Das tiefe Ende des Werkzeugkastens.
Jede Karte hier ist eine methodische Fähigkeit, die wir geleitet, mitverfasst oder betreut haben. Manches wurde in begutachteten Journals publiziert, anderes als technischer Bericht verfasst. Das meiste hat den vorherigen Stand der Technik um Grössenordnungen verbessert. Wenn die Entscheidung beweisbar gut sein muss, ist das die Forschungsbasis, aus der wir schöpfen.
Exaktes Choice-Based Pricing, bis zu 1,67 Millionen Mal schneller als die MILP-Baseline
Wir haben drei exakte Algorithmen für kontinuierliches Pricing unter jedem fortgeschrittenen Discrete-Choice-Modell (Mixed Logit, Nested Logit, Probit, alles mit linear-in-Preis-Nutzen) entwickelt: ein räumliches Branch-and-Bound, eine Branch-and-Benders-Dekompositions-Variante und einen polynomialen Breakpoint Exact Algorithm. Auf dem Standard-Parking-Pricing-Benchmark mit Mixed-Logit-Nachfrage löst der BEA 1’000’000 Nachfrageszenarien in 77 Sekunden — eine 1,67-Millionen-fache Beschleunigung gegenüber Gurobis MILP und eine 300×-Beschleunigung gegenüber CoBiT, dem bisherigen ML-spezifischen Stand der Technik. Publiziert in OR Spectrum.
Eine Pricing-Heuristik mit <0,2 % Optimalitätslücke und bis zu 37 Mio. × Beschleunigung gegenüber dem Stand der Technik
Wir haben den Breakpoint Heuristic Algorithm und seine Iterated-Local-Search-Erweiterung vorgestellt: eine schnelle, skalierbare Heuristik für das kapazitierte choice-basierte Pricing-Problem, die eine durchschnittliche Optimalitätslücke unter 0,2 % auf Benchmarks liefert, bei denen jede exakte Methode ins Zeitlimit läuft. Gegenüber dem bisherigen kapazitierten Stand der Technik (LAG) mindestens 79× schneller. Gegenüber dem bisherigen Mixed-Logit-spezifischen Stand der Technik (CoBiT) bis zu 37 Millionen × schneller — während die ILS-Erweiterung jedes bekannte Optimum trifft. Open Access publiziert in Computers & Operations Research.
BHAMSLE: +17,2 % Log-Likelihood-Gewinn auf London-Mode-Choice-Mischung, in halber Laufzeit von Multistart-Biogeme
Wir haben den in unserer OR-Spectrum-Pricing-Arbeit entwickelten Breakpoint Heuristic Algorithm auf Maximum Simulated Likelihood Estimation fortgeschrittener Discrete-Choice-Modelle mit Latent Classes und kontinuierlichen Mischungen adaptiert. Auf der London-Mode-Choice-Discrete-Continuous-Mischung erreicht BHAMSLE-initialisiertes Biogeme eine um 17,2 % bessere Log-Likelihood als die Default-Initialisierung (LL = −243,68 vs. −294,38), in rund der Hälfte der Wall-Clock-Zeit, die Multistart-Biogeme mit 20 Restarts benötigt, um dieselbe Qualität zu erreichen. Eingereicht bei Elsevier.
Ein dezentralisierter Standortwahl-Optimierer, der 11× mehr Szenarien als das Lehrbuch-MILP löst
Wir haben das Design eines dezentralisierten kapazitierten Standortwahl-Optimierers betreut, der fortgeschrittene Discrete-Choice-Nachfrage direkt ins MILP integriert, mit Kapazität über exogene Prioritätswarteschlangen behandelt. Auf dem echten Dresdener Gymnasial-Standort-Datensatz löst die Progressive-Scenario-Expansion-Methode Instanzen von 14 Schulen × 558 Schülern × 110 Szenarien innerhalb eines 24-Stunden-Limits — wo das Lehrbuch-MILP über 10 Szenarien hinaus ins Stocken gerät. Mit der vollen Feature-Stack (Prioritäts-Ungleichungen + vollständiger Warmstart + Extended-Entropy-Ordering) schlägt PSE seine Basis-Konfiguration um bis zu 95 % und das RAW-MILP um 28 % auf Fällen, die beide lösen können.
Optimierung elektrischer autonomer Ride-Sharing-Flotten, 31× schneller als die publizierte Branch-and-Price-Baseline mit bis zu 11× engeren Lücken
Wir haben das Design einer ereignisbasierten gemischt-ganzzahligen Formulierung für das elektrische autonome Dial-A-Ride-Problem betreut, die die publizierte Branch-and-Price-Baseline von Su (2023) durchschnittlich um 31× in Laufzeit und 11× in Optimalitätslücke auf harten Instanzen schlägt. Die begleitende Adaptive Large Neighborhood Search bietet einen Deployment-Pfad: 10× schneller als die exakte Methode bei weniger als 1 % Verlust im Zielfunktionswert. Auf der grössten Benchmark-Instanz (r8-96, 96 Nutzer, 8 Fahrzeuge) findet die ALNS in 9× weniger Zeit eine bessere Lösung als die exakte Methode.
Gemeinsame Mode-und-Ziel-Choice-Sets, jetzt live in der OASIS-Pipeline der EPFL
Wir haben den ersten Choice-Set-Generator mitverfasst, der die Mode/Ziel-Kopplung gemeinsam behandelt, und liefern einen geschlossen-formigen Bias-Korrekturterm, den jeder aktivitätsbasierte-Modell-Schätzer einspielen kann. Heute der Choice-Set-Generierungs-Baustein der OASIS-aktivitätsbasierten-Modellierungs-Pipeline an der EPFL Transp-OR.
Wenn Constraint Programming MILP schlägt
Wir haben einen Kopf-an-Kopf-Benchmark zwischen Constraint Programming und der dominanten MILP-Formulierung für aktivitätsbasiertes Scheduling mitbetreut, und CP-Varianten gebaut, die das Problem bei 5-Aktivitäts-Instanzen 750× schneller lösen. Die tiefere Lektion: Nicht jedes Optimierungsproblem verdient denselben Hammer.