Simulationsbasierte Analyse der Reduktion von Transportkosten im Straßengüterverkehr mithilfe von deep reinforcement learning

Simulation-based analysis of transportation cost reduction in road freight transport using deep reinforcement learning

Masterarbeit

Motivation

Stetig steigender Wettbewerbsdruck und Kosten für negative Externalitäten zwingen Transportunternehmen dazu, stetig neue und effizientere Technologien einzuführen. Eine Möglichkeit, Transportkosten zu senken, ist es, mithilfe von Verfahren wie deep reinforcement learning (DRL) autonom entscheidende Lkw darauf zu trainieren, stets die Kosten günstigste Route zum Kunden zu wählen. Ziel der Arbeit ist es, ein Simulationsmodell aufzubauen, bei dem ein geeigneter Algorithmus aus dem Bereich des DRL ausgewählt wird, in ein agentenbasiertes Simulationsmodell eingebaut und die Transportkosten mithilfe des entwickelten Modells minimiert werden.

Zur Bearbeitung dieser Arbeit sind Kenntnisse aus dem Bereich des DRL und in der Programmiersprache Java zwingend erforderlich!

Literatur

Gutenschwager, K., Rabe, M., Spieckermann, S., & Wenzel, S. (2017). Simulation in Produktion und Logistik. Springer Berlin Heidelberg.

Borshchev, A. (2013). The big book of simulation modeling: multimethod modeling with AnyLogic 6.

Wittenbrink, P. (2014). Transportmanagement: Kostenoptimierung, Green Logistics und Herausforderungen an der Schnittstelle Rampe. Springer-Verlag.

Farazi, N. P., Zou, B., Ahamed, T., & Barua, L. (2021). Deep reinforcement learning in transportation research: A review. Transportation research interdisciplinary perspectives, 11, 100425.

Rahmenbedingungen

Bei Interesse an der Abschlussarbeit schicken Sie bitte einen aktuellen Leistungsspiegel an (Verlinken: roeper@log.tu-darmstadt.de). In einem persönlichen Gespräch können die Modalitäten und der Fokus der Arbeit entsprechend der persönlichen Präferenzen besprochen werden.