Operations Research

Index

Vorwort

„Die Vorlesung ist gut und interessant – aber das Skript ist schlecht. Seit die studentische Veranstaltungskritik ins deutsche Hochschulwesen eingezogen ist, lesen wir diesen Vorwurf immer wieder schwarz auf weiß. Auch der Einwand, das „Skript sei ja gar keins, sondern nur die Sammlung der in der Vorlesung verwendeten Folien, die wir aus reiner Freundlichkeit im Internet bereit stellen, nützt da nur wenig. Der Verweis auf gedruckte Literatur ist oft problematisch – zu mathematisch, zu umfangreich oder auch zu oberflächlich stellt sich Manches dar.

So erscheint die Gelegenheit, im Rahmen des BWL-Crash-Kurses von UTB/UVK einmal alles aufzuschreiben, was in einer Vorlesung durch Folien und Vortrag vermittelt wird, sinnvoll zu sein für alle Beteiligten. Für die Studierenden, die nun endlich ihren Wunsch nach einer geschlossenen Darstellung der Themen erfüllt bekommen. Und auch für die Dozenten, die beim Formulieren der Zusammenhänge hinterfragen konnten, warum einige Verfahren des Operations Research in der Vorlesung bisher etwas mühsam rüberkamen; diese Überlegungen kommen sicher nicht nur dem Buch, sondern auch der Vorlesung zugute.

Operations Research ist sicherlich kein unzugängliches Thema im wirtschaftswissenschaftlichen Studium. Trotz der Ablehnung von mathematischen Vorgehensweisen, die manche Studierenden gern mal demonstrativ zur Schau stellen, kann die anwendungsorientierte Ausrichtung des Operations Research bei vielen genügend Interesse wecken, um auch mal etwas Methodisches auf sich zu nehmen. Unser Ansatz ist es, dies dem mehr oder weniger geneigten Leser nicht allzuschwer zu machen. So nutzen wir aus der Mathematik die Methodiken und Schreibweisen, aber nur so weit, wie es unbedingt nötig ist. Dort, wo man Verfahren auch sprachlich beschreiben kann, möchten wir nicht darauf verzichten. Den größten Teil dieses Buches sollte man daher mit durchschnittlichen mathematischen Kenntnissen aus der gymnasialen Oberstufe verstehen können; eine einführende Mathematik-Vorlesung, wie sie in jedem wirtschaftswissenschaftlichen Studium zu Beginn üblich ist, hilft dann beim Rest.

Die zentralen Themen des Operations Research wie Graphen und Optimierungsprobleme deckt das vorliegende Buch natürlich ab. Wenn wir in Randgebieten nicht weiter in die Tiefe gehen, sondern auf weiterführende Literatur verweisen, liegt das in der Natur eines „Crash-Kurses". Zur Abrundung der Thematik haben wir ein Kapitel über Spieltheorie angefügt. Die Beschäftigung mit diesem Bereich bringt für die betriebliche Entscheidungsfindung, der das Operations Research ja dient, sicher mehr als eine Vielzahl weiterer Optimierungsalgorithmen.

Dank gebührt zunächst einmal den ehemaligen und derzeitigen Studierenden der Wirtschaftsinformatik, die durch konstantes Nach- und Hinterfragen die Dozenten herausgefordert haben, die Themen verständlich und interessant zu vermitteln. Auch beim Aufdecken von Fehlern hat sich die jahrelange Erfahrung mit der Vorlesung gelohnt. Ein besonderer Dank geht an die Mitarbeiterinnen und Mitarbeiter, die in den letzten Jahren die Übungen zur Vorlesung betreut haben. Von jedem steckt irgendwo etwas im jetzt vorliegenden Text oder in den Aufgaben. Hervorheben möchten wir Dr. Ingolf Terveer, der mit vielen Anregungen und Details beigetragen hat.

Wir danken besonders Frau Dipl.-Kffr. Andrea Vogel, die uns als Lektorin gehörig angetrieben hat – ohne sie wäre dieses Buch vermutlich nie oder erst in einigen Jahren fertig geworden.

„Die Vorlesung ist gut und interessant – und mit dem Buch dazu eine runde Sache." Das hoffen wir in Zukunft auf den Fragebögen in Münster zu lesen. Und etwas Ähnliches steht vielleicht auch an anderen Hochschulen auf den Bögen; über positive wie konstruktive negative Rückmeldung würden wir uns freuen. (or-buch@kathoefer.de)

Münster, im August 2005Ulrich Kathöfer

Ulrich Müller-Funk

Vorwort zur 2. Auflage

Eine Reihe von Fehlern sind verschwunden – den Findern sei für die Mithilfe ganz herzlich gedankt. Wir haben die Gelegenheit genutzt, ein paar Formulierungen zu verbessern, Ungenauigkeiten auszuschalten, Klarheit einzubringen. Der Versuchung, den Umfang des Buches durch ein paar total wichtige Ergänzungen aufzublähen, konnten wir weitgehend widerstehen – das einführende Kapitel zur Dynamischen Optimierung haben wir uns und den Lesern aber doch geleistet.

Münster, im Januar 2008Ulrich Kathöfer

Ulrich Müller-Funk

1 Einführung

Übersicht

Das erste Kapitel soll die Fragestellungen und Ziele des Operations Research in Übersichtsform darstellen. Dazu werden wir schon reichlich Beispiele und erste Lösungsansätze kennen lernen. Im vgl. S. 34 beschäftigt sich mit stochastischen Modellen, die wir in diesem Buch aber nicht weiter vertiefen werden.

1.1 Fragestellungen des Operations Research

Operations Research (OR) steht als Oberbegriff für eine Reihe von mathematischen Verfahren, die für wirtschaftswissenschaftliche Zwecke eingesetzt werden. Viele dieser Verfahren wurden im zweiten Weltkrieg in den USA und Großbritannien entwickelt – es ging darum, militärische Operationen zu planen und auch zu verbessern. Nach dem Krieg wurde bald klar, dass die entwickelten Algorithmen sich ebenso für viele Fragestellungen in Unternehmen eigneten. Daraus resultiert die im Deutschen verwendete Bezeichnung „Unternehmensforschung"; treffendere Bezeichnungen wie Planungsrechnung haben sich nicht durchsetzen können. Auch Verfahren, die deutlich älter sind und sich z.B. mit Namen wie Cournot oder Leontief verbinden, werden heute zum Operations Research gezählt.

Anwendungsgebiete sind etwa:

Produktionsplanung

Transportprobleme

Flussprobleme

Routenplanung

Verschnittprobleme

Investitionsentscheidungen

Lagerhaltung

Maschinenbelegungsplanung

Warteschlangen

Marktgleichgewichte

Diese Fragestellungen zeigen einige Gemeinsamkeiten, so etwa die Notwendigkeit, eine optimale Entscheidung zu treffen. Trotz unterschiedlicher betrieblicher Anwendungsgebiete gibt es somit strukturelle Ähnlichkeiten. Das Operations Research stellt universelle Lösungsmöglichkeiten bereit, die erfordern, dass die verschiedenen Fragestellungen in eine standardisierte Form gebracht werden, z.B. die Darstellung in Graphen oder die Formulierung als lineares Optimierungsproblem.

Eine Abgrenzung dessen, was zum Operations Research gehört und was nicht, ist in einem präzisen Sinne kaum möglich. Dies gilt sowohl in inhaltlicher wie in methodischer Hinsicht. So sind die Grenzen zu Teildisziplinen der Betriebswirtschaftslehre wie Produktion und Logistik (oder – zeitgemäßer –dem Operations Management) ebenso fließend wie zu Formalwissenschaften wie der Wahrscheinlichkeitstheorie und Statistik oder der konvexen Analysis.

1.1.1 Modellierung

Die Behandlung mit Verfahren des Operations Research setzt also den Übergang von der realen Welt in ein mathematisches MODELL Glossar voraus. Wir können die Modellierung eingebettet sehen in einen Prozess, der besteht aus

der Formulierung und Formalisierung des Problems,

der Durchführung des Verfahrens,

der Validierung des Ergebnisses.

Formulierung des Problems

Zunächst wird in der Regel in Worten beschrieben, worin eigentlich das Problem besteht und was als Lösung anzusehen ist. Teilweise werden auch grafische Hilfsmittel zur Beschreibung verwendet. Hier ist zu beachten, dass alle Informationen, die für die Problemlösung erforderlich sind, auch vorliegen. Für die Entscheidung irrelevante Daten sollten nicht aufgenommen werden. Bei der Modellierung entsteht dadurch bewusst ein vergröbertes Abbild der realen Welt.

Es folgt dann die Beschreibung in mathematischer Form durch die Angabe von Mengen, Variablen, Relationen etc., bei der alle Zusammenhänge eindeutig formuliert sind. Die Beschreibung sollte sich auch daran orientieren, welche Lösungsverfahren die Mathematik bzw. das Operations Research bereitstellen können. Dazu kann es eventuell sinnvoll sein, weitere Vereinfachungen vorzunehmen, insbesondere auch um die Komplexität zu reduzieren.

Durchführung des Verfahrens

Die Durchführung des mathematischen Verfahrens stützt sich nur noch auf das mathematische Modell, abstrahiert also praktisch von den realen Gegebenheiten. Es werden nach Möglichkeit bekannte Algorithmen angewandt, um zu einer Lösung in mathematischer Formulierung zu kommen. Das Operations Research stellt für eine große Menge wirtschaftswissenschaftlicher Fragen geeignete Verfahren bereit.

Validierung der Ergebnisse

Schließlich ist die mathematische Lösung eines Problems mit der ursprünglichen Fragestellung zu konfrontieren. Kritische Fragen können etwa sein:

Ist dieses Ergebnis tatsächlich eine Antwort auf die gestellte Frage?

Kann die Lösung verwendet werden, z.B. wenn sie negative oder nichtganzzahlige Werte hat?

Würden im Modell nicht berücksichtigte Parameter das Ergebnis maßgeblich beeinflussen?

Wie ändert sich die Lösung, wenn es z.B. kleine Ungenauigkeiten in den Parametern gibt?

Unbefriedigende Antworten auf solche Fragen können es erfordern, die Modellierung noch einmal Schritt für Schritt in modifizierter Form durchzuführen.

Die Beispiele, die in diesem Buch immer wieder als Illustration auftauchen werden, setzen oft erst mit dem mathematischen Modell ein. Wir werden aber des öfteren auch Anwendungsbeispiele sehen, deren erster Lösungsschritt die Modellierung ist.

1.1.2 Algorithmen

Kern des Operations Research sind nun natürlich nicht etwa die standardisierten Fragestellungen, sondern die Lösungsverfahren. Die genaue Beschreibung der Verfahrensweise, Schritt für Schritt, wie in einem Kochrezept, wird als ALGORITHMUS Glossar bezeichnet. Man nennt solche Verfahren

effektive Algorithmen, falls sie unter Ausnutzung der jeweiligen mathematischen Struktur nach endlich vielen Schritten zu einem Ergebnis führen. Das Erreichen dieser Lösung ist zwar sicher, es kann aber sein, dass solche Verfahren beliebig ineffizient sind, d.h. nicht in akzeptabler Zeit oder mit vertretbarem Aufwand zum Ergebnis kommen. Algorithmen, die effektiv und effizient sind, sind erstrebenswert.

heuristische Algorithmen, die nicht bei einer Charakterisierung von Optima ansetzen, sondern lediglich auf Plausibilitätsüberlegungen für eine Zielwertverbesserung basieren. Sie führen – zumeist in schwach strukturierten Problemen – vergleichsweise schnell zu einer Verbesserung der Anfangslösung, enden aber oft mit einer suboptimalen Lösung. Aus betriebswirtschaftlicher Sicht kann die Einsparung durch den Verzicht auf aufwändige Algorithmen oft den Verlust durch die Suboptimalität aufwiegen.

Simulations-Algorithmen, falls sie den Suchraum mit Methoden erforschen, die Zufallselemente enthalten, z.B. eine reine Zufallssuche. Die Ergebnisse sind in vielen Fällen erstaunlich gut.

Wir wollen die verschiedenen Arten von Verfahren an einer bekannten Fragestellung erläutern. Die Problemformulierung ist – wie bei vielen Problemen des Operations Research – eine leicht erfassbare, etwas spielerische. Meist lassen sich aber „tatsächliche" betriebliche Probleme ganz ähnlich lösen.

Das Problem des Handlungsreisenden (TRAVELLING SALESMAN PROBLEM Glossar) ist ein solches klassisches Beispiel. Eine Formulierung kann so aussehen: Ein Geschäftsmann will in zehn Städten Deutschlands Besprechungstermine festlegen und jeweils mit dem Zug anreisen. Anschließend will er zum Ausgangspunkt (Bielefeld) zurückfahren. Alle Städte sind in Abbildung 1.1 eingezeichnet.

Die Reihenfolge der Besprechungstermine soll nun so gewählt werden, dass die Gesamtfahrzeit möglichst gering gehalten wird. Die Fahrzeit zwischen den Orten (in Stunden) ist der folgenden Tabelle zu entnehmen.

Abbildung 1.1: Die 11 Städte des Rundreiseproblems

Das Problem des Handlungsreisenden besitzt eine Reihe von ökonomisch relevanten Anwendungen und Verallgemeinerungen. Beispiele sind:

Maschinenbelegungsplanung, Produktionsplanung:

Auf einer Maschine sollen nacheinander n Aufträge ausgeführt werden; die Umrüstung der Maschine zwischen zwei Auftragsausführungen ist abhängig von der Art der beiden Aufträge. Gesucht ist eine Abarbeitungsreihenfolge, die minimale Gesamt-Umrüstkosten verursacht.

Chip-Herstellung:

Auf einem Mikro-Chip müssen durch winzige Drähte Kontakte verbunden werden (oft mehrere tausend Stück). Gesucht ist eine – kurzschlussfreie – Routenwahl für die Drähte auf dem Chip, die vorgegebene Streckenführungen berücksichtigt und dabei minimalen Drahtverbrauch (d.h. minimale Wärmeentwicklung) verursacht.

Zur Lösung von Rundreiseproblemen stehen etliche Strategien zur Auswahl, von denen ein paar hier anhand des obigen Beispiels kurz hinsichtlich ihrer Vor- und Nachteile besprochen werden sollen:

Komplette Enumeration als effektives Verfahren

vgl. S. 17

vgl. S. 19

Komplette Enumeration

Bei der KOMPLETTEN ENUMERATION Glossar wird jede der möglichen Strecken und ihre Dauer bestimmt. Bei diesem Lösungsverfahren ist ein wesentliches Problem die systematische Abarbeitung aller Lösungskandidaten. Sollen beispielsweise nur fünf Städte besucht werden, so ergeben sich die in Abbildung 1.2 dargestellten zwölf wesentlich verschiedenen Routen. Die kürzeste Strecke BI – HH – B – M – BN – BI kann in 21 Stunden bewältigt werden.

Ein Nachteil der kompletten Enumeration ist hier, dass für größere Städtezahlen der Rechenaufwand, selbst bei systematischem Abzählen, schnell in Bereiche steigt, die auch mit Computerunterstützung nicht mehr vertretbar sind.

So gibt es bei festem Startpunkt und n Städten eine überraschend große Anzahl von insgesamt (n−1)·(n−2)·(n−3)·· · ··3·2·1 = (nRundreisen.

Im Beispiel mit elf Städten muss also aus 10! = 3.628.800 Rundreisen (bzw. bei symmetrischen Distanzen aus 1.814.400 Rundreisen) die kürzeste gefunden werden. Viele Anwendungen des Rundreiseproblems gehen sogar von erheblich größeren Werten für n aus. Es ist klar, dass komplette Enumeration hier völlig versagt.

Glücklicherweise ist das Travelling Salesman Problem eine nicht sehr typische Aufgabenstellung. Viele andere Fragen lassen sich durch effektive Algorithmen auch durchaus effizient lösen.

Abbildung 1.2: Das Rundreiseproblem mit fünf Städten

Heuristiken

HEURISTIKEN Glossar versuchen, einfachste oberflächliche Strukturen des Problems auszunutzen. Dabei werden oft sogenannte gierige Algorithmen oder Verfahren der lokalen Suche verwendet.

Gierige Verfahren ermitteln eine Lösung, indem sie unmittelbar erkennbare Vorteile ausnutzen. In manchen Fällen, die wir kennen lernen werden, ist damit tatsächlich ein Optimum zu finden. Oft aber resultieren aus den anfänglichen Vorteilen negative Konsequenzen in der End-Gestaltung dieser Lösung. Bei vielen Problemstellungen lässt sich dieser Ansatz verwenden, um eine gültige Anfangslösung zu ermitteln, die dann mit anderen Verfahren weiter optimiert wird.

Lokale Suchverfahren verbessern eine gefundene Anfangslösung nur in manchen Aspekten und wiederholen eine derartige Modifikation an den sukzessive gefundenen Lösungen, bis keine Verbesserung mehr möglich ist. Oftmals sind sie als gierige Verfahren ausgelegt, d.h. es wird die beste unter den Nachbarlösungen ausgewählt. Ein Nachteil ist, dass oft suboptimale Lösungen gefunden werden, die nicht mehr lokal verbessert werden können.

Beispiele für Heuristiken im Rundreiseproblem

Eröffnungslösung nach der Methode des besten Nachfolgers:

Die Rundreise wird mit einer festen Stadt (etwa Bielefeld) begonnen. Die nächste Stadt wird dann festgelegt als diejenige, die von der ersten Stadt die geringste Entfernung hat, die dritte Stadt als diejenige der noch nicht besuchten Städte, die von der zweiten Stadt die geringste Entfernung hat usw. Abbildung 1.3 gibt zwei mögliche Eröffnungslösungen nach dieser Methode an. Der Vorteil liegt