Sie sind auf Seite 1von 22

Operations Research I

Van Bang Le

WS 2009/2010
Was ist Operations Research? 2/22

Erfolglose Übersetzungsversuche: Operationsforschung, Unternehmens-


forschung, Entscheidungsforschung, Planungsrechnung, Optimalplanung,. . .

Gesellschaft für Operations Research (https://gor.uni-paderborn.de/):


Unter Operations Research (OR) wird allgemein die Entwicklung
und der Einsatz quantitativer Modelle und Methoden zur
Entscheidungsunterstützung verstanden.
Operations Research ist geprägt durch die Zusammenarbeit von
Mathematik, Wirtschaftswissenschaften und Informatik.

T. Gal:
. . . Anwendung quantitativer Verfahren zur Lösung
wirtschaftswissenschaftlicher Probleme.
K. Neumann/M. Morlock:
. . . Suche nach einer bestmöglichen (optimalen) Entscheidung
unter Berücksichtigung von Nebenbedingungen.

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009


Was ist Operations Research? 3/22

H. Müller-Merbach:
. . . Anwendung mathematischer Methoden zur Vorbreitung
optimaler Entscheidungen.

Stichworte:
Quantifizierbarkeit
Nebenbedingungen
Entscheidung, Optimierung

Entstehung: im zweiten Weltkrieg (Planung und Optimierung


militär-strategischer Operationen) in England und USA. Später:
Anwendung auf Planungsprobleme in Unternehmen.

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009


Beispiel: Produktionsprogrammplanung 4/22

Eine Firma stellt zwei Produkte A und B her. Eine Mengeneinheit (ME)
von Produkt A kann um 27 Geldeinheiten (GE) verkauft werden. Die
Materialkosten pro ME betragen 10 GE, sonstige variable Kosten 14 GE.
Der Verkaufspreis für das Produkt B ist 21 GE je ME, die Materialkosten
und sonstigen variablen Kosten pro ME betragen 9 GE bzw. 10 GE.
Bei Produktion sind drei Arbeitsgänge notwendig. Die jeweiligen
Bearbeitungsdauern für die Produkte in Zeiteinheiten (ZE) pro ME und die
Verfügbarkeit der Anlagen in ZE pro Monat für die Arbeitsgänge sind wie
folgt:
Arbeitsgang 1 2 3
Produkt A (ZE/ME) 2 1 4
Produkt B (ZE/ME) 1 2 1
Anlagenverfügbakeit (ZE) 22 23 40
Jedes Monat können beliebig viele Rohmaterialien verbraucht werden.
Gesucht ist ein Produktionsprogramm, das den monatlichen Gewinn der
Firma optimiert.
V.B. Le, Operations Research I, WS 2009/2010 13–10–2009
Beispiel: Produktionsprogrammplanung 5/22

Mathematische Formulierung
x1 = produzierte ME von Produkt A pro Monat,
x2 = produzierte ME von Produkt B pro Monat.
Der Monatgewinn der Firma ist
Verkaufserlös − Materialkosten − sonstige variable Kosten,
und hängt von Produktion ab:

z = (27x1 + 21x2 ) − (10x1 + 9x2 ) − (14x1 + 10x2 )


= 3x1 + 2x2
Müssen aber Nebenbedingungen beachten:
1.Arbeitsgang: 2x1 + x2 ≤ 22
2.Arbeitsgang: x1 + 2x2 ≤ 23
3.Arbeitsgang: 4x1 + x2 ≤ 40
keine negative Güte: x1 , x2 ≥ 0

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009


Beispiel: Produktionsprogrammplanung 6/22

Zusammenfassung
x1 = produzierte ME von Produkt A pro Monat,
x2 = produzierte ME von Produkt B pro Monat.
max 3x1 + 2x2
2x1 + x2 ≤ 22
unter x1 + 2x2 ≤ 23
4x1 + x2 ≤ 40
x1 , x2 ≥ 0
(Optimale Lösung: x1 = 7, x2 = 8)

mathematisches Modell Lösung für das


Reales Problem → → →
(formales Problem) math. Modell

Lösungsvorschlag

für das reales Problem

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009


Beispiel: Investitionsprogrammplanung 7/22

Es sind 4 Projekte (Investitionsmöglichkeiten) mit Laufzeit von 3 Jahren.


Kapitalwerte, Kosten und Budgets (in Million e) sind wie folgt:

Kosten/Jahr
Projekt Kapitalwert 1 2 3

1 0,2 0,5 0,3 0,2


2 0,3 1,0 0,8 0,2
3 0,5 1,5 1,5 0,3
4 0,1 0,1 0,4 0,1

Budget 3,1 2,5 0,4

Gesucht ist ein Investitionsprogramm, das den Gesamtkapitalwert optimiert.


(Entscheidung, welche von den 4 Projekten in Angriff genommen werden
sollen.)
V.B. Le, Operations Research I, WS 2009/2010 13–10–2009
Beispiel: Investitionsprogrammplanung 8/22

Mathematische Formulierung
xj = Investiere (1) bzw. invertiere nicht (0) in Projekt j

Gesamtgewinn der Investition ist


z = 0, 2x1 + 0, 3x2 + 0, 5x3 + 0, 1x4 .

Müssen aber Nebenbedingungen beachten:


1.Jahr: 0, 5x1 + 1, 0x2 + 1, 5x3 + 0, 1x4 ≤ 3, 1
2.Jahr: 0, 3x1 + 0, 8x2 + 1, 5x3 + 0, 4x4 ≤ 2.5
3.Jahr: 0, 2x1 + 0, 2x2 + 0, 3x3 + 0, 1x4 ≤ 0, 4
Investition/Keine Investition: x1 , x2 , x3 , x4 ∈ {0, 1}

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009


Beispiel: Investitionsprogrammplanung 9/22

Zusammenfassung
xj = Investiere (1) bzw. invertiere nicht (0) in Projekt j

max 0, 2x1 + 0, 3x2 + 0, 5x3 + 0, 1x4


0, 5x1 + 1, 0x2 + 1, 5x3 + 0, 1x4 ≤ 3, 1
unter 0, 3x1 + 0, 8x2 + 1, 5x3 + 0, 4x4 ≤ 2, 5
0, 2x1 + 0, 2x2 + 0, 3x3 + 0, 1x4 ≤ 0, 4
x1 , x2 , x3 , x4 ∈ {0, 1}
(Optimale Lösung: x1 = x2 = 0, x3 = x4 = 1)

mathematisches Modell Lösung für das


Reales Problem → → →
(formales Problem) math. Modell

Lösungsvorschlag

für das reales Problem

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009


Modelle in OR 10/22

Modell: Vereinfachte Abbildung (eines Ausschnittes) der Realität


unter Bewahrung der Strukturzusammenhänge.
. Vereinfachung: irrelevante Aspekte elimieren.
. Bewahrung der Struktur: relevante Aspekte berücksichtigen.
. Beziehungen/Zusammenhänge zw. den realen Elementen und ihren
Gegenstücken im Modell sollen sich entsprechen, sofern sie für die
Zielsetzung relevant sind.
Modelle nach Einsatzzweck:
Beschreibungsmodelle (Darstellung von Sachverhalten wie
volkswirtschaftliche Gesamtrechnungen, betriebliche Kennzahlen etc.),
Erklärungs- bzw. Prognosemodelle (Darstellung von
Wirkungsmechanismen und Kausalzusammenhängen; warum und unter
welchen Umständen steigt der Absatz eines Produktes? etc),
Entscheidungs- bzw. Optimierungsmodelle (erfüllen zusätzlichen
Zweck, eine möglichst optimale Entscheidung/Lösung zu liefern).
V.B. Le, Operations Research I, WS 2009/2010 13–10–2009
Optimierungsprobleme 11/22

Im OR haben wir vor allem mit Entscheidungsmodellen/Optimierungs-


modellen zu tun.
Ein Optimierungsproblem ist definiert durch:
Eine Menge von Instanzen (auch: Eingaben).
Zu jeder Instanz I existiert eine Menge X = X(I ) von zulässigen
Lösungen.
Jeder zulässige Lösung x ∈ X ist ein Wert z(x) ∈ R zugeordnet (die
Zielfunktion).

Das Ziel ist dann, bei gegebener Instanz eine zulässige Lösung x so zu
finden, dass z(x) möglichst groß (Maximierungsproblem) oder möglichst
klein (Minimierungsproblem) ist.
. Lösbarkeit
. Lösungsmethoden (Algorithmen)
. Komplexität

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009


OR-Methoden und Anwendungsbeipiele 12/22

Einige Teilgebiete/Methoden des OR:


Lineare Optimierung (LP);
mit Abstand das wichtigste Teilgebiet des OR
Ganzzahlige LP, kombinatorische Optimierung
Nichtlineare Optimierung
Graphenmodelle
Dynamische und stochastische Optimierung, Simulation, etc.

Einige Anwendungsbeispiele:
Produktionsplanung, Projektplanung
Transport- und Versorgungsprobleme
Verschnittproblem, Maschienenbelegung, Lagerhaltung,
Warteschlangen
Investitionentscheidung und Finanzierung, etc.

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009


Geplante Themen 13/22

Lineare Optimierung
I Grundlagen
I Simplex-Algorithmus
I Dualität und dualer Simplex-Algorithmus
Exkurs: Komplexität von Problemen und Algorithmen
I Effiziente Lösbarkeit, NP-schwierige Probleme
I Die Komplexität des Simplex-Algorithmus
Ganzzahlige lineare Optimierung
I Schnittebenenverfahren
I Branch-und-Bound
Transport- und Zuordnungsprobleme
Graphenmodelle
I Grundlagen
I Kürzeste Wege
I Flüsse in Netzwerken
I Netzplantechnik

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009


Literatur 14/22

Auf das Stichwort „Operations Research“ hin liefert das Anfragesystem der
Universitätsbibliothek eine Fülle von Lehrbüchern über OR. Eine Auswahl:

H.-J. Zimmermann, Operations Research, Vieweg

B. Werners, Grundlagen des Operations Research, Springer

W. Domschke, A. Drexl, Einführung in Operations Research, Springer

T. Gal (Hrsg.), Grundlagen des Operations Research, 3 Bände,


Springer

L. Suhl, T. Mellouli, Optimierungssysteme, Springer

K. Neumann, M. Morlock, Operations Research, Hanser Fachbuch

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009


Organisatorisches 15/22

Vorlesung:
Di, 11:00 – 12:30 Uhr, Mi, 15:00 – 16:30, U021
Folien (kein Skript)
Tafel: Erläuterungen, Beweise etc. Falls nötig: Mitschreiben!
Nacharbeitung ist unabdingbar.
Übung/Übungsaufgaben:
Tutor: Thomas Podelleck
Start: Mi, 21. 10. 2009, 15:00 – 16:30 Uhr, U021
Alle 14 Tage
Besprechung von Aufgaben
I Diskussion/Wiederholung der VL-Inhalte
I Gelerntes aus der VL anwenden
Prüfung:
Genauer in nächster Woche
Wahrscheinlich Anfang/Mitte März 2010
V.B. Le, Operations Research I, WS 2009/2010 13–10–2009
I. Lineare Optimierung
Das Grundmodell der linearen Optimierung 17/22

Sind c1 , c2 , . . . , cn (gegebene) reelle Zahlen, dann ist die Funktion f von


reellen Variablen x1 , x2 , . . . , xn definiert durch
n
X
f (x1 , x2 , . . . , xn ) = c1 x1 + c2 x2 + . . . + cn xn = cj xj
j=1
eine lineare Funktion.
Ist f eine lineare Funtion und ist r eine reelle Zahl, dann ist
f (x1 , x2 , . . . , xn ) = r
eine lineare Gleichung, und
f (x1 , x2 , . . . , xn ) ≤ r ,
f (x1 , x2 , . . . , xn ) ≥ r
sind lineare Ungleichungen.
Lineare Gleichungen und Ungleichungen zusammen heißen lineare
Bedingungen oder lineare Restriktionen.

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009


Das Grundmodell der linearen Optimierung 18/22

Ein lineares Optimierungsproblem oder lineares Programmierungsproblem


(kurz: LP) ist das Optimierungsproblem, eine lineare Funktion (die
Zielfunktion) zu optimieren (maximieren/minimieren) unter Beachtung von
linearen Restriktionen.

Das Grundmodell der linearen Optimierung ist

max c1 x1 + c2 x2 + . . . + cn xn
a11 x1 + a12 x2 + . . . + a1n xn ≤ b1
a21 x1 + a22 x2 + . . . + a2n xn ≤ b2
unter .. ..
. .
am1 x1 + am2 x2 + . . . + amn xn ≤ bm
x1 , x2 , . . . , xn ≥ 0

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009


Das Grundmodell der linearen Optimierung 19/22

max c1 x1 + c2 x2 + . . . + cn xn
a11 x1 + a12 x2 + . . . + a1n xn ≤ b1
a21 x1 + a22 x2 + . . . + a2n xn ≤ b2
unter .. ..
. .
am1 x1 + am2 x2 + . . . + amn xn ≤ bm
x1 , x2 , . . . , xn ≥ 0

Bezeichnungen.
cj : Zielfunktionskoeffizienten (bekannt),
xj : Strukturvariablen/Entscheidungsvariablen,
aij : Technische Koeffizienten (bekannt),
bi : Kapazitäten/Restriktionswerte (bekannt),
xj ≥ 0: Nichtnegativitätsbedingungen.

Die cj , aij , bi zusammen ist eine Instanz/Eingabe des LP-Modells/Problems.

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009


Das Grundmodell der linearen Optimierung 20/22

Andere Schreibweise:
Xn
max cj xj
j=1
Xn
unter aij xj ≤ bi (i = 1, 2, . . . , m)
j=1
xj ≥ 0 (j = 1, 2, . . . , n)

max cT x
In Vektor-Matrix-Notation: unter Ax ≤ b
x ≥ 0
      
x1 c1 b1 a11 a12 ... a1n
 x2   c2   b2   a21 a22 ... a2n 
mit x =  . , c =  . , b =  . , A= . .. .. ,
       
.
 .  .
 .   ..   .. . . 
xn cn bm am1 am2 . . . amn
V.B. Le, Operations Research I, WS 2009/2010 13–10–2009
Das Grundmodell der linearen Optimierung 21/22

Bemerkung. Das Grundmodell stellt keine willkürlichen Einschränkungen


dar.
Minimierungsproblem:
min z = max (−z).
Untere Abschätzung:
ai1 x1 + ai2 x2 + . . . + ain xn ≥ bi
ist äquivalent zu
−ai1 x1 − ai2 x2 − . . . − ain xn ≤ −bi .
Gleichung:
ai1 x1 + ai2 x2 + . . . + ain xn = bi
ist äquivalent zu
ai1 x1 + ai2 x2 + . . . + ain xn ≤ bi
− ai1 x1 − ai2 x2 − . . . − ain xn ≤ −bi
00 00
Strukturvariable xj ≤ 0 durch Substitution xj = xj0 − xj mit xj0 , xj ≥ 0.

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009


Das Grundmodell der linearen Optimierung 22/22

n
X
max cj xj
j=1
Xn
unter aij xj ≤ bi (i = 1, 2, . . . , m)
j=1
xj ≥ 0 (j = 1, 2, . . . , n)
Definition.
Erfüllt x = (x1 , x2 , . . . , xn ) ∈ Rn alle ≤-Nebenbedigungen, so heißt x
eine Lösung. Erfüllt x zusätzlich die Nichtnegativitätsbedingung, so
heißt x eine zulässige Lösung.
Die Menge aller zulässigen Lösungen heißt der zulässiger Bereich.
x ∈ Rn heißt eine optimale Lösung, wenn x eine zulässige Lösung ist,
und für alle zulässigen Lösungen x 0 gilt:
X n n
X
cj xj0 ≤ cj xj .
j=1 j=1

V.B. Le, Operations Research I, WS 2009/2010 13–10–2009