Wie schicke ich 50 Lkw so los, dass sie alle Kunden optimal beliefern? Schon bei 20 Kunden gibt es mehr mögliche Routen als Atome im Universum. Fügen wir jetzt noch entsprechende Variablen aus unserer Umwelt hinzu (Störungen, Engpässe, …) entstehen Zahlen außerhalb unserer Vorstellungskraft.
In diesen Fällen sprechen wir von NP-harten Problemen, ein Begriff aus der Informatik: „Nondeterministic Polynominal time“. Heißt: Ob die Lösung korrekt ist, lässt sich schnell überprüfen, aber die Lösung zu berechnen dauert sehr lange. Deshalb spricht man von unlösbaren Problemen. Bisher waren lediglich Annäherungslösungen durch Vereinfachungen möglich.
Klassische Fragestellungen aus der Logistik sind Routenplanung, Travelling Salesman Problem, Lagerplatzoptimierung, Kommissionierpfade oder das Supply Chain Netzwerkdesign.
Alte Probleme, aber wir haben mit multisystemischen Ansätzen, auf Basis von Hightech und unter Einbezug von Daten endlich Möglichkeiten effiziente, nachhaltige und resiliente Lösungen zu finden.
In Zukunft wird Quanten Computing dabei eine zentrale Rolle spielen. Auch wenn Quanten Computer heute noch nicht produktiv einsetzbar sind, so versprechen bestimmte Algorithmen, wie Quantum Annealing und die parallelisierten Rechenprozesse (Superposition) eine Lösung für die Zukunft.
Auf dem Weg dahin, können neue Formen des Computings, wie photonisches Rechnen mit Licht statt Elektronen oder neuromorphes Rechnen orientiert am menschlichen Nervensystem, Optimierungsprobleme schneller lösen, KI-Modelle effizienter ausführen und hybride Architekturen ermöglichen.
Auch AI-Agents – Systeme, die autonom planen, lernen und handeln – können auf dem Weg die Lösungsfindung beschleunigen und autonomisieren. In Kombination mit Reinforcement Learning, Neuronal Networks und Deep-Learning können nahezu optimale Lösungen in einem Bruchteil der Zeit klassischer Verfahren gefunden werden.
Selbst die Integration von TinyML-Elementen kann zur Lösung NP-harter Probleme beitragen. An der richtigen Stelle eingesetzt, können sie irrelevante Lösungswege frühzeitig ausschließen, Daten vor filtern und so den Suchraum enorm verkleinern. Die Optimierungsschritte werden hier zwar nur lokal durchgeführt, in der Kombination mehrerer lokaler Elemente entsteht aber ein Netzwerk als Optimierungs- und Eingrenzungsgrundlage.