Detailansicht
Matheuristic algorithms for solving multi-objective/stochastic scheduling and routing problems
Peter Manfred Siegfried Reiter
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Betreuer*in
Walter Gutjahr
DOI
10.25365/thesis.11513
URN
urn:nbn:at:at-ubw:1-30212.63725.901361-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
In der Praxis beinhalten Optimierungsprobleme oft unterschiedliche Ziele, welche optimiert werden sollen. Oft ist es nicht möglich die Ziele zu einem einzelnen Ziel zusammenzufassen. Mehrzieloptimierung beschäftigt sich damit, solche Probleme zu lösen. Wie in der Einzieloptimierung muss eine Lösung alle Nebenbedingungen des Problems erfüllen. Im Allgemeinen sind die Ziele konfligierend, sodass es nicht möglich ist eine einzelne Lösung zu finden welche optimal im Sinne aller Ziele ist. Algorithmen zum Lösen von Mehrziel-Optimierungsproblemen, präsentieren dem Entscheider eine Menge von effizienten Alternativen. Effizienz in der Mehrzieloptimierung ist als Pareto-Optimalität ausgedrückt. Eine Lösung eines Optimierungsproblems ist genau dann Pareto-optimal wenn es keine andere zulässige Lösung gibt, welche in allen Zielen mindestens gleich gut wie die betrachtete Lösung ist und besser in mindestens einem Ziel.
In dieser Arbeit werden Mehrziel-Optimierungsprobleme aus zwei unterschiedlichen Anwendungsgebieten betrachtet.
Das erste Problem, das Multi-objective Project Selection, Scheduling and Staffing with Learning Problem (MPSSSL), entstammt dem Management in forschungsorientierten Organisationen. Die Entscheider in solchen Organisationen stehen vor der Frage welche Projekte sie aus einer Menge von Projektanträgen auswählen sollen, und wie diese Teilmenge von Projekten (ein Projektportfolio) mit den benötigten Ressourcen ausgestattet werden kann (dies beinhaltet die zeitliche und personelle Planung). Aus unterschiedlichen Gründen ist dieses Problem schwer zu lösen, z.B. (i) die Auswahl von Projekten unter Beachtung der beschränkten Ressourcen ist ein Rucksackproblem (und ist damit NP-schwer) (ii) ob ein Projektportfolio zulässig ist oder nicht hängt davon ab ob, man dafür einen Zeitplan erstellen kann und genügend Mitarbeiter zur Verfügung stehen. Da in diesem Problem die Mitarbeiterzuordnung zu den einzelnen Projekten einbezogen wird, muss der Entscheider Ziele unterschiedlicher Art berücksichtigen. Manche Ziele sind ökonomischer Natur, z.B. die Rendite, andere wiederum beziehen sich auf die Kompetenzentwicklung der einzelnen Mitarbeiter. Ziele, die sich auf die Kompetenzentwicklung beziehen, sollen sicherstellen, dass das Unternehmen auch in Zukunft am Markt bestehen kann. Im Allgemeinen können diese unterschiedlichen Ziele nicht zu einem einzigen Ziel zusammengefasst werden. Daher werden Methoden zur Lösung von Mehrziel-Optimierungsproblemen benötigt. Um MPSSSL Probleme zu lösen werden in dieser Arbeit zwei unterschiedliche hybride Algorithmen betrachtet. Beide kombinieren nämlich Metaheuristiken (i) den Nondominated Sorting Genetic (NSGA-II) Algorithmus, und den (ii)~Pareto Ant Colony (P-ACO) Algorithmus, mit einem exakten Algorithmus zum Lösen von Linearen Programmen kombinieren.
Unsicherheit ist ein weiterer wichtiger Aspekt der in der Praxis auftaucht. Unterschiedliche Parameter des Problems können unsicher sein (z.B. der aus einem Projekt erzielte Gewinn oder die Zeit bzw. der Aufwand, der benötigt wird, um die einzelnen Vorgänge eines Projekts abzuschließen). Um in diesem Fall das ``beste'' Projektportfolio zu finden, werden Methoden benötigt, welche stochastische Mehrziel-Optimierungsprobleme lösen können. Zur Lösung der stochastischen Erweiterung (SMPSSSL) des MPSSSL Problems zu lösen, präsentieren wir eine Methode, die den zuvor genannten hybriden NSGA-II Algorithmus mit dem Adaptive Pareto Sampling (APS) Algorithmus kombiniert. APS wird verwendet, um das Zusammenspiel von Simulation und Optimierung zu koordinieren. Zur Steigerung der Performance des Simulationsprozesses, verwenden wir Importance Sampling (IS).
Das zweite Problem dieser Arbeit, das Bi-Objective Capacitated Vehicle Routing Problem with Route Balancing (CVRPB), kommt aus dem Bereich Logistik. Wenn man eine Menge von Kunden zu beliefern hat, steht man als Entscheider vor der Frage, wie man die Routen für eine fixe Anzahl von Fahrzeugen (mit beschränkter Kapazität) bestimmt, sodass alle Kunden beliefert werden können. Die Routen aller Fahrzeuge starten und enden dabei immer bei einem Depot. Die Einziel-Variante dieses Problems ist als Capacitated Vehicle Routing Problem (CVRP) bekannt, dessen Ziel es ist die Lösung zu finden, die die Gesamtkosten aller Routen minimiert. Dabei tritt jedoch das Problem auf, dass die Routen der optimalen Lösung sehr unterschiedliche Fahrtzeiten haben können. Unter bestimmten Umständen ist dies jedoch nicht erwünscht. Um dieses Problem zu umgehen, betrachten wir in dieser Arbeit eine Variante des (bezeichnet als CVRPB) CVRP, welche als zweite Zielfunktion die Balanziertheit der einzelnen Routen einbezieht. Zur Lösung von CVRPB Problemen verwenden wir die Adaptive Epsilon-Constraint Method in Kombination mit einem Branch-and-Cut Algorithmus und zwei unterschiedlichen Genetischen Algorithmen (GA), (i) einem Einziel-GA und (ii) dem NSGA-II.
In dieser Arbeit werden Optimierungsalgorithmen präsentiert, welche es erlauben, Mehrziel- und stochastische Mehrziel-Optimierungsprobleme zu lösen. Unterschiedliche Algorithmen wurden implementiert und basierend auf aktuellen Performance-Maßen verglichen. Experimente haben gezeigt, dass die entwickelten Methoden gut geeignet sind, die betrachteten Optimierungsprobleme zu lösen. Die hybriden Algorithmen, welche Metaheuristiken mit exakten Methoden kombinieren, waren entweder ausschlaggebend um das Problem zu lösen (im Fall des Project Portfolio Selection Problems) oder konnten die Performance des Lösungsprozesses signifikant verbessern (im Fall des Vehicle Routing Problems).
Abstract
(Englisch)
In practice decision problems often include different goals which can hardly be aggregated to a single objective for different reasons. In the field of multi-objective optimization several objective functions are considered. As in single objective optimization a solution has to satisfy all constraints of the problem. In general the goals are conflicting and there will be no solution, that is optimal for all objectives. Algorithms for multi-objective optimization problems provide the decision maker a set of efficient solutions, among which she or he can choose the most suitable alternative. In multi-objective optimization efficiency of a solution is expressed as Pareto-optimality. Pareto-optimality of a solution is defined as the property that no other solution exists that is better than the proposed one in at least one objective and at least equally good in all criteria.
The first application that is considered in this thesis, the Multi-objective Project Selection, Scheduling and Staffing with Learning problem (MPSSSL) arises from the field of management in research-centered organizations. Given a set of project proposals the decision makers have to select the ``best'' subset of projects (a project portfolio) and set these up properly (schedule them and provide the necessary resources). This problem is hard to solve for different reasons: (i) selecting a subset of projects considering limited resources is a knapsack-type problem that is known to be NP-hard,
and (ii) to determine the feasibility of a given portfolio, the projects have to be scheduled and staff must be assigned to them. As in this problem the assignment of workers is influenced by the decision which portfolio should be selected, the decision maker has to consider goals of different nature. Some objectives are related to economic goals (e.g. return of investment), others are related to the competence development of the workers. Competence oriented goals are motivated by the fact that competencies determine the attainment and sustainability of strategic positions in market competition. In general the objectives cannot be combined to a single objective, therefore methods for solving multi-objective optimization problems are used. To solve the problem we use two different hybrid algorithms that combine metaheuristic algorithms, (i) the Nondominated Sorting Genetic Algorithm (NSGA-II), and (ii) Pareto Ant Colony (P-ACO) algorithm with a linear programming solver as a subordinate.
In practice, uncertainty is another typically encountered aspect. Different parameters of the problem can be uncertain (e.g. benefits of a project, or the time and effort required to perform the single activities required by a project). To determine the ``best'' portfolio, methods are needed that are able to handle uncertainty in optimization. To solve the stochastic extension (SMPSSSL) of the MPSSSL problem we present an algorithm that combines the aforementioned NSGA-II algorithm with the Adaptive Pareto Sampling (APS) algorithm. APS is used to handle the interplay between multi-objective optimization and simulation. The performance of the simulation process is increased by using importance sampling (IS).
The second problem, the Bi-objective Capacitated Vehicle Routing Problem with Route Balancing (CVRPB) arises from the field of vehicle routing. Given a set of customers, the decision makers have to construct routes for a fixed number of vehicles, each starting and ending at the same depot, such that the demands of all customers can be fulfilled, and the capacity constraints of each vehicle are not violated. The traditional objective of this problem (known as the Capacitated Vehicle Routing Problem (CVRP)) is minimizing the total costs of all routes. A problem that may arise by this approach is that the resulting routes can be very unbalanced (in the sense of drivers workload). To overcome this problem a second objective function that measures the balance of the routes of a solution is introduced. In this work, we use the Adaptive Epsilon-Constraint Method in combination with a branch-and-cut algorithm and two genetic algorithms (i) a single-objective GA and (ii) the multi-objective NSGA-II, to solve the considered problem.
Prototypes of different algorithms to solve the problems are developed and their performance is assessed by using state of the art performance measures. The computational experiments show that the developed solution procedures will be well suited to solve the considered optimization problems. The hybrid algorithms combining metaheuristic and exact optimization methods, turned out to be crucial to solve the problem (application to project portfolio selection) or to improve the performance of the solution procedure (application to vehicle routing).
Schlagwörter
Schlagwörter
(Englisch)
Hybridization multi-objective stochastic genetic algorithm ant colony optimization portfolio selection vehicle routing
Schlagwörter
(Deutsch)
Hybridisierung Mehrziel Stochastic Genetischer Algorithmen Ant Colony Optimization Portfolio Auswahl Tourenplanung
Autor*innen
Peter Manfred Siegfried Reiter
Haupttitel (Englisch)
Matheuristic algorithms for solving multi-objective/stochastic scheduling and routing problems
Publikationsjahr
2010
Umfangsangabe
XI, 149 S.
Sprache
Englisch
Beurteiler*innen
Walter Gutjahr ,
Karl Anton Fröschl
AC Nummer
AC08367879
Utheses ID
10390
Studienkennzahl
UA | 786 | 175 | |