheidungsvariablen<br />
sind:<br />
• die Zuordnung der Fahrzeuge zu den Depots<br />
7
• die Anzahl der zu implementierenden Depots<br />
Die Anzahl der Depots hat kaum Einfluss auf die Dauer der Reisezeit und die<br />
Qualität des öffentlichen Verkehrsnetzes. Eine Verschlechterung der Attraktivität<br />
des ÖPNV trifft nur dann ein, wenn auf Grund eines unerwarteten Ausfalls<br />
eines Fahrzeugs Ersatz aus einem Depot benötigt wird. Die Behebung eines<br />
Störfalls dauert bei wenigen Depots länger.<br />
Ziele<br />
Ziel ist es, die optimale Anzahl an Depots zu finden, durch die die Gesamtkosten<br />
minimiert werden. Zu viele Depots führen zu hohen Fixkosten der Investition,<br />
zu wenige Depots steigern die variablen Transportkosten.<br />
Die Depotplanung für öffentliche Verkehrsmittel lässt sich den MINISUM-Modellen<br />
in Netzwerken zuordnen. Die Summe der Fahrten von den Depots zu den Anfangshaltestellen<br />
sowie von den Endhaltestellen zurück zu den Depots soll minimiert<br />
werden.<br />
Weiterhin ist es realitätsnäher, die potentiellen Standorte auf die Punkte eines<br />
Netzwerks zu beschränken.<br />
Medianmodelle kommen zur Anwendung, falls die Anzahl der Depots fest vorgegeben<br />
ist und für diese die optimalen Standorte gesucht werden.<br />
Die Problemstellung lässt sich den Warehouse-Location-Problemen zuordnen,<br />
wenn die Anzahl der Depots variabel ist und die Summe der Distanzen minimiert<br />
werden soll.<br />
Zudem ist davon auszugehen, dass die Kapazitäten der Depots nicht derart flexibel<br />
sind, dass alle Fahrzeuge einem Depot zugeordnet werden können. Daher<br />
müssen zusätzlich Kapazitätsbeschränkungen beachtet werden.<br />
1.2.7 Nebenpfad:<br />
Haltestellen<br />
im Rahmen<br />
eines<br />
Liniennetzes<br />
Ziel der Planung des Liniennetzes ist es, eine dem Verkehrsaufkommen gerecht<br />
werdende Versorgung einer Region mit öffentlichem Verkehr sicher zu stellen.<br />
Dazu zählt neben dem Bau von Strecken und Verbindungen auch die Errichtung<br />
von Haltestellen. Das Liniennetz ist dabei in der Regel historisch gewachsen. In<br />
einer über Jahrhunderte gewachsenen Infrastruktur ist es kaum möglich, Verkehrsnetze<br />
von Grund auf neu zu errichten [BUSSIECK; WINTER; ZIMMERMANN 1997].<br />
Vielmehr befasst sich die Planung des Liniennetzes mit [SCHÖBEL 2003]<br />
• dem Finden neuer Haltestellen in einem bestehenden Liniennetz,<br />
• dem Schließen von bestehenden Haltestellen,<br />
• dem Bau von neuen Linien, Verbindungen und Anschlüssen in einem bestehenden<br />
Liniennetz,<br />
8
• dem Schließen von Linien, Verbindungen und Anschlüssen in einem bestehenden<br />
Liniennetz und<br />
• dem Finden von Sub-Netzwerken.<br />
Entscheidungskriterien<br />
Entscheidungskriterien, die den Standort einer Haltestelle beeinflussen, sind<br />
im Rahmen der Standortsuche von Haltestellen sehr vielfältig und orientieren<br />
sich an der zugehörigen Zielsetzung.<br />
Als Optimierungskriterien sind dabei folgende von Interesse:<br />
• Zugangsweiten von den Nachfragerknoten zu den Haltestellen<br />
• Anzahl der Haltestellen<br />
• Überdeckung der Nachfrageknoten (Erschließungswirkung der Haltestellen)<br />
• Investitions- und Betriebskosten des Betreibers bzw. Opportunitätskosten<br />
des Nutzers durch lange Reisezeiten<br />
• Tür-zu-Tür Reisezeit<br />
Ziele<br />
Als primäres Ziel kann bei der <strong>Standortplanung</strong> die Minimierung der Gesamtkosten<br />
- also der Investitions- und Betriebskosten als auch der Zeitopportunitätskosten<br />
des Nutzers durch lange Reisezeiten - betrachtet werden.<br />
Typische weitere Ziele bei der Haltestellenplanung stellen sich wie nachstehend<br />
aufgeführt dar [SCHÖBEL 2003]:<br />
• Maximierung der Überdeckung der Nachfragerknoten durch Haltestellen<br />
• Implementierung von Haltestellen, die nicht weiter entfernt sind als ein<br />
bestimmter Radius r zu so vielen potentiellen Nachfragern wie möglich<br />
• Minimierung der zusätzlichen Reisezeit im Verkehrsnetzwerk<br />
• Minimierung der Anzahl an Haltestellen<br />
9
• Minimierung der durchschnittlichen Tür-zu-Tür Reisezeit aller Nachfrager<br />
• Maximierung des Erlöses des Verkehrsbetriebs<br />
10
2 Modelle zur Standortbestimmung<br />
2.1 Modellcharakteristika<br />
<strong>Standortplanung</strong><br />
Die <strong>Standortplanung</strong> ist Teilgebiet der Standorttheorie und gehört zu den Raumwirtschafttheorien<br />
der Wirtschaftgeographie. Sie befasst sich mit der optimalen<br />
räumlichen Lokalisation von Wirtschaftstätigkeiten bzw. Unternehmungen und<br />
dem Einfluss von Absatz und Gewinn auf den Standort bzw. die Standortentscheidung.<br />
Hierbei wird das Standortverhalten von Haushalten, Unternehmen<br />
und staatlichen Einrichtungen aufgezeigt. Durch Modelle wird weitergehend versucht<br />
darzustellen, warum sich verschiedene Wirtschaftssubjekte an bestimmten<br />
Orten ansiedeln. [http://www.wikipedia.de].<br />
Zu unterscheiden sind bei der Standortbestimmung die volkswirtschaftliche<br />
<strong>Standortplanung</strong>, die betriebliche <strong>Standortplanung</strong> und die innerbetriebliche<br />
<strong>Standortplanung</strong> bzw. Layoutplanung [DOMSCHKE; DREXL 1996].<br />
Modelle<br />
Zur Modellierung der betrachteten Probleme im Rahmen normativer Ansätze<br />
können zum einen die Methoden der <strong>Standortplanung</strong> in der Ebene, zum<br />
anderen die Standortbestimmung in Netzwerken herangezogen werden.<br />
<strong>Standortplanung</strong><br />
in der<br />
Ebene<br />
Bei der Standortbestimmung in der Ebene wird davon ausgegangen, dass<br />
die Nachfragerorte (bspw. Kundenorte) auf einer homogenen Fläche in der Ebene<br />
verteilt sind. Jeder Punkt der Ebene kommt folglich als potentieller Standort<br />
in Frage.[DOMSCHKE; DREXL 1996] Diese Standortmodelle finden ihre Anwendung,<br />
wenn über die möglichen Standorte nur wenige Informationen vorliegen,<br />
die Fixkosten standortunabhängig sind und die Bedingungen wie Platzangebot<br />
sowie strategisch günstige Lage keine Entscheidungsfaktoren darstellen.<br />
[KLOSE 2001]<br />
Entfernungen zwischen zwei Punkten werden gemäß bestimmter Metriken gemessen.<br />
[DOMSCHKE; DREXL 1996] Die am häufigsten verwendeten Metriken<br />
zur Entfernungsmessung sind die rechtwinklige Entfernungsmessung und die euklidische<br />
Entfernungsmessung.<br />
<strong>Standortplanung</strong><br />
in<br />
Netzwerken<br />
Im Gegensatz zur Standortbestimmung in der Ebene ist bei der Standortbestimmung<br />
in Netzwerken die Menge potentieller Standort auf die Menge der<br />
Knoten eines Graphen und die Menge der Punkte auf den Kanten beschränkt.<br />
Distanzen ergeben sich nicht durch bestimmte Metriken, vielmehr sind sie bestimmt<br />
durch die Längen kürzester Wege im Netzwerk.<br />
11
Kontinuierliche<br />
und diskrete<br />
<strong>Standortplanung</strong><br />
Eine weitere Differenzierung muss zwischen kontinuierlicher und diskreter<br />
<strong>Standortplanung</strong> getroffen werden.<br />
Ausgehend von der Annahme einer homogenen Fläche, werden bei der kontinuierlichen<br />
<strong>Standortplanung</strong> infinitesimal kleine Verschiebungen des Standortes<br />
zugelassen. Es existiert eine unendliche Menge möglicher Standorte. Im Gegensatz<br />
dazu wird bei der diskreten <strong>Standortplanung</strong> nur eine begrenzte Menge<br />
potentieller Standorte in die Betrachtung mit einbezogen. [LIEBMANN 1971]<br />
Ähnliches gilt für Netzwerke. Dürfen potentielle Standorte nur auf Knoten platziert<br />
werden, wird von einem diskreten Modell gesprochen. Können dagegen<br />
potentielle Standorte auch auf den Kanten eines Netzwerkes platziert werden,<br />
handelt es sich um kontinuierliche Probleme. [WEINBRECHT 2000]<br />
Weitere<br />
Merkmale<br />
Darüber hinaus können Standortprobleme und zugehörige Modelle der <strong>Standortplanung</strong><br />
anhand weiterer Merkmale unterschieden werden. Zu diesen zählen<br />
unter anderen:<br />
• die Form der Zielfunktion<br />
• MINISUM-Lokationsprobleme: Ziel ist es, die Summe der Entfernungen<br />
zwischen Nachfragern und allen Standorten, bei vollständiger Deckung<br />
des Bedarfs, zu minimieren.<br />
• Überdeckungsprobleme: Ziel ist es, die Überdeckung von Nachfragerknoten<br />
durch Standorte zu gewährleisten. Ein Sonderfall stellt das MINIMAX<br />
- Kriterium dar. Gesucht ist die Lage der Standorte, bei denen die maximale<br />
Distanz zwischen Standort und Nachfrager minimal ist.<br />
• Berücksichtigung einer Kapazitätsrestriktion: Unkapazitierte bzw. kapazitierte<br />
Modelle<br />
• Berücksichtigung mehrerer hierarchisch voneinander abhängiger Standorte:<br />
einstufige bzw. mehrstufige Modelle<br />
• Einprodukt- bzw. Mehrproduktmodelle<br />
• Modelle mit elastischer bzw. unelastischer Nachfrage<br />
• statische Modelle bzw. dynamische Modelle<br />
12
2.2 Ebene Modelle<br />
Standortbestimmung<br />
in<br />
der Ebene<br />
Bei der <strong>Standortplanung</strong> in der Ebene kann zwischen MINISUM- und MINIMAX-<br />
Modellen unterschieden werden.<br />
Zum einen kann die Summe der gewichteten Distanzen zwischen Standorten und<br />
den Nachfragerknoten minimiert werden. Hierbei handelt es sich um Weber<br />
Modelle.<br />
Des Weiteren kann mit Hilfe von Zentrenmodellen die maximale Distanz zwischen<br />
Nachfragern und Standorten minimiert werden. Hierbei handelt es sich<br />
um Zentrenprobleme.<br />
2.2.1 Nebenpfad: Weber Probleme<br />
Bestimmung<br />
eines<br />
Standortes<br />
Das Problem der Bestimmung eines neuen Standortes in der Ebene unter der<br />
Beachtung der MINISUM-Zielsetzung - auch Steiner-Weber-Problem genannt -<br />
kann wie folgt beschrieben werden<br />
Einstufiges<br />
Weber Modell<br />
Es ist ein Standort gesucht, so dass die Entfernung zwischen diesem Standort<br />
und allen Nachfragerknoten minimal ist. Die Transportkosten sind dabei proportional<br />
zu der Entfernung. Der Bedarf der Nachfrager stellt das Gewicht der<br />
Knoten dar.<br />
Mathematisch lässt sich das Modell wie folgt formulieren:<br />
Minimiere F (x, y) = c ∗ ∑ n<br />
j=1 b √<br />
j (x − uj ) 2 + (y − v j ) 2<br />
mit<br />
x, y = Koordinaten der Standorte<br />
u, v = Koordinaten der Nachfragerknoten<br />
b j = Nachfragergewichte<br />
c = T ransportkosten<br />
Modellformulierung<br />
Lösungsverfahren<br />
Das iterative Verfahren von Miehle beginnt mit vorgegebenen Startwerten<br />
für x und y, die in Gleichungen eingesetzt werden, die man durch partielle Ableitungen<br />
der ursprünglichen Zielfunkton erhält.<br />
Durch Berechung der Gleichungen ergeben sich neue Koordinaten (x1, y1), die<br />
im folgenden Iterationsschritt wiederum in die Gleichungen eingesetzt werden.<br />
Nach einer endlichen Anzahl von Iterationsschritten, einer Anzahl vorgegebener<br />
Schritte oder bei nur noch marginaler Veränderung der Ergebniswerte wird das<br />
Verfahren schließlich abgebrochen.<br />
13
Bestimmung<br />
mehrerer<br />
Standorte<br />
Gegeben seien n Kunden mit fest vorgegebenen Koordinaten. Es sollen Einrichtungen<br />
oder Depots so bestimmt werden, dass die Transportkosten zwischen den<br />
Depots sowie zwischen Depots und Kunden minimiert werden. [DOMSCHKE; DREXL 1996]<br />
Lösungsverfahren<br />
Ähnlich zum einfachen Weber Modell existiert ein iteratives Verfahren, welches<br />
die Summe der Distanzen zwischen Nachfragern und Standorten minimiert.<br />
Das Hyperboloid-Approximationsverfahren berechnet für eine vorgegebene<br />
Anzahl an Standorten die Koordinaten.<br />
2.2.2 Nebenpfad: Zentrenprobleme<br />
Zentrenprobleme<br />
Im Gegensatz zu den Weber-Modellen sind Zentrenprobleme in der Ebene MINIMAX-<br />
Lokationsprobleme. Ziel ist, wie bei Zentrenproblemen in Netzwerken, die Minimierung<br />
der maximalen resultierenden Distanz zwischen Standorten und Nachfragerknoten.<br />
Im Falle p = 1 kann das Problem durch ein einfaches geometrisches Verfahren<br />
gelöst werden. Es ist ein Kreis mit minimalem Radius gesucht, der alle Kundenorte<br />
einschließt.<br />
Des Weiteren können Heuristiken und Methoden der Spaltengenerierung für das<br />
Multi-Weber Problem mit entsprechenden Modifikationen auch auf p-Zentrenprobleme<br />
in der Ebene übertragen werden. [KLOSE 2001]<br />
14
2.3 Überdeckungsprobleme<br />
Überdeckungsprobleme<br />
Überdeckungsprobleme lassen sich in Set Covering Probleme, Maximum Covering<br />
Probleme und Zentrenprobleme unterteilen (siehe folgende Abbildung<br />
[DASKIN 1995]).<br />
Details<br />
Details zu den einzelnen Modellen finden sich auf folgenden Unterseiten.<br />
Set Covering Problem<br />
Maximum Covering Problem<br />
Zentrenproblem<br />
15
2.3.1 Nebenpfad: Set Covering<br />
Set Covering<br />
Problem<br />
Aus einer gegebenen Menge potenzieller Standorte ist eine Teilmenge so zu<br />
bestimmen, dass alle Nachfragerpunkte überdeckt werden und die Summe der<br />
Kosten c j aller Standorte minimal ist.<br />
Modellformulierung<br />
Mathematisch formulieren lässt sich das Set Covering-Modell wie folgt:<br />
Minimiere ∑ n<br />
j=1 c j ∗ x j<br />
unter<br />
∑<br />
den Nebenbedingungen<br />
n<br />
j=1 a ij ∗ x j ≥ 1 ∀i<br />
x j ∈ (0, 1) ∀j<br />
mit ( )<br />
1 falls Standort j Nachfragerknoten i überdeckt<br />
a ij =<br />
0 sonst<br />
( )<br />
1 falls Standort j implementiert wird<br />
x j =<br />
0 sonst<br />
c j = Kosten, um einen Standort j zu implementieren<br />
Gegeben ist bei diesem Modell eine binäre m x n Matrix A = (a ij ) sowie ein n-<br />
dimensionaler Kostenvektor c = c j . Ferner sind die Mengen I := (1, ..., m) und J :=<br />
(1, ..., n) gegeben. Das Element i ∈ I bezeichnet dabei die i-te Zeile der Matrix<br />
A, das Element j ∈ J die j-te Spalte der Matrix A. c j sind die Kosten für<br />
die Spalte j ∈ J. Wenn die Matrixelemente a ij den Wert 1 annehmen, wird<br />
davon gesprochen, dass eine Zeile von einer Spalte überdeckt wird. Ziel ist es,<br />
eine kostenminimale Teilmenge S ⊂ J mit Kosten ∑ j∈ S c j zu bestimmen, so<br />
dass alle Zeilen aus I von Spalten aus S überdeckt werden. Die erste Nebenbedingung<br />
legt fest, dass jeder Nachfragerknoten von mindestens einem Standort<br />
überdeckt werden muss [ANNEN 2003].<br />
Aufgabe<br />
Wie sieht die Überdeckungsmatrix zu folgendem Problem aus? [SCHÖBEL 2003]<br />
16
HOTSPOT Lösung: 2<br />
Lösungsmöglichkeit<br />
Exakte Verfahren zur Lösung von Set Covering Problemen lassen sich in<br />
Cutting Plane Algorithmen, Branch & Bound Algorithmen und Branch & Cut<br />
Algorithmen untergliedern.<br />
Heuristische Verfahren finden bei der Lösung sehr großer Set Covering Probleme<br />
Anwendung, bei denen der Einsatz exakter Verfahren auf Grund eines<br />
unangemessenen Zeitbedarfs nicht sinnvoll ist. Mit Hilfe von Heuristiken können<br />
Näherungslösungen, teilweise auch Optimallösungen, gefunden werden.<br />
Ein einfacher Greedy Algorithmus[SCHÖBEL 2003] wird im Rahmen des<br />
Lösungsweges des bikriteriellen Standortproblems verwendet, um benötigte Zwischenlösungen<br />
zu finden. Gerade bei Überdeckungsproblemen mit streng monotoner<br />
Überdeckungsmatrix mit Intervalleigenschaft ist dieser Algorithmus sehr<br />
gut geeignet, optimale Lösungen für das ungewichtete Set Covering Problem zu<br />
finden.<br />
Anwendungsgebiete<br />
Die bedeutendsten Anwendungsgebiete von Set Covering Problemen sind die<br />
Personaleinsatzplanung von Fluggesellschaften und des Schienenverkehrs sowie<br />
die <strong>Standortplanung</strong>. Aufgrund hoher Relevanz für die Praxis wurden zahlreiche<br />
exakte und heuristische Ansätze zur Lösung dieser Probleme entwickelt<br />
17
[ANNEN 2003].<br />
Infoseite<br />
Greedy Algorithmus für ungewichtete Set Covering Probleme mit Intervalleigenschaft<br />
mit<br />
S = Menge an Haltestellen s<br />
D = Menge an Nachfragerknoten d<br />
r = Radius der Überdeckung<br />
f d = min(s ∈ S : a ds = 1) ist das erste Element in einer Zeile der Überdeckungsmatrix<br />
mit dem W ert 1<br />
l d = max(s ∈ S : a ds = 1) ist das letzte Element in einer Zeile der Überdeckungsmatrix<br />
mit dem W ert 1<br />
Infoseite<br />
Intervalleigenschaft<br />
Eine Matrix hat die Intervalleigenschaft oder Consecutive Ones Property (kurz<br />
C1P), falls durch Permutation der Spalten eine Form entstehen kann in der gilt:<br />
a ik = 1 und a il = 1 und k < l ⇒ ∀k ≤ j ≤ l a ij = 1<br />
Von starker C1P wird gesprochen, wenn die Matrix diese Form ohne vorherige<br />
Permutation der Spalten besitzt.<br />
Beispiel:<br />
Für eine Überdeckungsmatrix eines Verkehrsnetzes bedeutet die Intervalleigenschaft,<br />
dass sich die potentiellen Haltestellen auf dem Netzwerk in einer Reihenfolge<br />
befinden, so dass ein Nachfragerknoten immer nur von direkt aufeinander<br />
folgenden Haltestellen überdeckt wird.<br />
18
2.3.2 Nebenpfad: Maximum Covering<br />
Problemstellung<br />
Eines der Probleme des Set Covering Modells ist, dass die Anzahl von Standorten,<br />
die eine vollständige Erschließung ermöglichen, schnell die maximal mögliche<br />
Anzahl an Standorten - beispielsweise aus Kostengründen - überschreitet.<br />
Außerdem unterscheidet das Set Covering Modell nicht nach der Gewichtung<br />
der Nachfrager. So ist es gleichsam wichtig, einen Nachfragerknoten mit zehn<br />
Nachfragern bzw. mit einer niedrigen Bedarfsmenge zu überdecken, als auch<br />
einen Nachfragerknoten mit 1000 Nachfragern bzw. einer hohen Bedarfsmenge.<br />
Aus diesem Grund kann durch die Lockerung des Kriteriums, dass alle Nachfrager<br />
überdeckt werden sollen und der Fixierung der Anzahl der Standorte auf<br />
eine bestimmte Größe, das Maximum Covering Location Model wie folgt<br />
formuliert werden.<br />
Maximum<br />
Covering<br />
Problem<br />
Mit einer gegebenen Anzahl von Standorten p soll eine maximale Bedarfsmenge<br />
b der Nachfragerknoten d überdeckt werden.<br />
Modellformulierung<br />
Mathematisch lässt sich das Modell wie folgt formulieren:<br />
Maximiere ∑ m<br />
i=1 b i ∗ y i<br />
unter den Nebenbedingungen<br />
y i ≤ ∑ n<br />
j=1 a ij ∗ x j ∀i<br />
∑ n<br />
j=1 x j ≤ P<br />
x j ∈ (0, 1) ∀j<br />
y i ∈ (0, 1) ∀i<br />
mit<br />
b i = Nachfrage des Knoten i<br />
P = Anzahl ( der zu implementierenden Standorte )<br />
1 falls Standort j Nachfragerknoten i überdeckt<br />
a ij =<br />
0 sonst<br />
( )<br />
1 falls Standort j implementiert wird<br />
x j =<br />
0 sonst<br />
( )<br />
1 falls Nachfragerknoten i überdeckt wird<br />
y i =<br />
0 sonst<br />
Die Zielfunktion maximiert die Höhe des überdeckten Bedarfs der Nachfragerknoten.<br />
Die erste Nebenbedingung besagt, dass ein Knoten von mindestens einem<br />
Standort überdeckt werden muss. Die Anzahl der zu implementierenden<br />
Standorte ist durch die zweite Nebenbedingung vorgegeben.<br />
19
Praktische Anwendung für das Maximum Covering Location Model stellen die<br />
Standortoptimierung und Positionierung von Notfalleinrichtungen, öffentlichen<br />
Versorgungssystemen oder finanzwirtschaftlichen Einrichtungen dar [ANNEN 2003].<br />
2.3.3 Nebenpfad: Zentren<br />
Anwendungsgebiete<br />
MINIMAX-<br />
Probleme<br />
Bei einigen Standortmodellen ist die bloße Minimierung der Summe der Distanzen<br />
und der damit verbundenen Transportkosten nicht sinnvoll. Dies ist<br />
dann der Fall, wenn Zeit die kritische Komponente darstellt. [KLOSE 2001] Es<br />
handelt sich um eine MINIMAX - Problemmodellierung.<br />
Lokationsprobleme, die die Minimierung der maximalen Distanz zum Ziel haben,<br />
werden Zentrenprobleme genannt [KLOSE 2001]. Sie können wie folgt beschrieben<br />
werden:<br />
p-<br />
Zentrenmodelle<br />
Eine gegebene Anzahl an Standorten p ist so zu bestimmen, dass die maximale<br />
gewichtete Distanz zwischen den Nachfragerknoten und dem jeweils nächst<br />
gelegenen Standort p minimiert wird [DASKIN 1995].<br />
Modellformulierung<br />
Mathematisch lässt sich das Modell wie folgt formulieren:<br />
Minimiere r<br />
unter<br />
∑<br />
den Nebenbedingungen<br />
∑j y ij = 1 ∀i<br />
j x j = P<br />
x j ≥ y ij<br />
∀i, j<br />
r ≥ b i ∗ ∑ j γ ij ∗ y ij ∀i<br />
x j ∈ (0, 1)<br />
y ij ≥ 0<br />
mit<br />
r = maximale Distanz zwischen einem Nachfragerknoten und dem nächstgelegenen<br />
Standort<br />
γ ij = Distanz vom Nachfragerknoten i zum Depot j<br />
b i = Nachfrage des Knoten i<br />
P = Anzahl ( der zu implementierenden Standorte )<br />
1 falls Standort j implementiert wird<br />
x j =<br />
0 sonst<br />
20
( )<br />
1 falls Standort j Knoten i zugeordnet wird<br />
y ij =<br />
0 sonst<br />
Die Zielfunktion minimiert die maximalen Distanzen zwischen den Nachfragerknoten<br />
und dem jeweils nächstgelegenen Standort p. Die erste Nebenbedingung<br />
stellt sicher, dass der Bedarf aller Nachfragerknoten gedeckt wird. Hierzu kann<br />
ein Nachfrager von mehreren Depots beliefert werden. Die zweite Nebenbedingung<br />
fordert, dass genau P Standorte implementiert werden. Die dritte Nebenbedingung<br />
sagt aus, dass die Nachfragerknoten nur von Depots beliefert werden<br />
können, wenn diese implementiert sind. Bedingung vier verlangt, dass die maximale<br />
gewichtete Distanz zwischen Nachfrager und Kunde größer sein muss als<br />
jede andere Distanz zwischen Kunden und eben diesem Depot.<br />
Lösungsmöglichkeiten<br />
Zur Lösung der Zentrenprobleme können verschiedene Verfahren zur Anwendung<br />
kommen. Kariv und Hakimi haben Algorithmen entwickelt, mit denen<br />
sich absolute 1-Zentrenprobleme lösen lassen. Hierbei wird zunächst von jeder<br />
Kante das Zentrum bestimmt. Im Anschluss kann mit diesen Punkten das absolute<br />
1-Zentrum ermittelt werden. [DASKIN 1995]<br />
Des Weiteren können Zentrenprobleme in eine Folge zu lösender Überdeckungsprobleme<br />
transformiert werden. Es lassen sich beispielsweise heuristische Verfahren<br />
für Überdeckungsprobleme zur Bestimmung suboptimaler Lösungen für<br />
p-Zentrenprobleme anwenden. [KLOSE 2001]<br />
Anwendungsgebiete<br />
MINIMAX - Modelle finden sich vorwiegend bei Lokationsproblemen der öffentlichen<br />
Hand und betreffen beispielsweise die Standortbestimmung für Feuerwachen,<br />
Depots für Rettungsdienste, Krankenhäuser und Schulen. [KLOSE 2001]<br />
21
2.4 MINISUM Probleme<br />
MINISUM-<br />
Probleme<br />
MINISUM-Modelle lassen sich in Medianmodelle, Warehouse Location Modelle<br />
und Hub & Spoke Modelle unterteilen.<br />
Details<br />
Details zu den einzelnen Modellen finden sich auf folgenden Unterseiten.<br />
Medianprobleme<br />
Warehouse Location Probleme<br />
Hub & Spoke Systeme<br />
2.4.1 Nebenpfad: Median<br />
Mediane<br />
Es sind p Punkte auf einem Netzwerk so zu bestimmen, dass die Summe der<br />
gewichteten Distanzen der Knoten des Graphen zum jeweils nächstgelegenen der<br />
bestimmten Punkte minimal ist. Die so bestimmten p Punkte auf dem Graphen<br />
werden als p-Median eines Graphen bezeichnet [KLOSE 2005].<br />
1-Median<br />
Im einfachsten Fall wird ein ungerichteter Graph G betrachtet und der 1-Median<br />
bestimmt.<br />
22
Sei G = [S, E, c, b] ein ungerichteter Graph mit Knotenmenge S, Kantenmenge<br />
E, nicht-negativen Knotengewichten b j und Kantenlängen c i , dann bezeichnet<br />
σ(i) := ∑ j∈S γ ij ∗ b j ∀i<br />
die Summe der gewichteten kürzesten Entfernungen zwischen Knoten i und<br />
jedem Knoten j von G. Ein Knoten i m mit den Eigenschaften<br />
σ(i m ) = min(σ(i)|i ∈ S)<br />
wird als Median des Graphen G bezeichnet.<br />
Aufgabe:<br />
Bestimmung<br />
des Medians<br />
Bestimmen Sie den 1-Median des dargestellten Graphen (die Knotengewichte b j<br />
sind für alle Knoten gleich 1)!<br />
3<br />
p-Median<br />
Problem<br />
Bei der Bestimmung mehrere Mediane bietet sich die Formulierung als binäres<br />
lineares Optimierungsproblem an.<br />
Modellformulierung<br />
Das p-Median Modell lautet:<br />
Minimiere F (x, y) = ∑ m ∑ n<br />
i=1 j=1 b j ∗ γ ij ∗ x ij<br />
unter<br />
∑<br />
den Nebenbedingungen<br />
m<br />
i=1 x ij = 1 ∀j<br />
x ij − y i ≤ 0<br />
∑ m<br />
i=1 y i = p<br />
y i ∈ (0, 1)<br />
∀i, j<br />
∀i<br />
∀i<br />
x ij ∈ (0, 1) ∀i, j<br />
mit<br />
b j =Bedarf des Knoten j<br />
γ ij =Distanz<br />
(<br />
zwischen zwei Knoten i und j<br />
)<br />
1 falls Knoten i Knoten j zugeordnet wird<br />
x ij =<br />
0 sonst<br />
( )<br />
1 falls Knoten j zum p Median gehört<br />
y i =<br />
0 sonst<br />
23
Die zweite Nebenbedingung legt die Anzahl der zum p-Median gehörenden Knoten<br />
auf p fest. Die dritte Nebenbedingung stellt sicher, dass ein Nachfrager j nur<br />
einem Knoten i zugeordnet wird, der zum p-Median gehört. Des Weiteren besagt<br />
die erste Nebenbedingung, dass jeder Knoten nur einem Median zugeordnet<br />
wird [DOMSCHKE; DREXL 1996].<br />
Lösungsmöglichkeiten<br />
Da Medianprobleme von der Problemformulierung Ähnlichkeiten mit den im<br />
Folgenden beschriebenen Warehouse Location Problemen aufweisen, können die<br />
dort aufgezeigten Lösungsverfahren auch für Medianprobleme angewendet werden.<br />
2.4.2 Nebenpfad: Warehouse<br />
Warehouse<br />
Location<br />
Probleme<br />
Durch Warehouse Location Probleme lassen sich verschiedene Standortentscheidungsprobleme<br />
abbilden. Grob unterscheiden lassen sich die folgenden Modelle:<br />
• Unkapazitierte vs. Kapazitierte WLP<br />
• Einstufige vs. Mehrstufige WLP<br />
• Einprodukt-WLP vs. Mehrprodukt-WLP<br />
Modellformulierung<br />
Mathematisch formulieren lässt sich das WLP wie folgt:<br />
Minimiere F (x, y) = ∑ m ∑ n<br />
i=1 j=1 c ij ∗ x ij + ∑ m<br />
i=1 f i ∗ y i<br />
unter<br />
∑<br />
den Nebenbedingungen<br />
m<br />
i=1 x ij = 1 ∀j<br />
x ij − y i ≤ 0 ∀i, j<br />
y i ∈ (0, 1) ∀i<br />
x ij ≥ 0 ∀i, j<br />
mit c ij =variable Transport- und Lagerhaltungskosten<br />
f i =fixe ( Depot- bzw. Standortkosten der Investition<br />
1 falls Nachfrager j von einem Lager am Standort i voll beliefert wird<br />
x ij =<br />
0 sonst<br />
( )<br />
1 falls am potentiellen Standort i ein Depot errichtet wird<br />
y i =<br />
0 sonst<br />
Der erste Teil der Zielfunktion minimiert die variablen Kosten c ij des Transports<br />
und der Lagerhaltung, der zweite Summand minimiert die fixen Depotbzw.<br />
Standortkosten f i der Investition. Ferner stellt die erste Restriktion die<br />
Nachfragebedingung dar, und die folgende Nebenbedingung garantiert, dass die<br />
fixen Standortkosten erfasst werden, sobald ein Transport von einem Standort j<br />
stattfindet. Ein Kunde wird zwingend vom nächstgelegenen Lager voll beliefert.<br />
)<br />
24
Lösungsverfahren<br />
Zur Lösung unkapazitierter WLP kommen exakte sowie heuristische Verfahren<br />
in Frage.<br />
• Exaktes Branch & Bound Verfahren von Erlenkotter<br />
• Heuristische Eröffnungs- und Verbesserungsverfahren<br />
• Heuristische Metastrategien<br />
2.4.3 Nebenpfad: Hub&Spoke<br />
Hub & Spoke<br />
Netzwerke<br />
Ein Hub & Spoke Netz ist eine spezielle Art von Netzwerk. In diesem sind die<br />
Quellen und die Ziele von Wegen nicht direkt miteinander verbunden, sondern<br />
indirekt über einen oder mehrere Hubs. Die Verbindungen zwischen den Quellen<br />
bzw. den Zielen laufen strahlen- oder sternförmig auf ein Hub zu, und die Hubs<br />
sind innerhalb des Hub-Netzes miteinander verbunden. Die Hubs erfüllen dabei<br />
die Funktion von Drehkreuzen bzw. Umschlagpunkten. [MAYER 2001]<br />
Abbildung<br />
eines<br />
Hub&Spoke<br />
Netzes<br />
Ziel<br />
Das am häufigsten angestrebte Ziel bei Hub Location Problemen ist, ähnlich<br />
wie bei den meisten <strong>Standortplanung</strong>sproblemen, die Minimierung von Kosten.<br />
Zu berücksichtigende Kosten können neben den fixen und variablen Kosten auch<br />
Kosten der Verspätung aus Sicht der Nachfrager sein. Es wird davon ausgegangen,<br />
dass durch die Nutzung von Interhub-Verbindungen die Transportkosten<br />
pro Wegeinheit im Hubnetz durch einen bestimmten Faktor kleiner 1 abdiskontiert<br />
werden. Der Transport über Hubs soll dadurch günstiger sein als eine<br />
Direktverbindung der Quelle mit dem Ziel, obwohl der zurückgelegte Weg meist<br />
größer ist. [MAYER 2001]<br />
25
Lösungsverfahren<br />
Wird davon ausgegangen, dass die Transportkosten proportional zu der zurückgelegten<br />
Strecke sind, dann handelt es sich bei Hub Location Problemen um<br />
eine MINISUM-Zielsetzung.<br />
Zur Lösung von Hub Location Problemen existieren eine Reihe exakter Lösungsverfahren<br />
sowie Heuristiken. Neben verschiedenen Branch & Bound Verfahren<br />
können heuristische Eröffnungsverfahren wie Add und Drop, Verbesserungsverfahren<br />
sowie heuristische Metastrategien zur Anwendung kommen.<br />
Anwendungsbereiche<br />
Anwendung finden Hub Location Probleme vor allem im Luft-, Schifffahrts- und<br />
Straßengüterverkehr, bei Speditionen, Paketdiensten oder der Post sowie beim<br />
Design von Computer- und Kommunikationsnetzwerken [MAYER 2001].<br />
Im Öffentlichen Verkehr können die Verbindungen zwischen den Hubs schnelle<br />
Verbindungen zwischen zwei Zentren und die Speichen langsame Bus- oder<br />
Straßenbahnlinien zu zentralen Haltestellen bzw. fußläufige Distanzen zwischen<br />
Quelle oder Ziel und Haltestelle darstellen.<br />
26
2.5 Modelle zur Haltestellenoptimierung<br />
Haltestellen in<br />
Netzwerken<br />
Zur Darstellung von Standortproblemen von Haltestellen auf Netzwerken können<br />
verschiedene Modelle angewendet werden.<br />
Eine Möglichkeit ist die Modellierung als Medianproblem.<br />
Darüber hinaus können diese Probleme als Überdeckungsprobleme modelliert<br />
werden. Dabei existieren unterschiedliche Modellierungsansätze [SCHÖBEL 2005]:<br />
1. Door-to-Door Travel Time Stop Location Problem<br />
2. Complete Cover Stop Location Problem<br />
3. Bicriterial Stop Location Problem<br />
2.5.1 Nebenpfad: Door-To-Door Travel Time Stop Location Problem<br />
Door-To-Door<br />
Travel Time<br />
Stop Location<br />
Problem<br />
Bei der Betrachtung der gesamten Reisezeit (Door-To-Door Travel Time) sind<br />
die Zeiten enthalten, die ein Nachfrager benötigt, um von einem Ausgangspunkt<br />
zu einer Haltestelle zu gelangen, die anschließende Reisezeit innerhalb<br />
des öffentlichen Verkehrsnetz und die Abgangszeit von der Zielhaltestelle zum<br />
gewünschten Zielort.<br />
Abbildung 1:<br />
Beispiel für die<br />
Tür-zu-Tür<br />
Reisezeit<br />
Optimierung<br />
Anstelle der Berechnung der gesamten Reisezeit wird in diesem Modell nur die<br />
Änderung der Reisezeit berechnet, die sich durch die Anordnung und die Anzahl<br />
von Haltestellen ergibt.<br />
27
Änderungen ergeben sich zum einen durch eine geringere Zugangsdistanz zu den<br />
Haltestellen, bedingt durch eine hohe Anzahl vorgesehener Haltepunkte.<br />
Zum anderen erhöht sich die Reisezeit innerhalb des Verkehrsnetzes durch eine<br />
hohe Anzahl Stopps. Zu minimieren ist die Differenz zwischen der Reisezeit im<br />
Verkehrsnetz und der Zugangszeit zu der Haltestelle, die dem Nachfrager am<br />
nächsten liegt.<br />
2.5.2 Nebenpfad: Complete Cover Stop Location Problem<br />
Complete<br />
Cover Stop<br />
Location<br />
Problem<br />
Modellformulierung<br />
Das Complete Cover Stop Location Problem kann wie folgt formuliert werden:<br />
Für ein gegebenes Verkehrsnetz G, eine gegebene Anzahl an Reisenden auf den<br />
verschiedenen Relationen und eine endliche Menge an Nachfragerknoten mit<br />
Nachfragern w d , die sich in einer bestimmten Entfernung γ d < r zu der nächsten<br />
Haltestelle befinden, soll eine Menge S an Haltestellen gefunden werden, die alle<br />
Nachfragerknoten überdeckt, so dass die zusätzliche Reisezeit bzw. die Zeitopportunitätskosten<br />
der Wartezeit für die Nutzer<br />
t + travel (S) = ∑ s∈S c s<br />
minimal ist.<br />
Diese Problemformulierung entspricht einem Set Covering Problem. Als mögliche<br />
Lösungsmenge existiert eine endliche dominierende Menge potentieller Stopps<br />
auf dem Verkehrsnetzwerk.<br />
Lösungsmöglichkeit<br />
Eine Möglichkeit ist, dieses unter zu Hilfenahme eineskürzesten-Wege Algorithmus<br />
zu lösen. Dazu muss ein gerichteter Digraph bestimmt werden, der<br />
sich aus der Überdeckungsmatrix der Problemformulierung ableiten lässt. Die<br />
Kantengewichte entsprechen den c s - Werten. Die Verbindungen in diesem Digraph<br />
entsprechen dabei allen Möglichkeiten, potentielle Haltestellen auf dem<br />
Netzwerk zu implementieren, die eine vollständige Überdeckung aller Nachfragerknoten<br />
garantieren.<br />
Der Set-Covering Digraph G SC = (S SC , A SC ) ist deshalb definiert als<br />
S SC = S ∪ (s, t) und<br />
A SC = ((i, j) : i < j und f j≤li+1) ∪ ((s, i) : f i = 1) ∪ ((i, t) : l i = |D|)<br />
Die Gewichte der Kanten betragen c ij = c s mit<br />
c ij = c j falls j ≠ t und 0 falls j = t<br />
Die Gewichte entsprechen der Anzahl der Reisenden, für die sich auf einer Relation,<br />
bedingt durch zusätzliche Stopps, die Reisezeit um eine vorgegebene Zeit<br />
erhöht. Ziel ist es nun, einen kürzesten Weg von s nach t zu bestimmen, der<br />
28
genau die Haltestellen berücksichtigt, bei denen die Summe der Wartezeiten<br />
minimal ist und alle Nachfragerknoten überdeckt werden.<br />
Beispiel<br />
Das folgende kleine Beispiel soll die Vorgehensweise erläutern:<br />
Problem Gegeben⎛<br />
sei das Problem⎞<br />
mit der Überdeckungsmatrix A cov = (a ds ):<br />
A cov = ⎝ 1 1 1 0<br />
0 1 1 1 ⎠<br />
0 0 1 1<br />
und der Anzahl an Reisenden c s , für die sich die Reisezeit im Verkehrsnetz<br />
bedingt durch zusätzliche Haltestellen erhöht:<br />
c 1 = 4 c 3 = 6<br />
c 2 = 3 c 4 = 2<br />
Aufgabe<br />
Welche Form hat der Digraph zu obenstehender Überdeckungsmatrix?<br />
HOTSPOT Lösung: 1<br />
Dijkstra-<br />
Algorithmus<br />
Mit Hilfe des Dijkstra Algorithmus kann nun ein kürzester Weg von s nach t<br />
bestimmt werden.<br />
Die Lösung des Beispiels stellt sich wie folgt dar:<br />
Kürzester Weg<br />
Lösung (bitte nur klicken, wenn Sie obenstehende Aufgabe schon gelöst<br />
haben!!!!)<br />
29
Lösung Der zugehörige Zielfunktionswert lautet F = c 2 + c 4 = 3 + 2 = 5.<br />
Die optimale Lösung lautet folglich: S∗ = (s 2 , s 4 )<br />
2.5.3 Nebenpfad: Bicriterial Stop Location Problem<br />
Bicriterial<br />
Stop Location<br />
Problem<br />
Unter bestimmten Bedingungen erscheint es als nicht sinnvoll, alle Nachfrager<br />
durch Haltestellen zu überdecken, sondern nur einen bestimmten Prozentsatz.<br />
Einerseits ist es unter realen Bedingungen unrealistisch, alle Nachfrager durch<br />
Haltestellen überdecken zu können, andererseits könnte dies zu einer sehr hohen<br />
Anzahl an Haltestellen führen, was einen wirtschaftlichen und qualitativ<br />
hochwertigen Betrieb in Bezug auf die Reisezeit nicht zuließe.<br />
Das bikriterielle Standortproblem für Haltestellen kann wie folgt formuliert werden:<br />
Modellformulierung<br />
Für ein gegebenes Verkehrsnetz G, eine gegebene Anzahl an Reisenden auf den<br />
verschiedenen Relationen und eine endliche Menge an Nachfragerknoten mit<br />
Nachfragern w d , die sich in einer bestimmten Entfernung γ < r zu der nächsten<br />
Haltestelle befinden, soll eine Menge S an Haltestellen gefunden werden, so dass<br />
die zusätzliche Reisezeit<br />
t + travel (S) = ∑ s∈S c s<br />
und die Überdeckung der Nachfrager<br />
−q cover = − ∑ d∈cover(S) w d<br />
minimal sind.<br />
Unter der Minimierung beider Funktionen ist folglich zu verstehen, dass paretooptimale<br />
Lösungen für t + travel und q cover so gefunden werden sollen, dass eine<br />
Menge möglicher Stopps S 1 eine andere Menge möglicher Stopps S 2 dominiert.<br />
S 1 dominiert hierbei S 2 , wenn<br />
t + tavel (S 1) ≤ t + travel (S 2) und<br />
q cover (S 1 ) ≥ q cover (S 2 )<br />
und in mindestens einer Ungleichung nicht die Gleichheit auftritt. Unter Paretooptimalen<br />
Lösungen wird in der Ökonomie eine Allokation verstanden, in der es<br />
nicht mehr möglich ist, ein Wirtschaftssubjekt besser zu stellen, ohne gleichzeitig<br />
(mindestens) ein Wirtschaftssubjekt schlechter zu stellen.<br />
Die Pareto-optimale Lösung S* ist dann eine mögliche Menge an Stopps, die<br />
von keiner anderen ( Menge möglicher Stopps dominiert wird.<br />
t<br />
+<br />
Die Punkte<br />
travel (S∗)<br />
)<br />
von Pareto-Lösungen S* werden als effizient bezeichnet.<br />
q cover (S∗)<br />
30
Lösungs-<br />
Zur Lösung des bikriteriellen Standortproblems können eine Vielzahl an<br />
verfahren angewendet werden.<br />
Lösungsmöglichkeit<br />
Infoseite<br />
Lösungsverfahren<br />
Werden beide Zielfunktionen unter Verwendung eines gewichteten Mittelwerts<br />
zu einer Ersatzzielfunktion zusammengefasst, wird von der Gewichtete Summen<br />
Skalarisierung bzw. der Zielgewichtung gesprochen. Die Einzelzielfunktionen<br />
werden vor der Optimierung mit reellen Zahlen<br />
λ 1 , λ 2 , ..., λ t mit 0 ≤ λ t ≤ 1 gewichtet und anschließend aufsummiert.<br />
Als Nebenbedingung soll dabei<br />
∑ t<br />
i=1 λ i = 1 gelten [DOMSCHKE; DREXL 1998].<br />
Vorteil einer gewichteten Summenfunktion ist, dass die Ersatzzielfunktion in der<br />
Regel relativ einfach zu bestimmen ist. Nachteilig wirkt sich aber aus, dass die<br />
Lösungsmenge nur eine extremale optimale Lösung beinhaltet. Auch ist die Wahl<br />
der Gewichte stark von den Präferenzen des Entscheidungsträgers abhängig. Die<br />
Wahl kann sehr stark subjektiv beeinflusst werden und oftmals sind die Ziele<br />
bzw. die Einheiten der Ziele nicht vergleichbar.<br />
Darüber hinaus ist ein weiterer Nachteil dieser Methode, dass die optimale<br />
Lösung von sehr kleinen Veränderungen der Gewichtung stark beeinflusst werden<br />
kann.<br />
Dieses Problem lässt sich lösen, indem für die einzelnen Ziele obere bzw. untere<br />
Schranken vorgegeben werden, die dann im Rahmen einer Lösung nicht<br />
über- bzw. unterschritten werden dürfen. Die Vorgehensweise wird in folgendem<br />
Abschnitt zur Zieldominanzmethode näher erläutert.<br />
Bei der Zieldominanz-Methode wird das bikriterielle Optimierungsproblem<br />
als einkriterielles Problem charakterisiert.<br />
Anfänglich wird ein Optimierungsziel nicht betrachtet und stattdessen eine Nebenbedingung<br />
der Art<br />
f i (S) ≤ ɛ oder f i (S) ≥ ɛ eingeführt,<br />
die für die Zielfunktion obere bzw. untere Schranken festsetzt. Unter den so<br />
entstehenden Lösungen wird dann eine berechnet, die bezüglich der anderen<br />
Zielfunktion und ihrem Optimierungsziel optimal ist.<br />
Problematisch bei dieser Methode ist, dass durch ungünstige Schranken für ein<br />
Nebenziel der Zielerreichungsgrad des Hauptziels sehr stark einschränkt oder im<br />
Extremfall die Menge der zulässigen Lösungen leer ist [DOMSCHKE; DREXL 1998].<br />
Unter der Berücksichtigung von Abstandsfunktionen wird die Minimierung<br />
der Abstände zwischen dem Zielfunktionswert eines gesondert betrachteten<br />
Ziels f i ∗ und dem Zielfunktionswert einer kombinierten Lösung mehrerer Ziele<br />
f i (x) verstanden.<br />
Es wird also eine Lösung des Gesamtproblems gesucht, welches einen möglichst<br />
geringen Abstand zwischen der Lösung der Einzelziele t und der Lösung des<br />
Gesamtziels, bei gleichzeitiger Betrachtung beider Zielfunktionen, aufweist.<br />
31
Ähnlich wie bei der Zielgewichtung können zusätzliche Gewichte für die einzelnen<br />
Ziele eingeführt werden.<br />
EIne Sonderform der Bestimmung von Abstandfunktionen ist das Goal-Programming/Zielprogrammierung.<br />
Hierbei werden die Werte für f i ∗ vom Entscheidungsträger vorgegeben. Ziel ist<br />
es auch, die Abstände zwischen vorgegebenem Zielfunktionswert und dem kombinierten<br />
Zielfunktionswert aller Ziele zu minimieren.<br />
Eine weitere Lösungsmöglichkeit ist, ähnlich wie bei gewichteten Set Covering<br />
Problemen, unter zu Hilfenahme der Bestimmung kürzester Wege in einem<br />
gerichteten Digraphen, pareto-optimale Lösungen zu bestimmen.<br />
Es werden jeder Kante zwei Gewichte zugeordnet.<br />
Zum einen soll die Summe der Wartezeiten c ij minimiert, zum anderen die<br />
Überdeckung der Nachfrager w d maximiert werden [SCHÖBEL 2005].<br />
Eine weitere Möglichkeit zur Bestimmung optimaler Lösungen für mehrkriterielle<br />
Problemstellungen stellt die lexikographische Optimierung dar. Hierbei<br />
werden die einzelnen Zielfunktionen nach ihrer Wichtigkeit sortiert, und<br />
das Problem wird anschließend sukzessive nach den einzelnen Zielfunktionen<br />
optimiert. Die berechneten optimalen Lösungen werden dann als Randbedingungen<br />
in die nachfolgende Optimierung der nächsten Zielfunktion eingefügt<br />
[DOMSCHKE; DREXL 1998].<br />
Für Zielfunktionen, die als gleichwertig angesehen werden können, ist die lexikographische<br />
Optimierung nicht anwendbar. So ergeben sich bei der Anwendung<br />
auf die bikriterielle Zielsetzung der Standortfindung bestimmte Schwierigkeiten.<br />
Beide Ziele sind zum einen als gleichwertig anzusehen. Des Weiteren stellen die<br />
optimalen Ziele der einzelnen Zielfunktionen Extrempunkte dar, die eine Optimierung<br />
der anderen Zielfunktion nicht möglich machen. Wird zum Beispiel<br />
nur nach dem Ziel, die Kosten zu minimieren, optimiert, dann ist die optimale<br />
Lösung, dass keine Stopps implementiert werden und die Kosten gleich Null<br />
sind. Darauf aufbauend das zweite Ziel - die Maximierung der Überdeckung -<br />
zu optimieren, ist nun nicht mehr möglich, da bei keiner errichteten Haltestelle<br />
keine Nachfrager überdeckt werden können. Die lexikographische Optimierung<br />
scheidet also für unsere Problemstellung aus.<br />
32
3 Beispiel 1: Depots<br />
3.1 Modellierung<br />
Aufgabenstellung<br />
Ein Netzwerk des öffentlichen Nahverkehrs soll erweitert werden. Die Knoten<br />
s stellen die Anfangs- und Endhaltestellen der Linien dar, die im Pendelbetrieb<br />
verkehren. Die Gemeinde möchte ein Unternehmen beauftragen, Depots<br />
für Straßenbahnen zu errichten. Dafür stehen die potentiellen Standorte l zur<br />
Verfügung.<br />
Ein Planungsbüro wird damit beauftragt zu untersuchen, wie viele der potentiellen<br />
Depotstandorte errichtet werden sollen und von welchem Depot aus welche<br />
Haltestellen versorgt werden sollten. Ein Depot kann mehrere Haltestellen versorgen,<br />
ebenso kann eine Haltestelle von mehreren Depots aus bedient werden.<br />
Abbildung 1:<br />
Gemeindegebiet<br />
33
Die zurückzulegenden Wege sind unter Beachtung des vorhandenen bzw. zu bauenden<br />
Schienennetzes zu wählen und können stets in beide Richtungen befahren<br />
werden. Die durchgezogenen Linien stehen für die zu bedienenden Straßenbahnlinien,<br />
die gestrichelten Linien stellen die Gleisverbindungen dar, die die potentiellen<br />
Depots mit den Haltestellen verbinden. Sie müssen bei der Wahl eines jeden<br />
Depots ebenfalls neu errichtet werden. Um von einem Depot zu einer Haltestelle<br />
zu gelangen, können sowohl die durchgezogenen wie auch die gestrichelten<br />
Linien verwendet werden. Maßgebend ist immer die kürzeste Verbindung.<br />
Digraph<br />
Kürzeste Wege<br />
Die Entfernungen γ ls zwischen potentiellem Depot und Haltestellen sind Grundlage<br />
für die Berechnung der Transportkosten. Eine Distanzeinheit entspricht 0,5<br />
Geldeinheiten. Damit ist berücksichtigt, dass ein Fahrzeug jeweils einmal am<br />
34
Tag eine Ein- und Aussetzfahrt zurücklegen muss. Die minimalen Wege werden<br />
mit Hilfe des kürzesten Wege Algorithmus von Dijkstra bestimmt. Sie sind in<br />
der Entfernungsmatrix in folgender Tabelle dargestellt.<br />
35
3.2 Modellierung (2)<br />
Optimierungsziel<br />
und<br />
Optimierungskriterien<br />
Eingangsgrößen<br />
Ziel ist die Minimierung der Summe der variablen Transportkosten und der<br />
fixen Abschreibungskosten für Depots und der dadurch notwendigen Trassen.<br />
Benötigte Eingangsgrößen zur Lösung des Problems sind:<br />
• Lage und Anzahl der zu bedienenden Haltestellen<br />
• Lage und Anzahl der potentiellen Depots<br />
• Anzahl der benötigten Straßenbahnen je Haltestelle<br />
• Kapazität und Fixkosten der potentiellen Depots<br />
• bestehendes und potentielles Schienennetz<br />
• Länge jeder Wegstrecke<br />
• Entfernung der potentiellen Depots zu jeder Haltestelle (Entfernungsmatrix)<br />
Entscheidungsvariablen<br />
Als Entscheidungsvariablen müssen die<br />
• Anzahl der Straßenbahnen, die je Depot zu einer bestimmten Haltestelle<br />
befördert werden, und die<br />
• Anzahl der zu errichtenden Depots<br />
beachtet werden.<br />
Modellierung<br />
Aus der Problemstellung geht hervor, dass aus einer Menge potentieller Standorte<br />
eine Teilmenge identifiziert werden soll, damit das Verhältnis zwischen fixen<br />
Standortkosten und variablen Transportkosten optimal ist. Aufgrund der<br />
zusätzlichen Kapazitätsbeschränkung der Depots, beschreibt unser Beispiel ein<br />
kapazitiertes Warehouse Location Problem.<br />
36
3.3 Lösungsverfahren DROP-Algorithmus<br />
Lösungsverfahren<br />
Die Lösung des Problems wird mit heuristischen Verfahren ermittelt. Als Eröffnungsverfahren<br />
wird der Drop-Algorithmus verwendet, mit Hilfe von Tabu<br />
Search soll anschließend die Startlösung verbessert werden.<br />
DROP-<br />
Algorithmus<br />
Der Drop-Algorithmus geht von der Startsituation aus, dass alle potentiellen<br />
Standorte der Depots vorläufig einbezogen sind. Zu Beginn entspricht der Zielfunktionswert<br />
der Summe der Fixkosten aller Standorte und der minimalen<br />
Transportkosten. Letztere werden durch das Lösen von Transportproblemen<br />
ermittelt.<br />
Mit jeder Iteration wird nun derjenige Standort endgültig ausgeschlossen, durch<br />
dessen Schließung die größtmögliche Verringerung des Zielfunktionswertes erlangt<br />
wird. Der Algorithmus endet, sobald durch die Schließung eines weiteren<br />
Standortes keine zusätzliche Senkung des Zielfunktionswertes erreicht werden<br />
kann. Alle Standorte, die nicht ausgeschlossen wurden, werden nun endgültig<br />
einbezogen. [SCHILDT 1994]<br />
Der Drop-Algorithmus zählt zu den Greedy-Verfahren. Bei jeder Iteration wird<br />
demnach die größtmögliche Verbesserung des Zielfunktionswertes angestrebt.<br />
Bei dem Algorithmus kann nicht abgeschätzt werden, wie sich das Eliminieren eines<br />
Standortes auf nachfolgende Verfahrensschritte auswirkt. [DOMSCHKE; KLEIN; SCHOLL 1996]<br />
Das bedeutet, dass eventuell suboptimale Lösungen gefunden werden. Der Drop-<br />
Algorithmus liefert dennoch eine gute Startlösung, die anschließend mittels Tabu<br />
Search verbessert werden soll.<br />
37
Infoseite<br />
Transportproblem<br />
Transportprobleme sind lineare Optimierungsprobleme und können mit Hilfe<br />
des Simplex-Algorithmus gelöst werden.<br />
Bei größeren Optimierungsproblemen ist es sinnvoll, ein Computerprogramm<br />
zur Lösung dieser in Anspruch zu nehmen, da sonst der Rechenaufwand zu groß<br />
wird. Hiervon existieren zahlreiche, deren Lösungsverfahren auf der Simplex-<br />
Methode basieren.<br />
38
3.4 Lösungsverfahren Tabu-Search<br />
Tabu Search<br />
Mit Hilfe der Metaheuristik Tabu Search soll die Lösung des Drop-Algorithmus<br />
auf mögliche Verbesserungen des Zielfunktionswertes untersucht werden.<br />
Der Aufbau des Tabu Search-Verfahrens sieht wie folgt aus:<br />
1. Ermittle eine Starlösung x 0 und berechne den zugehörigen Zielfunktionswert<br />
F 0 .<br />
2. Suche in der Nachbarschaft nach einer Lösung, die die größte Verbesserung<br />
bzw. die geringste Verschlechterung des Zielfunktionswertes F ermöglicht<br />
und berechne diesen.<br />
3. Vergleiche die Zielfunktionswerte F und F 0 und speichere die beste Lösung.<br />
4. Aktualisiere die Tabu-Liste.<br />
5. Wiederhole die Schritte 2 bis 4 so lange, bis ein Abbruchkriterium erfüllt<br />
ist.<br />
6. Gib die beste Lösung und ihren zugehörigen Zielfunktionswert an.<br />
39
4 Beispiel 2: Haltestellen<br />
4.1 Modellierung<br />
Aufgabenstellung<br />
Ein Verkehrsunternehmen betreibt ein öffentliches Verkehrsnetz innerhalb einer<br />
Gemeinde. Die drei Gemeindegebiete werden dabei von jeweils einer Linie im<br />
Tourenbetrieb angedient. Ein zentraler Umsteigebahnhof auf dem Gemeindegebiet<br />
B ermöglicht die Anbindung aller drei Linien.<br />
Um das Angebot auch in Zukunft wettbewerbsfähig und attraktiv zu gestalten,<br />
möchte das Unternehmen die Standorte für die Haltestellen optimieren, um die<br />
Anzahl der Fahrgäste zu erhöhen. Dies soll sukzessive für jedes Gemeindegebiet<br />
geschehen. In einem ersten Schritt sind dabei die Planungen und die anschließende<br />
Optimierung für das Gemeindegebiet A durchzuführen. Dem Unternehmer<br />
bietet sich dafür die Möglichkeit, Haltestellen auf dem Netz im Gemeindegebiet<br />
A neu zu errichten und bestehende Haltestellen zu schließen.<br />
Abbildung 1:<br />
Gemeindegebiet<br />
Nahverkehrslinie<br />
Das Netz im Gemeindegebiet A mit potentiellen Haltestellen und Knoten, in<br />
denen Nachfrage besteht, ist in Abbildung 1 dargestellt.<br />
Zur Vereinfachung wird davon ausgegangen, dass die Nachfrage nicht auf der<br />
gesamten Fläche besteht, sondern dass Nachfragerknoten bereits durch Clusterbildung<br />
gebildet worden sind. Diese stellen Schwerpunkte eines vorher bestimmten<br />
Bereichs dar, in dem die Nachfrage akkumuliert werden kann. Dies können<br />
beispielsweise Wohngebiete, Industriegebiete, Einkaufszentren oder ähnliche Agglomerationen<br />
sein.<br />
Die Einzugsbereiche der einzelnen Haltestellen sind mittels gestrichelter Verbindungslinien<br />
dargestellt. So sind zum Beispiel die Nachfragerknoten d 2 und<br />
d 3 von der Haltestelle s 2 überdeckt und eine bestimmte Anzahl potentieller<br />
Kunden nutzt diese Haltestelle.<br />
40
Abbildung 2:<br />
Nahverkehrslinie<br />
mit<br />
Haltestellen<br />
und Nachfragerknoten<br />
Überdeckungsmatrix<br />
und<br />
Gewichte der<br />
Nachfragerknoten<br />
Die Überdeckungsmatrix A cov = (a ds ) für obiges Netz ergibt sich wie folgt:<br />
Ferner wird angenommen, dass sich die Nachfragerknoten in einem bestimmten<br />
gegebenen Abstand zu den potentiellen Haltestellen befinden, und dass<br />
jeder Nachfragerknoten eine gleich hohe Anzahl an Nachfragern repräsentiert.<br />
Im Verhältnis zu der Distanz zwischen Nachfragerknoten und Haltestelle ergeben<br />
sich folgende Werte, die die Anzahl Nutzer der einzelnen Halstestellen<br />
repräsentieren:<br />
41
Infoseite<br />
Es wird davon ausgegangen, dass die maximale fußläufige Distanz γ d , die ein<br />
Nutzer bereit ist bis zu einer Haltestelle zurückzulegen, 500 Meter nicht überschreitet.<br />
Diese Distanz entspricht in etwa der maximalen Fußweglängen, die als<br />
Bedienungsstandard im Öffentlichen Verkehr vorgegeben werden (bspw. städtische<br />
Kernzone: 300-400 Meter; Unterzentrum: 600 Meter).<br />
Die Gewichtung der Nachfragerknoten berechnet sich für das Beispiel aus folgender<br />
Funktion:<br />
Diese Funktion nimmt bei einem Abstand von 0 Metern zur Haltestelle den<br />
Wert 1 an (was einem Nachfrageranteil des Knotens von 100% entspricht) und<br />
bei einer Entfernung des Nachfragerknotens von 500 Metern den Wert Null (was<br />
einem Nachfrageranteil des Knotens von 0% entspricht).<br />
Bei bspw. 100 Einwohnern je Nachfragerknoten würden demnach 21 Nachfrager<br />
aus Knoten 1 Haltestelle 1 in Anspruch nehmen. Analog dazu würden Haltestelle<br />
3 drei Nachfrager aus Knoten 3 und 35 Nachfrager aus Knoten 4 in Anspruch<br />
nehmen.<br />
42
4.2 Modellierung (2)<br />
Vorbemerkung<br />
Die <strong>Standortplanung</strong> von Haltestellen ist einer der ersten Schritte bei der Planung<br />
eines öffentlichen Verkehrsnetzes.<br />
Die Planung ist dabei eng verbunden mit dem Fahrplan. Anschlüsse verschiedener<br />
Linien werden durch Haltestellen räumlich und durch den Fahrplan zeitlich<br />
festgelegt.<br />
Ziel dieses Beispiels ist die räumliche Optimierung der Haltestellenstandorte in<br />
einem gegebenen Nahverkehrsnetz.<br />
Aufgabe<br />
Jeder Linie muss eine bestimmte Anzahl an Haltestellen zugeordnet werden, an<br />
denen die Transportmittel halten, um einer bestimmten Anzahl an Nachfragern<br />
eine Anbindung an das Nahverkehrsangebot zu ermöglichen.<br />
Optimierungsziele<br />
und<br />
Optimierungskriterien<br />
Ziele sind die Minimierung der Anzahl an Haltestellen und die Maximierung<br />
der Überdeckung der Nachfrager (Maximierung der Erschließungswirkung).<br />
Optimierungskriterien für beide Ziele sind:<br />
• Anzahl der zu implementierenden Haltestellen:<br />
• Wartezeiten der Reisenden im Nahverkehrsnetz<br />
• Zeitopportunitätskosten der Nutzer<br />
• Betriebs- und Investitionskosten<br />
• Anzahl überdeckter Nachfrager:<br />
• Erlöse des Nahverkehrsunternehmens<br />
Eingangsgrößen<br />
Zur Bearbeitung der Aufgabe werden folgende Daten und Eingangsgrößen<br />
benötigt:<br />
• Verlauf der Nahverkehrslinie<br />
• Lage der Nachfragerknoten<br />
43
• Anzahl potentieller Nachfrager pro Nachfragerknoten<br />
• Zuordnung der Nachfragerknoten zu den Haltestellen<br />
• Anzahl Reisender auf den verschiedenen Relationen (Quelle-Ziel Matrix)<br />
Entscheidungsvariablen<br />
Im Rahmen der Optimierung veränderlich sind die Entscheidungsvariablen:<br />
• Anzahl der zu implementierenden Haltestellen<br />
• Anzahl der zu überdeckenden Nachfragerknoten<br />
Modellierung<br />
Möglichkeiten der Modellierung sind bereits an vorangegangener Stelle erläutert<br />
worden. Wir werden im Folgenden die bikriterielle Modellierung [DOMSCHKE; DREXL 1998]<br />
detailliert betrachten und Lösungsvorschläge aufzeigen.<br />
44
4.3 Optimierungsverfahren<br />
Optimierungsverfahren<br />
Zur Optimierung der bikriteriellen Standortprobleme werden (wie oben bereits<br />
aufgezählt) folgende Optimierungsverfahren eingesetzt:<br />
• Zielgewichtung bzw. Gewichtete Summen Skalarisierung<br />
• Zieldominanz bzw. e-constraint-Methode<br />
• Berücksichtigung von Abstandsfunktionen bzw. Goal-Programming<br />
• Bestimmung kürzester Wege<br />
• Lexikographische Optimierung<br />
Im Folgenden wird auf die Bestimmung kürzester Wege und die Zielgewichtung<br />
näher eingehen. Diese werden zur Lösung des Beispiels angewendet.<br />
45
4.4 Lösungsverfahren Bestimmung kürzester Wege<br />
Bestimmung<br />
kürzester<br />
Wege<br />
Analog zur Bestimmung kürzester Wege bei der Lösung von Set Covering Problemen<br />
können bei der Lösung von bikriteriellen Problemen ebenfalls Kürzeste-<br />
Wege-Algorithmen zur Anwendung kommen.<br />
Veranschaulichen lässt sich dies gut an einem leicht vereinfachten Beispiel.<br />
Es werden jeder Kante zwei Gewichte zugeordnet. Zum einen soll die Summe<br />
der Wartezeiten c ij minimiert, zum anderen die Überdeckung der Nachfrager<br />
w d maximiert werden.<br />
Als Vereinfachung werden die c ij -Werte zu 1 normiert. Die w d -Werte stellen die<br />
Gewichte der Kanten dar.<br />
Der bikriterielle Set Covering Digraph G BSC = (S BSC , A BSC ) ist - anders als<br />
der Set-Covering Digraph - definiert durch:<br />
S BSC = S ∪ (s, t) und<br />
A BSC = ((i, j) : i, j ∈ S und i < j) ∪ ((s, j) : j ∈ S) ∪ ((i, t) : i ∈ S) ∪ ((s, t))<br />
Die Gewichte der Kanten betragen<br />
c ij = 1<br />
w ij = ∑ d∈cover(j)/cover(i) w d falls i ≠ s, j ≠ t<br />
w ij = ∑ d∈cover(j) w d<br />
w ij = 0<br />
falls i = s, j ≠ t<br />
falls j = t<br />
Beispiel<br />
Für das Beispiel stellt sich der Digraph wie folgt dar:<br />
Im Gegensatz zum Digraphen des gewichteten Set Covering Problems sind hier<br />
der Knoten s und der Knoten t mit allen anderen Knoten und alle Knoten i ∈ s<br />
mit allen folgenden Knoten j ∈ s für i < j verbunden.<br />
Grund ist, dass zum einen auch hier die Verbindungen der Knoten allen Möglichkeiten<br />
entsprechen, potentielle Haltestellen auf dem Netzwerk zu implementieren,<br />
zum anderen aber nicht notgedrungen alle Nachfragerknoten überdeckt<br />
werden müssen. Es können somit beliebige Konfigurationen an Haltestellenstandorten<br />
in Abhängigkeit der Anzahl zu errichtender Stopps implementiert<br />
46
werden. Aus diesem Grund sind hier alle Knoten mit allen nachfolgenden Knoten<br />
verbunden.<br />
Lösung<br />
Mit folgenden Werten für die Anzahl überdeckter Nachfrager je Knoten ergeben<br />
sich für das Beispiel folgende pareto-optimale Lösungen in Abhängigkeit der<br />
Anzahl implementierter Haltestellen.<br />
w 1 = 5 w 2 = 4<br />
w 3 = 6 w 4 = 2<br />
Für<br />
K=1 wird Haltestelle 3 implementiert,<br />
K=2 werden Haltestellen 1 und 3 implementiert,<br />
K=3 werden Haltestellen 1,2 und 3 implementiert und für<br />
K=4 werden alle Haltestellen implementiert.<br />
Effiziente<br />
Lösungen bei<br />
mehreren<br />
Zielen<br />
Aufgabe<br />
Wird davon ausgegangen, dass die c s -Werte nicht konstant gleich 1 sind, dann<br />
besteht die Lösung aus einer Menge an pareto-optimalen Elementen.<br />
Aus wie vielen Elementen besteht die Lösungsmenge des obigen kürzeste Wege<br />
Problems mit den Kantengewichten w d und c s ?<br />
15<br />
Gelten für die Gewichte die oben stehenden Werte für w d und die folgend aufgeführten<br />
c s -Werte, stellt sich die Lösungsmenge des Beispiels wie folgt dar:<br />
c 1 = 3 c 2 = 5<br />
c 3 = 2 c 4 = 6<br />
47
Aufgabe<br />
Welchs Element der Lösungsmenge ist für K=2 Haltestellen pareto-optimal? false {s,1,2,t}<br />
true {s,1,3,t}<br />
false<br />
false<br />
false<br />
false<br />
{s,1,4,t}<br />
{s,2,3,t}<br />
{s,2,4,t}<br />
{s,3,4,t}<br />
Weitere<br />
effiziente<br />
Lösungen<br />
Für K=1 ist die effiziente Lösung {s,3,t}<br />
Für K=3 ist die effiziente Lösung {s,1,2,3,t}<br />
Für K =4 ist die effiziente Lösung {s,1,2,3,4,t}<br />
48
4.5 Lösungsverfahren Zielgewichtung<br />
Zielgewichtung<br />
Für die Optimierung bei mehrfacher Zielsetzung ist die Zielgewichtung ein weiteres<br />
mögliches Lösungsverfahren.<br />
Das folgende kleine Beispiel soll die Vorgehensweise erläutern:<br />
Beispiel<br />
Maximiere Gewinn G(x, y) = x + 2y<br />
Maximiere Absatz A(x, y) = x + y<br />
Maximiere Umsatz U(x, y) = 3x + 2y<br />
unter den Nebenbedingungen<br />
x + y ≤ 100<br />
6x + 9y ≤ 720<br />
y ≤ 60<br />
x, y ≥ 0<br />
Mit den Gewichten λ 1 bis λ 3 für das Zieltripel (Gewinn, Absatz, Umsatz) mit<br />
(1/3, 1/2, 1/6) lautet die Zielfunktion:<br />
Maximiere Φ(x, y) = 1 3 G(x, y) + 1 2 A(x, y) + 1 6 U(x, y) = 4 3 x + 3 2 y<br />
unter obenstehenden Nebenbedingungen<br />
Zur Lösung dieses linearen Optimierungsproblems eignet sich der Simplex AlgorithmusSimplex<br />
Algorithmus.<br />
Die optimale Lösung dieses Problems lautet dann:<br />
x = 60; y = 40; G = 140; A = 100; U = 260<br />
49
4.6 Lösung<br />
Vereinfachung Mit Hilfe eines einfachen Algorithmus werden pareto-optimale Lösungen für<br />
verschiedene Anzahlen an zu implementierenden Haltestellen ermittelt. Als Sonderfall<br />
dient die Vereinfachung, dass die Anzahl an Reisenden, die eine Haltestelle<br />
”<br />
durchreisen“, für alle Haltestellen gleich groß ist. Die Summe der Zeitopportunitätskosten<br />
c s der einzelnen Haltestellen nimmt für alle Stopps den Wert<br />
1 an.<br />
Die Vorgehensweise des Algorithmus für das Nahverkehrsnetz der Gemeinde ist<br />
in folgender Diashow dargestellt.<br />
Zielgewichtung<br />
Im nächsten Schritt wird die Anzahl der Nachfrager in den einzelnen Relationen<br />
in die Zielfunktion mit aufgenommen. Die Variable c s nimmt damit für die<br />
unterschiedlichen potentiellen Haltepunkte die in folgender Tabelle aufgeführten<br />
Werte an.<br />
Die w d -Werte sind an früherer Stelle bereits aufgeführt worden.<br />
Um nun in Abhängigkeit der Minimierung der Summe der Wartezeiten und der<br />
Maximierung der Überdeckung der Nachfrager optimale Lösungen zu finden,<br />
wenden wir die Methode der Zielgewichtung an.<br />
Als Gewichte werden für λ 1 = 0, 3 und für λ 2 dementsprechend 0,7 gewählt. Damit<br />
wird die Überdeckung höher als die zusätzliche Wartezeit gewichtet. Darin<br />
spiegelt sich die Präferenz des Entscheidungsträgers wieder, eine hohe Überdeckung<br />
als wichtiger für die Erhöhung der Attraktivität einzustufen als eine<br />
wartzeitminimale Verbindung innerhalb des Verkehrsnetzes.<br />
50
Modellierung<br />
Es müssen nun - analog zu der Bestimmung kürzester Wege - für K=1,..., 6 Haltestellen<br />
effiziente Lösungen bestimmt werden. Diese sind in folgender Diashow<br />
dargestellt.<br />
51
Variieren der<br />
Gewichte<br />
Die Auswahl der Gewichte beeinflusst stark das Ergebnis des Optimierungsproblems.<br />
Aus diesem Grund werden für variierende Gewichte die verschiedenen<br />
Ergebnisse dargestellt.<br />
52
Es ist zu erkennen, dass sich durch verschiedene Gewichte die Lösungsmengen<br />
für die optimalen Standorte von Haltestellen und die jeweils überdeckten Nachfragerknoten<br />
ändern. Die optimalen Lösungen sind sehr stark von den Präferenzen<br />
des Entscheidungsträgers - also den Gewichten - abhängig.<br />
Infoseite<br />
Algorithmus zur Lösung des bikriteriellen Problems<br />
53
5 Literatur<br />
5.1 Literaturverzeichnis<br />
Literaturverzeichnis<br />
[ABERLE 2000] Aberle, G.:<br />
” Transportwirtschaft“<br />
Oldenbourg Verlag<br />
München 2000<br />
[ANNEN 2003] Annen, O.:<br />
Das Particial Set Covering Problem und Erweiterungen: Modellierung<br />
”<br />
und Lösungsverfahren“<br />
Dissertation an der Fakultät für Naturwissenschaften der Universität<br />
Duisburg-Essen<br />
Duisburg 2003<br />
[BUSSIECK; WINTER; ZIMMERMANN 1997] Bussieck, M.; Winter, T.;<br />
Zimmermann, U.:<br />
Discrete optimization in public rail transport“<br />
”<br />
In: Mathematical Programming 79(3), Seiten 415-444, 1997<br />
http://i11www.ilkd.unikarlsruhede/algo/teaching/SS 03/eisenbahn modelle/bussieck97discrete.pdf<br />
(letzter Zugriff, 16.09.2005)<br />
[DASKIN 1995] Daskin, M.:<br />
Network and Discrete Location; Models, Algorithms, and Applications“<br />
”<br />
John Wiley & Sons<br />
New York 1995<br />
[DOMSCHKE; KLEIN; SCHOLL 1996] Domschke, W.; Klein, R.; Scholl, A.:<br />
Tabu Search - eine intelligente Lösungsstrategie für komplexe Optimierungsprobleme“<br />
”<br />
In: Schriften zur Quantitativen Betriebswirtschaftslehre an der TU Darmstadt<br />
Darmstadt 1996<br />
[DOMSCHKE; DREXL 1996] Domschke, W.; Drexl, A.:<br />
Logistik: Standorte“<br />
”<br />
Oldenbourg Verlag<br />
München 1996<br />
[DOMSCHKE; DREXL 1998] Domschke, W.; Drexl, A.:<br />
Einführung in Operations Research“<br />
”<br />
Springer Verlag<br />
Berlin 1998<br />
[DOMSCHKE; SCHOLL 2000] Domschke, W.; Scholl,A.:<br />
Grundlagen der Betriebswirtschaftslehre“<br />
”<br />
54
Springer Verlag<br />
Berlin 2000<br />
[FACHGEBIET VV der TUD 2004] Fachgebiet Verkehrsplanung und Verkehrstechnik<br />
der TU Darmstadt:<br />
Umdruck zur Vorlesung Verkehrsplanung und Verkehrstechnik I“ an der<br />
”<br />
TU Darmstadt<br />
Darmstadt 2004<br />
[FGSV 1982] Forschungsgesellschaft für Straßen- und Verkehrswesen, Arbeitsgruppe<br />
Verkehrsplanung:<br />
Hinweise für die Anwendung von Entscheidungs- und Optimierungsmethoden<br />
im Verkehrswesen“<br />
”<br />
Köln 1982<br />
[GENC 2003] Genc, Z.:<br />
Ein neuer Ansatz zur Fahrplanoptimierung im ÖPNV: Maximierung von<br />
”<br />
zeitlichen Sicherheitsabständen“<br />
Dissertation am Fachbereich der mathematisch-naturwissenschaftlichen<br />
Fakultät der Universität zu Köln<br />
Köln 2003<br />
[HÜMPFNER 2002] Hümpfner, S.:<br />
Entwicklung eines Verfahrens zur Standortoptimierung von Park-and-<br />
”<br />
Ride-Anlagen“<br />
Lehrstuhl für Verkehrs- und Stadtplanung der TU München<br />
München 2002<br />
[KLOSE 2001] Klose, A.:<br />
<strong>Standortplanung</strong> in distributiven Systemen“<br />
”<br />
Physica Verlag<br />
Heidelberg 2001<br />
[KLOSE 2005] Klose, A.:<br />
OR-Modelle in der Standort- und Tourenplanung“<br />
”<br />
Vorlesungsunterlagen zur Spezialvorlesung Operations Research am Institut<br />
für Operations Research und mathematische Methoden der Wirtschaftswissenschaften<br />
an der Universität Zürich<br />
Zürich 2005<br />
[LIEBCHEN 2005] Liebchen C.:<br />
Der Berliner U-Bahn Fahrplan 2005 - Realisierung eines mathematisch<br />
”<br />
optimierten Angebotskonzeptes“<br />
In: FGSV Verlag (Hrsg.): HEUREKA 2005: Optimierung in Transport<br />
”<br />
und Verkehr - Tagungsbericht“ Seiten 483-500<br />
FGSV-Verlag<br />
2005<br />
55
[LIEBMANN 1971] Liebmann, H.-P.:<br />
Die Standortwahl als Entscheidungsproblem“,<br />
”<br />
Physica-Verlag,<br />
Würzburg 1971<br />
[MAYER 2001] Mayer, G.:<br />
Strategische Logistikplanung von Hub & Spoke-Systemen“<br />
”<br />
Deutscher Universitäts-Verlag<br />
Wiesbaden 2001<br />
[NICKEL; SCHÖBEL; SONNEBORN 2001] Nickel, S.; Schoebel, A.; Sonneborn,<br />
T:<br />
Hub Location Problems“<br />
”<br />
In: Mathematical methods on Optimization in Transportation Systems,<br />
EURO-Working Group Meeting on Transportation Seiten 95-107<br />
2001<br />
[SCHILDT 1994] Schildt, B.:<br />
Strategische Produktions- und Distributionsplanung, Betriebliche Standortoptimierung<br />
bei degressiv verlaufenden Produktionskosten“<br />
”<br />
DUV<br />
Wiesbaden 1994<br />
[SCHÖBEL 2003] Schöbel, A.:<br />
Optimization Models in Public Transportation“<br />
”<br />
Vorlesungsunterlagen am Institut für Numerische und Angewandte Mathematik<br />
Göttingen 2003<br />
[SCHÖBEL 2005] Schöbel, A.:<br />
Costumer-Oriented Optimization in Public Transportation“<br />
”<br />
Habilitationsschrift an der Universität Göttingen<br />
Göttingen 2005<br />
[TOPP 1994] Topp, H.H:<br />
Parkraum als Steuerungsinstrument“<br />
”<br />
In: Handbuch der kommunalen Verkehrsplanung Bd.2, (3.4.12.1)<br />
Bonn 1994 ff.<br />
[WEINBRECHT 2000] Weinbrecht, K.:<br />
Kontinuierliche Standortprobleme in Polygonen“,<br />
”<br />
Dissertation an der Mathematisch-Naturwissenschaftlichen Fakultät der<br />
Universität zu Köln,<br />
Köln 2000<br />
[http://www.wikipedia.de] http://www.wikipedia.de<br />
(letzter Zugriff 31.10.2005)<br />
56