Ver. 1.

0

24.07.01

Zusammenfassung „Einführung in die Operations Research I/II“ bei Prof. Neumann I. Lineare Optimierung

Die Lineare Optimierung ist dadurch gekennzeichnet, daß sowohl die Zielfunktion wie auch die Funktionen der Entscheidungsparameter linear sind, d.h. Geraden in einem Koordinatensystem bilden. Beispiele: Produktionsplanung: Wie optimiere ich bei beschränkter Faktoreinsatzmenge und mehreren Outputs meinen Gewinn? Transportproblem: Welches Lager beliefert welchen Kunden mit welcher Menge? Verkehrsnetze: Welches ist der kürzeste / schnellste Weg durch das Netz? Tourenplanungsproblem: Wie erreiche ich auf kürzestem Weg in kürzester Zeit meine Kunden? Zuordnungsproblem: Welche Bewerber soll ich auch welche Stelle setzten und wonach auswählen? Verschnittproblem: Wie wähle ich mein Schnittmuster, so daß möglichst wenig Verschnitt entsteht?

II.

Nichtlineare Optimierung

Nichtlineare Optimierung muß dann angewendet werden, wenn auch nur eine nichtlineare Zielfunktion oder Nebenbedingung auftritt. Dies ist häufig bei wechselseitigen Abhängigkeiten von Einflußgrößen der Fall. Beispiel: Nichtlineare Produktionsplanung: Wie produziere ich effizient, wenn der Energiebedarf schwankt und ich günstigere eigene Energie und teure Fremdenergie zur Verfügung habe, welche sich aus Bereitstellungs- und Verbrauchskosten zusammensetzt?

III.

Dynamische Optimierung

Diese Art der Optimierung ist meistens unter Berücksichtigung von nichtlinearen Zusammenhängen bei planungsablaufabhängigen Problemen der Fall. Hier können auch Prognosen in die Planung mit einfließen. Beispiel: Ersatzteilbeschaffung: Welches Ersatzteil verwende ich, wenn sie zu unterschiedlichen Preisen und Lebensdauern zur Verfügung stehen? Dynamische Lagerhaltung: Verringerung von Stillstandzeiten durch Pufferhaltung. Maschinenbelegungsplanung: Wie kann ich meine Stillstandszeiten einer Fertigungsstraße minimieren? Warteschlangen: z.B. Supermarktkassenschlange bei zufallsbedingter Ankunft und Kassiermenge von Kunden.

1/1 © A. Jacob

Ver. 1.0

24.07.01

Inhaltsverzeichnis
Zusammenfassung „Einführung in die Operations Research I/II“ bei Prof. Neumann ............................ 1 I. Lineare Optimierung ......................................................................................................................... 1 II. Nichtlineare Optimierung .............................................................................................................. 1 III. Dynamische Optimierung.............................................................................................................. 1 Inhaltsverzeichnis................................................................................................................................. 2 Lineare Optimierung ................................................................................................................................ 3 Formulierung eines linearen Optimierungsproblems........................................................................ 3 Lösung des Problems ....................................................................................................................... 3 Typische Eigenschaften linearer Optimierungsprobleme................................................................. 3 Standardproblem der Linearen Optimierung .................................................................................... 3 Die entartete oder degenerierte Ecke............................................................................................... 4 Das Simplexverfahren ...................................................................................................................... 4 Kleinste-Index-Regel ........................................................................................................................ 5 Der Austauschschritt der Simplexmethode ...................................................................................... 6 Dualität.............................................................................................................................................. 6 Modifikationen des Standardproblems und Sonderformen des Simplex ......................................... 8 Sensitivitätsanalyse und parametrische Optimierung .................................................................... 10 Vektoroptimierung und Goal-Programming .................................................................................... 10 Zwei-Personen-Nullsummenspiele................................................................................................. 11 Graphen und Netzwerke .................................................................................................................... 12 Graphen und Digraphen auf Rechnern .......................................................................................... 13 Minimalgerüste ............................................................................................................................... 13 Kürzeste Wege in Netzwerken ....................................................................................................... 14 Kürzeste Wege zwischen allen Knoten .......................................................................................... 15 Elemente der Netzplantechnik........................................................................................................ 15 Das Gantt-Diagramm .................................................................................................................. 16 Flüsse in Netzwerken ..................................................................................................................... 16 Das Transportproblem .................................................................................................................... 17 Ganzzahlige und kombinatorische Optimierung ................................................................................ 18 Ganzzahlige Optimierungsprobleme mit total unimodularer Koeffizientenmatrix .......................... 19 Verfahren von Gomory zur Lösung eines rein ganzzahligen Optimierungsproblems.................... 19 Die Branch-and-Bound-Methode zur Lösung kombinatorischer Probleme.................................... 19 Branch-and-Cut-Verfahren ............................................................................................................. 20 Nichtlineare Optimierung ....................................................................................................................... 22 Spezialfall der nicht-linearen Optimierung: konvexe Optimierungsprobleme ............................. 22 Lagrange-Funktion und Karush-Kuhn-Tucker-Bedingung .......................................................... 22 Dynamische & stochastische Modelle und Methoden ........................................................................... 24 Problemstellung der allgemeinen dynamischen Optimierung .................................................... 25 Bellmansches Optimalitätsprinzip................................................................................................... 25 Bellmansche Funktionalgleichung .................................................................................................. 25 Bellmansche Funktionalgleichungsmethode .................................................................................. 25 Lagerhaltung................................................................................................................................... 27 EOQ-Modell (economic order quantity........................................................................................ 27 Deterministisches dynamisches Modell ...................................................................................... 28 Warteschlangen ................................................................................................................................. 29 Das Wartesystem M|M|1............................................................................................................. 29 Das Wartesystem M|M|s ............................................................................................................. 31

2/2 © A. Jacob

Ver. 1.0

24.07.01

Lineare Optimierung
Formulierung eines linearen Optimierungsproblems
a) Spezifikation der gesuchten Größen bzw. Entscheidungsvariablen b) Formulierung aller Nebenbedingungen des Problems als lineare Gleichungen oder Ungleichungen für die Entscheidungsvariablen (inkl. Nichtnegativitätsbedingung) c) Spezifikation der Zielfunktion in Form einer linearen Funktion der Entscheidungsvariablen, die zu minimieren oder maximieren ist.

Lösung des Problems
a) Graphisch: Möglich bei zweidimensionalen Problemen. Grenze den möglichen Bereich M durch die Nebenbedingungen ab und maximiere bzw. minimiere die Zielfunktion durch Verschieben der Geraden. b) Analytisch: Setze das Simplexverfahren ein.

Typische Eigenschaften linearer Optimierungsprobleme
a) Der zulässige Bereich M ist ein Vieleck. b) Das Optimum wird auf dem Rand (Ecke oder Gerade) angenommen. c) Mindestens eine Ecke des zulässigen Bereichs stellt eine Optimale Lösung dar.

Standardproblem der Linearen Optimierung
 Min F ( x) := cT x  L  u.d .N . Ax = b  x≥0 
mit: A eine beliebige mxn-Matrix n c ein beliebiger Vektor des R m b ein beliebiger Vektor des R

Jedes Optimierungsproblem muß zunächst auf die Standardform gebracht werden, um die optimalen Lösungen zu bestimmen. Die Menge jener optimalen Lösungen ist konvex.
j j

x = ( x1 ,..., xn ) r ∈ M ist

genau dann Extrempunkt, wenn diejenigen Spaltenvektoren a von A linear unabhängig sind, deren Koeffizienten x in der Darstellung

∑x a
j j =1

n

j

= b positiv sind.

Graphisch ist der zulässige Bereich M vom LP ein konvexes Polyeder. Konvexität liegt vor, wenn die Verbindungslinie zweier beliebiger in der Menge liegenden Punkten ebenfalls in der Menge enthalten ist. Die Extrempunkte von M sind die Ecken des zulässigen Bereichs. Die meisten Probleme liegen nicht in der Standardform vor. Dann ist wie folgt vorzugehen: 1. Schlupfvariablen so einführen, daß Gleichheit geschaffen wird: 2. Maximum in Minimum umwandeln: Max 2 x1 + 5 x2 3. Substitution bei nicht eindeutiger Nichtnegativitätsbedingung:

x1 + x 2 ≤ 1 ⇒ x1 + x 2 + x3 = 1 ⇒ Min − 2 x1 − 5 x2

x1 ≥ 3  x1' = x1 − 3  x1 = x1' + 3 einsetzen in Optimierungsproblem. 4. Substitution bei nicht vorhandener Nichtnegativitätsbedingung: Führe ein x3 (≥ 0) ein mit x3 := max(− x1 ;− x2 )  x1' = x1 + x3 x = x' − x  1 1' 3 einsetzen in Optimierungsproblem. ' x2 = x2 + x3 x2 = x2 − x3

So ist garantiert, daß beide Zahlen im positiven Bereich liegen oder Null sind.

3/3 © A. Jacob

Im dualen Simplex müssen es mehr als m positive Komponenten sein... Ausgegangen wird immer vom Standardoptimierungsproblem. um auf das Standardproblem der linearen Optimierung zu gelangen.07... xm Basisvariablen (BV) Jede Ecke x Ecke von M ⇒ x gehört zum zulässigen Bereich 0. macht sich die entartete Ecke im Simplex dadurch kenntlich. 1. Anschaulich: Einer in der Matrix A befindlichen Spaltenvektoren..0) ist Basislösung mit x1 . Man gelangt somit zur nächsten Ecke.. Die Basis einer solchen Ecke ist nicht eindeutig. 4/4 © A. daß graphisch gesehen sich drei oder mehr Geraden in einem Punkt schneiden oder analytisch ausgedrückt.N . wobei diese bei einer entarteten Ecke nicht eindeutig T ist. 4 x1 + x2 + x3 = 10 x1 + x2 + x4 = 4 − x1 + 2 x2 + x5 = 4 x1 .. Da 2<rgA=3 Die Ecke ist entartet...Ver.d . x2..01 Max 2 x1 + 5 x2 x1 + x2 ≤ 9 − x1 + 2 x2 ≤ 5 x1 ≥ 3 x2 ≥ 2 u. so daß eine Vergrößerung einer NBV auf jeden Fall einen größeren ZF-Wert ergeben würde.. Tutorium Aufgabe 9. hat die entsprechende Ecke nur die beiden positiven Komponenten x3. Graphisch: x besitzt eine dazugehörige Basis.0 24. x5 ≥ 0 ' ' ' ' ' (vgl. der noch nicht zur Basis gehört. Das Ziel: Alle NBV müssen in der Zielfunktion (ZF) positiv sein.0 Nichtbasisvariablen (NBV) Im Simplex: Wie später zu sehen sein wird. zu denen drei Schlupfvariablen hinzukommen.... der zu minimieren ist... wird gegen einen aus der Basis ausgetauscht. Das Simplexverfahren Das Prinzip: Durch das Simplexverfahren erhält man eine endliche Folge von Ecken des zulässigen Bereichs M..x5=0 gilt. Dazu wird eine bisherige NBV zu einer BV und eine BV zu einer NBV. Von einer Ecke ausgehende erhält man die benachbarte Ecke durch einen Austauschschritt. x m . 4 x1 + x2 ≤ 24 Beispiel: Min − 2 x1 − 5 x2 ' ' u.N . dass ein xk aus Feld 5 Null ist und die Zeile weniger als m positive Komponenten hat.0. daß die Ecke x von M mit weniger als m positiven Komponenten bestückt ist. Dabei gilt: x := ( x1 .. 3 Ein Beispiel: Wir haben im R drei Geraden gegeben. Also bildet A eine (5x3)-Matrix mit rgA=3.b) Die entartete oder degenerierte Ecke Diese Besonderheit ist dadurch charakterisiert.... Da längs der drei Geraden x3. Jacob ...d ..

0. Jacob .4.0.5) 2. wie weit ' x2 . welche die ZF am stärksten minimiert (hier -5 < -2 in der ZF).4) mit N = (1 . 4.2' ) 9 5 1 1   ξ = − x1' − x5 − 26 = −2 x1' − 5 x2 ' − 16 = −2 x1' − 5( x1' − x5 + 2) − 16 2 2 2 2   9 ' 1 x3 = − x1 + x5 + 8 2 2 3 ' 1 x4 = − x1 + x5 + 2 2 2 1 1 ' ⇒ x = (0.10. ist dies der minimale ZF-Wert.0 Beispiel (Fortführung obiger Umformungen): 24.−5.h. Transformation durchführen: N = (1' .4.4. Dies wird auch Austauschschritt genannt.. Die NBV müssen nun in die Basis aufgenommen und die BV aus der Basis entfernt werden.. des Simplextableaus 5/5 © A. bis 5. Minimum aus Feld 5. Nun muß man die aktuelle Basis als Funktion der NBV darstellen: ξ = −2 x1 − 5 x2 − 16 x3 = −4 x − x + 10 ' x4 = − x1' − x2 + 4 ' x5 = x1' − 2 x2 + 4 ' 1 ' 2 ' ' ( ZF ) dabei gilt: 1. des Simplextableaus k ':= Minimum des Index aus Feld 7. Kleinste-Index-Regel Damit ein Kreisen im Simplex bei einer entarteten Ecke verhindert wird.2 ).5). B = (3. ohne den zulässigen Bereich zu ' verlassen ( x1 = 0 und x3 . Ansonsten wären die Schritte 2. 1.8.2. da ' x2 erhöht werden darf..01  4 1 1 0 0 10      1.0)T x2 = x1' − x5 + 2 ZF = −26 2 2 Da alle Komponenten von x positiv sind. d. Es wird immer diejenige NBV hinzu genommen. zu wiederholen.0.2. die in keiner anderen NB auftritt. Jede NB enthält genau eine BV mit Koeffizient 1.Ver.0)  −1 2 0 0 1  4     T ' ' Die erste Ecke ergibt sich somit zu x = (0. Standardform: A =  1 1 0 1 0  b =  4  cT = (−2.. B = (3. 3. Jetzt stellt sich die Frage.07. wählt man als Pivotspaltenindex l‘ und als Pivotzeilenindex k‘ jeweils den kleinstmöglichen Index: l ':= min{l ∈ N ζ l < 0} . x5 ≥ 0 ): ' ' x3 = −4 x1' − x2 + 10 ≥ 0  x2 ≤ 10 ' ' x4 = − x1' − x2 + 4 ≥ 0  x2 ≤ 4 ' ' x5 = x1' − 2 x2 + 4 ≥ 0  x2 ≤ 2 ⇐ 5. Die ZF ist nur Funktion der NBV 2.

Übrige Elemente: d d – bc/a = d+b c Anschaulich: altes Element + (Altes Zeilenelement ⋅ neues Spaltenelement) Zum optimalen Ergebnis kommt man. größer als Null sind. und 2. Rechte Seite der Nebenbedingungen 5. Negativer Zielfunktionswert 7. Vorfaktoren der Nebenbedingungen 4. Basisvariablen 2. Wähle aus Feld 7. den kleinsten Wert aus. Vorfaktoren der Zielfunktionswerte 6. auch primäres Problem genannt. d. gibt es ein duales lineares Problem (P).Ver. Pivotspalte ohne Pivotelement: c -c/a =: c (Wird oftmals in einer Hilfsspalte rechts neben dem Tableau ausgeschrieben) IV. die Indizes k‘ und l‘. Jacob . 1. Vertausche in den Feldern 1. Dualität Zu jedem linearen Optimierungsproblem (P). Pivotelement: a 1/a II.h. Würde man das duale Problem wiederum dualisieren. 2. Diese sind in diesem Fall an den Feldern des Tableaus orientiert: 1.07. Die zugehörige Zeile heißt Pivotzeile k‘. Kostenplanung im Rahmen der Netzwerktechnik und weiteren Anwendungen benötigt.01 Das Simplextableau Jede Ecke im Simplexverfahren kann in folgendem Simplextableau dargestellt werden: Dabei gibt es folgende Felder: 1. Die Aufstellung des dualen Problems folgt folgenden Regeln. Ist x eine entartete Ecke. muß man ebenfalls Austauschschritte durchführen. Sonst: Wähle das kleinste ζ l aus (bei mehreren: kleinster Index). Verfahre mit den übrigen Feldern nach folgenden Regeln: I. für alle γ kl ' > 0 ! 3. 5. Pivotzeile ohne Pivotelement: b b/a III. ist gleich 0. mindestens ein xk in 4.h. Rechte Seite der Nebenbedingungen geteilt durch das Pivotspaltenelement (wichtiges Feld bei der Determinietung einer entarteten Ecke) Der Austauschschritt der Simplexmethode Um nun ausgehend von den im Simplextableau eingetragenen Daten zur optimalen Lösung zu gelangen. Diese Form des Optimierungsproblems wird bei Strategien in der Spieltheorie. bestimmt l‘ gemäß der kleinsten Indexregel. welche für beide Seiten gültig sind: 6/6 © A. erhielte man wieder das Ausgangsproblem (P).0 24. Gilt: ζ l > 0 ∀l ∈ N die aktuelle Ecke x ist die optimale Lösung des Problems. 4. Gilt: γ kl ' ≤ 0 . wenn alle Elemente in 5. Jene Spalte wird zur Pivotspalte l‘. d. hat die Pivotspalte keine positiven Elemente keine optimale Lösung! Sonst: Berechne Feld 7. Flüsse in Netzwerken. Nichtbasisvariablen (anfangs Schlupfvariablen) 3.

.N .07.Ver.d . ob die vorhandenen Rohstoffe verkauft werden sollen oder ob es rentabler ist. indem man das primale Problem mit der dualen Simplexmethode löst und sich danach den Satz den komplementären Schlupfes zunutze macht. m) Satz vom komplementären Schlupf: Hat dabei eine NB von primalen Problem im Optimum Schlupf (< oder >). AT u ≤ c  u ∈ Rm  Bei einer optimalen Lösung beider Probleme müssen die folgenden Optimalitätsbedingungen zutreffen:  m  x*  ∑ aij ui* − c j  = 0 j  i =1    q u *  ∑ aij xi* − b j  = 0 j    i =1 j = (1.. einen optimalen ZF-Wert zu finden. d.N .d . Es seien: xj := Anzahl der produzierten ME des Produktes Pj cj := Durch Fertigung einer ME von Pj erzielbarer Gewinn aij := Benötigte ME des Rohstoffs i zur Herstellung einer ME von Pj yi := Verkaufspreis einer ME des Rohstoffs  m  x*  ∑ aij yi* − c j  = 0 j  i=1  ⇒ ∑a i =1 m ij yi* > c j (Verkauf der Rohstoffe besser als Produktion) In diesem Fall muß. da bei bekannten zulässigen Lösungen für x und u das ursprünglich Problem eingeschlossen werden kann: G(u) ≤ F* ≤ F(x) 7/7 © A. ≤ beim Maximumproblem). damit zu produzieren...01 Primales Problem P (Duales ProblemP) Minimumproblem Variable Vorzeichenbeschränkte Variable Nicht vorzeichenbeschränkte Variable Koeffizienten der Variablen in der ZF Koeffizientenmatrix Duales ProblemP (Primales Problem P) Maximumproblem Echte Nebenbedingung Ungleichung (≥ beim Minimumproblem. eine Lösung des dualen Problems anzugeben..h.. so besitzen beide Probleme optimale Lösungen mit identischen ZF-Werten! Dies kann bei der Lösung eines Problems ausgenutzt werden. also keine produzierte ME. q) j = (1.. Beispiel:  Min F ( x) := cT x  L  u. 1. das Einfachere per Simplex zu lösen.. damit die erste Gleichung erfüllt wird. dann hat die entsprechende NB vom dualen Problem keinen Schlupf ( = )! Anwendung: Meistens ist man aus Bequemlichkeit geneigt. Beispiel: Es soll eine Entscheidung darüber gefällt werden. Ax = b  x≥0  ⇒ Max G (u ) := bT u  L  u. um auch die duale Lösung zu erhalten.0 24. xj = 0 sein. Jacob . da es reicht. Variable ≤0 NB ≥0 Gleichung Rechte Seite der NB Transponierte der Koeffizientenmatrix Dualitätstheorem: Haben beide Probleme (L) und ( L ) zulässige Lösungen. Das duale Problem kann es einem erleichtern.

Jacob . wenn man die verfügbare Menge eines Produktionsfaktors Ri um eine Einheit von bi auf bi+1 erhöht. Wähle für die Pivotspalte den kleinsten Index. um den ZF-Wert zu verkleinern. 3. folgendermaßen behandelt: a) Falls ζl‘ <0. Nun muß man die „Luft“ ermitteln. Eine Basisvariable xk kann ihre obere Grenze βk >0 erreichen III. die die entsprechende Variable zu ihrer unteren bzw. Im Simplextableau wird die entsprechende Spalte mit – markiert. wenn xl‘ = αl‘ Wert der NBV anwachsen lassen.Ver. 1. setze sie gleich ∞ ! 4. Die Nichtbasisvariable x’l kann ihre obere Grenze β‘l (Fall a. oberen Schranke hat.) erreichen.0 24. Variablen ohne Vorzeichenbeschränkung Vorgehen: Führe eine zusätzliche Variable x’n+1 ein. wenn xl‘ = βl‘ Wert der NBV verringern. 8/8 © A. Drei verschiedene Möglichkeiten im Simplex kommen hier in betracht: I. Ist vi*>0. so ist der Faktor knapp (mehr von dem Faktor bringt mehr Gewinn). 2.01 Opportunitätskosten. Zunächst sollte man sich der Grenzen der Variablen bewußt werden. alle mit – markierten Spalten einen positiven ZF-Wert haben optimale Lösung. die addiert zur kleinsten xσ Null ergibt). Ziel: Im Simplex müssen alle mit + markierten Spalten einen negativen. um den ZF-Wert zu verkleinern. b) Falls ζl‘ >0. Knappheitskosten oder Schattenpreise vi* ist derjenige Betrag. und Fall b. Vorgehen: 1. den man mehr einnimmt. Knappheit erkennt man daran. Im Simplextableau wird die entsprechende Spalte mit + markiert. falls nicht schon Fall a) oder b) durch ein angebrachtes + oder – erfüllt ist. Bei der Optimierung im Simplex werden Fall a. so daß x‘σ = xσ + x’n+1 = 0 (σ = alle nicht vorzeichenbeschränkte Variablen) gilt (x’n+1 ist diejenige positive Variable. Gilt δ‘=∞. dass die in die entsprechende NB eingesetzte optimale Lösung nicht zur vollen Ausreizung der NB führt. Jetzt wird für die beiden Spielräume sowie für den gesamten Abstand das Minimum δ‘ gesucht: 5.07. indem man obere und untere Grenze beispielsweise in eine Tabelle einträgt. Modifikationen des Standardproblems und Sonderformen des Simplex 1. Eine Basisvariable xk kann ihre untere Grenze αk >0 erreichen II. so existiert keine optimale Lösung des Problems. 2. Untere und obere Grenze für einzelne Variablen Beispielsweise sei hier der Fall von Lieferverpflichtungen (untere Grenze) und andererseits Kapazitätsbeschränkungen (obere Grenze) bei der Höchstmenge erwähnt. Dieser Spielraum wird hier durch δ1 (untere Schranke) und δ2 (obere Schranke) dargestellt: Falls keine solchen δ1 oder δ2 existieren.) oder ihre untere Grenze α‘l (Fall b.

N . w = 0  9/9 © A. A x ≤ b  A2 x = b 2   x≥0  ⇒  Min c T x  1 1  u. für den das Minimum δ‘ angenommen wird.d .d .αk‘. daß man sich über Ecken des unzulässigen Bereichs in den zulässigen Bereich hangelt. Gilt hierbei δ‘= δ2. um ganz allgemein gehaltene Lineare Optimierungsprobleme zu lösen.Ver.: Min c T x  1 1  u. Diese Zeile ist Pivotzeile. Ansonsten wähle für k‘ den kleinsten Index k. Addiere zum Wert der neuen BV nach der Transformation den Wert der entsprechenden NBV vor der Transformation.βk‘. wie sie für die primale Simplexmethode der Form (L) notwendig ist. Beispiel siehe Buch Seite 95! 3. Die Duale Simplexmethode Warum?: Diese Methode erlaubt die Lösung von linearen Optimierungsproblemen. z.xl‘.αl‘. so markiere k‘ mit – und ersetze in Feld 4 xk‘ durch xk‘ . Markiere die Spalte mit – und erhöhe die Werte xk in Feld 4 um δ‘γkl‘ und den Wert in Feld 6 um δ‘ζl‘ und gehe wieder zu Schritt 1. y ≥ 0. Nur die letzte Ecke ist schließlich zulässig und optimal. so existiert keine optimale Lösung. Gilt hierbei δ‘= δ1. Vertausche in den Feldern 1 und 2 die Indizes k‘ und l‘. Ziel: Alle xk in Feld 4 müssen größer als Null sein. Anschaulich: Grundsätzliches Vorgehen ist. A x + y = b  A2 x + w = b 2   x. Forme die Felder 3 bis 6 nach den Simplextransformationsregeln um. Sind jedoch zudem alle Elemente der Pivotzeile positiv. jedoch eine dual zulässige Anfangsbasislösung leicht angeben läßt. die zwar keine Anfangsecke haben. so ist keine Austauschschritt nötig.B. Vorgehen Simplex: Im Vergleich zur primalen Methode wird zuerst die Pivotspalte anhand Feld 7 und dann die Pivotzeile bestimmt. Beispiel: Siehe Buch Seite 101 oder Tutorien Aufgabe 28. 1. 4. nicht nur solche vom Typ (L). Gilt δ‘= βl‘ . Die vorangegangenen Ecken sind auf Schnittpunkten der Begrenzungsgeraden des zulässigen Bereichs angesiedelt. so ist keine Austauschschritt nötig. 6.01 Gilt δ‘= xl‘ . Jacob . so markiere k‘ mit + und ersetze in Feld 4 xk‘ durch xk‘ . Dann wird wie in der primalen Methode vorgegangen.N . Markiere die Spalte mit + und verringere die Werte xk in Feld 4 um δ‘γkl‘ und den Wert in Feld 6 um δ‘ζl‘ und gehe wieder zu Schritt 1.07. Die Dreiphasemethode Warum?: Dieses Verfahren wird benötigt. 7.0 24. daß mindestens eine rechte Seite kleiner als Null ist. Erkennen lassen sich solche Probleme daran.

0 24. zu erreichen. Die Zeile k‘ dieser Zahl ist die Pivotzeile. sonst δ = falsch. setze δ = wahr. D. daß nur qualitativ gleichwertige Lösungen berücksichtigt werden. Dabei können folgende Lösungen der Problems auftreten: 10 / 10 © A. 3. daß das Pivotelement nicht gleich Null ist. Nun können jedoch auch mehrere Zielfunktionen mit den gleichen NB’s in einem Problem zusammengefaßt werden. Hilfsvariablen. Bei der Wahl der Pivotspalte ist lediglich zu beachten. + δ = falsch: Berechne xi/γil‘ für alle j ∈ B mit γil‘ > 0 und wähle die Kleinste. eine zulässige Basislösung zu finden.Ver. Die Phase ist beendet. die einer der Hilfsvariablen wi einspricht. 1. im unteren die NB’s mit Hilfsvariablen. da sie sich gegenseitig beeinflussen. Vorgehen: Wähle ein xk < 0 aus. δ = wahr: Beginne Phase 2 von Neuem. d.07. Dies wird in folgendem Simplextableau der Dreiphasenmethode ersichtlich: Im oberen Abschnitt stehen die echten NB’s. 2. und sog. daß man nicht alle ZF’s gleichzeitig zu ihrem Optimum bringen kann. Beispiel: Siehe Buch Seite 109 oder Tutorien Aufgabe 27. Sollten alle γkl > 0 sein.h. Sensitivitätsanalyse und parametrische Optimierung Nun soll der Fall zugelassen werden. Sollte dies der Fall sein. daß alle Inhalte von Feld 4 nichtnegativ sind. Die geschieht bei der sog. Führe den Austauschschritt durch. wähle aus dieser Spalte κ unter den negativen γkl das Kleinste und nimm jene Spalte als Pivotspalte. Sensitivitätsanalyse der Form. Vektoroptimierung und Goal-Programming Bisher betrachtete Optimierungsprobleme hatten eine ZF. es wird jedoch vermieden. Sind alle γkl < 0. bei Messungen bestimmter technischer Größen auf. Lösung: Die Lösung des Problems wird in folgenden drei Phasen abgebildet: 1. Nach der Transformation des Tableaus kann die entsprechende Spalte gestrichen werden.01 Dabei muß man in sog.B. Die ZF’s werden zu diesem Zweck in einem Vektor zusammengefaßt. Jacob . wie x und y. zu einer nächsten Ecke überzugehen. Das Problem ist. In jedem Austauschschritt dieser Phase wird als Pivotzeile eine Zeile gewählt. welche zu optimieren ist. daß sich Problemdaten im Laufe der Zeit verändern. hier w. sobald alle Hilfsvariablen NBV’s geworden sind.B. so daß es immer nur einen „besten Kompromiß“ geben kann. Ziel dieser Phase ist es.h. Benutze die primale Simplexmethode zur endgültigen Lösung. es kann sich zwar die optimale Lösung und der zulässige Bereich verändert. Abgesehen von w=0 entspricht das Optimierungsproblem der Standardform (L). Gelöst kann ein solches Problem letztendlich dadurch. unterscheiden. echt Schlupfvariablen. so hat das Problem keine zulässige Lösung. daß diese Daten zunächst als fix angesehen werden und im nachhinein (ex post) analysiert werden. Dies tritt z. so spricht man von einer parametrischen Optimierung. z. Kostenminimierung bei gleichzeitiger Qualitätsmaximierung.

Vorsicht: Auszahlungsmatrix immer aus Vorteilssicht des einen Spielers. müssen während eines Spiels Strategiewechsel der beteiligten Personen stattfinden. Demnach ist es bei dieser Spielvariante sinnvoll. so spricht man von strenger Dominanz. da sie für Spieler 1 einen Verlust darstellen. Auszahlungsmatrix: A bestehend aus aij := a(si.h.n) mit aij = Auszahlung an Spieler 1 bei Strategie si. Das Goal-Programming berücksichtigt zusätzliche zu der reinen Vektoroptimierung eine Gewichtung der verschiedenen ZF’s. l∈{1. so kann sie gestrichen werden. daß der Gewinn des einen Spielers den Verlust des anderen Spielers ausmacht. Dominanz von Strategien: Ist eine Zeile in der Auszahlgsmatrix in allen Elementen kleiner oder gleich einer anderen. so kann sie gestrichen werden.. Gilt für alle Elemente < (>). wenn Spieler 2 Strategie tj wählt. x* ist pareto-optimal.tj) (i=1.h.h.5 × Zeile 1 + 0. y ) gleichbedeutend mit y x x y - Min(Max(Spalten))=Max(Min(Zeilen)). Ein Spiel mit gemischten Strategien ist fair. für das gilt: 24. wenn obige Bedingung für beide Fälle 0 ist.B. positive Gewinne von Spieler 2 werden mit einem – versehen.m. Ausfüllen der Matrix...(Spieler 2) und y-Richtung (Spieler 1) an die Auszahlungsmatrix notieren. welches eine optimale Lösung des Spiels ist. Exhaustiv alle Strategien beider Spieler festlegen und in x. das nicht als reines Sattelpunktspiel vorliegt: Um solche Spiele zu lösen.. Diese Mischung aus verschiedenen Strategien wird mit einer Wahrscheinlichkeit behaftet. Spieler 1 verfolgt Strategie S und Spieler 2 Strategie T Reine Strategie: Die Spieler bleiben während der gesamten Partie bei einer Strategie Gemischte Strategie: Die Spieler wechseln während einer Partie ihre Strategie Optimale Gegenstrategie: Strategie des einen Spielers dominiert die Strategie des anderen. Jacob . Diese Vektoren werden 11 / 11 © A. die Spieler genannt werden. d. Faires Spiel: Ein Sattelpunktspiel ist fair.. falls keine x ∈ M existiert. ohne daß ein anderes verschlechtert wird. t∈T Nullsummenspiele: Summe aller Gewinne ist gleich Null. c kT x ≤ c kT x * für k= 1. die für alle auftretenden nicht beeinflußbaren Fälle definiert ist.. d. jetzt kommt „taktisches Geschick“ mit ins Spiel. es ist eine ZF optimaler als alle weiteren r-1 ZF’s. beteiligt sind..B.. Es können auch anteilig Zeilen verglichen werden. Ist eine Spalte in der Auszahlungsmatrix in allen Elementen größer oder gleich einer anderen. z... 1. deren optimale Entscheidungen auf der Lösung von zwei dualen linearen Optimierungsproblemen beruhen. wenn w=0 ist. z.01 D... x* ist individuell-optimal für c . Papier-Stein-Schere-Knobeln Sattelpunktspiele: Es gibt ein optimales Strategiepaar. nämlich die Optimale. Das Maximum der Minima aus den Zeilen und das Minimum der Maxima aus den Spalten ermitteln. in dieser Situation kann kein Zielkriterium verbessert werden. j=1... ein l ∈ {1. Stimmen die beiden Werte überein. so daß sich für Spieler 1 der Vektor x und für Spieler 2 der Vektor y mit den Wahrscheinlichkeitsverteilungen ergibt.r} c lT x * ≤ c lT x ∀x∈M. Zunächst ein paar Begriffsdefinitionen: Strategie: Vollständige Handlungsanweisung. Sie wird dominiert. dabei immer aus Sicht von Spieler 1 vorgehen. Sie wird dominiert. Das Vorgehen bei Bestimmung der optimalen Lösung eines Spiels: 1.h.. falls gilt: D.. Dies alles unter der Voraussetzung. 0.5 × Zeile 2 ≥ Zeile 3.r} Zwei-Personen-Nullsummenspiele In der Spieltheorie werden Entscheidungssituationen untersucht. 2. lT 2. Lösung eines Matrixspiels. 3.0 1.. an denen mehrere Akteure.Ver. eine reine Strategie zu verfolgen. an denen zwei Spieler beteiligt sind. Hier werden im speziellen nur Spielsituationen betrachtet. y ) = max min f ( x. handelt es sich um ein Sattelpunktspiel.r (r = Anzahl der ZF’s) c lT x < c lT x * für min.. für diese Spielvariante gilt: min max f ( x...07. daher ist beim zweiten Spieler der Vorteil in den kleineren Werten! Partie: Einmalige Ausführung des betrachteten Spiels Gewinn (Auszahlung): Gewinn oder Verlust abhängig von der gewählten Strategie s∈S bzw.

Induzierter Teilgraph: Enthält zu den übernommenen Knoten alle Kanten des zugrundeliegenden Graphen. 4.01 gemischte Strategie der jeweiligen Spieler genannt. Antisymmetrischer Digraph: Ein Digraph ist antisymmetrisch. Graphen und Netzwerke Grundlegende Definition der Begriffe: Inzidenzabbildung: Die Verbindung eines Knotens mit einem anderen. 3. Senke: Knoten im Digraphen. X(S) und Y(T) sind Strategiemengen. Pfeile.h.j nicht enthalten) Inzidenzmatrix: Matrix mit den Elementen 1 (Knoten eµ inzident mit i) und 0 (Knoten eµ nicht inzident mit i) Inzidenzmatrix für Digraphen: Matrix mit den Elementen 1 (Knoten eµ positiv inzident mit i). Echter Teilgraph: Enthält z. -1 (Knoten eµ negativ inzident mit i) und 0 (Knoten eµ nicht inzident mit i) In jeder Zeile der Inzidenzmatrix stehen demnach die Knoten und in jeder Spalte die Kanten bzw. versehen mit einem Pfeil.07. 2. Das Vorgehen bei Bestimmung optimaler Strategien: 1.B. der auf den Endknoten hinweist. Quelle: Knoten im Digraphen. u1* als Dualvariable den ersten Wert aus Feld 5 des Tableaus erhält. der keinen Nachfolger besitzt. so daß z. Symmetrischer Digraph: Ein Digraph ist symmetrisch. x*:=u*/w* und y*:=v*/w* sind die optimalen Strategien von Spieler 1 und 2. Kreisfreier Graph (zyklenfreier Digraph): Ein Graph (Digraph) ohne Kreis (Zyklus) Semipfeilfolge (Semiweg): Nicht alle Pfeile in einer Pfeilfolge haben die gleiche Orientierung im Dipgraphen.j enthalten) und 0 (Kante i.und Endknoten im Graphen (Digraphen). Dualisiere die Lösung des Problems. Addiere zu allen Elementen der Auszahlungsmatrix eine Konstante α>0 derart. Kette: Kantenfolge mit lauter verschiedenen Knoten Kreis (Zyklus): Kantenfolge mit lauter verschiedenen Zwischenknoten. wenn mit jedem Pfeil <i. wenn mit je zwei verschiedene Knoten i und j auch die Kante [i. Die Knoten müssen hierfür durchnummeriert sein und sukzessive abgearbeitet werden. die Knoten und Kanten des zugrundeliegenden Graphen. 1. Gerichtete Kante (auch Pfeil): Es existiert in diesem Fall ein Anfangsknoten und ein Endknoten. Gerichteter Graph oder Digraph: Mit Pfeil versehen. Vollständiger Graph: Ein Graph heißt vollständig.j> auch der Pfeil <j. Schlichte Graphen: Keine Schlingen und parallele Kanten bzw. Aus der Perspektive der Knotens kann er positiv inzident (Pfeil geht vom Knoten weg) oder negativ inzident (Pfeil weist zum Knoten hin) sein.0 24. Pfeile Zusammenhängender Graph: Alle Knoten sind von jedem Knoten im Graphen zu erreichen. Starker Zusammenhang: Wenn für alle Knoten gilt: Knoten i ist von j aus zu erreichen und j von i aus. wenn der Graph keine Paare entgegengesetzt gerichteter Pfeile enthält.T. w* ist der optimale ZF-Wert. Jacob . Schwacher Zusammenhang: Je zwei Knoten im Digraphen sind miteinander verbunden.i> enthalten ist. Zusammenhang: Je zwei Knoten im Graphen sind miteinander verbunden.Ver. daß jedes Element der Matrix positiv wird.j>) enthalten ist. Adjazenzmatrix: Matrix mit den Elementen 1 (Kante i. Das so entstandene lineare Optimierungsproblem ist zu lösen.j] (<i. In jeder Spalte sind genau zwei Elemente von 0 verschieden. Parallele Kanten (parallele Pfeile): Wenn zwei oder mehr Kanten den gleichen Endknoten oder den gleichen Endknoten und Anfangsknoten haben. die alle möglichen Strategien enthalten. Ungerichteter Graph: Nicht mit Pfeil versehen. Aufstellen des Anfangstableaus mit Maximierung der Gewinne unter den NB’s der Auszahlungsmatrix.und Endknoten sind der Gleiche. aber selbem Anfangs. Topologische Sortierung: Für jeden Vorgänger k eines Knotens i gilt k < i und für jeden Nachfolger j von i gilt j > i. w=1/w*-α ist der Wert des Spiels. Baum: Zusammenhängender kreisfreier Graph Wald: Kreisfreier Graph mit k Zusammenhangskomponenten (aus k Bäumen) Gerichteter Baum: Schwach zusammenhängender Digraph 12 / 12 © A. d. Schlingen: Anfangs. der keinen Vorgänger besitzt.

bei dem jeder Knoten höchstens zwei Söhne hat. kreisfrei und zusammenhängend). gibt die Anzahl der Vorgänger im Digraphen an R(i) := Menge der vom Knoten i erreichbaren Knoten im Digraphen 2(i) := Menge derjenigen Knoten.E] ist das Symbol für einen Graphen mit der Knotenmenge V und der Kantenmenge E <V. Verfahren von Prim: 1. Bewerteter Graph: Jeder Kante des Graphen wird ein Element c zugewiesen. Wähle Kante (mit beiden Endknoten) mit kleinstem Gewicht (bei mehreren beliebig) 2. 13 / 13 © A. Gerüst: Zusammenhängender Teilgraph mit allen Knoten und minimaler Kantenanzahl. heißt planar. Planarer Graph: Ein Graph.h. Jacob . Minimalgerüste Die beiden folgenden Verfahren stellen einen Greedy-Algorthmus dar. die i im Digraphen erreichen können ∧(i) := Menge der vom Knoten i erreichbaren Knoten ohne i im Digraphen Graphen und Digraphen auf Rechnern Datenstrukturen zu Speicherung eines Graphen: Lineare Liste: Wandern von Feld zu Feld möglich.E> ist das Symbol für einen Digraphen mit der Knotenmenge V und der Kantenmenge E N(i) := Menge der Nachbarn von i im Graphen P(i) := Menge der Vorgänger von i im Digraphen S(i) := Menge der Nachfolger von i im Digraphen δ(i) := Grad von i. nicht jedoch innerhalb eines Teils realisiert ist. gibt die Anzahl der Nachbarn im Graphen an + δ (i) := positiver Grad (Ausgangsgrad) von i. Bipariter Graph (Digraph): Die Knotenmenge ist so in zwei Teile teilbar. welches diesen Weg bewertet. Insgesamt gibt es n+1 Felder dieser Art succ : Liste der Nachfolgerknoten cost : Bewertung der Kanten Backward-Star-Speicherung basiert auf einer Vorgängerliste. so daß der entstehende Teilgraph ein Baum ist (d.h. überflüssige Kanten werden weggelassen. Forward-Star-Speicherung (Nachfolgerliste) von Digraphen: Notation: n : Knotenanzahl from : Liefert den Zeiger auf die Anfangsposition der Nachfolgerliste in succ. der sich in der zweidimensionalen Ebene zeichnen läßt. wenn sämtliche Knoten der anderen Seite von sämtlichen dieser Seite erreicht werden. Vollständig ist er. Verfahren von Kruskal: 1.j] := spezifiziert den Anfangsknoten i und den Endknoten j im Graphen <i. d. daß nur Verbindungen zwischen den beiden Teilen. An der Differenz zweier Felder ist die Anzahl der vom Vorgängerknoten erreichten Felder ersichtlich. balancierten Baumes gespeichert. daß der Teilgraph keinen Kreis enthält (nicht unbedingt zusammenhängend). Wähle Kante mit kleinstem Gewicht (bei mehreren beliebig) 2. Durch eine lokal optimale Entscheidung wird sukzessive Teil um Teil die Lösung festgelegt.0 24.01 - - Binärer Baum: Gerichteter Baum. Symbolik: Pfeil über Buchstaben ist ein Hinweis auf gerichtete Graphen [i.Ver. löschen oder ergänzen nur am Ende des Stapels möglich (LiFo-Speicher) Schlange (queue): Zugriff nur am Kopf der Schlange möglich (FiFo-Speicher) Heap: Elemente werden in den Knoten eines binären. kein direkter Zugriff auf eine Feld Stapel (stack): Zugriff. Mit jedem weiteren Schritt Kante mit kleinstmöglichem Gewicht hinzufügen. Weitere Schritte: Wähle Kante mit kleinstem Gewicht so. ansonsten ähnlich der Vorwärtsspeicherung.j> := spezifiziert den Anfangsknoten i und den Endknoten j im Digraphen [V. 1.07. gibt die Anzahl der Nachfolger im Digraphen an δ (i) := negativer Grad (Eingangsgrad) von i.

Dies kann man sich bei der Suche eines kostenminimalen Weges zunutze machen.Ver. Label-CorrectingVerfahren wie LC-A können Knoten mehrmals aufnehmen und dann wieder eliminieren. wodurch somit ein gerichteter Baum entsteht. Label-Setting-Verfahren wie Dijkstra beschreiben die Art eines Algorithmus. 1. Bellmansches Optimalitätsprinzip: Teilwege kürzester Wege sind selbst wieder kürzeste Wege. Voraussetzungen: Bellmann: Der Baum muss topologisch sortierbar sein (also keine Zyklen) Dijkstra: Der Baum darf keine negativen Kosten enthalten 14 / 14 © A. Jacob .B. der einen Knoten nur einmal aufnimmt.0 24. Bellmansche Gleichung: d j = min ( d i + cij ) für j ∈ ∧(r) i∈P ( j ) Notation: px := Vorgänger von Knoten x dx := Distanz zum Knoten x cij := Bewertung der Strecke i – j Q := Speicher des Algorithmus (z. Demnach spricht man auch von Baumalgorithmen. Heap. Schlange) Der Baumalgorithmus ist die allgemeine Optimierungsform.07.01 Kürzeste Wege in Netzwerken Zunächst werden von einem Startknoten r kürzeste Wege zu allen übrigen Knoten ermittelt.

Ver. Kritische Vorgänge 3. Vorgänger des Projektes ist als Knoten im Netzplan eingetragen und die Anordnungsbeziehungen stellen die Pfeile dar..h.0 24. sondern die kürzesten Wege zwischen allen Knoten.h. B kann begonnen werden. Symbolik: FAZi : frühest möglicher Start (Anfangszeitpunkt) von Vorgang i SAZi : spätest möglicher Start (Anfangszeitpunkt) von Vorgang i FEZi : frühest möglicher Abschluß (Endzeitpunkt) von Vorgang i SEZi : spätest möglicher Abschluß (Endzeitpunkt) von Vorgang i Di : Dauer von i FEZi = FAZi + Di und SEZi = SAZi + Di Gesamtpufferzeit eines Vorgangs: GPi = SAZi – FAZi = SEZi .07. Der MPM-Netzplan kann negative Zyklen enthalten. verglichen und der kleinste der beiden Werte ausgewählt wird. d. sobald A begonnen worden ist./Max.. Die Tripeloperation besagt. n+1 15 / 15 © A. ohne den Projekttermin zu gefährden. Pufferzeiten aller Vorgänge Die MPM (Metra-Potential-Methode) MPM verwendet ein Vorgangsknotennetz. aus deren Inhalt die Entfernungen aller Knoten zueinander abzulesen sind. In dieser Methode sind zeitliche Min. Falls ein Wert in der Diagonale von links oben nach rechts unten kleiner als Null wird. in dem man die Summe aller Entfernungen zu allen anderen Knoten minimieren möchte. in einem Verkehrsnetz. daß das Matrixelement dij mit der Summe der „dij entsprechenden“ Elemente der Spalte ν und Zeile ν. diν+dνj. Dabei steht der Zeilenindex für die Ursprungsknoten und der Spaltenindex für die Zielknoten der Pfeile. Elemente der Netzplantechnik Zweck: Optimale Planung und Überwachung von Projekten (Vorhaben aus mehreren Teilarbeiten) Wichtige Größen in der Projektüberwachung: 1.FEZi GP ist die maximale Zeitspanne.01 Kürzeste Wege zwischen allen Knoten In der Praxis sind häufig nicht nur kürzeste Wege von einem Knoten zu allen anderen gesucht. In solch einem Fall bietet es sich an. Kürzeste Projektdauer 2. Anfangs. d. Jacob .und Endtermine aller Vorgänge 4.. eine Entfernungsmatrix D und eine Wegematrix P aufzustellen. z. 1..B. so breche das Verfahren ab. wenn gilt: GPi = min GPk mit k = 0. Die minimale Zeilensumme bestimmt den idealen Knoten. um die ein Vorgang verschoben werden kann.-Abstände darstellbar. da ein Zyklus negativer Länge existiert. Desweiteren setzt MPM die Start-Start-Beziehung voraus. Definition: Ein Vorgang i ist genau dann kritisch.

∞)): 2. 1. dann heißt S flußvergrößernder (r. Markiere alle Knoten von der Quelle ausgehend nach folgender Regel (Quelle markiere mit (+. Notation: V Knotenmenge (wie bei Graphen) E Kantenmenge (wie bei Graphen) λij Minimalkapazität von i nach j Maximalkapazität von i nach j κij N = <V. Bestimmung maximaler Flüsse nach Ford Fulkerson 1. er weißt von r nach s. Flüsse in Netzwerken Solche Flüsse treten beispielsweise auf. Teilweg im Netz N. 16 / 16 © A. A> ∑λ . Hat ein Pfeil die gleiche Orientierung wie S. führe eine Flußvergrößerung durch.01 Das Gantt-Diagramm Hier werden alle Vorgänge der Zeitplanung als Balken über der Zeitachse dargestellt. s}  Falls ∈ij>0 für alle Pfeile <i. Jacob . dann wird er Vorwärtspfeil genannt. d. Wenn die Senke nicht mehr zu erhöhen ist.E.Ver.s>. der die Differenz zum minimal möglichen Fluß darstellt. Wenn die Senke markiert worden ist.0 24. i ∈ V \ {r .ä. 3.h. j > Vorwärtspfeil ∈ij :=  ϕ ij − λij falls < i. Er beginnt bei Knoten r (Flußquelle) und endet bei Knoten k. Starte bei der Senke s und arbeite weiter in Richtung Quelle r. i = s j∈S ( i ) k∈P ( i ) 0. B) = ij <i .λ.07. wenn gilt: λij ≤ ϕ ij ≤ κij ϕ ij S Semiweg in N. der nicht unbedingt die gleiche Orientierung aller Pfeile haben muß. andernfalls Rückwärtspfeil. d. der den noch möglichen Fluß über diesen Weg ausweist und einen rückwärts gerichteten Pfeil.B)-Schnitts:  κ ij − ϕ ij falls < i. Differenz aus der größtmöglichen Flußmenge von A nach B und der kleinstmöglichen Rückflußmenge von B nach A. j >∈C < B . Maximalfluß-Minimalschnitt-Theorem: Die Stärke eines maximalen Flusses von r nach s in einem Netzwerk N mit Kapazitäten ist gleich der Kapazität eines minimalen (r. wobei der Balken von FAZi bis FEZi reicht. Puffer GPi werden gestrichelt gezeichnet. Dabei ändern sich nur Werte auf dem gefundenen Semiweg <r. Wasser o. B > ∑κ − ij <i . Gas. Erhöhe den Fluß genau um die noch ausstehende Maximalkapazität der Senke.κ> Netzwerk mit Kapazitäten ω Flußstärke zulässiger Fluß von i nach j. Inkrementversion des Verfahrens nach Ford Fulkerson Definition Inkrementnetzwerk: Enthält für eine Verbindung zwischen zwei Knoten einen hingerichteten Pfeil. d.s)-Schnittes in N. wenn der kostengünstigste Durchfluß von Öl. i = r  Flußbedingung: ∑ ϕ ij − ∑ ϕ ki =  − ω .h.  ω. j > Rückwärtspfeil µ ( A. hat man den maximalen Fluß gefunden. Kapazität eines (A.j> von S.k)-Semiweg für den Fluß ϕ.h. j >∈C < A. durch ein Leitungsnetz gesucht sind. Generell gilt bei solchen Flüssen das Kirchhoffsche Gesetz: Die Summe aller an einem Knoten anliegenden Flüsse ist Null. kritische Vorgänge werden stark ausgezeichnet.

N ist antisymmetrisch 2. welches keine Umladepunkte zu beachten hat und dessen transportierte Mengen nicht nach oben beschränkt sind. so ist der aktuelle Weg noch nicht optimal. wenn schon etwas über diesen Weg läuft (sonst wird er nicht eingezeichnet). Alle Kosten nichtnegativ 3. bedient man sich des XSchemas. Um eine zulässige Anfangslösung des Transportproblems zu finden. d.j>.h. so ist der gefundene Weg maximal. Kostenminimale Flüsse nach Busacker/Gowen Im Gegensatz zu maximalen Flüssen muß bei dieser Variante auch der Kostenaspekt berücksichtigt werden.h. Cij sind demnach die Kosten für den Transport einer ME durch den Pfeil <i. Solch ein Transportproblem kann anhand des Algorithmus von Busaker-Gowen gelöst werden. sonst wäre die beste Lösung immer die 0. Suche neuen Semiweg und suche wiederum den Engpaß. Jacob . Sollte es in diesem Netzwerk einen Zyklus negativer Länge geben. ob man einen kostenminimalen Fluß erhalten hat. Reize den Engpaß aus und erhöhe den Durchsatz um die Kapazität des Engpasses 3. Breche ab. so erhält man das Zuordnungsproblem. Verfahre nach 1. Suche im Netzwerk einen Semiweg von der Quelle zur Senke mit freien Kapazitäten und den dazugehörigen Engpaß 2. sollte man ein Inkrementnetzwerk anfertigen.07. Führe eine Flußvergrößerung anhand der minimalen Maximalkapazität aller Flüsse des gefundenen Weges durch. bis gewünschte Kapazität übertragen wird. in der Waagerechten des Tableaus werden die produzierten Einheiten ai angetragen 17 / 17 © A.01 Voraussetzung: Das Netzwerk N ist antisymmetrisch. Vorgehen: 1.Ver. wenn noch Kapazität frei ist (sonst wird er nicht eingezeichnet). 1. 4. Das Transportproblem Als klassisches Transportproblem bezeichnet man jenes. Wenn zudem kein Weg mehr von der Quelle zur Senke existiert. Anfangsbedingungen: 1. 2 so lange. es enthält keine Paare entgegengesetzt gerichteter Pfeile. Erhöhe Kapazität. Alle Minimalkapazitäten sind gleich 0 Vorgehen: 1. d. 3. Es sieht folgendermaßen aus: mit cij = Kosten für den Transport auf dem Weg i – j xij = transportierte Menge auf dem Weg i – j ai = produzierte Einheiten bj = verbrauchte Einheiten Setzt man im Transportproblem die produzierte Menge gleich der verbrauchten Menge. Suche den kostenminimalen (kürzesten) Weg von der Quelle zur Senke anhand des LC AAlgorithmus. wenn kein Semiweg auffindbar. ω+≥0 ist in diesem Fall eine Konstante.0 24. 2. in dem der „Hinpfeil“ die Kosten angibt. und der „Rückpfeil“ die negativen Kosten angibt. Inkrementnetzwerk Um zu überprüfen.

kann man anhand folgender Methode das Problem lösen: Die MODI-Methode (modifizierte Distributionsmethode) Schritte zur Lösung: 1. so kann in den „Mehrvariablen“ der Wert von ui bzw.j) im X-Schema den Wert xij = bj ein. Suche nach einem geschlossenen Zickzackweg.h. d. füge einen fiktiven Verbraucher oder Produzenten mit Kosten 0 und der entsprechenden Differenz an Produkten ein. ( ) 3. es sind immer vollständige Güter. 1. 2. Er hat entweder zwei Elemente oder gar keine in jeder Spalte und Zeile. eliminiere die i-te Zeile für die weiteren Verfahrensschritte und ersetze bj durch den Restbedarf bj . Das alte NBV nimmt den alten Wert der BV an. daß gleiche Anzahl von Zeilen und Spalten herrscht. die Gesamtproduktion wird zu einem Verbraucher transportiert. der Gesamtbedarf von einem Verbraucher wird von einem Lieferanten gedeckt. Beginnend mit der Addition werden abwechselnd zu den Elementen des Zickzackweges δ addiert und subtrahiert. ai = bj: Suche eine Vorgehensweise nach Fall 2.0 24. beginnend bei xi‘j‘=0.h.01 und an der Senkrechten die verbrauchten Einheiten bj. so daß alle Elemente auf dem Weg positiv oder gleich Null sind. Jetzt nur noch die besagten Regeln zur Ermittlung des Index für einen Verfahrensschritt: Nordwestecken-Regel: Wähle den linken oberen Index. so spricht man von kombinatorischer Optimierung. wird neue NBV. 4. Jenes Element werde zur neuen BV. oder 3. die die Lösung annehmen kann. ermittelte Element. Berechne neue uj und vj Ganzzahlige und kombinatorische Optimierung Dieser Bereich der Optimierung tritt verhäuft in der Produktion und im Handel ein. Matrixminimum-Regel: Wähle die Zeile und die Spalte mit den geringsten Kosten.Ver. man legt sie in einer ZF fest und versucht. welche die Dualvariablen zur Summe aller zu einem Punkt gelieferten und von einem Punkt verschickten Güter darstellt. welches Null wird. fange in der linken oberen Ecke an und nutze nach Streichen wieder den linken oberen Index.j) im X-Schema den Wert xij = ai ein. Spalte der Anfangslösung ein. Sorge mit fiktiven Variablen (=0) dafür.) 2. aus. vj auf 0 gesetzt werden. Suche das kleinste negative unter 2. 6. Spaltenminimum-Regel: Wähle die Zeile mit den geringsten Kosten und die Spalte mit dem kleinsten Index.ai. Liegt eine Menge von möglichen Alternativen vor. Sollte die Summe der benötigten Güter nicht gleich der der produzierten Güter sein. d. Ermittle die Nichtbasisvariablen mit ζ ij = cij − ui + v j und trage sie in das Tableau ein. Zwecks Ermittlung einer zulässigen Anfangslösung wähle durch später erwähnte Verfahren ein Anfangspaar (i. d. 5. In das Tableau trage nun die Kosten für den Transport ein. Der neue ZF-Wert ergibt sich aus: F ( x ) = F ( x ) + δ ' ζ i ' j ' 7. Jacob . die unter der Anfangslösung ermittelt wurden. Zeilenminimum-Regel: Wähle die Spalte mit den geringsten Kosten und die Zeile mit dem kleinsten Index. Auf diesem Weg sei δ‘ das größte δ. Jenes Element. der bei der neuen BV beginnt und auch endet. 18 / 18 © A. - Nachdem nun eine zulässige Anfangslösung mit einer der Regeln gefunden wurde. Auf dem Weg sind nur BV’s zulässig. Zu ermitteln sind diese Variablen nach folgender Regel: ui + v j = cij (Diese Werte nur aus den BV’s ermitteln! Sollte es mehr Spalten als Zeilen oder umgekehrt geben. Führe zunächst vj und ui ein. Jetzt unterscheide in folgende drei Fälle: 1.07. da dort nicht mit reelwertigen Gütermengen gearbeitet werden kann. Sind alle Elemente positiv. eine optimale Ordnung zu bestimmen. Jetzt folgt die Bestimmung der Transportmengenänderung δ‘ des ausgewählten Elementes. Trage an der Position (i. ai > bj: xij = bj. so ist die Lösung optimal. Trage diese in die letzte Zeile bzw. eliminiere die j-te Zeile für die weiteren Verfahrensschritte und ersetze ai durch die Restproduktion ai – bj. 3. Letztendlich werden diese Permutationen bewertet.h. Trage an der Position (i. ai < bj: xij = ai.j) aus dem Tableau aus.

B. bringt u. mit deren Hilfe man „uninteressante“ Teilmengen von M eliminieren kann. Jedem Knoten s ist also ein Teilproblem P(s) des zu lösenden Optimierungsproblems (P) zugeordnet.01 Ganzzahlige Optimierungsprobleme mit total unimodularer Koeffizientenmatrix Begriffliches: Man spricht von einem relaxierten Problem oder einer Relaxation eines Optimierungsproblems.h.0 24. dass sie die Ecke.frei: xj =1 oder 0 und sj = -1 d. Bei Einschränkung des zulässigen Bereichs „verbessert“ sich die untere Schranke. Dies geschieht mit Hilfe eines sog. Anschaulich: 19 / 19 © A. Andernfalls fügt man eine neue Nebenbedingung derart ein. die den folgenden drei Bedingungen zu genüge kommt: I. d. wodurch man neue Teilmengen von M generiert. wenn die Determinante der Matrix den Wert 1 oder –1 annimmt. Suchbaumes. Demnach lässt sich folgendes schließen: Sind in einem linearen Optimierungsproblem die Matrix A total unimodular und der Vektor b ganzzahlig. bricht das Verfahren von Gomory ab. „Bound“ weist auf die Verwendung unterer und oberer Schranken für den ZF-Wert hin.h. Dieser Sachverhalt vereinfacht die nachfolgenden Verfahren ungemein. wenn einige (oder alle) Nebenbedingungen des Problems weggelassen oder gelockert werden (z. wenn jede quadratische Teilmatrix einen Determinantenwert von –1. Sind alle Variablen für den Knoten s fixiert. d. d. dessen Knoten gewissen Teilmengen von M entsprechen. Jeder dieser Knoten besitzt einen zugehörigen optimalen ZF-Wert F*(s). Am besten.h. welcher das Minimum dieses Knotens ist.h. d. Das Prinzip: Diese Methode macht sich das Prinzip der impliziten Enumeration zunutze. welche zu einer reelwertigen. sukzessive Teilmengen vom zulässigen Bereich M zu finden. 1. „wegschneidet“.1 }. in denen keine optimale Lösung des Problems liegt. so gibt b(s) den Zielfunktionswert für den entsprechenden Verktor x und damit die kleinste untere Schranke an. Sie heißt total unimodular. es enthält n Vektoren bestehend aus {0. b(s) ist eine untere Schranke für den optimalen ZF-Wert von P(s) II. Anfangs gilt B:=∞.07. eines Wurzelbaumes. aber nicht ganzen Lösung führte. B sei der Zielfunktionswert der bisher besten gefundenen Lösung. Wenn man diese Relaxation löst und eine ganzzahlige Lösung erhält. Vom Namen der Methode bezieht sich „Branch“ auf das Verzweigen des Suchbaumes.U.gesperrt: xj =0 und sj = 0 (fixiert) . jeder Knoten im Baum bekommt zusätzlich noch eine Zustandsangabe. der durch sj beschrieben wird: sj = 1 (fixiert) . welche sich an der „neuen“ Ecke ansiedeln wird. die Schrankenfunktion b(. den Möglichkeiten.Ver. Die Branch-and-Bound-Methode zur Lösung kombinatorischer Probleme Was hat man?: Anfangs liegt ein binäres Optimierungsproblem vor. Eine darauf gefundene Lösung. das Standardproblem der linearen Optimierung stellt eine Relaxation der ganzzahligen Optimierungsaufgabe dar). welche die Menge aller Knoten darstellt. Welche Elemente existieren in diesem Algorithmus? Jede Variable xj in diesem Verfahren befindet sich in einem Zustand. Eine quadratische ganzzahlige Matrix heißt unimodular.h. eine ganzzahlige Lösung. 0 oder 1 hat.) verhält sich wie die Funktion F*(. III. Jacob . dann sind alle Basislösungen ganzzahlig. falls man keine andere Obergrenze ausmachen kann.). man versucht.gesetzt: xj =1 und . Bei der Suche nach einer ganzzahligen optimalen Lösung kann diese Menge aus den gesuchten Variablen bestehen. man veranschaulicht sich den Sachverhalt anhand einer Zeichnung. Verfahren von Gomory zur Lösung eines rein ganzzahligen Optimierungsproblems Als Grundlage dieses Verfahrens dient ein rein-ganzzahliges Optimierungsproblem. Zudem werden noch Schrankenfunktionen b eingeführt.

b(s) ≥ B: Knoten aus dem Suchbaum entfernen. Folgende Fälle können dabei eintreten: 1.-1) entspricht (alle Variablen sind frei). Alle Werte. indem man eine oder mehrere freie Variablen fixiert. LIFO-Strategie (last in first out): Die Knoten werden als Keller gespeichert. 2b. Wenn M endlich ist. wenn sie für alle x ∈ P erfüllt ist. so muß entschieden werden. Seite ist sie durch S={x∈P| α x=β}. Mit dieser Hilfestellung lässt sich folgendes Problem G vereinfacht durch G’ darstellen: 20 / 20 © A. sind ganzzahlig.h. Diese kann mit einem heuristischen Verfahren näherungsweise bestimmt werden. die die Zielfunktion auf conv(M) annehmen kann. was zuletzt reinkommt.0 24. In den Fällen 1 und 2a spricht man von einem ausgeloteten Problem. Hat P die Dim d≤q..h. Alle Variablen des Knotens sind fixiert (sj={0. • Eine Ungleichung heißt stützend. d. Das Vorgehen ist wiefolgt: Das Verfahren: T Zu Beginn des Verfahrens besteht der Suchbaum nur aus der Wurzel. Ist zudem der Wert des Vorgängers ebenso groß wie der von s. Damit dies passiert. b(s) < B: Folgende 2 Fälle werden nochmals unterschieden: 2a. am Ende wird angefügt und am Kopf entnommen. so können alle von s verschiedenen Knoten eliminiert werden. d. Dann kann das ganzzahlige Problem durch die Lösung des relaxierten Problems auf Π gelöst werden. Eine Facette ist die maximale Seitenfläche T bzgl. Bestimmung unterer Schranken am Anfang des Problems: Eine oder mehrere NB’s des Problems werden gelockert oder entfernt. Das Verfahren bricht ab. in 2b von einem verzweigten Problem. welcher aktive Knoten im nächsten Schritt betrachtet wird: FIFO-Strategie (first in first out): Die Knoten werden als Schlange gespeichert. Mengeninklusion. d. Allgemein gilt folgende Beziehung für den Bereich M eines ganzzahligen Problems: M⊆conv(M)⊆P. so stellt conv(M) ein konvexes Polytop dar.h. um ein einfacheres Problem zu erhalten (Relaxation) oder bei einfachen Problemen eine Anfangslösung mit dem Simplexverfahren aufstellen. nicht jedoch über optimale Lösungen verfügt.. da er nur über zulässige. • S heißt echte Seite von P. Setze B:=F(x) als neue beste optimale Lösung.01 Versuche sukzessive Teilmengen von M durch binäre Unterscheidung zu finden. benötigt man große untere bzw. Jacob . LLB-Strategie (least lower bound): Es wird derjenige Knoten mit dem kleinsten Wert b(s) gewählt. kleine obere Schranken. und ein aktiver Knoten ist (d. 1.Ver. also nicht überflüssig ist. Eine gute Anfangsschranke ist also von sehr großem Nutzen. • conv(X) bezeichnet die konvexe Hülle einer Menge X.1}). Eigenschaften: T • Eine Ungleichung α x≤β heißt gültig für P.. Hat der Vorgängerknoten nur diesen einen Nachfolger. Erhält man am Ende eines Verfahrensschrittes mehr als ein Element als aktiven Knoten. Es ist sj=-1 für mindesten ein j. noch nicht untersucht). Dann erzeugt man Nachfolger.07. Branch-and-Cut-Verfahren Idee: Finde einen Bereich Π. so hat jede Facette die Dim d-1. die dem Vektor s=(-1. in denen keine optimale Lösung von P liegt und folglich ausgesondert werden können. Effizienz: Die Effizienz dieses Verfahrens wird stark von der frühzeitigen Eliminierung von Knoten ab. dass zum einen der zulässige Bereich M des ganzzahligen Problems vollständig in Π enthalten ist und zum anderen sämtliche (ausreichend viele) Ecken von Π ganzzahlige Lösungen repräsentieren. 2.h. mindestens eine Variable ist frei. wenn sie mit P mindestens einen Punkt gemeinsam hat. der den zulässigen Bereich des relaxierten Problems so einschränkt. Zum Aussondern oder Auffinden der Lösungen dienen die Regeln I. wird als erstes wieder herausgenommen. II und III. dessen Ecken eine Teilmenge von M bilden. die durch die Auslotungsregeln abgeschnitten werden können. also ist x=s eindeutig festgelegt. so kann der Vorgängerknoten auch eliminiert werden. sobald keine Knoten mehr aktiv sind.. wenn S≠0 und S≠P ist. In jedem Schritt wir ein aktiver Knoten untersucht.

 Min.h. cT x  u.01 Verfahren: Konstruktion von Polyedern Qi mit P⊃Qi⊃Π. c T x  u.Ver. Jacob .N .0 24. falls optimale Ecke im Qi ganzzahlig: STOP. x ∈ conv( M ) 21 / 21 © A. es werden nicht nur Ecken wie bei Gomory weggeschnitten.d .d . sondern Seiten oder Facetten) durchführen. 1.N . Ax ≤ b q  x ∈ Z+  ⇒  Min. falls keine Qi mehr erzeugt werden können: Branch&Bound. dabei scharfe Schnitte (d.07.

1. Lagrange-Funktion und Karush-Kuhn-Tucker-Bedingung Um Optimierungsprobleme mit NBs besser angehen zu können. so ist natürlich jede Richtung zulässig. absolute Minima (Maxima) unterschieden werden muß. einen Sattelpunkt der Lagrange-Funktion L zu finden. g(x) zeigt in Richtung des steilsten T Anstieges. 3.N . dass ein lokales Minimum auch globales Minimum ist. wenn man sich δ-weit in diese Richtung bewegen kann. s g(x)≥0 für alle s∈Z(x). ohne M zu verlassen. m) Das konvexe Optimierungsproblem sieht so aus: u. bis man das Minimum erreicht hat. er zeigt in die Richtung des stärksten Anstieges von F. Karush-Kuhn-Tucker-Bedingung Min. F ( x)   (i = 1. macht man sich die LagrangeFunktion zunutze. durch Materialbilanzgleichungen bei technischen Prozessen auftreten.d. Eine besondere Schwierigkeit besteht darin. Eigenwerte sind ≥0 3. Dabei müssen die ZF und die NBs auf Konvexität überprüft werden. wenn die Endprodukten nichtlinear von den Ausgangsproduktmengen abhängen. ii. d.h. u ) ≤ L( x. also stumpfer Winkel zwischen s und g(x). Positiv definiete Hessematrix: Alle Determinanten der Hessematrix sind positiv 2. Und aus der Konvexität folgt. Dann kann man sich längs eines solchen Weges auf die Suche nach einer optimalen Lösung machen. Ein Sattelpunkt ist gefunden. 2 zu überprüfen. Optimalitätsbedingungen: T i. s muß in Richtung abnehmender ZF-Wert sein. Grundsätzlich versucht man.h.. d. es existiert zumindest eine ∈Umgebung >0 um den Punkt x**. Abnahme des ZF-Wertes gleichwertig s g(x)<0.. s muß eine zulässige Richtung sein. • Gradient von F g(x**) in einem Punkt x**: Partielle Ableitung von F nach allen xi in einem Vektor.Ver. für die er ein Minimalpunkt darstellt. der zulässige Bereich darf nicht verlassen werden. dass bei der Optimierung in globale bzw. f i konvex  Zunächst gilt es zu beweisen. 2. Nordwest-Determinanten ≥0 4. D. Dies kann man mit folgenden Verfahren nachweisen: 1. u ) ≤ L( x.B. f i ( x ) ≤ 0  F . dass das Optimierungsproblem überhaupt konvex ist. d.0 24.07. linear konvex Jetzt ist nur noch die zulässige Richtung aus Vorr.01 Nichtlineare Optimierung In diesem Kapitel handelt es sich um Optimierungsprobleme. wenn folgende Bedingung erfüllt ist: L( x. Hier kann man sich sukzessive in Richtung abnehmender ZF-Wert im zulässigen Bereich durcharbeiten. deren Zielfunktion und Nebenbedingungen nicht mehr linearen Funktionen entsprechen. bei welchen globales und lokales Minimum zusammenfallen. Das Nullsetzen der partiellen Ableitungen der Lagrange-Funktion liefert die notwendige Bedingung für die Extremwerte.h. Definitionen: • globaler Minimalpunkt x*: F(x*)≤F(x) für alle x∈M • globales Minimum: F*:=minx∈M F(x) • lokaler Minimalpunkt : F(x**)≤F(x) für alle x∈M ∩ U∈(x**) . u ) mit u ≥ 0 22 / 22 © A. Spezialfall der nicht-linearen Optimierung: konvexe Optimierungsprobleme Wiederum ein Art der Optimierungsprobleme bilden die konvexen Optimierungsprobleme mit konvexer ZF und konvexen NBs... Ist x innerer Punkt von M. Dazu müssen folgende Voraussetzungen erfüllt sein: 1.d . Es lässt sich grundsätzlich in zwei verschiedene Arten der Optimierungsaufgaben unterscheiden: n n Restringierte auf einer echten Teilmenge des R und Unrestringierte auf dem gesamten R .h.h. • Lokales Minimum: F(x**) • Zulässige Richtung: ein Vektor von x∈M heißt zulässige Richtung. Als Lagrange-Multiplikator dienen hier ui. Dies kann in der Realität z. Jacob . längs keiner zulässigen Richtung in einer Umgebung von x kann der ZF-Wert verkleinert werden (stationärer Punkt).

u ) = 0 u Lu ( x. bei unrestringierten Problemen g(x*)=0 erfüllt. f1.0 24. Somit impliziert die Slaterbedingung.fm stetig differenzierbar und konvex.. welches die T Optimalitätsbedingung s g(g*)≥0 bzw. kann man sich mit dem Newton-Verfahren durch Iterationsschritte der optimalen Lösung annähern. benötigen wir die Konvexität des Optimierungsproblems sowie die Slaterbedingung. Mit folgenden Verfahren werden Näherungslösungen angeboten: 23 / 23 © A.Ver. 1. wenn die Lagrange-Funktion einen Sattelpunkt mit u ≥ 0 besitzt. Allerdings brechen diese Verfahren nicht nach einer endlichen Zahl von Schritten mit einer optimalen Lösung ab. Somit ergibt sich: Ist die Slaterbedingung erfüllt und sind die Funktionen F. Die meisten Verfahren konvergieren gegen ein x*. um das Problem überhaupt lösen zu können. So erhält man bei diesen Verfahren nur ein Näherungslösung... streng konvexen Funktion F zu ermitteln. dass der zulässige Bereich innere Punkte besitzt. u ≤ 0 δu Lx ( x. so dass für alle nichtlinearen fi die Bedingung fi(x’)<0 erfüllt ist. Slaterbedingung: Es gebe ein x’. Anders und anschaulicher mit der Lagrange-Funktion formuliert: δL x. u ) = ( ) ( ) x Lx ( x .01 Als Voraussetzung.. wenn die folgenden Karush-Kuhn-Tucker-Bedingungen gelten: bzw. u ) = x. u ) = 0 x≥0 u≥0 Um die globale Minimalstelle x* einer zweimal stetig differenzierbaren. u ≥ 0 δx δL Lu ( x.07. Es ergibt sich eine Iterationsvorschrift der folgenden Art: T T xυ +1 := x υ − F ' ( xυ ) F ' ' ( xυ ) Lösungsverfahren für unrestringierte Optimierungsprobleme Ähnlich wie beim Simplexverfahren startet ein Lösungsverfahren der allgemeinen nichtlinearen 0 Optimierung mit einer Anfangsnäherungslösung x und konstruiert darauf basierend eine Folge von Näherungslösungen. Jacob . so ist x genau dann optimale Lösung für das Optimierungsproblem.

so fallen folgende Bestellkosten abhängig von der bestellten Menge an: B(uj) := K + cuj (K = fixer Kostenanteil und c = Kosten pro Stück) Somit sind die gesamten während dem Planungszeitraum anfallenden Kosten: ∑ [Kδ (u n j =1 j ) + cu j + hx j +1 mit δ = 1 bei Bestellung und δ = 0 bei keiner Bestellung.N.01 Setzt man statt sνTg(xν)<0 die Abstiegsrichtung auf sν := -gν. muß gelten: x1 = xn+1 = 0 Falls eine Bestellung eintritt. Da viele Vorgänge in dynamischen Prozessen stark mit dem Zufall behaftet sind.0 24. Hierzu als Beispiel das Rucksackproblem. so spricht man vom klassischen Gradientenverfahren. auch künstliche Dynamisierung genannt. was nicht notwendigerweise der Fall ist. dessen Bestand sich durch Zu. dass die Nachfrage befriedigt wird und die anfallenden Lagerkosten über einen längeren Planungszeitraum hinweg minimal werden.Ver. werden zur Beschreibung solcher Phänomene oft stochastische Größen verwendet.rj u. ist ein optimaler Punkt gegeben) kann man mit Hilfe des euklidischen Abstandes berechnen. in dem die künstliche Dynamisierung darin besteht.07. ] Somit ergibt sich folgendes Lagerhaltungsproblem: Beispiel Rucksackproblem: In obigem Problem waren die „Stufen“ eines dynamischen Optimierungsproblems in Zeitabschnitte gegliedert. 1. Die Zulässigkeit der Schrittweite kann man überprüfen. Dynamische & stochastische Modelle und Methoden Probleme der dynamischen Art ergeben sich in der Wirtschaft durchaus vielfach: Man denke an ein Lager. 24 / 24 © A. dass in jedem Optimierungsschritt darüber entschieden werden muß. indem man die gewonnenen Werte in die ZFFunktion einsetzt und die Ergebnisse miteinander vergleicht. xj ≥ 0 Da eine Minimierung der Lagerkosten angestrebt wird und Material im Lager kosten verursacht. wobei wir etwa die Bestellmenge so festlegen wollen. Beispiel Transportproblem: Folgende Faktoren spielen im weiteren in unser Problem mit hinein: uj : Zu beginn der Periode j gelieferte Menge rj : Nachfrage in Periode j xj : Lagerbestand unmittelbar vor Belieferung Lagerbilanzgleichung: xj+1 = xj + uj . Jacob . Das Ergebnis muß sich mit höherem ν verkleinern. Den Abstand zu einem anderen Punkt (evtl.d. Wesentlich für die Optimierung ist jedoch nur die Einteilbarkeit in einzelne Stufen. welcher Gegenstand als nächstes in den Rucksack kommt.und Abgänge im Laufe der Zeit ändert.

0 uj : cj : aj : A: xj : Gegenstand Wert des Gegenstandes Gewicht des Gegenstandes Nicht überschreitbares Gesamtgewicht des Rucksacks das für Ausrüstungsgegenstände noch verfügbare Restgewicht im Rucksack 24.B. d.. die es erlaubt. 4. . Suche zunächst nach Stufen. des Gewinns unter Einhaltung einer bestimmten Anlageform sind denkbar. Zu Beginn gilt x1 = xa.. Somit ist der Anfangszustand einer Periode beschrieben durch eine Funktion der Vorgängerperiode. Eine Folge von Entscheidungen heißt Politik oder Steuerung. um zu den minimalen Kosten zu gelangen. auch Maximierung z. die die Kosten von einer Stufe zu einer anderen erfasst. die bei Realisierung von xj entstehen. Uj(xj) ist der Steuerbereich.07. die den Zustandsbereich beschreibt. welches es zu lösen gilt.. falls der Ausgangszustand des Problems fixiert ist. 1.. Es ist auch ersichtlich. u j ) + v * j +1 f j ( x j .. d.j-1 ist.. in einem Netzwerk alle Knoten auf einer Höhe). allerdings rückwärts. 2.. Somit gelangt man zu v1*(x1*). un*) eine Entscheidung für die Perioden j. Für j=(1|1|n) wird vj* auch Wertfunktion genannt. zum Anfang des Problems. . Netzwerk: Welcher Weg wird von einem Knoten ausgehend gewählt). uj sind Entscheidungs.B.. welche die Übergänge von einer Stufe in eine andere beschreibt (z. - - Bellmansches Optimalitätsprinzip Dieses Prinzip beruht auf der Tatsache. da man hier 25 / 25 © A. Suche nach einer Übergangsfunktion. 3. Das Problem muß nicht notwendiger Weise ein Minimierungsproblem sein. in dem alle möglichen Entscheidungen uj der Periode j liegen vj*(xj) seien hier die minimalen Kosten.Ver. erreiche die nächste Stufe).n unabhängig von der Entscheidung in den Perioden 1.. Bellmansche Funktionalgleichungsmethode Mit dieser Methode gelangt man durch sukzessive Auswertung der Bellmanschen Funktionalgleichung von j=n..B. also gleich dem Anfangszustand.h. Pj sei das Problem. Xj+1 beinhaltet als Zustandsbereich die möglichen Zustände von einer Periode j. n-1.B. u j ) u j ∈U j ( x j ) { [ ]} Mit dieser Gleichung wird eine Beziehung zwischen zwei aufeinander folgenden Wertfunktionen vj* und vj+1* hergestellt. xj+1 = fj(xj. unter deren NB die Kosten zu minimieren sind. die den Beginn des Systems zu Periode j beschreibt. sind die minimalen Kosten von der zu Periodenanfang verfügbaren Menge. Wichtig beim Aufstellen eines dynamischen oder dynamisierten Optimierungsproblems: 1. dass bei gegebener optimaler Politik (u1*.oder Steuervariablen... Man sieht leicht... Jacob . Durch eine gefällt Entscheidung verändert sich der Zustand des Systems.u)=xj+1=uj. gj(xj.01 Problemstellung der allgemeinen dynamischen Optimierung Wir können aus obigen Beispielen ableiten: xj ist eine Zustandsvariable.h. beginnend „am Ende“ mit vn+1*(xn+1) := 0. Erstelle Bellmansche Funktionalgleichung Bellmansche Funktionalgleichung v * j ( x j ) = min g j ( x j . zj*(xj) ist die optimale Einsatzmenge. Netzwerk: f(x. dass wenn man in der ersten Periode nach dem Planungszeitraum von 0 Kosten ausgeht.uj) ist die Funktion.uj) ist die Kostenfunktion. der Entscheidung in dieser Periode und der in der nachfolgenden Periode minimalen Kosten abhängig. also den minimalen Kosten des Optimierungsproblems P1(x1). dass diese Verfahren Ähnlichkeit zur Suche nach optimalen Wegen in Netzwerken hat. in welches das Problem unterteilt werden kann (z. Wie aus obiger Gleichung ersichtlich. Suche nach möglichen Steuermöglichkeiten. bei bekanntem vj+1* die Funktion vj* und damit jeweils für eine Vorperiode die Wertfunktion zu bestimmen. die die entstandenen Kosten beschreibt und somit minimiert werden muß (oder den Gewinn beschreibt und maximiert werden muß). Suche nach einer Kostenfunktion. welche im Problem die Auswahlmöglichkeit beinhalten (z.

Dies macht man. Entscheidung über die Anlagealternative durch und ordne die entsprechenden Beträge aus der Rückwärtsrechnung den einzelnen Entscheidungen zu. Dies erfolgt mit cj + v*j+1(xj-aj) für xj ≥ aj. und sich dann sukzessive zu den Kosten der Vorperioden durcharbeitet. da dies hinter unserem Zeithorizont liegt (vj+1*(xn+1) = 0). dass in n+1 nichts optimiert werden muß. bis die 0 erreicht ist. Nun geht man rückwärts jede Entscheidung über eine Anlageform j durch und ermittelt mit Hilfe der Bellmanschen Funktionalgleichung den optimalen Gewinn vj in Abhängigkeit von der Ausgangssituation xj am Anfang der Periode j. man beginnt bei n+1 und geht davon aus. Somit ist vj+1*(xn+1) = 0 als Ausgangsbasis gesichert. falls zwei Einheiten zur Verfügung stehen. Ziehe dabei von x1 die optimal verwendete Menge ab.07. Binäres Rucksackproblem: Hier geht es. Dieser Wert wird dann mit v*j+1(xj+1) verglichen.h.01 Beispiel: Rückwärtsrechnung: Man weiß am Anfang des Optimierungsverfahrens. Für diese letzte Alternative ist natürlich nur x1 = n zu überprüfen. so wird zj*(xj) = 2 sein. Nun folgt die Vorwärtsrechnung: Suche für x1 den optimalen Betrag.h. dass man einen 1. Nun geht man auf j = n-1 und rechnet wiederum alle möglichen Gewinne für alle eingesetzten Faktoren aus. Jener wird dann durch die optimale Investitionsmenge zj*(xj) beschrieben.0 nicht mehr vor hat. bis man bei j = 1 angekommen ist. Anwendungsformen Die Bellmansche Funktionalgleichungsmethode kann auf viele Probleme der dynamischen Optimierung angewendet werden. da man anfangs noch den vollen Investitionsbetrag zur Verfügung hat. Um dies mit der Bellmanschen Funktionalgleichungsmethode zu lösen. 2. Im folgenden seien weitere wichtige Anwendungen und die damit verbundenen Änderungen an der Gleichung aufgelistet: 1. Für diesen Punkt braucht man nicht mehr alle verschiedenen Einsatzmengen durchzurechnen. Gehe nun jede 1. Verfahre. dass der gesamte Betrag möglichst gewinnbringend auf eine Menge von unterschiedlichen Anlagealternativen verteilt werden soll. da man in der ersten Periode noch alles zur Verfügung hat. Suche für z2 = (x1 – u1) den optimalen Betrag. Geldbetrag so anlegen möchte. bis keine Möglichkeit zum Investieren mehr gegeben ist. ob ein bestimmter Gegenstand in den Rucksack eingepackte werden soll oder nicht. falls nicht einpacken aj = Gewicht des Gegenstandes xj = Gewicht des Rucksacks am Anfang von j Das Prinzip beruht darauf. der zu investieren ist. Der größere Wert wird in v*j(xj) übernommen. Vorwärtsrechnung: Setze x1* = xa. da in n+1 schon alles angelegt ist. wie schon vorangegangen erwähnt. Zusammenfassend: Es wird zunächst eine Rückwärtsrechnung durchgeführt. wenn vj* = 4 für xj = 2 das Maximum ist. falls einpacken oder 0. 24. Ist man letztlich bei v1(x1) angelangt. so hat man den optimalen Inhalt des Rucksacks gefunden. Nun kann man mit der Bellmanschen Funktionalgleichung den möglichen Gewinn der letzten Periode (vn) in Abhängigkeit von der eingesetzten Menge (xn) ausrechnen. um die Frage. d. Jacob . wenn in Periode j der Anfangszustand xj durch den Endzustand xj+1 und der Entscheidung 26 / 26 © A. Realisiere. zu investieren. Umkehrung des Rechenverlaufs: Das Bellmansche Verfahren kann in dem Fall zunächst mit der Vorwärtsrechnung eingesetzt werden. also gleich dem anfangs verfügbaren Kapital. Dies macht man bis j=1. Dies macht man für alle Alternativen. verwendet man folgende speziell auf dieses Problem zugeschnittene Form: v * j ( x j ) = max c j u j + v * j +1 (x j − a j u j ) u j ∈U j ( x j ) { } mit cj = Wert des Gegenstandes uj = 1.Ver. ab wann im Rucksack genug Platz ist und ab wann ein weiterer vorangegangener Gegenstand auch noch hinzugefügt werden kann. d. dass für jeden Gegenstand geschaut wird. 1.

0 24.und Vertriebsablauf. Mit Fehlmengenkosten zu rechnen kann durchaus günstiger sein als keine Fehlmengen in kauf zu nehmen. auf den das Lager bei der Lieferung wieder aufgefüllt wird Fehlmenge: tritt auf. S/r ist die Zeitspanne. und man erhält: Q* = 2rK h S* = 2rK h p h+ p T* = Q* = r 2K rh h+ p p C * = 2rhK Außerdem noch die maximale Fehlmenge: Q − S * = −s* = 27 / 27 2rK P h h+ p © A. also Kosten produziert.uj) gilt. Die Kosten betragen demnach: p (Q − S ) (Q − S ) (Q − S ) 2 =p 2 2r r Somit ergeben sich die Kosten pro Zeiteinheit (also mal 1/T): C (Q. dass viele Größen wie die Lieferzeit oder der Verbrauch nicht genau vorhersagbar sind und somit als stochastische Größen angesehen werden müssen. 1. wenn nichts mehr im Lager ist und trotzdem Nachfrage vorhanden ist. Folgende Größen lassen sich aus der einmalige Ableitung gleich null gesetzt berechnen: 2rK mit h = Lagerkosten pro Mengen. Folgende Begriffe sind im Zuge der Problematik zu definieren: Bestellpunkt: Derjenige Lagerbestand. Jacob . in der Fehlmengen auftreten können und (Q-S)/2 die durchschnittlichen Fehlmengen.Ver. Optimaler Bestellpunkt ist gleich 0. wenn Lager nicht lieferbereit. Dann ist (Q-S)/r die Zeitspanne.01 uj eindeutig gegeben ist. aber Nachfrage vorhanden EOQ-Modell (economic order quantity Diese Modell ist eines der einfachsten Lagerhaltungsmodellen und geht von einer konstanten Abgangsrate r aus. bei dessen Unterschreitung bestellt wird Bestellgrenze oder -niveau: Lagerbestand. S ) = rK hS 2 p(Q 2 − S 2 ) + rc + + 2Q 2Q Q h+ p p p + rc h+ p * Jetzt ist nur noch partiell nach Q und S abzuleiten. S sei das voll aufgefüllte Lage am Anfang. u j ) ]} In der anschließenden Rückwärtsrechnung bestimmt man dann eine optimale Politik und die zugehörige (optimale) Zustandsfolge. Mit T als Periodenlänge und Q als Bestellmenge ergibt sich folgende Beziehung: T=Q/r. wann und wie viel bestellt werden soll. die entstehen. Zentrale Frage der Lagerhaltung ist. Es sind genau die Kosten. Lagerhaltung Ein Lager dient grundsätzlich der Pufferung von Gütern an verschiedenen Stellen im Produktions.u j ) + v * j −1 [f j ( x j +1 . Die entsprechenden Summanden der ZF angepasst ergibt sich: v j ( x j +1 ) = * u j ∈U j ( x j +1) min {g ( x j j +1 . Somit ergeben sich die Kosten zu: SS S2 h =h 2 r 2r Diese Modell beinhaltet noch keine Fehlmengenkosten p. Schwierig ist hierbei.und Zeiteinheit h Q* 2K * = Optimale Periodenlänge: T = r rh * rK hQ * = 2rhK + rc Minimale Kosten: C = * + rc + 2 Q Optimale Bestellmenge: Q* = Nehmen wir an. in der das Lager nichtnegativ ist.07. also etwa xj = fj (xj+1. Durchschnittlich im Lager befinden sich während dieser Zeit S/2.

dass wir keine konstanten bestellfixen sowie variablen Kosten haben. und welche bei der Optimierung berücksichtigt werden müssen. so muß λ früher bestellt werden. 4. Nun braucht man sich nur noch in der Rückwärtsrechnung von der letzten Spalte zur ersten durcharbeiten und den minimalen Betrag der Spalte zu ermitteln. wenn ich in der ersten Periode nur für n-1 Perioden bestelle.und Endbestand und konstantem Verbrauch zwischen Anfang und Ende fix sind und somit nicht zu optimieren. 1.h.. Deterministisches dynamisches Modell Zu Begin der dynamischen Optimierung schon erwähntes Lagerhaltungsmodell sei an dieser Stelle nochmals aufgegriffen. saisonal bedingt schwanken. da jene jetzt ebenfalls nicht mehr als konstant angesehen werden können.B.01 Jetzt kommt noch die Annahme hinzu.. welche Kosten als konstant betrachtet werden können und somit rausfallen.0 24.07. Gehe für jede Periode alle Möglichkeiten durch und ermittle deren Kosten: Bestellung in dieser Periode für diese Periode Bestellung in der letzten Periode für diese Periode und Lagerung Bestellung in der vorletzten Periode für diese Periode und Lagerung . Suche die jeweils geringsten Kosten pro Schritt und addiere sie zu den Gesamtkosten. Setze am Anfang I*1 gleich den Bestellfixen Kosten und k*1=1 (logisch.Ver. in welcher Periode aufgrund der Vorwärtsrechnung wie viel bestellt wird und ermittle so optimalen Bestellplan. Die macht man. Schaue in der Rückwärtsrechnung. da I0 =0) 2. Um es optisch anschaulicher zu machen. Das Verfahren ist relativ einfach: 1. Die variablen Bestellkosten sind in diesem Modell zu vernachlässigen. der wesentlich weniger Rechenaufwand erfordert als die Auswertung obiger Funktionalgleichung. 3. Jacob .Periode für alle Perioden bestelle. sollte man tabellarisch vorgehen und sukzessive alle Bestellmöglichkeiten durchrechnen: Wenn ich in der 1. Die minimalen Kosten erhält man aufgrund der Bellmanschen Funktional- ˆ gleichung: C j ( x j +1 ) * = 0 ≤ u j ≤ x j +1 + r j ˆ ˆ* min {Kδ (u j ) + hx j +1 + C *−1 ( x j +1 − u j + r j )} mit C 0 ( x1 ) := 0 j Wagner und Whitin haben einen Algorithmus zur Bestimmung der optimalen Bestellpolitik entwickelt. 28 / 28 © A. Soll also die Bestellung eintreffen. wenn man sich zu Anfang des Optimierungsproblems klar macht. sondern diese z. Somit erhält man die optimale Bestellzeitpunkt zu nT*-λ mit n = Periode. bis man bei n angekommen ist. wenn s* erreicht ist. usw. d. da sie bei 0 Anfangs. λ<T*. Sonst bestimme lT*≤λ≤(l+1)T* und setze in s*+λr-lQ* ein. Betrachten wir abschließend den Fall. dass wir eine Lieferzeit λ>0 einkalkulieren müssen. Somit werden auch die variablen Kosten wieder interessant für die Optimierung. Der optimale Bestellpunkt ist s*+λr für λr<Q*. Generell ist es von Vorteil.

01 Warteschlangen Die Grundlegende Systematik ist bei allen betrachteten Wartenschlangenproblemen die obige. Die Wahrscheinlichkeit. sei λ∆t+o(∆t) mit der Ankunftsrate λ. Zunächst ein paar Begriffe: Tn sei die Ankunftszeit des n-ten Kunden im Wartesystem Zn := Tn-Tn-1 sie die Zwischenankunftszeit des n-ten Kunden Sn sei die Bedienungs. also ankommende Kunden pro Zeiteinheit µ Bedienrate. 2. für die im Gleichgewichtszustand ρ<1 gilt (d.oder Auslastungsintensität ρ := λ/µ. Zeit. dass ein Kunde in einem beliebigen Zeitintervall der Länge ∆t abgefertigt wird. Die Wahrscheinlichkeit. L(t) ist die Anzahl der zum Zeitpunkt t im Wartesystem befindlichen Kunden λ Ankunftsrate. Jacob . dass ein Kunde in einem beliebigen Zeitintervall der Länge ∆t eintrifft. also ankommende pro abgefertigte Kunden Weitere Charakteristika von Warteschlangen sind die Größe des Warteraums. also abgefertigte Kunden pro Zeiteinheit ρ := λ/µ Auslastungsintensität. 1. um alle zum Zeitpunkt t wartenden Kunden abzuarbeiten. Die Anzahl der in disjunkten Zeitintervallen auftretenden Ereignisse „Eintreffen eines Kunden“ seien unabhängige Zufallsgrößen. sei o(∆t).oder Servicezeit des n-ten Kunden q Wn sei die aktuelle Wartezeit des n-ten Kunden in der Schlange q W n := W n + Sn ist demnach die Gesamtzeit des n-ten Kunden im Wartesystem q Dn := Tn + W n + Sn ist der Zeitpunkt. Folgende drei Merkmale werden zur Beschreibung des Systems verwendet: 1. die Anzahl der Bedienschalter. dass mehr als ein Kunde in einem solchen Intervall abgefertigt werden. Ankunftsrate ist kleiner als die Bedienrate). Die Wahrscheinlichkeit. 29 / 29 © A. sondern auch stochastischen Prozessen unterliegen. Lediglich die Ausgestaltung kann unterschiedliche Formen annehmen. sei o(∆t). die benötigt würde. nach dem der Kunde das Wartesystem wieder verlässt V(t) ist die virtuelle Wartezeit. Das gleich gelte für die Ereignisse „Abfertigung eines Kunden“.h.0 24. dass mehr als ein Kunde in einem solchen Intervall eintrifft. sei µ∆t+o(∆t) mit der Bedienungsrate µ>0.Ver. Außerdem werden im weiteren die Zwischenankunftszeiten und die Bedienungszeit nicht nur statisch sein. Das Wartesystem M|M|1 M|M|1 steht für: Exponentialverteilung in den Zwischenankunftszeit Z | Exponentialverteilung in der Bedienungszeit S | einen Bedienschalter.07. Die Wahrscheinlichkeit. Aus den oben eingeführten Kennzahlen ergibt sich die Verkehrs. der Abfertigungsmodus (einzeln oder schubweise) und die Auswahlordnung (im weiteren nur first come first serve betrachtet). 3.

Ver. j j-1 L = ∑j (1-δ)δ = (1-δ)δ ∑j δ = (1-δ)δ 1/(1-δ) = δ / (1-δ) = λ / (µ-λ) 2 Das ganze ist abgeleitet aus einer Reihenentwicklung. Problem: Wie erhalten wir die durchschnittliche Anzahl von Kunden. Sehr nützliche. 1. die auf ihre Abfertigung warten? πj = (1-δ)δ πj+1 =πj δ j j+1 Diese Beziehung ist genau dann zulässig. wenn ein Kunde wieder geht. Wartesystem mit veränderbarem Warteverhalten Das Übergangsverhalten solcher Wartesystem im Gleichgewicht kann in Digraphen wie folgendem festgehalten werden: q q In den Knoten steht der Zustand des Wartesystems. dass j Kunden im Wartesystem. wenn man die Wahrscheinlichkeit von 0. 30 / 30 © A. d. wenn konvergentes Verhalten vorliegt. L = λW . Somit ist bis zu dieser Rate und ab der Rate getrennt zu sehen. ab dem sich ein neuer Kunde entschließt. π0 ist genau die Wahrscheinlichkeit. dass sich ein ungeduldiger Kunde j bei einer gewissen Länge der Warteschlange nur zu einer gewissen Wahrscheinlichkeit aj anstellt. Wichtig sind die letzten beiden Beziehungen. die es erlaubt. Jacob .01 Wartesystem mit unverändertem Warteverhalten Analog zum betrachteten Ankunftsprozess kann man den sogenannten Bedienprozess betrachten. auf die q durchschnittliche Wartezeit zu berechnen. Aber die Rate der Warteschlange verändert sich ab dem Punkt. die ein Kunde in der Schlange (W ) bzw. Die obige Abbildung zeigt den Fall von einem Wartesystem. In diesem Fall könnten die stationären Wahrscheinlichkeiten über folgende Formel berechnet werden: πj = (1 − ρ ) ρ j 1 − ρ r +1 Erwartete Anzahl von Kunden d im Wartesystem mit πj stationäre Wahrscheinlichkeit.… Kunden im System ausrechnen soll und als Basis π0 gegeben hat.07. q 2 2 Man kommt dann zu: L = δ / (1-δ) = λ / µ(µ-λ) Ein weiteres wichtiges Instrument ist die Littles Formel L = λW bzw. dass kein Kunde im System ist. im kompletten q System (W ) warten muß. Diese Formel lässt sich mit den zuvor abgeleiteten Beziehungen für L so kombinieren.h. die man als „Erfassungsgrad der Kunden“ bezeichnen kann. also um α korrigiert: λeff = λα = λ(1-πr) = µ (1-π0). Es kommt jetzt noch ein Größe hinzu. Die durchschnittliche Länge der Warteschlange L := E(d) = ∑jπj L = L – (1-π0) q Es kann nun auch passieren. Statt Z (Zwischenankunftszeit) gilt hier S (Bedienzeit des Kunden) und statt λ (Ankunftsrate) gilt µ (Bedienrate). 2. es ist die Wahrscheinlichkeit. bei dem sich die Wahrscheinlichkeit. 1. mit zunehmender Länge der Warteschlange abnimmt. Diesen Erwartungswert kann man auch für die Anzahl der Kunden in der Warteschlange entwickeln. an den Pfeilen die möglichen Übergänge. dass sich ein ankommender Kunde in die Schlange einreiht: α = 1-πr (also 1-W’keit. dass Schlange schon voll) Daraus ergibt sich dann die effektive Ankunftsrate. dass man zu q q einer Wartezeit in der Schlange von W = L / λ bzw. da die vorhandene Schlange auch noch abzuarbeiten ist. Für die Bedienungsrate wird sich kaum etwas ändern. die vermehrt in praktischen Anwendungen benötigt werden.0 24. dass sich ein Kunde anstellt. lieber wieder zu gehen (λj =λaj). Wartezeit bin zu Abarbeitung von W = L / λ kommt.

Jacob . bis zu s Kunden bildet sich keine Warteschlange. 1.Ver.0 Die stationären W’keiten berechnen sich jetzt nach: π0 = (1 + ∑ δ ) j πj = δ π0 i -1 24. d.07. ab s Kunden wird diese dann mit sµ abgearbeitet. 31 / 31 © A.01 Das Wartesystem M|M|s Nun sei die Möglichkeit von s parallelen identischen Abarbeitungsschaltern gegeben. Der einzigste Unterschied zu M|M|1 besteht darin. Abzuleiten ist alles aus dem Gleichgewichtsfall: ankommende Kunden – abgearbeitete Kunden = 0. dass die Bedienrate variabel wird.h.