Dienstplanoptimierung mit evolutionären Algorithmen

Zusammenfassung

Im Projekt OPUS („Optimierung und Planung bei U-Bahn-Systemen“) werden die Dienstpläne für das U-Bahn-Personal der Hamburger Hochbahn AG mit Hilfe evolutionärer Algorithmen optimiert. Ausgangsbasis bilden die Fahrzeugumläufe, die in der vorausgehenden Umlaufplanung gebildet worden sind, und die vom Bediener vorgegebenen Anforderungen an stationäre Tätigkeiten wie z. B. Verschiebedienste. Diese werden von der Dienstplanung so mit Diensten besetzt, daß die Zugfahrer die durch den Turnus vorgegebene Reihenfolge von Schichtzeiten und freien Tagen einhalten, die erforderlichen Vor/Nachbereitungs-, Ablösungs-, Pausen- und Nachtruhezeiten gewährt werden, die Wohngebiete der Zugfahrer berücksichtigt werden, Ortswechsel im Dienst mit planmäßigen U-Bahn-Fahrten durchgeführt werden können und eine Reihe weiterer betrieblicher, tarifvertraglicher und sonstiger Randbedingungen erfüllt wird. Ziel der Optimierung ist dabei, daß die betrieblich nicht erforderlichen Tätigkeiten der Zugfahrer minimiert werden.

Das Verfahren erzeugt zunächst eine Ausgangsstellung, die noch viele Leerzeiten enthält und Randbedingungen verletzt. Die Ausgangsstellung wird durch schrittweise Mutation und Selektion verbessert, bis eine hinreichend optimale Lösung erzeugt ist. Durch geschickte Steuerung der Bewertung während der Optimierung wird erreicht, daß der Algorithmus sukzessive sowohl die Einhaltung der Randbedingungen erzwingt als auch die in den Dienstplänen enthaltenen Leerzeiten minimiert. Die erzeugten Dienstpläne können nach einem Optimierungslauf interaktiv modifiziert, aufgelöst und ggf. weiteroptimiert werden.

Summary

In the OPUS project evolutionary algorithms are used to optimize schedules for the personnel of the Hamburg subway. We start with the given train schedules and location-dependent tasks. Services are added to these schedules, so that the train-drivers can keep to the given sequence of shifts and days off duty, including the required times for preparation, relief work and breaks. We also consider the train-drivers’ place of residence and whether they can use regular subway trains to move between duties at different locations. The optimization goal is to minimize the number of unwanted activities.

Our method first creates an initial position that contains a lot of unallocated time and violates many constraints. This initial position is improved on by gradual mutation and selection until an optimal solution is found. Intelligent control of the evaluation function guarantees that the algorithm forces the observance of all constraints and minimizes the unallocated time. After an optimization run, the generated schedules can be broken up and modified interactively. Any remaining tasks and jobs can then be optimized in another run of the program.