Combined

Produktion und Logistik PW / OR WS 06/07 0-1
Produktionswirtschaft und Operations Research

Dr. Rainer Kleber
Fakultät für Wirtschaftswissenschaft

Lehrstuhl für Produktion und Logistik
rainer.kleber@ww.uni-magdeburg.de
Sprechstunde: Donnerstag 10.00-12.00 Uhr in G22-E016
Kurzbeschreibung: Die Vorlesung vermittelt einen Überblick über den Gegenstand der
industriellen Produktionswirtschaft und gibt eine Übersicht über Grundlagen der Produktions-
theorie und wesentliche Aufgaben des Produktionsmanagements. Im Rahmen der Behandlung
von Planungsinstrumenten zur Lösung solcher Managementaufgaben wird auf wichtige
Verfahren des Operations Research eingegangen. Hierbei werden sowohl die Modellierungs-
technik als auch grundlegende Optimierungsmethoden des Operations Research vermittelt.
Gliederung
1 Einführung
1.1 Einführung in die Produktionswirtschaft (PW)
1.2 Einführung in Operations Research (OR)
2 Produktionstheorie
2.1 Aufgaben der Produktionstheorie
2.2 Produktionstheorie auf Objektebene
2.3 Produktionstheorie auf Ergebnisebene
2.4 Produktionstheorie auf Erfolgsebene
3 Lineare Optimierung
3.1 Grundlagen der Linearen Optimierung
3.2 Der Simplex-Algorithmus
3.3 Dualität
3.4 Sensitivitätsanalyse
3.5 Lineare Optimierungsproblem mit spezieller Struktur
3.6 Lösung von linearen Optimierungsproblemen in der Praxis
4 Produktionsmanagement
4.1 Aufgaben des Produktionsmanagements
4.2 Nachfrageprognosen
4.3 Produktionsprogrammplanung
4.4 Materialbedarfsplanung
4.5 Losgrößenplanung
5 Ganzzahlige Optimierung
5.1 Grundlagen der Ganzzahligen Optimierung
5.2 Branch & Bound-Verfahren
5.3 Heuristische Lösungsverfahren
6 Weitere Anwendungen und Gebiete des Operations Research
Literaturempfehlungen
[1] Domschke und Drexl, Einführung in Operations Research, 6. Auflage, Springer, 2005
[2*] Dyckhoff, Produktionstheorie, 5. Auflage, Springer, 2006
[3*] Günther und Tempelmeier, Produktion und Logistik, 6. Auflage, Springer, 2005
[4] Hillier und Lieberman, Introduction to Operations Research, 8. Auflage, McGraw, 2005
[5] Thonemann, Operations Management, Pearson, 2005
(* alternativ auch vorherige Auflage bzw. bei Dyckhoff Grundzüge der Produktionswirtschaft, 4. Auflage)
Literaturhinweise
Gliederungspunkt Textstellen Vorherige Auflage
1.1 PW-Einführung (2) 1-9 (2*) 1-8
1.2 OR-Einführung (1) 1-12
2.1 Aufgaben der PT (2) 9-12 (2*) 9-12
2.2 PT auf Objektebene (2) 19-106 (2*) 20-106
2.3 PT auf Ergebnisebene (2) 119-155, 162-176 (2*) 119-155, 164-176
2.4 PT auf Erfolgsebene (2) 189-200, 212-252 (2*) 189-200, 212-252
3.1 Grundlagen der Linearen Optimierung (1) 12-20
3.2 Simplex-Algorithmus (1) 20-27, 34-35
3.3 Dualität (1) 35-40
3.4 Sensitivitätsanalyse (1) 44-49
3.5 Allg. und spezielle LOP‘s (1) 74-77, 83-86
4.1 Aufgaben des PM (2) 367-372, (3) 1-10 (2*) 367-372, (3*) 1-10
4.2 Nachfrageprognosen (3) 142-151, (4) 35-75 (3*) 138-147
4.3 Produktionsprogrammplanung (3) 139-142, 151-1162 (3*) 135-138, 147-155
4.4 Materialbedarfsplanung (2) 270-280, 340-346 (2*) 270-280, 340-346
4.5 Losgrößenplanung (2) 314-320, (3) 192-208 (2*) 314-319, (3*) 187-200
5.1 Überblick und Grundlagen (1) 110-117
5.2 Branch & Bound-Verfahren (1) 121-126
5.3 Heuristische Verfahren (1) 117-121
Produktionswirtschaft und Operations Research

Dr. Rainer Kleber
Fakultät für Wirtschaftswissenschaft

Lehrstuhl für Produktion und Logistik
rainer.kleber@ww.uni-magdeburg.de
Sprechstunde: Donnerstag 10.00-12.00 Uhr in G22-E016
Kurzbeschreibung: Die Vorlesung vermittelt einen Überblick über den Gegenstand der
industriellen Produktionswirtschaft und gibt eine Übersicht über Grundlagen der Produktions-
theorie und wesentliche Aufgaben des Produktionsmanagements. Im Rahmen der Behandlung
von Planungsinstrumenten zur Lösung solcher Managementaufgaben wird auf wichtige
Verfahren des Operations Research eingegangen. Hierbei werden sowohl die Modellierungs-
technik als auch grundlegende Optimierungsmethoden des Operations Research vermittelt.
Gliederung
1 Einführung
3.3 Dualität
6 Weitere Anwendungen und Gebiete des Operations Research
Literaturempfehlungen
[1] Domschke und Drexl, Einführung in Operations Research, 6. Auflage, Springer, 2005
[2*] Dyckhoff, Produktionstheorie, 5. Auflage, Springer, 2006
[3*] Günther und Tempelmeier, Produktion und Logistik, 6. Auflage, Springer, 2005
[4] Hillier und Lieberman, Introduction to Operations Research, 8. Auflage, McGraw, 2005
[5] Thonemann, Operations Management, Pearson, 2005
(* alternativ auch vorherige Auflage bzw. bei Dyckhoff Grundzüge der Produktionswirtschaft, 4. Auflage)
Literaturhinweise
Gliederungspunkt Textstellen Vorherige Auflage
1.1 PW-Einführung (2) 1-9 (2*) 1-8
1.2 OR-Einführung (1) 1-12
2.1 Aufgaben der PT (2) 9-12 (2*) 9-12
2.2 PT auf Objektebene (2) 19-106 (2*) 20-106
2.3 PT auf Ergebnisebene (2) 119-155, 162-176 (2*) 119-155, 164-176
2.4 PT auf Erfolgsebene (2) 189-200, 212-252 (2*) 189-200, 212-252
3.1 Grundlagen der Linearen Optimierung (1) 12-20
3.2 Simplex-Algorithmus (1) 20-27, 34-35
3.3 Dualität (1) 35-40
3.4 Sensitivitätsanalyse (1) 44-49
3.5 Allg. und spezielle LOP‘s (1) 74-77, 83-86
4.1 Aufgaben des PM (2) 367-372, (3) 1-10 (2*) 367-372, (3*) 1-10
4.2 Nachfrageprognosen (3) 142-151, (4) 35-75 (3*) 138-147
4.3 Produktionsprogrammplanung (3) 139-142, 151-1162 (3*) 135-138, 147-155
4.4 Materialbedarfsplanung (2) 270-280, 340-346 (2*) 270-280, 340-346
4.5 Losgrößenplanung (2) 314-320, (3) 192-208 (2*) 314-319, (3*) 187-200
5.1 Überblick und Grundlagen (1) 110-117
5.2 Branch & Bound-Verfahren (1) 121-126
5.3 Heuristische Verfahren (1) 117-121
1 Einführung

1.1.1 Grundbegriffe
Produktionswirtschaftslehre betrachtet Phänomene der Produktion (insbes. in Unter-

nehmungen) aus wirtschaftlicher Perspektive.
Produktion ist die zielgerichtete Herstellung von Produkten unter Einsatz von sog.
Produktionsfaktoren.
(= Kombination von Produktionsfaktoren und Transformation in Produkte, s. BWL A)
Produkte sind insbes. Sachgüter und Dienstleistungen.
Produktionsfaktoren sind insbes. Arbeitsleistungen, Betriebsmittel, Werkstoffe und

Informationen.
Die wirtschaftliche Perspektive bezieht sich auf den Prozess der (Netto-) Wertschöpfung im
Transformationsprozess.
Der Produktionsvorgang ist allg. darstellbar als wertschöpfendes Input-Output-System:
Objekte Qualitative Objekte

Input Output
Transformation
1.1.2 Grundzusammenhänge
Produktion zum Zweck der Wertschöpfung ist die Kernfunktion jeder Unternehmung.
Charakterisierung von Produktion nach
→ Objekten • Sachen • Primärer Sektor

• Dienste • Sekundärer Sektor
• Rechte • Tertiärer Sektor
• Informationen
→ Transformation
• einstufig • divergierend
• mehrstufig • konvergierend
Produktionssysteme sind geordnete Zusammenfassungen von Input-Output-Systemen mit

Innenbeziehungen (z.B. Materialflüsse) und Außenbeziehungen (z.B. Umweltbelastungen).
Das Produktionssystem in seiner Umwelt [Quelle : Dyckhoff : 3. Aufl., S. 5]

Hauptbetrachtungsgegenstand der PW : Industriebetriebe
Systematik der Betriebe im gesamtwirtschaftlichen Leistungszusammenhang [Quelle: Zahn/Schmid :

Produktionswirtschaft I, S. 57
Abgrenzungen von Produktion und Produktionssystemen:
• Produktion = Wertschöpfung
• Konsumtion = Wertvernichtung
• Produktion - VWL
• Produktion - BWL
Wirtschaftseinheiten und ihre Umwelten [Quelle: Dyckhoff, 3. Aufl.,

S. 2]
• Produktion : qualitative Transformation
• Logistik : raum-zeitliche Transformation
• Beschaffung /Absatz : Markt-Transaktionen

1.1.3 Teilaspekte der Produktionswirtschaftslehre

PW-Lehre befasst sich mit den (Technik-orientierten) Ausführungssystemen und den
(Management-orientierten) Führungssystemen der Produktion.
Beschaffung Produktion Absatz

Beschaffungsmarkt
Absatzmarkt
Produktions-
Güterstrom Produkte
faktoren
Unternehmensführung
Plang. Kontr. Organisation
Einzah-
Auszahlung Geldstrom lung
Finanzierung
Finanzmarkt
Im Ausführungssystem läuft der Wertschöpfungsprozess als physischer Transformations-

prozess der Produktion ab.
Im Führungssystem spielt sich der informationsverarbeitende Managementprozess zur
zielkonformen Gestaltung und Lenkung des Transformationsprozesses ab.
Hauptgebiete der PW-Lehre:

PW-Lehre
Produktionstheorie Produktionsmanagement-Lehre
• Hauptbezug: • Hauptbezug:
Ausführungssystem Führungssystem
• Beschreibungs- und • Entscheidungsmodelle
Erklärungsmodelle für für Managementprozesse
Transformationsprozesse
Produktionstheorie (= Theorie der betrieblichen Wertschöpfung) untersucht die allgemeinen
Zusammenhänge und Gesetzmäßigkeiten in Bezug auf Transformationsprozesse in
Produktionssystemen.
Produktionsmanagement befasst sich mit der Organisation von Produktionssystemen und

der Planung und Kontrolle von Produktionsprozessen zur Erreichung betrieblicher Ziele.
• Planung : zielgerichtete Festlegung zukünftigen Handelns (zur Vorbereitung und

Auswahl von Entscheidungen)
• Kontrolle: Feststellen und Korrigieren von Planungsfehlern und Mängeln bei der
Umsetzung von Entscheidungen

1.2.1 Grundbegriffe im OR
Operations Research (OR) dient der Entscheidungsvorbereitung im Rahmen komplexer

(ökonomischer) Planungsprobleme auf Basis quantifizierbarer Informationen und unter
Zuhilfenahme mathematisch-statistischer Verfahren.
Anwendungsbedingungen für OR
• Hinreichende Quantifizierbarkeit aller wesentlichen Problembestandteile

• Möglichkeit zur Gewinnung aller relevanten Informationen
• Hinreichende Komplexität des Entscheidungsproblems
• Beschränkter Umfang des Entscheidungsproblems
→ Mathematische Modellierbarkeit (als Entscheidungsmodell)
→ Rechnerische Lösbarkeit (durch Algorithmen)

Prozess-Phasen der Anwendung von OR:
Problemanalyse Modellbildung
Implementierung Lösungsfindung
(1) Problemanalyse:
• Erkennen und Abgrenzung des Problems

• Analyse der Problembestandteile
(Handlungsmöglichkeiten, Planungsziel, Rahmenbedingungen)
(2) Modellbildung:
• Umsetzung : Spezifisches Problem → Mathematisches Modell

Handlungsmöglichkeiten → Entscheidungsvariable
Ziel → Zielgröße und Zielfunktion
Rahmenbedingungen → Restriktionen
• Datengewinnung (Quantifizierung: einwertige Daten,
Wahrscheinlichkeitsverteilungen)
(3) Lösungsfindung
• Anwendung von OR-Rechenverfahren (OR-Algorithmen, OR-Verfahren)

• Einsatz von DV-Hilfsmitteln (z.B. Standardsoftware)
(4) Implementierung
• Validierung der Modellergebnisse
• Interpretation bzgl. Realproblem
• Anpassung der Entscheidungsvorschläge und Umsetzung
1.2.2 OR-Verfahren
Modelle im Rahmen von OR-Anwendungen sind im wesentlichen Optimierungsmodelle (zur
Maximierung oder Minimierung einer Zielgröße unter verschiedenen Nebenbedingungen).
Allgemeines Optimierungsmodel l
Entscheidungsvariablen: x1 , x2 , ..., xn
Maximiere Z = F ( x1 , x2 , ..., xn )
unter den Nebenbedingungen
⎧≥ ⎫
⎪ ⎪
gi ( x1 , x2 , ..., xn ) ⎨= ⎬ 0 für i = 1, 2, ..., m
⎪≤ ⎪
⎩ ⎭
und x1 , x2 , ..., xn reellwertig oder ganzzahlig

Für verschiedene Modelltypen stehen verschiedene OR-Verfahren zur Lösung zur

Verfügung:
Ganzzahlige Dynamische
Optimierung Optimierung
Lineare Graphen- Netzplan- Simulation

Optimierung theorie technik
Nichtlineare Warteschlangen-
Optimierung theorie
1.2.3 OR-Anwendungsgebiete
• Produktionswirtschaft • Produktionsplanungsproblem
• Verschnittproblem
• Logistik
• Transport- und Versorgungsproblem
• Dienstleistungsmanagement
• Auslieferung von Gütern
• Marketing • Kürzeste Wege in Verkehrsnetzen
• Personaleinsatzplanung
• Finanzwirtschaft
• Warteschlangenproblem
• Banken/Versicherungen
• Flugtarifplanung
• etc. • und viele, viele mehr
Produktionstheorie untersucht allgemeine Zusammenhänge und Gesetzmäßigkeiten in Bezug

auf Transformationsprozesse in Produktionssystemen (= Wertschöpfungsprozesse)
Methodik
Abstraktion von realen Produktionsprozessen und Modellierung allg. Produktions-
zusammenhänge durch
• Beschreibungsmodelle zur Darstellung von Elementen und Beziehungen in

Produktionssystemen
und
• Erklärungsmodelle zur Wiedergabe von Abhängigkeiten zwischen Systemelementen

und von Wirkungszusammenhängen in Produktionssystemen
Eine systemorientierte Sichtweise ermöglicht
• die schrittweise Zerlegung

komplexer Systemstrukturen in
einfache Bestandteile
(→ Systemanalyse)
bzw.
• die sukzessive Erzeugung

derartiger Strukturen durch
Zusammenfügen einfacher
Bausteine
(→ Systemsynthese)
Abbildung 1 : Gegenstand der Theorie betrieblicher

Wertschöpfung [Quelle : Dyckhoff : Grundzüge der
Produktionswirtschaft, 3. Aufl., S. 8]
Betrachtungsebenen der Produktionstheorie

Die Produktionstheorie untersucht Transformationsprozesse auf 3 Ebenen, die sich durch
zunehmende Information über die Wahrnehmung und Präferenzen des Systembetrachters
unterscheiden lassen.
[1] Objektebene
Basis: nur Unterscheidung zwischen relevanten und nicht-relevanten Objekten (Inputs bzw.
Outputs) des Transformationsprozesses
Grundbegriffe: Objekte, Aktivität, Technologie, Produktionsmöglichkeiten
[2] Ergebnisebene
Basis: auch Unterscheidung zwischen erwünschten und nicht-erwünschten Objekten des

Transformationsprozesses
Grundbegriffe: realer Aufwand/Ertrag (mehrdimensional), Effizienz, Produktionsfunktion
[3] Erfolgsebene
Basis: quantitative Bewertung aller Objekte in Höhe ihres Wertschöpfungsbeitrags möglich
Grundbegriffe: Kosten/Erlöse/Erfolg (eindimensional), Erfolgsfunktion


2.2.1 Input-Output-Beziehungen
2.2.1.1 Klassifikation von Objekten
• nach Bedeutung aus Sicht des Systembetrachters
relevante Objekte
nicht-relevante Objekte
• nach körperlicher Erscheinungsform

materielle Objekte (Stoffe, Energie)
immaterielle Objekte (Dienste, Rechte, Informationen)
• nach Stellung im Transformationsprozess (Input/Output) Objekte

Einsatzobjekte
Ausbringungsobjekte
Einsatzobjekte Ausbringungs-
• nach Stellung zum Betriebszweck objekte
(Erzeugung bzw. Reduktion
von Objekten) Einsatz- (Haupt-) (Haupt-) Neben-
Hauptprodukte bzw. faktoren Redukte Produkte produkte
Nebenprodukte auf Outputseite
Redukte bzw. Einsatzfaktoren Dispositiver
auf Inputseite Faktor
• nach Faktortyp auf Inputseite Elementar-

Dispositiver Faktor faktoren
(Managementtätigkeit)
Elementarfaktoren (ausführende Potential-
Tätigkeit, Betriebsmittel, Werkstoffe) faktoren
¾ Potentialfaktoren (Arbeitskräfte,
Maschinen, Lizenzen, etc.) Repetier-
¾ Repetierfaktoren (Roh-, Hilfs- und faktoren
Betriebsstoffe, Zwischenprodukte)
Zusatzfaktoren (externe Dienste, Zusatz-
Umweltnutzung, etc.) faktoren
Objekte produktionstheoretischer Modelle sind Gegenstände im Rahmen von

Transformationsprozessen, die qualitativ unterschiedlich und bzgl. Einsatz und Ausbringung
quantitativ messbar sind.
Qualitativ gleiche bzw. ähnliche Objekte können zu Objektarten zusammengefasst werden.
Zum Zweck der Modellbildung werden Objektarten geeignet nummeriert:
• allg. Objektindex : k = 1, 2, ..., κ ( κ : Gesamtzahl der Objektarten)
spezielle Indexverwendung für reine Input- bzw. Outputobjekte:
• für Inputs: i = 1, 2, ..., m ( m : Gesamtzahl der Input-Outputarten)
• für Outputs: j = m + 1, m + 2, ..., m + n ( n : Gesamtzahl der Output-Objektarten)
Beispiele:
• Lederwarenherstellung (Erzeugungssystem) : Fa. LederLotte

• Müllverbrennung (Reduktionssystem) : Fa. MüllMax
• Beispiel Erzeugungsbetrieb : • Beispiel Reduktionsbetrieb :

LederLotte MüllMax
Objektarten Objektarten
Bei LederLotte sind im Rahmen der Um die materiellen Objekte bei MüllMax zu
mittelfristigen Planung zweier neuer erfassen, werden in einem ersten Schritt
Kollektionen von Schuhen und Taschen folgende neun Objekte definiert und in den
beispielsweise nur die folgenden sechs angegebenen Einheiten gemessen:
Objektarten von Interesse:
(1) Arbeit [min] (1) Müll [kg]

(2) Nähmaschine [min] (2) Schrott [kg]
(3) Leder [m²] (3) Schlacke [kg]
(4) Schuhe [Anzahl Paar] (4) Rohwasser [l]
(5) Taschen [Stückzahl] (5) Abwasser [l]
(6) Lederreste [g]. (6) Luft [m³]
(7) Abgase [m³]
(8) Strom [kWh]
(9) Abwärme [kWh]
2.2.1.2 Produktions-Aktivitäten
Eine Produktions-Aktivität (oder kurz: Aktivität) ist eine zielgerichtete wertschöpfende
Transformation von Produktionsinput in Produktionsoutput während einer Produktions-
periode.
x1 y1
x2 Transformation y2
mit
# Prozessparametern #
xκ (λ, σ) yκ
Zeit
Produktionsperiode
Innenbezüge einer Aktivität :

λ : Disponible Steuergröße beim Betreiben des Transformationsprozesses
σ : Nicht-beeinflussbare Umweltparameter mit Wirkung auf den Transformationsprozess
Außenbezüge einer Aktivität:

xk : Bruttomenge der Objektart k, die für den Transformationsprozess von außen zur
Verfügung gestellt wird (mit xk ≥ 0 )
yk : Bruttomenge der Objektart k, die im Rahmen des Transformationsprozesses nach außen
abgegeben wird (mit yk ≥ 0 )
Beschreibungsformen von Input/Output-Mengen
• Bruttomengen : xk und yk (k = 1, ..., κ)

• Nettomengen : zk = yk − xk (k = 1, ..., κ)
mit zk : Netto-Ausbringungsmenge der Objektart k
→ ohne Bestandsveränderungen und ohne Berücksichtigung von Handelswaren gilt:
yk = z k und xk = − zk für k = 1, ..., κ

Darstellung von Aktivitäten
(1) Vektor-Darstellung (brutto bzw. netto) :
⎡ x1 ⎤ ⎡ y1 ⎤ ⎡ z1 ⎤
⎢x ⎥ ⎢y ⎥ ⎢z ⎥
x = x = ⎢ 2⎥ und y = y = ⎢ 2⎥ bzw. z = z = ⎢ 2⎥
⎢#⎥ ⎢# ⎥ ⎢#⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣⎢ xκ ⎦⎥ ⎣⎢ yκ ⎦⎥ ⎣⎢ zκ ⎦⎥
Kompakteste Darstellungsweise durch Vektor z :

κ
Aktivität = Punkt im κ -dimensionalen, reellwertigen Zahlenraum \
(2) Input-Output-Tabelle (vollständig bzw. vereinfacht)
(3) Input-Output-Graph
(4) Praxisdarstellungen: Stücklisten, Rezepturen, Arbeitspläne, Mengenflussbilder,

Produktbilanzen, etc
• Beispiel MüllMax
Vektor-Darstellung:
Brutto Netto
Input-Output-Tabelle
Vollständig Vereinfacht
Input-Output-Graph (I/O-Graph)
• Beispiel LederLotte
Vereinfachte Input-Output-Tabelle
Input-Output-Graph (I/O-Graph)
2.2.1.3 Technologie und Technologieeigenschaften

Eine Technologiemenge T (oder kurz: Technologie, bei Dyckhoff: Technik) beschreibt die
Menge aller Aktivitäten, die in einem Produktionssystem im Prinzip technisch möglich sind.
Formal: {
T = z ∈ \κ z ist eine prinzipiell mögliche Aktivität }
Beispiel: LederLotte, Beschränkung auf Schuhherstellung
⎧ ⎡ 0 ⎤ ⎡ −50 ⎤ ⎡ −100 ⎤ ⎡ −150 ⎤ ⎫ ⎧ ⎡ −50 ⎤ ⎫
⎪⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎪ ⎪ ⎢ −40 ⎥ ⎪
⎪ ⎢ 0 ⎥ ⎢ −40 ⎥ ⎢ −80 ⎥ ⎢ −120 ⎥ ⎪ ⎪ ⎢ ⎥ ⎪
⎪⎪ ⎢ 0 ⎥ ⎢ −0,15⎥ ⎢ −0,30 ⎥ ⎢ −0, 45⎥ ⎪⎪ ⎪⎪ ⎢ −0,15⎥ ⎪⎪
⎬ = ⎨z ∈ \ z = λ ⋅ λ
6
T = ⎨⎢ ⎥ , ⎢ ,
⎥ ⎢ ,
⎥ ⎢ ⎥ , ... ⎢ ⎥ mit ∈ ` 0⎬
⎪⎢0⎥ ⎢ 1 ⎥ ⎢ 2 ⎥ ⎢ 3 ⎥ ⎪ ⎪ ⎢ 1 ⎥ ⎪
⎪⎢0⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ ⎪ ⎪ ⎢ 0 ⎥ ⎪
⎪⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎪ ⎪ ⎢ ⎥ ⎪
⎩⎪ ⎣ 0 ⎦ ⎣ 30 ⎦ ⎣ 60 ⎦ ⎣ 90 ⎦ ⎪⎭ ⎩⎪ ⎣ 30 ⎦ ⎭⎪
Zur Technologie gehören i. d. R. auch Aktivitäten mit Faktorverschwendung, wie z. B.
⎡ −100 ⎤ ⎡ −50 ⎤
⎢ −40 ⎥ ⎢ −40 ⎥
⎢ ⎥ ⎢ ⎥
⎢ −0,15⎥ ⎢ 0 ⎥
⎢ ⎥ oder ⎢ ⎥
⎢ 1 ⎥ ⎢ 0 ⎥
⎢ 0 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥
⎣ 30 ⎦ ⎣ 0 ⎦
Technologieeigenschaften beschreiben idealtypische Merkmale, durch die sich allgemeine

Technologien auf bestimmte Technologieformen einschränken lassen.
[1] Größenproportionalität
beschreibt eine Eigenschaft, die sich auf eine Skalenvariation (Niveauvariation) von
Produktionsaktivitäten bezieht. Eine größenproportionale (oder auch: linear-homogene)
Technologie liegt vor, wenn für jede beliebige Aktivität z gilt:
z∈T ⇒ λ ⋅ z ∈ T mit Niveaufaktor λ≥0
Voraussetzungen : Beliebige Teilbarkeit aller Objekte!

Keine Lerneffekte bei Niveauerhöhung!
Beispiel:
[2] Additivität
beschreibt eine Eigenschaft, die sich auf die gemeinsame Durchführung von Aktivitäten
bezieht. Eine additive Technologie liegt vor, wenn für beliebige Aktivitäten z1 und z² gilt:
z1 ∈ T und z 2 ∈ T ⇒ z1 + z 2 ∈ T
Voraussetzung : Keine Synergie- und Störeffekte zwischen Aktivitäten!
Beispiel:
[3] Linearität
beschreibt eine Eigenschaft, die sich auf Linear-Kombinationen von Aktivitäten bezieht. Eine
lineare Technologie liegt vor, wenn gilt:
z1 ∈ T und z 2 ∈ T ⇒ λ1 ⋅ z1 + λ2 ⋅ z 2 ∈ T mit λ1 ≥ 0 , λ2 ≥ 0
Voraussetzung: Eine Technologie ist linear, wenn sie additiv und größenproportional ist!
Beispiel:
T
[4] Konvexität
beschreibt eine Eigenschaft, die sich auf Konvex-Kombinationen von Aktivitäten bezieht.
Eine konvexe Technologie liegt vor, wenn gilt:
z1 ∈ T und z 2 ∈ T ⇒ λ1 ⋅ z1 + λ2 ⋅ z 2 ∈ T mit λ1 ≥ 0 , λ2 ≥ 0 und λ1 + λ2 = 1
Konsequenz: Die lineare Technologie ist ein Spezialfall konvexer Technologie!
Beispiel für eine konvexe, jedoch nicht lineare Technologie (mit zwei Beispielaktivitäten z1 und z2):
z1
z2
T
Hinweis: Sowohl bei linearer als auch bei konvexer Technologie ist die Möglichkeit der
Verschwendung zugelassen.
Graphische Darstellung von Technologien

Beispiel Cobb/Douglas-Technologie
Τ = {( z1 , z2 , z3 ) ∈ \ 3 | z1 ≤ 0, z2 ≤ 0, 0 ≤ z3 ≤ 5( − z1 )1,5 ( − z 2 ) 0,5 }
(1) Vollständiges Technologie-Diagramm (siehe auch oben)
Dreidimensionale Technik (Ertragsgebirge) [Quelle : Dyckhoff : Grundzüge der Produktionswirtschaft, 3. Aufl., S. 56]
(2) Partielles Faktor/Produkt-Diagramm
Partielles Faktor/Produkt-Diagramm mit zunehmenden Grenzerträgen [Quelle : Dyckhoff, 3. Aufl., S. 68]
Partielles Faktor/Produkt-Diagramm mit abnehmenden Grenzerträgen [Quelle : Dyckhoff, 3. Aufl., S. 67]

(3) Faktordiagramm
Faktordiagramm für landwirtschaftliche Technik [Quelle : Dyckhoff, 3. Aufl., S. 69]
(4) Produktdiagramm
2.2.1.4 Produktionsmöglichkeiten
Größenproportionale, additive und lineare Technologien beschreiben Produktionssysteme mit
einer unbeschränkten Menge von Aktivitäten.
In der Realität bestehen Beschränkungen für Produktionsaktivitäten, insbes. in Form von

Mindest- und Höchstmengen für Faktoreinsatz und Erzeugnisausbringung (z.B. durch
Marktengpässe und vertragliche Verpflichtungen).
Das Restriktionsfeld R ∈ \κ beschreibt die Menge der aufgrund solcher externen

Beschränkungen zulässigen Aktivitäten.
Häufig wird das Restriktionsfeld R durch absolute Schranken gebildet:

{
R = z ∈ \κ z ≤ z ≤ z , } d.h. z k ≤ zk ≤ z k für k = 1,2,..., κ
z2
Beispiel: 4
3
R
2
-8 -7 -6 -5 -4 -3 -2 -1 z1
In der Praxis finden sich auch relative Schranken der Form:
zk ≤ α ⋅ z j für bestimmte k und j
Die Menge der effektiven Produktionsmöglichkeiten wird durch das Produktionsfeld

Z ∈ IR κ beschrieben, für das gilt:
Z = T∩R
Beispiel:
T z2
4
Z 3
2
R
1
-8 -7 -6 -5 -4 -3 -2 -1 z1
Beispiel LederLotte : Produktionsfeld

Das Beispiel des Unternehmens "LederLotte" kann dazu dienen, die Begriffe Technologie und
Produktionsmenge zu illustrieren. Die Technologie sei wie folgt bestimmt:
⎧ ⎛ −50 ⎞ ⎛ −50 ⎞ ⎫
⎪ ⎜ ⎟ ⎜ ⎟ ⎪
⎪ ⎜ −40 ⎟ ⎜ −15 ⎟ ⎪
⎪⎪ ⎜ −0,15 ⎟ 2 ⎜ −0, 4 ⎟ ⎪⎪
T = ⎨z ∈ \ 6 z = λ1 ⋅ ⎜ ⎟ + λ ⋅⎜
1 2
⎟ mit λ ≥ 0, λ ≥ 0 ⎬
⎪ ⎜ 1 ⎟ ⎜ 0 ⎟ ⎪
⎪ ⎜ 0 ⎟ ⎜ 1 ⎟ ⎪
⎪ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ⎪
⎪⎩ ⎝ 30 ⎠ ⎝ 25 ⎠ ⎪⎭
Dabei stellen die beiden Vektoren jeweils den Input/Output-Vektor für die Erstellung eines
Paar Schuhe bzw. einer Tasche dar. In der betrachteten Periode stehen der Unternehmung
maximal 5000 Arbeitsminuten zur Verfügung. Die Nähmaschine kann bis zu 3000 Minuten
genutzt und maximal 30 m2 Leder können verarbeitet werden. Gleichzeitig bestehen
Lieferverpflichtungen für mind. 50 Paar Schuhe und 10 Taschen, die unbedingt eingehalten
werden sollen. Die Restriktionsmenge R ist also durch folgende absolute Schranken definiert:
⎛ −5000 ⎞ ⎛ 0⎞
⎜ ⎟ ⎜ ⎟
⎜ −3000 ⎟ ⎜ 0⎟
⎜ −30 ⎟ ⎜ 0⎟
z =⎜ ⎟ z =⎜ ⎟
⎜ 50 ⎟ ⎜ +∞ ⎟
⎜ 10 ⎟ ⎜ +∞ ⎟
⎜⎜ ⎟ ⎜⎜ ⎟⎟
⎝ 0 ⎟⎠ ⎝ +∞ ⎠
Daraus resultiert folgendes Produktionsfeld:

⎧ ⎛ −50 ⎞ ⎛ −50 ⎞ ⎛ -5000 ⎞ ⎫
⎪ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎪
⎪ ⎜ −40 ⎟ ⎜ −15 ⎟ ⎜ -3000 ⎟ ⎪
⎪⎪ ⎜ −0,15 ⎟ 2 ⎜ −0, 4 ⎟ ⎜ -30 ⎟ 1 2 ⎪⎪
Z = ⎨z ∈ \ 6 z = λ1 ⋅ ⎜ ⎟ + λ ⋅ ⎜ ≥
⎟ ⎜ ⎟ ; λ , λ ≥ 0 ⎬
⎪ ⎜ 1 ⎟ ⎜ 0 ⎟ ⎜ 50 ⎟ ⎪
⎪ ⎜ 0 ⎟ ⎜ 1 ⎟ ⎜ 10 ⎟ ⎪
⎪ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ⎪
⎪⎩ ⎝ 30 ⎠ ⎝ 25 ⎠ ⎝ 0 ⎠ ⎪⎭
Produktionsfeld z5=y5
im Produktdiagramm: (2) (4)
(3)
Z
(1)
(5)
(6) z4=y4
2.2.2 Lineare Technologie

Die lineare Technologie (LT) ist die für den industriellen Anwendungsbereich wichtigste
Technologieform.
Die LT beinhaltet allerdings aus Anwendersicht auch problematische Eigenschaften:
¾ Unbeschränktheit : durch R zu berücksichtigen

¾ keine Behinderungseffekte : durch R zu berücksichtigen
¾ keine Synergieeffekte : kurzfristig akzeptabel
¾ keine Lerneffekte : kurzfristig akzeptabel
¾ beliebige Objektteilbarkeit : bei Stückobjekten problematisch, u. U. als Approximation
akzeptabel, sonst Beschränkung auf Additive Technologie
Allgemein gilt bei Linearität einer Technologie für p beliebige Aktivitäten:
p
Wenn ( z ,..., z ) ∈ T
1 p
und λ ,..., λ ≥ 0,
1 p
dann gilt : z = ∑ λ r ⋅ z r ∈ T
r =1
2.2.2.1 Endlich generierbare lineare Technologien

Im Rahmen einer LT (entsprechendes gilt für eine Additive Technologie) liegt eine endlich
generierbare Technologie vor, wenn sich die gesamte Technologiemenge T durch Linear-
kombinationen einer endlichen Anzahl von Aktivitäten darstellen lässt.
Es existieren π Aktivitäten (mit π < ∞ ), so dass gilt:

Formal : ⎧ π ⎫
T = ⎨ z = ∑ λρ ⋅ z ρ λρ ≥ 0 für ρ = 1,..., π⎬
⎩ ρ =1 ⎭
Die Menge der generierenden Aktivitäten z1, z2,..., zπ bildet insgesamt die so genannte
Technologiematrix M̂ .
Es existieren auch Produktionssysteme, die sich nicht durch eine endliche Zahl von
Grundaktivitäten (oder elementaren Prozessen) beschreiben lassen. Derartige Technologien, die
als nicht endlich generierbar bezeichnet werden, treten typischerweise dann auf, wenn disponible
Prozessparameter zur Steuerung der Transformationsprozesse kontinuierlich variiert werden
können.
Beispiele:
• Gutenberg-Technologien mit Prozessparameter : kontinuierlich variierbare Einsatzintensität
von Potentialfaktoren mit Wirkung auf Verbrauchskoeffizienten für Repetierfaktoren
• Technologien für Mischungsprozesse mit Prozessparameter : kontinuierlich variierbare
Materialanteile von zu mischenden Stoffen
Approximationsmöglichkeit: Nicht endlich generierbare Technologien können in der Regel durch
Technologien mit einer (hinreichend großen) Basisendlichen Anzahl von Grundaktivitäten gut
approximiert werden.
Eine Technologiematrix M̂ heißt Basis M der Technologie T, wenn sie keine überflüssigen
Aktivitäten enthält. Überflüssig sind solche Aktivitäten, die sich durch Linearkombinationen
aus anderen Aktivitäten bilden lassen.
Beispiel : z2
T 4
z3 z2
3
ˆ = ⎡ −2 −3
M
−5 ⎤
und M =
⎡ −2 −3⎤
⎢ 1 3 3⎥⎦ ⎢ 1 3⎥ 2
⎣ ⎣ ⎦
1
z1
-8 -7 -6 -5 -4 -3 -2 -1 z1
Konsequenz:
Endlich generierbare LT’n lassen sich allein durch die Angabe ihrer Basis (und damit in
äußerst kompakter Weise) vollständig beschreiben!
Endlich generierbare LT’n bilden (geometrisch) sog. konvexe polyedrische Kegel, jede
Aktivität der Basis M erzeugt eine Kante des Kegels.
Normierungsproblematik
Die Aktivitäten [z1, ..., zπ] in der Basis M einer LT sind wegen der Eigenschaft der Größen-
proportionalität nicht eindeutig definiert.
Zur Normierung bezieht man diese Aktivitäten auf ein spezifiziertes Aktivitätsniveau, z.B.
den Verbrauch einer bestimmten Inputeinheit oder die Produktion einer bestimmten
Outputeinheit. Häufig wird als Bezugspunkt die einmalige Durchführung einer Aktivität (z.B.
in der diskreten Fertigungsindustrie) oder die Durchführung der Aktivität für die Dauer 1
Zeiteinheit (z.B. in der Prozessindustrie) gewählt.
Derartig normierte Aktivitäten werden Grundaktivitäten zρ (ρ=1,...,π) genannt.

Das Skalenniveau jeder Grundaktivität beträgt: λρ = 1 !
Konsequenzen:
Durch Änderung des Skalenniveaus lässt sich bei LT’n aus jeder Grundaktivität zρ ein
elementarer Produktionsprozess Pρ generieren:
{
Pρ = z z = λ ⋅ zρ , λ ≥ 0}
Die gesamte Technologiemenge einer LT setzt sich zusammen aus elementaren Prozessen
(reine Prozesse) und deren Linearkombinationen (gemischte Prozesse) bzw. ist bei gegebener
Basis M durch Variation des Skalenniveaus der Grundaktivitäten generierbar:
⎧ ⎡ λ 1 ⎤ ⎡0⎤ ⎫
⎪ ⎪
T = ⎨ z | z = M ⋅ λ und λ = ⎢ # ⎥ ≥ ⎢ # ⎥ ⎬
⎢ π⎥ ⎢ ⎥
⎪ ⎪
⎩ ⎣⎢λ ⎦⎥ ⎣0 ⎦ ⎭
Beispiel LederLotte : Technologiematrix

Das Beispiel von LederLotte kann dazu dienen, die Begriffe Technologie und
Produktionsmenge zu illustrieren. Die Technologie sei wie folgt bestimmt:
Die oben definierte lineare Technologie bei LederLotte ist ebenfalls endlich generiert, und
zwar durch die folgende (normierte) Basis, bestehend aus zwei Aktivitäten:
Jeder der beiden Aktivitäten in der Basis stellt die notwendigen Einsatzquantitäten der drei
Inputarten Arbeit, Nähmaschine und Leder sowie die zwangsläufig anfallende Quantität an
Lederresten dar, wenn genau ein Paar Schuhe bzw. genau eine Tasche hergestellt werden.
Darstellungsformen endlich generierbarer linearer Technologien

Algebraisches Produktionsmodell als Umsetzung der Grundgleichung: z=M·λ
ρ
in z-Schreibweise (in Nettogrößen) mit zk : Nettomenge der Objektart k in Grundaktivität ρ
⎡ z11 z12 " z1π ⎤
⎢ 1 ⎥
z z22 " z2π ⎥ π
M=⎢ 2 ⇒ z k = ∑ z kρ ⋅ λρ für k = 1,..., κ
⎢# # % #⎥ ρ=1
⎢ 1 ⎥
⎢⎣ zκ zκ2 " zκπ ⎥⎦
in (x, y)-Schreibweise (in Bruttogrößen) unter Verwendung spezifischer (nicht-negativer)
ρ ρ
Input- ai und Outputkoeffizienten b j für die jeweiligen Objektarten mit
aiρ = − ziρ > 0 und b ρj = z ρj > 0
⎡ − a11 − a12 " − a1π ⎤
⎢ ⎥
⎢ # # % # ⎥ π
⎢ − am1 − am2 " − amπ ⎥ xi = ∑ aiρ ⋅ λρ für i = 1 ,..., m

M=⎢ 1 ⎥ ⇒ ρ =1
⎢ bm +1 bm2 +1 " bmπ +1 ⎥ π

⎢ # # % # ⎥ y j = ∑ bρj ⋅ λρ für j = m + 1 ,..., m + n
⎢ 1 ⎥ ρ =1
⎢⎣bm + n bm2 + n " bmπ + n ⎥⎦
Allgemeiner Input/Output-Graph (Beispiel LederLotte)
Grundaussage der sog. Aktivitätstheorie:

Die Grundaktivitäten einer endlich generierbaren Technologie sind exogen gegebene Daten,
die die Nutzung eines Produktionssystems durch die Wahl der Aktivitätsniveaus festlegen. Es
sind also die Aktivitäten, welche die Input- und Outputmengen determinieren! Es besteht
somit keine allgemeine Outputabhängigkeit vom Input oder umgekehrt.
2.2.2.2 Strukturtypen von Technologien
Strukturtypen von Technologien
einstufig mehrstufig
zyklisch nicht-zyklisch
elementar nicht-elementar
glatt konvergierend divergierend umgruppierend
Verfahrenswahl Verfahrenswahl
outputseitig inputseitig allgemein nicht-
bei Output- bei Input-
determiniert determiniert elementar
Herstellung Nutzung
[1] Einstufige Technologien
zeichnen sich dadurch aus, dass die Objektarten ihrer Grundaktivitäten sich eindeutig in
Input- und Output einteilen lassen. Keine Objektart ist zugleich Output einer
bestimmten und Input einer anderen Grundaktivität.
[1.1] Elementare einstufige Technologien
basieren nur auf einer einzigen Grundaktivität und bestehen somit aus einem einzigen
elementaren Prozess (d.h. π = 1). Unter Weglassen des Aktivitätsindexes ρ (wegen
ρ =1) gilt damit für das algebraische Modell:
xi = ai ⋅ λ für i = 1 ,..., m
y j = bj ⋅ λ für j = m + 1 ,..., m + n
Bei elementaren Technologien lassen sich folgende Formen der Produktion unterscheiden:
(a) Glatte Produktion (1 Input/1 Output)

(b) Konvergierende Produktion (mehrere Inputs/1 Output)
(c) Divergierende Produktion (1 Input/mehrere Outputs)
(d) Umgruppierende Produktion (mehrere Inputs/mehrere Outputs)
(a) glatt
(b) konvergierend
(c) divergierend
(d) umgruppierend
Elementare Produktionsstrukturtypen [Quelle : Dyckhoff, 3. Aufl., S. 92]
Anmerkung: Diese spezifischen Formen der Produktion lassen sich auch auf nicht-elementare
Technologietypen übertragen.
Beispiel einer elementaren Technologie
Input/Output-Graph für Punsch Royal [Quelle : Dyckhoff, 3. Aufl., S. 90]
Als Beispiel sei die Herstellung von Punsch Royal angeführt. Der I/O-Graph der Technologie
ist in der Abbildung dargestellt. Die zugehörige Basisaktivität entspricht folgendem Rezept:
[1.2] Nicht-elementare einstufige Technologien
zeichnen sich durch das Vorhandensein mehrerer Grundaktivitäten aus. Ihr

algebraisches Modell lautet allgemein:
π
xi = ∑ aiρ ⋅ λρ für i = 1 ,..., m
ρ =1
π
y j = ∑ bρj ⋅ λρ für j = m + 1 ,..., m + n
ρ =1
Bei nicht-elementaren Technologien lassen sich als weitere Strukturtypen je nach

Verknüpfung von Input/Output und Grundaktivitäten folgende Formen der Produktion
unterscheiden:
(a) Outputseitig determinierte Produktion
liegt vor, wenn bei jeder Grundaktivität genau eine Outputart erzeugt wird (→ π = n ) .
Für das algebraische Modell bedeutet dies:
y j = b jj ⋅ λ j für j = m + 1 ,..., m + n
m+ n m+n
so daß : xi = ∑a
j = m +1
i
j
⋅λ =
j
∑a
j = m +1
i
j
/ b jj ⋅ y j
m+n
⇒ xi = ∑a
i = m +1
ij ⋅ yj für i = 1 ,..., n
j j
mit aij = ai / b j als sog. Produktionskoeffizienten
Konsequenz: Bei outputseitig determinierter Produktion lassen sich die Inputmengen als
eindeutige Funktion der Outputmengen beschreiben!
(b) Inputseitig determinierte Produktion
liegt vor, wenn bei jeder Grundaktivität genau eine Inputart eingesetzt wird (→ π = m) .
xi = aii ⋅ λ i für i = 1 ,..., m
m m
so dass : y j = ∑ b ⋅ λ = ∑ bij / aii ⋅ λ i
i
j
i
i =1 i =1
⇒ y j = ∑ b ji ⋅ xi für j = m + 1 ,..., m + n
i =1
i i
mit b ji = b j / ai als sog. Ausbeutekoeffizienten
Konsequenz: Bei inputseitig determinierter Produktion lassen sich die Outputmengen

als eindeutige Funktion der Inputmengen beschreiben!
(c) Verfahrenswahl bei Outputherstellung
liegt vor, wenn nur eine einzige Outputart existiert (d.h. n = 1), die alternativ mit π
verschiedenen Grundaktivitäten (auch elementare Verfahren genannt) unter Einsatz von
m Inputarten hergestellt werden kann.
ρ
Bei entsprechender Normierung der Grundaktivitäten (mit bm+1 = 1 ) lautet das
algebraische Modell unter Benutzung verfahrensspezifischer Produktionskoeffizienten
aiρ (ρ = 1 ,..., π) folgendermaßen:
π
ym +1 = ∑ ymρ +1
ρ =1
π
xi = ∑ aiρ ⋅ ymρ +1 für i = 1 ,..., m
ρ =1
ρ ρ
mit y m+1 = λ (Outputmenge auf Basis von Verfahren ρ)
Konsequenz: Bei Produktion mit Verfahrenswahl bei Outputherstellung lassen sich die
Inputmengen nicht als eindeutige Funktion der Outputmenge beschreiben!
(d) Verfahrenswahl bei Inputnutzung
liegt vor, wenn nur eine einzige Inputart existiert (d.h. m=1), die alternativ mit π
verschiedenen Grundaktivitäten (elementaren Verfahren) zur Herstellung von n
Outputarten verwendet werden kann.
Bei entsprechender Normierung der Grundaktivitäten (mit a1 = 1) lautet das
ρ
algebraische Modell unter Benutzung verfahrensspezifischer Ausbeutekoeffizienten

b ρj (ρ = 1 ,..., π) folgendermaßen:
π
x1 = ∑ x1ρ
ρ =1
π
y j = ∑ bρj ⋅ x1ρ für ρ = 2, 3 ,..., n + 1
ρ =1
ρ ρ
mit x1 = λ (Inputmenge auf Basis von Verfahren ρ)
Konsequenz: Bei Produktion mit Verfahrenswahl bei Inputnutzung lassen sich die
Outputmengen nicht als eindeutige Funktion der Inputmenge beschreiben!
(e) Allgemein nicht-elementare Technologien
liegen immer vor, wenn die Spezialfälle (a) bis (d) nicht gegeben sind.
Beispiel für allgemein nicht-elementare Technologien
Basisaktivitäten & Input/Output-Graph einer einstufigen Technologie [Quelle: Dyckhoff, 3. Aufl., S. 94]
In der (x, y)-Darstellungsweise ergibt sich daraus folgendes algebraische Modell, das
äquivalent zu dem I/O-Graph der obigen Abbildung ist :
Beispiel für mehrstufige Technologie ⎛ −1 0 0 0 0 ⎞

⎜ ⎟ Originäre Faktoren
⎜ 0 − 1 0 0 0 ⎟
Betrachtet wird eine zweistufige ⎜ 3 0 −1 0 0 ⎟
Technologie mit acht Objektarten und fünf ⎜ ⎟ Zwischenprodukte oder
⎜ 1 2 0 −1 0 ⎟
Grundaktivitäten, die auf nebenstehender M= derivative Faktoren
⎜ 0 3 0 0 −1 ⎟
Technologiematrix basiert : ⎜ ⎟
⎜ 0 0 4 0 0 ⎟
⎜ 5 0 2 4 2⎟ Endprodukte
⎜⎜ ⎟⎟
⎝ 0 0 0 6 3 ⎠
Zweistufige, inputseitig determinierte Technik [Quelle : Dyckhoff, 3. Aufl., S. 99]

[2] Mehrstufige Technologien
zeichnen sich dadurch aus, dass es mindestens zwei Grundaktivitäten mit einer in beiden
vorkommenden Objektart gibt, die Output der einen und zugleich Input der anderen
Aktivität ist. Derartige Objektarten heißen Zwischenprodukte (oder auch: derivate
Faktoren) im Unterschied zu den reinen Inputs (= originäre Faktoren) und den reinen
Outputs (= Endprodukte).
Das algebraische Modell lautet auch bei mehrstufiger Technologie in z-Schreibweise

allgemein:
z = M⋅λ
Können Zwischenprodukte k nicht auch von außen bezogen werden (zk < 0 : Primärinput) bzw.
nach außen abgegeben werden (zk > 0 : Primäroutput), so lässt sich das algebraische Modell
bei Nettodarstellung von Zwischenproduktmengen in einer (x, y, z)-Schreibweise formulieren:
π
xi = ∑ − ziρ ⋅ λ ρ für i ∈ {originäre Faktoren}
ρ=1
π
y j = ∑ z ρj ⋅ λ ρ für i ∈ {Endprodukte}
ρ=1
π
zl = ∑ zlρ ⋅ λ ρ für l ∈ {Zwischenprodukte}
ρ=1
Zur Brutto-Darstellung von Produktmengen (auch für Zwischenprodukte) kann auch eine
(x, y)-Darstellung für das algebraische Modell unter Nutzung der fundamentalen
Mengenbilanz für den Durchsatz rk jeder Objektart angegeben werden.
Primärinput + Sekundärinput = Durchsatz = Sekundäroutput + Primäroutput
Gesamtinput Gesamtoutput
Das algebraische Modell lautet dann in (x, r, y)-Schreibweise:
π π
xk + ∑ b ⋅ λ = rk = ∑ akρ ⋅ λ ρ + yk
k
ρ ρ
für alle Objektarten
ρ =1 ρ =1
mit prozessspezifischen Input- und Outputmengen

⎧− zkρ wenn zkρ < 0 ⎧ zkρ wenn zkρ > 0
akρ =⎨ und bkρ =⎨
⎩ 0 sonst ⎩ 0 sonst
Die Stufenzahl einer mehrstufigen Technologie entspricht der Anzahl der Grundaktivitäten
der längsten Produktionskette. Als Produktionskette wird eine Folge unmittelbar durch
Zwischenprodukte verbundener Grundaktivitäten bezeichnet, so dass jeweils ein Output einer
Aktivität als Input in der nachfolgenden Aktivität der Kette wieder eingesetzt wird.
Auch mehrstufige Technologien können durch die speziellen Strukturtypen wie bei einstufiger
Technologie näher charakterisiert sein!
Algebraische Modelle für mehrstufige Technologien

(obiges Beispiel)
⎛ −1 0 0 0 0 ⎞
⎜ ⎟ Originäre Faktoren
(x, y, z)-Darstellung (netto) ⎜ 0 −1 0 0 0 ⎟
x1 = λ1 ⎜ 3 0 −1 0 0 ⎟
⎜ ⎟ Zwischenprodukte oder
x2 = λ2 1 2 0 − 1 0
M=⎜ ⎟
derivative Faktoren
z3 = 3λ1 − λ3 ⎜ 0 3 0 0 −1 ⎟
⎜ ⎟
z4 = λ1 +2λ 2 − λ4 ⎜ 0 0 4 0 0⎟
z5 = 3λ 2 − λ5 ⎜ 5 0 2 4 2⎟ Endprodukte
⎜⎜ ⎟⎟
y6 = 4λ 3 ⎝ 0 0 0 6 3 ⎠
y7 = 5λ1 +2λ 3 +4λ 4 +2λ 5
y8 = 6λ 4 +3λ 5
(x, r, y)-Darstellung (brutto), alternativ auch kurz: (x, y)-Darstellung

x1 = r1 = λ1
x2 = r2 = λ2
x3 + 3λ1 = r3 = λ3 + y3
x4 + λ1 + 2λ2 = r4 = λ4 + y4
x5 + 3λ2 = r5 = λ5 + y5
4λ 3
= r6 = y6
5λ
1
+ 2λ3 + 4λ4 + 2λ5 = r7 = y7
6λ4 + 6λ5 = r8 = y8
[3] Zyklische Technologien
zeichnen sich dadurch aus, dass mindestens eine Grundaktivität existiert, deren Output
direkt oder indirekt wieder als Input in dieselbe Aktivität eingeht.
Eine zyklische Technologie weist mindestens eine geschlossene Produktionskette

(Zyklus) auf.
Das algebraische Modell lautet auch bei zyklischer Technologie allgemein
z = M⋅λ
Auch bei zyklischer Technologie muss die fundamentale Mengenbilanz für den Durchsatz
jeder Objektart gelten, so dass das entsprechende algebraische Modell für mehrstufige
Technologien in (x, r, y)-Schreibweise Anwendung finden kann.
Hinweis: Die Existenz eines (mehrstufigen) Zyklus lässt sich an der Basis M einer
Technologie daran erkennen, dass es nicht gelingt, die Zeilen der
Technologiematrix so zu vertauschen (d. h. die Objektarten so umzunummerieren),
dass in jeder Spalte oben nur Inputarten (negative Einträge) und weiter unter nur
Outputarten (positive Einträge) stehen.
Beispiel für mehrstufige zyklische Technologie
Technologie mit Verfahrenswahl und zweistufigem Zyklus [Quelle : Dyckhoff, 3. Aufl., S. 103]
Algebraisches Modell in (x, r, y)-Darstellung
x4 + + y4

⇒ Produktionstheorie im engeren Sinne!
2.3.1 Ergebnisorientierte Produktionsanalyse
Ausgangspunkt: Charakterisierungsmöglichkeit aller Objekte in einem Produktionssystem

nach ihrer Erwünschtheit (→ Güter, Übel, Neutra)
Güter sind nützliche Objekte mit relativer Knappheit, denen ein positiver Wert beigemessen
wird.
Übel sind schädliche Objekte mit relativem Überschuss, denen ein negativer Wert beigelegt
wird.
Neutra sind Objekte ohne Wert, denen gegenüber Indifferenz besteht.
Die Charakterisierung von Objekten nach der Eigenschaft der Erwünschtheit ist in starkem
Maße subjektiv und situationsabhängig!
Konsequenz: Die Ergebnisse der Produktion lassen sich im Zusammenhang mit ihrer
Erwünschtheit in positive Ergebnisse (= realer Ertrag), in negative Ergebnisse
(= realer Aufwand) und in neutrale Ergebnisse aufteilen.
Realer Ertrag entsteht durch Output von Gütern bzw. Input von Übeln und beinhaltet eine
Werterhöhung im Transformationsprozess.
Realer Aufwand entsteht durch Input von Gütern bzw. Output von Übeln und bedeutet einen
Wertverzehr in der Produktion
Realer Aufwand und realer Ertrag sind mehrdimensionale Größen, die in Mengeneinheiten
der betreffenden Objektarten gemessen werden.
Neutrale Ergebnisse tragen nicht zum realen Aufwand und Ertrag bei!
Produktion auf der

Ergebnisebene
realer Ertrag realer Aufwand neutrales Ergebnis
Output von Gütern Input von Gütern Input von Neutra
Input von Übeln Output von Übeln Output von Neutra

Achtung: Realer Aufwand und Ertrag in der Produktionstheorie dürfen nicht verwechselt
werden mit dem (wertmäßigen) Aufwand und Ertrag des Rechnungswesens!
Weitere Objektcharakterisierung:
Entsprechend ihrer Erwünschtheit (+,-,0) werden Inputobjekte als Faktoren (+), Redukte (-)
und Beifaktoren (0) sowie Outputobjekte als Produkte (+), Abprodukte (-) und Beiprodukte (0)
bezeichnet.
Prozess-
Ergebnis- bezug Input Output
kategorien
Zweckertrag (Haupt-)Redukt (Haupt-)Produkt
Realer
Ertrag
Nebenertrag Reduktfaktor Gutes Nebenprodukt
Realer
(Haupt-)Faktor Abprodukt
Aufwand
Ergebnisneutraler
Beifaktor Beiprodukt
Input bzw. Output
Legende: Gut Übel Neutrum

Ergebniskategorien [Quelle : Dyckhoff, 3. Aufl., S. 126]
Auf Ergebnisebene lassen sich vier Grundeigenschaften formulieren, die für alle praktisch
relevanten Technologien gelten:
(1) Kein Ertrag ohne Aufwand!

(2) Irreversibilität der Produktion
(3) Möglichkeit ertragreicher Produktion
(4) Abgeschlossenheit der Technologie
Beispiel MüllMax: Transformation Input/Output ⇒ Aufwand/Ertrag
Ergebnisse der Müllverbrennung [Quelle : Dyckhoff, 3. Aufl., S. 126]

2.3.2 Effizienz und Produktionsfunktion

2.3.2.1 Effizienz von Aktivitäten
Bei Kenntnis der Erwünschtheit aller Objektarten ist es möglich, die gesamte
Technologiemenge durch sog. Effizienzanalyse in aus Ergebnissicht akzeptable und nicht-
akzeptable Aktivitäten aufzuteilen.
Eine Aktivität ist nicht-akzeptabel, wenn sie von mindestens einer anderen Aktivität
dominiert wird, d. h. wenn es eine andere Aktivität gibt, deren Ertrag nicht kleiner und deren
Aufwand nicht größer ist, wobei bzgl. mindestens einer Objektart eine strenge
Vorteilhaftigkeit bzgl. Aufwand/Ertrag existiert.
Formal gilt für die Eigenschaft der Dominanz einer Aktivität z1 ggü. einer Aktivität z2, dass
für alle Objektarten k (k=1, ... , κ) folgende Ungleichungen gelten müssen:
z 1k ≥ z k2 für jede Güterart k,
z1k ≤ zk2 für jede Übelart k,
wobei für mindestens eine Objektart eine echte Ungleichung gegeben sein muss.
Eine Aktivität ist akzeptabel, wenn sie von keiner anderen Aktivität aus der gesamten
Technologiemenge dominiert wird, d. h. wenn sie effizient ist.
Die Effizienzanalyse hat zur Aufgabe, aus einer Technologiemenge die Menge der effizienten
Aktivitäten herauszufiltern (z. B. durch paarweise Prüfung auf Dominanz)
Graphisch betrachtet bilden die effizienten Aktivitäten im zweidimensionalen Fall den

nordöstlichen Rand einer reinen Gütertechnologie bzw. den südwestlichen Rand einer reinen
Übeltechnologie.
Zweidimensionale Gütertechnologien [Quelle : Dyckhoff, 3. Aufl., S. 131]

2.3.2.2 Schwaches Erfolgsprinzip und Produktionsfunktion

Für rationale produktionswirtschaftliche Entscheidungen ist es geboten, sich auf die
Betrachtung der Menge der effizienten Aktivitäten einer Technologie zu beschränken
(→ Verzicht auf mengenmäßige Verschwendung).
Das sog. schwache Erfolgsprinzip besagt, dass zum Betreiben von Produktionssystemen nur
effiziente Produktionsweisen herangezogen werden sollten.
Zur Beschreibung effizienter Produktionsweisen dient die Produktionsfunktion (PF), die den
funktionalen Zusammenhang zwischen Input- und Outputmengen aller Objektarten bei
effizienter Produktion im Rahmen einer gegebenen Technologie wiedergibt.
Die PF charakterisiert den sog. effizienten Rand einer Technologie Teff in funktionaler Form,
z. B. im zweidimensionalen Fall durch
z2=f2(z1) bzw. z1=f1(z2) (explizite PF) oder durch f(z1,z2)=0 (implizite PF).
Teff lässt sich für jede Technologie durch eine implizite PF beschreiben: f(z1,z2, ... , zκ)=0.
Dagegen ist eine Darstellung von Teff in Form einer eindimensionalen expliziten PF der Art
zk=fk (z1, ... , zk-1, zk+1, ... , zκ) im Allg. nicht möglich!
Für das Beispiel von LederLotte lässt sich die PF in x1 = 50 ⋅ y4 + 50 ⋅ y5

expliziter Form nur mehrdimensional durch x2 = 40 ⋅ y4 + 15 ⋅ y5 mit y4 ≥ 0, y5 ≥ 0
Teilfunktionen (hier: Faktorfunktionen) beschreiben:
x3 = 0,15 ⋅ y4 + 0, 40 ⋅ y5
2.3.2.3 Eigenschaften von Produktionsfunktionen
Eine PF besitzt die Eigenschaft der Limitationalität, wenn bei effizienter Produktion die
Einsatz- und Ausbringungsmengen einer Gruppe G1 von Objektarten für jede vergebene
Mengenkombination der Komplementärgruppe G2 eindeutig festliegen.
Handelt es sich bei G1 um die Inputobjekte, so spricht man von Inputlimitationalität, handelt
es sich um die Outputobjekte, so liegt Outputlimitationalität vor.
Eine PF besitzt die Eigenschaft der Variabilität, wenn bei effizienter Produktion die
Mengenkombination einer Gruppe von Objektarten durch vorgegebene Mengen der
Komplementärgruppe nicht festgelegt ist.
Substitutionalität liegt vor, wenn bei zwei variablen Objektarten unter Effizienzbedingungen
die Mengensteigerung der einen mit einer Mengenreduzierung der anderen Objektart
verbunden ist. Ist dabei die eine Objektart vollständig durch die andere ersetzbar, so spricht
man von totaler Substitutionalität, andernfalls von partieller Substitutionalität.
Komplementärität liegt vor, wenn bei effizienter Produktion die Mengenänderung variabler
Objektarten gleichgerichtet ist.
Eine Isoquante stellt den geometrischen Ort aller Mengenkombinationen einer Gruppe G1
von Objektarten dar, die bei vorgegebener Menge der Objektarten der Komplementärgruppe
G2 zu einer effizienten Produktion führen. Handelt es sich bei G1 um die Inputobjekte, so
spricht man (im Fall reiner Gütertechnologie) von einer Produkt-Isoquante.
Bei Inputlimitationalität besteht die Produkt-Isoquante nur aus einem einzigen Punkt!
Zur Messung der Ausprägung einzelner Eigenschaften von PF’n werden Messgrößen
herangezogen, insbesondere die
• Grenzrate der Substitution,

• Grenzproduktivität,
• Produktionselastizität,
• Skalenelastizität.
Für den Fall einer Gütertechnologie mit Substitutionalität der Faktoren und einer
differenzierbaren expliziten PF der Form
y3 = f ( x1 , x2 )
gelten für diese Messgrößen folgende Definitionen:
dx2
Grenzrate der Substitution zweier Faktoren σ 21 =
dx1
∂y 3 ∂y
Grenzproduktivität eines Faktors π31 = bzw. π32 = 3
∂x1 ∂x 2
∂y 3 ∂x1 ∂y ∂x 2
Produktionselastizität eines Faktors ε31 = bzw. ε32 = 3
y3 x1 y3 x2
dy3 λ
Skalenelastizität ε= ⋅ y = f (λx1 , λx2 )
y3 dλ (wobei hier 3
Bei Limitationalität der Faktoren sind Grenzwerte der Substitution, Grenzproduktivität und
Produktionselastizität nicht definiert!
2.3.3 Lineare Produktionstheorie

Die Lineare Produktionstheorie befasst sich mit den Eigenschaften von PF’n bei Linearer
Technologie (LT), die ggf. auch durch lineare Restriktionen zu einem entsprechenden
Produktfeld eingeschränkt sein kann. Die weiteren Betrachtungen beschränken sich auf
endlich generierbare LT’n.
2.3.3.1 Effizienz von Grundaktivitäten
In Anwendung des schwachen Erfolgsprinzips kann man sich bei der Analyse endlich
generierbarer LT’n auf die Betrachtung der effizienten Grundaktivitäten beschränken.
In diesem Zusammenhang gelten die folgenden fünf Aussagen:

(1) Eine Grundaktivität (GA) ist nicht-effizient, wenn sie von einer anderen GA oder einer
Linearkombination von GA’n dominiert wird.
(2) Jede effiziente Aktivität einer Technologiemenge lässt sich als Linearkombination
effizienter GA’n darstellen.
Beispiel:
Faktordiagramm mit dominierter Grundaktivität [Quelle : Dyckhoff, 3. Aufl., S. 172]

(3) Echte Linearkombinationen nicht-effizienter GA’n können keine effizienten

Aktivitäten erzeugen.
(4) Echte Linearkombinationen effizienter GA’n können allerdings zu nicht-effizienten

Aktivitäten führen.
(5) Sofern auch nur eine echte Linearkombination mehrerer effizienter GA’n eine
effiziente Aktivität erzeugt, so gilt dies auch für alle anderen Kombinationen.
Beispiel:
Linearkombination dreier Grundaktivitäten [Quelle : Dyckhoff, 3. Aufl., S. 168]

2.3.3.2 Limitationalität und Variabilität

Die Eigenschaften der PF bei LT hängen vom Strukturtyp der Technologie ab.
Elementare sowie einseitig (d.h. input- bzw. outputseitig)

determinierte nicht-elementare LT’n sind immer limitational.
Eine outputseitig determinierte LT ist immer inputlimitational

bzw. (bei reiner Gütertechnologie) aufwandslimitational. Eine
inputseitig determinierte LT ist immer outlimitational bzw.
ertragslimitational.
Die PF lässt sich bei Limitationalität explizit durch mehrere

sog. Faktorfunktionen bzw. Produktfunktionen (siehe
algebraisches Modell) beschreiben.
Eine PF bei LT und Limitationalität wird auch als linear-

limitational bezeichnet. Im Fall einer inputlimitationalen
Gütertechnologie spricht man auch von einer Leontief-PF.
Nicht-elementare LT’n, die nicht einseitig

determiniert sind, lassen eine Variabilität bei
Faktoreinsatz und/oder Produkterzeugung zu. LT’n
mit Verfahrenswahl bei Outputherstellung zeichnen
sich durch Substitutionalität der Faktoren, solche mit
Verfahrenswahl bei Inputnutzung durch
Substitutionalität der Produkte aus.
Bei variabler LT besteht die Produktisoquante aus

linearen Teilstücken. Grenzraten der Substitution und
Grenzproduktivitäten sind in diesem Fall definiert und
messbar.

Die Produktionstheorie auf Erfolgsebene versucht auf Basis eines eindimensionalen
Erfolgsmaßstabs zu einer vollständigen Vergleichbarkeit aller Aktivitäten einer Technologie
zu kommen, was auf Ergebnisebene i. d. R. nicht möglich ist.
2.4.1 Erfolgsmessung und Erfolgsfunktion
2.4.1.1 Grundlagen der Erfolgsmessung
Unter Erfolg wird der eindimensional messbare Wertschöpfungsbeitrag einer
Produktionsweise verstanden.
Grundannahme der Produktionstheorie auf Erfolgsebene ist, dass der Erfolg jeder
Produktions-Aktivität z durch eine reellwertige Zahl w gemessen werden kann, die deren
Wertschöpfungsbeitrag aus der (subjektiven) Sicht des Betrachters des Produktionssystems
wiedergibt.
Die sog. Erfolgsfunktion
w(z ) = w( z1 , z2 , ... ,zκ ) ∈ \ für alle z ∈T
erlaubt einen direkten Vergleich aller Aktivitäten und gewährleistet damit eine vollständige
Präferenzordnung.
Grundeigenschaften der Erfolgsfunktion

¾ Normierung für erfolgsneutrale Aktivitäten z : w(z)=0
¾ Kompatibilität von Erfolg und Erwünschtheit:
⎧ > 0 für jede Güterart k
∂w(z) ⎪
⎨ < 0 für jede Übelart k
∂z k ⎪
⎩ = 0 für jede neutrale Objektart k
Bewertungsbasis für die Erfolgsfunktion w(z)
- Marktpreis für Objektarten bei rein ökonomischer

- staatlich festgesetzte Preise Betrachtung
- innerbetriebliche Verrechnungspreise
- subjektive präferenzabhängige Wertgrößen
Ökonomische Erfolgsfunktionen
⎧ > 0 : Gewinn
w(z) : Reinvermögensänderung durch Aktivität z mit w(z ) ⎨
⎩ < 0 : Verlust
Bei Erfolgsaufspaltung nach Richtung der Vermögensänderung erhält man

- als positiven Erfolgsanteil (bewerteter realer Ertrag) : Erlöse E(z),
- als negativen Erfolgsanteil (bewerteter realer Aufwand) : Kosten K(z),
so dass insgesamt gilt: w(z) = E(z) – K(z).
Bei Abspaltung von fixen Erfolgsanteilen
wfix = w(z = 0)
erhält man den variablen (d.h. mengenabhängigen) Produktionserfolg wvar, der auch als
Deckungsbeitrag D bezeichnet wird:
D(z) = wvar(z) = w(z) – wfix
= Evar(z) – Kvar(z)
Der Deckungsbeitrag ist ein angemessenes Erfolgskriterium bei Entscheidungen zur laufenden
Nutzung eines gegebenen Produktionssystems, allerdings nicht bei Entscheidungen zu dessen
Um- oder Neugestaltung.
Beispiel MüllMax : Produktionserfolg
GE
Produktionserfolg der dargestellten Aktivität :
E (z ) = 300 + 75, 2 + 97 = 472, 2

K (z ) = 20 + 175 + 35 + 60 = 290
W (z ) = 472, 2 − 290 = 182, 2
I/O-Graph einer Müllverbrennungsanlage mit Wertflüssen [Quelle :Dyckhoff, 3. Aufl., S. 196]

Eigenschaften der Erfolgsfunktion

Erfolgsfunktionen können durch eine Hierarchie von Eigenschaften spezifische
Ausprägungen haben:
Erfolgsfunktion
separabel nicht-separabel
additiv nicht-additiv
linear nicht-linear
¾ Separabilität einer Erfolgsfunktion liegt vor, wenn der Gesamterfolg in getrennte

Erfolgsbeiträge einzelner Objektarten aufgespaltet werden kann:
w(z) = W(w1(z1), w2(z2), ... wκ(zκ))

→ Voraussetzung: Isolierbarkeit objektspezifischer Erfolgseinflüsse
¾ Additivität einer separablen Erfolgsfunktion liegt vor, wenn sich die objektspezifischen
Erfolgsbeiträge additiv zum Gesamterfolg verknüpfen lassen:
w(z) = w1(z1) + w2(z2) + ... + wκ(zκ)

→ Voraussetzung: Präferenzunabhängigkeit der Objektarten
¾ Linearität einer additiv-separablen Erfolgsfunktion liegt vor, wenn alle objektbezogenen

Grenzerfolge konstant sind:
∂w( z )
w( z ) = p1 ⋅ z1 + p 2 ⋅ z 2 + ... + p κ ⋅ z κ mit p k =
= const.
∂z k
→ Voraussetzung: Keine Mengenabhängigkeit von Preisen bei Beschaffung oder Absatz
von Objekten.
2.4.1.2 Starkes Erfolgsprinzip

Das sog. starke Erfolgsprinzip besagt, dass beim Betreiben von Produktionssystemen als
optimale nur die erfolgsmaximale(n) Produktionsweise(n) z0 herangezogen werden sollten!
Für z0 gilt dabei:
w( z 0 ) = max {w( z ) z ∈ T}
Bei Konsistenz von Präferenzen auf Ergebnis- und Erfolgsebene muss eine Kompatibilität von
schwachem und starkem Erfolgsprinzip existieren, d. h.
z0 ∈ Teff
Existenz optimaler Aktivitäten :
Größenproportionale Technologieformen zeichnen sich durch unbeschränkte Aktivitäts-

mengen aus, so dass i. d. R. eine erfolgsmaximale Produktionsweise mit endlicher Faktor-
einsatz- bzw. Produktausbringungsmenge nicht existiert.
Im Zusammenhang mit externen Beschränkungen der Produktionsmöglichkeiten durch ein

Restriktionsfeld R ist die Anwendung des starken Erfolgsprinzips in der Praxis auf das
Produktionsfeld Z bezogen, so dass im Prinzip von der Existenz erfolgsmaximaler
Produktionsweisen ausgegangen werden kann, wobei für die optimale Aktivität gilt:
w( z 0 ) = max {w( z) z ∈ Z = T ∩ R}
Beispiel:
Annahmen
• z1 und z2 sind Güter
• lineare additiv-separable Erfolgsfunktion, die zu einem Gewinn bei effizienten
Produktionsweisen führt
erfolgsmaximale effiziente
Produktionsweise Produktionsweisen
T z2
4
Z 3
R 2
-8 -7 -6 -5 -4 -3 -2 -1 z1
2.4.1.3 Erfolgsmaximierung bei beschränktem Produktionsfeld

Beispiel: Linear-limitationale Technologie mit outputseitig determinierter Güterproduktion
→ LederLotte mit Produktionsfeld aus U 2-26
Produktionsfeld Z: ⎧ ⎛ −50 ⎞ ⎛ −50 ⎞ ⎛ -5000 ⎞ ⎫
⎪ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎪
⎪ ⎜ −40 ⎟ ⎜ −15 ⎟ ⎜ -3000 ⎟ ⎪
⎪⎪ ⎜ −0,15 ⎟ 2 ⎜ −0, 4 ⎟ ⎜ -30 ⎟ 1 2 ⎪⎪
Z = ⎨z ∈ \ 6 z = λ1 ⋅ ⎜ ⎟ + λ ⋅ ⎜ ≥
⎟ ⎜ ⎟ ; λ , λ ≥ 0 ⎬
⎪ ⎜ 1 ⎟ ⎜ 0 ⎟ ⎜ 50 ⎟ ⎪
⎪ ⎜ 0 ⎟ ⎜ 1 ⎟ ⎜ 10 ⎟ ⎪
⎪ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ⎪
⎪⎩ ⎝ 30 ⎠ ⎝ 25 ⎠ ⎝ 0 ⎠ ⎪⎭
Ersetzen von Aktivitätsniveaus durch Produktionsmengen y4=λ1 und y5=λ2:
Produktionsfeld : 0 ≤ x1 = 50·y4 + 50·y5 ≤ 5000 (1)
0 ≤ x2 = 40·y4 + 15·y5 ≤ 3000 (2)
0 ≤ x3 = 0,15·y4 + 0,40·y5 ≤ 30 (3)
y4 ≥ 50 (4)
y5 ≥ 10 (5)
0 ≤ y6 = 30·y4 + 25·y5
Erfolgsfunktion : Additiv-separabel und linear mit Objektbewertungen:

p1 = 1 , p2 = 2 , p3 = 500 , p4 = 200 , p5 = 400 , p6 = 0
⇒ D = D(x1 , x2 , x3 , y4 , y5 , y6) = -1·x1-2·x2-500·x3 +200·y4+400·y5+0·y6

= (-50-80-75+200)·y4 + (-50-30-200+400)·y5 = -5·y4 + 120·y5 = D(y4 , y5)
mit produktspezifischen Deckungsbeiträgen: d4 = -5, d5 = 120
y5 Produktionsfeld Z
(2) (4)
erfolgsmaximale
Produktionsweise
(3)
Z
(1)
(5)
Erfolgsmaximum (6) y4
0
aus Mindestmenge für Produkt 4 : y4 = 50
und Maximalmenge für Produkt 5 (beschränkt durch Engpass-Faktor 1):
y50 aus : 50 ⋅ y40 + 50 ⋅ y50 = 5000 → y50 = (5000 − 50 ⋅ 50) / 50 = 50
Optimale Aktivität
z 0 = (−5000; − 2750; − 27,5; 50; 50; 2750) → D 0 = − 5 ⋅ 50 + 120 ⋅ 50 = 5750
Engpassanalyse bei Erfolgsmaximierung

Einzelne Restriktionen aus dem Restriktionsfeld R (in Form von Mindest- oder Höchstmengen
einzelner Objektarten) können zu Erfolgsbeschränkungen führen.
Verhinderte Erfolgsverbesserungen durch derartige Restriktionen werden als
Opportunitätskosten der Objektart bezeichnet. Sie sind positiv, wenn eine Objektart einen
Engpass für eine Erfolgsverbesserung darstellt, ansonsten sind sie gleich Null!
Die marginalen Opportunitätskosten pro Engpasseinheit werden als Schattenpreis der
entsprechenden Objektart bezeichnet.
Beispiel LederLotte:
Schattenpreis der Objektart 1 (verfügbare Arbeitsminuten) :
ΔD0 = D0(x1=5001) - D0(x1=5000)
0
Für x1 = 5001 gilt : y5 = (5001 − 50 ⋅ 50) / 50 = 50, 02
→ D0(x1 = 5001) = -5·50 + 120·50,02 = 5752,4
→ ΔD0 = 5752,4-5750 = 2,4 (Schattenpreis der Arbeit)
Schattenpreis der Objektart 4 (Schuhe) :
ΔD0 = D0(y4=49)-D0(y4=50)
Für y4 = 49 gilt : y5 = (5000-50·49)/50 = 51
→ D0(y4 = 49) = -5·49 + 120·51 = 5875
→ ΔD0 = 5875-5750 = 125 (Schattenpreis der Lieferverpflichtung Schuhe)
Schattenpreis für die anderen Objektarten (2,3 und 5) :
→ ΔD0 = 0
Erfolgsmaximierung bei einem einzigen Engpass
• Optimale Engpassfaktorzuteilung nach engpassspezifischen (d. h. relativen) Deckungs-

beiträgen
Erfolgsmaximierung bei mehreren Engpässen
• Engpassspezifische Deckungsbeiträge können erst bei Kenntnis der optimalen Aktivität

ermittelt werden.
• Notwendigkeit zur Lösung eines umfassenden Optimierungsproblems z.B. in Form eines

LOP (Lineares Optimierungsproblem).
2.4.2 Lineare Erfolgstheorie

2.4.2.1 Grundlagen der linearen Erfolgstheorie
Die lineare Erfolgstheorie bezieht sich auf Produktionssysteme mit folgenden Komponenten:
(1) Lineare Technologie T
(2) Restriktionsfeld R mit absoluten Schranken
(3) Lineare, additiv-separable Erfolgsfunktion w(z)
→ Aus (1) und (2) folgt, dass das Produktionsfeld Z = T ∩ R ein konvexes Polyeder darstellt.
Erfolgsfunktion bei endlich generierbarer Technologie:
κ κ ⎛ π ρ ρ⎞ κ π π
⎛ κ ⎞
w( z ) = ∑ pk ⋅ zk = ∑ pk ⋅ ⎜⎜ ∑ λ ⋅ zk ⎟⎟ = ∑∑ pk ⋅ λ ⋅ zk = ∑ ⎜ ∑ pk ⋅ zkρ ⎟ ⋅ λρ
ρ ρ
k =1 k =1 ⎝ ρ=1 ⎠ k =1 ρ=1 ρ=1 ⎝ k =1 ⎠

Definiert man als prozessspezifische Deckungsbeiträge der Grundaktivitäten:
d ρ = p1 ⋅ z1ρ + p2 ⋅ z2ρ + , ... , + pκ ⋅ zκρ für ρ = 1 , ... , π ,
so gilt allgemein für die Erfolgsfunktion:
w( z) = w( λ ) = d 1 ⋅ λ1 + d 2 ⋅ λ2 + ... + d π ⋅ λπ
Konsequenz : Der Gesamterfolg eines Produktionssystems ist eine lineare Funktion des
Aktivitätsniveaus der einzelnen Grundaktivitäten!
Hinweis : Die prozessspezifischen Deckungsbeiträge kennzeichnen den Überschuss
objektbezogener Erlöse über die variablen Kosten bei Betreiben einer
Grundaktivität. Eine Zurechnung derartiger Deckungsbeiträge zu einzelnen
Objektarten ist i. d. R. nicht möglich!
2.4.2.2 Erfolgsfunktionen bei spezifischen Technologiestrukturtypen
Definition: Im Zusammenhang mit der (x, y)-Schreibweise werden die Erfolgsbeiträge je ME

(pk) für Inputgüter i mit ci (= Stückkosten) und für Outputgüter j mit ej (=
Stückerlöse) bezeichnet.
Unter Nutzung der jeweiligen algebraischen Produktionsmodelle lassen sich für

unterschiedliche Strukturtypen linearer Technologien die jeweiligen Erfolgsfunktionen
detailliert angeben und auswerten.
Für prozessspezifische Deckungsbeiträge gilt damit im Zusammenhang mit dem allgemeinen

algebraischen Modell für jeden Strukturtyp xi = ∑ aiρ ⋅ λρ und yi = ∑ bρj ⋅ λρ :
ρ ρ
d ρ = ∑ e j ⋅ bρj − ∑ ci ⋅ aiρ
j i
für ρ = 1, ... , π
• Elementare Technologie (π = 1)
w( x, y) = ∑ e j ⋅ y j − ∑ ci ⋅ xi = ∑ e j ⋅ b j ⋅ λ − ∑ ci ⋅ ai ⋅ λ = w(λ )
j i j i
→ prozessspezifischer Deckungsbeitrag : d = ∑e j ⋅ bj − ∑ci ⋅ ai

j i
→ Deckungsbeitrag d kann auch einem einzelnen Produkt- oder einem einzelnen Faktor
zugerechnet werden:
d d
dj = bzw. d i =
bj ai
(Annahme: Die anderen Produkte und Faktoren erhalten keinen Erfolgsbeitrag

zugerechnet.)
• Outputseitig determinierte Produktion
Im Zusammenhang mit xi = ∑ aij ⋅ y j gilt hier:

j
⎛ ⎞
w( x, y ) = ∑ e j ⋅ y j − ∑ ci ⋅ xi = ∑ ⎜ e j − ∑ ci ⋅ aij ⎟⎟ ⋅ y j = w( y )
j i j ⎝ i ⎠
Unter Definition produktspezifischer Stückkosten k j = ∑ ci ⋅ aij

i
lassen sich produktspezifische Deckungsbeiträge d j = ej − k j formulieren, so dass gilt:
w( x , y ) = w( y ) = ∑ d j ⋅ y j
j
Ergebnis: Bei outputseitig determinierter Produktion ist die Zurechnung von

Deckungsbeiträgen auf die jeweiligen Produkte möglich!
• Inputseitig determinierte Produktion
Im Zusammenhang mit y j = ∑ b ji ⋅ xi gilt hier:

i
⎛ ⎞
w( x, y ) = ∑ e j ⋅ y j − ∑ ci ⋅ xi = ∑ ⎜⎜ ∑ e j ⋅ bij − c j ⎟⎟ ⋅ xi = w( x )
j i i ⎝ j ⎠
Unter Definition faktorspezifischer Stückerlöse li = ∑ e j ⋅ bij
j
lassen sich faktorspezifische Deckungsbeiträge d i = li − ci formulieren, so dass gilt:
w( x, y ) = w( x ) = ∑ d i ⋅ xi
i
Ergebnis: Bei inputseitig determinierter Produktion ist die Zurechnung von

Deckungsbeiträgen auf die jeweiligen Faktoren möglich!
• Verfahrenswahl bei Produktherstellung
Im Zusammenhang mit ym+1 = ∑ ym+1 und xi = ∑ ai ⋅ y m+1

ρ ρ ρ
gilt hier:
ρ i
⎛ ⎞
w( x, ym +1 ) = em +1 ⋅ ym +1 − ∑ ci ⋅ xi = ∑ ⎜ em +1 − ∑ ci ⋅ aiρ ⎟⎟ ⋅ ymρ +1
i ρ ⎝ i ⎠
Unter Definition verfahrenspezifischer Stückkosten k ρ = ∑ ci ⋅ aiρ lassen sich
i
verfahrensspezifische Produkt-Deckungsbeiträge d ρ = em+1 − k ρ formulieren, so dass gilt:
w( x, ym +1 ) = ∑ d ρ ⋅ ymρ +1 = ∑ d ρ ⋅ λρ = w( λ )
ρ ρ
Ergebnis: Im Rahmen von Verfahrenswahl bei Produktherstellung ist eine eindeutige

Zurechnung des Deckungsbeitrags auf das Endprodukt nur bei vorheriger Festlegung der
jeweiligen Produktionsverfahren möglich.
• Verfahrenswahl bei Faktornutzung
Hier gelten die obigen Zusammenhänge in umgekehrter Formulierung:
w( x1 , y ) = ∑ d ρ ⋅ x1ρ = ∑ d ρ ⋅ λρ = w( λ ) mit d ρ = ∑ e j ⋅ bρj − c1 als verfahrensspezifische

ρ ρ j
Faktor-Deckungsbeiträge
Hinweis : Ohne Faktor- oder Produktbeschränkungen würde bei Verfahrenswahl-Systemen

gemäß dem starken Erfolgsprinzip als einziges Produktionsverfahren nur das erfolgs-
maximale Verfahren zum Zuge kommen. Damit würden sich Systeme mit Verfahrenswahl bei
Produktion auf Systeme mit einseitig determinierter Produktion reduzieren.
2.4.2.3 Erfolgsmaximierung bei Faktor- und Produktbeschränkungen

Für einstufige Produktionssysteme mit gegebenem Restriktionsfeld R der Art
R= z z≤z≤z { }
führt die Suche nach der erfolgsmaximalen Produktionsweise zur Optimierungsaufgabe:
Maximiere w(λ1 , ... , λπ) = d1⋅λ1 + ... + dπ⋅λπ

z1k ⋅ λ1 + ... + zkπ ⋅ λ π ≤ z k für k = 1 , ... , κ
1 1 π π
und zk ⋅ λ + ... + zk ⋅ λ ≥ z k für k = 1 , ... , κ
bei Linearer Technologie: λi , ... , λπ ≥ 0

bzw.
bei Additiver Technologie: λi , ... , λπ ≥ 0 und ganzzahlig
Die Aufgabe besteht in der Festlegung der Niveaus aller Grundaktivitäten der Technologie in
der Art, dass der Gesamterfolg maximiert und alle externen Restriktionen eingehalten werden.
Die Aktivitätsniveaus λρ (ρ=1,...,π) sind Entscheidungsvariablen des Optimierungsproblems.
Bei der Erfolgsmaximierung im Rahmen der linearen Erfolgstheorie handelt es sich um ein
Lineares Optimierungsproblem (LOP) ohne bzw. mit ganzzahligen Variablen. Aus der Lösung
des LOP erhält man neben den optimalen Aktivitätsniveaus auch (im Fall ohne
Ganzzahligkeit) die Schattenpreise für die einzelnen Restriktionen.
Beispiel: Erfolgsmaximierung bei Faktorbeschränkungen
Strukturtyp: Verfahrenswahl bei Produktherstellung
Prozessstrahlen im Faktordiagramm:
⇒ Verfahren (4) wird dominiert
Stückkosten der Faktoren:

c1=2 und c2=1
Ergebnis:
Verfahrensspezifische Stückkosten:
k1 = 2⋅100 + 1⋅20 = 220
2
k = 2⋅50 + 1⋅30 = 130
3
k = 2⋅30 + 1⋅60 = 120 ⇒ Erfolgsmaximales Verfahren ist Verfahren (3)
Faktorbeschränkungen:
x1≤800 und x2≤360
Ergebnis: Auch dominierte Verfahren müssen bei erfolgsmaximaler Produktion unter
Umständen herangezogen werden.
Darstellung des Expansionspfades (outputabhängige kostenminimale Produktionsweise) im

Faktordiagramm:
400
120
140
120
Expansionspfad bei Faktorbeschränkungen Grenzkostenverlauf auf dem Expansionspfad

Produktion und Logistik PW / OR WS 06/07 Überblick
Algebraisches Produktionsmodell in (x, y)-Schreibweise (in Bruttogrößen) unter

ρ ρ
Verwendung spezifischer (nicht-negativer) Input- ai und Outputkoeffizienten b j für die
ρ ρ
jeweiligen Objektarten mit ai = − zi > 0 und b ρj = z ρj > 0
outputseitig determiniert ( π = n ) outputseitig determiniert ( π = m )
⎡ − a11 − a12 " − a1π ⎤ ⎡ − a11 0 " 0 ⎤
⎢ ⎥ ⎢ ⎥
⎢ # # % # ⎥ ⎢ # # % # ⎥
⎢ − a − am " − am ⎥
1 2 π ⎢ 0 0 " − am ⎥ π
M=⎢ 1m ⎥ M=⎢ 1 π ⎥
⎢ m +1
b 0 " 0 ⎥ ⎢ m +1
b b 2
m +1 " bm +1 ⎥
⎢ # # % # ⎥ ⎢ # # % # ⎥
⎢ ⎥ ⎢ 1 ⎥
⎢⎣ 0 0 " bmπ + n ⎥⎦ π
⎢⎣bm + n bm + n " bm + n ⎥⎦
2
Verfahrenswahl bei Outputherstellung (n=1), Verfahrenswahl bei Inputnutzung (m=1),

normiert normiert
⎡ − a11 − a12 " − a1π ⎤ ⎡ −1 −1 " −1 ⎤
⎢ ⎥ ⎢ b1 π ⎥
# # % # b 2
" b
M=⎢ 1 ⎥ M=⎢ m +1 m +1 m +1 ⎥
⎢ − am − am " − am ⎥
2 π
⎢ # # % # ⎥
⎢ ⎥ ⎢ 1 π ⎥
⎣bm + n bm + n " bm + n ⎦
2
⎣ 1 1 " 1 ⎦
(a) Outputseitig determinierte Produktion
liegt vor, wenn bei jeder Grundaktivität genau eine Outputart erzeugt wird (→ π = n ) .
y j = b jj − m ⋅ λ j − m für j = m + 1 ,..., m + n
m+ n m+n
so daß : xi = ∑a
j = m +1
i
j −m
⋅λ j −m
= ∑a
j = m +1
i
j −m
/ b jj − m ⋅ y j
m+ n
⇒ xi = ∑
j = m +1
aij ⋅ y j für i = 1 ,..., m
j −m j −m
mit aij = ai / b j als sog. Produktionskoeffizienten
Konsequenz: Bei outputseitig determinierter Produktion lassen sich die Inputmengen als
eindeutige Funktion der Outputmengen beschreiben!
[2] Mehrstufige Technologien
zeichnen sich dadurch aus, dass es mindestens zwei Grundaktivitäten mit einer in beiden
vorkommenden Objektart gibt, die Output der einen und zugleich Input der anderen
Aktivität ist. Derartige Objektarten heißen Zwischenprodukte (oder auch: derivate
Faktoren) im Unterschied zu den reinen Inputs (= originäre Faktoren) und den reinen
Outputs (= Endprodukte).
Das algebraische Modell lautet auch bei mehrstufiger Technologie in z-Schreibweise
allgemein:
z = M⋅λ
Produktmengen von Produkt k, die nach außen abgegeben werden (zk > 0), heißen
Primäroutput; Produkte, die von außen bezogen werden (zk < 0) nennt man Primärinput.
In gemischter Nettodarstellung von Zwischenproduktmengen lässt sich das algebraische
Modell in einer (x, y, z)-Schreibweise formulieren:
π
xi = ∑ − ziρ ⋅ λ ρ für i ∈ {originäre Faktoren}
ρ=1
π
y j = ∑ z ρj ⋅ λ ρ für i ∈ {Endprodukte}
ρ=1
π
zl = ∑ zlρ ⋅ λ ρ für l ∈ {Zwischenprodukte}
ρ=1

3.1.1 Grundbegriffe und Grundzusammenhänge
Unter einem (Allgemeinem) Linearen Optimierungsproblem (LOP) versteht man ganz
allgemein die folgende Aufgabenstellung LOP-A:
Wähle p Variable x1 ,..., xp derart, dass eine lineare Zielfunktion
(A.1.) Z ( x1 , ... , x p ) = c1A ⋅ x1 + ... + c pA ⋅ x p
maximiert oder minimiert wird, wobei zugleich lineare Nebenbedingungen der Form
(A.2) aiA1 ⋅ x1 + ... + aipA ⋅ x p ≤ biA für i = 1 ,..., m1
(A.3) aiA1 ⋅ x1 + ... + aipA ⋅ x p ≥ biA für i = m1 + 1 ,..., m2
(A.4) aiA1 ⋅ x1 + ... + aipA ⋅ x p = biA für i = m2 + 1 ,..., m A
beachtet werden und zusätzlich Nichtnegativitätsbedingungen für die Variablen gelten

können
(A.5.) xj ≥ 0 für (einige oder alle) j=1 ,..., p
Einen Vektor x = ( x1 ,..., x p )T ∈ \ p , der alle Nebenbedingungen (A.2)-(A.4) erfüllt, nennt

man eine Lösung des LOP.
Einen Lösungsvektor x, der zusätzlich die Nichtnegativitätsbedingungen (A.5) erfüllt, heißt

zulässige Lösung des LOP.
Eine zulässige Lösung x * = ( x1* ,..., x *p )T heißt optimale Lösung des LOP, wenn es keine zulässige
Lösung x mit einem besseren (größeren bzw. kleineren) Zielfunktionswert als Z(x*) gibt.
Die Menge der zulässigen Lösungen wird mit X, die Menge der optimalen Lösungen mit X*
bezeichnet.
Beispiel LederLotte : Erfolgsmaximierung bei mehreren Faktorengpässen
Erfolgsmaximierung für das Unternehmen LederLotte
Max Z = 60x1 + 120x2 x2

(2) (4)
u.d.N. 50x1 + 50x 2 ≤ 5000 (1)
40x1 + 15x 2 ≤ 3000 (2)
0,15x1 + 0, 4x 2 ≤ 30 (3)
x1 ≥ 50 (4)
Erfolgsmaximum
x 2 ≥ 10 (5)
x1 ≥ 0, x2 ≥ 0
(3)
mit
x1 : Produktionsmenge Schuhe (bisher y4)
x2 : Produktionsmenge Taschen (bisher y5) (1)
Z : Gesamtdeckungsbeitrag (bisher D)
(5)
x1
Jedes LOP der allgemeinen Form LOP-A lässt sich in eine äquivalentes LOP in Standardform
LOP-S transformieren:
p
Z ( x1 ,..., x p ) = ∑ c Sj ⋅ x j
Maximiere j =1
unter den Nebenbedingungen (u.d.N.)

p
∑a
j =1
S
ij ⋅ x j ≤ biS für i = 1 ,..., m
xj ≥ 0 für j = 1 ,..., p
Für die Transformation lassen sich folgende Äquivalenzbeziehungen (=ˆ ) nutzen:
[1] Min Z ( x1 ,..., x p ) =ˆ Max − Z ( x1 ,..., x p )
[2] ∑a
j
ij ⋅ x j ≥ bi =ˆ ∑ (−a ) ⋅ x
j
ij j ≤ −bi
[3] ∑a
j
ij ⋅ x j = bi =ˆ ∑aj
ij ⋅ x j ≤ bi und ∑a j
ij ⋅ x j ≥ bi
+ −
[4] x j ∈ \ =ˆ xj = x − x j j und x , x −j ≥ 0
+
j
Jedes LOP-S lässt sich durch Einführung von sog. Schlupfvariablen xp+1 ,..., xp+m in eine
äquivalentes LOP in Normalform LOP-N überführen:
n
Maximiere Z ( x1 ,..., xn ) = ∑ c j ⋅ x j mit ( n = p + m )
j =1
u.d.N.
n
∑a
j =1
ij ⋅ x j = bi für i = 1 ,..., m
xj ≥ 0 für alle j = 1 ,..., n
dabei besitzt das LOP-N folgende spezifische Struktur:

p n Die p ursprünglichen Variablen x1, ..., xp
Max Z ( x1 ,..., x p , x p+1 ,..., xn ) = ∑ c ⋅ x j + S
j ∑0⋅ xj werden Strukturvariablen genannt.
j =1 j = p +1
Die m zusätzlichen Schlupfvariablen
u. d. N. xp+1, ..., xn nutzt man, um die m
p
∑a
j =1
S
ij ⋅ x j + x p +i = biS für i = 1 ,..., m Ungleichungen in Gleichungen zu
transformieren.
xj ≥ 0 für alle j = 1 ,..., n Das LOP-N enthält also (ohne
Nichtnegativitätsbedingungen) m Neben-
bedingungen und n = p + m > m Variablen.
In Matrixschreibweise lässt sich das LOP-N folgendermaßen formulieren:
T
Max Z ( x ) = c ⋅x
u. d. N.
A·x=b
x≥0
In diesem haben die Vektoren b (Dimension: m) und c (Dimension: n) sowie die (m x n)

Matrix A folgende Struktur (sog. LOP in kanonischer Form):
⎡ c1 ⎤
⎢ # ⎥ ⎡ a11 " a1,n−m 1 0 " 0 0 ⎤
⎡ b1 ⎤ ⎢c ⎥ ⎢ # # % ⎥
⎢ ⎥
b = ⎢ # ⎥ , c = ⎢ n−m ⎥ , A = ⎢ # # % ⎥
⎢b ⎥ ⎢ 0 ⎥
⎣ m⎦ ⎢ # ⎥ ⎢ # # % ⎥
⎢ 0 ⎥ ⎢ am,1 " am,n−m 0 0 " 0 1 ⎥
⎣ ⎦
⎣ ⎦
3.1.2 Eigenschaften von Linearen Optimierungsproblemen

Betrachtet wird ein LOP in Normalform (LOP-N). Es wird davon ausgegangen, dass alle
Gleichungen im Gleichungssystem A · x = b linear unabhängig sind (bzw. dass die linear
abhängigen Gleichungen des ursprünglichen LOP-N eliminiert wurden), so dass rg A = m < n
gilt und das Gleichungssystem bzw. das LOP eine nicht-leere Lösungsmenge besitzt.
Für die relevanten Lösungsmengen gelten folgende Eigenschaften:
x
[1] Die Menge X aller zulässigen Lösungen des 2
(2) (4)
LOP-N stellt ein (u.U. unbeschränktes)
Polyeder dar und besitzt endlich viele
Eckpunkte
[2] Die lineare Zielfunktion Z nimmt ihr Optimum,

sofern ein solches existiert (was bei Erfolgsmaximum
unbeschränkter Lösungsmenge X nicht der Fall
sein muss), in mindestens einem Eckpunkt des
X-Polyeders an. (3)
[3] Die Menge X* aller optimalen Lösungen des
LOP-N ist ebenfalls konvex. (1)
(5)
x1
Begriff der Basislösung:

¾ Eine Lösung x ∈ X heißt Basislösung des LOP-N, wenn p = n – m der Variablen xi gleich
Null sind und für die zu den restlichen m Variablen xj gehörenden Spaltenvektoren aj
lineare Unabhängigkeit vorliegt.
¾ Die gleich Null gesetzten Variablen xi werden als Nichtbasisvariablen (NBV), die anderen
Variablen xj als Basisvariablen (BV) bezeichnet.
¾ Die Menge aller Basisvariablen xj einer Basislösung nennt man Basis.
¾ Eine Basislösung, die alle Nichtnegativitätsbedingungen erfüllt (d.h. xj ≥ 0 für j ∈ Basis)
heißt zulässige Basislösung.
Eigenschaften von Basislösungen:

[1] Eine Lösung x ∈ X ist genau dann eine zulässige Basislösung eines LOP-N, wenn sie
einen Eckpunkt des X-Polyeders darstellt.
[2] Jeder Eckpunkt der Menge der zulässigen Lösungen X eines LOP-N entspricht mindestens
einer zulässigen Basislösung.
Konsequenz der LOP-Eigenschaften:
¾ Bei der Suche nach der optimalen Lösung x* (bzw. der Menge der optimalen Lösungen X*)
eines LOP-N kann man sich auf die Untersuchung der Eckpunkte des zulässigen Bereichs
X beschränken.
¾ Unter der Menge der optimalen Lösungen X* befindet sich mindestens eine zulässige
Basislösung.
LOP-Beispiel Lederlotte : Normalform LOP-N und Basislösungen

(zunächst beschränkt auf Restriktionen (1)-(3))
Maximiere Z(x1 ,..., x 5 ) = 60x1 + 120x 2
u. d. N.
50x1 + 50x 2 + x 3 = 5000 (NB1)
40x1 + 15x 2 + x4 = 3000 (NB2)
0,15x1 + 0,4x 2 + x5 = 30 (NB3)
x1 ,..., x 5 ≥ 0
Alle zulässigen Basislösungen sind aus der folgenden Tabelle ersichtlich. Jeder Eckpunkt wird
dabei durch die Basisvariablen (BV) und Nichtbasisvariablen (NBV) beschrieben.
Eckpunkt BV NBV Basislösung (x1,...,x5)

A = ( 0; 0) x3,x4,x5 x1,x2 ( 0; 0; 5000; 3000; 30) (NB2)
B = ( 0; 75) x2,x3,x4 x1,x5 ( 0; 75; 1250; 1875; 0)
•B
C = (40; 60) x1,x2,x4 x3,x5 (40; 60; 0; 500; 0)
D = (60; 40) x1,x2,x5 x3,x4 (60; 40; 0; 0; 5) •C
E = (75; 0) x1,x3,x5 x2,x4 (75; 0; 1250; 0; 18,75) (NB3)
•D
(NB1)
•A •E

3.2.1 Der primale Simplex-Algorithmus
Bedingung für die Anwendung des primalen Simplex-Algorithmus zur Lösung eines LOP
ist, dass eine bekannte zulässige Basislösung existiert.
Wenn der Beschränkungsvektor b des LOP nur nicht-negative Werte enthält (d.h. b ≥ 0),
besteht eine zulässige Basislösung immer darin, dass die Schlupfvariablen als BV und
Strukturvariablen des LOP als NBV gewählt werden.
Der Simplex-Algorithmus besteht in der systematischen Lösung des LOP durch iteratives
Absuchen jeweils benachbarter Eckpunkte des polyedrischen Lösungsbereichs X so lange, bis
keine Lösungsverbesserung mehr erzielbar ist.
Jedes Fortschreiten von Ecke zu Ecke im Rahmen der Iterationen erfolgt, indem jeweils genau
eine NBV neu in die Basis aufgenommen und dafür genau eine bisherige BV aus der Basis
eliminiert wird (Basistausch).
Die zugehörigen Rechenoperationen lassen sich (von Hand) mit Hilfe des sog.
Simplextableaus durchführen, das im ersten Lösungsschritt die Koeffizienten des LOP-N (in
kanonischer Form) enthält.
NBV BV
BV x1 " x n−m xn+ m−1 " xn bi
x n − m+1 a11 " a1,n − m 1 " 0 b1
# # # # % # #
xn a m1 " a m,n − m 0 " 1 bm
Z − c1 − c n−m 0 " 0 Z-Wert
Bedeutung der Z-Zeile: Z - c1·x1 - … - cn-m · xn-m = (aktueller) Z-Wert

Beispiel Lederlotte : Simplexalgorithmus bei bekannter zulässiger Basislösung

Wählt man die Schlupfvariablen als Basisvariablen und die Variablen x1 und x2 als Nichtbasisvariablen, so
erhält man als erste zulässige Basislösung: x3 = 5000, x4 = 3000, x5 = 30, x1 = x2 = 0 mit Z=0
Diese ist durch Isolierung der Basisvariablen in den jeweiligen Nebenbedingungen auch wie folgt darstellbar:
x 3 = 5000 − 50x1 − 50x 2
x 4 = 3000 − 40x1 − 15x 2
x5 = 30 − 3 x
20 1 − 2 x
5 2
Z = 0 + 60x1 + 120x 2
Zweite zulässige Basislösung:
Man erhält sie durch Einsetzen von x2 = 75 – 3/8 x1 – 5/2 x5 in die Gleichungen der ersten zulässigen Basislösung:
x 3 = 1250 − 125 4 x1 + 125x 5
x4 = 1875 − 275
8 x1 + 75
2 x5
x2 = 75 − 3x1 8 − 5 x
2 5
Z = 9000 + 15x1 − 300x 5

Dritte zulässige Basislösung:
Man erhält sie durch Einsetzen von x1 = 40 – 4/125 x3 + 4 x5 in die Gleichungen der ersten zulässigen Basislösung:
x1 = 40 − 4125 x 3 + 4x 5
x4 = 500 + 11
10 x3 − 100x 5
x2 = 60 + 3 250 x 3 − 4x 5
Z = 9600 − 12 25 x 3 − 240x 5
Diese Basislösung mit x1 = 40, x2 = 60, x4 = 500, x3 = x5 = 0, Z=9600 ist optimal (eine Erhöhung von x3
bzw. x5 würde zu einer Verminderung des Gewinns führen).
Iterationsschritte des primalen Simplex-Algorithmus:
[1] Wahl der Pivotspalte t (→ neu aufzunehmende BV)
Suche Spalte t mit ct = min { c j | c j < 0 } (kleinster Wert in Z-Zeile)

j
⇒ Die zu Spalte t zugehörige NBV wird in die Basis aufgenommen! Wenn für alle j gilt:
cj ≥ 0 , dann ist die aktuelle Basislösung optimal und das Verfahren kann abgebrochen
werden.
[2] Wahl der Pivotzeile s (→ zu eliminierende BV)
bs ⎧⎪ bi ⎫⎪
Suche Zeile s mit = min ⎨ ait > 0 ⎬ (kleinster Quotient)
ast i
⎩⎪ ait ⎭⎪
⇒ Die zu Zeile s zugehörige BV wird aus der Basis entfernt!
Das zu Pivotzeile s und Pivotspalte t gehörende Element ast heißt Pivotelement.
Wenn für alle i gilt: ait ≤ 0 , so besitzt das LOP keine optimale Lösung (der Lösungsbereich
X muss unbeschränkt sein) und das Verfahren muss abgebrochen werden.
[3] Transformation des Simplextableaus
Das LOP wird für die neue Basis nach Variablentausch in kanonische Form gebracht, indem
durch lineare Transformationen des Gleichungssystems unter der neuen BV ein Einheitsvektor
mit ast = 1 geschaffen wird.
Regeln zur Umformung des Simplextableaus im Rahmen von Schritt [3]

Alt Alt Alt
Gegeben: bisherige Werte aij , bi , c j mit i : Zeilenindex und j : Spaltenindex
Alt Alt
sowie das Pivotelement a st und der Zielfunktionswert Z-Wert
Gesucht: neue Werte: aijNeu , biNeu , c Neu

j , Z-Wert Neu
Neu
(1) ast =1 (2) aitNeu = 0 für alle i ≠ s
asjAlt Neu bsAlt

(3) a Neu
sj = für alle j ≠ t (4) bs = Alt
astAlt a st
Neu Alt aitAlt Alt Neu Alt aitAlt Alt

(5) a ij =a ij − Alt ⋅ asj für alle i ≠ s und j ≠ t (6) bi = bi − Alt ⋅ bs für alle i ≠ s
ast ast
asjAlt Neu Alt bsAlt Alt

(7) c Neu
j =c Alt
j − ⋅c
t
Alt
für alle j (8) Z-Wert = Z-Wert − Alt ⋅ ct
astAlt ast
LOP-Beispiel LederLotte: Der primale Simplexalgorithmus
Der Verfahrensablauf kann anhand der folgenden Tabelle nachvollzogen werden. Das
jeweilige Pivotelement ist durch eckige Klammern hervorgehoben. Fehlende Eintragungen
besitzen den Wert 0.
BV x1 x2 x3 x4 x5 bi
x3 50 50 1 5000
x4 40 15 1 3000 Erste Basislösung :
3
x5 /20 [2/5] 1 30 x3 = 5000, x4 = 3000, x5 = 30,
Z -60 -120 0 0 0 0 x1 = x2 = 0, Z=0
x3 [125/4] 1 -125 1250
x4 275/8 1 -75/2 1875 Zweite Basislösung :
3 5
x2 /8 1 /2 75 x2 = 75, x3 = 1250, x4 = 1875,
Z -15 0 0 0 300 9000 x1 = x5 = 0, Z=9000
4
x1 1 /125 -4 40
x4 -11/10 1 100 500 Optimale Basislösung :
x2 1 -3/250 4 60 x1 = 40, x2 = 60, x4 = 500,
12 x3 = x5 = 0, Z = 9600
Z 0 0 /25 0 240 9600
3.2.2 Der duale Simplex-Algorithmus

Für den Fall, dass keine zulässige Basislösung bekannt ist (z.B. negative Elemente in b), lässt
sich durch den dualen Simplex-Algorithmus, ausgehend von einer bekannten unzulässigen
Basislösung, iterativ eine zulässige Basislösung finden. Als (unzulässige) Startlösung kann
man z.B. die Basislösung mit Schlupfvariablen als BV und Strukturvariablen als NBV wählen.
Iterationsschritte des dualen Simplex-Algorithmus
[1] Wahl der Pivotzeile s (→ zu eliminierende BV)
Suche Zeile s mit bs = min

i
{ bi | bi < 0 } („größte“ Unzulässigkeit)
⇒ Die zu Zeile s zugehörige BV wird aus der Basis entfernt! Wenn für alle i gilt: bi ≥ 0,
dann kann zum primalen Simplex-Algorithmus übergegangen werden.
[2] Wahl der Pivotspalte t (→ neu aufzunehmende BV)
ct ⎧⎪ c j ⎫⎪
Suche Spalte t mit a = max ⎨ a sj < 0 ⎬ (kleinste Z-Verschlechterung)
st
j
⎪⎩ a sj ⎪⎭
⇒ Die zu Spalte t zugehörige BV wird in die Basis aufgenommen! Wenn für alle j gilt: asj
≥ 0, dann existiert keine zulässige Basislösung
[3] Transformation des Simplextableaus
wie beim primalen Simplex-Algorithmus
LOP-Beispiel LederLotte : Der duale Simplexalgorithmus

Unter Berücksichtigung der Mindestabsatzmengen ist das folgende LOP zu lösen:
max Z(x1,x2) = 60x1 + 120x2 x2

(2) (4)
u. d. N.: 50x1 + 50x 2 ≤ 5000 (1)
40x1 + 15x 2 ≤ 3000 (2)
0,15x1 + 0, 4x 2 ≤ 30 (3)
x1 ≥ 50 (4)
x 2 ≥ 10 (5)
(3)
(1)
(5)
x1
Das erste Tableau mit nicht zulässiger Basislösung lautet wie folgt:
BV x1 x2 x3 x4 x5 x6 x7 bi
x3 50 50 1 5000 Startlösung:
x4 40 15 1 3000 x3 = 5000, x4 = 3000, x5 = 30, x6 = -50, x7 = -10,
3 2
x5 /20 /5 1 30 x1 = x2 = 0, Z=0
x6 [-1] 1 -50
x7 -1 1 -10
Z -60 -120 0 0 0 0 0 0
Wir wenden den dualen Simplexalgorithmus auf das obige Beispiel an und erhalten:
1
x7 /50 1 1 40 Optimale Basislösung:
3
x4 - /10 1 25 250 x1 = 50, x2 = 50, x4 = 250,
x5 -2/250 1 -1/4 5
/2 x5 = 5/2, x7 = 40,
x1 1 -1 50 x3 = x6 = 0, Z=9000
1
x2 1 /50 1 50
12
Z /5 0 0 60 9000
x3 50 1 50 2500 „Erste“ Basislösung:
x4 15 1 40 1000 x1 = 50, x3 = 2500, x4 = 1000, x5 = 45/2, x7 = -10,
2 3 45
x5 /5 1 /20 /2 x2 = x6 = 0, Z=3000
x1 1 -1 50
x7 [-1] 1 -10
Z -120 0 0 0 -60 0 3000
Das Tableau enthält noch immer keine zulässige Basislösung; nach einer weiteren Iteration
mit dem dualen Simplexalgorithmus ergibt sich:
x3 1 50 [50] 2000 „Zweite“ Basislösung:
x4 1 40 15 850 x1 = 50, x2 = 10, x3 = 2000, x4 = 850, x5 = 37/2,
3 2 37
x5 1 /20 /5 /2 x6 = x7 = 0, Z=4200
x1 1 -1 50
x2 1 -1 10
Z 0 0 0 -60 -120 4200
Das Tableau enthält eine zulässige, aber noch nicht optimale Basislösung; nach einer
weiteren Iteration mit dem primalen Simplexalgorithmus ergibt sich:
1
3
x4 - /10 1 25 250 x1 = 50, x2 = 50, x4 = 250, x5 = 5/2, x7 = 40,
x5 -2/250 1 -1/4 5
/2 x3 = x6 = 0, Z=9000
x1 1 -1 50
1
x2 1 /50 1 50
12
Z /5 0 0 60 9000
3.2.3 Interpretation der LOP-Lösung und Sonderfälle

Interpretation der Ergebnisse im Schlusstableau
¾ Ergebnisse in der b-Spalte

→ für Strukturvariable : Lösungswerte der Entscheidungsvariablen
→ für Schlupfvariable : nicht ausgeschöpfte Restriktionseinheiten
¾ Ergebnisse in der Z-Zeile

→ für Strukturvariable : Schattenpreis der Variablenbeschränkung
→ für Schlupfvariable : Schattenpreis der Restriktionseinheit
LOP-Beispiel LederLotte : Ergebnisinterpretation
1
3
x4 - /10 1 25 250 x1 = 50, x2 = 50, x4 = 250, x5 = 5/2, x7 = 40,
x5 -2/250 1 -1/4 5
/2 x3 = x6 = 0, Z=9000
x1 1 -1 50
1
x2 1 /50 1 50
12
Z /5 0 0 60 9000
Sonderfälle bei LOP-Lösung
¾ In Schritt 2 des dualen Simplexalgorithmus gilt für alle Elemente j der Pivotzeile s: asj ≥ 0.
⇒ Das LOP hat keine zulässige Lösung!
¾ In Schritt 2 des primalen Simplexalgorithmus gilt für alle Elemente i der Pivotspalte t: ait ≤ 0
⇒ Das LOP hat keine optimale Lösung!
¾ Im Simplextableau ergibt sich, dass eine NBV einen Schattenpreis von Null besitzt.
⇒ Das LOP besitzt mehrere gleich gute Basislösungen!
¾ Im Simplextableau ergibt sich, dass eine BV einen Wert von Null besitzt.
⇒ Der Lösungsbereich X des LOP‘s besitzt überbestimmte Eckpunkte !
Sonderfälle bei LOP-Lösung: Graphische Beispiele

• keine zulässige Lösung • keine optimale Lösung
x2 x2
X
X=∅
x1
x1
• mehrere gleich gute Lösungen • überbestimmte Lösungen
x2 x2
X
X
Z
x1 x1
3.3 Dualität
Zu jedem LOP-S mit Max-ZF und gegebenen Problemdaten A, b und c existiert ein
korrespondierendes duales LOP mit Min-ZF und denselben Problemdaten, welches eine
äquivalente Lösung hat.
Das Ausgangsproblem nennt man das primale Problem, das korrespondierende Problem heißt
duales Problem. Das mit dem dualen Problem korrespondierende duale Problem ist wiederum
das primale Problem.
Der formale Zusammenhang zwischen primalem und dualem LOP stellt sich wie folgt dar:
Primales LOP Duales LOP

Max Z(x) = cT ⋅ x Min ZD(w) = bT ⋅ w
u. d. N A⋅x≤b u. d. N. AT w ≥ c
x≥0 w≥0
mit c , x ∈ Rp , b , w ∈ Rm , Am,p , ATp,m

Mit jeder Nebenbedingung des primalen Problems korrespondiert genau eine Variable des
dualen Problems (sog. Dualvariable), so dass das duale LOP gerade m Strukturvariable wi (i =
1, ... , m) besitzt.
Mit jeder Strukturvariablen xj (j = 1, ... , p) des primalen Problems korrespondiert genau eine
Nebenbedingung des dualen Problems, so dass das duale LOP gerade über p
Nebenbedingungen verfügt.
Die Ungleichheitsbeziehungen des dualen Problems sind umgekehrt zu denjenigen des

primalen Problems.
Für die zulässigen Lösungen des primalen und dualen LOP gilt der folgende
Einschließungssatz:
Z(x) ≤ Z(x*) = ZD(w*) ≤ ZD(w)
Ist der Zielfunktionswert des primalen Problems nicht nach oben beschränkt (so dass keine
optimale Lösung existiert), so besitzt das duale Problem keine zulässige Lösung und
umgekehrt.
Bringt man primales und duales LOP-S durch die Einführung von Schlupfvariablen jeweils in
Normalform eines LOP-N mit folgenden Variablen
Strukturvariable Schlupfvariable
primales LOP x1, ... , xp xp+1 , ... , xp+m
duales LOP w1, ... , wm wm+1 , ... , wm+p
so gelten im Optimum folgende Bedingungen (sog. komplementärer Schlupf):

x *j ⋅ w m* + j = 0 für j = 1, ... , p
wi* ⋅ x *p +i = 0 für i = 1, ... , m
Generell gilt folgender Zusammenhang im Optimum:
¾ Die Schlupfvariablen des primalen LOP korrespondieren mit den Strukturvariablen des
dualen LOP und umgekehrt.
¾ Im Optimaltableau des primalen LOP liegen in Form der Schattenpreise der Restriktionen
auch die optimalen Werte der Strukturvariablen des dualen LOP vor.
¾ Umgekehrtes gilt für das Optimaltableau des dualen LOP.
Ergebnis: Zur Lösung eines vorgegebenen LOP kann man sowohl auf die Formulierung des
primalen wie des dualen Problems zurückgreifen. Zweckmäßigerweise geht man
von derjenigen Formulierung aus, die sich numerisch am einfachsten lösen lässt.
Dualität: Graphisches Beispiel
Max Z(x1,x2) = x1 + 2x2 Min ZD(w1,w2) = 10w1 + 6w2

2x1 + x2 ≤ 10 [w1] 2w1 ≥ 1 [x1]
x2 ≤ 6 [w2] w1 + w 2 ≥ 2 [x2]
x 1, x 2 ≥ 0 w1, w2 ≥ 0
x2 w2
10 2
x1* = 2, x2* = 6
w1* = 0,5
6 w2* = 1,5
1
Z* = 14
ZD* = 14
0 5 10 x1 0 1 2 w1
Dualität: Ökonomische Bedeutung
Primales Problem: Wähle bei gegebenen Produktdeckungsbeiträgen die Produktmengen so,

dass der Gesamtdeckungsbeitrag maximiert wird, wobei der
Ressourcenverbrauch die vorgegebenen Mengen je Ressource nicht
übersteigen darf!
Duales Problem: Wähle bei gegebenen Ressourcenmengen deren Schattenpreise

(Gewinnbeiträge der Ressourcen) so, dass die Gesamtopportunitäts-
kosten (Gesamtwert aller verbrauchten Ressourcen) minimiert werden,
wobei die produkt-spezifischen Opportunitätskosten (Gewinnbeiträge
der Ressourcen pro produzierter Produkteinheit) die jeweiligen
Produktdeckungsbeiträge übersteigen müssen!
Dualität am Beispiel Lederlotte : (ohne Mindestabsatz)

Primales LOP Duales LOP
Max Z(x1 , x 2 ) = 60x1 + 120x 2 Min ZD(w1 , w 2 , w 3 ) = 5000w1 + 3000w 2 + 30w 3

u.d.N. u.d.N.
50x1 + 50x 2 ≤ 5000 [w1 ] 50w1 + 40w 2 + 0,15w 3 ≥ 60 [x1 ]
40x1 + 15x 2 ≤ 3000 [w 2 ] 50w1 + 15w 2 + 0,4w 3 ≥ 120 [x 2 ]
0,15x1 + 0,4x 2 ≤ 30 [w 3 ] w1 , w 2 , w 3 ≥ 0
x1 , x 2 ≥ 0
Ausgangstableau: Ausgangstableau:
BV x1 x2 x3 x4 x5 bi BV w1 w2 w3 w4 w5 bi
x3 50 50 1 5000 w4 -50 -40 -3/20 1 -60
2
x4 40 15 1 3000 w5 -50 -15 - /5 1 -120
x5 3/20 2/5 1 30 -ZD 5000 3000 30 0 0 0
Z -60 -120 0 0 0 0
Optimaltableau: Optimaltableau:
BV x1 x2 x3 x4 x5 bi BV w1 w2 w3 w4 w5 bi
x1 1 4
/125 -4 40 w1 1 11/10 -4/125 3/250 12/25
x4 -11/10 1 100 500 w3 -100 1 4 -4 240
x2 1 -3/250 4 60 -ZD 0 500 0 40 60 -9600
Z 0 0 12/25 0 240 9600
Korrespondenzen: Z( x* ) = ZD( w* ) = 9600
x1* = SP(w 4 ) = 40 ⎫ x1* ⋅ w *4 = 0

⎪
x*2 = SP(w 5 ) = 60 ⎪⎪ x*2 ⋅ w *5 = 0
w1* = SP(x 3 ) = 12 / 25 ⎬ w1* ⋅ x*3 = 0
w *2 = SP(x 4 ) = 0 ⎪ w *2 ⋅ x*4 = 0
⎪
w *3 = SP(x 5 ) = 240 ⎪⎭ w *3 ⋅ x*5 = 0
SP : Schattenpreis
Unter Sensitivitätsanalyse versteht man die Untersuchung, wie und inwieweit die optimale
Lösung eines LOP auf Veränderungen in den Ausgangsdaten des Problems reagiert. Damit
lassen sich die Auswirkungen von Datenänderungen oder Fehleinschätzung von Daten auf die
LOP-Lösung analysieren.
Im Weiteren wird folgende Notation benutzt:

¾ aij , bi , cj : Daten (Koeffizienten) des Ausgangsproblems
¾ a0ij , b0i , c0j : Daten (Koeffizienten) im Optimaltableau
Die Fragestellung der Sensitivitätsanalyse lautet:

In welchem Intervall können die einzelnen Koeffizienten des Ausgangsproblems (aij , bi , cj)
schwanken, ohne dass die Struktur der optimalen Basis bei Lösung des Problems wechselt.
Die weiteren Ausführungen beschränken sich auf die Analyse der Koeffizienten in b und c.
3.4.1 Sensitivität bzgl. der Restriktionskoeffizienten in b

Aufgabe: Ermittlung der höchstzulässigen Veränderung der Restriktionskoeffizienten bi
(i = 1, ..., m) nach unten ( λ i ) und nach oben ( λ i ) und damit Ermittlung des
zulässigen Schwankungsintervalls ⎡⎣bi − λ i , bi + λ i ⎤⎦ ohne Basiswechsel.
Hinweis: Eine Veränderung des i-ten Restriktionskoeffizienten bi beeinflusst die zugehörige

Schlupfvariable xq (mit q =p+i) der i-ten Nebenbedingung.
Fall [1] : x q ist BV
⇒ λ i = xq und ⇒ λi = ∞
Fall [2] : x q ist NBV
⎧⎪ ∞ wenn alle akq0 ≤ 0

⇒ λi = ⎨
⎪⎩min
k
{
bk0 / akq0 | akq
0
}
>0 sonst
und
⎧⎪ ∞ wenn alle akq0 ≥ 0
⇒ λi = ⎨
⎪⎩min
k
{
−bk0 / akq0 | akq
0
<0 } sonst
3.4.2 Sensitivität bzgl. der ZF-Koeffizienten in c

Aufgabe: Ermittlung der höchstzulässigen Veränderung der ZF-Koeffizienten cj (j = 1,..., p)
nach unten ( v j ) und nach oben ( v j ) und damit des zulässigen
Schwankungsintervalls ⎡⎣c j − v j , c j + v j ⎤⎦ .
Hinweis: Eine Veränderung des j-ten ZF Koeffizienten cj beeinflusst die zugehörige

Strukturvariable in der Zielfunktion.
Fall [1] : x j ist NBV
⇒ vj = ∞ und ⇒ v j = c 0j
Fall [2] : x j ist BV
⎧ ∞ wenn alle a 0jk ≤ 0 mit k ≠ j

⎪
⇒ vj = ⎨
⎪⎩min
k≠ j
{ }
ck0 / a 0jk | a 0jk > 0 sonst
und
⎧ ∞ wenn alle a 0jk ≥ 0 mit k ≠ j
⎪
⇒ v j = ⎨min −c 0 / a 0 | a 0 < 0
⎪⎩ k ≠ j k {
jk jk sonst }
~
mit j : Nummer der Zeile im Optimaltableau, in der die BV xj steht
Sensitivitätsanalyse am Beispiel LederLotte (ohne Mindestabsatz)

Wir wollen die optimale Lösung des Problems hinsichtlich ihrer Reaktion auf Daten-
änderungen untersuchen. Hierzu sei das Problem nochmals graphisch veranschaulicht und
Ausgangs- und Optimaltableau angegeben.
Ausgangstableau: Max Z( x1 , x2 ) = 60 x1 + 120 x2
BV x1 x2 x3 x4 x5 bi
x3 50 50 1 5000
x4 40 15 1 3000
x5 3/20 2/5 1 30 (NB2)
Z -60 -120 0 0 0 0 •B
•C
Optimaltableau: (NB3)
BV x1 x2 x3 x4 x5 bi • D
4
x1 1 /125 -4 40
11 (NB1)
x4 - /10 1 100 500
x2 1 -3/250 4 60 •A •E
12
Z 0 0 /25 0 240 9600
Optimale Basislösung (Punkt C)
x1 = 40, x2 = 60, x4 = 500, x3 = x5 = 0, Z=960
Wir erhalten
• in Restriktion 1 (x3 ist Nichtbasisvariable): λ1 = 1250 , λ1 = 5000 /11
Reduziert man b1 um mehr als λ1 = 1250 , so würde x5 für x1 in die Basis gelangen;
erhöht man b1 um mehr als λ1 = 5000 /11 , so würde x3 für x4 in die Basis kommen.
• in Restriktion 2 (x4 ist Basisvariable): λ 2 = 500 , λ 2 = ∞
• in Restriktion 3 (x5 ist Nichtbasisvariable): λ 3 = 5 , λ 3 = 10

Reduziert man b3 um mehr als λ 3 = 5 , so würde x3 für x4 in die Basis gelangen;
erhöht man b3 um mehr als λ 3 = 10 , so würde x5 für x1 in die Basis kommen.
Für das Beispiel LederLotte erhält man als Spielraum für die Zielfunktionskoeffizienten
der Strukturvariablen x1 und x2 (beide sind in der optimalen Lösung Basisvariablen):
• Für c1: ν1 = 15 , ν1 = 60 .
• Für c2: ν 2 = 60 , ν2 = 40 .

Jedes LOP lässt sich prinzipiell mit dem Simplex-Algorithmus lösen.
Im Einzelnen hängt der numerische Lösungsaufwand (Anzahl der Iterationen) ab von
• der Anzahl der Strukturvariablen (p),
• der Anzahl der Nebenbedingungen (m),
• der Anteil der Koeffizienten aij ungleich Null (Besetzungsdichte von A).
Spezielle Lösungsverfahren für Spezielle LOPs
• Es gibt spezielle LOPs, die eine spezifische Problemstruktur aufweisen, welche die
Lösbarkeit dieser Probleme erleichtert. Für solche speziellen Probleme lassen sich oft
spezielle Lösungsalgorithmen entwickeln, die noch wesentlich schneller sind als der
(immer mögliche) Einsatz des Simplex-Algorithmus.
• Drei dieser speziellen LOPs sind das Klassische Transportproblem, das Zweistufige
Transportproblem und das Lineare Zuordnungsproblem.
3.5.1 Das Klassische Transportproblem

Problemstellung
Es gibt m Angebotsorte, in denen jeweils ai (i = 1, ..., m) ME
eines bestimmten Gutes verfügbar sind. Weiter gibt es n
Nachfrageorte, die jeweils bj (j = 1 ,..., n) ME diese Gutes
benötigen. Das Gesamtangebot an Gütern reicht gerade zur
Deckung der Gesamtnachfrage aus ∑ a i = ∑ b j .
i j
Die Transportkosten sind proportional zur Transportmenge und

betragen für den Transport von Angebotsort i zu Nachfrageort j
genau cij GE/ME.
Die Aufgabenstellung besteht in der Festlegung, welche
Gütermengen von den einzelnen Angebotsorten zu den
einzelnen Nachfrageorten zu transportieren sind
( =ˆ Transportplan), so dass alle Bedarfe befriedigt werden und
die gesamten Transportkosten minimiert werden.
Strukturdarstellung
[Quelle : Domschke/Drexl : Einführung in

Operations Research, 5. Aufl., S. 74]
Modellierung:
Zur einfacheren Modellierung ist es zweckmäßig, zweifach indizierte Variable zu benutzen,
die sich auf je einen Angebotsort und einen Nachfrageort beziehen.
Variable : xij : Transportmenge von Angebotsort i zu Nachfrageort j
m n
Zielfunktion : Min Z(x11 , ... , x mn ) = ∑∑ cij ⋅ x ij (Gesamt-Transportkosten)
i =1 j=1
Nebenbedingungen :
(1) Vollständige Ausschöpfung der Angebotsmengen
n
∑x
j =1
ij = ai für i = 1, ... , m
(2) Vollständige Befriedigung der Nachfragemengen
m
∑x
i =1
ij = bj für j = 1, ... , n
(3) Nichtnegativität der Transportmengen
xij ≥ 0 für i = 1 ,..., m und j = 1 ,..., n
Die spezielle Struktur der Nebenbedingungen (NB)

des TPPs wird anhand eines Beispiels mit zwei
Anbietern und drei Nachfragern deutlich erkennbar.
[Quelle : Domschke/Drexl, 5. Aufl., S. 75]

Lösung des Klassischen Transportproblems:

Die Lösung erfolgt in zwei Phasen:
Phase 1 : Bestimmung einer (guten) zulässigen Basislösung durch ein sog. Eröffnungsver-
fahren.
Phase 2 : Bestimmung der optimalen Basislösung durch ein Optimierungsverfahren bei
gegebener zulässiger Lösung.
Eröffnungsverfahren:
Es existieren verschiedene Eröffnungsverfahren zum klassischen Transportproblem, die sich
bezüglich Lösungsgüte und Lösungsaufwand unterscheiden.
Ein besonders einfaches Eröffnungsverfahren besteht in der sog. Nordwestecken–Regel.
Hierbei werden die Basisvariablen mit Hilfe eines Transporttableaus sukzessiv (von links
oben nach rechts unten) ermittelt, indem Angebotsmengen von Angebotsorten jeweils so
lange zu Transportmengen in Nachfrageorte zusammengefasst werden, bis Angebots- oder
Nachfragemenge ausgeschöpft sind.
Optimierungsverfahren:
Es existieren verschiedene Optimierungsverfahren (wie z. B. die sog. MODI-Methode), die
-ausgehend von einer zulässigen Basislösung- die spezifische Struktur der Nebenbedingungen
ausnutzen und mit weniger Aufwand als beim generellen Simplexverfahren in einer endlichen
Zahl von Iterationen auf die optimale Basislösung führen.
Beispiel zum Lösungsverfahren

Zur Beschreibung der genannten Verfahren
und für „Handrechnungen“ ist es vorteilhaft,
ein Transporttableau der folgenden Art zu
verwenden:

Nordwesteckenregel
Beispiel: Gegeben sei ein Problem mit drei Anbietern,
vier Nachfragern, der Angebotsmengen a = (10, 8, 7),
den Nachfragemengen b = (6, 5, 8, 6).
Mit der Nordwesteckenregel erhalten wir dafür die
nebenstehende zulässige Basislösung mit den
Basisvariablen x11 = 6, x12 = 4, x22 = 1, x23 = 7, x33 = 1
x34 = 6 (in Kästchen) und Nichtbasisvariablen xij = 0
sonst.
3.5.2 Das Zweistufige Transportproblem

Problemstellung:
Das Problem ist identisch mit dem Klassischen Transportproblem (m Angebotsorte mit
jeweiligen Angebotsmengen ai und Nachfragemengen bj) bis auf die Erweiterung, dass die
Güter an vorgegebenen Orten (Umschlagpunkte) umgeladen werden, um durch
Güterbündelung Transportkosten zu sparen.
Zusätzliche Daten :
p : Anzahl der Umschlagpunkte (k=1,…,p)
cikA : Kosten (GE/ME) für Transport von Angebotsort i zu Umschlagpunkt k
ckjB : Kosten (GE/ME) für Transport von Umschlagpunkt k zu Nachfrageort j
Modellierung:
Variable :
xikA : Transportmenge von Angebotsort i zu Umschlagpunkt k

xkjB : Transportmenge von Umschlagpunkt k zu Nachfrageort j
Zielfunktion :
m p p n
A A B B
Min Z ( x ,..., x , x ,..., x ) =
11 mp p1 pn ∑∑ c
i =1 k =1
A
ik ⋅ x + ∑∑ ckjB ⋅ xkjB
A
ik
k =1 j =1
Nebenbedingungen :
(1) Vollständige Ausschöpfung der Angebotsmengen

p
∑x
k =1
A
ik = ai für i = 1,..., m
(2) Vollständige Befriedigung der Nachfragemengen

p
∑x
k =1
B
kj = bj für j = 1,..., n
(3) Gleichheit von Zu- und Abfluss in den Umschlagpunkten

m n
∑ x =∑ x
i =1
A
ik
j =1
B
kj für k = 1,..., p
(4) Nichtnegativität der Transportmengen

B
xikA ≥ 0 und xkj ≥ 0 für i = 1,..., m; k = 1,..., p; j = 1,..., n
Lösung: wie Klassisches Transportproblem (nach Umformung)

3.5.3 Das Lineare Zuordnungsproblem

Problemstellung:
Es gibt n Objekte aus einer Gruppe A, die (ebenfalls) n Objekten aus einer Gruppe B jeweils
paarweise zugeordnet werden sollen. Jede Zuordnung eines Objekts i (i = 1, ... , n) aus Gruppe
A zu einem Objekt j (j = 1, ... , n) aus Gruppe B ist mit einem spezifischen Erfolgsbeitrag cij
verbunden.
Die Aufgabenstellung besteht in der Festlegung, wie die Zuordnung zu erfolgen hat, so dass
alle Objekte aus beiden Gruppen genau eine paarweise Zuordnung erfahren und dabei der
Gesamterfolg aus allen Zuordnungen maximiert wird.
Beispiele:
Gruppe A Gruppe B Erfolgsgrößen
Arbeitnehmer Tätigkeiten Einarbeitungszeit
Schulklassen Lehrer Zufriedenheit
Vorlesungen Wochenzeiten Zufriedenheit
Gebäude Betriebsflächen Transportwege
Modellierung:
Eine Zuordnungsentscheidung kann durch eine zweifach indizierte Variable (sog.
Zuordnungsvariable) beschrieben werden, die als sog. binäre Variable nur zwei Ausprägungen
(0 oder 1) hat.
Variable:
⎧1 : wenn Objekt i aus Gruppe A dem Objekt j aus Gruppe B zugeordnet wird
x ij = ⎨
⎩0 : sonst
Zielfunktion:
n n
Max Z ( x11 , ... , x nn ) = ∑∑ cij ⋅ xij (Gesamt-Zuordnungserfolg)
i =1 j =1
Nebenbedingungen:
(1) Vollständige Zuordnung aller Objekte aus Gruppe A
n
∑x
j =1
ij =1 für i = 1, ... , n
(2) Vollständige Zuordnung aller Objekte aus Gruppe B

n
∑x
i =1
ij =1 für j = 1, ... , n
(3) Ganzzahligkeitsbedingungen (hier : Binärbedingungen) für Variable

xij ∈ {0,1} für i = 1, ... , n und j =1 , ... , n
Hinweis: Wegen der Ganzzahligkeitsbedingungen in (3) stellt das hier formulierte

Zuordnungsproblem kein LOP-A dar! Wegen der speziellen Struktur der
Nebenbedingungen in (1) und (2) mit Koeffizienten ausschließlich in Form von
Null und Eins ist aber eine schwächere Formulierung der Variablenbedingungen in
(3) zulässig:
(3a) xij ≥ 0 für i =1 , ... , n
Lösung des Linearen Zuordnungsproblems :
Mit den Nebenbedingungen (1), (2) und (3a) entspricht das Lineare Zuordnungsproblem
einem Spezialfall des Klassischen Transportproblems mit
m = n, ai = 1 und bj = 1 für alle i und j.
Zur Lösung eignen sich damit alle Lösungsverfahren des Transportproblems. Darüber hinaus
existieren spezielle Lösungsverfahren des Linearen Zuordnungsproblems, welche die
spezifische Struktur der Koeffizienten ausnutzen.
Spezielle Struktur der Koeffizienten beim linearen Zuordnungsproblem

¾ Beispiel : n=2
Arbeitskräfte : { A1, A2 } ZF-Koeffizienten cij :
Jobs : { J 1 , J2 }
J1 J2
A1 5 8
A2 6 4
⇒ ZF : Max Z = 5·x11 + 8·x12 + 6·x21 + 4·x22
¾ NB – Struktur :
NB x11 x12 x21 x22 RS
A1 1 1 1
A2 1 1 1
J1 1 1 1
J2 1 1 1
¾ Lösung :
* *
x11 = 0 , x12 =1
⇒ Z * = 14
x*21 = 1, x*22 = 0

Der Simplex-Algorithmus geht auf Georg Dantzig (1947) zurück und ist alternativen
Verfahren zur LOP-Lösung (wie der sog. Ellipsoid-Methode oder der projektiven Methode) in
praktisch allen relevanten Anwendungsfällen überlegen und bildet die Grundlage für alle
kommerziellen Software-Pakete zur Lösung von LOPs.
Kleinere Probleme (wie z.B. Übungsaufgaben) lassen sich mit dem Solver in EXCEL lösen.
Zur Lösung größerer Probleme aus der Unternehmenspraxis existiert leistungsfähige LOP-
Software wie z.B. X-PRESS oder CPLEX.
Mit kommerziellen Software-Paketen lassen sich allgemeine LOPs in der Größenordnung von
über einer Millionen Variablen und mehreren Hunderttausend Nebenbedingungen in wenigen
Minuten Rechenzeit lösen.
Moderne Software zur LOP-Lösung enthält zahlreiche Weiterentwicklungen des Standard-

Simplex-Algorithmus, z.B. in Form
- des sog. revidierten Simplex-Algorithmus

- von Methoden der Spaltengenerierung
- von sog. Dekompositionsverfahren
Fortschritte bei der Lösbarkeit von LOPs
• Start in 1947
LOP mit 77 Variablen und 9 Nebenbedingungen
→ Lösungszeit : 120 Mann-Tage
• Laufende Verkürzung von Lösungszeiten

- durch verbesserte Algorithmen
- durch leistungsfähigere Computer
• Durchschnittliche Verbesserungen 1988-2003

- durch Algorithmen : um das 2.360-fache
- durch Computer : um das 800-fache
→ insgesamt : um das 1.900.000-fache
• Beispiel : Produktionsplanungs-Modell mit 1.584.000 Variablen, 401.640 Nebenbe-

dingungen und Besetzungsdichte von 1,5 % Lösungszeiten (2,0 GHz P4 und CPLEX-
Software)
- 1988 (CPLEX 1.0) : 29,8 Tage → 1x
- 1997 (CPLEX 5.0) : 1,5 Stunden → 480 x
- 2003 (CPLEX 9.0) : 59 Sekunden → 44.000 x
Produktion und Logistik PW / OR WS 06/07 Überblick
Vorgehensweise des Simplex-Algorithmus:
Initialisierung: bekannte zulässige Basislösung
Optimalitätstest: Ist die augenblickliche Lösung schlechter als die

Nachbarlösungen?
Wenn nein | Wenn ja Ende: Basislösung ist optimal.
Iteration: Nimm bessere Nachbarlösung als neue

Basislösung, „Pivotieren“
Nachbarlösungen sind Lösungen, bei denen exakt eine Variable die Basis
verlässt (=0 wird) und eine andere in die Basis aufgenommen wird (>0
wird).

Produktionsmanagement befasst sich mit der Organisation und Gestaltung von
Produktionssystemen und der Planung und Kontrolle von Produktionsprozessen zur
Erreichung betrieblicher Ziele.
4.1.1 Entscheidungsebenen des Produktionsmanagements
Eigenschaften der Entscheidungen
• Planungshorizonte und Realisierungszeiträume

• Bedeutung für das Gesamtunternehmen
• Aggregationsgrad der verwendeten Daten
• verantwortliche Managementebene
Entscheidungsebenen Beispiele
• Standortwahl
• Festlegung der Produktions-
technologie
• Layoutplanung
• Festlegung der Fertigungskapazität
• Aufstellung des Produktions-

programms
• Ermittlung des Materialbedarfs
[Quelle: Günther und Tempelmeier S.26]

• Strategisches Produktionsmanagement
dient der Schaffung und Sicherung langfristigen Rahmenbedingungen für den Untersuchungs-
erfolg durch grundsätzliche Festlegungen der Ausrichtung des Produktionsbereichs im
Hinblick auf Produktfelder, Märkte, Technologien und Organisationsformen.
• Taktisches Produktionsmanagement
dient dem Aufbau und der Ausgestaltung der produktionswirtschaftlichen Infrastruktur im

Rahmen der Dimensionierung, räumlichen Verteilung und inneren Strukturierung der
betrieblichen Produktiveinheiten.
• Operatives Produktionsmanagement
dient der Vorbereitung und Durchführung des Produktionsvollzugs im Rahmen der

vorhandenen Infrastruktur durch Festlegung des Produktionsprogramms und des Einsatzes der
Produktionsfaktoren nach Art, Menge und Zeit.
Die Managementaufgaben richten sich auf verschiedene produktionswirtschaftliche

Entscheidungsfelder.
Produktionswirtschaftliche Entscheidungsfelder
Produktionsstruktur Produktionsvollzug
Produkte Prozesse Potenziale Produktionsprogramm Faktoreinsatz
Produktfelder Technologie Fertigungstiefe Produkttypen Materialeinsatz
Märkte Organisationsform Kapazität Hauptprodukte Personaleinsatz
Produktpolitik Konfiguration Standorte Produktvarianten Betriebsmitteleinsatz
Strategisch – taktische Planung
Operative Planung
Disposition / Steuerung
4.1.2 Operatives Produktionsmanagement

Das operative Produktionsmanagement befasst sich mit den Aufgaben der
Produktionsplanung und -steuerung (PPS).
Aufgaben der Produktionsplanung
• Produktionsprogrammplanung
¾ Langfristige Programmplanung
Langfristige Festlegung des Fertigungsprogramms an Endprodukten nach Produkttyp
und -menge (auf 1-2 Jahre)
¾ Beschäftigungsglättung und Hauptproduktionsprogrammplanung

Mittelfristige Festlegung der (monatlichen / wöchentlichen) Produktionsmengen aller
Produkttypen/Hauptprodukte (auf 1-12 Monate)
¾ Produktvariantenplanung
Kurzfristige Festlegung der (wöchentlichen oder täglichen) Herstellungsmengen
einzelner Produktvarianten (auf 1-4 Wochen)
Ergebnis: Terminierte Fertigproduktmengen

• Mengenplanung
¾ Materialbedarfsplanung
Mittelfristige/kurzfristige Festlegung des Bedarfs an selbst erstellten und
fremdbezogenen Repetierfaktoren (d.h. Zwischenerzeugnisse und Kaufmaterialien) nach
Menge und Zeit (i.d.R. auf Wochenbasis)
¾ Losgrößenplanung
Mittelfristige/kurzfristige Zusammenfassung von Materialbedarfen gleicher Erzeugnisse
zu größeren Produktions- und Beschaffungslosen.
• Termin- und Kapazitätsplanung
¾ Terminplanung
Zeitliche Feinplanung der Termine für einzelne Fertigungsaufträge (i.d.R. auf
Tagesbasis)
¾ Kapazitätsplanung
Zeitliche Einsatzplanung von Personal- und Betriebsmittelkapazitäten unter Planung von
Ausgleichsmaßnahmen bei Kapazitätsdisparitäten.
Ergebnis von Mengen-, Termin- und Kapazitätsplanung: Terminierte Betriebs- und

Beschaffungsaufträge
Aufgaben der Produktionssteuerung
¾ Kurzfristige Freigabe von geplanten Fertigungsaufträgen zur operativen Durchführung der

Fertigungsprozesse an den Arbeitsplätzen (i.d.R. auf 1-10 Tage)
¾ Laufende Festlegung von detaillierten Fertigungsreihenfolgen und -terminen der

freigegebenen Aufträge an den einzelnen Arbeitsplätzen
¾ Laufende Kontrolle der Produktionsdurchführung und Reaktion auf Plan-Ist-Abwei-

chungen
Grundlage der Produktionsplanung sind Daten über die zukünftige Entwicklung der
Nachfrage. Prognoseverfahren versuchen auf Basis von Erfahrungen oder Vergangenheits-
daten diese Entwicklung zu ermitteln. Prognosen sind in der Regel falsch - dies umso stärker,
je länger der Prognosehorizont.
4.2.1 Prognoseverfahren
• qualitative Verfahren (subjektiv auf Basis von Erfahrungen)
- Vertriebsschätzung und Kundenbefragungen: kurz- bis mittelfristig gut
- Expertenschätzung: mittel- bis langfristig gut
- Delphi-Methode: langfristig gut
Einsatz bei fehlenden oder ungeeigneten Vergangenheitsdaten
⇒ Subjektivität, Anreizproblematik, Aufwand
• quantitative Verfahren (auf Basis von Vergangenheitsdaten und Extrapolation in die
Zukunft)
- Kausalprognosen, z.B. Schätzung der Parameter des Produktlebenszyklus mittels
einer Regressionsanalyse
- univariate Verfahren (Zeitreihenanalyse)
4.2.2 Zeitreihenanalyse
Beispiel einer Zeitreihe
Monat 1 2 3 4 5 6 7 8 9 10
Nachfrage 48 36 49 65 54 60 48 51 62 66
70
65
60
Nachfrage
55
50
45
40
35
30
1 2 3 4 5 6 7 8 9 10
Monat
Verfahrensschritte bei Prognosebildung mittels Zeitreihenanalyse

(1) Typisierung des Nachfrageverlaufs
(2) Spezifizierung eines Prognosemodells
(3) Schätzung der unbekannten Modellparameter
(4) Modellanwendung : Berechnung der Prognosewerte
(5) Beobachtung und Analyse der Prognosegenauigkeit
(1) Typisierung des Nachfrageverlaufs
[Quelle: Thonemann S. 53]

(2) Beispiele für Prognosemodelle

Annahme
Nachfragewerte einzelner Perioden t ( ~y t ) sind stochastische Größen, die vom Zeitverlauf (t)
~
und von unregelmäßigen Zufallsschwankungen Ι abhängen können.
Typen von
Zeitreihenverläufen
unregelmäßig regelmäßig
stark sporadisch konstant trendförmig saisonal

schwankend
~
• Konstantes Modell : ~yt = a + Ι
~ ~
• Trendmodell : yt = a + b ⋅ t + Ι (linearer Trend)
• Saisonmodell : yt = a + b ⋅ t + St + Ι bzw. (a + b ⋅ t ) ⋅ ( st + Ι )
~
(3) Schätzung der Modellparameter im konstanten Modell ~yt = a + Ι
Daten : Schätzzeitpunkt : t
vergangene Nachfragewerte = yt, yt-1, yt-2, ...
Gesucht: Schätzung des Modellparameters a im Zeitpunkt t : â t
Mögliche Schätzverfahren
• Gleitende Durchschnitte (Moving Average)
1
aˆt = ⋅ ( y t + yt −1 + … + yt − n + 1 ) mit Modellparameter : n
n
• Exponentielle Glättung 1.Ordnung (Single Exponential Smoothing)
aˆt = yt(1) mit yt(1) = α ⋅ yt + (1 - α ) ⋅ yt(1)−1 mit Modellparameter : 0 < α ≤ 1
Problematik
• Wahl des Glättungsparameters α , Empfehlung 0, 05 ≤ α ≤ 0,30
• Ermittlung von Startwerten
• Anwendung bei Fehlspezifikation des Modells
(4) Berechnung der Prognosewerte im konstanten Modell

Ein-Schritt-Prognose : pt +1 = pt +1 ( y t , y t −1 , y t − 2 , …) = aˆ t
Mehr-Schritt-Prognosen : pt +τ = pt +τ ( yt , yt −1 , yt −2 , …) = aˆ t
(5) Beobachtung und Analyse der Prognosegenauigkeit
• periodenbezogener Prognosefehler εt
ε t = pt − yt
• Mittlere absolute Abweichung (MAD):

1 n
MAD= ⋅ ∑ ε t
n t =1
• Mittlere quadratische Abweichung (MSE):

1 n 2
MSE = ⋅ ∑ ε t
n t =1
Beispiel
GD mit n = 3 EG mit α = 0,3
t yt ât pt εt εt 2 ŷt pt εt εt 2
0 48,0
1 48 48,0
2 36 44,4
3 49 44,3 45,8
4 65 50,0 44,3 -20,7 427,1 51,5 45,8 -19,2 369,4
5 54 56,0 50,0 -4,0 16,0 52,3 51,5 -2,5 6,0
6 60 59,7 56,0 -4,0 16,0 54,6 52,3 -7,7 59,6
7 48 54,0 59,7 11,7 136,1 52,6 54,6 6,6 43,5
8 51 53,0 54,0 3,0 9,0 52,1 52,6 1,6 2,6
9 62 53,7 53,0 -9,0 81,0 55,1 52,1 -9,9 97,4
10 66 59,7 53,7 -12,3 152,1 58,4 55,1 -10,9 119,0
11 59,7 58,4
MAD MSE MAD MSE

9,2 119,6 8,3 99,6
Zentrale Aufgabe der Produktionsprogrammplanung ist die vorausschauende Festlegung

der Herstellungsmengen der wesentlichen Endprodukte bzw. Gruppen von Endprodukten
eines Unternehmens zur Erzielung eines maximalen Erfolgsbeitrags unter Berücksichtigung
von (im Wesentlichen) nicht beeinflussbaren Restriktionen hinsichtlich
¾ der Einsatzmöglichkeiten von Faktoren (Werkstoffe, Betriebsmittel, Personal)

und
¾ der Ausbringungsmöglichkeiten von Produkten (durch beschränkte Nachfragen)
4.3.1 Langfristige Programmplanung

Planungsaufgabe
Bestimmung der Gesamtproduktionsmengen aller Produkttypen über einen vorgegebenen
Planungszeitraum in der Weise, dass der gesamte Deckungsbeitrag maximiert wird und
vorhandene personelle, technische und beschaffungsbezogene Kapazitäten sowie
marktbedingte Absatzhöchstgrenzen nicht überschritten werden.
Planungsinformationen
¾ Aufteilung des gesamten Endproduktspektrums in (aggregierte) Produkttypen

¾ Langfristige Marktprognosen über zu erwartende Kundennachfragen nach Produkttypen
¾ Daten über die Kapazitäten personeller, technischer und beschaffungsbezogener
Ressourcen
¾ Produkttypbezogene Koeffizienten spezifischer Kapazitätsbeanspruchung
¾ Produkttypbezogene Erlös- und Kostendaten
Grundmodell zur langfristigen Programmplanung

Variable:
xk : Gesamtproduktionsmenge von Produkttyp k im Planungszeitraum
mit k ∈ K = {Menge aller Produkttypen}
Daten:
Nk : Nachfrage nach Produkttyp k im Planungszeitraum (in ME)
dk : Stückdeckungsbeitrag für Produkttyp k (pro ME)
ark : Kapazitätsbeanspruchung von Ressource r für 1 ME von Produkttyp k
mit r ∈ R = {Menge der Ressourcentypen} (z. B. Personal, Maschinen, Material)
Kr : verfügbare Kapazität für Ressource r im Planungszeitraum
Entscheidungsmodell:
Maximiere D = ∑ d k ⋅ xk
k∈K
u. d. N.
(1) xk ≤ Nk für k∈K Nachfragebeschränkungen für alle Produkttypen
(2) ∑a
k∈K
rk ⋅ xk ≤ Kr für r∈R Kapazitätsbeschränkungen für alle Ressourcentypen
(3) xk ≥ 0 für k∈K Nichtnegativität der Produktionsmengen

⇒ Typ des Optimierungsproblems : LOP
4.3.2 Beschäftigungsglättung
4.3.2.1 Planungsproblematik bei Beschäftigungsglättung
Planungsaufgabe
Zeitliche Detaillierung des (vorgegebenen) Produktionsprogramms unter Berücksichtigung
von (saisonalen) Schwankungen des Kapazitätsbedarfs und -angebots.
Planungsziel
Kostenminimale zeitliche Abstimmung von Produktions- und Nachfragemenge (nach
Produkttypen) unter Einbeziehung von Produktion auf Lager und von Anpassungsmaßnahmen
im Kapazitätsbereich.
Planungsinformationen
¾ Zeitlich differenzierte mittelfristige Nachfrageprognosen nach Produkttypen und

Teilperioden
¾ Daten zur zeitlichen Verfügbarkeit von Grundkapazitäten personeller, technischer und
beschaffungsbezogener Art
¾ Informationen zu Möglichkeit und Grenzen der Heranziehung kurzfristig einsetzbarer
Zusatzkapazitäten
¾ Produkttypbezogene Kapazitätsbeanspruchungskoeffizienten
¾ Produkttypbezogene Kosten der Lagerhaltung
¾ Ressourcentypbezogene Kosten der Kapazitätsanpassung
Kostenkonflikt bei Beschäftigungsglättung
¾ Kosten der Kapazitätsanpassung bei Synchronisation von Produktion und Nachfrage

versus
¾ Kosten der Lagerhaltung bei Emanzipation der Produktion von der Nachfrage
Synchronisation vollständige Emanzipation

von Produktion und Nachfrage der Produktion von der Nachfrage
[Quelle : Günther und Tempelmeier S. 152] [Quelle: Günther und Tempelmeier S. 153]
4.3.2.2 Planungsverfahren bei Beschäftigungsglättung

Alternative Planungsmethoden
¾ Einfache Anpassung der Produktion an die Nachfrage einzelner Perioden und nachträgliche
Prüfung auf kapazitive Realisierbarkeit und Einsatznotwendigkeit von Anpassungs-
maßnahmen.
¾ Simultane Produktionsprogrammplanung über alle Perioden unter gleichzeitiger

Berücksichtigung von Nachfrageschwankungen, Ressourcenverfügbarkeit und
Kapazitätsanpassungsmöglichkeiten
Grundmodell zur Beschäftigungsglättung

Variablen:
xkt : Produktionsmenge von Produkttyp k in Periode t (t = 1, 2 ,..., T)
ykt : Lagerbestand von Produkttyp k am Ende der Periode t
zrt : Inanspruchnahme von Zusatzkapazität des Ressourcentyps r in Periode t
mit k ∈ K = Menge der Produkttypen
r ∈ R = Menge der Ressourcentypen
Daten:
T : Planungshorizont (= Anzahl der Teilperioden)
Nkt : Nachfrage nach Produkttyp k in Periode t (in ME)
lk : Lagerkostensatz pro Periode und pro ME des Produkttyps k
y ko : Anfangslagerbestand von Produkttyp k zu Planungsbeginn
ark : Kapazitätsbeanspruchung von Ressource r durch 1 ME von Produkttyp k
Krtmax : verfügbare Grundkapazität für Ressource r in Periode t
Zrtmax : maximale Zusatzkapazität für Ressource r in Periode t
grt : Kosten einer Einheit zusätzlicher Kapazität für Ressource r in Periode t
Entscheidungsmodell :
⇒ Minimiere die Gesamtkosten K aus Lagerhaltung und Kapazitätsanpassung unter
Berücksichtigung von Lagerbilanzgleichungen (1), Kapazitätsrestriktionen (2),
Zusatzkapazitätsbeschränkungen (3) und Nichtnegativitätsbedingungen (4)
T T
Minimiere K = ∑ ∑ lk ⋅ ykt + ∑∑ g rt ⋅ zrt
t =1 k∈K t =1 r∈R
u. d. N.
(1) ykt = yk ,t −1 + xkt − N kt für k ∈ K und t = 1,..., T
( 2) ∑a
k∈K
rk ⋅ xkt ≤ K rtmax + zrt für r ∈ R und t = 1,..., T
(3) zrt ≤ Z rtmax für r ∈ R und t = 1,..., T
(4) xrt , ykt , zrt ≥ 0 für k ∈ K , r ∈ R und t = 1,..., T
⇒ Typ des Optimierungsproblems : LOP

Beispiel zur Beschäftigungsglättung
Problemdaten :
Zwei Produkttypen : k ∈ {A,B}

Zwei Ressourcentypen : r ∈ {P,M}
Vier Teilperioden : t = 1 ,..., T = 4
Prognostizierte Nachfrage in Anfangslager- Lagerkosten-

t=1 t=2 t=3 t=4 bestand satz
A 100 110 90 100 36 4
B 200 190 210 200 220 4
Produktionskoeffizient für Grund- Maximale Kostensatz für

A B kapazität Zusatzkapazität Zusatzkapazität
1,0 0,5 160 100 5
P
M 0,5 1,0 200 - -
LOP-Modellierung des Beispiels zur Beschäftigungsglättung
Variable : xAt , xBt , yAt , yBt , zPt (t = 1 ,..., 4)
Zielfunktion : Min K = 4 ⋅ y A1 + 4 ⋅ yA 2 + 4 ⋅ y A3 + 4 ⋅ yA 4
+ 4 ⋅ y B1 + 4 ⋅ y B2 + 4 ⋅ y B3 + 4 ⋅ y B4
+ 5 ⋅ z P1 + 5 ⋅ z P2 + 5 ⋅ z P3 + 5 ⋅ z P4
Nebenbedingungen :
y A1 = 36 + x A1 − 100 y B1 = 220 + x B1 − 200
y A2 = y A1 + x A2 − 110 yB 2 = y B1 + xB 2 − 190
y A3 = y A2 + x A3 − 90 yB 3 = yB 2 + xB 3 − 210
y A4 = y A3 + x A4 − 100 yB 4 = yB 3 + xB 4 − 200
1,0 ⋅ x At + 0,5 ⋅ xBt ≤ 160 + zPt für t = 1,...,4

0,5 ⋅ x At + 1,0 ⋅ xBt ≤ 200 für t = 1,...,4
zPt ≤ 100 für t = 1,...,4
x At , xBt , y At , y Bt , zPt ≥ 0 für t = 1,...,4

Optimale Problemlösung :
Periode Produktion Lager Produktion Lager Zusatz-

A A B B kapazität
0 36 220
1 94 30 115 135 0
2 80 0 160 105 0
3 90 0 155 50 7,5
4 100 0 150 0 15
Kapazitätsnutzung
Periode Personalkapazität Zusatzkapazität Maschinenkapazität
1 160 0 162
2 160 0 200
3 160 7,5 200
4 160 15 200
Problematik der LOP-Modellierung :
¾ Bedingung der Linearität aller funktionalen Zusammenhänge

¾ Keine direkte Berücksichtigung von Datenunsicherheit
¾ Abhängigkeit von LOP-Software
4.3.2.3 Hauptproduktionsprogrammplanung
Planungsaufgabe
Zeitliche und produktbezogene Detaillierung des Produktionsprogramms aus der
Beschäftigungsglättung durch Verfeinerung der Zeitperioden und durch Disaggregation der
Produkttypen in Hauptprodukte
Zusammenhang mit
Beschäftigungsglättung
[Quelle: Günther und Tempelmeier S. 163]
Alternative Planungsmethoden
¾ Einfache Aufschlüsselung der
produkttypbezogenen Planmengen auf
Hauptprodukte unter Berücksichtigung
kurzfristiger Nachfrageschwankungen.
¾ Simultane Programmplanung unter Beachtung kurzfristiger Nachfrageschwankungen und
Berücksichtigung von Beschränkungen der Grund- und Zusatzkapazitäten einzelner
Ressourcen analog der Vorgehensweise bei Beschäftigungsglättung (LOP-Modellierung)
Planungsaufgabe
Festlegung von Art, Menge und Bereitstellungstermin aller Materialien (d. h. selbst erstellte
Zwischenprodukte und fremdbezogene Kaufmaterialien), die für die Erstellung des geplanten
Hauptproduktionsprogramms benötigt werden.
Formen der Materialbedarfsplanung
¾ Verbrauchsorientierte Bedarfsplanung
Unabhängige Bedarfsplanung für jedes einzelne Material auf der Basis von Bedarfs-
prognosen, die aus dem jeweiligen Materialverbrauch der Vergangenheit abgeleitet werden.
¾ Programmorientierte Bedarfsplanung
Zusammenhängende Bedarfsplanung für alle Materialien auf Basis des Hauptproduktions-
programms und unter Berücksichtigung der materialbezogenen Bedarfszusammenhänge auf
der Grundlage bekannter Erzeugnisstrukturen
Verfahren der programmorientierten Materialbedarfsplanung
¾ Matrizenverfahren auf Basis von Gozinto-Graphen zur
Bedarfsrechnung ohne Berücksichtigung von Zeitzusammenhängen
¾ Dispositionsstufenverfahren auf Basis von Stücklisten zur
Bedarfsrechnung mit Berücksichtigung von Zeitzusammenhängen
⇒ Gängige Verfahren beziehen sich auf outputseitig determinierte, linear-limitationale
Produktionssysteme (= Leontief-Systeme)
4.4.1 Matrizenverfahren auf Basis von Gozinto-Graphen

Beim Matrizenverfahren wird durch Lösen eines linearen Gleichungssystems unter Verwen-
dung aller in einem sog. Gozinto-Graphen dargestellten Input-Output-Beziehungen in einem
Produktionssystem aus vorgegebenen Bedarfen aller Endprodukte die davon abhängigen
Bedarfsmengen aller Zwischenprodukte und Kaufmaterialien (originäre Faktoren) abgeleitet.
4.4.1.1 Der Gozinto-Graph
Der Gozinto-Graph ist ein auf den Fall outputseitig determinierter Produktion bezogener
Input/Output-Graph, in dem auf gesonderte Darstellung von Grundaktivitäten verzichtet wird.
Abstrakter Input/Output-Graph zu den Beispielen der LederLotte Gozinto-Graph der Lederwarenherstellung [Quelle : Dyckhoff,
[Quelle: Dyckhoff, S. 90] S. 271]
Die gerichteten Kanten des Gozinto-Graphen beschreiben die direkten Input-Output-

Beziehungen zwischen den Erzeugnissen in einem Produktionssystem. Die
Kantenbewertungen (= Produktionskoeffizienten) beinhalten den Mengenverbrauch an
Inputerzeugnissen bezogen auf eine Mengeneinheit des betreffenden Outputerzeugnisses.
Der Gozinto-Graph beschreibt damit die komplette Erzeugnisstruktur eines ein- oder
mehrstufigen Produktionssystems bzw. einzelner Subsysteme.
Alle Strukturtypen von Materialzusammenhängen (= Erzeugnisstrukturtypen) lassen sich
durch Gozinto-Graphen darstellen:
¾ glatt (= linear) ¾ divergierend
¾ konvergierend ¾ umgruppierend (= generell)
Gozintographendarstellungen für lineare, konvergierende, divergierende und generelles Erzeugnisstrukturen [Quelle:

Günther/Tempelmeier : Produktion und Logistik, 4. Aufl., S. 186]
4.4.1.2 Matrizenverfahren zur einperiodigen Materialbedarfsrechnung

Betrachtungszeitraum: 1 abgeschlossene Produktionsperiode (ohne Lagerhaltung)
Bedarfsrechnung bei einstufiger Produktion
Produktionsmodell (einstufiges Leontief-Modell)
m+ n
xi = ∑a
j = m +1
ij ⋅ yj für i = 1,...,m
mit xi : Verbrauchsmenge des Faktors i (i = 1,..., m)

yj : Ausbringungsmenge des Produkts j (j = m + 1,..., m + n)
aij : Einsatzmenge des Faktors i für 1 Ausbringungseinheit des Produkts j
(= Produktionskoeffizient)
⇒ Lineares Gleichungssystem zur Bestimmung der Materialbedarfsmengen aller Faktoren

aus vorgegebenen Produktions- bzw. Bedarfsmengen aller Produkte.
Gleichungssystem in Matrix/Vektor-Schreibweise
x = A⋅y
mit y : Erzeugnisprogramm,
d.h. (n)-Vektor der herzustellenden Produktmengen
(= Primärbedarfe)
x : Einsatzprogramm,
d.h. (m)-Vektor der fremd zu beziehenden Materialbedarfsmengen
(= Sekundärbedarfe)
A : Bedarfsmatrix,
d.h. Matrix der (direkten) Produktionskoeffizienten
(=Direktbedarfskoeffizienten)
Beispiel Lederlotte
x1 = 50 y4 + 50 y5 ⎛ x1 ⎞ ⎛ 50 50 ⎞
⎜ ⎟ ⎜ ⎟ ⎛ y4 ⎞
x2 = 40 y4 + 15 y5 bzw. ⎜ x2 ⎟ = ⎜ 40 15 ⎟ ⋅ ⎜ ⎟
y
x3 = 0,15 y4 + 0, 4 y5 ⎜ x ⎟ ⎜ 0,15
⎝ 3⎠ ⎝ 0, 4 ⎟⎠ ⎝ 5 ⎠
Bedarfsplanung bei mehrstufiger Produktion

Besonderheit: Für Zwischenprodukte gibt es grundsätzlich
¾ sowohl Primärbedarfe als auch Sekundärbedarfe,
¾ sowohl Fremdbezug als auch Eigenherstellung
Für die einzelnen Güterarten k = 1,..., κ sind damit grundsätzlich folgende verschiedene
Materialmengen relevant:
yk : Primärbedarf (extern) der Güterart k
sk : Sekundärbedarf (intern)
rk : Gesamtbedarf bzw. Gesamtbezug
uk : Eigenherstellungsmenge
xk : Fremdbezugsmenge
Mengenbilanz (bei abgeschlossener Produktionsperiode)
generell: bzw. nach Güterarten differenziert:
xk = rk = sk für originäre Faktoren
x k + u k = rk = s k + y k für k = 1,..., κ xk + uk = rk = sk + yk für Zwischenprodukte
uk = rk = yk für Endprodukte
Sekundärbedarf und Eigenherstellung im mehrstufigen Leontief-Modell :

für alle originären Faktoren/Zwischenprodukte i
si = ∑ aij ⋅ u j
j und alle Zwischenprodukte/Endprodukte j
Mengenzusammenhänge in Matrix/Vektor-Schreibweise
x+u=r =s+y
s = A⋅u mit A : Direktbedarfsmatrix
⇒ Produktionsmodell bei mehrstufigen Leontief-Systemen :
x + u = r = A⋅u + y
⇒ Gleichungssystem zur Materialbedarfsrechnung
Spezialfall: Ausschluss von Fremdbezug für Zwischenprodukte (d.h. xk = 0 für Zwischenprodukte)
⇒ Materialbedarfsmengen :
⎧x für originäre Faktoren (nur Fremdbezug!)
rk = ⎨ k
⎩u k für Zwischenprodukte (nur Eigenherstellung!)
⇒ Vereinfachtes Produktionsmodell bzw. Gleichungssystem

r = A ⋅r + y
Transformation des mehrstufigen in eine einstufiges Produktionsmodell
r = (I − A ) ⋅ y
−1
bzw. r = G⋅y mit G = (I – A)-1 als sog. Gesamtbedarfsmatrix
⇒ einstufige Gesamtbedarfsermittlung
Beispiel: Bedarfsplanung bei mehrstufiger Produktion

Direktbedarfsmatrix:
⎛0 0 0 0 6 0⎞ 0
⎜ ⎟
⎜0 0 0 5 3 0⎟ 0
⎜0 0 0 1 0 4⎟ 0
⎜ ⎟
A = ⎜0 0 0 0 2 1⎟ 0
⎜0 0 0 0 0 3⎟ 2
⎜ ⎟
⎜0 0 0 0 0 0 0⎟
⎜0 0 0 0 0 0 0 ⎟⎠
⎝
Dreistufiger Gozinto-Graph [Quelle: Dyckhoff, S. 274

Gesamtbedarfsmatrix: einstufiges Produktionsmodell:
⎛1 0 0 0 6 12 18 ⎞
⎜ ⎟ x1 = 6 y5 + 12 y6 + 18 y7
⎜0 1 0 5 13 26 44 ⎟
⎜0 0 1 1 2 4 11⎟ x2 = 5 y4 + 13 y5 + 26 y6 + 44 y7
⎜ ⎟ x3 = y4 + 2 y5 + 4 y6 + 11 y7
G =(I -A)-1 = ⎜ 0 0 0 1 2 4 7⎟
⎜0 0 0 0 1 2 3⎟ u4 = y4 + 2 y5 + 4 y6 + 7 y7
⎜ ⎟ u5 = y5 + 2 y6 + 3 y7
⎜0 0 0 0 0 1 0⎟
⎜0 0 0 0 0 0 1⎟⎠
⎝
Numerische Ermittlung der Gesamtbedarfsmatrix G

Bei nicht-zyklischen Produktionsstrukturen besitzt die Matrix I-A die Form einer oberen
Dreiecksmatrix, so dass sich die Elemente der Inversen G (gij) sukzessiv berechnen lassen:
gii = 1 ∀i
und
mit Ni : Menge der direkten Nachfolger von Objekt i
gij = ∑ aik ⋅ gkj ∀i ≠ j
k∈N i
Beispielrechnungen (obiges Produktionssystem)

g77 = 1
g57 = a57 ⋅ g77 = 3 ⋅1 = 3
g 47 = a45 ⋅ g57 + a47 ⋅ g77 = 2 ⋅ 3 + 1 ⋅1 = 7
g 27 = a24 ⋅ g 47 + a25 ⋅ g57 = 5 ⋅ 7 + 3 ⋅ 3 = 44
⎛0 0 0 0 6 0 0⎞ ⎛1 0 0 0 −6 0 0⎞
⎜ ⎟ ⎜ ⎟
⎜0 0 0 5 3 0 0⎟ ⎜0 1 0 −5 −3 0 0⎟
⎜0 0 0 1 0 0 4⎟ ⎜0 0 1 −1 0 0 −4 ⎟
⎜ ⎟ ⎜ ⎟
A = ⎜0 0 0 0 2 0 1⎟ I - A = ⎜0 0 0 1 −2 0 −1 ⎟
⎜0 0 0 0 0 2 3⎟ ⎜0 0 0 0 1 −2 −3 ⎟
⎜ ⎟ ⎜ ⎟
⎜0 0 0 0 0 0 0⎟ ⎜0 0 0 0 0 1 0⎟
⎜0 0 0 0 0 0 0 ⎟⎠ ⎜0 0 0 0 0 0 1⎟⎠
⎝ ⎝
4.4.1.3 Matrizenverfahren zur mehrperiodigen Materialbedarfsrechnung

Das Matrizenverfahren ist für eine Materialbedarfsplanung über mehrere Perioden
unmittelbar nur dann anwendbar, wenn alle Planungsperioden isoliert betrachtet werden
können.
Bedingungen für isolierte Periodenbetrachtung:
¾ Keine Lagerhaltung von Erzeugnissen
¾ Keine Zeitinanspruchnahme der Produktion (Null-Durchlaufzeiten)
Bei isolierter Periodenbetrachtung gilt entsprechend der einperiodigen
Materialbedarfsrechnung:
rt = G ⋅ y t
mit rt : Vektor der Materialbedarfsmengen in Periode t

yt : Vektor der Primärbedarfe in Periode t
Ergebnis: Die Materialbedarfsmengen betragen
¾ für originäre Faktoren i (bei ausschließlichem Fremdbezug)
κ
xit = ∑ gij ⋅ y jt
j =1
¾ für Zwischenprodukte k (bei ausschließlicher Eigenherstellung)

κ
ukt = ∑ g kj ⋅ y jt
j =1
mit gij und gkj als Elemente der Gesamtbedarfsmatrix G .

Beispiel: Mehrperiodige Materialbedarfsrechnung nach Matrizenverfahren

Daten: 4 Planungsperioden (t = 1,...,4) mit folgenden Primärbedarfen (nur für Endprodukte)
t=1 t=2 t=3 t=4
Endprodukt P6 1 1 1 1
Endprodukt P7 1 0 0 2
d. h.: y61 = 1, y62 = 1, y63 = 1, y64 = 1, y71 = 1, y72 = 0, y73 = 0, y74 = 2,
Materialbedarfsplan:
t=1 t=2 t=3 t=4
Einsatzfaktoren: E1 30 12 12 48
E2 70 26 26 114 xit
E3 15 4 4 26
Zwischenprodukte B4 11 4 4 18 ukt
B5 5 2 2 8
Endprodukte P6 1 1 1 1 yjt
P7 1 0 0 2
Rechenbeispiele:
¾ u51 = g 55 ⋅ y51 + g 56 ⋅ y61 + g57 ⋅ y71 = 1 ⋅ 0 + 2 ⋅1 + 3 ⋅1 = 5
¾ x11 = g11 ⋅ y11 + g15 ⋅ y51 + g16 ⋅ y61 + g17 ⋅ y71 = 1 ⋅ 0 + 6 ⋅ 0 + 12 ⋅1 + 18 ⋅1 = 30
¾ x14 = g11 ⋅ y14 + g15 ⋅ y54 + g16 ⋅ y64 + g17 ⋅ y74 = 1 ⋅ 0 + 6 ⋅ 0 + 12 ⋅1 + 18 ⋅ 2 = 48
4.4.2 Dispositionsstufenverfahren auf Basis von Stücklisten

Das Dispositionsstufenverfahren ermöglicht eine mehrperiodige Materialbedarfsrechnung
unter Berücksichtigung von Lagerbeständen und Produktionsdurchlaufzeiten.
Beim Dispositionsstufenverfahren werden die Zwischenprodukte und Kaufmaterialien an
Hand der Erzeugnisstruktur einzelnen Dispositionsstufen zugeordnet. Ihre Bedarfsmengen
werden sukzessive Stufe für Stufe aus den Primärbedarfen der End- und Zwischenprodukte
abgeleitet. Die Erzeugnisstruktur wird durch sog. Stücklisten dargestellt.
4.4.2.1 Stücklisten
Stücklisten sind tabellarische Verzeichnisse der in ein End- oder Zwischenprodukt
eingehenden Materialien. Zu unterscheiden sind Mengenübersichts- und Baukastenstücklisten.
Eine Mengenübersichtsstückliste gibt an, aus welchen verschiedenen Materialien ein Pro-
dukt insgesamt besteht und in welchen Mengen einzelne Materialien in eine Einheit des jewei-
ligen Produkts eingehen. Der strukturelle Aufbau des Produkts ist nicht enthalten.
⇒ Die Angaben in Mengenübersichtsstücklisten entsprechen den Spalten der
Gesamtbedarfsmatrix G.
Eine Baukastenstückliste gibt an, welche Materialien in welchen Mengen direkt in eine
Einheit eines Produkts eingehen.
⇒ Die Angaben der Baukastenstücklisten entsprechen den Spalten der Direktbedarfsmatrix A.
Die Information über die gesamte Erzeugnisstruktur eines Endprodukts erhält man durch
Verkettung der Baukastenstücklisten von Endprodukt und zugehörigen Baugruppen
(=Zwischenprodukte, die sich aus mehreren Materialien zusammensetzen).
Beispiel zu Stücklisten
Gozintograph des Beispiels [Quelle: Günther/Tempelmeier:

Produktion und Logistik, 4. Aufl., S. 187]
Mengenübersichtsstückliste [Quelle: Günther/Tempelmeier: Baukastenstücklisten [Quelle: Günther/Tempelmeier:

Produktion und Logistik, 4. Aufl., S. 188] Produktion und Logistik, 4. Aufl., S. 188]
4.4.2.2 Dispositionsstufenverfahren
Die Dispositionsstufe eines Materials in einer Erzeugnisstruktur entspricht der maximalen
Anzahl von Produktionsaktivitäten, die zwischen seinem Einsatz und der Erzeugung eines
Endprodukts liegen (= maximale Fertigungsstufe). Alle Endprodukte besitzen die
Dispositionsstufe Null.
Beispiele:
von Seite 4-41 von Seite 4-36
P1 (Dispositions-) Stufe 0 P6 P7
3
1 2 2
B1 2 1 4
Stufe 1 B5
3
4 2
2 6
B2 E1 3 B4
2 Stufe 2
5 1
E1 5
E2 Stufe 3 E2 E3
Reihenfolgebildung bei Bedarfsermittlung nach Dispositionsstufenverfahren:

¾ Die Materialbedarfe eines Erzeugnisses auf einer bestimmten Dispositionsstufe können erst
dann berechnet werden, wenn die Bedarfe aller Erzeugnisse auf der darunter liegenden
Stufe ermittelt sind.
¾ Die Materialbedarfe aller Erzeugnisse auf derselben Dispositionsstufe können in beliebiger
Reihenfolge berechnet werden.
Einzelschritte der Materialbedarfsrechnung
Für jedes Erzeugnis werden der Reihe nach für jede Periode des Planungszeitraums (d.h.
terminiert) jeweils folgende Rechenoperationen vorgenommen:
(1) Sekundärbedarfsermittlung
(2) Bruttobedarfsermittlung
(3) Lagerbestandsfortschreibung
(4) Nettobedarfsermittlung
(5) Vorlaufverschiebung
Notwendige Informationen zur Materialbedarfsrechnung
¾ Stücklistendaten
¾ Primärbedarfe aller Produkte nach Perioden
¾ Lagerbestände aller Produkte zu Planungsbeginn
¾ Produktionsdurchlaufzeiten bzw. Lieferzeiten (als sog. Vorlaufzeiten) aller Produkte
⇒ Die Materialbedarfsrechnung mit dem Dispositionsstufenverfahren wird auch als
Stücklistenauflösung bezeichnet.
Rechenoperationen beim Dispositionsstufenverfahren

[1] Ermittlung der Sekundärbedarfe (SB)
Die terminierten SB eines Zwischenproduktes bzw. Einsatzfaktors ergeben sich aus den termi-
nierten Auftragsmengen der durch Mengenbeziehungen verbundenen End- und Zwischen-
produkte niedrigerer Dispositionsstufen (entsprechend den Stücklisteninformationen).
[2] Ermittlung der Bruttobedarfe (BB)

Die terminierten BB errechnen sich als Summe aus den terminierten SB und Primärbedarfen.
[3] Fortschreibung der Lagerbestände (LB)

Für den Lagerbestand zu Beginn einer Periode gilt jeweils:
LB = max {LB der Vorperiode – BB der Vorperiode ; 0}
[4] Ermittlung der Nettobedarfe (NB)

Für jede Periode gilt: NB = max {BB –LB ; 0} .
[5] Vorlaufverschiebung der Bedarfsmengen

Unter Berücksichtigung der Vorlaufzeit λ werden die NB (bei bedarfssynchroner Bildung von
Produktions- bzw. Beschaffungsaufträgen) in terminierte Aufträge (TA) umgewandelt:
NB der Periode t = TA der Periode t - λ
Mehrperiodige Materialbedarfsrechnung nach Dispositionsstufenverfahren

am Beispiel von Seite 4-36
Daten:
4 Planungsperioden mit denselben Primärbedarfen wie auf Seite 4-39
t=1 t=2 t=3 t=4

P6 1 1 1 1 (Dispositions-)
P7 1 0 0 2 Stufe 0 P6 P7
3
Anfangsbestände 2
1 4
Produkt E1 E2 E3 B4 B5 P6 P7 Stufe 1 B5
LB in t=1 40 15 0 3 3 2 2
2
6
Vorlaufzeiten:
jeweils 0 Perioden bei E1, E2, E3 Stufe 2 E1 3 B4
1 Periode bei B4, B5, P6, P7 1
5
Stufe 3
E2 E3
Berechnungen:
Periode t 1 2 3 4
Dispositionsstufe 0 Primärbedarf (PB) 1 - - 2
Endprodukt P7 Bruttobedarf (BB) 1 - - 2
Lagerbestand (LB) 2 1 1 1
Nettobedarf (NB) - - - 1
Terminierter Auftrag (TA) - - 1 -
Endprodukt P6 Primärbedarf (PB) 1 1 1 1
Bruttobedarf (BB) 1 1 1 1
Lagerbestand (LB) 2 1 - -
Nettobedarf (NB) - - 1 1
Terminierter Auftrag (TA) - 1 1 -
Dispositionsstufe 1 Sekundärbedarf (SB) aus P7 - - 3 -

Zwischenprodukt B5 SB (aus P6) - 2 2 -
BB - 2 5 -
LB 3 3 1 -
NB - - 4 -
TA - 4 - -
Periode t 1 2 3 4
Dispositionsstufe 2 SB (aus P7) - - 1 -
Zwischenprodukt B4 SB (aus B5) - 8 - -
BB - 8 1 -
LB 3 3 - -
NB - 5 1 -
TA 5 1 - -
Kaufmaterial E1 SB (aus B5) - 24 - -
BB - 24 - -
LB 40 40 16 16
NB - - - -
TA - - - -
Dispositionsstufe 3 SB (aus P7) - - 4 -
Kaufmaterial E3 SB (aus B4) 5 1 - -
BB 5 1 4 -
LB - - - -
NB 5 1 4 -
TA 5 1 4 -
Kaufmaterial E2 SB (aus B5) - 12 - -
SB (aus B4) 25 5 - -
BB 25 17 - -
LB 15 - - -
NB 10 17 - -
TA 10 17 - -
Planungsaufgabe
Zusammenfassung der Nettobedarfe einzelner Erzeugnisse in aufeinander folgenden Perioden
zu Produktions- bzw. Beschaffungsaufträgen, die als sog. Produktions- bzw. Beschaffungslos
in einem einzigen Vorgang hergestellt bzw. eingekauft werden.
Motive für Losbildung

¾ Technische Beschränkungen
¾ Vorausproduktion/-beschaffung bei Kapazitätsengpässen
¾ Vorausproduktion/-beschaffung bei Preisänderungen
¾ Vermeidung von losfixen (d.h. mengenunabhängigen) Produktions- bzw. Beschaffungs-
kosten
→ Fixkosten der Produktion : Rüstkosten bei Erzeugniswechsel
→ Fixkosten der Beschaffung : Kosten der Bestellabwicklung und (u. U.) des Transports
Hinweis: Beim Fehlen von technischen und ökonomischen Motiven zur Losbildung ist eine
bedarfssynchrone Produktion bzw. Beschaffung (d. h. Auftragsgröße = Nettobedarf
der lfd. Periode) zweckmäßig (→ Just-In-Time-Konzept).
Klassisches Kostenkalkül zur Losgrößenbestimmung
¾ Kostenkonflikt zwischen Lagerhaltungskosten und losfixen Kosten
Losgröße Lagerhaltungskosten losfixe Kosten Gesamtkosten

niedrig gering groß ?
hoch groß gering ?
¾ Losgrößenoptimierung
Festlegung der Losgröße (i. d. R. getrennt für jedes einzelne Erzeugnis) in der Form, dass
die Summe aus Lagerhaltungs- und Fixkosten minimiert wird.
4.5.1 Statische Losgrößenplanung

Kalkül zur Losgrößenplanung im Fall gleich hoher Bedarfsmengen in allen Planungsperioden.
Modellannahmen
¾ Stetiger Verlauf der Zeit (keine Periodisierung)
¾ Keine Begrenzung des Planungshorizonts (unendlicher Planungszeitraum)
¾ Konstante Bedarfe im Zeitverlauf
¾ Ziel: Minimierung der Gesamtkosten pro Zeiteinheit (ZE)
⇒ Konsequenz: Optimale Bedarfszusammenfassung führt zu jeweils gleich großen Losen.
⇒ Offene Frage: Welches ist die optimale Größe q* der Produktions- bzw. Beschaffungslose?
Modellierung des statischen Losgrößenproblems
Daten :
B : Bedarfsmenge pro ZE (z.B. Jahr) in ME
f : Fixkosten bei Bildung eines Produktions- bzw. Beschaffungsloses in GE
l : Lagerhaltungskosten in GE je ME und ZE
Variable :
q : Größe des Produktions- bzw. Beschaffungsloses in ME
Zielgröße :
K = Klos + Klag : Gesamtkosten je ZE in GE
mit Klos : losfixe Kosten je ZE
Klag : Lagerhaltungskosten je ZE
Zielfunktion
B q
Minimiere K= f⋅ +l⋅ = K (q)
q 2
B
wobei : = Anzahl der Losauflagen pro ZE
q
q
= durchschnittlicher Lagerbestand
2
Nebenbedingung : q≥0
⇒ Typ des Optimierungsproblems Lager mit schlagartigem Zugang und gleichmäßigem
Abgang [Quelle: Dyckhoff, 3. Aufl., S. 313]
Minimierung einer stetigen, differenzierbaren Funktion in einer Variablen, nämlich K(q), mit
Konvexitätseigenschaft
⇒ Lösung des Optimierungsproblems
dK B 1
¾ Optimalitätsbedingung : =0 → − f ⋅ 2 +l⋅ =0
dq q 2
2⋅ f ⋅ B
¾ Optimale Losgröße : q* = +
l
Hinweis: Die Quadratwurzelformel für q* wird als (klassische) wirtschaftliche
Losgrößenformel bezeichnet. Bei ihrer praktischen Anwendung ist i. d. R. eine
Anpassung durch Rundung erforderlich.
Beispiel: B = 18000 [Stück/Jahr]

f = 4800 [€]
l´ = 0,4 [€/Stück und Monat] → l = 4,8 [€/Stück und Jahr]
Losgrößenabhängige Kosten [Quelle: Dyckhoff : Grundzüge der Produktionswirtschaft, 3. Aufl., S. 316]
2 ⋅ 4800 ⋅18000
⇒ q* = = 6000 [Stück]
4,8
4.5.2 Dynamische Losgrößenplanung

Kalkül zur Losgrößenplanung unter Berücksichtigung von zeitlichen Schwankungen der
Bedarfsmengen in einzelnen Planperioden über einen vorgegebenen Planungshorizont.
Modellannahmen
¾ Diskrete Betrachtung der Zeit (Periodisierung)
¾ Begrenzter Planungshorizont (endlicher Planungszeitraum)
¾ Beliebiger zeitlicher Verlauf der Periodenbedarfe
¾ Ziel: Minimierung der Gesamtkosten aus Lagerhaltung und Produktion/Beschaffung über
den gesamten Planungszeitraum
⇒ Konsequenz: Optimale Zusammenfassung der Periodenbedarfe kann in einzelnen Perioden
t zu unterschiedlich großen Losen qt führen!
(→ dynamische Losgrößenbildung)
⇒ Offene Frage: Optimalen Losgrößen qt für alle Perioden des Planungszeitraums?
Modellierung des dynamischen Losgrößenproblems
Daten :
T : Länge des Planungszeitraums in Perioden
Bt : Bedarfsmenge in Periode t (mit t = 1,2,...,T) in ME
f : Fixkosten bei Bildung eines Produktions- bzw. Beschaffungsloses in GE
l : Lagerhaltungskosten in GE je ME und Periode (bezogen auf den Lagerbestand am
Ende einer Periode)
y0 : Anfangslagerbestand zu Beginn des Planungszeitraums
Variablen :
qt : Losgröße in Periode t
yt : Lagerbestand am Ende der Periode t
xt : Rüstvariable in Periode t (binäre Variable) mit folgender Bedeutung :
⎧ 1 , wenn in Periode t ein Los aufgelegt wird
xt = ⎨
⎩ 0 , sonst
Entscheidungsmodell :
⇒ Minimiere die Gesamtkosten K aus Lagerhaltung und Losauflage unter Berücksichtigung von
Lagerbilanzgleichungen (1), logischen Rüstbedingungen (2) und Variablenbeschränkungen (3).
T T
Minimiere K = ∑ f ⋅ xt + ∑ l ⋅ yt
t =1 t =1
u. d. N.
(1) yt = yt-1 + qt - Bt für t = 1,..., T
T
(2) qt ≤ M ⋅xt für t = 1,..., T mit M : große Zahl, so dass M ≥ ∑ Bt
t =1
(3) qt, yt ≥ 0 und xt ∈ {0,1} für t = 1 ,..., T

⇒ Typ des Optimierungsproblems: Gemischt-ganzzahliges LOP wegen Ganzzahligkeit der
Variablen xt
⇒ Konsequenz: Lösung über normale LOP-Lösungsverfahren (Simplex-Methode) i. d. R.
nicht mehr möglich!
Beispiel zur dynamischen Losgrößenplanung

Daten: T = 6 , f = 100 , l = 1 , y0 = 0
t 1 2 3 4 5 6 Σ
Bt 25 70 60 50 40 5 250
Entscheidungsmodell:
Minimiere K = 1⋅y1 + 1⋅y2 + 1⋅y3 + 1⋅y4 + 1⋅y5 + 1⋅ y6
+ 100⋅x1 + 100⋅x2 + 100⋅x3 + 100⋅x4 + 100⋅x5 + 100⋅x6
u. d. N.
y1 = q1 - 25
y2 = y1 + q2 - 70
(1) y3 = y2 + q3 - 60
y4 = y3 + q4 - 50
y5 = y4 + q5 - 40
y6 = y5 + q6 - 5
(2) qt ≤ 250x t für t = 1,...,6
(3) qt, y t ≥ 0 und x t ∈ {0,1} für t=1,...,6
Lösungsvorschläge:
(A) Bedarfssynchrone Losbildung: q1 = 25, q2 = 70, q3 = 60, q4 = 50, q5 = 40, q6 = 5

→ K = 600 + 0 = 600
(B) Maximale Losbildung: q1 = 250, q2 = q3 = q4 = q5 = q6 = 0
→ K = 100 + 525 = 625
Optimale Lösung des LOP
¾ als reellwertiges LOP (d.h. xt ≥ 0) ¾ als gemischt-ganzzahliges LOP (d. h. xt ∈ {0,1})
x1* = 0,10 q1* = 25 y1* = 0 x1* = 1 q1* = 25 y1* = 0

x2* = 0,28 q2* = 70 y2* = 0 x2* = 1 q2* = 130 y2* = 60
x3* = 0,24 q3* = 60 y3* = 0 x3* = 0 q3* = 0 y3* = 0
x4* = 0,20 q4* = 50 y4* = 0 x4* = 1 q4* = 95 y4* = 45
x5* = 0,16 q5* = 40 y5* = 0 x5* = 0 q5* = 0 y5* = 5
x6* = 0,02 q6* = 5 y6* = 0 x6* = 0 q6* = 0 y6* = 0
[ → K* = 100 ] ??? → K* = 410 = 300 + 110
⇒ Lösungseigenschaft: Losbildung durch Zusammenfassung ganzer Periodenbedarfe


Definitionen
Ganzzahlige Optimierungsprobleme liegen vor, wenn einige oder alle Variablen (xi) eines
Optimierungsproblems nur ganzzahlige Werte annehmen können. Handelt es sich dabei um
ein Lineares Optimierungsproblem, so spricht man von einem (gemischt-)ganzzahligen LOP.
Ursachen für Ganzzahligkeit
¾ Unteilbarkeit von Entscheidungsgegenständen
(wie z.B. bei Stückgütern, Projekten, Personen, etc.)
⇒ xi ∈ {0,1,2, ... } → ganzzahlige Variable
¾ Entscheidungen in Form von Ja/Nein-Entscheidungen
(wie z.B. bei Losauflagenentscheidung, bei Zuordnungsentscheidungen, etc.)
⇒ xi ∈ {0,1} → binäre Variable
Klassifikationsmöglichkeiten
ganzzahlige vs. binäre Optimierungsprobleme
(reine) vs. gemischt-ganzzahlige Optimierungsprobleme
kombinatorische Optimierungsprobleme
Ein Kombinatorisches Optimierungsproblem liegt vor, wenn der Wertebereich der

ganzzahligen Variablen nach oben beschränkt ist, so dass nur eine endliche Anzahl von
Kombinationsmöglichkeiten der Variablenwerte existiert.
Beispiel für ein ganzzahliges LOP

Maximiere Z ( x1 , x2 ) = x1 + 2 x2

x1 + 3x2 ≤ 7 (1)
3x1 + 2 x2 ≤ 10 (2)
x1 , x2 ≥ 0 und ganzzahlig (2)
(1)
Problemtypen der kombinatorischen Optimierung

(1) Zuordnungsprobleme
Inhalt : Paarweise oder weitergehende gegenseitige Zuordnung von Elementen aus
mehreren Gruppen
⎧1 , wenn Element i und j einander zugeordnet werden
x =
Variable : ij ⎨0 , sonst
⎩
Beispiele : - Lineares Zuordnungsproblem
- Stundenplanproblem
- Personaleinsatzplanung
(2) Reihenfolgeprobleme
Inhalt : Bildung einer Reihenfolge von Elementen einer Gruppe
⎧1 , wenn Element j unmittelba r nach Element i gereiht wi rd
x =
⎩
Beispiele : - Rundreiseproblem
- Maschinenbelegungsproblem
(3) Gruppierungsprobleme
Inhalt : Zusammenfassung von Elementen einer Gruppe zu mehreren Teilgruppen
⎧1 , wenn Element j der Gruppe i zugeteilt wird
x =
⎩
Beispiele : - Losgrößenplanung
- Tourenplanung
(4) Auswahlprobleme
Inhalt : Auswahl einer Teilmenge von Elementen aus einer Gesamtmenge
⎧1 , wenn Element i ausgewählt wird
x =
Variable : i ⎨0 , sonst
⎩
Beispiel: - Rucksackproblem
- Standortplanung
- Investitionsplanung
Das Rundreiseproblem (Traveling-Salesman-Problem)

Aufgabe : Festlegung der Reihenfolge des Besuchs von n Orten, so dass die
Gesamtstrecke der Rundreise minimiert wird.
Daten : cij : Entfernung zwischen Ort i und Ort j (i, j = 1,..., n)
Variablen :
⎧1 wenn Ort j unmittelbar nach Ort i besucht wird
xij = ⎨
⎩0 sonst
Zielfunktion :
n n
Minimiere Z = ∑∑ cij ⋅ xij
i =1 j =1
Nebenbedingungen :
n
∑x
i =1
ij =1 für j = 1,..., n
n
∑x
j =1
ij =1 für i = 1,..., n
Kurzzyklenbedingungen
xij ∈ {0,1} für i, j = 1,..., n
Beispiel „Rund um Magdeburg“:
SDL 7
HVL 6
BRB 2
BRG 3
MD 0
HBS 5
WB 8
BBG DE 1 4
Matrix der kürzesten Wege :

0 1 2 3 4 5 6 7 8
0 0 48 89 28 62 56 96 62 85
1 0 135 75 41 60 142 108 73
2 0 67 92 144 34 63 75
3 0 63 88 61 62 87
4 0 96 125 122 33
5 0 151 117 127
6 0 37 109
7 0 122
8 0
Das Rucksackproblem (Knapsack-Problem)

Aufgabe : Auswahl einzelner Objekte aus einer Gesamtmenge von n Objekten mit
unterschiedlichem Nutzen und Gewicht, so dass unter Einhaltung einer
Gesamtgewichtsgrenze der Gesamtnutzen maximiert wird.
Daten :
ci : Nutzen des Objekts i (i = 1,..., n)
wi : Gewicht des Objekts i (i = 1,..., n)
W : maximales Gesamtgewicht
Variablen :
⎧1 wenn Objekt i ausgewählt wird

xi = ⎨ Beispiel „Die einsame Insel“:
⎩0 sonst
Zielfunktion :
n Buch 1 2 3 4 5
Maximiere Z = ∑ ci ⋅ xi subjektiver Nutzen 10 12 24 12 23
i =1 Gewicht 5 6 12 7 12
Nebenbedingungen :
n
Maximalgewicht: 25
∑ wi ⋅ xi ≤ W
i =1
xi ∈ {0,1} für i = 1,..., n

Lösungseigenschaften ganzzahliger LOP’s

¾ Die Lösungsmenge ist endlich (anders als bei kontinuierlichen LOP’s).
¾ Die Eckpunkteigenschaft der Lösung kontinuierlicher LOP’s ist nicht gegeben!
⇒ Die Suche nach der optimalen Lösung ist

wesentlich aufwendiger als bei kontinuier-
lichen LOP’s (keine Anwendbarkeit des
Simplex-Verfahrens!)
⇒ Ganzzahlige LOP’s sind i. A. „schwer lösbare“

Probleme, d.h. ihr Lösungsaufwand steigt
exponentiell mit der Problemgröße.
Komplexität von ganzzahligen LOP’s

Beispiel : Binäres LOP mit n Variablen (z.B. Rucksackproblem) ⇒ 2 n mögliche Lösungen
Rechenzeit bei Vergleich aller Lösungen
n
Variablenzahl n Lösungsmöglichkeiten 2 bei 1 Millisekunde pro Lösung
2 4 -
5 32 -
10 1.024 1 Sekunde
20 ~ 106 17 Minuten
30 ~ 109 12 Tage
40 ~ 1012 35 Tage
50 ~ 1015 35.700 Jahre
Rechenaufwand von Lösungsalgorithmen

Definition: Rechenaufwand R(n) eines Algorithmus für ein Problem der Größe n ist von
Größenordnung f(n), wenn für hinreichend große n gilt:
R(n) ≤ c ⋅ f (n) mit c ∈ +
Maß der Problemkomplexität : O(f(n))

Unterscheidung :
• polynomialer Aufwand : f(n) ist Polynom der Ordnung n z.B. n2 oder n3
• exponentieller Aufwand : f(n) ist Exponentialfunktion von n z.B. 2n oder en
Problemklassen
• Klasse P : polynomial lösbar → „effizient lösbar“
• Klasse NP-schwer : (noch) nicht polynomial lösbar → „schwer lösbar“
Lösungsverfahren für ganzzahlige LOP’s

• Optimierende Verfahren
⇒ Vollständige Enumeration ⇒ Unvollständige (begrenzte) Enumeration
z.B. Branch & Bound-Verfahren
Teilproblem 2
Teilproblem 1
⇒ Schnittebenen-Verfahren ⇒ Dynamische Optimierung

(sukzessive Optimierung)
• Heuristische Verfahren
sind Verfahren zur Ermittlung einer „guten“ zulässigen Lösung mit „geringem“
Rechenaufwand ohne Garantie zum Erreichen bzw. Erkennen der optimalen Lösung.
⇒ Eröffnungsverfahren (zur Bestimmung einer ersten zulässigen Lösung)
uninformierte Verfahren
z.B. – Nordwesteckenregel bei Transportproblemen
– bedarfssynchrone Losgrößenbildung bei der Losgrößenplanung)
Greedy Heuristiken
– Verfahren des nächsten Nachbarn bei Rundreisenproblemen
Look ahead-Heuristiken
Rundungsheuristiken
⇒ Verbesserungsverfahren (zur
systematischen Verbesserung einer
gegebenen zulässigen Lösung)
Lokale Suchverfahren
Meta-Heuristiken (Simulated Annealing, Tabu Search, Genetische Algorithmen)
⇒ Unvollständig optimierende Verfahren
z.B. vorzeitig abgebrochene Branch & Bound-Verfahren
Verfahren des nächsten Nachbarn am Beispiel

0 1 2 3 4 5 6 7 8
0 0 48 89 28 62 56 96 62 85
1 0 135 75 41 60 142 108 73
2 0 67 92 144 34 63 75
3 0 63 88 61 62 87
4 0 96 125 122 33
5 0 151 117 127
6 0 37 109
7 0 122
8 0
Route : [0 - 3 - 6 - 2 - 7 - 1 - 4 - 8 -5 - 0] ⇒ D = 551
SDL 7
HVL 6
BRB 2
BRG 3
MD 0
HBS 5
WB 8
BBG DE 1 4
Optimale Route : [0 - 3 - 7 - 6 - 2 - 8 - 4 - 1 - 5 - 0] ⇒ D* = 426

Rundungsheuristik am Beispiel des Rucksackproblems

Daten:
Buch 1 2 3 4 5
subjektiver Nutzen 10 12 24 12 23
Gewicht 5 6 12 7 12
Maximalgewicht: 25
Optimale Lösung ohne Berücksichtigung der Ganzzahligkeit der Variablen:

x1 = 1, x2 = 1, x3 = 1, x4 = 0, x5 = 1/6, Z = 49,83, Gesamtgewicht = 25
Gerundete Lösung:
x1 = 1, x2 = 1, x3 = 1, x4 = 0, x5 = 0, Z = 46, Gesamtgewicht = 23
Optimale Lösung:
x1* = 0, x2* = 1, x3* = 1, x4* = 1, x5* = 0, Z* = 48, Gesamtgewicht = 25

Das Branch & Bound-Verfahren liefert eine optimale Lösung für kombinatorische
Optimierungsprobleme, ohne den Aufwand vollständiger Enumeration zu betreiben, indem
während der Problemzerlegung im Rahmen einer Verzweigung des Ausgangsproblems
geprüft wird, an welchen Stellen auf eine weitere Verzweigung verzichtet werden kann.
⇒ Ersetzung einer vollständigen Enumeration durch eine begrenzte Enumeration der
Lösungsmenge (= implizite Enumeration) ohne Optimalitätseinbuße.
Grundidee:
Die implizite Enumeration nach dem Branch & Bound-Verfahren basiert auf der
gemeinsamen Anwendung zweier Prinzipien (nämlich Branching und Bounding):
(1) Branching
Sukzessive Zerlegung des Ausgangsproblems P0 in Teilprobleme, indem die
entsprechende zulässige Lösungsmenge X(P0) in Teilmengen zerlegt wird.
⇒ Wiederholtes Zerlegen (Verzweigen) erzeugt
einen Lösungsbaum von Problemen: Teilproblem 2
P0
P1 P2
P3 P4 Teilproblem 1
(2) Bounding für Maximierungs- und Minimierungsprobleme

Ermittlung von oberen bzw. unteren Schranken für die Zielfunktions- (ZF)-Werte der
bei Zerlegung entstehenden Teilprobleme zur Prüfung, ob die weitere Zerlegung
abgebrochen werden kann.
Z bzw. Z : untere bzw. obere ZF-Schranke für Ausgangsproblem P0
Z i bzw. Z i : obere bzw. untere ZF-Schranke für Teilproblem Pi
Abbruchkriterium für Weiterzerlegung von Teilproblem Pi
bei Max-Aufgabe : Z i < Z bei Min-Aufgabe : Z i > Z
Teilproblem 2
Teilproblem 1
Schrankenermittlung beim Bounding

Schrankenermittlung für Teilprobleme Pi ( ⇒ ZF-Schranken für Lösungsverbesserung) erfolgt
'
durch Bildung und Lösung eines vereinfachten (sog. relaxierten) Problems Pi , indem Neben-
bedingungen gelockert oder weggelassen werden, so dass gilt:
X (Pi ) ⊂ X (Pi ' )
Standardvorgehensweise zur Relaxation ist bei ganzzahligen LOP’s das Weglassen der
Ganzzahligkeitsbedingungen (LOP-Relaxation).
'
Der Zielfunktionswert des relaxierten Problems Pi ist mindestens genauso gut, wie der
Zielfunktionswert des Problems Pi und führt bei
Max-Aufgaben zur Obergrenze Z i Min-Aufgaben zur Untergrenze Z i
Schrankenermittlung für das Ausgangsproblem P0 ( ⇒ ZF-Schranke für Lösungsverschlech-

terung) erfolgt zu Beginn der Verzweigung durch Anwendung einer Heuristik zum Finden
einer zulässigen Lösung oder durch Vorgabe von
Z = −∞ bei Max-Aufgabe Z = +∞ bei Min-Aufgabe
Im Laufe der Verzweigung wird diese Schranke durch den ZF-Wert der jeweils besten
gefundenen zulässigen Lösung des Ausgangsproblems ersetzt.
Heuristiken können genutzt werden, um eine bessere Schranke für P0 zu finden.

Abbruch der Weiterverzweigung

Ein Teilproblem braucht nicht weiter verzweigt zu werden, wenn eine weitere Zerlegung
keine zusätzliche Information über die optimale Lösung mit sich bringen kann. Ein solches
Teilproblem heißt ausgelotet. Hierbei sind 3 Fälle zu unterscheiden.
Fall (a) Die optimale Lösung des Teilproblems ist schlechter als die beste bekannte zulässige
Lösung.
Fall (b) Die optimale Lösung des relaxierten Teilproblems ist zulässig für das Ausgangs-
problem (z.B. ganzzahlig bei LOP-Relaxation) und ist besser als die beste bekannte
zulässige Lösung.
Fall (c) Das relaxierte Teilproblem besitzt keine zulässige Lösung, so dass dasselbe auch für
das nicht-relaxierte Teilproblem gelten muss.
Fall Max-Aufgabe Min-Aufgabe

(a) Z i < Z Zi > Z
(b) Z i > Z und Lösung von Pi ' Z i < Z und Lösung von Pi '
ist zulässig für P0 ist zulässig für P0
⇒ Z = Zi ⇒ Z = Zi
(c) X (Pi ' ) = ∅ ⇒ X (Pi ) = ∅ X (Pi ' ) = ∅ ⇒ X (Pi ) = ∅
Freiheitsgrade beim Branching

• Reihenfolge der Auswahl von zu zerlegenden Problemen, z.B.
¾ LIFO-Regel: ⇒ Tiefensuche
¾ FIFO-Regel: ⇒ Breitensuche
¾ MUB/MLB-Regel : Maximum Upper Bound/Minimum Lower Bound-Regel
• Zerlegungsmöglichkeit bei der Bildung von Teilproblemen, z.B.
¾ Wahl der Variablen mit größtem oder kleinsten nicht-ganzzahligen Anteil bei LOP-
Relaxation.
• Reihenfolge der Untersuchung der Teilprobleme, z.B.
¾ aufsteigende oder absteigende Bearbeitungsreihenfolge
¾ gerundeter Wert zuerst oder zuletzt
Beispiel zum Branch and Bound-Verfahren

Regeln
FIFO, kleinster Abstand zur nächsten ganzen Zahl, aufsteigende Bearbeitungsreihenfolge
Ausgangsproblem P0
Maximiere Z ( x1 , x2 ) = x1 + 2 x2
unter den Nebenbedingungen (2)

x1 + 3x2 ≤ 7 (1)
3x1 + 2 x2 ≤ 10 (2)
x1 , x2 ≥ 0 und ganzzahlig
(1)
Graphische Lösung des relaxierten Ausgangsproblems P0’

Schnittpunkt der Restriktionen (1) und (2)
(2)
P0
(1)
Branching: P0 wird verzweigt nach x1 und zerlegt in P1 und P2

Zerlegung und graphische Lösung von P1’ (P0’ mit zusätzlicher Restriktion x1 ≤ 2)
(2)
P1
P0
(1)
Graphische Lösung von P2’ (P0’ mit zusätzlicher Restriktion x1 ≥ 3)
(2)
P1
P0
(1)
P2
Nach FIFO-Regel wird nun P1 nach x2 weiter verzweigt, und zerlegt in P3 und P4.
Zerlegung und graphische Lösung von P3’ (P1’ mit zusätzlicher Restriktion x2 ≤ 1)
(2)
P1
P0
P3 (1)
P2
Graphische Lösung von P4’ (P1’ mit zusätzlicher Restriktion x2 ≥ 2)
(2) P
4
P1
P0
P3 (1)
P2
Optimale (ganzzahlige Lösung): x1*=1, x2*=2, Z*=5


Lokale Suchverfahren am Beispiel der Dynamischen Losgrößenplanung
Suchprinzip
• Start mit einer zulässigen Ausgangslösung
• Definition einer `Nachbarschaft´ NBS(x) zu einer gegebenen Lösung x
• Iterative Lösungsveränderung durch Übergag von einer Lösung x zu einer
Nachbarlösung x' ∈ NBS (x) mit dem Ziel der Lösungsverbesserung
• Abbruch wenn keine Lösungsverbesserung durch Nachbarschaftssuche mehr möglich ist
Prüfvarianten bei Nachbarschaftssuche

• vollständige Prüfung von NBS(x) : Best fit-Strategie
• eingeschränkte Prüfung : First fit-Strategie (Prüfreihenfolge wichtig!)
Verfahren lokaler Suche am Beispiel der Dynamische Losgrößenplanung (S. 4-55)
Daten: T = 6, f = 100, l = 1, y0 = 0
t 1 2 3 4 5 6 ∑
Bt 25 70 60 50 40 5 250
Variablen:
qt : Losgröße in Periode t
yt : Lagerbestand am Ende von Periode t
⎧1 , wenn in Periode t ein Los aufgelegt wird
xt = ⎨
⎩0 , sonst
Anwendung des Suchverfahrens
• Zulässige Startlösung (z.B. maximale Losbildung)

x10 = 1 , x20 = x30 = x40 = x50 = x60 = 0
bzw. als Binärzahlfolge
0
x0 : 1 0 0 0 0 0 → q : 250 0 0 0 0 0
0
→ y : 225 155 95 45 5 0
Kosten: K (x0 ) = 100 ⋅1 + 1⋅ (225 + 155 + 95 + 45 + 5) = 625
• Nachbarschaftsdefinition : NBS(x)
Menge aller zulässigen Binärzahlfolgen mit genau einem Binärzahlwechsel
NBS(x0)
x1 : 1 1 0 0 0 0
x2 : 1 0 1 0 0 0
x3 : 1 0 0 1 0 0
x4 : 1 0 0 0 1 0
x5 : 1 0 0 0 0 1
• Iterative Suche
Auswertung
• Nur 10 von 32 (= 25) möglichen
Lösungen durchsucht!
• Optimale Lösung
opt
x : 1 1 0 1 0 0
mit K opt = 410 nicht gefunden!
Problematik des Verfahrens lokaler Suche

• Existenz mehrerer lokaler Optima
• Hilfsstrategien zur (globalen) Optimumsuche

Wiederholungen mit unterschiedlichen Startlösungen
Wiederholungen mit unterschiedlichen (u.U. zufälligen) Suchreihenfolgen
(bei First fit-Strategie)
Anwendungen von Local Search-Verfahren (i.e.S.) mit Möglichkeit vorüber-
gehender Lösungsverschlechterung
• Lösungssuche bei geänderter Startlösung (hier : bedarfssynchrone Losbildung)
Auswertung:
• 16 von 32 möglichen Lösungen durchsucht und optimale Lösung gefunden!
6 Weitere Anwendungen und

Gebiete des Operations Research
6.1 Überblick
¾ Nicht-lineare Optimierung
¾ Dynamische Optimierung
¾ Graphentheorie
¾ Netzplantechnik
¾ Warteschlangentheorie
¾ Simulation
6.2 Nicht-lineare Optimierung

Aufgabe
Lösung von Optimierungsproblemen bei nichtlinearen Zusammenhängen zwischen den
betrachteten ökonomischen Größen, z.B.
• Skaleneffekte
• nichtlineare Preis-Absatz-Funktionen
Allgemeines Problem Konvexes Problem

Beispiel aus Hauptübung: Wyndor Glass mit Preis-Absatz-Funktion

Gegeben:
• 2 Produkte mit variablen Kosten und Preis-Absatz-Funktionen:
Produkt 1 Produkt 2
Preis-Absatz-Funktion p1(x1) = 18 – x1 p2(x2) = 22 – x2
variable Produktionskosten 10 12
• 3 Ressourcen (Kapazitätsbeschränkungen)
Kapazitätsausnutzung je ME in Stunden
Anlage Produkt 1 Produkt 2 Verfügbare Kapazität (in Stunden)
1 1 0 4
2 0 2 12
3 3 2 18
Zielfunktion (Gesamtdeckungsbeitrag):
Z = p1(x1) · x1 – 10x1 + p2(x2) · x2 – 12x2 = (18 – x1) · x1 – 10x1 + (22 – x2) · x2 – 12x2
= 8 · x1 – x12 + 10 · x2 – x22
Nebenbedingungen:
x1 ≤ 4 (1)
2x 2 ≤ 12 (2)
3x1 + 2x 2 ≤ 18 (3)
x1 , x 2 ≥ 0
Unbeschränktes Optimum:
x1 = 4, x2 = 5 ist nicht zulässig
Verfahren zur Lösung von Proble-

men der nichtlinearen Optimierung:
• Auswertung der Kuhn-Tucker-

Bedingungen
• Methoden der zulässigen
Richtungen bei konvexen
Optimierungsproblemen
• Quadratische Optimierung
6.3 Dynamische Optimierung

Aufgabe
Lösung von Optimierungsproblemen mit einer Folge von unabhängigen Entscheidungen. Das
Entscheidungsproblem wird hier in mehrere Stufen (Perioden) unterteilt wobei auf jeder Stufe
nur die dort relevanten Zustände und Alternativen betrachtet werden.
Beispiele für als Dynamisches Optimierungsproblem modellierbare Aufgabenstellungen:

• Dynamische Losgröße
• Rucksackproblem
• Investitionsentscheidungen
Beispiel 1: Investitionsentscheidungen
Stufen: Perioden
Zustände: Kapazitäten, Markterwartungen
Entscheidungen: Investition/Desinvestition
Beispiel 2: Rucksackproblem
Daten: Optimierungsproblem:
1 2 3 4 Maximiere Z = 3 x1 + 4 x2 + 2 x3 + 3 x4
subjektiver Nutzen 3 4 2 3
u.d.N.: 3 x1 + 2 x2 + 4 x3 + x4 ≤ 9
Gewicht 3 2 4 1
Maximalgewicht: 9 xk ∈ {0,1} für k = 1,..., 4
Stufen: Objekte
Zustände: Restkapazitäten
Entscheidungen: Mitnahme/Nichtmitnahme
Lösungsmethodik: Vorwärts-/Rückwärtsrekursion
Quelle: Domschke & Drexl, Einführung in Operations Research, 6.Auflage, S. 166

6.4 Graphentheorie
Aufgabe
Beschreibung realer Sachverhalte und Entscheidungsproblemen durch Graphen und Analyse
und Optimierung, z.B.: Ermittlung kürzester Wege, Aufbau von Kommunikationsnetzen,
Rundreiseproblem
Graphen
• Knoten
• Kanten/Pfeile
• Bewertungen

Beispiel für Suche nach kürzestem Weg Unfallstelle
Stadtplan:
Straßenbahn
Rettungsstation
Modell und Baum kürzester Wege ermittelt z.B. mit dem Dijkstra-Algorithmus

Beispiel für den Aufbau von Kommunikationsnetzen

(Minimal spannender Baum)
Aufgabe: Entfernungsminimale Versorgung der Haushalte ausgehend von Knoten 1
Quelle: Domschke & Drexl, Einführung in Operations Research, 6.Auflage, S. 68 und 69

6.5 Netzplantechnik
Aufgabe
Planung und Steuerung von zeitlich und sachlich abgegrenzten komplexen Vorhaben, z.B.
Anlagenbau (Einzelfertigung), Ressourceneinsatzplanung, F&E-Projekte, Organisation von
Großveranstaltungen, Projektmanagement
Vorgehensweise
• Strukturplanung:
Ermittlung von Aktivitäten/Vorgänge, Reihenfolgebeziehungen, Vorgangsdauern,
Kapazitätsnutzung u.s.w.
• Zeitplanung:
Ermittlung frühester und spätester Beginn- und Endzeitpunkte sowie der minimalen
Projektdauer, Bestimmung von Zeitreserven (Pufferzeiten) sowie der zeitkritischen
Tätigkeiten (kritischer Weg)
• Kapazitäts- und Kostenplanung:

Kapazitätsausgleich und Kostenminimierung
Beispiel zur Netzplantechnik (Zeitplanung mit CPM, Critical Path Method)

Gegeben: Aufgabenzerlegung und Strukturplan (Netzplan)
Quelle: Schneeweiß S. 183, 184

Gesuchte Größen:
FAZj : frühestmöglicher Anfangszeitpunkt der Tätigkeit j

FEZj : frühestmöglicher Endzeitpunkt der Tätigkeit j
SAZj : spätestzulässiger Anfangszeitpunkt der Tätigkeit j
SEZj : spätestzulässiger Endzeitpunkt der Tätigkeit j
GPj : Gesamtpufferzeit, d.h. maximale Zeitreserve für Verschiebung der Tätigkeit j
Vorgehensweise
Â Schritt (1) : Vorwärtsrechnung

FAZ0 = 0 FAZ j = max { FEZ k } FEZj = FAZj + dj mit Vj Menge der direkten Vorgänger von j
k∈V j
Â Schritt (2) : Rückwärtsrechnung

SEZn = FEZn SEZ j = max
k ∈N
{SAZ k } SAZj = SEZj – dj mit Nj Menge der direkten Nachfolger von j
j
Â Schritt (3) : Ermittlung der Gesamtpufferzeiten

GPj = SEZj – FEZj = SAZj – FAZj
Â Schritt (4) : Ermittlung des kritischen Weges
Kritischer Weg = Zusammenhängende Folge der Tätigkeiten mit Gesamtpufferzeit von Null
Beispiel Projekt „Lagerhalle“ : Zeitplanung
Tätigkeit Dauer FAZ FEZ SAZ SEZ GP Kritisch?

0 (Start) 0
1 2
2 5
3 8
4 4
5 2
6 2
7 1
8 3
9 2
10 1
11 4
12 (Abnahme) 1
6.6 Warteschlangentheorie
Aufgabe
Analyse des Abfertigungsverhaltens und Dimensionierung von Service- und Bedienstationen
(z.B. Call Center, Bankschalter, Mensa) unter Berücksichtigung stochastischer Einflüsse
(z.B. Kundenankunft, Bediendauer)
Quelle: Campusmagazin der Universität Darmstadt
Kenngrößen
• (mittlere) Schlangenlänge (Anzahl der Kunden im Warteraum)
• (mittlere) Systemlänge (Anzahl der Kunden im System)
• (mittlere) Wartezeiten und Verweilzeiten der Aufträge oder Kunden
• (mittlere) Auslastung der Abfertigungskapazität
Vorgehensweise und Beispiel

• Analytisch in einfachen Fällen (einfache Systeme und weiterer vereinfachender
Annahmen):
Einkanalmodell:
Paralleles Mehrkanalmodell:
Serielles Mehrkanalmodell:
• Simulation
6.7 Simulation
Aufgabe
Untersuchung von komplexen (stochastischen) Systemen, wobei der Wirkungsmechanismus
des Systems durch die Abbildung einzelner Komponenten und der Abhängigkeiten zwischen
den Komponenten. Bsp.: komplex vernetztes Warteschlangensystem
Analytische Lösung vs. Simulation:

numerische Berechnungen und
Schätzung der Model-Performance „Methode des letzten Auswegs“
Anwendungsgebiete in Produktion und Logistik

Bestandsmanagement, Projektplanung, Warteschlangensysteme (z.B. Call-Center), Produk-
tionssteuerung, Kommissionier-/Lagersysteme
Simulationsmodell einer Abfüllanlage (Visualisierung)

Simulationsmodell einer Abfüllanlage (Modelllogik)

1 von 8
Klausur: 5012
Prüfung: BWL B (Produktionswirtschaft und Operations Research) WS 2005/06
Prüfer: Prof. Dr. Karl Inderfurth
Prüfungsbogen
Vom Klausurteilnehmer auszufüllen!
Name, Vorname :
Fakultät :
Matrikelnummer :
Hinweise:
Verwenden Sie für Ihre Berechnungen (sofern notwendig) das beiliegende Schmierpapier und
tragen Sie anschließend das gesuchte Ergebnis in der dafür vorgesehenen Stelle unterhalb der
Aufgabenstellung in den Prüfungsbogen ein. Es werden nur die Eintragungen im
Prüfungsbogen bewertet. Sowohl der Prüfungsbogen als auch das Schmierpapier sind nach
dem Ende der Klausur mit Namen, Fakultät und Matrikelnummer beschriftet abzugeben. Alle
Aufgaben sind zu bearbeiten. Dieser Klausurteil besteht aus 8 Seiten.
Bemerkung zu den Multiple-Choice-Aufgaben:

Korrekt gesetzte Kreuze erhalten eine positive Punktzahl. Falsche Antworten werden negativ
bewertet und innerhalb von Teilaufgaben mit Richtigen verrechnet.
Zugelassene Hilfsmittel: Nicht-programmierbare Taschenrechner ohne Kommunikations-

oder Textverarbeitungsfunktion.
Punkteverteilung:
Aufgabe 1: 20 Punkte
Aufgabe 4: 8 Punkte
insgesamt: 60 Punkte
Nur für den Prüfer
Aufgabe 1 2 3 4 insgesamt
Punkte
2 von 8
Aufgabe 1: Allgemeines (20 Punkte)
(a) Untersuchen Sie, ob für die folgenden Produktionsfunktionen bei Vorgabe der
Produktionsmengen Limitationalität oder (totale bzw. partielle) Substitutionalität der
Faktoren vorliegt!
keine
partielle totale
Limitationalität Aussage
Substitutionalität Substitutionalität
möglich
y3 = 8 ⋅ x1 ⋅ x2
y3 = 2 x1 + 5 x2
x1 = 5 ⋅ y3 , x2 = 3 ⋅ y3
(b) Nennen Sie ein Softwaretool zur Lösung linearer Optimierungsprobleme!
(c) Das Verfolgen einer Synchronisationsstrategie in der mittelfristigen Produktions-

programmplanung ...
wahr falsch
... vermeidet Lagerbestände so weit wie möglich.
... vermeidet Überstunden so weit wie möglich.
... führt zu einer konstanten Produktion.
... optimiert die Kapazitätsauslastung.
(d) Bei programmorientierter Materialbedarfsplanung benötigt man folgende Informationen

über die einzelnen Materialien:
wahr falsch
Anfangsbestände
Erzeugnisstrukturen
Vergangenheitsbedarfe
Produktionsprogrammdaten
(e) Im Modell der statischen Losgrößenplanung gilt:

wahr falsch
Die Losgröße erhöht sich proportional zur Anzahl der Losauflagen

pro Zeiteinheit.
Der Bedarf wächst pro ZE mit konstanter Rate.
Die optimale Losgröße hängt nicht von den Fixkosten der

Beschaffung ab.
Der Planungshorizont ist unbegrenzt.
(f) Der jährliche Materialbedarf in Höhe von 50 Stück wird in Losen der Größe q beschafft.
Je Bestellung fallen Fixkosten in Höhe von 250€ sowie Stückkosten von 100€ an. Die
Lagerhaltungskosten betragen 10€ je Stück und Jahr. Die optimale Losgröße (gerundet
auf die nächstliegende ganze Zahl) beträgt:
25 35 50 100 141 200 keine der Vorgaben sondern _____

3 von 8
(g) Drei Systeme zur Güterproduktion (A), (B) und (C) mit linearer Technologie sind durch
folgende Technologiematrizen beschrieben:
System (A) : System (B) : System (C) :
⎡-2 0⎤ ⎡ 1 −3 −2 ⎤ ⎡ −8 −3⎤
⎢0 -2 ⎥ ⎢ −4 2 0 ⎥ ⎢ −1 −2 ⎥
MA = ⎢ ⎥ MB = ⎢ ⎥ MC = ⎢ ⎥
⎢1 1⎥ ⎢ 3 0 −1⎥ ⎢ 0 −1⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣⎢ 1 1 ⎦⎥ ⎣0 0 1⎦ ⎣2 1⎦
Geben Sie für jedes der drei Produktionssysteme vollständig an, welche der genannten
Technologietypen jeweils zutreffen!
System System System

Eigenschaft
(A) (B) (C)
1. zyklisch
2. outputseitig determiniert
3. Verfahrenswahl bei Faktornutzung
4. elementar
5. allgemein nicht elementar
6. einstufig
7. mehrstufig
8. Verfahrenswahl bei Produktherstellung
9. inputseitig determiniert
(h) Geben sie den Wahrheitswert der folgenden Aussagen an:
wahr falsch
Jede konvexe Technologie ist eine lineare Technologie.
Konvexe Technologien lassen die Möglichkeit der

Verschwendung grundsätzlich zu.
Bei Produktion mit Verfahrenswahl bei Faktornutzung lassen sich
die Outputmengen als eindeutige Funktion der Inputmengen
beschreiben.
Jede konvexe Linearkombination effizienter Grundaktivitäten

führt zu einer effizienten Aktivität.
4 von 8
Aufgabe 2: Lineare Optimierung (18 Punkte)

(a) Bei Lösung eines Maximierungsproblems (LOP1) erhalten sie folgendes Simplextableau.
BV x1 x2 x3 x4 bi
x3 -1 -2 1 0 -5
x4 2 1 0 1 5
Z 5 -4 0 0 0
Führen Sie eine Iteration des Simplexalgorithmus durch und tragen Sie das Ergebnis in
das folgende Tableau ein.
BV bi
-Z
(b) Gegeben ist das folgende Lineare Optimierungsproblem (LOP2):

Maximiere Z = -2 x1 - 4 x2
unter den Nebenbedingungen:
x1 + 2 x2 ≤ 8 (1)
x1 + x 2 ≥ 4 (2)
2 x1 + 3 x2 ≥ 10 (3)
x1 , x2 ≥ 0
Das Optimal-Tableau lautet:
BV x1 x2 x3 X4 x5 bi
x3 0 ½ 1 0 ½ 3
x4 0 ½ 0 1 -½ 1
x1 1 3/2 0 0 -½ 5
Z 0 1 0 0 1 -10
(b1) In welchem Intervall kann der zu x2 gehörende Zielfunktionskoeffizient schwanken, ohne
dass sich die optimalen Basislösung ändert?
5 von 8
(b2) Wie hoch ist der Zielfunktionswert, wenn die zweite Nebenbedingung wie folgt lautet:
x1 + x2 ≥ 5
(b3) In welchem Intervall kann der Restriktionskoeffizient der ersten Nebenbedingung

schwanken, ohne dass sich die Struktur der optimalen Basislösung ändert?
(b4) Formulieren Sie das zum obigen LOP2 duale Problem! Definieren Sie hierfür geeignete
Entscheidungsvariablen.
(b5) Geben Sie die Optimalwerte der Strukturvariablen sowie den optimalen Zielfunktions-
wert des in (b4) formulierten dualen Problems an!
6 von 8
Aufgabe 3: Materialbedarfsplanung (14 Punkte)

Gegeben ist der folgende Gozinto-Graph:
3 2
E1 B3 P4
4 1
E2
(a) Klassifizieren Sie das durch den Gozinto-Graphen beschriebene Produktionssystem

möglichst vollständig hinsichtlich aller Ihnen bekannten Typen von Technologien.
(b) Geben Sie zu dem dargestellten Produktionssystem die Direkt- und Gesamtbedarfsmatrix
an.
A= G=
(c) Auf welcher Dispositionsstufe ist das Material E2 zu disponieren?
0 1 2 3 4 5
(d) Führen Sie eine Materialbedarfsplanung nach dem Dispositionsstufenverfahren über 3

Perioden (t=1,...,3) durch, wenn für das Endprodukt P4 und für die Baugruppe B3
folgende Primärbedarfe vorliegen und jeweils eine Periode Durchlaufzeit anzusetzen
ist? Die Anfangsbestände sind ebenfalls aus der Tabelle zu entnehmen.
Primärbedarf t=1 t=2 t=3 Anfangsbestand

P4 10 20 10 20
B3 5 10 10 40
E2 100
E1 50
Führen Sie die Berechnung nur für die Dispositionsstufen 0 und 1 durch!
7 von 8
Periode
Dispositionsstufe /
disponiertes 1 2 3
Produkt Zeileninhalt
(e) Geben Sie den Wahrheitswert der folgenden Aussagen an.

Im Rahmen des Dispositionsstufenverfahrens gilt für jedes Erzeugnis einer
Baukastenstückliste:
wahr falsch
Der Bruttobedarf ist nicht kleiner als der Nettobedarf.
Der Primärbedarf ist nicht kleiner als der Sekundärbedarf.
Der Lagerbestand ist stets größer als Null.
Dispositionsstufe ≥ Fertigungsstufe
8 von 8
Aufgabe 4: Zuordnungsproblem (8 Punkte)

Der Lehrstuhlleiter hat die Aufgabe, den drei Lehrkräften I, K und L die Aufgaben
Vorlesung (V), Hauptübung (H) und Internationales Programm (IP) zuzuordnen. Jede
Lehrkraft soll dabei genau eine Aufgabe übernehmen. Aus den Erfahrungen der
Vergangenheit hat sich die folgende Einschätzung bezüglich der Qualifikation der einzelnen
Lehrkräfte für die Aufgaben herausgebildet.
V H IP
I 5 5 5
K 3 4 2
L 3 3 5
Ziel ist es, eine Zuordnung zu finden, welche die Summe der Einschätzungen maximiert.
(a) Formulieren Sie zur Lösung der oben beschriebenen Aufgabe mit den dort gegebenen
Daten ein LP-Modell unter Angabe und Erläuterung von Entscheidungsvariablen,
Zielfunktion und allen Nebenbedingungen.
(b) Geben Sie den Wahrheitswert der folgenden Aussagen an.

Im obigen Zuordnungsproblem gilt:
wahr Falsch
Aufgrund der Ganzzahligkeitsbedingungen lässt sich das lineare

Zuordnungsproblem nicht mit dem Simplex-Verfahren lösen.
Zur Lösung eignen sich grundsätzlich alle Lösungsverfahren des

Klassischen Transportproblems.
Die Anwendung der Nordwesteckenregel liefert stets eine optimale

Lösung.

Combined

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Combined

Hochgeladen von

Copyright:

Verfügbare Formate

Produktion und Logistik PW / OR WS 06/07 0-1

Produktionswirtschaft und Operations Research

Fakultät für Wirtschaftswissenschaft

Sprechstunde: Donnerstag 10.00-12.00 Uhr in G22-E016

Produktionswirtschaft und Operations Research

Fakultät für Wirtschaftswissenschaft

Sprechstunde: Donnerstag 10.00-12.00 Uhr in G22-E016

Produktion und Logistik PW / OR WS 06/07 0-2

Produktion und Logistik PW / OR WS 06/07 0-4

1.1 Einführung in die Produktionswirtschaft (PW)

Produktionswirtschaftslehre betrachtet Phänomene der Produktion (insbes. in Unter-

Produkte sind insbes. Sachgüter und Dienstleistungen.

Produktionsfaktoren sind insbes. Arbeitsleistungen, Betriebsmittel, Werkstoffe und

Der Produktionsvorgang ist allg. darstellbar als wertschöpfendes Input-Output-System:

Objekte Qualitative Objekte

Charakterisierung von Produktion nach

→ Objekten • Sachen • Primärer Sektor

Produktionssysteme sind geordnete Zusammenfassungen von Input-Output-Systemen mit

Das Produktionssystem in seiner Umwelt [Quelle : Dyckhoff : 3. Aufl., S. 5]

Hauptbetrachtungsgegenstand der PW : Industriebetriebe

Systematik der Betriebe im gesamtwirtschaftlichen Leistungszusammenhang [Quelle: Zahn/Schmid :

Abgrenzungen von Produktion und Produktionssystemen:

Wirtschaftseinheiten und ihre Umwelten [Quelle: Dyckhoff, 3. Aufl.,

• Logistik : raum-zeitliche Transformation

• Beschaffung /Absatz : Markt-Transaktionen

1.1.3 Teilaspekte der Produktionswirtschaftslehre

Beschaffung Produktion Absatz

Im Ausführungssystem läuft der Wertschöpfungsprozess als physischer Transformations-

Hauptgebiete der PW-Lehre:

Produktionsmanagement befasst sich mit der Organisation von Produktionssystemen und

• Planung : zielgerichtete Festlegung zukünftigen Handelns (zur Vorbereitung und

1.2 Einführung in Operations Research (OR)

Operations Research (OR) dient der Entscheidungsvorbereitung im Rahmen komplexer

• Hinreichende Quantifizierbarkeit aller wesentlichen Problembestandteile

→ Mathematische Modellierbarkeit (als Entscheidungsmodell)

→ Rechnerische Lösbarkeit (durch Algorithmen)

Prozess-Phasen der Anwendung von OR:

• Erkennen und Abgrenzung des Problems

• Umsetzung : Spezifisches Problem → Mathematisches Modell

• Anwendung von OR-Rechenverfahren (OR-Algorithmen, OR-Verfahren)

und x1 , x2 , ..., xn reellwertig oder ganzzahlig

Für verschiedene Modelltypen stehen verschiedene OR-Verfahren zur Lösung zur

Lineare Graphen- Netzplan- Simulation

2.1 Aufgaben der Produktionstheorie

Produktionstheorie untersucht allgemeine Zusammenhänge und Gesetzmäßigkeiten in Bezug

• Beschreibungsmodelle zur Darstellung von Elementen und Beziehungen in

• Erklärungsmodelle zur Wiedergabe von Abhängigkeiten zwischen Systemelementen

Eine systemorientierte Sichtweise ermöglicht

• die schrittweise Zerlegung

• die sukzessive Erzeugung

Abbildung 1 : Gegenstand der Theorie betrieblicher

Betrachtungsebenen der Produktionstheorie

Grundbegriffe: Objekte, Aktivität, Technologie, Produktionsmöglichkeiten

Basis: auch Unterscheidung zwischen erwünschten und nicht-erwünschten Objekten des

Grundbegriffe: realer Aufwand/Ertrag (mehrdimensional), Effizienz, Produktionsfunktion

Basis: quantitative Bewertung aller Objekte in Höhe ihres Wertschöpfungsbeitrags möglich

Grundbegriffe: Kosten/Erlöse/Erfolg (eindimensional), Erfolgsfunktion

2.2 Produktionstheorie auf Objektebene

• nach körperlicher Erscheinungsform

• nach Stellung im Transformationsprozess (Input/Output) Objekte

• nach Faktortyp auf Inputseite Elementar-

Objekte produktionstheoretischer Modelle sind Gegenstände im Rahmen von

Qualitativ gleiche bzw. ähnliche Objekte können zu Objektarten zusammengefasst werden.

Zum Zweck der Modellbildung werden Objektarten geeignet nummeriert: