Wissenschaftsbasierte Optimierungsverfahren für Entscheidungen

17 Doktorand_innen aus österreichischen und weiteren europäischen Universitäten nahmen von 22. bis 26. Juli 2024 an der 3. Summer School teil, die von der Österreichischen Gesellschaft für Operations Research an der Universität für Weiterbildung Krems durchgeführt wurde. Operations Research verwendet mathematische Modelle, statistische Verfahren, Machine Learning und Optimierungstechniken, um komplexe Entscheidungsprobleme in Wirtschaft, Technik und anderen Bereichen zu lösen.

Welche Route verbindet beispielsweise Krankenhäuser, Apotheken und Arztpraxen auf dem kürzesten Weg? Wo muss ich Standorte errichten, damit so gut wie alle Menschen im Einzugsgebiet innerhalb einer bestimmten Zeit dort ankommen können? Wie sollen Schichtpläne erstellt werden, um eine optimale Verteilung von Personalressourcen zu gewährleisten? Das sind klassische Fragestellungen der mathematischen Optimierung, wie sie auch im Operations Management behandelt werden, ebenso wie Fragen aus den Bereichen Projekt-, Produktions- und Investitionsplanung.

Bei der dritten ÖGOR-Summer School, die gemeinsam mit dem Department für Wirtschaft und Gesundheit an der Universität für Weiterbildung Krems durchgeführt wurde, stellten zwei führende Forscher ihrer Bereiche aktuelle Methoden vor: Univ.-Prof. Dr. Timo Gschwind von der Rheinland-Pfälzischen Technischen Universität Kaiserslautern-Landau und Univ.-Prof. Dr. Maximilian Schiffer von der TU München.

Vermittlung aktueller fachlicher Entwicklungen

Timo Gschwind referierte zum Thema „column generation“. Dabei handelt es sich um ein Verfahren, das es ermöglicht, extrem große Planungsprobleme effizient durch Optimierungsverfahren zu lösen. Der Kurs zielte darauf ab, neben den theoretischen Grundlagen gleichermaßen anwendungsbereites Wissen für den Entwurf und die Implementierung von CG-Ansätzen zu schaffen.

„Combinatorial optimization augmented machine learning for contextual multi-stage problems“ war das Thema von Maximilian Schiffer. Bei diesem neuartigen Ansatz werden klassische Optimierungsverfahren in Machine-Learning-Algorithmen integriert, um das effiziente algorithmische Lernen von Entscheidungsproblemen aus dem Bereich Operations Research zu ermöglichen. Ein hochkomplexes Anwendungsbeispiel war Tourenplanung (vehicle routing) mit einem Fuhrpark bestehend aus unterschiedlichen Fahrzeugtypen unter Berücksichtigung von Zeitfenstern für die Auslieferung.

Die Teilnehmer_innen hatten auch die Gelegenheit, ihre Dissertationsvorhaben zu präsentieren. Dabei stellten sie vielversprechende Beiträge zur Fahrplanoptimierung, zum Vehicle Routing, zur optimalen Planung von Schneeräumung unter unsicheren Bedingungen, zur Zuschnittoptimierung in der Bauwirtschaft, zur optimalen Chemotherapie-Logistik und zur Standortplanung für Paket-Abholstationen vor.