Simulationsbasierte Optimierung kollaborativer ... - Journals

1IT-basierte Logistik, Goethe Universität Frankfurt. 60054 Frankfurt am Main, Germany ..... Karen Smilowitz und Carlos F. Daganzo. Continuum Approximation ...
501KB Größe 11 Downloads 419 Ansichten
Simulationsbasierte Optimierung kollaborativer Transportl¨osungen in Transportnetzwerken Michael Schwind1 , Marcel Kunkel2 1

IT-basierte Logistik, Goethe Universit¨at Frankfurt 60054 Frankfurt am Main, Germany [email protected] 2 Pick Point AG 65719 Hofheim (Wallau), Germany [email protected]

Abstract: Der hier vorliegende Artikel beschreibt das Transportoptimierungssystem KolOptNet, welches durch den Einsatz kollaborativer Optimierungsmethoden zur Verbesserung der Transporteffizienz in Kurier-, Paket-, und Express-, (KEP) Netzwerken beitragen soll. Der gew¨ahlte Ansatz optimiert zum einen tagesaktuell die Touren der letzten Meile in KEP-Netzwerken durch die Verwendung kombinierter Planungsheuristiken, zum anderen erm¨oglicht er durch den Einsatz von kombinatorischen Auktionen den flexiblen Austausch von Kapazit¨aten zwischen den einzelnen Lieferanten, die oft als selbstst¨andige Subunternehmer in den KEP-Netzwerken fungieren. Um ein optimales Zusammenwirken der verschiedenen Optimierungsverfahren zu gew¨ahrleisten, nutzt das hier pr¨asentierte Softwaresystem KolOptNet auf historischem Datenmaterial beruhende Ex-post-Simulationen zur Ermittlung des Einsparpotenzials und legt gleichzeitig die optimale Abstimmung und Parametrisierung der einzelnen Optimierungsverfahren fest. Erst in einem zweiten Schritt werden dann die Simulationsergebnisse verwendet, um die tats¨achliche Tourenplanung ex-ante im Produktionseinsatz durchzuf¨uhren. Durch eine iterative Verwendung von Ex-post-Simulationen und Exante-Planung wird das kollaborative Tourenoptimierungssystem lernf¨ahig und ist auch in der Lage nichttechnische Faktoren, wie beispielsweise die Ortskenntnis der Lieferanten in das Optimierungskalk¨ul mit einzubeziehen. Das Forschungsprojekt KolOptNet1 ist durch seine direkte Anbindung an industrielle Management- und Produktionssysteme besonders geeignet die Bedeutung von Simulationssystemen f¨ur ressourcenschonende IT-gest¨utzte Planungssysteme im Rahmen einer modernen auf Nachhaltigkeit zielenden Logistikinfrastruktur aufzuzeigen.

1

Einleitung

In der Kurier-, Express- und Paketlogistik (KEP) zwingen wachsende Energiepreise und erh¨ohter Wettbewerbsdruck die Anbieter zu einer weiteren Steigerung der Effizienz in den Transportnetzwerken. Gleichzeitig werden von der Gesellschaft und den Unternehmen selbst immer h¨ohere Anspr¨uche an die Umweltvertr¨aglichkeit des unternehmerischen 1 Das Projekt KolOptNet wird im Rahmen der Initiative IKT2020 vom BMBF (Kennz. 01IS09016B) gef¨ ordert.

Handelns gestellt [LB04]. Die Tatsache, dass die drei weltweit gr¨oßten Anbieter von Logistikdienstleistungen (UPS, Deutsche Post, FedEx) Unternehmen des KEP-Sektors sind, zeigt deutlich, welche o¨ konomische und o¨ kologische Bedeutung eine Optimierung dieser Unternehmen hat [KK06a]. In den KEP-Netzwerken werden allein in Deutschland zum Teil mehrere tausend Fahrzeuge und Fahrer eingesetzt, um die Paket-Zustellleistungen termingerecht zu erbringen. Dabei sind die ausf¨uhrenden Zustellfahrer meist in mittelst¨andischen Unternehmen organisiert, die als Subunternehmer der großen KEP-Anbieter fungieren. Bisherige Optimierungen der KEP-Netzwerke beziehen sich dabei immer auf Erfahrungen und Analysen der Vergangenheit. Diese finden entweder in Form von Standortplanungen langfristig Eingang in die Gestaltung der Aufbau- und Ablauforganisationen oder beeinflussen kurz- bis mittelfristig die Tourenplanung. Die Potenziale dieser reinen Ex-post-Analytik und Optimierung sind jedoch weitgehend ausgesch¨opft. Des Weiteren existieren bis heute keine operativ eingesetzten L¨osungen, bei denen in KEP-Netzwerken kurzfristig Ex-ante-Optimierungen f¨ur die Tourenplanung auf der letzten Meile des Belieferungsprozesses vorgenommen werden k¨onnen. Es fehlt daher an: • verf¨ugbaren Softwarel¨osungen, die simulationsbasiert eine freie Tourenplanung ohne vorherige Gebietsaufteilungen erm¨oglichen und es gleichzeitig erlauben, dass die Orts- und Tourenkenntnis der Zustellfahrer in weiten Teilen genutzt werden kann. • Verfahren, die den kurzfristigen Austausch von Transportauftr¨agen benachbarter Touren zu deren Optimierung und besseren Einhaltung von Lieferrestriktionen erm¨oglichen sowie • Anwendungen, die die Ex-post-Analytik (Know-how-Bildung und Basistourenbildung) mit der Ex-ante-Optimierung (t¨agliche Tourenoptimierung je nach Versandaufkommen und -struktur) sinnvoll und performant verbinden.

2

Kollaborative Transportl¨osungen in Transportnetzwerken

Der hier pr¨asentierte Forschungs- und Entwicklungsansatz zielt auf eine dynamische Optimierung der Tourenplanung in KEP-Netzwerken in Verbindung mit dem kooperativen Austausch von Transportauftr¨agen zwischen den Last-Mile-Dienstleistern. Dabei werden drei große Themengebiete der Logistik tangiert: die Liefergebietsplanung in Logistiknetzen, die dynamische Tourenplanung mit Lieferkorridoren und die kollaborative Transportplanung mit kombinatorischen Auktionen. Erst durch das abgestimmte Zusammenwirken der drei Komponenten kann das hier vorgeschlagene Optimierungssystem zu einer deutlichen Anhebung der Effizienz in KEP-Liefernetzen beitragen.

2.1

Liefergebietsplanung in Logistiknetzwerken

Im Hinblick auf eine nachhaltige Logistik werden seit einiger Zeit vermehrt Ans¨atze zur Optimierung der letzten Lieferabschnitte (Last Mile) in KEP-Netzwerken im innerst¨adtischen Bereich gefordert [FTV03, TRGT03]. Aber auch in außerst¨adtischen Gebieten stehen Logistiker vermehrt vor der Herausforderung, eine ressourcenschonende Belieferung von Endkunden durch die Optimierung von Liefergebieten f¨ur die letzte Meile in Logistiknetzen zu erzielen. Allerdings ist diese noch wenig erforscht, da die in der Regel vorgegebenen Lieferzeitfenster zusammen mit den gr¨oßeren Distanzen und den weitl¨aufig verstreuten Lieferpunkten das resultierende Optimierungsproblem noch weiter erschweren [SS95]. Um die Planungskomplexit¨at zu reduzieren, wird oft ein zweistufiges Verfahren bei der Optimierung von Lieferprozessen in KEP-Netzwerken herangezogen [HH08]. Zun¨achst wird das sogenannte Hub-Location-Problem (HLP) gel¨ost, welches die Struktur des Liefernetzes bestimmt, und erst anschließend wird das Vehicle-Routing-Problem (VRP) betrachtet. Unter der Bezeichnung ‘location routing’ konsolidiert sich in j¨ungster Zeit die zweite Generation der HLPs, welches die Auswirkungen der Standortplanung auf die Tourenplanung ber¨ucksichtigt [NS07]. Neben Verfahren der optimalen Auswahl von Hub-Knoten und Zuweisung von Kundenteilmengen oder Gebieten [zu diesen] (vgl. [WZ04, KD05], sind insbesondere kantenbasierte Ans¨atze zur Auswahl von ‘Hub-Arcs’ vielversprechend [CEK05]. Da eine getrennte Betrachtung des HLP und des VRP immer zu suboptimalen Ergebnissen f¨uhren muss, wird hier ebenfalls eine integrierte Betrachtung von Netzwerkund Tourenplanung vorgenommen. Allerdings soll sich die in diesem Projekt durchzuf¨uhrende Forschung nur auf die Gebiets- und Netzwerkoptimierung der letzten Meile im Kontext mit dem VRP konzentrieren [DE99, Fig07, SD07]. Um einen direkten Zusammenhang von Liefergebietsabgrenzung und Tourenplanung zu schaffen und gleichzeitig die Ortskenntnis der KEP-Fahrer nutzen zu k¨onnen, soll die Form der Liefergebiete, wie im n¨achsten Abschnitt beschrieben, aus der Berechnung der optimalen Touren im beste¨ henden Netzwerk abgeleitet werden. Dabei entstehende Uberlappungen der Liefergebiete und die daraus resultierenden Synergiepotenziale werden sodann in einem weiteren Schritt durch den Einsatz von kombinatorischen Auktionen gehoben [ZW02, SGV08].

2.2

Dynamische Tourenplanung mit Lieferkorridoren

Der Einsatz von integrierten Navigations- und Tourenplanungssystemen ist analog zur Entwicklung im Individualverkehr auch f¨ur die Fahrzeuge der KEP-Logistik zu erwarten. Im Bereich der Vertriebsaußendienst-Steuerung sind bereits Systeme, die neben der Navigations- bzw. Tourenlogik, die Business-Logik f¨ur den jeweiligen Anwendungsfall abbilden, verf¨ugbar [GHIS03, FGS04, GG06, CCL+ 08]. Allerdings existieren f¨ur den Bereich der professionellen Navigation in KEP-Netzwerken mit sehr kurzen Fahrtzeiten und einer sehr schnellen notwendigen Interaktion zwischen Navigations- und Business-Logik bisher noch keine L¨osungen, die diesen Praxisanforderungen standhalten w¨urden. Die feste Paketverteilung auf die Fahrzeuge nach Zustellgebieten und bekannten Routen, die die

Fahrer lernen und auf die sie trainiert sind, funktioniert in Gebieten mit hohen Zustelldichten sehr gut, zeigt aber deutliche Schw¨achen in l¨andlichen Gebieten mit h¨oheren Fahrtzeiten zwischen den Stops [PMGB02]. Eine dynamische Zuweisung von Liefergebieten erfolgt in der praktischen Anwendung nur in F¨allen, in denen die Kapazit¨atsengp¨asse in der Zustellung aufgrund von Ladungsschwankungen teilweise von benachbarten Tourenfahrern ausgeglichen werden m¨ussen. Betrachtet man optimale Touren des f¨ur die KEPLogistik relevanten Vehicle-Routing-Problem-with-Time-Windows [Tai93, BG05], so erkennt man, dass eine Aufteilung in Liefergebiete die L¨osungsqualit¨at der geplanten Touren deutlich beeintr¨achtigen kann, da sich optimale Touren in vielen F¨allen u¨ berlappen und dies durch die Bildung von Lieferregionen verhindert wird. Die Einf¨uhrung von Lieferkorridoren um die schlaufenf¨ormig verlaufenden Touren herum, die wie in Abb. 3 dargestellt an die Stelle der Liefergebiete treten, k¨onnte eine wesentliche Verbesserung erzielen. F¨ur die hier gestellte Aufgabe der Routenoptimierung mit zus¨atzlichen Nebenbedingungen ¨ (Fahrzeiten, Offnungszeiten, Lenkzeiten, gleichm¨aßige Lastverteilungen etc.) u¨ berschreiten exakte L¨osungsans¨atze ihre Leistungsgrenzen vor allem in Bezug auf eine praxistaugliche Ergebnisgeschwindigkeit. Daher wird auf Heuristiken ausgewichen, die zum Teil gute N¨aherungen zur optimalen L¨osung in akzeptabler Zeit bzw. mit einer akzeptablen Anzahl von Iterationen liefern. Heuristiken, die f¨ur diese Problemstellungen eingesetzt werden, sind z.B. Simulated Annealing, Tabu Search, Ant-Systeme oder hybride Verfahren mit Constraint-Propagation [SrDT93, WSW05, AT06, PR07, DMC+ 08].

2.3

Kollaborative Transportplanung mit kombinatorischen Transportb¨orsen

Eine M¨oglichkeit, die Komplexit¨at des Planungsproblems f¨ur die Netzwerkgestaltung mit integrierter Tourenplanung ex-ante zu reduzieren und das Einsparungspotenzial unseres KEP-Systems weiter zu erh¨ohen, liegt in der Einf¨uhrung kooperativer Transportl¨osungen [EKS07]. Hierbei k¨onnen Synergieeffekte zwischen den Touren verschiedener KEPAnbieter gehoben werden, indem einzelne Kundenauftr¨age so zwischen den Transportanbietern ausgetauscht werden, dass sie eine bessere Konstruktion neuer Tourenpl¨ane erlauben [GSS+ 07]. Ein Mechanismus, der hierf¨ur besonders gut geeignet ist, ist die kombinatorische Auktion, da diese in der Lage ist, die sich aus den Komplementarit¨aten der Tourenabschnitte ergebenden Synergieeffekte zu ber¨ucksichtigen [KK06b]. Einer der ersten Ans¨atze zur Verwendung von kombinatorischen Auktionen auf dem Gebiet der Logistikplanung wurde von [Cap96] entwickelt. [CS03] erweitern den urspr¨unglich auf eine einfache Auktion f¨ur Transportkapazit¨aten f¨ur die Hauptl¨aufe eines Transportnetzwerks gerichteten Ansatz um Aspekte der Transportplanung. Der Ansatz versucht, die Bildung von kosteng¨unstigen Transportkombinationen f¨ur G¨uter durch einzelne Transportanbieter mittels einer kombinatorischen Auktion mit einer einfachen Tourenplanung zu verbinden. Einen a¨ hnlichen Weg verfolgen auch [RS03] mit einen Spotmarkt f¨ur u¨ bersch¨ussige bzw. ¨ kurzfristig ben¨otigte Transportdienstleistungen. Im Bereich des OPNV-Transports werden seit 1995 die Busrouten der London Regional Transport per kombinatorischer Auktion versteigert [CP05]. [EK00] dokumentieren die Durchf¨uhrung einer kombinatorischen Auktion zur Beschaffung von Transportkapazit¨aten f¨ur die US-Kette ‘Home Depot’. Neue

Ans¨atze der kombinatorischen Auktion im Logistikbereich versuchen speziell das Problem u¨ berlappender Liefergebiete zu l¨osen wobei Kostenersparnisse von bis zu 15% nachgewiesen werden konnten [SGV08].

NL

Legende Empfänger Standort Subunternehmer Tour Teilgebiets-Grenzen innerhalb eines Gebiets Gebietsgrenzen

Abbildung 1: Klassische zustellgebietsorientierte Tourenplanung f¨ur eine Niederlassung

3

Simulationssystem zur kollaborativen Transportoptimierung

Basierend auf langj¨ahrigen Erfahrungen mit Simulationssystemen in der Logistik hat sich insbesondere der Einsatz von Multiagententechnologien f¨ur die Transportlogistik in den letzten Jahren immer weiter verbreitet [DHR+ 05, LSKT07, GSVW07, HSW08]. Simulationssysteme bieten den Vorteil die Wirkung von Optimierungsverfahren in verschiedener Hinsicht beurteilen zu k¨onnen. So kann bspw. ein Optimierungsverfahren nicht nur im Hinblick auf die Kosten einer Lieferstruktur beurteilt werden, sondern es kann umgekehrt auch die Wirkung von Pricing-Modellen auf die Optimierungsg¨ute beurteilt werden [SW02].

3.1

Simulationsbasierte Optimierung kollaborativer Transportl¨osungen

In den KEP-Netzwerken erfolgt heute historisch und pragmatisch bedingt eine mehrstufige Gebietsaufteilung. Bei der Netzwerkplanung wird dabei z.B. Deutschland zun¨achst in verschiedene Zustellregionen aufgeteilt, in denen einzelne Niederlassungen eingerichtet werden. Innerhalb des Zustellgebiets einer Niederlassung werden Zustellgebiete (Abb. 1) vergeben und innerhalb dieser werden nochmals Teilgebiete unterschieden, in denen die

NL

Legende Empfänger Standort Subunternehmer Tour Loop Grenzen Basis Loop Basis Loop Grenzen

Abbildung 2: Loop-System

Touren schließlich gefahren werden. Dabei sind die Gebietsstrukturen auff¨allig fl¨achig gelegt, sodass diese sich leicht durch Postleitzahlengebiete oder geografische Gegebenheiten (Fl¨usse etc.) beschreiben lassen. Die Tourenplanung und sp¨atere Tourenoptimierung erfolgt jeweils nur innerhalb dieser fest umrahmten Fl¨achen. Außerdem entstehen zum Teil lange Zufahrtswege in die einzelnen Tourengebiete, die diese L¨osungen suboptimal bez¨uglich der gefahrenen Kilometer machen. Eine Verbesserung stellt das Loop-System (Abb. 2) dar. Bei diesem System werden zun¨achst ausgehend von den Niederlassungen Basiszuf¨uhrungen (Basis-Loop) entlang geografischer Gegebenheiten (Fl¨usse, Autobahnen etc.) definiert. Die einzelnen Touren werden in Loops von diesem Basis Loop aus gefahren. In diesem System k¨onnen Volumenschwankungen leicht ausgeglichen werden, indem Pakete der einzelnen Loops an den Basis Loop, der selbst eine Zustelltour darstellt, abgegeben werden k¨onnen. Auf diese Weise werden auch homogene Arbeitszeiten f¨ur die Fahrer erzielt - eine oft w¨unschenswerte Nebenbedingung. Eine weitergehende Ex-anteOptimierung der eigentlichen Strecken am Tag des Versandaufkommens erfolgt hier nicht. 3.1.1

Ansatz zur Optimierung

Die hier vorgestellte L¨osung soll ein praxistaugliches dynamisches Routing der Sendungen im Netzwerk erm¨oglichen. Dabei m¨ussen Restriktionen (Time Windows, Zustellerfahrung etc.) beachtet werden und ein optimiertes Ergebnis muss nach kurzer Rechenzeit zur Verf¨ugung stehen. Die in Abb. 3 und 4 dargestellte L¨osung bietet drei Neuerungen: 1. Komplette Tourenplanung ex-ante unter Einhaltung der Rechenzeitanforderungen mit Erlaubnis der Stammtourausbildung und der Bestimmung dispositiver Empf¨anger, die durch die kombinatorische Auktion an den ‘Best Fit’ versteigert werden.

NL

Legende Empfänger S b t Subunternehmer h Dispositiver Empfänger Tour 1 Tour 2

Abbildung 3: Ex-ante-Routenoptimierung und Stammtourausbildung

2. Effizienter Umgang mit Restriktionen (z.B. Zustellzeiten, Lenkzeiten), da bei den Tourenkorridoren viele Fahrer viele Punkte der Zustellregion in engen Zeitfenstern erreichen k¨onnen. 3. Einfache M¨oglichkeit der Erweiterung des Modells auf anreizkompatible Subun¨ ternehmermodelle. Durch diese Offnung kann durch einen h¨oheren kollaborativen Anteil eine weitere Effizienzsteigerung erreicht werden. In Abb. 3 sind zwei aktuelle Tagestouren aufgezeichnet. Bestimmte Empf¨anger dieser Tour werden als Stammtour h¨aufig von einem Fahrer angefahren. Das Ausbilden von regionalem pers¨onlichem Zustell-Know-how wird so m¨oglich. Die dispositiven Empf¨anger sind als Kreuze (hellgr¨un) dargestellt. Sie befinden sich in der Regel zwischen den Touren und werden aufgrund seltener Besuchsfrequenz mal der einen und mal der anderen Tour einzeln oder in Kombinationen zugeschlagen. D.h. bei der Optimierung wird jeden Tag durch die kombinatorischen Auktionen ermittelt, welcher Anbieter bzw. Fahrer diese Stops an diesem Tag in Bezug auf seine aktuelle Tour am kosteng¨unstigsten anfahren kann. Das hier vorgestellte Optimierungsverfahren realisiert die oben genannte Zielsetzung durch einen mehrstufigen Prozess. Zun¨achst werden aus der Vergangenheit optimale Touren f¨ur ¨ jeweils einen Versandtag berechnet. Uber einen Zeitraum von 40-60 Tagen werden hieraus ¨ Ahnlichkeiten der Tourenpl¨ane bestimmt und diese in Lieferkorridore u¨ berf¨uhrt. Hierzu definieren wir Korridore als Regionen, deren Empf¨angeradressen auf derselben Tour liegen. Zwei dieser Korridore sind in Abb. 4 dargestellt. In diesen Korridoren liegen alle Empf¨anger, die f¨ur diese Tour vorgesehen sind und eine tagesaktuelle optimierte Tour, die die tats¨achlichen Empf¨anger des Tages verbindet. Der Tourenoptimierer muss an dieser Stelle lediglich die aktuellen Empf¨anger innerhalb eines Korridors verbinden. Zwischen den Korridoren in Abb. 4 liegen dispositive Empf¨anger, die im zweiten Schritt aufgrund

ihrer Lage durch die kombinatorische Auktion zwischen den Fahrern ausgetauscht werden.

Legende Empfänger/Stop aktuelle Tour Empfänger/Stop in Korridoren Korridor Dispositiver Empfänger/Stop Tour 1 Tour 2

NL

Abbildung 4: Ausbildung von Lieferkorridoren bei Optimierung von Stammtouren

3.1.2

¨ Permanente Optimierung von Lieferkorridoren und Guteberechnung

Durch die Verwendung von Lieferkorridoren kann die Ex-ante-Komplexit¨at der Optimierung reduziert werden und sie erlaubt die Nutzung des Human Know-how bzw. des Fahrerwissens. Allerdings vermindert diese Problemkaskadierung m¨oglicherweise auch das Finden des globalen Optimums einer L¨osung. Herausforderungen f¨ur die L¨osung bestehen in zweierlei Hinsicht: Der Vorteil des Human Know-how muss in der L¨osung erfassbar und bewertbar gemacht werden. Die sich aus der nicht optimalen L¨osung ergebenden Nachteile m¨ussen permanent quantifiziert werden. Dies bedeutet, dass ein globaler Optimierer parallel zur Simulation betrieben werden muss, um beide Faktoren permanent bewerten zu k¨onnen und so eine optimale Parametrisierung der L¨osung erreichen zu k¨onnen. ¨ Uber Simulationen m¨ussen die optimalen Dimensionen von Lieferkorridoren f¨ur die jeweiligen Transportaufgabenstellungen und Restriktionen ermittelt werden. Je weniger Elemente in den freien Gebieten liegen, desto klarer ist die Ex-ante Zuweisung von Pickup and Delivery Stops zu einer Tour. Dies f¨uhrt aber nur dann zu einem vern¨unftigen Optimierungsergebnis, wenn die Transportaufgaben a¨ hnlich sind. Je mehr Elemente in den dispositiven Raum verschoben werden, desto mehr Tourenflexibilit¨at besteht f¨ur den Tag. Allerdings wird dann die Restriktion bzw. das Wissen des Fahrers auch kaum genutzt. Gleichzeitig muss die generelle Problem- und L¨osungsreproduzierbarkeit nachgewiesen werden. Es muss also aus einer Anzahl von gegebenen Tageszeitscheiben mit Analysedaten jeweils eine Korridorempfehlung f¨ur den folgenden Tag gegeben werden und anhand der Tourdaten dieses Tages u¨ berpr¨uft werden, welchen minimalen Fehler diese L¨osung unter Einhaltung der Restriktionen bewirkt. Der Abstand dieses minimalen Fehlers zu dem globalen Minimum soll als G¨utemaß f¨ur die Korridorbildung definiert werden. Der minimale Fehler ist dabei der Abstand (z.B. Kilometer, Zeit) aller optimalen Touren unter der Restriktion der jeweiligen Korridore und der tats¨achlich optimalen Touren, ohne vorherige Korridorbildung.

Der Verlauf der G¨utefunktion entlang der maximal erlaubten Ver¨anderung pro Tag, die wir im Folgenden als Drift bezeichnen wollen, ist gleichzeitig auch ein Maß f¨ur die Reproduzierbarkeit der L¨osung. Eine hohe G¨ute mit dem beschriebenen Modell zu erreichen, k¨onnte vor allem dann schwierig werden, wenn das Maß an Restriktionen (bspw. Time Windows) sehr hoch ist bzw. eine hohe Heterogenit¨at der Tageszeitscheiben besteht. So kann man sich vorstellen, dass ein sehr kurzes Zustellzeitfenster mit wechselnden Stops von Tag zu Tag dazu f¨uhrt, dass nur schwerlich eine Korridorbeschreibung m¨oglich wird. Auch die human-getriebenen Restriktionen, die einzelne Gebiete oder Stops zu sehr an einzelne Fahrer resp. Touren binden, f¨uhren dazu, dass die Flexibilit¨at der L¨osung stark eingeschr¨ankt wird. Dies gilt insbesondere dann, wenn diese komplexe Formen beschreiben, die nicht den angedachten Korridoren entsprechen. Die hier vorgeschlagene Konzeption der Drift ist in Abb. 5 dargestellt und beschreibt eine langsame Ver¨anderung der Korridore im Zeitablauf bzw. f¨ur jede Tageszeitscheibe. Dabei m¨ussen die Driftparameter definiert werden. Diese sind z.B. die Anzahl und Art der auszutauschenden Empf¨anger pro Driftvorgang (Tageszeitscheibe).

Legende Empfänger/Stop in Korridoren Neuer Korridor Nicht mehr Teil des Korridors Dispositiver Empfänger/Stop

Drift

NL

Abbildung 5: Drift bei der Stammtourausbildung

Die Verwendung der Drift bei der Stammtourenausbildung bringt drei Vorteile: 1. Erlernbarkeit der Ver¨anderung durch die Fahrer (Erhalt des Human Know-hows) 2. Parallele Anpassung an große strukturelle Ver¨anderungen 3. Schonung der Rechenzeitressourcen, da die Optimierung nach erfolgreicher tagesaktueller Tourenberechnung stattfindet F¨ur eine erfolgreiche Parametrisierung der Drift m¨ussen die einzelnen Individuen dazu motiviert und durch entsprechende Prozesse gef¨uhrt werden, ihr Know-how zu beschreiben, sodass dies in der Softwarel¨osung in Form von Informationen, Restriktionen und Relaxationen verarbeitet werden kann. Der KEP-Dienst UPS hatte bereits in der 80er-Jahren ein IT-System, bei dem f¨ur die einzelnen Touren in REFA-Zeitstudien optimales Verhalten f¨ur die Fahrer ermittelt und dokumentiert wurde. Hierdurch konnten zwei Optimierungen erreicht werden. Zum einen bauten die einzelnen Individuen angeleitet Know-how f¨ur ihre Touren auf, zum anderen wurde eine lernende Gesamtorganisation etabliert, die Regeln folgte wie: Zustellungen bis zum 2. Stock keinen Aufzug benutzen; an Ampeln rechts abbiegen etc.

3.1.3

Kombinatorischer Auktionsmechanismus zum Austausch von Lieferauftr¨agen

Wie bereits in Abschnitt 3.1.1 dargelegt, existieren dispositive Empf¨anger, die bei der Tourenoptimierung dem einen oder dem anderen Lieferkorridor zugeordnet werden k¨onnen. Um diese Lieferauftr¨age der g¨unstigsten Tour zuzuschlagen, wird der dispositive Empf¨anger aufgrund seiner Eigenschaften (geografischen Lage, Lieferzeitfenster etc.) und den daraus resultierenden Kosten bewertet und in einer kombinatorischen Auktion zwischen den Lieferanten versteigert. In Abb. 6a ist die Ausgangssituation zweier Touren dargestellt, bei denen die Lieferauf¨ tr¨age bereits bestimmten Liefertouren zugeordnet sind. Die Auftr¨age, die sich im Uberlappungsbereich der Touren befinden, werden zum Austausch freigegeben und unter Ber¨ucksichtigung der geografischen Lage sowie der Lieferzeitfenster zu Auftragsgruppen (Clustern) geb¨undelt, um bestehende Synergien zwischen Auftr¨agen geeignet abbilden zu k¨onnen (Abb. 6b, Cluster C1 , bestehend aus lediglich einem Lieferauftrag und Cluster C2 , bestehend aus zwei Auftr¨agen). F¨ur jeden Cluster werden die Kosten ermittelt, die der Lieferant im Falle der Abgabe des Lieferauftrags diesen Clusters an einen benachbarten Lieferanten einsparen w¨urde. Ebenso ermitteln alle beteiligten Lieferanten die Kosten f¨ur die Aufnahme der freigegebenen Cluster in ihre Liefertour. Diese Kosten werden als Gebotspreise f¨ur die jetzt stattfindende kombinatorische Auktion gesetzt. Die Auktion ermittelt so die optimale Zuordnung der dispositiven Empf¨anger zu den Lieferanten. Auf Basis dieser Zuordnung werden die endg¨ultigen Liefertouren ermittelt (Abb. 6c). Eine detaillierte Beschreibung der verwendeten kombinatorischen Auktion findet sich in [SGV08].

C1 C2

a)

b)

c)

Abbildung 6: Austauschmechanismus der kombinatorischen Auktion

3.1.4

¨ logistische Management-Entscheidungen Simulationsmodelle fur

Die beschriebene Systematik kann f¨ur die globale Optimierung eines Transportnetzwerks verwandt werden, da alle Einflussfaktoren und Aufgabenstellungen in die L¨osung als Restriktionen einfließen und die einzelnen Transportaufgaben exakt elektronisch abgebildet werden k¨onnen. Sobald dies geschehen ist, kann das Modell um andere Aufgabenstellungen bzw. Zielfunktionen erweitert werden. So kann durch eine Simulation von zus¨atzlichen Kunden- bzw. deren Versandstrukturen der Einfluss dieses Neukunden auf das Netzwerk sichtbar und quasi per Knopfdruck monet¨ar bewertbar gemacht werden. D.h. Grenzkosten, Pricing und Risiko von Neukunden k¨onnen pr¨azise durch eine Simulation ermittelt werden. Gleichzeitig steigert die Organisation die Effizienz f¨ur Angebotserstellungen bzw. im gesamten Vertriebscontrolling beim Einsatz solcher Simulationen deutlich. Mit einer a¨ hnlichen Systematik k¨onnen auch Zielfunktionen des Unternehmens, z.B. eine

Lieferqualit¨at, in der L¨osung mit einer zu definierenden Sicherheit umgesetzt werden und deren Ver¨anderung monet¨ar bewertbar gemacht werden. Wenn zum Beispiel ein Expressdienst eine 10:00-Uhr-Liefertreue von 99,5 Prozent verspricht und wissen m¨ochte, mit welcher Kostenersparnis in der Produktion (dem Transportnetzwerk) es verbunden w¨are, den Servicelevel auf 99 Prozent zu senken, kann dies simuliert werden. Genauso k¨onnen auch neue Produktvarianten simulativ aus der L¨osung gebildet werden. Beispielsweise k¨onnten f¨ur verschiedene Kunden verschiedene Liefertreuen garantiert werden und diese auch bepreist werden, beides jeweils mit den zugrunde liegenden Produktionskosten.

3.2

¨ Architektur zur simulationsgestuzten kollaborativen Transportoptimierung

Im Rahmen des Projekts soll ein Softwareprototyp entstehen, der auf den bisherigen Logistiksoftwarel¨osungen der PickPoint AG mit den Schnittstellen zu deren Kunden sowie den L¨osungen f¨ur Routenoptimierungen durch kombinatorische Auktionen aufsetzt und die oben beschriebenen Neuerungen realisiert. Das Kernmodul der Architektur wird der Tour-Planning-Service sein, der auf den Driftservice, den ComEx Auktionsservice und den Tourenoptimierer zugreift. Mittels dieser Module k¨onnen die oben beschriebenen Simulationen durchgef¨uhrt werden. F¨ur das Gesamtsystem m¨ussen weitere Dienste integriert werden, wie in Abb. 7 dargestellt. Bei der Nutzung des Gesamtsystems werden Stammdaten (Gebietsinformationen) sowie Bewegungsdaten (die t¨aglichen Paketinformationen) bereitgestellt. Der Output des Gesamtsystems enth¨alt Sortiervorschl¨age f¨ur jedes Paket sowie Tourendaten, die auf die Scanner der Fahrer geladen werden und diese im Zustellprozess leiten. Gleichzeitig bilden die Scanner nat¨urlich auch den tats¨achlichen Lieferprozess ab (das Scannen der Pakete, Unterschrift des Kunden, Proof of Delivery, Proof of Collection, Zeitstempel etc.). Durch die bereitgestellten Report- und GUI-Services wird das System manage- und controllingf¨ahig und bietet die gew¨unschten Eingriffsm¨oglichkeiten. Eine zentrale Engine (der Tour-Planning-Service) benutzt die Dienste f¨ur die t¨agliche Tourenplanung. Er greift dabei zur¨uck auf die Stammdaten (Gebietsinformationen, Geografie des Analysegebiets, die Subunternehmer mit den Service Level Agreements (SLAs)) sowie die eigentlichen Paketdaten (Zieladressen, Dimensionsinformationen, SLAs zu den Paketen). F¨ur die t¨agliche Distribution werden folgende Schritte durchlaufen: 1. Aufteilung der Paketinformationen auf die Korridore und Ermittlung, d.h. Zuordnung der f¨ur diesen Tag fixen Pakete auf Stammtouren, Anfrage der Korridore vom Tour Planning Service an den Drift Service 2. Berechnung der optimalen Stammtouren durch den Tourenoptimierer. Der Mappoint Dienst liefert jeweils eine Distanzmatrix, die dann vom Tourenoptimierer in die optimale Reihenfolge(n) gebracht wird 3. Ermittlung der dispositiven Routenb¨undel in den nicht zugeordneten Gebieten durch den Tour-Planning-Service mittels einer Heuristik (z.B. Nearest neighbour) und Auktion dieser durch den Auktionsservice 4. Aufbereitung der Touren und Bereitstellung durch den Tour-Planning-Service

Externe Daten

Zentrale Dienste Neue Server

Gebietsinformationen Subunternehmer mit SLA Geografie

Mappoint Tourenoptimierer (COSA, ANT, Hybrid)

Paketdaten Zustelladressen Servicelevel der Sendung Human-Restriktionen

ComEx Drift

Parametrisierung

Tour Planning service

Externe Services / GUI PickPoint Datenbank Server PickPoint Web-Server

Report Services GUI Services Scanner Server Admin Services

Architektur vor Ort (Fahrer u. Niederlassung) Zentrale Datenbank -Touren und Historie - Korridore - geocodierte Adressen - Gütedaten

Scanner Scanner Scanner Scanner Sortierservice

Abbildung 7: Systemarchitektur des KolOptNet-Systems

5. Berechnung der Sortierrichtungen (durch den Tour-Planning-Service) und Bereitstellung an den Sortierservice in der Niederlassung 6. Bereitstellung der Toureninformationen (Reihenfolge der Stops pro Tour) f¨ur den PickPoint-Datenbankserver und Verteilung an Handheld-Server und Webserver f¨ur die grafische Aufbereitung 7. Verteilung der Touren und Paketinformationen an die Scanner mittels Scannerserver 8. Sortierung und Verladung der Pakete mit beidseitigem Scan 9. Start der Touren in den Scannern, jeweils R¨uckmeldung der neuen Statusinformationen und Stoppinformationen (Zeiten und Fahrtdauern) 10. Meldung der aktuellen Fahrtergebnisse von den Scannern an den Handheld Server, Aufbereitung im PickPoint-Webserver und Bereitstellung an Drift Service zur Berechnung der neuen Drift f¨ur den folgenden Tag 11. Berechnung der Drift f¨ur den folgenden Tag aus den aktuellen Daten und einem zu definierenden Zeitraum in der Vergangenheit unter Einhaltung der Driftfaktoren

4

Fazit

Das hier beschriebene Softwaresystem KolOptNet soll durch den Einsatz kollaborativer Optimierungsmethoden zur Verbesserung der Transporteffizienz in KEP-Netzwerken beitragen. Der gew¨ahlte Ansatz optimiert zum einen tagesaktuell die Touren der letzten Meile in KEP-Liefernetzwerken durch den Einsatz kombinierter Planungsheuristiken, zum

anderen erm¨oglicht er durch den Einsatz von kombinatorischen Auktionen den flexiblen Austausch von Kapazit¨aten zwischen den einzelnen Lieferanten, die oft als selbstst¨andige Subunternehmer in den KEP-Netzwerken fungieren. Um ein optimales Zusammenwirken der verschiedenen Optimierungsverfahren zu gew¨ahrleisten, nutzt das hier pr¨asentierte Softwaresystem KolOptNet auf historischem Datenmaterial beruhende ex-post Simulationen zur Ermittlung des Einsparpotentials und legt gleichzeitig die optimalen Abstimmung und Parametrisierung der einzelnen Optimierungsverfahren fest. Erst in einem zweiten Schritt werden dann die Simulationsergebnisse verwendet um die tats¨achliche Tourenplanung ex-ante im Produktionseinsatz durchzuf¨uhren. Durch eine iterative Verwendung von ex-post Simulationen und ex-ante Planung wird das kollaborative Tourenoptimierungssystem lernf¨ahig und ist auch in der Lage nichttechnische Faktoren, wie beispielsweise die Ortskenntnis der Lieferanten in das Optimierungskalk¨ul mit einzubeziehen. Der Einsatz des vorgestellten Optimierungsystems bei großen KEP-Logistikern in Deutschland und Frankreich wird auch auf wissenschaftlicher Ebene Daten liefern, die zeigen werden, wie groß das Potential von simulationsbasierten Optimierungssystemen in der modernen Logistikplanung ist.

Literatur [AT06]

Naoki Ando und Eiichi Taniguchi. Travel Time Reliability in Vehicle Routing and Scheduling with Time Windows. Networks and Spatial Economics, 6:293–311, 2006.

[BG05]

Olli Br¨aysy und Michel Gendreau. Vehicle Routing Problem with Time Windows, Part I: Route Construction and Local Search Algorithms. Transportation Science, 39(1):104–118, 2005.

[Cap96]

Christopher Caplice. An Optimization Based Bidding Process: A New Framework for Shipper-Carrier Relationships. Dissertation, Massachusetts Inst. of Technology, 1996.

[CCL+ 08] Bernard K.-S. Cheung, K.L. Choy, Chung-Lun Li, Wenzhong Shi und Jian Tang. Dynamic routing model and solution methods for fleet management with mobile technologies. Int. Journal of Production Economics, 113:694–705, 2008. [CEK05]

James F. Campbell, Andreas Ernst und Mohan Krishnamoorthy. Hub Arc Location Problems: Part I - Introduction and Results. Management Science, 51(10):1540–1555, 10 2005.

[CP05]

Estelle Cantillon und Martin Pesendorfer. Auctioning Bus Routes: The London Experience. In Richard Steinberg, Yoav Shoham und Peter Cramton, Hrsg., Combinatorial Auctions, Kapitel 22, Seiten 573–571. MIT-Press, Cambridge, Massachusetts, 2005.

[CS03]

Christopher Caplice und Yossi Sheffi. Optimization-Based Procurement for Transportation Services. Journal of Business Logistics, 24(2):109–128, 2003.

[DE99]

Carlos F. Daganzo und A. Erera. On Planning and Design of Logistics Systems for Uncertain Environments. In M.G. Speranza und P. Stahly, Hrsg., New Trends in Distribution Logistics, Jgg. 480 of Lecture Notes in Economics and Mathematical Systems, Seiten 100–105. Springer-Verlag, 1999.

[DHR+ 05] Paul Davidsson, Lawrence Henesey, Linda Ramstedt, Johanna T¨ornquist und Fredrik Wernstedt. An analysis of agent-based approaches to transport logistics. Transportation Research Part C, 13:255–271, 2005. [DMC+ 08] Alberto Donati, Roberto Montemanni, Norman Casagrande, Andrea E. Rizzoli und Luca Maria Gambardella. Time dependent vehicle routing problem with a multi ant colony system. European Journal of Operational Research, 185:1174–1191, 2008. [EK00]

Wedad Elmaghraby und Pinar Keskinocak. Technology for Transportation Bidding at The Home Depot. Bericht, School of Industrial and Systems Engineering, Georgia Institute of Technology, 09 2000.

[EKS07]

Ozlem Ergun, Gultekin Kuyzu und Martin W. P. Savelsbergh. Shipper Collaboration. Computers & Operations Research, 34(6):1551–1560, 2007.

[FGS04]

Bernhard Fleischmann, Stefan Gnutzmann und Elke Sandvoß. Dynamic Vehicle Routing Based on Online Traffic Information. Transport. Science, 38(4):420–433, 2004.

[Fig07]

Miguel Andres Figliozzi. Analysis of the efficiency of urban commercial vehicle tours: Data collection, methodology, and policy implications. Transportation Research Part B, 41(9):1014–1032, 2007.

[FTV03]

Gaetano Fusco, Luigi Tatarelli und Maria Pia Valentini. Last-mile, a procedure to set up an optimized delivery scheme. In Logistics Systems for Sustainable Cities: Proceedings of the 3rd International Conference on City Logistics, Madeira, Portugal, 2003.

[GG06]

Asvin Goel und Volker Gruhn. A Fleet Monitoring System for Advanced Tracking. In IEEE International Conference on Systems, Man and Cybernetics,, Jgg. 3 of 8-11, Seiten 2517–2522, 2006.

[GHIS03]

Volker Gruhn, Malte H¨ulder, Raschid Ijiouri und Lothar Sch¨ope. A Distributed Communication System for Integration with Logistics Software. In Innovative Internet Community Systems, Jgg. 2877 of LNCS, Seiten 134–143. Springer, Berlin, 2003.

[GSS+ 07]

Oleg Gujo, Michael Schwind, Tim Stockheim, Oliver Wendt, Jens Vykoukal und Kilian Weiß. ComEx: Kombinatorische Auktionen zum innerbetrieblichen Austausch von Logistikdienstleistungen. In Proceedings of the ‘8. Internationale Tagung Wirtschaftsinformatik’; Karlsruhe, Germany, Seiten 201–218, 2007.

[GSVW07] Oleg Gujo, Michael Schwind, Jens Vykoukal und Oliver Wendt. Mehrrundige Kombinatorische Auktionen beim innerbetrieblichen Austausch von Logistikdienstleistungen. In Jahrestagung der Gesellschaft f¨ur Informatik (GI 2007), Bremen, Germany, Seiten 70–74, 2007. [HH08]

Knut Haase und Mirko Hoppe. Transportnetzgestaltung f¨ur Paketdienstleister. Zeitschrift f¨ur Betriebswirtschaft, 78(9):857–874, 2008.

[HSW08]

Yike Hu, Michael Schwind und Oliver Wendt. An Agent-based Cooperative Mechanism for Integrated Production and Transportation Planning. In Proceedings of the 12th Pacific Asia Conference on Information Systems (PACIS 2008), Suzhou, China, Seiten 429–436, 2008.

[KD05]

Andreas Klose und Andreas Drexl. Facility location models for distribution system design. European Journal of Operational Research, 162:4–29, 2005.

[KK06a]

Peter Klaus und Christian Kille. Die Top 100 der Logistik: Marktgr¨ossen, Marktsegmente und Marktf¨uhrer in der Logistikdienstleistungswirtschaft. Studie, Fraunhofer IIS, Nordostpark 93, 90411 N¨urnberg, 2006.

[KK06b]

Marta Anna Krajewska und Herbert Kopfer. Collaborating freight forwarding enterprises. OR Spectrum, 28(3):301–436, 7 2006.

[LB04]

Jacques Leonardi und Michael Baumgartner. CO2 efficiency in road freight transportation: Status quo, measures and potential. Transportation Research Part D, 9:451–464, 2004.

[LSKT07]

Hagen Langer, J¨orn Sch¨onberger, Herbert Kopfer und Ingo J. Timm. Integration zentraler Prozess-Optimierung und lokaler agentenbasierter Prozess-Anpassung f¨ur das Management von Transportprozessen in dynamischen Umgebungen. In Jahrestagung der Gesellschaft f¨ur Informatik (GI 2007), Bremen, Germany, Seiten 429–436, 2007.

[NS07]

Gabor Nagy und Said Salhi. Location-routing: Issues, models and methods. European Journal of Operational Research, 177:649–672, 2007.

[PMGB02] Warren B. Powell, Arun Marar, Jack Gelfand und Steve Bowers. Implementing RealTime Optimization Models: A Case Application From The Motor Carrier Industry. Oper. Res., 50(4):571–581, 2002. [PR07]

David Pisinger und Stefan Ropke. A general heuristic for vehicle routing problems. Computers & Operations Research, 34:2403–2435, 2007.

[RS03]

Amelia Regan und Jiongjiong Song. An Auction Based Collaborative Carrier Network. Transportation Research Part E: Logistics and Transportation Review, 02 2003.

[SD07]

Karen Smilowitz und Carlos F. Daganzo. Continuum Approximation Techniques for the Design of Integrated Package Distribution Systems. Networks, 50(3):183–196, 2007.

[SGV08]

Michael Schwind, Oleg Gujo und Jens Vykoukal. A combinatorial intra-enterprise exchange for logistics services. Information Systems and E-Business Management, 2008. forthcoming.

[SrDT93]

´ Frederic Semet und Eric D. Taillard. Solving real-life vehicle routing problems efficiently using taboo search. Annals of Operations research, 41:469 –488, 1993.

[SS95]

Martin W. P. Savelsbergh und M. Sol. The General Pickup and Delivery Problem. Transportation Science, Seiten 17–29, 1995.

[SW02]

Michael Schwind und Oliver Wendt. Dynamic Pricing of Information Products Based on Reinforcement Learning: A Yield-Management Approach. In Advances in Artificial Intelligence, 25th Annual German Conference on AI (KI 2002), Aachen, Germany, Jgg. 2479 of LNCS, Seiten 51–66. Springer, 2002.

[Tai93]

Eric D. Taillard. Parallel iterative search methods for vehicle routing problems. Networks, 23:661–673, 1993.

[TRGT03] Eiichi Taniguchi und Tadashi Yamada Russell G. Thompson. Visions for Cities Logistics. In Logistics Systems for Sustainable Cities: Proceedings of the 3rd International Conference on City Logistics, Madeira, Portugal, 2003. [WSW05]

Oliver Wendt, Tim Stockheim und Kilian Weiss. Intelligente Tourenplanung mit DynaRoute. Wirtschaftsinformatik, 47(2):135–140, 2005.

[WZ04]

Michael Wasner und G¨unther Z¨apfel. An integrated multi-depot hub-location vehicle routing model for network planning of parcel service. International Journal of Production Economics, 90(3):403–419, 8 2004.

[ZW02]

G¨unther Z¨apfel und Michael Wasner. Planning and optimization of hub-and-spoke transportation networks of cooperative third-party logistics providers. International Journal of Production Economics, 78(2):207–220, 2002.