Smart routes: a system for development and comparison of algorithms for solving vehicle routing problems with realistic constraints

Stellen Sie sich vor, Sie sind der Kapitän einer Lieferflotte und haben die Aufgabe, hunderte von Paketen in einer belebten Stadt auszuliefern. Sie haben eine Karte, eine Liste von Kunden und ein strenges Regelwerk: Ihre LKWs können nur eine bestimmte Menge an Gewicht transportieren, und einige Kunden möchten ihre Pakete nur zwischen 9:00 Uhr und 11:00 Uhr erhalten. Ihr Ziel ist einfach: Jeden besuchen, die Regeln befolgen und so wenig Zeit und Treibstoff wie möglich verbrauchen. Dies ist das „Vehicle Routing Problem“ (Fahrzeugrouting-Problem), ein klassisches Rätsel, das Logistikunternehmen und Mathematiker seit Jahrzehnten beschäftigt.

Jahrelang haben Wissenschaftler versucht, dies mit zwei Hauptwerkzeugen zu lösen. Das erste ist der „Perfekte Rechner“, eine Methode, die versucht, jede einzelne mögliche Route zu prüfen, um die absolut beste zu finden. Es ist, als würde man versuchen, jedes einzelne Gericht in einem riesigen Buffet zu probieren, um den einen perfekten Bissen zu finden. Das funktioniert bei kleinen Mahlzeiten großartig, aber wenn das Buffet zu groß wird, werdet ihr hungrig bleiben, noch bevor ihr fertig seid. Das zweite Werkzeug ist die „Kluge Vermutung“ oder Heuristik. Dies ist wie ein erfahrener Koch, der die Küche gut kennt; er probiert nicht jedes Gericht, sondern nutzt Erfahrung und schnelle Tricks, um sehr schnell eine köstliche Mahlzeit zu finden. Vor kurane Zeit ist ein neuer Kontender in den Ring getreten: „Deep Learning“. Denken Sie an einen Roboter-Koch, der tausende Kochvideos schaut, Muster lernt und dann versucht, die beste Route sofort zu erraten – wobei er immer besser wird, je mehr er übt.

Dieses Papier mit dem Titel „Smart Routes“ ist ein Kopf-an-Kopf-Turnier zwischen diesen drei Köchen. Die Autoren haben einen neuen digitalen Spielplatz namens „Smart Routes“ gebaut, um sie fair zu testen. Sie haben nicht nur kleine, einfache Rätsel betrachtet; sie haben die Algorithmen an Problemen mit 50 und 100 Stopps getestet, was einem Wechsel von einem kleinen Stadtviertel zu einer ganzen Stadt entspricht. Sie wollten sehen, wer die schnellste Route findet, ohne die Regeln des Spiels zu brechen.

Das große Rennen: Perfekt vs. Schnell vs. Klug

Die Forscher haben ein Rennen unter Verwendung ihrer neuen „Smart Routes“-Plattform auf die Beine gestellt. Diese Plattform ist wie ein universeller Testplatz, auf dem Sie jeden beliebigen Algorithmus einstecken können – egal, ob es sich um einen klassischen mathematischen Trick, einen leistungsstarken Computer-Solver oder einen lernenden Roboter handelt – und dabei zusehen, wie er läuft. Sie haben drei Haupttypen von Wettbewerbern getestet:

1. Der Exakte Solver (SCIP): Der „Perfekte Rechner“, der die bestmögliche Antwort verspricht, aber lange braucht.
2. Die Klassischen Heuristiken (LKH, 2-OPT, 3-OPT, OR-Tools): Die „Klugen Vermuter“, die kluge Abkürzungen nutzen, um schnell gute Antworten zu finden.
3. Das Deep Learning Modell (JAMPR): Der „Roboter-Koch“, der darauf trainiert wurde, Muster zu lernen und schnelle, hochwertige Vermutungen anzustellen.

Sie ließen diese Wettbewerber zwei Arten von Herausforderungen bestreiten: einer kleineren Stadt mit 50 Lieferstopps und einer größeren Stadt mit 100 Stopps. Sie gaben dem „Perfekten Rechner“ einen massiven Zeitvorsprung (1.000 Sekunden für die kleine Stadt und 2.000 Sekunden für die große), da er intensiv nachdenken muss. Die anderen erhielten viel weniger Zeit (100 bzw. 200 Sekunden).

Die Ergebnisse: Geschwindigkeit gewinnt, aber Größe zählt

Die 50-Stopp-Herausforderung (Die kleine Stadt)
In der kleineren Stadt war das Rennen überraschend knapp. Der „Perfekte Rechner“ (SCIP) fand schließlich die absolut beste Route, aber es dauerte lange, bis er so weit war. Unterdessen fanden die „Klugen Vermuter“ und der „Roboter-Koch“ Routen, die fast genauso gut waren – nur etwa 5 % schlechter als die perfekte Route –, aber sie taten dies in einem Bruchteil der Zeit.

• Das Fazit: Für kleinere Probleme müssen Sie nicht auf die perfekte Antwort warten. Die schnellen Methoden sind so nah am Optimum, dass sie ein viel besseres Angebot darstellen, da sie Ihnen Stunden des Wartens ersparen.

Die 100-Stopp-Herausforderung (Die große Stadt)
Als sich die Stadt auf 100 Stopps verdoppelte, änderten sich die Regeln des Spiels dramatisch. Der „Perfekte Rechner“ begann zu kämpfen. Er brauchte etwa 13-mal länger, um überhaupt seine erste gültige Route zu finden, verglichen mit den anderen Methoden. Schlimmer noch: Bis er schließlich eine Route gefunden hatte, war diese Route etwa 50 % teurer (länger und langsamer) als die Routen, die vom „Roboter-Koch“ und den „Klugen Vermutern“ sofort gefunden wurden.

• **Das Faz: Wenn die Stadt größer wird, wird der „Perfekte Rechner“ zu langsam, um nützlich zu sein. Er verbringt so viel Zeit mit der Suche, dass er nicht einmal eine gute Lösung innerhalb der Zeit findet. Der „Roboter-Koch“ (JAMPR) und die fortgeschrittenen „Klugen Vermuter“ (wie OR-Tools) blieben schnell und fanden hochwertige Routen, was bewies, dass bei großen Problemen Geschwindigkeit und kluge Vermutungen die Suche nach Perfektion schlagen.

Das Urteil

Das Papier kommt zu dem Schluss, dass der „Perfekte Rechner“ zwar großartig für kleine Rätsel ist, aber an eine Wand stößt, wenn das Problem zu groß wird. Die „Smart Routes“-Plattform hat gezeigt, dass es bei realistischen, groß angelegten Lieferproblemen (wie 100 Stopps) oft eine schlechte Idee ist, sich auf exakte, perfekte Lösungen zu verlassen, da sie zu lange dauern und nicht einmal eine großartige Lösung garantieren können.

Stattdessen schlagen die Autoren vor, dass eine Mischung aus klassischen Heuristiken (den erfahrenen Abkürzungen) und Deep Learning (dem trainierten Roboter) die Gewinnstrategie ist. Diese Methoden können Routen finden, die fast so gut wie die perfekten sind, aber sie tun dies so schnell, dass sie im realen Logistikalltag tatsächlich nützlich sind. Das „Smart Routes“-System selbst wird als wertvolles Werkzeug hervorgehoben, da es jedem ermöglicht, diese verschiedenen Methoden einfach zu testen, die Routen auf einer Karte zu visualisieren und sogar eigene neue Ideen einzubringen, ohne das gesamte System neu bauen zu müssen.

Kurz gesagt: Wenn Sie versuchen, Pakete in einer wachsenden Stadt auszuliefern, warten Sie nicht auf den perfekten Plan. Nutzen Sie die klugen, schnellen Werkzeuge, die aus Erfahrung lernen, denn in der realen Welt ist eine gute Route, die jetzt gefunden wird, besser als eine perfekte Route, die erst nächste Woche gefunden wird.