Ansaetze Kuenstlicher Neuronaler Netze zur Loesung von Tourenplanungsproblemen

Künstliche Neuronale Netze (KNN) sind ein vielversprechender Methodenkomplex, der in den letzten Jahren auch im Bereich des Operations Research zunehmend an Bedeutung gewonnen hat. Die bisher entwickelten neuronalen Optimierungsverfahren befassen sich fast ausschließlich mit dem Travelling Salesman Problem (TSP) als Referenzbeispiel. Nach einer Einführung in die Theorie der KNN wird, als Ergebnis einer Literaturstudie, der «State of the Art» der bisherigen neuronalen Algorithmen zur Lösung des TSP dargestellt. Durch die Weiterentwicklung dieser Ansätze zur Lösung ausgewählter Tourenplanungsprobleme gelingt eine Verallgemeinerung der TSP-Algorithmen. Im Rahmen einer komparativen empirischen Untersuchung werden Leistungsfähigkeit, Flexibilität und Grenzen der neuen neuronalen Verfahren gegenüber konventionellen Algorithmen nachgewiesen.

Kunstliche Neuronale Netze (KNN) sind ein vielversprechender Methodenkomplex, der in den letzten Jahren auch im Bereich des Operations Research zunehmend an Bedeutung gewonnen hat. Die bisher entwickelten neuronalen Optimierungsverfahren befassen sich fast ausschlielich mit dem Travelling Salesman Problem (TSP) als Referenzbeispiel. Nach einer Einfuhrung in die Theorie der KNN wird, als Ergebnis einer Literaturstudie, der «State of the Art» der bisherigen neuronalen Algorithmen zur Losung des TSP dargestellt. Durch die Weiterentwicklung dieser Ansatze zur Losung ausgewahlter Tourenplanungsprobleme gelingt eine Verallgemeinerung der TSP-Algorithmen. Im Rahmen einer komparativen empirischen Untersuchung werden Leistungsfahigkeit, Flexibilitat und Grenzen der neuen neuronalen Verfahren gegenuber konventionellen Algorithmen nachgewiesen.