TY - THES A1 - Ertl, Tamara T1 - Kombination von prädiktiven und präskriptiven Methoden zur Lösung des Vehicle Routing Problems in der Entsorgungslogistik N2 - Mit hybriden Machine Learning Modellen wurde sich in den letzten Jahren intensiv befasst. Sie dienen zur Lösung von kombinatorischen Optimierungsproblemen und haben jeweils verschiedene Zielstellungen. In dieser Bachelorarbeit wird ein solches Hybridmodell mit einer Kombination aus Prädiktion und Präskription geschaffen, mit der Zielsetzung der Lösung des Vehicle Routing Problems in der Entsorgungslogistik. Effiziente und ressourcenschonende Tourenplanung trägt damit zur Optimierung des Verkehrs und zur langfristigen Sicherstellung der Energieversorgung bei. Insbesondere werden Ansätze unter den Begriffen Predict-then-Optimize und Predict-and-Optimize kritisch betrachtet und hinsichtlich ihrer Potenziale untersucht. Um die Zielsetzung zu erreichen, erfolgt die Definition und das Training eines eigenen Neuronalen Netzes, welches wiederum zur Vorhersage in das kombinatorische Optimierungsmodell eingebettet wird. Im Fokus steht die Minimierung der Gesamttourendauer unter gegebenen kapazitativen, zeitlichen und flottenmäßigen Beschränkungen. Es wird ein zeitlich abhängiger Parameter durch Vorhersage aus einer Entscheidungsvariablen aus dem Optimierungsmodell belegt. Die Kodierung erfolgt in einer Verbindung aus der Programmiersprache Python und der Modellierungssprache MiniZinc aus dem Bereich Constraint Programming. Im Rahmen eines Experiments werden der eigene Hybridansatz in Form des eingebetteten Machine Learning Modells und ein klassischer 2-stufiger Ansatz gegenübergestellt. Im 2-Phasen Vorgehen wird ein Durchschnittswert für den Parameter ermittelt und dieser statisch im Optimierungsmodell verwendet. Der Vergleich zeigt, dass das eingebettete Machine Learning Modell zu einer 12 Minuten kürzeren Gesamttourendauer kommt und damit ein um 13 Prozent besseres Optimierungspotenzial bietet. Folglich ist der in dieser Arbeit präsentierte Hybridansatz als dem statischen Modell überlegen zu klassifizieren. Mit der dynamischen Kombination aus Prädiktion und Präskription werden bessere Optimierungsergebnisse erzielt. Weiterführende Arbeit könnte sich mit der Vorhersage mehrerer Parameter beschäftigen und als Zielsetzung weitere Faktoren neben der Tourendauer berücksichtigen. Y1 - 2022 UR - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:573-34937 CY - Ingolstadt ER -