Immer wieder berichtet die Branchen- und Fachpresse über Unternehmen, die sich diversen logistischen Neuerungen und Herausforderungen stellen, wie man an folgenden Beispielen gut erkennen kann: Der Medizintechnik-Hersteller „Dräger“ hat kürzlich seine Produktions- und Lagerstandorte zusammengelegt, was zu diversen Anpassung innerhalb der Logistikkette (z.B. betreffend der Kommissionierung und des Transports von Rohstoffen sowie fertigen Produkten) führt (BVL LOG.mail Nr. 3 vom 19.01.2017). Der bekannte Online-Händler amazon plant den Neubau von Logistikzentren, um Pakete selbst zustellen zu können anstatt sie wie bisher üblich mit KEP-Dienstleistern zu versenden (BVL LOG.mail Nr. 3 vom 19.01.2017). In Karlsruhe kann man sich im Rahmen des Pilotprojekts „Kalix“ die eigenen Einkäufe von den teilnehmenden Geschäften noch am selben Tag nach Hause liefern lassen (BVL Magazin „Zwei“ 2016). Das Schweizer Unternehmen Imaginecargo will mit sog. „Bike-Bahn-Bike-Zustellung“ CO2-Emissionen reduzieren (BVL Magazin „Zwei“ 2016). Und in der Automobilbranche werden ganzheitliche Logistik- und Mobilitätskonzepte wie das „Connected Car“ entwickelt, bei dem sich die Fahrzeuge automatisiert über den aktuellen Verkehrsfluss, Ampelphasen, Baustellen oder freie Parkplätze austauschen (BVL Magazin „Eins“ 2016). Hinter den meisten dieser Ideen, Konzepte und technischen Entwicklungen stehen quantitative Modelle zur Entscheidungsunterstützung. Im Rahmen verschiedener Projekt-, Bachelor- oder Masterarbeiten soll recherchiert, strukturiert dargelegt und möglichst im Rahmen eines eigenen Beispiels demonstriert werden, welche quantitativen Modelle oder Verfahren in den einzelnen Fällen Anwendung finden oder finden könnten.

Häufig können praktische Probleme der Logistik mit Hilfe von gemischt-ganzzahligen linearen Programmen modelliert und gelöst werden. Bekannte Probleme stammen dabei beispielsweise aus dem Bereich der Tourenplanung (Vehicle Routing Probleme), z.B. mit praktischen Anwendungen in der Paketzustellung. Neuere Fragestellungen auf diesem Gebiet behandeln unter anderem multimodale Liefersysteme für Zustellungen auf der letzten Meile. Zuordnungsprobleme und Standortplanung sind weitere Problembereiche, welche als gemischt-ganzzahliges lineares Programm dargestellt werden können. Im Gegensatz zur klassischen linearen Programmierung wird das Lösen von gemischt-ganzzahligen linearen Programmen aufgrund der zusätzlichen Beschränkungen der Ganzzahligkeit einiger Entscheidungsvariablen erschwert. Daher werden effiziente Lösungsverfahren benötigt, um solche Programme in (für die Problemstellung) akzeptabler Zeit lösen zu können. Exakte Verfahren wie Branch-and-Cut berechnen für solche Probleme ganzzahlige optimale Lösungen, weisen meist jedoch im Vergleich zu heuristischen Verfahren einen erhöhten Rechenaufwand auf, während heuristische Verfahren i.d.R. schnell zu einem Ergebnis kommen, dieses aber nicht unbedingt der optimalen Lösung entspricht. Abschlussarbeiten auf diesem Gebiet können sich mit Heuristiken und exakten Schnittebenenverfahren (Separationsverfahren) oder mit dem Vergleich bestehender heuristischer und exakter Lösungsverfahren befassen. Da in diesen Arbeiten in der Regel die Modelle und Verfahren implementiert werden müssen, sind Kenntnisse in einer höheren Programmiersprache, bspw. in Python oder Java, wünschenswert. Mögliche Fragestellungen und Anwendungsgebiete sind unter anderem:

• Letzte-Meile Lieferungen mit Drohnen (und LKWs)
• Standortplanung von Depots und Lagerhäuser
• Auswahlkriterien und Auswahlstrategie von Schnittebenenverfahren für ein auszuwählendes Logistikproblem
• Konzeption und Implementierung von problemspezifischen Schnittebenenverfahren

Die Idee hinter Contraflow-Strategien ist es, die Durchflusskapazität in Teilen des Verkehrsnetzwerkes zu erhöhen indem dort die Verkehrsflussrichtung umgekehrt wird. Dies wird durch die Freigabe von Fahrspuren für den Gegenverkehr erreicht. Leitfrage: Wie können Contraflowstrategien im CTM/SO-DTA umgesetzt werden?

Die Durchflusskapazität von Verkehrsnetzen ist an die effiziente Schaltung von Lichtsignalen gekoppelt, die i.d.R. so eingestellt ist, dass sie täglich vorhersehbare Verkehre möglichst gut bewältigt. Da sich die bei einer Evakuierung anfallenden Verkehre jedoch stark von regelmäßigen Verkehren unterscheiden, kann sich eine angepasste Signalsteuerung positiv auf die systemoptimale Evakuierungszeit auswirken. Leitfrage: Welche Möglichkeiten zur Lichtsignalsteuerung können im CTM/SO-DTA umgesetzt werden und welche praktischen Auswirkungen hat dies?

Ein großes Problem in der Evakuierungsplanung ist die Bildung von Verkehrsstaus, da hier nicht mehr in der systemoptimalen Freiflussgeschwindigkeit gefahren wird, bei welcher das Verkehrsnetzwerk die größte Gesamtflusskapazität bietet. Da die Effekte von Verkehrsstaus nicht-linearen Charakter besitzen, ist oftmals die Linearisierung dieser Effekte zur Anwendung von geeigneten Lösungsverfahren notwendig. Die Betrachtung von Nicht-Linearitäten ist somit ein wichtiger Aspekt bei der Lösung von Evakuierungsproblemen. Leitfrage: Was sind unterschiedliche Ansätze zur Staubetrachtung im CTM/SO-DTA und wie wird mit nicht-Linearitäten umgegangen?

Um konkrete Handlungsempfehlungen aus der Evakuierungsplanung ableiten zu können, ist die korrekte Einschätzung der Verkehrssituation über den Betrachtungszeitraum im betrachteten Netzwerk, die nicht durch die Optimierung gesteuert werden kann, ausschlaggebend. Dieser Verkehr wird Schattenevakuierung genannt. Die häufige Annahme eines leeren Verkehrsnetzwerks bei der Evakuierungsplanung ist i.d.R. dafür mitverantwortlich, dass Ergebnisse nur theoretischer Natur sind. Die fundierte Schätzung der Eingangsparameter bzgl. der Schattenevakuierung des CTM/SO-DTAs kann somit eine wichtige Aufgabe sein. Leitfrage: Wie sind die Eingangsparameter des CTM/SO-DTA zu wählen, damit Schattenevakuierung angemessen berücksichtigt wird?

Häufig wird in der (linearen) Optimierung von vollständiger Information bezüglich der anfallenden Verkehre ausgegangen. Da dies in der Evakuierung nicht der Fall ist, ist eine Betrachtung von Unsicherheiten in der Parametrisierung oder Modellierung nötig. Leitfrage: Wie kann die Unsicherheit von Eingangsdaten im CTM/SO-DTA betrachtet werden?

Aufgrund der natürlichen Größe von Evakuierungsproblemen, kommen exakte Lösungsverfahren schnell an ihre Grenzen. Gerade wenn durch Modellerweiterungen ganzzahlige Entscheidungsvariablen auftreten, ist die Entwicklung eines problemspezifischen Lösungsverfahrens unumgänglich, um Implikationen für die Praxis abzuleiten. Leitfrage: Welche problemspezifischen Lösungsverfahren gibt es für das CTM/SO DTA und deren Erweiterungen und auf welchen metaheuristischen Konzepten beruhen diese gegebenenfalls?

Naturkatastrophen zeichnen sich durch extreme Unsicherheiten aus, da vor ihrem Eintritt weder der Zeitpunkt, noch der Ort, noch das Ausmaß der Zerstörung bekannt sind. Um aber die Hilfsorganisation bei der Vorbereitung auf eine Naturkatastrophe trotzdem bestmöglich unterstützen zu können, müssen Modelle entwickelt werden, die unsichere Eingangsdaten mitberücksichtigen. Ziel der Arbeit ist es, verschiedene Modellierungsansätze zur Berücksichtigung von Unsicherheiten vorzustellen und diese miteinander zu vergleichen. Darauf aufbauend sollen mathematische Modelle u.a. auf die folgenden Fragen untersucht werden: Welche Unsicherheiten erschweren besonders die Entscheidungsfindung von Hilfsorganisationen? Welche Modellierungsansätze werden in der Literatur zur Katastrophenlogistik besonders häufig genutzt und wie geeignet sind diese zur Erfassung real auftretender Unsicherheiten?

Zu jeder Art der neuen Mobilitätsdienste gibt es unterschiedliche Fragestellungen, die mithilfe von Optimierungsmethoden beantwortet werden können.
Beim stationären oder freefloating Bikesharing sind die Fahrten der Servicetransporter zum Umparken und Reparieren der Fahrräder oder die Frage nach bestmöglichen neuen Standorten für Fahrradstationen Themen, die mathematisch optimiert werden können.
Das Carsharing hat ähnliche Fragestellungen wie das Bikesharing. Eine zusätzliche Fragestellung ist z.B. die Optimierung der Betankung (mit Kraftstoff oder Strom) der Fahrzeuge in zeitlicher und/oder örtlicher Hinsicht.
Das Ridesharing, welches Ridehailing (Taxifahrten), Carpooling (Pendlergemeinschaften) und Ridepooling (Sammeltaxifahrten) beinhaltet, kann in unterschiedlicher Weise von Methoden des Operations Research profitieren. Zum Beispiel kann das Routing der Fahrzeuge und das Matching zwischen Fahrzeugen und Kunden optimiert oder dynamic pricing zur Erlösmaximierung genutzt werden. Auf dem Uber Engineering Blog finden sich einige Artikel und Paper zu dem Thema, z.B. "Dynamic Pricing and Matching in Ride-Hailing Platforms".
Der in Deutschland wohl neueste Mobilitätsdienst ist das E-Scootersharing. Bei den E-Scootern handelt es sich um elektrisch angetriebene Roller. Wissenschaftliche Literatur zur Optimierung dieses Mobilitätsdienstes ist noch kaum vorhanden. Ein möglicher Untersuchungsgegenstand ist zum Beispiel die Optimierung der Abendfahrten, die erforderlich sind, um die Scooter einzusammlen und über Nacht aufzuladen. E-Scooter-sharinganbieter sind zum Beispiel myTaxi mit der Marke Hive, Bird, Lime oder Tier Mobility.
Die Implementierung von mathematischen Modellen, die in der Regel Bestandteil jeder Abschlussarbeit ist, und/oder die Analyse und Auswertung von Daten kann beispielsweise in GUSEK oder Python erfolgen.
Die konkrete Themenstellung wird in Absprache mit dem Betreuer entwickelt.

In vielen Industriebereichen stellt der Energieverbrauch einen erheblichen Kostenfaktor dar und ist somit Gegenstand möglicher Optimierungsmaßnahmen. Die Umgestaltung technischer Prozesse oder Anpassungen von Produktportfolios oder Produktionsprogrammen bieten beispielsweise Ansätze zur energetischen Optimierung. Aufgrund der Eigenschaft der Energie als unterstützende Ressource sind dabei verschiedene technische und wirtschaftliche Nebenbedingungen sowie unterschiedliche Zielsetzungen zu berücksichtigen. In der Energiewirtschaft treten insbesondere im Rahmen der Energiewende Fragestellungen auf, die die Anwendung von Optimierungsmodellen und –methoden nahelegen. Die Sektorenkopplung beruht auf der Vernetzung einer Vielzahl von Akteuren mit unterschiedlichen Funktionen und individuellen Zielen. Die zunehmende Dezentralisierung in der Erzeugung durch viele kleine Erzeugungsanlagen, sowie die Volatilität erneuerbarer Energien sorgen für eine hohe Komplexität. Die Gestaltung von Energienetzen erfolgt hinsichtlich der Ziele Versorgungssicherheit, Wirtschaftlichkeit und ökologischer Nachhaltigkeit. Die konfliktäre Beziehung dieser Ziele zueinander erfordert die Bestimmung entsprechender kompromissbasierter Lösungen. Abschlussarbeiten können Optimierungen des Betriebs von Smart Grids oder einzelner Anlagen zum Gegenstand haben und die Minimierung von Kosten oder Emissionen als Ziel verfolgen. Bestandteil einer solchen Arbeit ist neben der Implementierung eines solchen Modells die Auswertung und Analyse der Ergebnisse eines Anwendungsbeispiels. Die konkrete Themenstellung wird in Absprache mit dem Betreuer entwickelt.

---

Möchten Sie in Ihrer Projekt- oder Abschlussarbeit eine Fragestellung aus diesem Themenbereich bearbeiten? Melden Sie sich bei Interesse gerne bei den Ansprechpartner*innen:
Kai Hoth

---

Im Operations Research werden reale Entscheidungsprobleme vereinfacht in mathematischen Modellen abgebildet und gelöst. In über 20 Jahren der Forschung zum Problem der Liegeplatzplanung wurden zahlreiche solcher mathematischen Modelle für das BAP entwickelt und immer weiter verbessert, die sich in ihrer Formulierung mehr oder weniger unterscheiden. Um ein besseres Verständnis für die zugrundeliegenden Überlegungen bei der Modellierung und deren Vor- und Nachteile zu erhalten, sollen geeignete Cluster über die existierenden Modellformulierungen in der relevanten Literatur gebildet werden.
Das Ziel Ihrer Arbeit wird es sein, repräsentative Basismodelle zu identifizieren, auf welche die Modellformulierungen der im Cluster enthaltenen Modelle zurückzuführen sind. Inhaltlich werden Sie daher in Ihrer Untersuchung (1) einen Überblick über die relevante Literatur geben, (2) Modelle aus der einschlägigen Literatur hinsichtlich ihrer Formulierung geeignet gruppieren und (3) die Grundtypen (Basismodelle) als Repräsentation für die gefundenen Gruppen vorstellen. Je nach Umfang der Arbeit können Sie zudem die Basismodelle anhand eines Anwendungsbeispiels beispielsweise hinsichtlich der Lösungsgeschwindigkeit und der Zielerreichung analysieren.
Ihre Ergebnisse fließen mit in unsere Forschung zur Optimierung der Liegeplatzplanung an Containerterminals ein. Die Implementierung von mathematischen Modellen, die in der Regel Bestandteil jeder Abschlussarbeit ist, und/oder die Analyse und Auswertung von Daten kann beispielsweise in Python erfolgen.

Disruption Management in der Liegeplatzplanung