Deep Learning beschleunigt Multi-Start LNS für Echtzeit-Freight-Bundling

Online Freight Exchange Systeme (OFEX) sind das Herzstück moderner Logistik, indem sie Versender und Frachtführer in Echtzeit zusammenbringen. Ein entscheidender Engpass bleibt jedoch die effiziente Bündelung von Transportaufträgen, die gleichzeitig mehrere Kapazitäts-, Präzedenz- und Routenlängenbeschränkungen erfüllen muss.

Die Autoren modellieren dieses Problem als ein Mehrwertkommoditäten‑Ein‑zu‑Ein‑Abhol‑ und Liefer‑Selektives Reiseverkaufspersonenproblem (m1‑PDSTSP). Ziel ist es, die Einnahmen durch intelligente Bündelung zu maximieren, während die genannten Vorgaben strikt eingehalten werden.

Zur Lösung schlagen sie einen lernbasierten Hybrid‑Suchprozess vor. Ein Transformer‑Neuronales Netzwerk erzeugt zunächst eine schnelle, qualitativ hochwertige Bau‑Policy, die ein Ausgangspaket liefert. Anschließend wird ein innovatives Multi‑Start‑Großes‑Nachbarschaftssuchverfahren (MSLNS) eingesetzt, das innerhalb eines kurzen Zeitrahmens die Lösung iterativ verbessert. Der gesamte Ablauf erfolgt in einem rollenden Horizontschema: Der aktuelle Markt wird in ein statisches Momentaufnahme‑Modell überführt, das dann unter einem strengen Zeitbudget optimiert wird.

Die Kombination aus der niedrigen Latenz des lernbasierten Konstruktoren und der Robustheit des LNS ermöglicht es, die Lösungsraum‑Erkundung effizient zu steuern. Durch den Multi‑Start‑Ansatz und gezielte Startpunkte wird die Suche weiter beschleunigt.

In umfangreichen Benchmarks übertrifft die Methode die führenden neuronalen Kombinatorik‑Optimierungs‑ und Metaheuristik‑Baselines in der Lösungsqualität bei vergleichbarer Laufzeit. Die Optimalitätslücke liegt unter 2 % des bestmöglichen exakten Referenzwerts – ein bislang unerreichtes Ergebnis in diesem Anwendungsbereich.