Ganzzahlige Optimierung im öffentlichen Verkehr

http://www.zib.de/borndoerfer/Homepage/ws06-2.html

DFG-Forschungszentrum MATHEON “Mathematics for key technologies”Technische Universität Berlin (TUB)Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB)

Ralf BorndörferChristian LiebchenMarc Pfetsch

Ganzzahlige Optimierung im öffentlichen Verkehr

Ralf Borndörfer Christian Liebchen Marc Pfetsch

TU BerlinIntegrierte Veranstaltung im Wintersemester 2006/07

BVG-Preise werden vorerst nicht erhöht

Borndörfer Liebchen Pfetsch

4

Bus Congestion


5

Santiago & BerlinSantiago Berlin

Fläche

Einwohner 5,8 Mio. 3,4 Mio.

S-Bahn 164 Stationen

329 km Gleise

15 Linien

U-Bahn

Tram 377 Stationen

188 km Gleise

21 Linien

Bus

1.400 km² 900 km²

52 Stationen

45 km Gleise

3 (+3) Linien

seit 1975

170 Stationen

144 km Gleise

9 Linien

7.000 Busse

3.000 Firmen

1.300 Busse


6


Fläche



329 km Gleise

15 Linien

U-Bahn

Tram 377 Stationen

188 km Gleise

21 Linien

Bus

1.400 km² 900 km²

52 Stationen

45 km Gleise

3 (+3) Linien

seit 1975

170 Stationen

144 km Gleise

9 Linien

7.000 Busse

3.000 Firmen

1.300 Busse


7

Projekt Transantiago

Extension of metronetwork

Connectionstations

New bus fleetStreet reconstruction

Connection stationsbetween bus & metro


8

Projekt Transantiago

Less congestion

More egalitarianism

Less dirt & pollution

More safety

Better service

Modernisation


9

Wie plant man ein Nahverkehrsnetz?

Liniennetz

Tarifstruktur

Betrieb

Störungs-/Verspätungsmanagement


10

Operations Control


11


Fläche



329 km Gleise

15 Linien

U-Bahn

Tram 377 Stationen

188 km Gleise

21 Linien

Bus

1.400 km² 900 km²

52 Stationen

45 km Gleise

3 (+3) Linien

seit 1975

170 Stationen

144 km Gleise

9 Linien

7.000 Busse

3.000 Firmen

1.300 Busse


12

Trassenkauf bei der DB


13

Trassenanmeldung


14

Höchstpreisverfahren


15

Deregulation


16

Quelle-Ziel-Matrix (Nachfrage)


17

Netzergänzung (Varianten)


18

Passagierfluß (Umlegung)


19

Netz


20

Linien


21

Fahrplan


22

Anschlüsse


23

Preise


24

Umläufe


25

Dienste


26

Dienstreihenfolge


27

Fahrzeug- und Personaldisposition


28

Betriebshofplanung


29

Betriebsleitung


30

Planungsprozeß im ÖPNV

Operative Planung

Angebotsplanung• Preis-/Linienplanung

• Fahrplanung

Betriebsleitung


31

Ziele der Veranstaltung

CostRecovery

FaresConstruction Kosten

Netw

orkTopologyVelocities

LinesService LevelFrequenciesConnections

Timetable

SensitivityRotations

Relief Points

Duties

Duty

Mix

RosteringFairness

Crew Assignm

entD

isruptionsO

perationsControl

multidepartmentalDepartmentsmultidepotwiseDepotsmultiple line groupsLine Groupsmultiple linesLinesmultiple rotationsRotations

PreiseAnschl.FahrtenUmläufeDiensteReihenf. Linien


32

„Kamelkurve"

68


33

Umlaufplanungsproblem

1

3

4

6

5 5

2 5

D D

4

6

1

3

52


34


4

6

1

3

52

1

3

4

6

5 5

2 5

D D


35


1 2 3

34

33

76 7

8 10

4 5 6

Ankunft

LösungKosten = 20

Abfahrt

Das ZuordnungsproblemInput: 6 Fahrten, Kosten

Output: Kostenminimale Zuordnung


36

Komplexität

1 2 3

34

33

76 7

8 10

4 5 6

Ankunft

LösungKosten = 20

Abfahrt

Anzahl Zuordnungen bei n Ankünften/Abfahrten:

(Stirling-Formel)! 2−≈ n nn n e nπ


37

Komplexität

Anzahl Zuordnungen bei n Ankünften/Abfahrten

Exponentieller Aufwand: 2n , nn , etc.

Polynomialer Aufwand: n , 1.000n , n3 , n5 ,p(n)

! 2−≈ n nn n e nπ

linear kubisch exponentiell Doppelt exp.

2n

1.024

1030

10300

103000

n n3 nn

10

100

1.000

10.000

1.000 1010

106 10200

109 103000

1012 1050000


38

Heuristiken

LösungKosten = 17

1 2 3

34

33

76 7

8 10

4 5 6

Ankunft

Abfahrt

Die Greedy-Heuristikheuretikos (gr.): erfinderischheuriskein (gr.): finden


39

Heuristiken

1 2 3

34

33

76 7

8 10

4 5 6

Ankunft

LösungKosten = 16

Abfahrt

Die Greedy-Heuristikheuretikos (gr.): erfinderischheuriskein (gr.): finden


40

Evolutionäre Algorithmen

Der Beutelteufel ist das größte heute noch lebende fleischfressende Beuteltier.

Der Beutelwolf (Thylacinuscynocephalus), auch Tasmanischer Wolf, Beuteltiger oder Tasmanischer Tigergenannt, war das größte fleischfressende Beuteltier, das in geschichtlicher Zeit auf dem gesamten australischen Kontinent lebte. Das letzte bekannte Exemplar starb 1936.


41

Untere Schranken

1 2 3

34

33

76 7

8 10

4 5 6

SchrankeKosten = 13

LösungKosten = 17

Garantie4/17=23%4/13=30%

Eine "Relaxierung"

11 12 13 14 15 16 17 18 19 20 21 22

Lösung (obere Schranke)Untere Schranke Dualitätslücke


42

Optimallösung

OptimumKosten = 15

5 4 0

34

33

76 7

8 10

7 8 9

Ankunft

Abfahrt

Das "primale Problem"Minimalkosten-Zuordnung

Das "duale Problem"Maximale Verkaufserlöse


43

Kombinatorische Algorithmen

0 0 033

443

3

33 7

7

66

77 8

81010

0 0 0

Der "Successive-shortest-path"-Algorithmus


44


0 0 033

443

3

33 7

7

66

77 8

81010

0 0 0

SchrankeKosten: 0TeillösungKosten: 0

00 0 0

000



45


0 0 030

403

0

30 7

4

62

74 8

5106

0 0 0


00 0 0

000

+3 +4+3

+0 +0 +0



46


0 0 030

40-3

0

30 7

4

62

74 8

5106

3 3 4


00 0 0

000



47


0 0 030

40-3

0

30 7

4

62

74 8

5106

3 3 4


00 0 0

000

+0 +0+0

+0 +0 +0



48


0 0 0-30

403

0

-30 7

4

62

74 8

5106

3 3 4


00 0 0

000



49


0 0 0-30

403

0

-30 7

4

62

74 8

5106

3 3 4


00 0 0

000

+5 +5+4

+5 +4 +0



50


5 4 030

-403

1

-30 7

3

61

70 -8

0101

7 8 9


00 0 0

000



51


5 4 030

403

1

30 7

3

61

70 8

0101

7 8 9

SchrankeKosten: 15Solution

Kosten: 15Garantie: 0%

(Optimal)

Satz: Das Zuordnungsproblem kann in polynomialer Zeit von O(n3) gelöst werden.


52

Ein ähnliches Problem …

2

1

3

1 2 3

34

33

76 7

8 10

1 2 3

3

4 3

37

6

810 7

Zuordnung = Nachfolgersuche: polnomial

Zuordnung ohne Kreise = TSP: NP-schwer


53

Ein ähnliches Problem …

2

1

3

1 2 3

34

33

76 7

8 10

1 2 3

3

4 3

37

6

810 7

Zuordnung = Nachfolgersuche: polnomial

Zuordnung ohne Kreise = TSP: NP-schwer


54

Ein- und Mehrdepotplanung

1

1

2

2

3

3

D

D

4

4

1

1

2

2

3

3

D

D

4

4

D D 1 2 3

D D 1 2 3

4

4

D D 1 2 3

D D 1 2 3

4

4


55

Mathematische Modelle

1 2 3

34

33

76 7

8 10

4 5

14 15 16

24 25 26

34 35 36

14 15 16

24 25 26

34 35 36

14 24 34

15 25 35

16 26 36

14 36

14 36

min 3 3 43 7 67 8 10

s.t. 111111

, , 0, , {0,1}

+ ++ + ++ + +

+ + =+ + =+ + =+ + =+ + =+ + =

≥∈

K

K

x x xx x xx x xx x xx x xx x xx x xx x xx x xx xx x

6

Graphentheoretisches Modell

Algebraisches Modell"Ganzzahliges Programm"


56

Mathematische Modelle14 15 16

24 25 26

34 35 36

14 15 16

24 25 26

34 35 36

14 24 34

15 25 35

16 26 36

14 36

14 36

min 3 3 43 7 67 8 10

s.t. 111111

, , 0, , 1

+ ++ + ++ + +

+ + =+ + =+ + =+ + =+ + =+ + =

≥≤

K

K


14 15 16

24 25 26

34 35 36

14 15 16

24 25 26

34 35 36

14 24 34

15 25 35

16 26 36

14 36

14 36

min 3 3 43 7 67 8 10

s.t. 111111

, , 0, , {0,1}

+ ++ + ++ + +

+ + =+ + =+ + =+ + =+ + =+ + =

≥∈

K

K


Ganzzahliges Programm Lineares Programm"LP-Relaxierung"


57

Mathematische Modelle14 15 16

24 25 26

34 35 36

14 15 16

24 25 26

34 35 36

14 24 34

15 25 35

16 26 36

14 36

14 36

min 3 3 43 7 67 8 10

s.t. 111111

, , 0, , 1

+ ++ + ++ + +

+ + =+ + =+ + =+ + =+ + =+ + =

≥≤

K

K


15 16 15 16

24 25 26

34 35 36

15 16 14

24 25 26

34 35 36

15 16 24 34

15 25 35

16 26 36

15 16 36

15 16 36

min 3(1 ) 3 43 7 67 8 10

s.t. 111

1 111

1 , , 01 , , 1

− − + ++ + ++ + +

− − =+ + =+ + =

− − + + =+ + =+ + =

− − ≥− − ≤

K

K

x x x xx x xx x x

x x xx x xx x x

x x x xx x xx x x

x x xx x x

Lineares Programm"LP-Relaxierung"

Eliminiere x14


58


25 26 35 36

25 26 35 36

25 26

35 36

25 26 35 36

min 4 2 1 2 14s.t. 1

11

, , , 0

+ + + ++ + + ≥+ ≤

+ ≤≥

x x x xx x x xx x

x xx x x x

26 35

26 35

26

35

26 35

min 2 1 14s.t. 1

11

, 0

+ ++ ≥

≤≤≥

x xx xx

xx x

Eliminiere x25, x36Eliminiere x14, x15, x16, x24, x34


59


x35+x36

26 35

26 35

26

35

26 35

min 2 1 14s.t. 1

11

, 0

+ ++ ≥

≤≤≥

x xx xx

xx x

Polyeder

x25+x26

"Polyeder"Lineares Programm"LP-Relaxierung"


60


x35+x36

Polyeder1 2 3

34

33

76 7

8 10

1 2 3

1 2 3

34

33

76 7

8 10

4 5 6 x25+x26

"Polyeder"x35=1x24=1x16=1


61

Lineare Programmierung

Min x1 + 2x2

x1 + x2 ≥ 2

x1 - x2 ≤ 1

x2 ≤ 3

x1 ≥ 0

x2 ≥ 0

x1

x2

Polyeder

Simplex-Algorithmus


62

Ganzzahlige Programmierung

Min x1 + 2x2

x1 + x2 ≥ 2

x1 - x2 ≤ 1

x2 ≤ 3

x1 ≥ 0

x2 ≥ 0

x1, x2 ganzz. x1

x2

Branch-and-Bound

x1 ≥ 2x1 ≤ 1

Polyeder


63

Lineare Programmierung 1987-2000(Bixby, Solving Real-World Linear Programs: A Decade and More of Progress. Oper. Res. 50(1) 3-15, 2002)

Hardware

Software

"A Model that might have taken a year to solve 10 years ago, can now solvein less than 10 seconds."

Alter Computer Neuer Computer Speedup

Sun 3/50 Pentium 4, 1.7 GHz 800

Sun 3/50 Compaq Server ES 40, 667 MHz 900

Intel 386, 25 MHz Compaq Server ES 40, 667 MHz 400

IBM 3090/108S Compaq Server ES 40, 667 MHz 45

Alter Code Neuer Code Geschätzter Speedup

XMP Cplex 1.0 4,7

Cplex 1.0 Cplex 5.0 22,0

Cplex 5.0 Cplex 7.1 3,7

XMP Cplex 7.1 960


64

BVG (Berlin)


65

Sensitivitätsanalyse

=


66


=


67



68

Fahrtenplanung ohne Fahrplan

=


69

Fahrtenplanung ohne Fahrplan


70

Ziele der Vorlesung

CostRecovery


Netw



Timetable


Relief Points

Duties

Duty

Mix

RosteringFairness

Crew Assignm

entD

isruptionsO

perationsControl




71

Leuthardt Studie(Leuthardt 1998, Kostenstrukturen von Stadt-, Überland- und Reisebussen, DER NAHVERKEHR 6/98, S. 19-23.)

Kosten (DM) städtisch % regional

73,5 195 000

30 000

12 900

10 000

18 000

5 000

18 000

288 900

7,4

3,2

2,9

4,7

1,0

7,1

100,0

Personal

Abschreibung

Kalkulatorischer Zins

Material

Treibstoff

Instandsetzung

Sonstige Kosten 34 000 7,2

Summe

%

349 600 67,5

35 400 10,4

15 300 4,5

14 000 3,5

22 200 6,2

5 000 1,7

475 500 100,0


72

Effizienz

=


73

Effizienz

=


74

Regionalplanung


75

Regionalplanung


76

Regionalplanung

=


77

Regionalplanung

=


78

IntegrationUmlaufplanung

Kombinierte Planung

Dienstplanung (Uml. fix.)

Integrierte Planung


79

Ziele der Vorlesung

CostRecovery


Netw



Timetable


Relief Points

Duties

Duty

Mix

RosteringFairness

Crew Assignm

entD

isruptionsO

perationsControl




80

Ziele der Veranstaltung

VorlesungPraxisnahe Verkehrsplanung

Modellieren

Aktuelle Theorie

Leistungsfähige Algorithmen

ÜbungSelber ausprobieren

ScheinPräsenzübungen (+ ggf. Rücksprache)


81

Organisatorisches

ÜbungCa. jede 4. Veranstaltung

Ort (Hörsaal/Pool) und Zeit wird vorher angekündigt

MaterialÜbungen, Folien, Skript (Teile) auf der Homepage

KenntnisseGrundkenntnisse in Kombinatorischer Optimierung

Lineare Optimierung kann parallel in ADM 2 gelernt werden


82


Operative Planung

Angebotsplanung• Preis/Linienplanung

• Fahrplanung

Betriebsleitung


83


Operative Planung• 8.1.-13.2.

Angebotsplanung• Fahrplanung: 17.10.-21.11.

• Preisplanung: 6./7.11.

• Linienplanung: 27.11.-19.12.

Betriebsleitung


84

Viel Spaß!

Ralf Borndö[email protected]

Christian [email protected]

Marc [email protected]

Homepagewww.zib.de/borndoerfer/Homepage/ws06-2.html

mailto:[email protected]




Ganzzahlige Optimierung im öffentlichen Verkehr

Documents

Transcript of Ganzzahlige Optimierung im öffentlichen Verkehr