Beitrag zum Einsatz von Forecast-Methoden zur Modellierung dynamischer Location-Routing Probleme mit stochastischer Nachfrage

Die Logistikbranche ist mit 2,75 Millionen Angestellten und einem Umsatz von ca. 223 Millionen Euro eine der größten Wirtschaftsbranchen in Deutschland. Die Anforderungen an die Logistik steigen stetig. Das erfordert immer schnellere Belieferungskonzepte z.B. durch Lieferungen im Onlinekauf bereits am nächsten Tag oder präzisere Planung durch Just-In-Time Lieferung zu möglichst geringen Preisen. Die Ansprüche an schnelle Verteilungssysteme erzeugen höhere Kosten im Unternehmen und nehmen auch als Wettbewerbsvorteil einen immer größeren Stellenwert ein. Das Ziel des Managements von Industrieunternehmen ist es deshalb, die Senkung von Kosten durch Auslegung von effektiven und effizienten Vertriebssystemen und Netzwerken zu gewährleisten. Damit gelangen Standort- und/oder Tourenplanung zunehmend in den Fokus des Interesses. Die Optimierung von Standorten und Touren ist in vielen Fällen aber voneinander inhaltlich abhängig, da zum Beispiel bei der Warenverteilung die Transportkosten von dem Standort des Logistikzentrums, also dem Start- und Endpunkt der Tour, abhängen und dadurch ein Einfluss auf die Lösung des jeweils anderen Problems entsteht. Hier setzt die Theorie der kombinierten Standort-Tourenplanung an, bei der gleichzeitig durch die Kombination von möglichen Standorten und möglichen Touren das Optimum gesucht wird. Dieser Ansatz wird in der wissenschaftlicher Literatur als Location-Routing Problem (LRP) bezeichnet. In der vorliegenden Arbeit werden erstmalig dynamische (mit Berücksichtigung mehrerer Planungsperioden) Modelle des LRP mit einer deterministischen (bekannter) und stochastischen (unsicherer) Nachfrage aufgestellt und untersucht. Zur Modellierung solcher kombinatorischer Optimierungsprobleme werden konkrete Beispielfälle, sogenannte Instanzen, verwendet. Für neue wissenschaftliche Ansätze existieren jedoch noch nicht genug Instanzbibliotheken, so dass vorhandene Instanzen für die eigene Problemstellung modifiziert oder eigene Instanzen generiert werden. Zu diesem Zweck wurde im Zuge dieser Arbeit für stochastische Nachfragen ein auf Prognosen der exponentiellen Glättung basiertes Tool zum Erstellen von synthetischen Zeitreihen entwickelt und neue Instanzen für das PLRP generiert. Anhand zuvor generierter Instanzen werden anschließend Modelle des PLRP mit der eigens für diese Arbeit entwickelten und auf dem Einsatz von genetischen Algorithmen basierten Optimierungssoftware AdL(e)R (Advanced Location Routing) analysiert, indem anhand von Szenarien die zuvor erläuterten Modelle des dynamischen LRP ausgewertet werden. Dabei werden die Forecast-Gesamtoptimierung, die vorperiodische Optimierung mit den Modellen mit realen Nachfragen verglichen. Im Anschluss erfolgt dann die Gegenüberstellung der beiden Methoden mit den dynamischen LRP-Modellen mit realen Nachfragen.The logistic sector with its 2,75 million employees and a sales volume of approx. 223 million Euros is one of the largest economic sectors in Germany. The requirements for logistics are steadily increasing. This entails increasingly rapid delivery concepts, e.g. in the form of online sales deliveries on the next day or more precise planning by just-in-time delivery at the lowest possible prices. In the companies, the demand for quicker distribution systems generate higher costs and also become more and more important as a competitive edge. Therefore, the objective of the managing of industrial enterprises is to ensure the reduction of costs by designing effective and efficient sales and distribution systems and networks. Thereby, location and/or route planning shift more and more into the focus of interest. In many cases, the optimization of locations and tours is interdependent regarding the content, as in the distribution of goods, for example, the costs of transport depend on the location of the logistic center, i.e. the start and end of the tour, and thereby an influence on the solution of the each with other problem arises. This is where the theory of combined location-tour planning applies where by simultaneously combining possible locations and possible tours the optimum is searched. In scientific literature this approach is called Location-Routing Problem (LRP). In the present paper, the dynamic models of the LRP (considering several periods of planning) are formed and investigated with a stochastic (uncertain) demand. So-called entities are used for modelling combinatorial optimization problems. Since there are still not enough entity libraries in the new problem categories in order to enable their easy transfer to new scientific approaches, existing entities are modified for the given problem and generated newly. For this reason, a forecast-based tool was developed for creating synthetic time courses for deterministic and stochastic demands, with which new entities are generated for the PLRP. On the basis of these new entities, new models of the PLRP are analyzed with the tool called AdL(e)R (Advanced Location Routing), which has specifically been developed for this paper. The program is based on the application of genetic algorithms. In the further course of the paper, lower bounds for the evaluation of the quality of heuristic solutions are identified and corresponding models for dynamic cases of the LRP formed. Finally, the aforementioned models of the dynamic LRP are evaluated by means of scenarios. Thereby, the Forecast total optimization and the optimization from the previous period are compared. Subsequently, the comparison of the two methods with the dynamic LRP models with real demands is carried out