Dr. Bodo Runzheimer, Dr. Thomas Cleff, Dr. Wolfgang Schäfer (Auth.) - Operations Research 1 - Lineare Planungsrechnung Und Netzplantechnik-Gabler Verlag (2005) PDF

Bodo Runzheimer/Thomas Cleff/Wolfgang Schafer
Operations Research 1
Bodo Runzheimer/Thomas Cleft/
Wolfgang Schafer
Operations Research 1
Lineare Planungsrechnung
und Netzplantechnik
8., vollstandig Oberarbeitete Auflage
GABLER
Bibliografische Information Der Deutschen Bibliothek
Die Deutsche Bibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie;
detaillierte bibliografische Daten sind im Internet Ober <http://dnb.ddb.de> abrufbar.
Dr. Bodo Runzheimer, Dr. Thomas Cleft und Dr. Wolfgang Schafer sind Professoren fOr Betriebs-
wirtschaftslehre, insbesondere Operations Research der Hochschule Pforzheim, Hochschule fOr
Gestaltung, Technik, Wirtschaft und Recht.
1. Auflage 1978
8., vo"st. Oberarb. Auflage August 2005
A"e Rechte vorbehalten

© Betriebswirtschaftlicher Verlag Dr. Th. Gabler/GWV Fachverlage GmbH, Wiesbaden 2005
Lektorat: Jutta Hauser-Fahr / Walburga Himmel
Der Gabler Verlag ist ein Unternehmen von Springer Science+Business Media.
www.gabler.de
Das Werk einschlieBlich a"er seiner Teile ist urheberrechtlich geschOtzt. Jede Ver-
wertung auBerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zu-
stimmung des Verlags unzulissig und strafbar. Das gilt insbesondere fOr
Vervielfaltigungen, Obersetzungen, Mikroverfilmungen und die Einspeicherung
und Verarbeitung in elektronischen Systemen.
Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk

berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im
Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten waren und daher
von jedermann benutzt werden dOrften.
Umschlaggestaltung: Ulrike Weigel, www.CorporateDesignGroup.de
Gedruckt auf saurefreiem und chlorfrei gebleichtem Papier
ISBN-13: 978-3-409-30718-5 e-ISBN-13: 978-3-322-82917-7

DOl: 10.1007/978-3-322-82917-7
Vorwort
Das hier vorliegende Lehrbuch Operations Research Band 1: Lineare Planungsrech-

nung und Netzplantechnik stellt die Grundlagen, Techniken und betriebswirtschaftli-
chen Anwendungsmoglichkeiten der linearen Planungsrechnung und der Netzplan-
technik dar. Es enthlilt neben einer Einleitung die bekanntesten und wohl auch am
meisten in der betrieblichen Praxis angewendeten Gebiete des Operations Research.
Das Schwergewicht wurde auf eine Demonstration der Losungsmethoden an betriebs-
wirtschaftlichen Problemstellungen sowie auf deren okonomische Interpretation gelegt.
Dazu wird eine Reihe von didaktisch sinnvollen Beispielen aus der Planungspraxis ver-
schiedener betriebswirtschaftlicher Funktionsbereiche erortert.
In der Einleitung werden Entwicklung, Begriff, typische Vorgehensweise und Modelle
als Hilfsmittel des Operations Research behandelt. Relativ ausfiihrlich wird im zwei-
ten Kapitel die Lineare Planungsrechnung dargestellt. Es werden zum einen Lo-
sungsmethoden wie die Simplexmethode mit ihren Varianten, die parametrische
Planungsrechnung, die Sensitivitatsrechnung und -analyse, sowie die Transportme-
thode und das Zuordnungsproblem eingehend erortert. Gegenstand des dritten Kapi-
tels ist die Netzplantechnik (NPT). Neben den Grundbegriffen der Graphentheorie
werden zuniichst die Grundlagen der NPT dargestellt. Des Weiteren werden insbe-
sondere die Strukturplanung, die Zeitplanung und die Zeit-Kosten-Planung mit
Hilfe der Netzplantechnik dargestellt. Dabei wird Beispielen mit Vorgangsknoten-
netzplanen und deren computergestiitzte Anwendung breiter Raum eingeriiumt.
Das Lehrbuch wendet sich vornehmlich an Studierende der Betriebswirtschaft und des
Wirtschaftingenieurwesens in Bachelor- und Diplomstudiengangen sowie an Praktiker in
Unternehmen, die sich mit dem Einsatz von Methoden zur Vorbereitung optimaler Ent-
scheidungen auf quantitativer Basis beschiiftigen oder ein entsprechendes Bediirfnis zur
Weiterbildung haben.
Die 8. Auflage ist aktualisiert; sie enthiilt eine Reihe von Demonstrations- und CnJUngs-
beispielen, die nicht zuletzt ein effizientes Selbststudium erleichtern. Diesem Zweck
sollen auch die Verstiindnisfragen dienen, die jedes Kapitel abschlieBen.
Die einzelnen Kapitel sind so konzipiert, dass sie durchaus unabhangig voneinander
bearbeitet werden konnen. Mithin ist ein unterschiedliches Sc.hwerpunktsetzen in den
Lehrveranstaltungen bzw. beim Selbststudium problemlos moglich. Zu einigen The-
mengebieten stellen die Autoren Foliensatze und Ubungsaufgaben auf der Homepa-
ge der Hochschule Pforzheim (www.hs-pforzheim.de) zur Verfugung.
v
Fur weiterfiihrende Veranstaltungen des Operations Research ist der Band 2 in Bear-
beitung; er umfasst die Themen Simulation, Warteschlangentheorie, Entscheidungs-
Iehre mit Entscheidungsbaumverfahren und die Behandlung stochastischer AbHiufe
als Markov-Prozesse.
Der Verlag hat das Lehrbuch komplett neu erfasst, was wiederum mit einigem Auf-
wand verbunden war. Den Betreuerinnen des Verlages danken wir £iir die stets unein-
geschriinkte Unterstiitzung sehr.
Fiir die Anregungen zur Verbesserung bedanken wir uns bei den Lesem, Studierenden
und Kollegen sehr herzlich. Auch in Zukunft sind wir £iir eine solche Unterstiitzung
sehr dankbar.
Pforzheim, im April 2005
Bodo Runzheimer
Thomas Cleff
Wolfgang Schafer
VI
Inhaltsverzeichnis
Vorwort ..................................................................................................................................... v
Inhaltsverzeichnis ................................................................................................................. VII
Abbildungsverzeichnis .......................................................................................................... XI
Tabellenverzeichnis ............................................................................................................. XIII
1 Einleitung ..................................................................................................................... 1
1.1 Einige Bemerkungen zur Entwicklung des Operations Research ........................1
1.2 Begriff Operations Research ...................................................................................... 2
1.3 Typische Vorgehensweise des Operations Research ..............................................3
1.4 Modelle als Hilfsmittel des Operations Research ................................................... 5
1.5 Verstandnisfragen zum Kapitel. ................................................................................ 8
2 Lineare Planungsrechnung ........................................................................................ 9
2.1 Einfuhrung ................................................................................................................... 9
2.2 Formulierung der Grundaufgabe der linearen Planungsrechnung ...................10
2.2.1 Maximierung eines Produktionsprogramms ........................................................10
2.2.1.1 Beispiel mit linearem Programmansatz ................................................................. 11
2.2.1.2 Grafische Lasung ...................................................................................................... 12
2.2.2 Minimierung: Optimierung eines Werbeprogramms .......................................... 14
2.2.2.1 Beispiel mit linearem Programmansatz ................................................................. 15
2.2.2.2 Grafische Lasung ......................................................................................................16
2.2.3 Standardansatz der linearen Planungsrechnung ..................................................18
2.3 Simplexmethode ....................................................................................................... 20
2.3.1 Simplex-Algorithmus ............................................................................................... 21
2.3.1.1 Uberfiihrung von Ungleichungs- in Gleichungssysteme ....................................21
2.3.1.2 "Nullprogramm" als erste zulassige Basislasung (Maximierungsproblem) .....23
2.3.1.3 Simplexkriterium ......................................................................................................24
2.3.1.4 Simplextableau ..........................................................................................................25
2.3.1.5 Iterationen ..................................................................................................................28
2.3.1.6 Zusammenfassung der Vorgehensweise der Simplexmethode .......................... 32
2.3.2 Wirtschaftlicher Inhalt der Optimierungsmethode .............................................. 33
2.3.2.1 Okonomische Interpretation der Inhalte des Simplextableaus ...........................33
VII
2.3.2.2 Bewertung von Engpassen....................................................................................... 34
2.3.3 SonderfaIle ................................................................................................................. 35
2.3.3.1 Mehrfachlosungen .................................................................................................... 35
2.3.3.2 Degeneration ............................................................................................................. 35
2.3.3.3 Unbegrenzte Zielvariable ......................................................................................... 36
2.3.4 Probleme mit unzulassiger Ausgangslosung ........................................................ 36
2.3.4.1 Dualer Schritt zur Bestimmung zulassiger Ausgangslosungen.......................... 39
2.3.4.2 Bestimmung einer zulassigen Ausgangslosung bei Gleichungen als
Restriktionen.............................................................................................................. 45
2.3.4.3 Die Zwei-Phasen-Simplexmethode ........................................................................ 49
2.3.4.4 Freie Variablen und ihre Behandlung .................................................................... 53
2.3.4.5 Beispiel zur Losung eines linearen Gleichungssystems mit Hille cler
Simplexmethode ....................................................................................................... 54
2.3.5 Minimierung mit der Simplexmethode ................................................................. 56
2.3.5.1 Beispiel: Kostenminimale Mischung ...................................................................... 56
2.3.5.2 Minimierung mit Hilfe eines dualen Schritts ........................................................ 57
2.3.6 Verstandnisfragen zu den Abschnitten 2.1 bis 2.3 ................................................ 59
2.4 Dualitat in der linearen Planungsrechnung .......................................................... 60
2.4.1 Verkniipfung dualer Probleme ................................................................................ 61
2.4.1.1 Standardproblem ...................................................................................................... 61
2.4.1.2 Kanonisches Problem ............................................................................................... 63
2.4.2 Duale Simplexmethode ............................................................................................ 65
2.4.2.1 Beispiel: Mischungsproblem ................................................................................... 65
2.4.2.2 Okonomische Beziehungen zwischen Primal- und Dualproblem -
dargestellt an einem Primal-Dual-Problem ........................................................... 68
2.5 Revidierte Simplexmethode .................................................................................... 72
2.6 Postoptimale Rechnungen ....................................................................................... 73
2.6.1 Grundlegung ............................................................................................................. 73
2.6.2 Parametrische Planungsrechnung und Sensitivitatsanalyse ............................... 74
2.6.2.1 Variation der Zielfunktion ....................................................................................... 74
2.6.2.2 Variation der Nebenbedingungen .......................................................................... 81
2.7 Weiterfiihrende Probleme der linearen Planungsrechnung ................................ 87
2.7.1 Ganzzahlige Planungsrechnung ............................................................................. 87
2.7.2 Stochastische lineare Planungsrechnung ............................................................... 88
2.7.3 Verstandnisfragen zu den Abschnitten 2.4 bis 2.7 ................................................ 89
VIII
2.8 Transportproblem ..................................................................................................... 90
2.8.1 Formulierung des Transportproblems ................................................................... 90
2.8.2 Rechenprozess (Losungsverfahren) ........................................................................ 94
2.8.2.1 Bestimmtmg einer zuliissigenAusgangslosung.................................................... 96
2.8.2.2 Problem der Degeneration ..................................................................................... 101
2.8.2.3 Iterationsprozess der Transportrnethode mit MODI .......................................... 102
2.8.2.4 Iterationsprozess der Transportrnethode mit Stepping Stone ............................. 108
2.8.3 Mehrdeutige Losungen .......................................................................................... 110
2.8.4 Offene Transportprobleme ..................................................................................... 110
2.8.4.1 Fall 1: iiberangebot (Angebotsmenge > Bedarfsmenge) .................................... 111
2.8.4.2 Fall 2: N achfrageiiberhang (Bedarfsmenge > Angebotsmenge) ........................ 115
2.8.5 Transportprobleme mit zusiitzlichen Kapazitiitsbeschriinkungen ................... 115
2.8.6 Mehrstufige Transportprobleme - Umladeprobleme ......................................... 121
2.9 Zuordnungsproblem .............................................................................................. 127
2.9.1 Grundlagen des Zuordnungsproblems ............................................................... 127
2.9.2 Ungarische Methode ............................................................................................... 128
2.9.2.1 Beispiel: Schaufensterzuteilung ............................................................................ 128
2.9.2.2 Rechentechnik ......................................................................................................... 129
2.10 Beurteilung und Anwendungsmoglichkeiten der linearen
Planungsrechnung .................................................................................................. 137
2.11 Verstiindnisfragen zu den Abschnitten 2.8 bis 2.10 ............................................ 141
3 Netzplantechnik (NPT) .......................................................................................... 143
3.1 Grundbegriffe der Graphentheorie ...................................................................... 143
3.2 Grundlagen der Netzplantechnik ......................................................................... 145
3.3 Strukturplanung ...................................................................................................... 148
3.3.1 Strukturanalyse ....................................................................................................... 148
3.3.2 Darstellung der Ablaufstruktur ............................................................................ 152
3.3.2.1 Formen der Netzplandarstellung ......................................................................... 152
3.3.2.2 Critical Path Method - CPM .................................................................................. 152
3.3.2.3 Program Evaluation and Review Technique - PERT .......................................... 156
3.3.2.4 Vorgangsknotennetzpliine ..................................................................................... 156
3.3.2.5 Gegeniiberstellung der Netzplantypen ................................................................ 157
3.3.3 Nummerierung der Knoten ................................................................................... 159
3.3.3.1 Willkiirliche Nummerierung ................................................................................. 159
3.3.3.2 Aufsteigende (systematische) Nummerierung ................................................... 159
IX
3.3.3.3 Liickenlos aufsteigende Nummerierung ............................................................. 159
3.4 Zeitplanung ............................................................................................................. 160
3.4.1 Zeitanalyse ............................................................................................................... 161
3.4.2 Zeitplanung mit CPM............................................................................................. 163
3.4.2.1 Ermittlung des kritischen Weges .......................................................................... 163
3.4.2.2 Ermittlung und Interpretation der Pufferzeiten ................................................. 170
3.4.3 Zeitplanung mit VorgangsknotennetzpHinen ..................................................... 173
3.4.3.1 Grundlagen und Begriffsbestirnmungen ............................................................. 173
3.4.3.2 Ermittlung der Vorgangszeitpunkte in einem Vorgangsknotennetzplan mit
EA-Beziehungen...................................................................................................... 183
3.4.3.3 Ermittlung und Interpretation der Pufferzeiten ................................................. 187
3.4.4 Beispiel: Produkteinfiihrung mit einem Netzplan ............................................. 188
3.4.4.1 Aufgabenstellung .................................................................................................... 188
3.4.4.2 Losungsvorschlag ................................................................................................... 190
3.5 Zeit-Kosten-Planung ............................................................................................... 191.
3.5.1 Zeitabhangige Vorgangskosten ............................................................................. 192
3.5.2 Bestimmung der vorgangskostenminimalen Projektrealisierung bei
gegebener Projektdauer ......................................................................................... 196
3.5.3 Bestirnmung der kostenminimalen Projektdauer ............................................... 198
3.6 KapaziUitsplanung .................................................................................................. 200
3.7 Verarbeitung von Netzplanen mit dem Computer............................................. 201
3.8 Beurteilung der Anwendungsmoglichkeiten der NPT ...................................... 203
3.9 Verstandnisfragen zum Kapitel. ............................................................................ 204
Literatur ................................................................................................................................. 206
Stichwortverzeichnis ............................................................................................................ 215
x
Abbt ldungsverzetchnts
Abbildung 2-1: Zulassige Mengenkombinationen fur die Gruppe 1 der

Produktionsfaktoren ............................................................................... 12
Abbildung 2-2: Grafische Losung der linearen Maximierungsaufgabe ...................... 13
Abbildung 2-3: Grafische Losung der Minimierungsaufgabe ...................................... 17
Abbildung 2-4: Primale Simplexschritte .......................................................................... 32
Abbildung 2-5: Grafische Losung des kombinierten Produktions- und
Absatzprogramms ...................................................................................38
Abbildung 2-6: Graphische Losung des Beispiels Glastiiren und Holzfenster ..........46
Abbildung 2-7: Primales Maximierungsproblem und duales
Minimierungsproblem ............................................................................ 61
Abbildung 2-8: Primales Maximierungsproblem und duales
Minimierungsproblem ............................................................................ 62
Abbildung 2-9: Variation des Deckungsbeitrags ohne Auswirkungen auf die
Optimallosung ......................................................................................... 77
Abbildung 3-1: Beispiele fur Graphen ........................................................................... 144
Abbildung 3-2: Anordnungsbeziehung ......................................................................... 152
Abbildung 3-5: Anordnungsbeziehung mit Scheinvorgang ....................................... 154
Abbildung 3-6: Anordnungsbeziehung mit Scheinvorgang ....................................... 154
Abbildung 3-7: Anordnungsbeziehung mit Ubedappung ......................................... 155
Abbildung 3-8: Netzplan des Beispiels aus Tabelle 3-1. .............................................. 155
Abbildung 3-9: Entwurfsbogen mit Vorgangsknotennetz fur Teilprojekt I aus
Tabelle 3-1 ............................................................................................... 158
Abbildung 3-10: Liickenlos aufsteigende Nummerierung der Ereignisse von
Teilprojekt I ............................................................................................ 159
Abbildung 3-11: Angaben im Netzplan bei manueller Bearbeitung ........................... 164
XI
Abbildung 3-12: Bestimmung der friihesten Ereignis-Zeitpunkte ............................... 165
Abbildung 3-13: Bestimmung der Ereigniszeitpunkte fur das Projektbeispiel .......... 167
Abbildung 3-14: Vorgangszeitpunkte im Netzplan ....................................................... 169
Abbildung 3-15: ZuHissige Anordnungsbeziehungen bei einem
Vorgangsknotennetz ............................................................................. 174
Abbildung 3-16: Zeitabstande bei einem Vorgangsknotennetz mit Ende-Anfang-
Beziehung ............................................................................................... 175
Abbildung 3-17: Darstellung eines maximalen Zeitabstandes zwischen
Vorgangen .............................................................................................. 176
Abbildung 3-18: Bedeutung von Potenzialen bei MINEA bzw. MAXEA ................... 176
Abbildung 3-19: Positive/negative Potenziale zwischen Vorgangen bei MPM-
Netzplanen ............................................................................................. 178
Abbildung 3-20: Positive und negative Potenziale bei einem MPM-Netzplan .......... 178
Abbildung 3-21: Zeitliche Abstimmung parallel verlaufender Vorgange (MPM-
Netzplan) ................................................................................................ 179
Abbildung 3-22: Berechnung eines spatestzulassigen Anfang eines beliebigen
Vorgangs ................................................................................................. 179
Abbildung 3-23: Anordnungsbeziehungen im Vorgangsknotennetz Tabelle 3-3) ..... 182
Abbildung 3-24: Knoten mit Ende-Anfang-Beziehung im
Vorgangsknotennetzplan ..................................................................... 183
Abbildung 3-25: Zeitplanung des Projektbeispiels im Vorgangsknotennetzplan ...... 185
Abbildung 3-26: Vorgangsliste Ubungsbeispiel "Produkteinfuhrung" (in MS
Project) .................................................................................................... 189
Abbildung 3-27: Vorgangsknotennetzplan fur das Projekt: Produkteinfuhrung ...... 190
Abbildung 3-28: Vorgangskostenkurve ........................................................................... 192
Abbildung 3-29: Lineare Approximation der Vorgangskostenkurve .......................... 193
Abbildung 3-30: Stiickweise lineare Approximation der Vorgangskostenkurve ....... 194
Abbildung 3-31: Abhangigkeit der Vorgangskosten von der Projektdauer
(Teilprojekt I) .......................................................................................... 197
XII
Tabellenverzeichnis
Tabelle 2-1: Tableau I - Simplex-Ausgangstableau - "Nulllosung" ............................27

Tabelle 2-2: Tableau Ia - Simplex-Ausgangstableau in allgemeiner
Schreibweise .................................................................................................. 27
Tabelle 2-3: Tableau II - Losung nach der 1. Iteration ....................................................30
Tabelle 2-4: Tableau III _ Losung nach der 2. Iteration _ Optimallosung ..................... 31
Tabelle 2-5: Tableau 1- UnzuHissiges Ausgangstableau ................................................39
Tabelle 2-6: Tableau II - Losung nach der 1. Iteration des dualen Simplexschritts ....41
Tabelle 2-7: Tableau III - Losung nach der 2. Iteration des dualen
Simplexschritts ............................................................................................... 41
Tabelle 2-8: Tableau IV - Losung nach der 1. Iteration des primalen
Tabelle 2-9: Tableau V - Losung nach der 2. Iteration des primalen
Simplexschritts ...............................................................................................43
Tabelle 2-10: Tableau VI - Losung nach der 3. Iteration des primalen
Tabelle 2-11: Kapazitaten Glastiiren und Holzfenster .................................................... .45
Tabelle 2-12: Unzulassige Simplex-Ausgangslosung (Nulllosung) .............................. .47
Tabelle 2-13: Losung nach dem ersten dualen Schritt (unzulassige Losung) .............. .48
Tabelle 2-14: Tableau nach zweitem dualen Schritt (zulassige und optimale
Losung) ............................................................................................................ 48
Tabelle 2-15: Daten zum Optimierungsproblem ............................................................. .49
Tabelle 2-16: Tableau I - Simplex-Tableau der Ausgangslosung (Nulllosung) ............. 51
Tabelle 2-17: Tableau II - Losung nach der 1. Iteration .................................................... 52
Tabelle 2-18: Tableau III _ Losung nach der 2. Iteration _Optimallosung ..................... 52
Tabelle 2-19: Tableau I - Simplex-Ausgangstableau zum Gleichungssystem ...............54
Tabelle 2-20: Tableau II - Simplex-Tableau nach der 1. Iteration .................................... 55
Tabelle 2-21: Tableau III - Simplex-Tableau nach der 2. Iteration ................................... 55
Tabelle 2-22: Tableau IV - Simplex-Tableau nach der 3. Iteration (Losung» ................. 55
Tabelle 2-23: Tableau I - Simplex-Ausgangstableau ......................................................... 58
Tabelle 2-24: Tableau II - Losung nach der 1. Iteration - unzulassige Losung .............. 58
Tabelle 2-25: Tableau III - Losung nach der 2. Iteration - unzulassige Losung ............. 58
XIII
Tabelle 2-26: Tableau IV - Losung nach 3. Iteration - zulassige & optimale
Losung ............................................................................................................. 59
Tabelle 2-27: Primal-Dual-Tabelle ....................................................................................... 64
Tabelle 2-28: Tableau I - Simplex-Ausgangstableau (unzulassige Losung) .................. 66
Tabelle 2-29: Tableau I - Zulassige Simplex-Ausgangslosung ("Nulllosung") ............. 67
Tabelle 2-31: Tableau III _ Losung nach der 2. Iteration ................................................... 67
Tabelle 2-32: Tableau IV - Losung nach der 3. Iteration - Optimallosung ..................... 68
Tabelle 2-33: Tableau I - Simplexausgangstableau (Nulllosung) .................................... 70
Tabelle 2-34: Tableau II - Simplextableau nach der 1. Iteration ...................................... 70
Tabelle 2-35: Tableau III - Simplextableau nach der 2. Iteration - Optimallosung ....... 70
Tabelle 2-36: Tableau I - Simplexausgangstableau (Nulllosung) .................................... 71
Tabelle 2-37: Tableau II - Simplextableau nach der 1. Iteration ...................................... 71
Tabelle 2-38: Tableau III - zulassige und zugleich optimale Losung .............................. 72
Tabelle 2-39: Tableau I - Simplex-Ausgangstableau - "Nulllosung" .............................. 75.
Tabelle 2-42: Tableau IV - Losung nach der 3. Iteration ................................................... 78
Tabelle 2-43: Tableau V - Losung nach der 4. Iteration .................................................... 79
Tabelle 2-44: Ergebnisse der parametrischen Programmierung und
Sensitivitatsanalyse ........................................................................................ 79
Tabelle 2-45: Tableau I _ Simplex-Ausgangstableau _ "Nulllosung" .............................. 82
Tabelle 2-48: Tableau IV - Losung nach der 3. Iteration ................................................... 83
Tabelle 2-49: Tableau V - Losung nach der 4. Iteration .................................................... 84
Tabelle 2-50: Tableau VI _ Losung nach der 4. Iteration ................................................... 84
Tabelle 2-51: Ergebnisse der parametrischen Programmierung und
Sensitivitatsanalyse ........................................................................................ 86
Tabelle 2-52: Tableau I - Transportmengenmatrix ............................................................ 92
Tabelle 2-53: Tableau II - Einheits-Transportkosten-Matrix ............................................ 93
Tabelle 2-54: Tableau III - Matrix der Transportmethode ................................................ 93
Tabelle 2-55: Produktionsmengen der 3 Fabriken (in geeigneten
Mengeneinheiten (ME)): ............................................................................... 94
Tabelle 2-56: Bedarf der 4 Lagerhauser in ME/ZA ........................................................... 95
XIV
Tabelle 2-57: Einheits-Transportkosten-Matrix ................................................................. 95
Tabelle 2-58: ZuIassige Ausgangslosung nach Nord-West-Ecken-Verfahren ............... 97
Tabelle 2-59: Zuliissige AusgangslOsung nach Matrixminimumverfahren ................... 98
Tabelle 2-60: Zuliissige Ausgangslosung nach Zeilenfolgeverfahren ............................ 99
Tabelle 2-61: Zuliissige Ausgangslosung nach VAM ...................................................... 100
Tabelle 2-62: Degenerierte Losung ................................................................................... 102
Tabelle 2-63: Bildung der Potenziale Ui und Vj ................................................................ 103
Tabelle 2-64: Transporbnethode mit Potenzialen Ui, Vj und Opportunitiitskosten
OCij ••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••• 104
Tabelle 2-65: Matrix der Transporbnethode nach der ersten Iteration ........................ 106
Tabelle 2-66: Matrix der Transporbnethode nach der zweiten Iteration -
Optimallosung.............................................................................................. 107
Tabelle 2-67: Matrix der Transporbnethode mit Kostendifferenzen dij ....................... 109
Tabelle 2-68: Ausgangslosung des Einkaufsprogramms nach
Matrixminimumverfahren .......................................................................... 112
Tabelle 2-69: Matrix der Transporbnethode nach der ersten Iteration ........................ 113
Tabelle 2-70: Matrix der Transporbnethode nach der zweiten Iteration -
Optimallosung.............................................................................................. 114
Tabelle 2-71: Zuliissige Ausgangslosung nach VAM- zugleich Optimallosung ......... 117
Tabelle 2-72: Ergebnisdarstellung..................................................................................... 118
Tabelle 2-73: Zuliissige AusgangslOsung mit Kapazitiitsbeschrlinkung X21 = 0 ......... 119
Tabelle 2-74: Zuliissige Ausgangslosung mit Kapazititsbeschrlinkung X21 ::;; 400 ..... 120
Tabelle 2-75: Matrix des Transport- und Umladeproblems .......................................... 122
Tabelle 2-76: Tableau der Kosten-, Liefer- und Bedarfsdaten des
Umladeproblems .......................................................................................... 123
Tabelle 2-77: Tableau der ergiinzten Kosten-, Liefer- & Bedarfsdaten des
Umladeproblems .......................................................................................... 124
Tabelle 2-78: Matrix der Optimallosung des Transport- und Umladeproblems ........ 125
Tabelle 2-79: Matrix der Daten des Transportproblems ohne Umlademoglichkeit ... 126
Tabelle 2-80: Matrix der Optimallosung des Transportproblems ohne
Umlademoglichkeit ..................................................................................... 126
Tabelle 2-81: Angebotspreise gij der Verkaufsabteilungen i fUr die
Schaufensteranlagen j ..................................................................................129
Tabelle 2-82: Bewertungsmatrix (Komplementiirmatrix mit den Elementen pij =
300 - gij) ......................................................................................................... 130
Tabelle 2-83: Demonstrationsbeispiel.. ............................................................................. 131
xv
Tabelle 2-84: Reduzierte Kostenmatrix ............................................................................ 131
Tabelle 2-85: Reduzierte Bewertungsmatrix mit Spaltenminima ................................. 132
Tabelle 2-86: Reduzierte Bewertungsmatrix mit Decklinien ......................................... 133
Tabelle 2-87: Reduzierte Bewertungsmatrix nach 3. Umformung mit Decklinien ..... 135
Tabelle 2-88: Reduzierte Bewertungsmatrix nach 4. Umformung ............................... 135
Tabelle 3-1: Vorgangsliste fur das Projekt: Bau einer Fabrikationshalle .................... 151
Tabelle 3-2: Ergebnis der manuellen Zeitplanung des Projektbeispiels .................... 172
Tabelle 3-3: Vorgangsliste mit Zeitabstiinden als Ergebnis der Strukturanalyse...... 181
Tabelle 3-4: Vorgangskosten und Vorgangskostenfunktion des Beispiels
(Teilprojekt I) ................................................................................................ 195
Tabelle 3-5: Gesamtkosten des Teilprojekts I in Abhiingigkeit von der
Projektdauer ................................................................................................. 198
Tabelle 3-6: Vorgangszeiten bei kostenminimaler Projektdurchfiihrung .................. 199
XVI
1 Einleitung
1.1 Einige Bemerkungen zur Entwicklung des

Operations Research
Operations Research - kurz OR - ist eine relativ junge Disziplin, so dass nicht viel zu
seiner Geschichte zu sagen ist. In England und in den USA wurden mathematische
Methoden zur Analyse von kriegsstrategischen Entscheidungen waruend des Zweiten
Weltkriegs eingesetzt. Dabei ging es z.B. urn die Untersuchung des optimalen Einsat-
zes von Flugzeugen und Flakgeschiitzen sowie die optimale Zusammenstellung von
Geleitziigen. Zu dieser Zeit wurde auch der Begriff Operations Research bzw. Opera-
tional Research gepragt. Ais Beginn der Entstehung dieser Disziplin gilt die Zeit ab
1940, obwohl es eine Reihe von Vorlaufern des Operations Research gibt (Muller-
Merbach, H., 1973, S. 10).
Nach dem Zweiten Weltkrieg fanden die mathematischen Planungsmethoden auch

auf privatwirtschaftliche Probleme Anwendung. 1952 wurde in den USA die "Opera-
tions Research Society of America" (ORSA) gegriindet. Diese ging zusammen mit
"The Institute of Management Sciences" (TIMS) im Jahre 1995 im "Institute for Opera-
tions Research and the Management Sciences" (INFORMS) auf. Es folgten 1954 in
England die "Operational Research Society" (ORS), 1956 in Frankreich die "Societe
Francaise de Recherche Operationelle" (SOFRO), in der BRD 1957 der "Arbeitskreis
Operational Research" (AKOR) und 1961 die "Deutsche Gesellschaft fUr Unterneh-
mensforschung" (DGU), die sich 1971 vereinigten als "Deutsche Gesellschaft fUr
Operations Research" (DGOR). Diese fusionierte zum Jahreswechsel 1997/1998 mit
der Gesellschaft fur Mathematik, Okonometrie und Operations Research zur Gesell-
schaft fUr Operations Research (GOR). Ferner gibt es in den meisten Industrielandern
nationale Vereinigungen der an OR interessierten Kreise. 1958 vereinigten sich die
nationalen OR-Gesellschaften in der "International Federation of Operational Re-
search Societies" (IFORS). Die europaischen Mitglieder der IFORS haben sich 1975
zudem zur European Association of Operational Research Societies within IFORS
(EURO) zusammen geschlossen. Von den OR-Gesellschaften und anderen Organisati-
onen wird eine Reihe von Fachzeitschriften herausgegeben (z.B. Mathematical Meth-
ods of Operations Research (ZOR) seit 1972, Ablauf- und Planungsfors<;hung (1959 -
1971), Unternehmensforschung (1956 - 1971), OR-Spectrum (seit 1971), Journal of the
Operational Research Society (JORS) (United Kingdom), Operations Research (USA
Einieitung
1
seit 1952), RAIRO Operations Research (Frankreich); Annals of OR, Management Sci-
ence, Simulation News Europe, Mathematical Programming, Queuing Systems, Euro-
pean Journal of OR.
Fur den Begriff Operations Research sind eine Reihe von deutschen Obersetzungen
vorgeschlagen worden, wie z.B. Ablaufforschung, Entscheidungsforschung, Operati-
onsforschung, Optimalplanung, Untemehmensforschung, Verfahrensforschung. Bis-
her hat jedoch keiner von den deutschen Namen eine hinreichend breite Anerkennung
gefunden, so dass immer mehr die angloamerikanische Bezeichnung Operations Re-
search beibehalten wird.
1.2 8egriff Operations Research

Die Vorstellungen dariiber, was Operations Research ist, gehen noch immer weit aus-
einander. Bei einem Wettbewerb der Operational Research Society uber eine neue
Definition von Operations Research, zu dem rund 60 Vorschlage eingingen (MuIler-
Merbach, H., 1976, S. 140 f.), wurde mehrheitlich die folgende Definition als besonders
charakteristisch ausgewahlt (ubersetzt):
Unter Operations Research versteht man die Anwendung von wissenschaftlichen
Erkenntnissen auf das Problem der Entscheidungsfindung in der Unsicherheits- oder
Risikosituation, mit dem Ziel, den Entscheidungstragem bei der Suche nach optimalen
Losungen eine quantitative Basis zu liefem. Dabei konnen grundsiitzlich Erkenntnisse
aus allen wissenschaftlichen Disziplinen herangezogen werden.
Anhand dieser Definition lassen sich folgende wesentliche Begriffsmerkmale des OR
ableiten:
• Ansatzpunkte fur Operations Research bilden Entscheidungsprobleme, fur die
Losungen gesucht werden. Mit OR sollen Entscheidungen vorbereitet werden
(Entscheidungsvorbereitung). OR steht damit im Dienste aller Entscheidungstra-
ger in Wirtschaft und Verwaltung.
• Es werden optimale Losungen angestrebt. Die Entscheidungsvorbereitung kann in
der Erarbeitung einer optimalen Losung bestehen, wenn eindeutige Ziele (operati-
onal formulierte Ziele) vorliegen und die Entscheidungssituation vollstiindig
quantitativ erfassbar ist. Oblicherweise geht es bei der Entscheidungsvorbereitung
urn die Untersuchung und den Vergleich von altemativen Entscheidungen,
altemativen Strategien oder altemativen Systementwiirfen. Der Begriff
"optimal" ("beste") bedarf in jedem Fall einer genaueren Definition des konkreten
Optimierungszieles, das eine Maximierung oder eine Minimierung beinhalten
kann. Der Begriff Optimum wird in der Literatur oft unprazise gebraucht, wenn
z.B. von "optimalen" Kosten die Rede ist, sind die "minimalen" Kosten gemeint.
2
Typische Vorgehensweise des Operations Research 13
•
Der Begriff "optimal" setzt eine nicht genannte GroBe (Zielfunktion) voraus, die
einen extremen Wert annimmt. Man spricht von einem optimalen Absatz- oder
Produktionsprogramm, wenn z.B. der Deckungsbeitrag maximiert werden soli.
Oder man spricht von einem optimalen Transportprogramm, wenn z.B. die Kosten
minimiert werden solien. In Zusammenhang mit dem Begriff "optimal" wird also
die zu extremierende GroBe nicht genannt, waruend sie in Zusammenhang mit
den Begriffen "maximal" oder "minimal" immer genannt wird.
• Die Entscheidungsvorbereitung solI eine quantitative Basis liefem. Dies setzt vor-
aus, dass die Daten, die in das OR-Modell eingehen, quantifizierbar und hinrei-
chend genau bestimmbar sind. Urn das Problem besser verstehen und transparent
darstellen zu konnen, wird im Allgemeinen versucht, das zu losende Problem als
Ausschnitt der Realitat in einem (haufig mathematischen) Modell abzubilden, d.h.
das Problem modellhaft zu strukturieren.
• Zur Untersuchung des zur Losung anstehenden Problems werden grundsatzlich

Erkenntnisse aus allen wissenschaftlichen Disziplinen herangezogen, soweit sie
zum Verstandnis des Problems und zu seiner Losung beitragen konnen. OR ist in-
soweit interdisziplinar ("Teamwork").
• Der Entscheidungstrager befindet sich bei der Suche nach einer optimalen Losung
in einer Ungewissheits- oder Risikosituation, d.h. er hat nur mangelhafte Kennt-
nisse tiber die kiinftige Entwicklung. OR geht nicht von der Pramisse der vollstan-
digen Information aus.
1.3 Typische Vorgehensweise des Operations

Research
Die typische Vorgehensweise des Operations Research bei der Losung realer Probleme
ergibt sich aus dem Begriff OR und lasst sich nach F. Hanssmann (1974, S. 5 ff.) in neun
Schritten beschreiben:
1. Allgemeine Erorterung des Entscheidungsproblems und Vertrautmachen mit dem
Entscheidungsproblem; dabei ist u.a. der Entscheidungsspielraum der durch ent-
sprechende "Restriktionen" der Variablen gegeben ist abzustecken .
2. Sammlung und Auswahl der Entscheidungskriterien. Die Entscheidungskriterien
ergeben sich aus einer Konkretisierung (Operationalisierung) des angestrebten Zie-
les. Je nach Sachlage konnen Gewinn, Kosten, Marktanteile, Fertigungszeiten etc.
quantifizierbare Entscheidungskriterien sein.
3. Formulierung der moglichen Umweltbedingungen insbesondere der charakteris-
tischen Umweltparameter mit den moglichen Werten, die sie annehmen konnen.
3
Einieitung
1
Eine vQllstandige.Formulierung der moglichen Umweltbedingungen ist aufgrund
der hohen Komplexitat der Realitat haufig kaum moglich. Die notwendige Selekti-
on entscheidender Umweltzusammenhange ist ein schwieriges Problem.
4. Formulierung von Handlungsmoglichkeiten bzw. Entscheidungsaltemativen.
5. Formulierung eines (mathematischen) Modells, d.h. Darstellung der funktionalen
Zusammenhange zwischen Entscheidungsaltemativen und Umweltfaktoren einer-
seits sowie dem Entscheidungsergebnis, gemessen mit Hilfe der Entscheidungskri-
terien, andererseits.
6. Prognose der Werte, die die Umweltparameter annehmen konnen (Prognose der
Entwicldung des Datenrahmens). Da Prognosen nicht mit Sicherheit erfolgen,
sollte eine Veranderung der Annahmen iiber die Prognosewerte im Hinblick auf
ihren Einfluss auf die Entscheidung iiberpriift werden.
7. Untersuchungen am Modell. Darstellung der Auswirkungen der verschiedenen
Handlungsaltemativen auf die Werte der Entscheidungskriterien unter
Beriicksichtigung der Prognosewerte fUr die Umweltparameter. Angesichts der
bestehenden Unsicherheiten, die sich nicht vollig eliminieren lassen, wird
ausdriicklich anerkannt, dass es eine strenge Vorausberechnung von
Entscheidungsergebnissen nicht gibt.
8. Berichterstattung gegeniiber den Entscheidungstragem und Diskussion der Er-
gebnisse als quantitative Basis fUr die Wahl einer der Entscheidungsaltemativen.
Gegebenenfalls sind einige der vorhergehenden Schritte zu wiederholen.
9. Da sich die Untersuchungen am Modell auf quantitative Beziehungen beschran-
ken, miissen die nichtquantifizierbaren relevanten Tatbestiinde (sog. Impondera-
bilien) yom Entscheidungstrager bei der Entscheidung noch angemessen beriick-
sichtigt werden.
Operations Research ist zwar ohne mathematische Modelle und Verfahren nicht denk-
bar, andererseits spielt die Mathematik als Hilfsmitlel des Operations Research nur
eine begrenzte Rolle in dem fUr OR charakteristischen Prozess der Entscheidungsvor-
bereitung. Die mathematischen Entscheidungsmodelle weisen Vorziige auf, die mit
der Klarheit und Prazision der besonderen Sprache der Mathematik als Formalspra-
che zusammenhangen. Die Entscheidungsvorbereitung mit Hilfe des Operations Re-
search unterstellt, dass rationale Entscheidungen angestrebt werden. Die Mathematik,
als Teildisziplin der Logik, ist in dieser Beziehung als Hilfsmittel auch pradestiniert,
da sie die Gesetze der Logik formuliert. Die Formulierung des iikonomischen Prin-
zips verlangt geradezu nach der Anwendung einer Formalsprache wie der Mathema-
tik. Sollen die Untersuchungen am Modell durch Computer unterstiitzt werden, so
sind die genannten Eigenschaften eines Modells: Klarheit, Prazision und Rationalitat
unabdingbar.
4
Madelle als Hilfsmittel des Operations Research 14
•
1.4 Modelle als Hilfsmittel des Operations

Research
Eine detaillierte umfassende Beschreibung der betrieblichen Wirklichkeit und damit
auch des betrieblichen Entscheidungsprozesses mit all ihren Ursachen und Wirkungs-
zusammenhangen ist nicht moglich. Die betriebliche Wirklichkeit ist viel zu komplex,
als dass wir sie in ihrer Fiille in allen Einzelheiten erfassen konnten. Man muss sich
deshalb gewissermaBen eines Kunstgriffs - dem des Modells - bedienen, urn zu einer
niilierungsweisen Vorstellung von der Wirklichkeit zu kommen. Durch Abstraktion
und Vereinfachung wird versucht, das Realproblem moglichst strukturgleich als For-
malproblem in einem Modell abzubilden. Unter Struktur wird dabei die Gesamtheit
der Eigenschaften und Relationen des Ausschnitts aus der Wirklichkeit verstanden.
Das ist nicht gleichbedeutend mit dem Versuch, die volle Realitat in dem Modell "ein-
fangen" zu wollen. Vollig strukturgleich kann die Abbildung der Wirklichkeit nicht
sein. Diese Aufgabe konnte kein Modell erfiillen. Das Ziel einer Modellbildung, niim-
lich die sehr komplexe Wirklichkeit erfassbar und durchschaubar zu machen, miisste
untergehen. Die Realitatsniilie eines Modells - und damit der Prozess der zunehmen-
den Modellverfeinerung - haben also ihre Grenzen. Sie liegen dort, wo das Modell
seine Durchschaubarkeit verliert; das Modell muss also handhabbar bleiben. 1m Mo-
dell miissen mithin die fur den jeweiligen Erkenntniszweck wesentlichen Eigenschaf-
ten und Relationen des Problems wiedergegeben werden. Modelle sind also durch
Abstraktion gewonnene gedankliche Hilfsmittel zur iibersichtlichen Darstellung von
unanschaulichen Objekten und komplexen Vorgangen (Bonhoeffer, K. F., 1948, S. 3 ff.).
Das Modell ist lediglich eine Approximation der Wirklichkeit bzw. eine Komplexi-
tatsreduktion. Fiir die Darstellung der Teilzusammenhange stehen verschiedene For-
men und Mittel der Abbildung zur Verfugung:
• Die anschaulichste Form stellt das physische oder ikonische Modell dar. Beispiele
sind korperliche Nachbildungen - Holz-, Plastik- oder Gipsmodell eines Baukor-
pers oder Stadtteils - , Landkarten, Konstruktionszeichnungen. Innerhalb der Wirt-
schaftswissenschaften haben physische Modelle praktisch keine Bedeutung er-
langt. Das spezifisch "Wirtschaftliche" ist rein geistiger Natur und schon deshalb
nicht physisch abbildbar.
• Die symbolischen (sprachlichen) Modelle sind fur die Wirtschaftswissenschaft
besonders wichtig. Mit Hilfe einer Sprache mit ihrem System symbolischer Zei-
chen und dem zugehorigen System syntaktischer und semantischer Regeln wird
die Struktur des zu untersuchenden Tatbestandes approximiert und in ihrer Prob-
lematik untersucht. Dient als Sprache die iibliche Alltagssprache oder eine daraus
entwickelte Fachsprache, so handelt es sich urn ein verbales Modell. Kiinstliche
Sprachen, wie logistische und mathematische Systeme, werden Kalkiile genannt;
Modelle, in denen sie zur Anwendung gelangen, werden Kalkiilmodelle oder auch
5
Einleitung
1
symbolische Modelle genannt. Die Symbolrnodelle sind also mathematische oder
auch logistische Modelle.
Ein anderer wichtiger Gliederungsgesichtspunkt ist die Funktion, die die mathemati-
schen Modelle erflillen sollen. So kann man in Anlehnung an die Stufenfolge eines
wissenschaftlichen Erkenntnis- und Anwendungsprozesses (schlagwortartig: erkUiren,
beweisen, anwenden, kontrollieren) unterscheiden zwischen:
(1) ErkHirungsmode11en; (2) Falsifizierungsmode11en;
(3) Entscheidungsmode11en; (4) Kontrollmodellen.
Diese vier Mode11typen unterscheiden sich nicht in ihrem strukture11en Aufbau, son-
dem lediglich durch die Verschiedenartigkeit der bei der Formulierung des Mode11an-
satzes verwendeten Daten (Angermann, A., 1963, S. 15 ff.). Das Erklarungsmodell be-
n6tigt keine empirischen, sondem angenommene (hypothetische) Daten.
Prognosemodelle werden in der Regel zur Gruppe der Erkliirnngsmode11e geziihlt
(Domschke, W., Drexl, A., 2005). 1m Falsifizierungsmodell kommen reale (empirische)
Daten zum Zuge. Derartige Modellkonstruktionen werden in der Absicht vorgenom-
men, die in einem Erkliirungsmode11 gemachten Aussagen durch eine quantitative
Auswertung des betrieblichen Geschehens zu erhiirten, GesetzmiiBigkeiten aufzusu-
chen und sie auf die Zukunft zu iibertragen. Dem Falsifizierungsmode11 ist als Instru-
ment der Uberpriifung auch eine revidierende Funktion iibertragen. 1m Operations
Research hat man es ganz iiberwiegend mit mathematisch formulierten Entschei-
dungsmodellen zu tun. Die Daten, die in einem Entscheidungsmodell verarbeitet
werden, sind geplante und prognostizierte GraBen. ErfahrungsgemiiB wird ein Ent-
scheidungsmode11 oft aus einem nicht empirisch erhiirteten Erkliirnngsmode11 abgelei-
tet. Die Uberpriifung erfolgt dann gewissermaEen nachtriiglich durch eine Sol1-lst-
Abweichungsanalyse. Da Planung ohne Kontro11e sinnlos ist, folgt auf die Entschei-
dungsphase (Anwendungsphase) eine Kontrollphase, in der ein Kontrollmodell zur
Anwendung gelangen kann. Die geplanten und prognostizierten Daten des Entschei-
dungsmodells werden mit den erhobenen 1st-Daten des modellhaft erfassten Be-
triebsgeschehens verglichen.
Unter Entscheidungsmodellen (Optimierungsmodellen) versteht E. Grochla (1969, S.
382) "auf die Ableitung von HandlungsmaEnahmen gerichtete Satzsysteme". Charak-
teristisch flir Entscheidungsmodelle ist die Generierung von optimalen Entscheidun-
gen. Komponenten eines Entscheidungsmodells sind
(1) Entscheidungsvariablen; (2) Zielfunktion; (3) Restriktionen.
Entscheidungsvariablen sind solche Gr6lSen, deren Auspriigung beeinflusst werden
kann bzw. deren optimale Auspriigung durch das Entscheidungsmodell bestimmt
werden soli, z.B. Produktions- oder Absatzmengen einzelner Produkte, Transport-
mengen zwischen Anbietem und Nachfragem, Werbebudgets flir verschiedene Wer-
betriiger. Ein kritischer Schritt bei der Formulierung eines Entscheidungsmodells ist
6
Madelle als Hiltsmittel des Operations Research 14
•
die Erstellung der Zielfunktion, die in Abhangigkeit von den Entscheidungsvariablen

zu maximieren oder zu minimieren ist. Dazu muss ein quantitatives MaS fur die
Effektivitat einer MaSnahme beziiglich der einzelnen Zielsetzung bestimmt werden.
Falls fur die Problemstellung mehr als ein Ziel formuliert wurde, miissen die jeweili-
gen EffektivWitskriterien transformiert und zu einem umfassenden EffektivitatsmaS
zusammengefuhrt werden. Bei diesem zusammengesetzten EffektivitatsmaB kann es
sich je nachdem um ein direkt quantifizierbares Ziel (z.B. Deckungsbeitrag), das einem
"iibergeordneten Ziel der Organisation entspricht, oder aber urn ein abstraktes MaB
(z.B. Nutzen) handeln. Die Definition eines abstrakten MaSes ist im Aligemeinen eine
sehr komplizierte Aufgabe, die den sorgfaltigen Vergleich aller Ziele und ihrer relati-
yen Bedeutung voraussetzt" (Hiller, F.S., Lieberman, G.J., 1997, S. 18). (Wegen eines
Anwendungsbeispiels aus dem Bereich der Investitionsplanung vgl. Runzheimer, B.,
1989, S. 175-179). 1st ein adaquates EffektivitatsmaS gefunden, erhalt man die Ziel-
funktion, in dem dieses MaS als mathematische Funktion der Entscheidungsvariablen
ausgedriickt wird. Daneben gibt es Methoden, bei denen explizit mehrfache Zielset-
zung gleichzeitig beriicksichtigt werden kann. Hierzu wird auf die Spezialliteratur
verwiesen (vgl. z.B. Dinkelbach, W., 1982; Hillier, F.S., Lieberman, G.J., 2001, S. 225 ff.;
Homburg, c., 1991, S. 359-381).
Vervollstandigt wird das Entscheidungsmodell durch die Restriktionen (Nebenbe-
dingungen); diesen unterliegen die Entscheidungsvariablen, z.B. durch Kapazitatsre-
striktionen, Budgetbegrenzungen und der Nichtnegativitat von Produktions- oder
Absatzmengen. Fiir den Einsatz von Computern zur Behandlung von Entscheidungs-
modellen kommt bestimmten Anwendungsprogrammen eine groBe Bedeutung zu.
Die wichtigsten Algorithmen, fur die Anwendungsprogramme vorliegen, sind die
Simplexmethode, Methoden zur L6sung linearer Gleichungssysteme und zur Inversi-
on von Matrizen, Methoden zur L6sung des Transport- und Zuordnungsproblems,
Entscheidungsbaurnverfahren und verschiedene Verfahren der Netzplantechnik.
Wegen der M6glichkeiten, Modelle und Algorithmen des Operations Research als
wesentliche Bausteine von "Entscheidungsunterstiitzungssystemen" (interaktive Me-
ta-Heuristiken) zu nutzen, wird auf die Spezialliteratur verwiesen (Lachmann, M.F.,
1995 und die dort angegebene Literatur).
Auf dem Markt vertretene Softwarepakete sind z.B. SIMSCRIPT 11.5; GPSS; IMSL;
LINDO; LINGO; Mathcad; Mathlab, Simulink und MS Project (vgl. Lutz, M., 1998, S.
11). Aber auch Standardsoftware wie Excel bietet mit speziellen Funktionen (z.B.
Solver) die M6glichkeit, begrenzte Entscheidungsmodelle zu 16sen. 1m Internet findet
man einiges iiber OR unter: http://mat.gsia.cmu.edu/index.html
7
Einleitung
1
1.5 Verstandnisfragen zum Kapitel

1. Welches sind die wesentlichen Begriffsmerkmale des OR?
2. In we1che Schritte lasst sich die typische Vorgehensweise des OR bei der Losung
realer Probleme gliedem?
3. Welche Funktion kommt der Mathematik im Rahmen des OR zu?
4. Warum bedient man sich der Modelle als Hilfsmittel des OR?
5. Wie lassen sich die Modelle klassifizieren?
6. Worin unterscheiden sich die Erklarungs-, Falsifizierungs-, Entscheidungs- und
Kontrollmodelle?
7. Was ist ein mathematisches Entscheidungsmodell?
8. Warum lasst sich die volle Realitat eines Entscheidungsproblems niemals in einem
Modell einfangen? Welche Probleme ergeben sich daraus?
8
2 Lineare Planungsrechnung
2.1 EinfUhrung
Die lineare Programmierung bzw. lineare Optimierung oder lineare Planungsrech-
nung (die Begriffe werden synonym verwendet) ist ein Spezialfall der mathemati-
schen Optimierung. Sie beruht auf der Pdimisse, dass sich die Zielsetzung und alle
Nebenbedingungen der Optimierung durch lineare Funktionen erfassen lassen. 1m
Zuge der Entscheidung durch betriebliche Entscheidungstrager fallen auch solche
Planungsprobleme an, die eine lineare Struktur besitzen - oder sich durch unerhebli-
che Veranderungen in eine lineare Struktur iiberfiihren lassen. Trotz der einschran-
kenden Annahme kommt den linearen Entscheidungsmodellen eine zentrale Bedeu-
tung in der Praxis zu; zeigen sie doch eine Reihe der grundlegenden Probleme auf,
denen sich der Entscheidungstrager beim Planungsprozess gegeniibergestellt sieht.
Dariiber hinaus liegt ein groBer Vorteil der linearen Optimierung darin, dass sie exak-
te Losungen ermoglicht.
Die lineare Optimierung ist zusammen mit der Netzplantechnik das bisher bekanntes-
te und wohl auch am meisten angewendete Gebiet des Operations Research. Die linea-
re Programmierung geht im Wesentlichen auf den Amerikaner G. B. Dantzig zuriick
(1951; weitere Pioniere ziihlt Miiller-Mehrbach, H., 1973, S. 89 auf). Er entwickelte in den
Vierzigerjahren den Simplex-Algorithmus (1947), der als Losungsverfahren bei der
Planung der verschiedenen Aufgaben der amerikanischen Luftwaffe verwendet wer-
den sollte. Der Simplex-Algorithmus ist auch heute noch das bei weitem wichtigste
Verfahren zur Losung linearer Optimierungsmodelle. So lagen die ersten Anwendun-
gen der linearen Planungsrechnung auf militarischem Gebiet. Es folgten dann die
ersten Versuche, die lineare Optimierung fur Zwecke der Unternehmensplanung ein-
zusetzen. Man erkannte, dass hier eine ganze Anzahl von Problemen mit Hilfe der
linearen Planungsrechnung gelost werden kann. Ihre praktische Anwendbarkeit er-
reichte die lineare Planungsrechnung erst durch die Entwicklung wirksamer elektro-
nischer Rechenanlagen.
9
2
2.2 Formulierung der Grundaufgabe der

linearen Planungsrechnung
Der mathematische Kern der linearen Optimierung ist einfach zu beschreiben. Es han-
delt sich urn die Aufgabenstellun~ eine lineare Zielfunktion (Funktion von Variablen)
zu maximieren (Maximierungsaufgabe) oder zu rninimieren (Minimierungsaufgabe),
wobei die Variablen einem System linearer Gleichungen bzw. Ungleichungen (linea-
re Nebenbedingungen) genugen mussen. AufSerdem durfen die Variablen nicht nega-
tiv sein (Nichtnegativitatsbedingung). Materiell geht es bei der linearen Optimierung
urn die optimale Aufteilung knapper Guter auf konkurrierende Verwendungszwecke
bzw. urn die optimale Zusammenstellung von Guterkombinationen zur Erfiillung
vorgegebener Zwecke (okonomisches Prinzip). 1m Folgenden werden zwei typische -
gegenuber der Wirklichkeit jedoch stark vereinfachte - Entscheidungssituationen als
Demonstrationsbeispiele behandelt.
2.2.1 Maximierung eines Produktionsprogramms

Ein Unternehmen kann in sein Produktionsprogramm n verschiedene Produktarten
aufnehmen. Jedes Produkt beansprucht zur Herstellung die m knappen Produktions-
faktoren (Betriebsmittel, Materialien etc.). Die KapazitiHen dieser Produktionsfaktoren
bi (i = 1, 2, ..., m) seien in der Planungsperiode konstant. Es handelt sich urn eine kurz-
fristige Planung ("short-run" -Betrachtung), da die in der Planung zu betrachtenden
KapazWiten als konstant ("gegeben"), d.h. als innerhalb der Planungsperiode nicht
beeinflussbar, unterstellt werden. Der Verbrauch an Produktionsfaktoren fUr die Ferti-
gung je einer Mengeneinheit der Produktarten wird als technischer Koeffizient Clij (i =
1, 2, ..., m und j = I, 2, ..., n) bezeichnet. Die aij-Werte geben also die erforderlichen
Mengeneinheiten an Produktionsfaktoren der i-ten Gruppe fUr die Fertigung einer
Mengeneinheit der Produktart j an. Das Unternehmen ist fUr die Planperiode an dem
optimalen Produktionsprogramm interessiert, d.h. an derjenigen Auswahl der Art
und Mengen der zu fertigenden Produkte Xj (j = I, 2, ..., n), die den Periodengewinn
G maximiert. Da die Hohe der fixen Kosten keinen Einfluss auf die Lage des Ge-
winnmaximums hat, ist das Programm mit dem maximalen Periodendeckungsbeitrag
identisch mit dem des maximalen Periodengewinns. Der Deckungsbeitrag gj (j = I, 2,
..., n) pro Mengeneinheit des j-ten Produktes ist die Differenz zwischen dem Stiickerlos
(Marktpreis) pj und den variablen Stiickkosten kj (j = I, 2, ... , n).
Die gestellte Aufgabe lasst sich leicht losen, wenn nur ein Engpass existiert. In diesem
Fall konkurrieren die Produkte urn diese EngpasskapazWit. Die Reihenfolge der For-
derungswiirdigkeit der konkurrierenden Produkte ergibt sich dann aus ihren relati-
yen Deckungsbeitragen (Riebel, P.,1994), d.h. aus den Deckungsbeitragen, die sie je
Mengeneinheit der Engpasskapazitat aufweisen. Konkurrieren die n verschiedenen
10
Formulierung der Grundaufgabe der Unearen Planungsrechnung
Produktarten jedoch gleicbzeitig urn mehrere Engpasskapazitaten, so liisst sich die

Aufgabe nur mit Hille der linearen Planungsrechnung losen.
2.2.1.1 Beispiel mit linearem Programmansatz

Ein Betrieb produziere zwei Produktarten PI und P2, und zwar XI Mengeneinheiten
von PI und X2 Mengeneinheiten von P2. Die Deckungsbeitriige je Mengeneinheit seien
gl = 110 GE (Geldeinheiten) fur Produktart PI und g2 = 160 GE fur Produktart P2. Die
zur Fertigung erforderlichen knappen Produktionsfaktorarten (Kapazitiiten) werden
in drei Gruppen eingeteilt. Die erste Gruppe umfasse aIle in der Planperiode verfugba-
ren Werkstoffe (Roh-, Hilfsstoffe etc.), die Zweite die verfugbaren Maschinenstunden
und die Dritte die verfugbaren Arbeitsstunden. Die Fertigungsingenieure mogen er-
mittelt haben, dass zur Fertigung von einer Mengeneinheit der Produktart PI 35 Men-
geneinheiten der Produktionsfaktorgruppe 1 (an = 35), 10 Mengeneinheiten der Pro-
duktionsfaktorgruppe 2 (a21 = 10) und 15 Mengeneinheiten der Produktionsfaktor-
gruppe 3 (a31 = 15) sowie zur Fertigung von einer Mengeneinheit der Produktart P2 70
Mengeneinheiten der Produktionsfaktorgruppe 1 (a12 = 70), 8 Mengeneinheiten der
Produktionsfaktorgruppe 2 (an = 8) und 20 Mengeneinheiten der Produktionsfaktor-
gruppe 3 (a32 = 20) benotigt werden. Beispielsweise bedeutet a31 = 15, dass 15 Arbeits-
stunden notwendig sind, um eine Mengeneinheit der Produktart PI herzustellen. Die
Produktionsfaktoren stehen dem Betrieb in der Planungsperiode nur in beschriinktem
Umfang zur Verfugung. Wegen fehlender Lagerkapazitiiten mogen nur bl = 9.800
Tonnen Werkstoffe zur Verarbeitung bereitgestellt werden konnen. Die Maschinenka-
pazitiiten seien fest vorgegeben, so dass in der Planungsperiode hochstens b2 = 1.600
Maschinenstunden einsetzbar seien. SchlieJSlich seien die verfugbaren Arbeitsstunden
wegen Vollbeschiiftigung auf b3 = 3.000 in der Planperiode begrenzt. Will der Betrieb
seinen Periodenbruttogewinn G (Periodendeckungsbeitrag) maximieren, dann lautet
der lineare Programmansatz (das mathematische Modell):
(1) Zielfunktion: Maximiere G = 110 XI + 160 X2
Die Entscheidungsvariablen, d.h. die Variablen, die wertmiiBig festgelegt werden
sollen, sind die Mengen XI bzw. X2, die das Untemehmen in der Planperiode von PI
bzw. P2 fertigen sollte. 1st XI oder X2 gleich Null, so handelt es sich auch urn die Aus-
wahl einer Produktart. Die Zielfunktion, die zu maximieren ist, stellt den Zusammen-
hang zwischen Entscheidungskriterium (Gesamtdeckungsbeitrag, kurz: Gewinn) ei-
nerseits und Entscheidungsvariablen andererseits dar.
(2) Nebenbedingungen (Restriktionen):
a) Werkstoffrestriktion: 35xI + 70X2 ~ 9.800
b) Maschinenrestriktion: lOXI + 8X2 ~ 1.600
c) Arbeitskriifterestriktion: 15xI + 20X2 ~ 3.000
11
Nichtnegativitatsbedingungen: Xl ~ 0 und X2 ~ 0
Die Nichtnegativitatsbedingungen sind betriebswirtschaftlich sinnvoll und notwendig,
da es keine negativen Produktionsmengen geben kann.
2.2.1.2 Grafische Losung

Da das vorliegende Problem nur zwei Entscheidungsvariablen aufweist, kann es gra-
fisch gelost werden. In einem rechtwinkligen Koordinatensystem mit der xl-Achse als
Abszisse und der X2-Achse als Ordinate reprasentiert jeder Punkt im ersten Quadran-
ten (nur dieser Quadrant kann wegen der Nichtnegativitatsbedingung von Interesse
sein) ein bestimmtes Produktionsprogramm. Durch Einzeichnen der linearen Kapazi-
tatsrestriktionen (System linearer Nebenbedingungen) kann der Bereich der zuIassi-
gen Losungen (mogliche Produktionsprogramme) abgegrenzt werden. Jede lineare
Nebenbedingung lasst sich als Gerade abbilden. Unter der Voraussetzung, dass die
einzelnen Kapazitaten voll ausgelastet werden, gilt in den Nebenbedingungen das
Gleichheitszeichen. In diesem Fall liegen die zulassigen Losungen auf der Geraden.
Werden die Kapazitaten nicht voll beansprucht, gilt in den Nebenbedingungen das
Kleinerzeichen; eine Flache unterhalb und auf der Restriktionsgeraden bildet dann
den bezuglich der betreffenden Nebenbedingung zuHissigen Losungsbereich. Fur die
Nebenbedingung (2)a) 35xl + 70X2 :::; 9.800 ergibt sich z.B. folgender zulassiger Lo-
sungsbereich (schraffierte Flache einschlieBlich der Restriktionsgeraden in Abbildung
2-1):
Abbildung 2-1: Zuliissige Mengenkombinationen fUr die Gruppe 1 der Produktionsfaktoren
140
100
zullssigcr
LOsungsbereich
~Or-------~----~--------------~--------~~~ X I
100 200 280
12
Formulierung der Grundaufgabe der linearen Planungsrechnung
Dbertragt man aIle Nebenbedingungen in das Koordinatensystem, so ergibt sich fUr

diesen Fall der zulassige Losungsbereich als das Innere eines geschlossenen Vielecks
(vgl. Abbildung 2-2) mit den Eckpunkten OABCD (eines sog. konvexen Polyeders)
einschliefSlich Restriktionsgeraden: Alle Mengenkombinationen von Xl und X2, die
innerhalb oder auf dem Rand dieser Flache liegen, sind zulassige Losungen fUr das
gesuchte Produktionsprogramm. AIle anderen Kombinationen verletzen mindestens
eine der Nebenbedingungen.
Abbildung 2-2: Grafische LOsung der linearen Maximierungsaufgabe
200
165
150
140
G) = 26.400
x2= 120
---_ / G == 23 .600
100 --_ - 35x + 70x = 9.800
lOx + 8x == 1.600
~-----+--------~------~~--~~--~----~~~~x
o XI = 40 100 200 240 280 300 I
Aus diesen zulassigen Produktionsprogrammen ist nun dasjenige zu bestimmen, das

den Gewinn G maximiert. Dazu ist es notwendig, die zulassigen Produktionspro-
gramme zu bewerten. Setzen wir in der Zielfunktion fur G einen festen Wert ein, so
erhalten wir die Gleichung fur eine Gerade, welche wir ebenfalls in das Koordinaten-
system einzeichnen konnen. Auf dieser Geraden liegen dann aIle Produktionspro-
gramme mit dem gleichen Zielfunktionswert (Iso-Gewinngerade). Wahlen wir z.B. als
Zielfunktionswert GI == 17.600 GE und zeichnen die Iso-Gewinngerade (Niveaulinie)
in das Koordinatensystem ein, so zeigt sich, dass diese Gewinngerade den zulassigen
Losungsbereich schneidet. Andern wir den Wert von G, so erhalten wir eine zur ur-
spriinglichen Gewinngeraden parallel verschobene Iso-Gewinngerade. Je grofSer der
fur G eingesetzte GE-Betrag ist, umso weiter liegt die Iso-Gewinngerade vom Ur-
sprung entfernt. Setzt man als Zielfunktionswert G3 = 26.400 GE, so erhalt man eine
13
2
Iso-Gewinngerade, die den zulassigen Losungsbereich mit den Eckpunkten OABCD
weder schneidet noch tangiert; sie liegt auiSerhalb des zulassigen Bereiches, so dass
dieser Gewinn bei den gegebenen Nebenbedingungen nicht realisiert werden kann.
Da im optimalen Losungspunkt der hochstmogliche Gewinn erzielt wird, muss er
auf der Gewinngeraden Gk liegen, die am weitesten von dem Koordinatenursprung
entfernt liegt und die mit dem zulassigen Losungsbereich mindestens einen Punkt
gemeinsam hat. Durch Parallelverschiebung der Iso-Gewinngeraden findet man
leicht den optimalen Losungspunkt B mit Xl = 40 und X2 = 120 auf der Gewinngeraden
G2. Der maximale Deckungsbeitrag betragt G2 = 40 . 110 + 120 . 160 = 23.600 GE.
Da das Gewinnmaximum ein Extremwert ist, konnen nur Punkte auf der Peripherie
des zulassigen Losungsbereiches optimal sein. Auch der Geometrie kann leicht ent-
nommen werden, dass nur Randpunkte des zuHissigen Bereichs als Optimallosung in
Frage kommen. Zu jeder Mengenkombination im Inneren des zulassigen Losungsbe-
reiches Hisst sich immer ein ihr iiberlegener Randpunkt finden. Die Zahl der zunachst
unendlich vielen moglichen Punkte des zulassigen Bereichs verringert sich durch das
sog. Eckentheorem auf eine endliche Zahl von Losungspunkten, narnlich auf die Zahl
der Eckpunkte. Das Eckentheorem besagt: Eine optimale Losung eines linearen
Programms muss auf einem der Eckpunkte des zulassigen Bereichs liegen. Der
Begriff Eckpunkt ist dabei iiber die zwei- bzw. dreidimensionale Anschauung hinaus
als Schnittpunkt von Restriktionsgeraden bzw. -ebenen auch auf den allgemeinen n-
dimensionalen Raum zu iibertragen. Mit Hilfe der Theorie der konvexen Polyeder
lasst sich dieser Zusammenhang beweisen (Hadley, G., 1962, S. 58 ff. und S. 100 ff.).
Man brauchte somit nur alle Eckpunkte auszurechnen und den besten auszuwiihlen,
urn das Optimum zu finden. Nur im sog. Entartungs- oder Degenerationsfall kann
das Optimum entlang einer Restriktionsgeraden verlaufen. Ein so1cher Fall ist gege-
ben, wenn eine Restriktionsgerade auf der Iso-Gewinngeraden liegt. Es sind dann aIle
Punkte optimal, die auf der gemeinsamen Strecke des zulassigen Losungsbereichs
liegen. Man spricht von mehrdeutigen Losungen (Mehrfachlosungen, Losungsman-
nigfaltigkeit). Da die Eckpunkte dieser gemeinsamen Geraden eingeschlossen sind
und zu den optimalen Losungen gehoren, verliert die Behauptung, dass das Optimum
immer auf Eckpunkten liegen muss, nicht seine Giiltigkeit fur den entarteten Fall.
2.2.2 Minimierung: Optimierung eines Werbeprogramms

Bei der Werbemittelauswahl geht es u.a. urn zwei grundsatzliche Fragestellungen:
Einmal kann danach gefragt sein, welche Werbemittelart bei gegebenem Gesamtwer-
beaufwand (Werbeetat) den hochsten Werbeertrag erwarten lasst. Zum Zweiten geht
es urn die Frage, mit welcher Werbemittelart ein bestimmter Werbeertrag mit minima-
len Kosten erzielt werden kann. Wir betrachten die zweite Fragestellung und gehen
dabei von der folgenden relativ einfachen Aufgabenstellung auS.
14
Formulierung der Grundautgabe der linearen Planungsrechnung
2.2.2.1 Beispiel mit linearem Programmansatz

Es handle sich urn eine Werbekampagne fur ein Rasierwasser. Die Anzahl von Anzei-
gen in verschiedenen Zeitschriften sei zu bestimmen. Unserem Ansatz legen wir als
Erfolg der Werbung die sog. Aufmerksamkeitswirkung (Sinneswirkung) zu Grunde
(Behrens, K.C., 1976, S. 106). Urn den Erfolg einer Werbung beurteilen zu k6nnen, ist es
zweckrniillig, eine Zweiteilung des Erfolges in eine 6konornische und eine aulSer6ko-
nornische Komponente vorzunehrnen (z.B. Huth, R., Pflaum, D., 1996, S. 246 ff.). Der
okonomische Erfolg (auch kurz als Werbeerfolg bezeichnet) findet z. B. im
Auftragseingang und in der Umsatzentwicklung seinen Niederschlag. Nur selten
gelingt es jedoch, diesen 6konornischen Erfolg einem bestimmten absatzpolitischen
Instrument oder gar einem Werbernittel direkt zuzurechnen. Es besteht die
Problematik der Zurechenbarkeit bei Vorhandensein eines Wirkungsverbundes
(Runzheimer, B., 1966, S. 102 ff.).
Der zweite Ansatzpunkt fur die Beurteilung der Werbernittel bietet der aulSerokono-
mische Erfolg, auch kurz Werbewirkung genannt. Dabei wurde bislang zwei Faktoren
besondere Bedeutung zugemessen: der Aufmerksamkeitswirkung und dem Ge-
dachtniswert der Werbung. Die Aufrnerksamkeitswirkung Uisst sich durch Beobach-
tung und Experiment (Blickregistrierung bei Schaufenstem, Plakaten und lnseraten)
oder durch Befragung der umworbenen Personen (telefonische Sofortbefragung bei
Werbefemsehen) registrieren. Durch den Wiedererkennungstest (recognition-test) und
den Erinnerungstest (recall-test) lasst sich schlie15lich der Gedachtniswert der Werbung
registrieren. Es wird in unserem Beispiel unterstellt, dass bereits definitive Entschei-
dungen liber Gestaltung, Gr615e und Platzierung der Anzeigen gefallt wurden, so dass
die Anzeigen in dieser Beziehung als qualitativ gleichwertig anzusehen sind. Zur
Auswahl der Werbemittel kommen mithin allein quantitative Kriterien zum Zuge,
narnlich die Kosten pro Anzeige und streutechnische Gesichtspunkte, d.h. die
Reichweite der Zeitschriften. Die Zeitschriften, in denen Anzeigen erfolgen sollen (die
Werbetrager), seien bereits bestimmt. Es handle sich dabei urn Zeitschriften, die keine
extemen Dberschneidungen aufweisen. Der Einfachheit halber sollen nur zwei Zeit-
schriften 1 und 2 zur Diskussion stehen. Die Kosten fur eine ganzseitige Anzeige (1/1
Seite vierfarbig) betragen in Zeitschrift 1 GE 70.000 und in Zeitschrift 2 GE 40.000 je
Anzeige und Auflage. Die Anzahl der in Zeitschrift 1 und 2 aufzugebenden ganzseiti-
gen Anzeigen Xl und X2 ist unter folgenden Bedingungen zu bestimmen:
1. die Gesamtkosten K sind zu minirnieren;
2. in der Zeitschrift 1 sollen mindestens vier Anzeigen und
3. in Zeitschrift 2 mindestens sechs Anzeigen erscheinen;
4. auf Grund von Mediaanalysen sei festgestellt, dass Zeitschrift 1 von 3 Mio. und
Zeitschrift 2 von 2 Mio. m1innlichen Lesem regelrniillig gelesen und dje jeweiligen
ganzseitigen Anzeigen wahrgenommen werden (Aufrnerksarnkeitswirkung). Es
wird dabei unterstellt, dass eine in den Zeitschriften mehrfach platzierte Anzeige
15
2
auch entsprechend mehrfach wahrgenommen wird (linearer Zusammenhang zwi-
schen kumulativer Reichweite und mehrfacher Belegung im Zeitablauf). Gefordert
wird, dass die Anzeigen von den mannlichen Lesem der beiden Zeitschriften ins-
gesamt mindestens 36 Mio. mal wahrgenommen werden.
5. Von den durch Mediaanalysen ermittelten 2,4 Mio. mannIichen Lesem der Zeit-
schrift I, die monatlich mindestens GE 4.000 verdienen bzw. von den 1,0 Mio.
mannlichen Lesem der Zeitschrift 2, die ebenfalls mindestens GE 4.000 pro Monat
verdienen, sollen die Anzeigen insgesamt mindestens 24 Mio. mal wahrgenommen
werden.
Der lineare Programmansatz lautet:
(1) Zielfunktion:
Minimiere K = 70.000 . Xl + 40.000 . X2
(2) Nebenbedingungen:
a) Mindestanzahl der Anzeigen in Zeitschrift 1: Xl ~ 4
b) Mindestanzahl der Anzeigen in Zeitschrift 2: X2 ~ 6
c) Zielpersonengruppe mannliche Leser:
3.000.000 . Xl + 2.000.000 . X2 ~ 36.000.000
d) Zielpersonengruppe mannIiche Leser mit Monatseinkommen von
mindestens GE 4.000:
2.400.000 . Xl + 1.000.000 . X2 ~ 24.000.000
e) Ganzzahligkeitsbedingung: da nur ganzseitige Anzeigen geschaltet
werden sollen, miissen die Entscheidungsvariablen Xj G= I, 2) ganz-
zahlig sein.
Die normalerweise notwendigen Nichtnegativitatsbedingungen entfallen hier, da die
Nebenbedingungen unter (2)a) und (2)b) diese umschlieBen, die Nichtnegativitatsbe-
dingungen sind redundant.
2.2.2.2 Grafische Losung

Bei der grafischen Behandlung des Problems geht man im Prinzip genauso vor wie bei
der Maximierung. Da nur die Zielfunktion zu minimieren ist, iindert sich die Optimie-
rungsrichtung: Gesucht ist der Punkt des zulassigen Losungsbereichs, der auf der am
nachsten beim Koordinatenursprung verlaufenden Iso-Kostengeraden - also auf der
ISO-Kostengeraden mit dem niedrigsten Niveau -liegt (vgl. Abbildung 2-3).
16
Abbildung 2-3: Grafische Losung der Minimierungsaufgabe
1 28 \
x, 26 ' - \'
=4
24 '- \
\
\
22 \
\
,,
20 ,,
,
18 'f ,,
,
16
o ,
,,
,,
Die ganzzahligen Gitterpunkte stellen
14 o ~..
,, den zulii igcn Lo ung bereich dar
,,
12 ,,
,,
,
10
o 0'
\
\
/ ',
,0,
\
o \
8
,
6 3.0x + 2.0x = 36.0
4
\
\ \ 2.4x + 1.0x = 24.0
\
\
2 \
\
\
\
o 2 4 6 8 10 12 14 16 18 20 22 24
---:-:---t~~
XI
In dem 1. Quadranten des rechtwinkligen Koordinatensystems mit der xI-Achse als

Abszisse und der X2-Achse als Ordinate stellt zunachst die Flache rechts oberhalb der
Restriktionsgeraden mit den Eckpunkten ABC den zulassigen Losungsbereich dar.
Wegen der Ganzzahligkeitsbedingung sind jedoch nicht alle Mengenkombinationen
von Xl und X2 zulassig, sondem nur die mit ganzzahligen Xl- und X2-Werten (ganzzah-
lige Gitterpunkte). Man beachte, dass die Eckpunkte A und B nicht zu den ganzzahli-
gen Gitterpunkten gehoren.
Setzen wir fur den Zielfunktionswert K eine feste GroBe ein, so erhalten wir die Glei-
chung fur eine Iso-Kostengerade, welche wir ebenfalls in das Koordinatensystem
einzeichnen konnen. Wahlen wir z.B. als Zielfunktionswert Kl = 560.000 GE und
17
zeichnen die Iso-Kostengerade in das Koordinatensystem ein, so zeigt sieh, dass diese
Kostengerade den zulassigen Losungsbereieh weder tangiert noeh schneidet; sie liegt
also aufSerhalb des zulassigen Bereiehs, so dass die vorgesehene Werbekampagne nicht
mit Kosten von Kl = 560.000 GE realisiert werden kann. Verschiebt man die Iso-
Kostenkurve parallel, so tangiert sie erstmals im Punkt C einen zulassigen ganzzahli-
gen Losungspunkt. Da dies zugleieh die Kostengerade mit dem niedrigsten Niveau ist,
stellt der Punkt C die optimale Losung dar, mit Xl = 8, X2 = 6 und K2 = 8 . 70.000 + 6 .
40.000 = 800.000. Die minimalen Gesamtkosten fUr die Werbekampagne betragen
mithln GE 800.000. Dabei sind aIle Nebenbedingungen erflillt. Es werden 8 Anzeigen
in Zeitschrift 1 und 6 Anzeigen in Zeitschrift 2 platziert. Erreieht werden dann 8 . 3
Mio. + 6 . 2 Mio. = 36 Mio. Kontakte bei miinnliehen Lesem, unter denen sieh 8 . 2,4
Mio. + 6 . 1,0 Mio. = 25,2 Mio. mit einem Monatseinkommen von mindestens GE 4.000
befinden.
2.2.3 Standardansatz der linearen Planungsrechnung

Nach den Demonstrationsbeispielen solI nun die allgemeine Form eines !inearen
Programms angegeben werden. In mathematischer Symbolik lassen sich die linearen
Optimierungsaufgaben wie folgt darsteIlen:
(1) In einer linearen Zielfunktion Z = C1Xl + C2X2 + ... + qXj + ... + cnXn
sind reelle Zahlen Xj G= I, 2, ..., n) gesueht, flir die Z maximal bzw. minimal
wird, und zwar
(2) unter den Nebenbedingungen:
Xj ~ 0 flir j = I, 2, ..., n (Niehtnegativitatsbedingung)
18
Gekiirzte mathematische Schreibweise mit Summenzeichen:

(1) Maximiere bzw. minimiere
n
Z= L CjXj
j=l
(2) unter den Nebenbedingungen

n >
.L aijXj ~ bi flir i = 1, 2, ..., m
J=l -
Xj 2: 0 (j = 1, 2, ..., n)
Linearer Programmansatz in Matrizenschreibweise:
(1) Maximiere oder minimiere Z = c' x
(2) unter den Nebenbedingungen
>
A ·x - b
~
x2:0
Wobei c' ein Zeilenvektor mit n Elementen, x ein Spaltenvektor mit n Elementen, A
eine m . n-Matrix, b ein Spaltenvektor mit m Elementen und 0 ein Spaltenvektor mit n
Nullelementen ist. Dabei repriisentieren die Symbole:
• Xj die j = 1, 2, ..., n Entscheidungsvariablen, d.h. die Unbekannten, deren Werte
optimal gewiihlt werden solien;
Cj die j = 1, 2, ..., n Zielfunktionskoeffizienten, die den Beitrag der zugeh6rigen
Entscheidungsvariablen zum Entscheidungskriterium Z angeben;
• aij die Koeffizienten der Nebenbedingungen als Gewichtungsfaktoren der Ent-
scheidungsvariablen Xj (j = 1, 2, ..., n) beziiglich der i-ten Nebenbedingung (i = 1, 2,
..., m);
• bi die i = 1, 2, ..., m rechten Seiten der Nebenbedingungs(un)gleichungen geben

den Betrag an, der von der Summe der mit ihren Koeffizienten aij gewichteten Ent-
scheidungsvariablen Xj nicht iiberschritten (~) bzw. nicht unterschritten (2:) werden
darf oder aber auch genau erreicht werden muss (=). Bei Maximierungsproblemen
steht die "kleiner-gleich"-Bedingung (~) und bei Minimierungsaufgaben umge-
kehrt die "gr6Ber-gleich"-Bedingung (2:) im Allgemeinen im Vordergrund; flir jede
Nebenbedingung ist genau eines der angegebenen Relationszeichen zu verwenden.
19
2.3 Simplexmethode
Das grafische Verfahren zm Losung linearer Programmierungsaufgaben ist nm sehr
begrenzt anwendbar. Praktisch relevante Probleme lassen sich grafisch nicht losen.
Von den verschiedenen numerischen Losungsverfahren, die entwickelt worden sind,
ist die von DANTZIG entwickelte Simplexmethode die wohl bekannteste und am
meisten verbreitete Methode. Der Simplex-Algorithrnus "ist nach wie vor das leis-
tungsfiiliigste Verfahren zur Losung linearer Optimierungsprobleme der Praxis. Die so
genannte Ellipsoid-Methode von Khachijan (1979) und die projektive Methode von
Karmarkar (1984) sind zwar hinsichtlich des Rechenzeitbedarfs im ungiinstigsten Fall,
nicht aber im durchschnittlichen Laufzeitverhalten dem Simplex-Algorithmus tiberle-
gen" (Domschke, W:, Drexl, A., 1998, S. 19 ff.). Beide Verfahren werden von Beisel, E.-P.,
Mendel, M., 1987, S. 146 ff. sowie Bazaraa, M.S. u. a., 1990 ausfiihrlich dargestellt. Die
Simplexmethode ist ein allgemeines Losungsverfahren fUr lineare Programmie-
rungsaufgaben mit beliebig vielen Variablen. Die Simplexmethode wird auf heuti-
gen Computem routinemiillig zur Losung auch sehr umfangreicher Probleme ver-
wendet, hierfUr existieren durchweg ausgereifte Softwarepakete. Abgesehen von
einfacheren Problemstellungen wird diese Methode durchweg tiber Computer bewru-
tigt. Trotzdem ist es wichtig zu erfahren, wie die Simplexmethode funktioniert; dies
ist schon unabdingbar zum notigen Verstandnis zur Durchfiihrung postoptimaler
Analysen (einschlieBlich SensitivWitsanalysen).
Das grafische Losungsverfahren zeigt auf sehr einfache Art die Funktionsweise der
Simplexmethode. Beide Verfahren basieren auf der wichtigen Erkenntnis: optima Ie
Losungen eines linearen Programms konnen nur Eckpunkte oder der Rand des zuliissigen
Losungsbereichs sein. Der Name "Simplex" leitet sich von der Form des Bereiches der
zulassigen Losungen abo Man bezeichnet im n-dimensionalen Raum ein aus n + 1 Eck-
punkten bestehendes konvexes Polyeder als einen n-dimensionalen Simplex (zweidi-
mensionaler Simplex: Dreieck, dreidimensionaler Simplex: Tetraeder). Die Simplexme-
thode macht sich also das Eckentheorem zu Nutze. Das Rechenverfahren beschrankt
sich deshalb bei der Suche nach dem Optimum auf die Eckpunkte des Restriktionspo-
lyeders - das sind algebraisch die sog. BasislOsungen des Gleichungssystems.
Ein lineares Programm lasst sich mit Hilfe der Simplexmethode losen, wenn es in
Normalform dargestellt ist. Dazu ist Folgendes erforderlich:
6. bi ~ 0, d. h. alle rechten Seiten der Nebenbedingungsgleichungen dtirfen nicht
negativ sein;
7. bei Maximierungsproblemen mtissen die Nebenbedingungen von der folgenden
Art sein:
n
I 3ijXj ::;bi (i = 1, 2, ..., m)
j=l
20
Simplexmethode 2.3
8. bei Minimierungsproblemen mussen die Nebenbedingungen von der folgenden

Art sein:
n
L: aijXj ~ bi (i = 1, 2, ... , m)
j=l
Jedes lineare Optimierungsproblem Hisst sich in die Norrnalforrn bringen.
2.3.1 Simplex-Algorithmus
Das Prinzip der Sirnplexmethode beruht auf dem bereits erwahnten Eekentheorem,
danach muss das Optimum auf mindestens einem Eckpunkt des zuHissigen Lasungs-
bereichs liegen. Man braucht nicht alle Ecken zu kennen, um das Optimum bestimmen
zu kannen. Es genugt zunachst ein einziger Eckpunkt des zulassigen Lasungsbereichs,
urn dann sehrittweise von Eekpunkt zu Eekpunkt zu springen, bis man einen opti-
malen Eekpunkt erreicht hat (Iterationsverfahren). Dabei springt man nur auf be-
nachbarte Eckpunkte.
2.3.1.1 UberfUhrung von Ungleichungs- in Gleichungssysteme

Der erste Schritt bei der Anwendung der Simplexmethode konzentriert sich auf das
System der linearen Nebenbedingungen (Restriktionen). Da die numerische (algebrai-
sche) Behandlung von Ungleiehungen als Restriktionen umstandlich ist, werden zu-
nachst die Ungleichungen in Gleichungen uberfiihrt. Jede Ungleichung wird durch
die Einfiihrung einer Hilfsvariablen (auch Sehlupf-, Zusatz-, Pseudovariable ge-
nannt) Xn+i (i = 1, 2, ..., m) in eine Gleiehung uberfiihrt. Dadurch entsteht ein inhomo-
genes lineares Gleiehungssystem fur die m Nebenbedingungen mit n + m Variablen,
namlich n eigentliche Variablen (Hauptvariablen, Strukturvariablen) und m Schlupf-
variablen. Das lineare Gleichungssystem ist unterbestimmt.
Bei "kleiner-gleich"-Restriktionen (~) stellen die Schlupfvariablen akonomisch z.B.
Leerkapazitaten (von den eigentlichen Variablen nieht verbrauehte Kapazitaten) der
entsprechenden Nebenbedingung dar. Gilt fur den Schlupf der i-ten Gleichung Xn+i = 0,
so ist die i-te Kapazitat voll ausgelastet; bei dem gefundenen Programm existiert dann
hier keine Leerkapazitat.
Die Schlupfvariablen haben in der Zielfunktion die Koeffizienten Null, da leer stehen-
de Kapazitaten keinen Zielbeitrag (z.B. keinen Deckungsbeitrag) leisten. Fur das oben
grafisch gelaste Beispiel einer Maximierungsaufgabe - Optimierung eines Produkti-
onsprogramms - ist folgendes lineares Programrn zu lasen:
21
2
Maximiere G = 1l0xI + 160X2
unter den Nebenbedingungen (Restriktionen)
35xI + 70X2 ~9.800
10xI + 8X2 ~ 1.600

15xI + 20X2 ~3.000
XI;:: 0, X2;:: 0
Durch Einfiihrung von drei Schlupfvariablen X3, X4 und X5 wandeln sich die ersten
drei Ungleichungen des Programmansatzes in Gleichungen urn:
Strukturvariablen: Schlupfvariablen:
35xI +70X2 +X3 =9.800
lOxI + 8X2 = 1.600
15xI + 20X2 +X5 =3.000
Die Nichtnegativitatsbedingung ist auf aile Variablen - also auch auf die Schlupfvari-
ablen - auszudehnen, da andernfalls die "kleiner-gleich-" Bedingung bei den Restrik-
tionen nicht eingehalten werden wiirde.
Xj ;:: 0 G= 1, 2, ..., 5).
Statt der bisherigen Interpretation der Restriktionen, dass die Inanspruchnahme
(Verbrauch) der Produktionsfaktoren nicht gr615er sein darf als deren verfugbare Ka-
pazitat, lassen sich die Gleichungen nunmehr wie folgt erklaren: Die Summe aus Leer-
kapazitat (ungenutzte Kapazitat) plus genutzte Kapazitat ist gleich der Gesamtkapazi-
tat eines Faktors. Materiell hat sich durch die Einfiihrung der Schlupfvariablen nichts
geandert. Fiir X3 ;:: 0, X4 ;:: 0 und X5 ;:: 0 erfiillen aIle Variablen XI ;:: 0 und X2 ;:: 0, die das
obige Ungleichungssystem erfiillen, auch die Bedingungen des Gleichungssystems.
Umgekehrt widersprechen die Variablen XI ;:: 0 und X2 ;:: 0, die fur X3 ;:: 0, X4 ;:: 0 und X5 ;::
o dem Gleichungssystem geniigen, nicht dem obigen Ungleichungssystem. "Die
nichtnegativen Schlupfvariablen beeinflussen also niemals die L6sung eines linearen
Programms" (Munstermann, H., 1969, S. 188).
Das Gleichungssystem der Nebenbedingungen besteht jetzt aus drei Gleichungen und
fiinf Entscheidungsvariablen. Das Gleichungssystem ist also unterbestimmt (zwei
Freiheitsgrade, d .h . die Werte von zwei Variablen sind frei wiihlbar). Die Anzahl der
Unbekannten (Entscheidungsvariablen) ist gr615er als die Zahl der linear unabhangi-
gen Gleichungen. Es gibt bei unterbestimmten Gleichungssystemen unendlich viele
verschiedene L6sungen, sofem iiberhaupt zulassige L6sungen existieren. Das konnte
bereits an der grafischen Darstellung (vgl. zulassiger L6sungsbereich in Abbildung 2-
2) gezeigt werden. Auf Grund des Eckentheorems - auch Simplex-Theorem genannt
(Hadley, G., 1962, S. 100 ff.) - sind nur Eckpunktlosungen von Interesse, da nur min-
22
Simplexmethode 2.3
destens eine von ihnen die Zielfunktion maximiert (Hauptsatz der linearen Optimie-
rung). Diese Eckpunktlosungen werden zulassige Basislosungen genannt und weisen
eine Besonderheit auf: Eckpunkte stellen irnmer Schnittpunkte mindestens zweier
Restriktionen dar. In einem solchen Fall werden die beiden Restriktionen genau erfiillt,
d.h. es bestehen bei "kleiner-gleich"-Restriktionen (~) keine Leerkapazitaten und bei
"groBer-gleich"-Restriktionen (~) wird die Mindestkapazitat nicht iiberschritten. Die
Schlupfvariablen der beiden Restriktionsgleichungen sind gleich Null. Hat man ein
System von m Gleichungen, so sind von den (m + n) Variablen, d.h. von den n Haupt-
variablen (Strukturvariablen) und m Schlupfvariablen, die Werte von genau m Vari-
ablen bestirnmbar (gleichviel Unbekannte wie Gleichungen). Die iibrigen n Variablen
nehmen den Wert Null an. Diese n Variablen heiBen Nichtbasisvariablen im Gegen-
satz zu den m Variablen, die in der Losung sind und Basisvariablen oder Losungsva-
riablen genannt werden. Die Werte der m Basisvariablen lassen sich dann aus dem
Gleichungssystem auf verschiedene Weise ermitteln.
Da jedes Gleichungssystem nur endlich viele Basislosungen - also Eckpunkte - besitzt,
kann entsprechend dem Simplex-Theorem in endlich vielen Rechenschritten (lterati-
onen) aus den zulassigen Basislosungen - die also alle Nebenbedingungen erfiillen -
die optirnale bestirnmt werden. Die BasislOsung, bei der die Zielfunktion ihren Ex-
tremwert (Maximum oder Minimum) erreicht, ist dann die gesuchte optimale Losung
des linearen Prograrnms.
Der Simplex-Algorithmus ist ein iteratives Rechenverfahren. Dabei geht man von
einer ersten zulassigen Basislosung aus. Man tauscht dann jeweils eine Basisvariable
gegen eine Nichtbasisvariable aus - springt also zu einem benachbarten Eckpunkt des
zulassigen Losungsraumes -, solange dies noch zu einer Verbesserung des jeweils
ermittelten Zielfunktionswertes fiihrt. Die Sirnplexmethode zeigt dabei einen Weg, das
Optimum zu finden, ohne dass zwangslaufig alle Eckpunkte des Losungsraumes
durchgepriift werden miissen. Eine erste zulassige Basislosung als Ausgangspunkt des
Simplex kann das sogenannte "Nullprogramm" sein.
2.3.1.2 "Nullprogramm" als erste zulassige Basislosung (Maximie-

rungsproblem)
1m vorliegenden Beispiel der Optimierung eines Produktionsprogramms mit den
Nebenbedingungen
n
L aJjXj ~bi (i = 1, 2, ..., m)
j=l
Xj ~ 0 G= 1, 2, ..., n)
ist die Nulllosung ("Nullprograrnrn") eine zulassige Losung mit den Hauptvariablen
Xj = 0 G= 1, 2, ..., n). Dabei werden die bi-Werte als nichtnegativ vorausgesetzt (hi ~ 0
fur i = 1, 2, ..., m). Diese Nulllosung liegt (grafisch betrachtet) im Koordinatenur-
23
sprung. Bei der Nulllosung behandelt man also die Strukturvariablen (Hauptvariab-
len) als Nichtbasisvariablen und setzt sie gleich Null. Das ist vorteilhaft, weil die ent-
sprechenden Werte der Schlupfvariablen, die mithin die Basisvariablen sind, aus dem
Gleichungssystem ablesbar sind und somit die erste zuHissige Basislosung sofort
bestimmt werden kann. 1m Beispiel haben am Koordinatenursprung (Xl = 0 und Xl = 0)
die iibrigen Variablen die Werte X3 = 9.800, X4 = 1.600 und X5 = 3.000 mit G = 110 · 0 + 160
. 0 + 0 . 9.800 + 0 . 1.600 + 0 . 3.000 = O. Da in diesem "Nullprogramm" nichts gefertigt
wird, ist der Deckungsbeitrag (kurz Gewinn) Null und die vorhandenen Kapazitaten
stellen siimtlich Leerkapazitaten dar. Diese zulassige Basislosung stellt sicherlich nicht
die optimale Losung des linearen Programms dar. Man versucht nun, diese Losung zu
verbessem.
2.3.1.3 Simplexkriterium
Der Ubergang von einer zulassigen Basislosung (Eckpunkt des Losungsbereichs) zu
einer anderen geschieht dadurch, dass eine Losungsvariable (Basisvariable) in der
aktuellen Losung durch eine Variable, die nicht in dieser Losung enthalten ist (Nicht-
basisvariable), ersetzt wird (Variablentausch). Hierbei ist allerdings sicherzustellen,
dass die neue Basislosung nicht nur zulassig, sondem auch "besser" ist als die alte;
dies bedeutet:
1. Es ist zu iiberpriifen, ob die erreichte Losung die gesuchte Optimallosung bereits
darstellt;
2. falls die gesuchte Optimallosung noch nicht erreicht ist, miissen
die aufzunehmende und die aus der Basislosung zu eliminierende Variable mit der
MaBgabe bestimmt werden, dass
- eine verbesserte Losung erreicht wird,
- die neue (verbesserte) Losung im zulassigen Losungsraum liegt;
• die Werte der Basisvariablen der neuen Losung ermittelt werden.
Ob bereits die Optimallosung vorliegt oder ob eine Losung verbessert werden kann,
wird anhand des Simplexkriteriums iiberpriift. Man vergleicht fUr alle Nichtbasisva-
riablen die Vor- und Nachteile ihrer Aufnahme in die BasislOsung. Dazu werden (Zj
- gj)-Differenzen gebildet. Zj zeigt die Zu- oder Abnahme des Zielfunktionswertes (z.B.
des Gewinns) durch Veriinderungen an den Basisvariablen mit dem Index j. Die Varia-
tion des Zielfunktionswertes durch Veriinderungen an den Basisvariablen wird also zu
dem Symbol Zj zusammengezogen:
m
bzw. Zj= L giaij
i=l
24
Simplexmethode
2.3
Dabei smd aij die Koeffizienten der Variablen in den Nebenbedingungen und gi die
Zielfunktionskoeffizienten der Basisvariablen, wahrend ~ die Zielfunktionskoeffizien-
ten der Variablen in der Zielfunktion sind. Der Austausch der Variablen fiihrt dann zu
einer VergroBerung des Zielfunktionswertes (z.B. zu einer GewinnvergroBerung),
wenn fur die Differenz gilt:
m
bzw. L giruj - ~ <0
i~l
Die Differenz (Zj - ~) zeigt fur eine Basislosung, ob die Aufnahme der
Nichtbasisvariablen Xj in die Basis zu einer Verbesserung der Losung fiihren kann. Die
Differenzen (Zj-gj) hellien auch Opportunitatskosten, Schattenpreise oder Vor- und
Nachteilewerte.
Bei Anwendung der Simplexmethode wird nach jeder gefundenen zulassigen Basislo-
sung (Ausgangslosung und nach jeder Iteration) gepriift, ob noch eine oder mehrere
negative Differenzen (fur die Nichtbasisvariablen) existieren. Nur die Aufnahme von
solchen Nichtbasisvariablen in die Basislosung kann sinnvoll sein, die zu einer Verbes-
serung der Losung fiihren. Das Ende der Vornahme von Austauschschritten zeigt das
Simplexkriterium an: Sind aile Opportunitatskosten nichtnegativ, also aIle (Zj - gj) ~
0, so ist die Optimallosung gefunden.
2.3.1.4 Simplextableau
Urn mit moglichst wenig Rechenaufwand die Durchfiihrung der Iterationsschritte zu
ermoglichen, hat sich eine bestimmte rationelle Vorgehensweise fur die Simplexme-
thode herausgebildet. Sie ist mit geringen Modifikationen in der Literatur stark ver-
breitet. Man kann mit dieser Rechentechnik der Simplexmethode (Simplex-
Algorithmus) lineare Programmierungsaufgaben mit beliebig vielen Variablen losen.
Das iterative Rechenverfahren, das von einer ersten zulassigen Basislosung (z.B.
"Nullprogramm") ausgeht und dann solange jeweils eine Basisvariable gegen eine
Nichtbasisvariable austauscht, bis keine Verbesserung des Zielfunktionswertes
mehr moglich ist, erfolgt in einem festen Schema, dem so genannten Simplextableau.
Dabei wird der Austausch der Variablen so vorgenommen, dass man immer zulassige
Basislosungen erhalt und mit jeder Iteration eine Verbesserung des Zielfunktionswer-
tes erreicht wird. Die notwendigen Umformungen werden in Matrizenform, d.h. in
Simplextableaus dargestellt. Dabei kommt als Losungsmethode der modifizierte
GauBsche Algorithmus zur Anwendung (Miinstermann, H., 1969, S. 97 und S. 186): das
lineare Gleichungssystem wird mit Hilfe sog. elementarer Zeilenoperationen umge-
formt. Der Name "modifizierter GauBscher Algorithmus" weist auf den Unterschied
dieser Losungsmethode gegeniiber dem GauBschen Algorithmus hin, der die Trans-
formation der Koeffizientenmatrix nur in eine Dreiecksmatrix zum Ziel hat. Der modi-
fizierte GauBsche Algorithmus formt eine Koeffizientenmatrix in eine Diagonalmatrix
urn.
25
2
Wir wollen nun zur Verdeutlichung der Rechentechnik des modifizierten GauBschen
Algorithmus (mit Simplextableaus) unsere oben beschriebene Maximierungsaufgabe -
Optimierung eines Produktionsprogramms - rechnerisch losen. Die Zielfunktion
lautet:
Maximiere G = 1l0XI + 160X2 + 0)(3 + OX4 + Oxs
Nebenbedingungen:
35xl + 70x2 + lX3 + OX4 + OXs 9.800
10xl + 8x2 + OX3 + lx 4 + OXs 1.600
15xl + 20x2 + OX3 + OX4 + lx s 3.000
Xl,X2'X3,X4,XS ~ 0
Diesen Ansatz fasst das folgende Simplextableau (Tableau I) zusammen. Die Reihen-
folge der Spalten wird in der Rechnung nie vedindert, somit brauchen die Symbole
der Variablen nur in die Kopfzeile tiber die betreffenden Spalten geschrieben zu wer-
den. Das Tableau I stellt gleichzeitig eine zuHissige AusgangslOsung, die Nulllosung
(Nullprogramm) dar. Die drei Schlupfvariablen X3, X4 und xs sind Basisvariablen. Sie
erscheinen in der Vorspalte XB (Spalte der Variablen, die sich in der Basislosung befin-
den). Die beiden Hauptvariablen (Strukturvariablen) Xl und X2 sind Nichtbasisvariab-
len; sie nehmen daher den Wert Null an. Die Losungswerte der Basisvariablen liest
man in der bi-Spalte - die auch "Rechte Seite" (RS) genannt wird - mit)(3 = 9.800, X4 =
1.600 und xs = 3.000 abo Dort ist auch die jeweilige ZielgroBe angegeben (G = 0). Diese
zulassige Basislosung entspricht bei der grafischen Darstellung dem Koordinatenur-
sprung (0;0) (vgl. Abbildung 2-2). In die zweite Spalte werden die Zielfunktionskoeffi-
zienten der Basisvariablen (gi) eingetragen. Fortlaufend nach rechts folgen die Spalten
der Koeffizientenmatrix mit den wj-Werten, also den Koeffizienten der Nebenbedin-
gungen. Unter diesem sog. Kern des Tableaus werden - zunachst zur Verdeutlichung -
die zugehorigen Zielfunktionskoeffizienten !;i in eine Zeile und irnmer die Schatten-
preise der einzeInen Variablen in die unterste Zeile geschrieben. Ftir getibte Rechner
ist die !;i-Zeile und die gi-Spalte entbehrlich. In der Literatur wird daher oft nur die
Zeile der (Zj - !;i)-Werte gefiihrt. Der Schattenpreis der Spalte j ergibt sich als Differenz
Zj - gj. Die Koeffizienten der Entscheidungszeile (Zj - gj) - auch Zeile der Indikatoren
genannt - geben dariiber Aufschluss, ob die gefundene Losung durch eine weitere
Iteration noch verbessert werden kann. Das Simplexkriterium besagt ja: erst wenn in
der Entscheidungszeile nur nichtnegative Schattenpreise stehen, ist die optimale
Losung erreicht.
26
Simp/exmethode 2.3
Tabelle 2-1: Tableau I - Simplex-Ausgangstableau - "Nulllosung"
XB gi Xl X2 X3 X4 X5 RS (bi) qi
X3 0 35 70 1 0 0 9.800 9800/70= 140
X4 0 10 8 0 1 0 1.600 1600/8= 200
X5 0 15 20 0 0 1 3.000 3000/20= 150
gi 110 160 0 0 0
Z j-g; -110 -160 0 0 0 G=O
Bei einer wegen bi ~ 0 zuHissigen Basis16sung eines linearen Programrns lautet das
erste Simplex-Tableau in allgemeiner Schreibweise:
Tabelle 2-2: Tableau Ia - Simplex-Ausgangstableau in allgemeiner Schreibweise
XB Xl X2 X3 Xn Xn+l Xn+2 Xn+m
Xn+1 o au a12 al3 aln 1 0 o bl
Xn+2 o all an a23 run 0 1 o
Xn+m o amI am2 am3 amn 0 0 1 bm
o o o
27
2.3.1.5 Iterationen
a) Spaltenauswahl
Gilt (Zj - ~) < 0 fur eine Nichtbasisvariable Xj, so wird eine Nichtbasisvariable gegen
eine Basisvariable ausgetauscht. Die Auswahl der Nichtbasisvariablen entspricht der
Spaltenwahl, d.h. es wird die Spalte gewiihlt, in der sich die in die Basis (Basislosung)
aufzunehmende Variable befindet; sie heiBt Pivotspalte. Fur die zweckmaBige Aus-
wahl der Pivotspalte bei mehr als einem negativen Schattenpreis in der (Zj - gj)- Zeile
gibt es zwei Versionen:
1. "Steepest Unit Ascent" -Version und
2. "Greatest Change"-Version - diese wird unter b) Zeilenauswahl erlautert -
Nach der einfacheren "Steepest Unit Ascent"-Version ist diejenige Nichtbasisvariable
in die Losung einzufuhren, die den grolSten Zielfunktionsbeitrag pro Mengeneinheit
erbringt, d.h. es wird jene Variable als einzufuhrende Variable gewiihlt, die den be-
tragsgroBten negativen Koeffizienten in der Zielfunktionszeile aufweist. Hiemach
kommt diejenige Nichtbasisvariable in die Basislosung, die z.B. den groBten Gewinn-
zuwachs pro Mengeneinheit zulasst, bei der rnithin der steilste Anstieg pro Einheit zu
realisieren ist. Nach der "Steepest Unit Ascent"-Version ist also die Spalte mit der
minimalen negativen (Zj - gj)-Differenz die Pivotspalte (k). In unserem Beispiel ist das
die Spalte k = 2 mit Z2 - g2 = -160. Man entscheidet sich also zur Aufnahme der Pro-
duktion von Produktart 2, was einen Gewinn pro StUck von 160 GE verspricht. Die
Produktionsaufnahme kann dabei nicht unbeschriinkt erfolgen, da die zur Verfugung
stehenden Leerkapazitaten aufgrund der Restriktionen beschrankt sind. Durch die
Aufnahme von X2 in die Basislosung werden also andererseits Ressourcen so lange
verbraucht, bis man an die Grenze der ersten "engsten" Restriktion stOBt. Mindestens
eine bisherige Leerkapazitat ware sornit aufgebraucht. Formal nimmt diese Basisvari-
able den Wert Null an und wird im nachsten Simplexschritt zu einer Nichtbasisvariab-
Ie. Welche Restriktion die Aufnahme der Produktion von Xl als erstes beschriinkt, wird
mit Hille der Zeilenauswahl bestimmt.
b) Zeilenauswahl
1st also die Frage geklart, welche Nichtbasisvariable in die neue Basis einzufuhren ist
(Spaltenauswahl), so muss noch festgelegt werden, welche Basisvariable dafur aus der
Basis ausscheiden muss, d.h. im vorliegenden Beispiel gegen die neu einzufuhrende
Basisvariable Xl ausgetauscht wird. Da die ausscheidende Variable als kunftige Nicht-
basisvariable den Wert Null annehmen muss, scheidet die mit der engsten Restriktj.on
aus (Zeilenauswahl). Zur Errnittlung der engsten Restriktion (des Engpasses fur die
einzufuhrende Variable Xk) werden fur die Werte aik > 0 die Quotienten bi/aik = qi gebil-
det; der kleinste Quotient gibt die engste Restriktion an. Das Minimum der Quotien-
ten, die durch Division der Werte der RS-Spalte (hi) durch die zugehorigen positiven
28
Simplexmethode 2.3
Koeffizienten der aufzunehmenden Variablen - also der positiven Koeffizienten llik der
Pivotspalte k - hervorgehen, bestimmt die ausseheidende Variable. Nur die positiven
Koeffizienten kommen als Divisor in Frage, da eine Null keine Veriinderung des Ziel-
funktionswertes G bringen und ein negativer Koeffizient gar zu einer unzuHissigen
Losung - Verletzung der Niehtnegativitatsbedingung - ftihren wiirde. Die Division ist
im Tableau I in der Hilfsspalte qi vorgenommen. Der kleinste Quotient ist im Beispiel
140; er befindet sieh in der ersten Zeile der Matrix. Die Auswahlzeile wird - analog
zur Auswahlspalte - Pivotzeile (Zeilenindex p) genannt. 1m Beispiel ist die erste Zeile
die Pivotzeile (p = 1) mit der ausseheidenden Variablen X3. Die Produktion von 140
Mengeneinheiten von P2 (X2 = 140) lasst die seitherige Basisvariable X3 auf Null
schrumpfen. Aile Roh-/Hilfsstoffe werden dureh die Produktionsaufnahme von 140
Produkten der Produktart P2 aufgebraueht.
Nachdem liber den Austauseh der Variablen entschieden ist, konnen die Umformun-
gen des linearen Gleiehungssystems beginnen. Zuvor solI aber noeh auf die Moglieh-
keit der Spaltenauswahl naeh der "Greatest Change"-Version eingegangen werden.
Die Spalten- und Zeilenauswahl nach der "Greatest Change"-Version beriicksiehtigt
den Tatbestand, dass die Erhohung des Zielfunktionswertes (G) nieht nur von den
Differenzen (Zj - lSi) < 0 pro Mengeneinheit abhiingig ist, sondem aueh davon, urn wie
viel die neu in die Basis aufzunehmende Niehtbasisvariable wachst, d .h. welchen Wert
sie in der neuen Losung annehmen wird. Diesen Wert erhiilt man aus dem kleinsten
positiven Quotienten qij = bi/ruj fur alle Spalten j mit negativen Sehattenpreisen (Zj - gj <
0). Bei der "Greatest Change" -Version der Simplexmethode wird fur jede Spalte des
Tableaus mit negativer (Zj - gj)-Differenz (Sehattenpreis) der kleinste Quotient qij be-
stimmt und mit dem entsprechenden Sehattenpreis multipliziert. Ais Pivotspalte und
Pivotzeile werden die mit dem minimalen Produkt aus diesen beiden GroBen ausge-
wahlt. Dieses Produkt stellt als Absolutwert zugleieh die gesamte Erhohung des Ziel-
funktionswertes (G) dar. 1m Beispiel wiirden sieh fur die Spalte j = 1 folgende Quo-
tienten qil ergeben: qn = 9800/35 = 280, q21 = 1600/10 = 160, q31 = 3000/15 = 200
Der kleinste Quotient fur die Spalte j = 1 ist q21 = 160. Diesen Quotienten multipliziert
mit dem zugehorigen Sehattenpreis (-110) ergibt -17.600. Der kleinste Quotient fur die
Spalte j = 2 ist q12 = 9800/70 = 140. Multipliziert man diesen mit dem zugehorigen
Sehattenpreis (-160), so erhalt man -22.400. Das minimale Produkt ist also -22.400, so
dass im Beispiel aueh naeh der "Greatest Change"-Version Spalte k = 2 und Zeile p = 1
die Pivotspalte bzw. Pivotzeile bilden wiirden. Bei urnfangreieheren Optimierungs-
problemen ftihrt die "Greatest Change"-Version in der Regel (also nieht immer) mit
weniger Iterationen zur Optimallosung. Sie erfordert dafiir aber mehr Reehenaufwand
bei der Spalten- und Zeilenauswahl.
c) Matrizenoperationen des modifizierten GauBschen Algorithmus
Die Matrizenoperationen (elementare Zeilenoperationen) des modifizierten GauB-
schen Algorithmus zur Bestimmung der verschiedenen Basislosungen eines linearen
Gleichungssystems lassen sieh ebenfalls libersichtlieh in Tabellenform wiedergeben.
29
2
Nachdem Un Beispiel die zweite Spalte als Pivotspalte (k = 2) und die erste Zeile als
Pivotzeile (p = 1) bestimmt ist, wird das Element apk = a12 = 70 Pivotelement genannt.
Es liegt im Kreuzungspunkt der Pivotspalte und Pivotzeile ("pivot"(franz.): Dreh-
punkt, Angelpunkt) und wird jeweils in den Tableaus markiert.
Fiir die neue Basis wird das Gleichungssystem gelost. Dabei muss das Gleichungs-
system so umgeformt werden, dass die neue Basisvariable X2 nur noch in einer Neben-
bedingung erscheint; d.h. sie muss aus allen iibrigen Nebenbedingungsgleichungen
eliminiert werden - die klassische Methode zur Losung von linearen Gleichungssys-
temen ist die Eliminationsmethode (Muller-Merbach, H., 1973, S. 34 ff.). Dazu wird die
Pivotzeile (p) durch das Pivotelement (apk) dividiert, und es wird von jeder anderen
Zeile i (i "* p) das (aik/apk)-fache der Zeile p (Pivotzeile) subtrahiert. Auch von der Ent-
scheidungszeile (letzte Zeile) wird das [(zk-~)/apk]-fache der Zeile p abgezogen. Es
entsteht das zweite Simplextableau nach der ersten Iteration (ein Basistausch bzw.
eine Basistransformation ist erfolgt: die bisherige Nichtbasisvariable X2 kommt als
Basisvariable in die neue Losung und dafur wird X3 Nichtbasisvariable):
Tabelle 2-3: Tableau II - Losung nach der 1. Iteration
X2 160 1/2 1 1/70 0 0 140 280

X4 0 6 0 -8/70 1 0 480 80
0 5 0 -2/7 0 1 200 40
X5
I I
Zj-~ -30 0 16/7 0 0 G=22.400
Das zweite Tableau stellt eine neue zulassige Basislosung dar, in der die Basisvariab-
len X2 = 140, X4 = 480 und xs = 200 auftreten. Die Variablen Xl und X3 sind in dieser Lo-
sung Nichtbasisvariablen (mit dem Wert Null). Dieses Programm, das dem Eckpunkt
A der grafischen Darstellung entspricht (vgL Abbildung 2-2), wiirde also nur Produkt-
art P2 mit X2 = 140 Mengeneinheiten realisieren und dabei die Kapazitat der ersten
Produktionsfaktorgruppe (Roh-, Hilfsstoffe etc.) vollstandig verbrauchen. Dies erkennt
man daran, dass die Schlupfvariable X3 (also die ungenutzte Kapazitat der Faktor-
gruppe 1) Nichtbasisvariable ist (X3 = 0). Die ungenutzte Kapazitat der Faktorgruppe 2
betragt - wie aus der Losungsspalte RS abzulesen ist - hingegen noch X4 = 480 Maschi-
nenstunden (1600 - 140 . 8 = 480) und die der Faktorgruppe 3 noch X5 = 200 Arbeits-
stunden (3.000 -140·20 = 200). Der zugehorige Gewinn betragt G = 22.400 GE. Durch
30
Simplexmethode 2.3
den Rechenschritt sind auch die Opportunitatskosten (Schattenpreise) in diejenigen

iiberfiihrt worden, die fur diese Basislosung gelten. Diese Opportunitatskosten konnen
auch durch getrennte Berechnung der Werte Zj und die Bildung der Differenzen (Zj-
gj) ermittelt werden:
m
ZI = L giail = 160 . 1/2 + 0 . 6 + 0 . 5 = 80
i=l
ZI - gl = 80 - 110 = -30
Z3 -g3 = (160 ·1/70 + 0 . (-8/70) + O· (-2/7)) - 0 = 16/7
Die iibrigen Differenzen in der Entscheidungszeile sind aIle Null, wie sich leicht nach-
priifen lasst. Der letzte Wert der Zielfunktionszeile (untersten Zeile) gibt mit G =
22.400 den Gewinn (Zielfunktionswert) des Programms an. Er wurde gebildet, indem
zu dem Wert Null des ersten Tableaus das 160-fache von b p = 140 addiert wurde.
Die Rechnung wird fortgefiihrt: Da in der vorliegenden Losung des Tableaus II (ZI -
gl) < 0 ist, fiihrt die Aufnahme von XI in eine neues Programm zu einer Gewinnsteige-
rung von GE 30 je produzierte und abgesetzte Mengeneinheit des Produktes PI (Sim-
plex-Kriterium). Die Iteration wird wie beschrieben wiederholt. Pivotspalte ist die
erste Spalte (k = 1), Pivotzeile ist die dritte Zeile (p = 3) und Pivotelement ist a31 = 5
(vgl. die Markierung im Tableau II). Durch Division der Pivotzeile (p = 3) durch das
Pivotelement (a31 = 5) erhalt man die dritte Zeile der neuen Losung (Tableau III). Die
neue erste Zeile des Tableaus III erhalt man durch Subtraktion des (1/2)-fachen der
neuen dritten Zeile von der ersten Zeile des Tableaus II. Analog berechnet sich die
zweite Zeile des Tableaus III durch Subtraktion des 6-fachen der neuen dritten Zeile
von der zweiten Zeile des Tableaus II. Die vierte Zeile des neuen Tableaus (Tableau III)
schlieBlich ergibt sich, indem man das (-30)-fache der neuen dritten Zeile von der
vierten Zeile des Tableaus II subtrahiert. Die Losung nach der zweiten Iteration lautet:
XI = 40, X2 = 120, X3 = 0, X4 = 240, X5 = 0 mit G = 23.600 (vgl. Tableau III):
Tabelle 2-4: Tableau III - Losung nach der 2. Iteration - Optimallosung
XB gi Xl X2 X3 X4 X5 RS (bi)
X2 160 0 1 3/70 0 -1/10 120

X4 0 0 0 8/35 1 -6/5 240
XI 110 1 0 -2/35 0 1/5 40
Zj-~ 0 0 4/7 0 6 G=23.600
31
. Das dritte Tableau wird anhand des Simplexkriteriums auf Optimalitiit hin gepriift. Da
die Entscheidungszeile keine negativen Schattenpreise (Differenzen (Zj - gj) ~ 0, fur alle
j) enthiilt, gibt es keine Verbesserungsmoglichkeit mehr. Das optimale Produktions-
programm ist ermittelt; es entspricht der Losung fur den Eckpunkt B in Abbildung 2-2.
2.3.1.6 Zusammenfassung der Vorgehensweise der 5implexmethode

Die primale Simplexmethode liisst sich in folgende Schritte zerlegen, wenn keine Son-
derfiille (die spiiter behandelt werden) vorliegen:
Abbildung 2-4: Primale Simplexschritte
Bilde das Ausgangstableau (Nullprogramm)! AIle Elemente der "Rechten SeiteU

(RS), in der die Beschrlinkungen (h;) stehen, sind nicht negativ (h; 2: 0). Die
Basisvariablen xa (in der Ausgangslosung sind dies die Schlupfvariablen X.+; (i = I,
2, ... , m» haben in der entsprechenden Spalte den Koeffizient,,+ I u. Aile anderen
Koeffizienten der Basisvariablen haben den Wert Null.
Sind in der (zJ - Ilj)-Zeile

(Entscheldungszelle) aile a Optimalprogramm erreicht
Koeffizienten nicht (Simplexkriterium).
negativ?
nein
..
Wahl der Pivotspalte k z.B. nach "Steepest Unit AscentU-Version: das minimale
(d.h. das betragsgroBte negative) Element der Entscheidungszeile «z. - g)-Werte)
ist zu bestimmen. Die zugehOrige Spalte ist die Auswahlspalte (Pivoispafte k), die
..
entsprechende Nichtbasisvariable soil in die Basis eingefiihrt werden .
Wahl der Pivotzeile p: bilde aus den Werten der RS-Spalte und den
entsprechenden Koeffizienten der Pivotspalte die Quotienten q; fur aile positiven
Koeffizienten der Pivotspalte: q; = fUr a;k > O. Die Zeile mit dem minimalen
Quotienten q; ist die Auswahlzeile (Pivotzeile) p. Auswahlspalte k und Pivotzeile p
..
kreuzen sich im Pivotelement a pk .
Jedes Element der Pivotzeile (also auch ~ wird durch das Pivotelement a pk
dividiert. Das Ergebnis wird an gleicher telle in ein neues Simplextableau
geschrieben. Diese Zeile erbalt in der Vorspalte xa die Variable aus der Pivotspalte
(neue Basisvariable, Variablenaustausch) .
...
Von allen Zeilen i, die nicht Pivotzeile sind, wird von jedem Element das a",-fache
des neuen Wertes der Pivotzeile p subtrahiert. Die Ergebnisse sind in das neue
~
Tableau einzutragen; das Gleichungssystem ist umgeforrnt. Die neuen Werte der (zJ
- g.)-Zeile werden auf die gleiche Weise errnittelt und eingetragen (eine Simplex-
Itelation ist beendet).
32
Simplexmethode
2.3.2 Wirtschaftlicher Inhalt der Optimierungsmethode
2.3.2.1 Okonomische Interpretation der Inhalte des Simplextableaus

1m vorliegenden Problem der Produktionsplanung sind folgende Tatbestande von
wirtschaftlichem Interesse: 1m Simplex-Ausgangstableau ("Nulllosung") stehen in
der RS-Spalte die Kapazitaten der Produktionsfaktorgruppen, liber die in der Plan-
periode disponiert werden kann. Die Dimensionen der Elemente dieser RS-Spalte sind
Tonnen, Maschinenstunden, Arbeitsstunden oder ahnliche. Die (technischen) Koeffi-
zienten aij der Nichtbasisvariablen im Simplex-Ausgangstableau (Hauptvariablen)
geben den Mengen- oder Zeitverbrauch zur Herstellung von einer Mengeneinheit
der Produktart jan Faktor oder Faktorgruppe i wieder. Die Koeffizienten der Basisva-
riablen Xn+i (i = 1, 2, ..., m) sind gleich Eins. Die Basisvariablen besitzen die Dimensio-
nen der entsprechenden KapaziHiten. 1m Ausgangstableau sind die vorhandenen
Kapazitaten slimtlich ungenutzt (Leer- oder Restkapazitaten).
Jede Produktion wiirde Teile der Leerkapazitaten aufbrauchen. Die technischen Koef-
fizienten aij geben an, wie viel Einheiten der Basisvariablen Xn+i durch die Einfiihrung
einer Mengeneinheit der Nichtbasisvariablen Xj verbraucht wlirden. In der Entschei-
dungszeile (Zj - gj) stehen GroBen, die auf Verlinderungsmoglichkeiten der ZielgroBe
G hinweisen. Der Wert Zj entsteht aus der Summe der mit gi bewerteten Koeffizienten
Clij der Spalte j und beschreibt einen Teil der Auswirkung der Aufnahme einer Mengen-
einheit der Variablen Xj in die Basis. Der Deckungsbeitrag ~ gibt den anderen Teil der
Auswirkung an. Die Differenz (Zj - gj) gibt also die Gesamtverlinderung der Zielgra-
Be G an, die durch die Aufnahme einer Mengeneinheit der Nichtbasisvariablen Xj in
die Lasung entsteht. Die Differenzen (Zj - ~) sind Opportunitatskosten oder Schat-
tenpreise. Das negative Vorzeichen fur mogliche Zielverbesserungen steht im Ein-
klang mit dem Begriff der Opportunitatskosten (Bloech, J., 1974, S. 85).
Je nach Fortschreiten der Iterationen wechseln die Koeffizienten Clij und hi ihre Dimen-
sionen. Stets gilt jedoch, dass die Koeffizienten aij die mengenmiifSige Verdrangung der
Variablen in der Zeile i durch die Beriicksichtigung einer Mengeneinheit der Variablen
der Spalte j darstellt. Die Schattenpreise behalten ihre Dimensionen in jedem Tableau.
Zur Interpretation der Optimallosung entnehmen wir dem Tableau III die optimalen
Losungswerte:
Xl = 40, X2 = 120, X3 = 0, X4 = 240, X5 = 0 mit
G = 40 . 110 + 120 . 160 = 23.600
Okonomisch interpretiert bedeutet dies: der Betrieb kann unter den gegebenen Um-
standen als kurzfristigen Plan folgendes optimale Produktionsprogramm realisieren:
Er fertigt 40 Mengeneinheiten von Produktart PI und 120 Mengeneinheiten von
Produktart P2. Dabei sind die Produktionsfaktorgruppen 1 und 3 voll ausgelastet (X3 =
o und X5 = 0). Sie stellen die Engpasse des Programms dar.
33
2
Die Produktionsfaktorgruppe 2 weist eine Leerkapazitiit (ungenutzte Kapazitiit) von
240 Maschinenstunden auf (X4 = 240). Der groBhnogliche Deckungsbeitrag des Pro-
gramms betriigt GE 23.600. Die fixen Kosten, die in der Planungsperiode anfallen,
miissten von G abgezogen werden, um das maximale Perioden-Nettoergebnis zu er-
halten. Der Betrag der fixen Kosten hat Einfluss nur auf die Bohe des Nettoergebnis-
ses, nicht aber auf das optimale Produktionsprogramm.
2.3.2.2 Bewertung von Engpassen

Dem Tableau III konnen auch die OpportunWitskosten der Entscheidungszeile «Zj -
~)-Differenzen) entnommen werden. Sie liefem in den Spalten der Schlupfvariablen
die Bewertungen fUr die Engpasse des optimalen Produktionsprogramms, d.h. fur
diejenigen Bedingungen (Restriktionen), die voll ausgeschopft sind. 1m Optimal-
tableau sind also einige der Schlupfvariablen mit Null vorbestimmt (Nichtbasisvariab-
len), wodurch die vollstandige Ausnutzung der zugehorigen Kapazitaten zum Aus-
druck kommt. 1m Allgemeinen treten in den zugehorigen Spalten der
Schlupfvariablen, die Nichtbasisvariablen sind, positive (Zj - &)-Differenzen auf. Diese
Schattenpreise zeigen die Gewinnveranderung der ZielgroBe G bei Veranderung der
zugehorigen Kapazitat urn eine Mengeneinheit an. Deswegen kann der Gewinn im
Optimum auch als Summe der Produkte aus allen Kapazitaten mit ihren Schattenprei-
sen bestimmt werden; im Beispiel (vgl. Optimaltableau III):
G = 9.800·4/7 + 1.600 . 0 + 3.000·6 = 23.600.
Der Koeffizient (Z3 - g3) = 4/7, der zur Schlupfvariablen X3 gehort (vgl. Tableau III),
besagt z.B., dass eine Kapazitatserweiterung der Produktionsfaktorgruppe 1 (Roh-,
Hilfsstoffe etc.) urn eine Mengeneinheit zu einer VergroBerung des Gewinns G urn 4/7
GE fiihren wiirde. Die zusatzlichen - also die normalen proportionalen Kosten iiber-
steigenden - Kosten der Bereitstellung einer weiteren Mengeneinheit der Produktions-
faktorgruppe sind dabei nicht berucksichtigt. Umgekehrt wiirde eine Gewinnvermin-
derung bei Nichtausnutzung dieser Kapazitiit urn 4/7 GE je Mengeneinheit der
Kapazitat eintreten. Analog bedeutet der Koeffizient (zs - gs) = 6, der zur Schlupfvari-
ablen xs gehort (vgl. Tableau III), dass eine Zunahme der Kapazitiit der Faktorgruppe 3
(Arbeitsstunden) um eine Stunde den Gewinn G um GE 6 steigem bzw. umgekehrt
eine Abnahme der Kapazitiit urn eine Stunde den Maximalgewinn G urn GE 6 verklei-
nem wiirde. Da die Schlupfvariable X4 mit 240 ME in der Basis ist, bedeutet dies, dass
die Produktionsfaktorgruppe 2 noch 240 Maschinenstunden Leerzeit (ungeniitzte
Kapazitiit) hat. Der zugehorige Schattenpreis ist Null, da eine Veranderung der Leer-
kapazitat um eine Stunde keine Veranderung des Gewinnes G der Optimallosung
bringen kann.
34
Simplexmethode
2.3.3 Sonderfalle
2.3.3.1 Mehrfachlosungen
Bei Anwendung des Simplexkriteriums wird die Entscheidungszeile mit den (Zj - gj)-
Werten iiberpriift, da diese Schattenpreise eine Verbesserungsmoglichkeit der vorlie-
genden Losung anzeigen. Ergibt sich ein optimales Tableau, das in der (Zj - gj)-Zeile
filr wenigstens eine Nichtbasisvariable Werte von Null aufweist, so besitzt das lineare
Programmierungsproblem unendlich viele optimale Losungen (Mehrfachlosungen).
Eine Mehrfachlosung erlaubt den Austausch einer Basisvariablen gegen eine Nichtba-
sisvariable (mit dem Schattenpreis Null), ohne dass der Zielfunktionswert (G) sich
iindert. Diesen von der grafischen Losung her plausiblen Fall - eine Restriktionsgerade
verlauft in der Iso-Gewinngeraden - erkennt man also daran, dass in einer ersten op-
timalen Losung (mit x~Pt) in der (Zj - gj)-Zeile unter mindestens einer Nichtbasisvari-
ablen eine Null auftritt. Durch eine weitere Iteration (Aufnahme einer solchen Nicht-
basisvariablen mit Schattenpreis Null in die Basislosung) erreicht man eine zweite
optimale Losung (mit x~pt). Aus diesen beiden optimalen Losungen lassen sich dann
durch Linearkombination beliebig viele optimale Losungen xOPlberechnen:
mitO~A~ 1
Die Zielfunktion falIt also im FaIle der Mehrfachlosung mit der Verbindungskante
zweier benachbarter Extremalpunkte mit x~Pt und xit zusammen; aIle Punkte dieser
gemeinsamen Geraden (oder auch Hyperebene) sind optimale Losungen (Hadley, G.,
1962, S. 99 f.).
2.3.3.2 Degeneration
Auch die Degeneration oder Entartung kann als Mehrfachlosung interpretiert wer-
den. Sie liegt vor, wenn in einer Basislosung mindestens eine Basisvariable den Wert
Null annimmt. Die Degeneration tritt auf, wenn bei der Auswahl der Pivotzeile min-
destens zwei Quotienten (qi) bei gegebener Spalte minimal sind, z.B. b2 : a2k = b3 : a3k.
Diese Situation fiihrt im folgenden Tableau dazu, dass Basisvariablen den Wert Null
annehmen. Das Ausscheiden dieser Basisvariablen mit dem Wert Null kann nicht zu
einer Gewinnsteigerung fiihren. Degenerationen konnen zur Folge haben, dass man
bei den Iterationen in einen Zyklus gerat, der immer wieder dieselbe Reihenfolge von
Eckpunktlosungen hervorbringt, d.h. die Rechnung wird immer wieder auf das glei-
che Simplextableau zuriickgefiihrt (Kreiseln) (Vazsonyi, A., 1962, S. 130 ff.). In der
Literatur sind einige Beispiele filr degenerierte Losungen konstruiert worden (Muller-
Merbach, H., 1973, S. 116; Durr; W., Kleinbohm, K., 1992, S. 62 ff.).
35
2
Bei degenerierten L6sungen ist eine Sonderregelung einzufiihren, urn mit der Sim-
plexmethode den Zyklus durchbrechen zu k6nnen. Hier gibt es verschiedene M6g-
lichkeiten, die meist auf eine recht aufwandige Erweiterung der Simplexmethode
hinauslaufen. Das trifft insbesondere auch fUr die sog. "revidierte" oder "modifizier-
te" Simplexmethode zu (Azpeitia, A. G., Dickinson D. J., 1964, S. 329 ff.). "Vom prakti-
schen Standpunkt aus ist die Methode der zufiilligen Auswahl am giinstigsten" (Miil-
ler-Merbach, H., 1973, S. 116). Hierbei iiberlasst man die Auswahl der Pivotzeile einem
Zufallsmechanismus, z.B. mit Hilfe von Zufallszahlen. Durch dieses Vorgehen kann
das Kreiseln durch unbegrenzt wiederkehrende Tableaufolgen verrnieden werden.
Sofem die Degeneration einer L6sung bei den Schlupfvariablen eintritt, deutet das
betriebswirtschaftlich auf eine Harmonisierung der betreffenden Produktionsfakto-
ren hin. Die vorhandenen Kapazitaten dieser Produktionsfaktoren (oder Produktions-
faktorgruppen) sind sehr gut aufeinander abgestimmt. Es bleiben hier keine Leerkapa-
zitaten iibrig.
2.3.3.3 Unbegrenzte Zielvariable

Es gibt lineare Optimierungsprobleme, fur die eine optimale L6sung nicht existiert. 1st
das L6sungspolyeder (zulassiger L6sungsraum) bei der Maximierungsaufgabe in
Richtung der steigenden lso-Gewinngeraden nicht begrenzt, gibt es keine optimale
L6sung. Die Zielfunktion ist nach oben unbeschriinkt (unbeschriinkte L6sung). Der
Zielfunktionswert wachst iiber aIle Grenzen. 1m Simplextableau liegt dieser Fall
immer dann vor, wenn in der PivotspaIte nur niehtpositive Elemente auftreten, also
aIle ail«O sind. In der Praxis deutet dieser Fall meistens auf eine unvollstandige (feh-
lerhafte) Modellformulierung hin.
Zusammenfassend lasst sich Folgendes feststellen: Anhand der Simplexmethode kann
immer bestimmt werden, ob eine lineare Programmierungsaufgabe eine optimale
L6sung besitzt oder ob die optimale L6sung degeneriert ist. Die Simplexmethode
erspart eine vorhergehende Priifung der Voraussetzungen fUr die L6sbarkeit eines
linearen Gleichungssystems. Gleichzeitig kann mit Hilfe der Simplexmethode die
optimale L6sung zu jeder 16sbaren linearen Programmierungsaufgabe ermittelt wer-
den.
2.3.4 Probleme mit unzulassiger Ausgangslosung

Das bisher behandelte Optimierungsproblem entsprach dem Standardansatz einer
Maximierungsaufgabe - auch Normalform eines Maximierungsproblems oder Spe-
zielles Maximierungsproblem genannt (Dinkelbach, W, 1969, S. 45 f.). Der Standard-
ansatz ist durch nichtnegative Variablen und ausschlie15liche ,,~" -(kleiner-gleich-)
Bedingungen in den Restriktionen gekennzeichnet. Abweichungen von dieser Normal-
form bedeuten, dass anfangs eine zulassige Ausgangslosung nieht gegeben ist, d.h.
36
Simplexmethode
dass der Koordinatenursprung als L6sungsecke, in der alle Hauptvariablen (Struktur-

variablen) Null sind, nicht zum zulassigen L6sungsbereich geh6rt. In diesem Fall muss
zunachst eine zulassige Ausgangsl6sung ermittelt werden.
Zur Verdeutlichung solI das Beispiel (S. 9ff.) zur Bestimmung eines optimalen Pro-
duktionsprogramms wie folgt modifiziert werden: AuBer den drei Kapazitatsrestrik-
tionen seien noch zwei weitere Nebenbedingungen zu erfiilIen:
1. Aus Konkurrenzgriinden mtissen von Produkt PI mindestens 60 ME in der Pla-
nungsperiode bereitgesteilt werden;
2. Der geplante Umsatz, also die Summe aus Erl6s je ME multipliziert mit den Ver-
kaufsmengen der jeweiligen Produkte PI und P2, solI GE 42.000 in der Planungspe-
riode nicht unterschreiten. Der Erl6s sei pI = GE 21O/ME bei Produkt PI und p2 =
GE 400/ME bei Produkt P2.
Die erste zusatzliche Nebenbedingung lautet:
Xl ~60
Die zweite zusatzliche Nebenbedingung lautet:

210 . Xl + 400 . X2 ~ 42.000
Multipliziert man diese beiden zusatzlichen Nebenbedingungen mit minus Eins, so
verwandeln sich die beiden I/~I/-Zeichen in I/::;;I/-Zeichen:
-Xl -60
-21OxI - 400X2 ::;; -42.000
Damit haben diese beiden Restriktionen die gleiche Form wie die bereits behandelten
Kapazitatsrestriktionen. Nach Einfiihrung von zwei weiteren Schlupfvariablen (X6 und
X7) ergibt sich folgendes Gleichungssystem:
Maximiere G = 1l0xI + l60x2 + 0)(3 + OX4 + OX5 + OX6 + OX7
unter den Nebenbedingungen:
35xI + 70X2 + X3 + OX4 + OX5 + OX6 + OX7 = 9.800
10xI + 8X2 + OX3 + X4 + OX5 + OX6 + OX7 = 1.600
l5xI + 20X2 + OX3 + OX4 + X5 + OX6 + OX7 = 3.000
- XI + 0X2 + 0)(3 + OX4 + OX5 + X6 + OX7 = -60
-21OxI - 400X2 + OX3 + OX4 + OX5 + OX6 +X7 =-42.000
Dabei bezeichnet X6 die Menge von XI, die tiber die geforderte Mindestrnenge von 60
ME in der Planungsperiode hinaus erzeugt und abgesetzt wird, und X7 gibt den Um-
satz in GE an, der tiber die Mindestgrenze von GE 42.000 in der Planungsperiode hin-
37
2
aus erreicht wird. Auch fUr die beiden neuen Schlupfvariablen gilt die Nichtnegativi-
tatsbedingung (X6, X7 ~ 0). Sind nun in der Ausgangsl6sung die Hauptvariablen Xl und
X2 gleich Null, so sind X6 = -60 und X7 = -42.000. Die Nichtnegativitatsbedingung ist
also fur diese beiden Schlupfvariablen nicht erfiillt. Die Ausgangslosung (Nullpro-
gramm) ist mithin unzulassig.
In der Abbildung 2-5 ist das Problem mit den beiden zusatzlichen ,,~"-Bedingungen
gezeichnet; die Abbildung zeigt, dass der zulassige L6sungsbereich (konvexes Polye-
der ABeD einschlieJ5lich Restriktionsgeraden) gegeniiber der Abbildung 2-2 stark
zusammengeschrurnpft ist. Von besonderer Bedeutung ist dabei, dass der zulassige
Bereich den Koordinatenursprung (Xl = 0, X2 = 0) nicht mehr einschliefSt. 1m Ubrigen ist
erkennbar, dass die erste Kapazitatsrestriktion - namlich die Begrenzung durch die
Produktionsfaktorgruppe 1 (Werkstoffe) - mit der Ungleichung 35xI + 70X2 ::; 9.800
durch die Modellerweiterung redundant (d.h. iiberfliissig) geworden ist (die entspre-
chende Restriktionsgerade tangiert nicht mehr den zulassigen L6sungsbereich).
Abbildung 2-5: Grafische Losung des kombinierten Produktions- und Absatzprogramms
x
r 250
lOx + 8x = 1.600
21
200
150
x, = 105
100
= 3.000
... ...
...... 210x + 400x = 42.000
zulltssiger Ul- I ... ... ... 35x + 70x = 9.800
50 sungsbereich .........
...
,G , = 17.6~)"'''''''", , , ,
o 50· 100 150 200 250 300
I
XI = 60 •
38
Simplexmethode
Liegt eine unzulassige Ausgangs16sung vor, kann durch Einsatz

eines dualen Schrltts,
• der Zwei-Phasen-Methode oder
• der Big-M-Methode
eine existierende Optimall6sung ermittelt werden.
2.3.4.1 Dualer Schritt zur Bestimmung zulassiger Ausgangslosungen

Der duale Schritt nimmt zu Beginn eine Programmierung durch den negativen Be-
reich vor. Hierdurch ist zunachst eine L6sung im zulassigen Bereich anzustreben,
soweit uberhaupt eine zulassige L6sung existiert. Es wird also eine unzulassige Aus-
gangslosung in' eine zulassige iiberfiihrt. Erst danach (Optimierungsschritte) ver-
sucht man, die optimale Losung zu bestirnrnen. Beide Schrltte unterscheiden sich
lediglich in den Auswahlkriterien fUr die Pivotspalte und Pivotzeile. Die ubrigen Re-
chenregeln (zur Umforrnung des linearen Gleichungssystems) sind die gleichen.
a) Schritt 1: Uberfiihrung einer unzulassigen Ausgangs16sung in eine zulassige
Fur die Auswahl der Pivotspalte und Pivotzeile in Schritt 1 gibt es eine Reihe von
verschiedenen Regeln. Wir wollen hier eine Auswahlregel erlautem, die zum einen
sehr einfach und zum anderen relativ schnell zu einer zulassigen L6sung fiihrt. Die
Vorgehensweise solI an dem erweiterten Beispiel "Optirnierung eines kombinierten
Produktions- und Absatzprogramms" er6rtert werden:
Tabelle 2-5: Tableau I - Unzuliissiges Ausgangstableau
XB gi Xl X2 X3 X4 XS X6 X7 RS (bi)
X3 0 35 70 1 0 0 0 0 9.800
X4 0 10 8 0 1 0 0 0 1.600
X5 0 15 20 0 0 1 0 0 3.000
X6 0 -1 0 0 0 0 1 0 -60
X7 0 -210 --400 0 0 0 0 1 --42.000
~ 110 160 0 0 0 0 0
Zj-~ -110 -160 0 0 0 0 0 G=O
39
Die negativen Elemente in der "RS"-Spalte (bi-Werte) kennzeichnen jeweils eine Ver-
letzung der Nichtnegativitatsbedingung. D.h. die Werte der entsprechenden
Basisvariablen sind in dieser Losung negativ, und die zugehorige Restriktion ist nicht
erfiillt. In der Ausgangslosung (Tableau I) sind dies die Basisvariablen X6 = -60 und X7
= -42.000. Es ist nun durch Austausch der negativen Basisvariablen eine zulassige
Losung anzustreben. Pro Iteration kann je eine negative Basisvariable zur Erfullung
der Nichtnegativitatsbedingung gezwungen werden. Dies geschieht dadurch, dass
man jeweils eine negative Basisvariable aus der Basis entfemt, und sie somit als
Nichtbasisvariable dann den Wert Null annimmt. Darnit ist aber zugleich die Nicht-
negativitat fur die betreffende Variable erreicht. Man wahlt in Schritt 1 zunachst die
Pivotzeile. Sie kann beliebig unter den Zeilen mit einem negativen Element in der
"RS"-Spalte gewahlt werden. Dieses unsystematische Rechnen durch den negativen
Bereich kann den Rechenaufwand allerdings erhohen. Beispielsweise kann man die
oberste Zeile mit einer negativen Basisvariablen wahlen. Das ware im Beispiel die
Zeile p = 4 mit der Basisvariablen X6 = -60. Man konnte nun in der gewahlten Aus-
wahlzeile (Pivotzeile p) jedes Element als Pivotelement wahlen, das von Null ver-
schieden ist (apk '" O). Die aus der Basis verschwindende - zur Nichtbasisvariablen
werdende - Variable wiirde auf jeden Fall Null, also nichtnegativ.
1st das Pivotelement aber positiv (apk > O), so ware die neue Basisvariable wieder nega-
tiv und die Nichtnegativitatsbedingung weiterhin verletzt. Damit ware kein Fortschritt
erzielt. Das Pivotelement muss also negativ sein (apk < O). Sind mehrere negative Ele-
mente in der Pivotzeile vorhanden, kann wiederum ein beliebiges fur die Auswahl der
Pivotspalte gewahlt werden. Urn ein eventuelles Kreiseln zu vermeiden, kann mit
Hilfe eines Zufallsmechanismus bestimmt werden, welche Spalte als Pivotspalte ge-
wahlt wird (vgl. auch S. 28f.}.In unserem Beispiel hat nur die Spalte k = 1 ein negatives
Element in der Pivotzeile p = 4, so dass a41 = -1 das Pivotelement ist (im Tableau I mar-
kiert). Unter Anwendung der beschriebenen Rechenregeln erhalt man eine weitere
unzulassige Losung (Austausch der Basisvariablen X6 gegen die Nichtbasisvariable XI,
die in das Tableau II als Basisvariable eingefuhrt wird), die allerdings nur noch eine
Verletzung der Nichtnegativitatsbedingung aufweist (Tableau II).
Das zweite Tableau gibt das noch nicht zulassige kombinierte Produktions- und Ab-
satzprogramm mit XI = 60, X2 = 0 an, dabei sind die Kapazitats- und die Absatzmengen-
restriktionen erfiillt, nicht dagegen die Umsatzrestriktion (X7 = -29.400). Durch das
negative Element in der "RS"-Spalte wird nun in der zweiten Iteration die Pivotzeile p
= 5 bestimmt. Ais Pivotspalte kommen die Spalten zwei oder sechs in Frage, da nur
hier negative Koeffizienten vorliegen. Durch eine Zufallsauswahl werde die Spalte k =
2 als Pivotspalte und somit aS2 = -400 als Pivotelement bestimmt. Das Pivotelement ist
wiederum im Tableau II markiert. Mit der gewahlten Pivotzeile und Pivotspalte erhaIt
man das Tableau III.
40
Simplexmethode
Tabelle 2-6: Tableau II - Losung nach der 1. Iteration des dualen Simplexschritts
XB gi Xl X2 X3 X4 X5 X6 X7 RS (bi)
X3 0 0 70 1 0 0 35 0 7.700
X4 0 0 8 0 1 0 10 0 1.000
X5 0 0 20 0 0 1 15 0 2.100
Xl 110 1 0 0 0 0 -1 0 60
X7 0 0
I --400 I 0 0 0 -210 1 -29.400
Zj-~ 0 -160 0 0 0 -110 0 G=6.600
Tabelle 2-7: Tableau III - Losung nach der 2. Iteration des dualen Simplexschritts
XB gi Xl X2 X3 X4 X5 X6 X7 RS (bi) qi
X3 0 0 0 1 0 0 -1,75 0,175 2.555
X4
X5
0
0
0
0
0
0
0
0
1
0
0
1
G4,5
0,02
0,05
412
630
412 =71 03
5,8 '
630 =140
4,5
Xl 110 1 0 0 0 0 -1 0 60
73,5 =140
Xl 160 0 1 0 0 0 0,525 -0,0025 73,5
0,525
Zj-gj 0 0 0 0 0 -26 --0,4 G=18.360
Nach der zweiten Iteration ist eine erste zulassige AusgangslOsung erreicht. Die Zu-
lassigkeit erkennt man daran, dass die Nichtnegativitatsbedingungen (Xl, Xl, . .., X7 ;;:: 0)
erfiillt sind - d .h. alle Elemente der rechten Seite ("RS"-Spalte) sind nichtnegativ - und
41
dass weiterrun die zuIassige Ausgangslosung aIle iibrigen Nebenbedingungen erfiillt;

es werden XI = 60 und X2 = 73,5 ME der beiden Produkte PI und P2 produziert. Der
Gewinn dieses Prograrnms betragt GE 18.360. Diese Losung entspricht dem Eckpunkt
A des zulassigen Losungsraumes in Abbildung 2-5. Da nunmehr eine erste zulassige
Ausgangslosung fur das Problem vorliegt, ist das Ziel der dualen Simplexschritte
erreicht. Durch Anwendung primaler Simplexschritte versucht man nun, das optimale
Programm zu bestimmen.
b) Schritt 2: Optimierung des Programms durch primale Simplexschritte
Zur Optimierung kommt die primale Simplexmethode unverandert zur Anwendung.
Sie stellt sicher, dass der zulassige Losungsraum nicht mehr verlassen wird, also kei-
nesfaIls eine negative rechte Seite (RS-Spalte) mehr entsteht. Da in der (Zj - gj)-Zeile
(Entscheidungszeile) des Tableaus ill noch negative Koeffizienten vorhanden sind -
vgl. Spalte 6 und 7 -, ist die gefundene zulassige Ausgangslosung noch nicht optimal
(Simplexkriterium). Man wahlt die Pivotspalte z.B. nach der "Steepest Unit Ascent"-
Version und anschlieBend die Pivotzeile. Sobald die Entscheidungszeile keine negati-"
yen Elemente mehr enthalt, ist die Optimallosung gefunden. In unserem Beispiel ist (Z6
- g6) = -26 das absolut groBte negative Element in der Entscheidungszeile, so dass die
Spalte k = 6 die Auswahlspalte (Pivotspalte) ist. Die entsprechende Nichtbasisvariable
X6 solI in der nachsten Iteration in die Basis eingefuhrt werden. Ais Pivotzeile ist die
mit dem kleinsten Quotienten qi =bi/Clik (fur Clik > 0) zu wahlen, das ist im Beispiel (q2 =
71,03) die Zeile p = 2; Pivotelement ist a26 = 5,8 (vgl. Markierung in Tableau ill). In der
ersten Iteration (Optimierungsschritt) ist also die Nichtbasisvariable X6 in die Losung
einzufuhren und die Basisvariable X4 aus der Basis herauszunehmen:
Tabelle 2-8: Tableau IV - Losung nach der 1. Iteration des primalen Simplexschritts
XB gi Xl X2 X3 X4 X5 X6 X7 RS(bi) qi
X3 0 0 0 1 0,3017 0 0 0,18103 2.679,31 14.800
X6 0 0 0 0 0,1724 0 1 0,00345 71,0345 20.600
X5 0 0 0 0 -0,7759 1 0 0,03448 310,3448 9.000
XI 110 1 0 0 0,1724 0 0 0,00345 131,0345 38.000
X2 160 0 1 0 -0,0905 0 0 -0,00431 36,2069
Zj-gj 0 0 0 4,4828 0 0 -0,3103 G=20.206,90
42
Simplexmethode
Nach dieser Iteration ist eine Losung mit Xl = 131,03, Xl = 36,21 ME und einem Gewinn
von G = 20.206,90 GE erreicht (Eckpunkt D in Abbildung 2-5). Sie ist noch nicht opti-
mal, da noch ein Element in der Entscheidungszeile (Z7 - g? = -0,3103) negativ ist. Das
neue Pivotelement ist a37 = 0,03448 (vgl. Markierung in Tableau IV). In der nachsten
Iteration wird X7 in die Losung aufgenommen und X5 wird zur Nichtbasisvariablen:
Tabelle 2-9: Tableau V - Losung nach der 2. Iteration des primalen Simplexschritts
XB gi Xl X2 X3 X4 X5 X6 X7 RS(bi) qi
X3 0 0 0 1 4,375 5,25 0 0 1.050 240
X6
X7
0
0
0
0
0
0
0
~
-22,5
0,1
29
1
0
0
1
40
9.000
160
Xl 110 1 0 0 0,25 0,1 0 0 100 400
X2 160 0 1 0 -0,1875 0,125 0 0 75
Zj-~ 0 0 0 -2,5 9,0 0 0 G=23.000
Nach der zweiten Iteration lautet die Losung Xl = 100, Xl = 75 ME und G = 23.000 GE.
Sie ist die Losung fur den Eckpunkt C in Abbildung 2-5. Diese Losung ist noch nicht
optimal, da noch ein Element der Entscheidungszeile (Z4 - g4 = -2,5) negativ ist. Das
neue Pivotelement ist a24 = 0,25 (vgl. Markierung - Tableau V). In der nachsten Iteration
wird X4 in die Losung eingefiihrt und dafur X6 aus der Losung herausgenommen.
Die Losung nach dieser Iteration (vgl. Tableau VI) wird anhand des Simplexkriteriums
auf ihre Optimalitat hin gepriift. Da aIle Elemente der Entscheidungszeile (Schatten-
preise Zj - ~ ~ 0 fur aIle j) nichtnegativ sind, gibt es keine Verbesserungsmoglichkeiten
mehr. Das optimale kombinierte Produktions- und Absatzprogramm ist ermittelt; es
entspricht der Losung fur den Eckpunkt B in Abbildung 2-5.
43
Tabelle 2-10: Tableau VI - Losung nach der 3. Iteration des primalen Simplexschritts
XB gi Xl X2 X3 X4 X5 X6 X7 RS(bi)
X3 0 0 0 1 0 -3,5 -17,5 0 350

X4 0 0 0 0 1 -0,4 4 0 160
X7 0 0 0 0 0 20 90 1 12.600
Xl 110 1 0 0 0 0 -1 0 60
X2 160 0 1 0 0 0,05 0,75 0 105
Zj-~ 0 0 0 0 8 10 0 G=23.400
Die Optimallosung lautet (vgl. Tableau VI):

Xl = 60, X2 = lOS, X3 = 350, X4 = 160, X5 = 0, X6 = 0, X7 = 12.600
mit G = 110 . 60 + 160 . 105 = 23.400.
Okonomisch interpretiert bedeutet dies, dass der Betrieb unter den gegebenen Um-
standen als kurzfristigen Plan folgendes optimale Programm realisieren konnte: Die
aus Absatzgriinden geforderte Mindestmenge von PI mit 60 ME wird in das Produk-
tionsprogramm iibernommen. Der zur Schlupfvariablen X6 in der Entscheidungszeile
gehorende Koeffizient (Z6 - g6) = 10 (= Schattenpreis fur die Absatzrestriktion) besagt,
dass eine Verringerung der Mindestabsatzmenge fur PI urn eine Mengeneinheit den
Gewinn G urn GE 10 steigern wiirde. Die Schlupfvariable X6 ist als Nichtbasisvariable
Null, da die Absatzrestriktion einen Engpass bildet. Von Produkt P2 werden 105 ME
gefertigt und stehen fur den Absatz zur Verfugung. Der Koeffizient (zs - gs) = 8, der
zur Schlupfvariablen xs gehort, bedeutet analog, dass eine Zunahme der Kapazitat der
Faktorgruppe 3 (Arbeitsstunden) urn eine Stunde den Gewinn G urn GE 8 steigern
bzw. umgekehrt eine Abnahme der Kapazitat urn eine Stunde den Maximalgewinn G
urn GE 8 verkleinern wiirde. Die Schlupfvariable xs ist ebenfalls als Nichtbasisvariable
Null, da die vorhandene Kapazitat an Arbeitsstunden einen Engpass bildet.
Da die Schlupfvariablen X3, X4 und X7 mit positiven Werten in der Basis sind, bedeutet
dies, dass hier noch LeerkapaziHiten vorhanden sind (xs = 350 ME iiberschiissige Mate-
rialkapazitat und X4 = 160 Maschinenstunden Leerzeit) bzw. der geforderte Mindest-
umsatz von GE 42.000 urn X7 = GE 12.600 iiberschritten wird. Der erreichbare Umsatz
des Optimalprogramms betragt GE 54.600 und iibersteigt damit den geforderten Min-
destumsatz um GE 12.600. Da der Schattenpreis die Anderung der ZielgrofSe G bei
44
Simplexmethode
Veriinderung der zugeh6rigen Restriktion urn eine Einheit angibt, kann der Gewinn
im Optimum auch als Summe der Produkte aus allen Kapazitiiten bzw. Anforde-
rungsgr6Ben mit ihren Schattenpreisen bestimmt werden; im Beispiel:
G = 9.800·0 + 1.600 ·0 + 3.000 ·8 + (-60) ·10 + (-42.000) ·0 = 23.400
2.3.4.2 Bestimmung einer zulassigen Ausgangslosung bei Gleichungen

als Restriktionen
Neben den bereits behandelten Ungleichungen k6nnen in einem System von Restrikti-
onen auch Gleichungen als Nebenbedingungen auftreten. So k6nnte z.B. eine ganz
bestimmte - vertraglich festgelegte - Menge eines Produkts gefertigt werden oder
Produkte nur in einem bestimmten konstanten Verhiiltnis aus einem Fertigungspro-
zess hervorgebracht werden (Kuppelproduktion). Methodisch lieBe sich eine Glei-
chungsbedingung durch Verwendung zweier Ungleichungsrestriktionen sicherstellen.
So ist die Gleichungsrestriktion Xl=4 durch Beriicksichtigung der beiden Unglei-
chungsrestriktionen Xl:"A und xl:e:4 automatisch erfiillt. Andererseits liisst sich die Er-
fiillung einer Gleichungsrestriktion ebenfalls durch Anwendung eines dualen Sim-
plexschritts gewahrleisten, was anhand eines Beispiels (in leichter Abwandlung von
Hiller, F.S., Lieberman, G.!., 2001, S. 24ff.) niiher erliiutert werden solI: Ein Untemehmen
stellt Fenster und Glastiiren her, die in drei Werken produziert werden. In Werk 1
werden Aluminiumrahmen und in Werk 2 Holzrahmen gefertigt. Fur beide Rahmen-
typen erfolgt die Montage der Glaselemente abschlieBend in Werk 3. Das Untemeh-
men steht nun vor der Entscheidung, die gewinnmaximale Produktionskombination
aus Glastiiren mit Alurahmen und Holzfenstem zu bestimmen. Die zur Produktion
ben6tigten Kapazitiiten sind folgender Tabelle zu entnehmen.
Tabelle 2-11: Kapazitiiten Glastiiren und Holzjenster
Glastiir (Alurahmen) Holzfenster

Verfiigbare Kapazitiit
X2
'Yl
Werkl 1 4 (Hi:ichstkapazitiit)
Werk2 2 12 (Hi:ichstkapazitiit)
Werk3 3 2 18 (genaue Auslastung)
Gewinn je Einheit ($) $3 $5
45
Graphisch. bedeutet die Gleichungsrestriktion fur Werk 3, dass die optimale Losung
zwangsliiufig auf der dritten Restriktionsgeraden liegen muss. Es entsteht gewisser-
maBen eine "Losungsstrecke".
Abbildung 2-6: Graphische Losung des Beispiels Glastiiren und Holzfenster
8
><7
~.
:I: 6
o
N
;;-5
::l
'"~.., 4
3
2
o 2 3 4 5 6 7 8 9 10 11 12 13
XI: G lastiiren
In ein lineares Gleichungssystem transformiert ergibt dies:
Maximiere G = 3Xl + 5X2

1x1 4
+2X2 12
3Xl +2X2 18
Xl; X2~ 0
Wiihrend man Ungleichungen durch Addition von Schlupfvariablen in Gleichungen

umwandelt, scheint zuniichst das Einfilgen von Schlupfvariablen bei Gleichungen
nicht erforderlich zu sein. Bei Anwendung der Simplexmethode haben die Schlupfva-
riablen in der Ausgangslosung (Nulllosung) aber auch die Aufgabe, Basisvariablen
zu sein. Damit die Hauptvariablen (Strukturvariablen) in der Nulllosung den Wert
Null annehmen konnen, miissen die Schlupfvariablen gleich dem Wert der rechten
46
Simplexmethode
Seite (hi) sein. Unter diesen Voraussetzungen ist das mit Hille der Schlupfvariablen
gebildete Gleichungssystem in der Ausgangslosung erfiillt. Dagegen ist eine Glei-
chung, die nur Hauptvariablen enthalt, in der Ausgangs16sung (Nulllosung) im All-
gemeinen nicht erfilllt; ausgenommen bleibt der Fall, dass der Wert der rechten Seite
der Gleichung Null ist (hi = 0). Urn nun dennoch zu einer ersten zulassigen Basisla-
sung (Ausgangslosung) zu gelangen, ist es empfehlenswert, jeder Gleichung - ebenso
wie jeder Ungleichung - eine Schlupfvariable (Xn+i) zuzuordnen. Diese kiinstlichen
Schlupfvariablen diirfen am Ende auf keinen Fall Basisvariablen der Optimallosung
sein, da andemfalls die Gleichheitsbedingungen verletzt waren. Eine Losung ist nur
dann zulassig, wenn diese kiinstlichen Schlupfvariablen den Wert Null annehmen,
d.h. nicht mehr Basisvariablen sondem Nichtbasisvariablen sind. Urn dies sicherzu-
stellen, werden diese kiinstlichen Schlupfvariablen mit einem Sperrvermerk versehen
(gesperrte Schlupfvariablen). Durch den Sperrvermerk sind sie als unzulassige Ba-
sisvariablen gekennzeichnet. Nach einfiigen der Schlupfvariablen ergibt sich somit
folgendes System von Restriktionen:
lxl =4
+2X2 =12
3xI +2X2 +XS(gesp.) =18
XI; X2~ 0
Es wird deutlich, dass die Gleichungsbedingung der dritten Restriktion nur dann
erfilllt ist, wenn die Schlupfvariable xs genau den Wert Null annimmt. Aus diesem
Grund wird die Variable xs als gesperrte Variable definiert, die in einem dualen Sim-
plexschritt zu einer Nichtbasisvariable transformiert wird. Entsprechend wird in der
ersten Iteration die Variable xs als Pivotzeile und X2 (Maximierungsproblem!) als Pi-
votspalte ausgewahlt.
Tabelle 2-12: Unzuliissige Simplex-Ausgangslosung (Nuillosung)
XB Xl X2 X3 X4 X5(gesp.) RS (bi)
X3 1 0 1 0 0 4
X4 0 2 0 1 0 12
XS(gesp.)
Zj-&
3
-3
I2l
-5
0
0
0
0
1
0
18
G=O
47
Tabelle 2-13: Liisung nach dem ersten dualen Schritt (unzuliissige Liisung)
XB Xl X2 X3 X4 X5(gespJ RS (bi)
X3 1 0 1 0 0 4
X4
X2
~
1,5
0
1
0
0
1
0
-1
1/2
-6
9
Zj-~ 4,5 0 0 0 2,5 G=45
Nach dieser Iteration ist die Unzulassigkeit aufgrund der Gleichungsrestriktion besei-
tigt. Da X5 zukiinftig nicht mehr in die Basis gelangen darf (VerstoB gegen Restriktion
3) verbleibt die Variable in jedem Fall in der Nichtbasis, auch wenn sich fur sie im
weiteren Verlauf des Simplex negative Zielkoeffizienten ergeben wiirden. Strengge-
nommen brauchte X5 nicht weiter berechnet zu werden. Lediglich die Kenntnis iiber
die H6he der Opportunitatskosten bzw. der Schattenpreise rechtfertigt eine Weiterbe:
rechnung. Aus dem Tableau ist nun zu erkennen, dass aufgrund der negativen rechten
Seite die zweite Restriktion unzulassig ist. Es erfolgt deshalb ein weiterer dualer Sim-
plexschritt, mit X4 als Pivotzeile und XI als Pivotspalte.
Tabelle 2-14: Tableau nach zweitem dualen Schritt (zuliissige und optimale Liisung)
XB Xl X2 X3 X4 X5(gespJ RS (bi)
X3 0 0 1 1/3 1 2
XI 1 0 0 -1/3 -1/3 2
xz 0 1 0 1/2 1/3 6
Zj-gj 0 0 0 1,5 1 G=36
Das Tableau ist nun zulassig, da kein negatives Element mehr auf der rechten Seite
auftritt. Da alle nichtgesperrten Variablen in der Zielzeile positive Werte annehmen, ist
das Tableau an dieser Stelle zufaIligerweise bereits optimal. Okonomisch interpreti'ert
bedeutet dies, dass der Betrieb unter den gegebenen Restriktionen einen maximalen
Gewinn von $ 36 realisiert, wenn zwei Glastiiren aus Aluminium (xI=2) und sechs
Holzfenster (xz=6) produziert werden. In Werk 1 besteht noch eine Restkapazitat von
48
Simplexmethode
zwei Einheiten (X3=2). Da X4 als Nichtbasisvariable den Wert Null annimmt, ist die
Kapazitat in Werk 2 voU ausgesch6pft. K6nnte bier eine zusatzliche Kapazitatseinheit
geschaffen werden, wiirde dies den Gewinn urn $ 1,5 erh6hen. Analog erfolgt die
Interpretation fur die gesperrte Nichtbasisvariable X5(gesp.). Eine zusatzliche Einheit in
Werk 3 wiirde bier den Gewinn urn $ 1 erh6hen.
2.3.4.3 Die Zwei-Phasen-Simplexmethode

Der Standardansatz der linearen Planungsrechnung ist durch nichtnegative Entschei-
dungsvariablen Xj ~ 0, ausschlieBlich ,,5," (kleiner gleich) Restriktionen und hi ~ 0, wo-
bei mindestens ein bi > 0 ist, gekennzeichnet. In allgemeineren Fallen kann neben des
bereits gezeigten dualen Simplexschrittes die Zwei-Phasen-Simplexmethode bzw. die
Big-M Methode zur L6sung des linearen Optimierungsproblems herangezogen wer-
den. Hier soU an einem Beispiel (Gal, T., 1989, S. 84-92) die Zwei-Phasen-
Simplexmethode kurz dargesteUt werden. Bei der Zwei-Phasen-Simplexmethode wird
zunachst in Phase 1 eine zulassige Ausgangsl6sung ermittelt. AnschlieBend wird in
Phase 2 die zulassige Ausgangsl6sung optimiert. Nachdem das vorliegende Lineare
Optimierungsproblem zunachst so aufgeschrieben wird, dass alle bi ~ 0 sind, ist es
sinnvoU, die Restriktionen in der Reihenfolge ,,5,", ,,~" und ,,=" zu ordnen. Zu den ,,5,"
Restriktionen werden Schlupfvariablen addiert, bei Restriktionen yom Typ ,,~" werden
Schlupfvariablen subtrahiert und Hilfsvariablen pi addiert, bei ,,=" Restriktionen ad-
diert man nur Hilfsvariablen. Ferner wird eine Hilfszielfunktion H bzw. H kon-
m
struiert, die in Phase 1 zu minimieren bzw. zu maximieren ist: Min H = L Pi bzw.
i=mt +l
_ m
Max H = - L Pi . lIn Ausgangstableau sind bei den ,,5," Restriktionen die Schlupfvari-
i=mt+1
ablen, bei den ,,~" und ,,=" Restriktionen die Hilfsvariablen die Basisvariablen.
Tabelle 2-15: Daten zum Optimierungsproblem
Produkte PI P2 P3
Menge rME/Monatl Xl Xl X3
Deckungsbeitrag [GE/ME] 120 140 60 Monatliche Kapazitat
Fertigungszeit in [h/ME] Fl 20 8 16 30000 (h/Monat)
auf der Fertigungsanlage F2 16 12 8 34000 (h/Monat)
H6chstproduktions- 1 2000 [ME/Monat]
mengen [ME/Monat] 1 1800 [ME/Monat]
Mindestabsatzmenge 1 700 [ME/Monatl
49
Lineare Planungsrethnung
2
Beispiel: Ein Untemehmen will in einem kombinierten Produktions- und Absatzpro-
gramm den Deckungsbeitrag einer Planungsperiode optimieren. Die Daten des Optie-
rungsprogramms konnen der vorstehenden Tabelle entnommen werden. Die Gesamt-
produktion der drei Produkte im Planungsmonat solI genau 2450 ME betragen. Das zu
losende lineare Programm lautet somit:
Maximiere Z =120xI+ 160X2+40X3
20xI + 8X2 + 16X3 ::;30000
16xI + 12X2 +8X3 ::; 34000
1 XI ::; 2000
Ixl <': 700

lxl + lX2 + Ix3 2450
XI,X2, X3<': 0
Nach Einfiigen der Schlupfvariablen X4 bis xs und der Hilfsvariablen pI und p2 erhhlt
man folgendes umgeformtes Problem:
Max Z = 120xI + 160X2+ 40X3+ OX4+ Oxs+ OX6+ OX7+ Oxs- PI- p2
20xI + 8X2 + 16x3 + X4 =30000
16xI + 12X2 + 8X3 +xs = 34000
1 XI +X6 2000
lX2 +X7 1800
lxl - xs +pl 700
lxl + lx2 + Ix3 +p2 2450
XI, ... xs, PI; p2 <': 0
Die in der Phase 1 zu maximierende Hilfszielfunktion lautet:
8
Max H = -PI-P2-0 LX' .
j=l ]
1m Ausgangstableau zur Losung unseres kombinierten Produktion- und Absatzprob-

lems sind die Hilfszielfunktion H und die originare Zielfunktion z integriert. Basisva-
riablen bei den ,,::;" Restriktionen sind die Schlupfvariablen X4 bis X7, bei den ,,<,:" und
,,=" Restriktionen sind es die Hilfsvariablen pI und p2. Die Koeffizienten in der Zeile
der Hilfszielfunktion H erhalt man, indem bei den Nichtbasisspalten (einschlieBlich
der rechten Seite; hier: XI, X2, X3,XS, bi) die Koeffizienten in den Zeilen der Hilfsvariab-
50
Simp/exmethode 2.3
len pI und p2 addiert werden. Diese Surnme wird mit (-1) multipliziert. (Beispiel: XI-
Spalte: (1+1) * (-1)= -2; hi-Spalte: (700+2450) * (-1)~3150). In den Spalten der Basisvari-
ablen erscheint als Koeffizient der Wert Null.
In der ersten Phase der L6sung werden die Hilfsvariablen aus der Basis eliminiert.
Kriteriumszeile fur die Auswahl der Pivotspalte ist die mj Zeile. Urn nach Eliminati-
on aIler Hilfsvariablen eine Neuberechnung der Zielzeile zu urngehen, kann die
Hauptzielfunktion von Anfang an bei den Iterationen beriicksichtigt werden. Es ergibt
sich folgendes Ausgangstableau.
Tabelle 2-16: Tableau I - Simplex-Tableau der AusgangsWsung (Nulllosung)
XB XI X2 X3 X4 X5 X6 X7 X8 pI p2 RS (hi)
X4 20 8 16 1 0 0 0 0 0 0 30000
X5 16 12 8 0 1 0 0 0 0 0 34000
X6 1 0 0 0 0 1 0 0 0 0 2000
X7 0 1 0 0 0 0 1 0 0 0 1800
pl =:0 0 0 0 0 0 0 -1 1 0 700
p2 1 1 1 0 0 0 0 0 0 1 2450
Mfj -2 -1 -1 0 0 0 0 1 0 0 -3150
Zj-gj -120 -160 -40 0 0 0 0 0 0 0 0
Das Pivotelement wird ermittelt wie bei der sonst iiblichen primalen Simplexmethode.
Lediglich wird als Kriteriurnszeile nicht die Ziel- sondem die Hilfsfunktionszeile ver-
wendet. Findet man kein positives Pivotelement, urn eine Hilfsvariable zu eliminieren,
so ist das Problem nicht 16sbar. Nach der ersten Iteration erhlllt man folgendes
Tableau. Die pI Spalte kann entfallen, da die erste Hilfsvariable eliminiert ist.
51
XB Xl X2 X3 X4 Xs X6 X7 X8 pI p2 RS (hi)
X4 0 8 16 1 0 0 0 20 0 16000
xs 0 12 8 0 1 0 0 16 0 22800
X6 0 0 0 0 0 1 0 1 0 1300
X7 0 1 0 0 0 0 1 0 0 1800
Xl 1 0 0 0 0 0 0 -1 0 700
p2 0 III 1 0 0 0 0 1 1 1750
Llli j 0 -1 -1 0 0 0 0 -1 0 -1750
Zj-~ 0 -160 -40 0 0 0 0 -120 0 84000
Fur die 2. Iteration kommen als Pivotspalten die Spalten Xl, X3 und X8 in Frage. Wahlt
man die Spalte Xl als Pivotspalte, wird nach dem Zeilenkriterium die Hilfsvariable p2 -
wie erwiinscht - ebenfalls aus der Basis eliminiert. Das Tableau nach der 2. Iteration
lautet dann:
Tabelle 2-18: Tableau III - Losung nach der 2. Iteration - Optimallosung
XB Xl X2 X3 X4 XS X6 X7 X8 pI p2 RS(bi)
X4 0 0 8 1 0 0 0 12 2000
xs 0 0 -4 0 1 0 0 4 1800
X6 0 0 0 0 0 1 0 1 1300
X7 0 0 -1 0 0 0 1 -1 50
Xl 1 0 0 0 0 0 0 -1 700
X2 0 1 1 0 0 0 0 1 1750
Llli j 0 0 0 0 0 0 0 0 0
Zj-gj 0 0 120 0 0 0 0 40 364000
52
Simplexmethode 2.3
Nach der 2. Iteration und nachdem die beiden Hilfsvariablen pI und pz aus der Basis
eliminiert sind, ist die erste Phase der Zwei-Phasen-Methode abgeschlossen und eine
zuliissige Ausgangslosung liegt vor. Bei zuliissiger Ausgangslosung sind alle Werte in
der Hilfszielfunktionszeile iiij groBergleich Null. FUr die Hilfszielfunktion liegt das
Maximum vor, die Phase 2 kann eingeleitet werden. In der zweiten Phase wird die
zuliissige Ausgangslosung optimiert. In unserem Beispielliegt jedoch bereits die opti-
male Losung vor, da auch in der originiiren Zielfunktionszeile alle Werte positiv sind.
Eine Verbesserung des Zielfunktionswertes ist somit nicht mehr moglich.
Im optimalen Produktionsprogramm werden 700 ME des Produktes 1 (xI=700) und
1750 ME des Produktes 2 (X2=1750) hergestellt. Produkt 3 wird nicht hergestellt (X3=O,
da Nichtbasisvariable). Die Gesamtproduktion betriigt -wie gefordert - 2450 ME in der
betreffenden Planungsperiode (pz=O, da Nichtbasisvariable) .. Der Gesamtdeckungsbei-
trag beliiuft sich auf 364 000 GE. FUr Maschine 1 besteht eine Restkapazitiit von 2000
Stunden (x4=2000), fur Maschine 2 eine Restkapazitiit von 1800 Stunden (xs=1800). Die
Mengenanforderungen bei den Produkten werden eingehalten: Die Mindestrnenge
von 700 ME bei Produkt 1 wird genau produziert (xs=O, da Nichtbasisvariable), die
maximale Menge von 2000 ME um 1300 unterschritten (x6=1300). Die Maximalmenge
von 1800 ME wird bei einer Produktion von 1750 ME um 50 ME unterschritten (xr-=50).
Die Produktion einer ME des Produktes 3 hiitte zur Folge, dass der Deckungsbeitrag
um 120 GE pro produzierter Mengeneinheit des Produktes 3 sinken wiirde. Eine Er-
hohung der Mindestproduktionsmenge des ersten Produktes tiber 700 ME hinaus,
lieBe den Deckungsbeitrag urn 40 GE pro produzierter ME sinken.
2.3.4.4 Freie Variablen und ihre Behandlung

Ais "freie Variablen" werden solche bezeichnet, fur die die Nichtnegativitatsbedin-
gung nicht gilt. Freie Variablen konnen also positive und negative Werte annehmen;
sie werden auch als im Vorzeichen unbeschrlinkte Variablen bezeichnet. Die Simplex-
Methode erzwingt grundsiitzlich fur aIle Variablen die Nichtnegativitiit. 1m Allgemei-
nen ist diese implizierte Berlicksichtigung der Nichtnegativitiitsbedingungen er-
wUnscht, weil die Nichtnegativitiit der Variablen sinnvoll oder notwendig ist. Es gibt
jedoch reale Situationen, in denen fur aIle oder einzelne Variablen keine Vorzeichenbe-
schriinkung besteht. Die unveriinderte Anwendung der Simplex-Methode hiitte in
diesem Fall die gleiche Wirkung wie die Einfiihrung einer Nichtnegativitiitsbedin-
gung. Das konnte eine Verfiilschung der Losung bedeuten.
Freie Variablen sind stets in Basisvariablen zu verwandeln. Das bedeutet, dass man in
den ersten Iterationen versucht, aIle Nichtbasisvariablen, die freie Variablen darstellen,
in die Losung aufzunehmen. Hierbei gel ten die beschriebenen Rechenregeln der Sim-
plex-Methode. Lediglich die Auswahlkriterien fur die Pivotspalte und Pivotzeile sind
anders: Ais Pivotspalte wiihlt man jeweils die Spalte, deren Nichtbasisvariable eine
freie Variable ist. Als Pivotzeile kann eine beliebige Zeile gewiihlt werden, deren zuge-
53
horige Basisvariable nicht frei ist und die sich mit der Pivotspalte in einem von Null
*'
verschiedenen Pivotelement (apk 0) schneidet. Die Vorgehensweise entspricht me-
thodisch einem dualen Simplexschritt zur Bestimmung einer zulassigen Ausgangslo-
sung bei Verletzung der Nichtnegativitatsbedingung.
1st eine freie Variable nach einem dualen Simplexschritt in der Losung, so darf ihre
Zeile nicht mehr als Pivotzeile gewiihlt werden. Es kann sinnvoll sein, schon in der
Ausgangslosung die freien Variablen zu Basisvariablen zu verwandeln; diese haben
dann keinen Einfluss auf die Losung. Vielmehr dienen sie meistens gewissen Neben-
rechnungen und Interpretationszwecken (Miiller-Merbach, H., 1973, S. 128 ff.). Auch die
Basisvariable der Zielfunktion ist z.B. formal als freie Variable zu interpretieren. Sie
nimmt an allen Iterationen teil, wird aber niemals Pivotzeile. Bei linearen Gleichungs-
systemen sind aile Entscheidungsvariablen freie, d.h. im Vorzeichen unbegrenzte
Variablen. Dariiber hinaus sind aile Restriktionen Gleichungen, deren Schlupfvariab-
len gesperrte Variablen sind.
2.3.4.5 Beispiel zur Losung eines Iinearen Gleichungssystems mit Hi!-

fe der Simplexmethode
Zur Losung eines linearen Gleichungssystems mit Hilfe der Simplexmethode wird in
jeder Iteration eine freie Variable gegen eine gesperrte Variable ausgetauscht. Die Vor-
gehensweise sei an folgendem linearen Gleichungssystem demonstriert:
- 3X2 + X3 = 10
- X2 + 3X3 8
+ 7X2 - X3 2
Die Variablen Xl, X2 und X3 sind freie Variablen. Unter Einfuhrung der gesperrten
Schlupfvariablen X4 bis X6 kommt man zu folgendem modifizierten Simplex-
Ausgangstableau:
Tabelle 2-19: Tableau 1- Simplex-Ausgangstableau zum Gleichungssystem
XB Xl X2 X3 X 4(gesp.) X 5(gesp.) X6(gesp. ) RS

X4(gesp.) 2 -3 1 1 0 0 10
X5(gesp.) -1 -1 3 0 1 0 8
I
X6(gesp.) 6 7 -1 0 0 1 2
54
Simplexmethode
Die Reihenfolge der zu wiihlenden Pivotspalten und Pivotzeilen ist beliebig.
Tabelle 2-20: Tableau IJ- Simplex-Tableau nach der 1. Iteration
XB Xl X2 X3 X4(gesp.) X5(gesp.) X4(gesp.) RS

X4(gesp.) 0 -5 7 1 2 0 26
Xl 1 1 -3 0 -1 0 -8
X6(gesp.) 0
I 1
I 17 0 6 1 50
Tabelle 2-21: Tableau III - Simplex-Tableau nach der 2. Iteration
XB Xl X2 X3 X4(gesp.) XS(gesp.) X4(gesp.) RS

X4(gesp.) 0 0
I 92
I 1 32 5 276
Xl 1 0 -20 0 -7 -1 -58
X2 0 1 17 0 6 1 50
Tabelle 2-22: Tableau IV - Simplex-Tableau nach der 3. Iteration (Losung»
XB Xl X2 X3 X4(gesp.) XS(gesp.) X4(gesp.) RS
X3 0 0 1 1/92 8/23 5/92 3

Xl
1 0 0 5/23 -1/23 2/23 2
X2 0 1 0 -17/92 2/23 7/92 -1
Nach drei Iterationen ist das lineare Gleichungssystem gelost: Xl = 2, X2 = -I, X3 = 3.
55
2.3.5 Minimierung mit der Simplexmethode

In den vorangegangenen Ausfiihrungen wurde die Simplexmethode zur Losung von
linearen Programmierungsaufgaben mit einer zu maximierenden Zielfunktion behan-
delt. In gleicher Weise wie das lineare Maximierungsproblem kann auch das lineare
Minimierungsproblem mit Hilfe der Simplexmethode gelost werden. Ein direkter
Weg der Minimierung mit der Simplex-Methode liegt in der Umkehrung der Verfah-
reno Einfacher als die Anderung der Rechenregeln fur die Simplexmethode ist jedoch
die Umwandlung eines Minimierungsproblems in ein aquivalentes
Maximierungsproblem:
n
• Minimiere K= L k j . x jist iiquivalent mit
j; 1
• Maximiere G= (-K)= f (-k.).X.

j; 1 J J
Beide Formulierungen fiihren mithin zur gleichen optimalen Losung. Jedes Minimie-
rungsproblem wird durch Multiplikation der Zielfunktion mit (-1) zu einem Maxi-
mierungsproblem. Die Vorgehensweise solI an folgender Aufgabenstellung erliiutert
werden.
2.3.5.1 Beispiel: Kostenminimale Mischung

Ein Betrieb der Nahrungsmittelindustrie stellt einen SillSwarenartikel her. Das Produkt
setzt sich aus drei Substanzen (Sl, S2 und S3) zusammen, die gemischt werden. Eine
Mischung solI von den drei Substanzen jeweils mindestens bi (i ; 1, 2, 3) Mengenantei-
Ie enthalten: b1 = 480; b2 = 440; b3 = 420. Fur die Erstellung dieser Mischung sind die
Mengen Xj G = 1, 2) von zwei verschiedenen Einsatzfaktoren (Rohstoffe R1 und Rz)
heranzuziehen. In den Einsatzfaktoren sind die gewiinschten drei Substanzen unter-
schiedlich stark enthalten. Durch die Koeffizienten llij ist angegeben, wie viel Mengen-
einheiten der Substanz i in einer ME des Einsatzfaktors j enthalten sind:
• Einsatzfaktor 1: an = 8; a21 = 4; a31; 2
• Einsatzfaktor 2: a12 = 3; a22 = 4; a32 = 6

Dabei kostet eine ME des Einsatzfaktors R1 k1 = 30 GE und des Einsatzfaktors Rz kz =
20 GE. Gesucht ist die kostenminimale Mischung der beiden Einsatzfaktoren.
Die Zielfunktion lautet:
Minimiere K =k1 . Xl + kz . X2 = 30X1 + 20X2, bzw.
Maximiere (-K) = (-k1) . Xl + (-kz) . X2 = (-30) . Xl + (-20) . X2
56
Simplexmethode 2.3
Restriktionen:
an . Xl + a12 . X2 2 bl; 8Xl + 3X2 2 480
a2l . Xl + au . X2 2 b2; 4xl + 4X2 2 440
a3l . Xl + a32 . X22 b3; 2xl + 6X2 2 420
NichtnegativWitsbedingung: Xl, X2 2 0
Urn die Ungleichungen in Gleichungen zu liberfiihren, werden Schlupfvariablen (X3,
X4, xs) eingefiihrt:
8Xl + 3X2 - X3 = 480
4xl + 4X2 - X4 = 440
2Xl + 6X2 - xs = 420
Neben die n = 2 Hauptvariablen sind mithin m = 3 Schlupfvariablen getreten. Flir aIle
Variablen - also auch die Schlupfvariablen - gilt die Nichtnegativitatsbedingung:
Xj 2 0; Xn+i 2 0 (fur alle j und i)
In unserem Beispiel sind alle bi 2 O. Damit kann aus dem vorliegenden Gleichungssys-
tern keine zulassige Basislosung abgelesen werden. Es ist also zunachst eine zulassige
Basislosung zu bestimmen. Dazu konnen wiederum duale Simplexschritte oder das
Zwei-Phasen-Verfahren herangezogen werden.
2.3.5.2 Minimierung mit Hilfe eines dualen Schritts

Zur Demonstration des dualen Schritts wird das oben behandelte Mischungsproblem
gelost: Die Zielfunktion und das Ungleichungssystem werden mit (-1) multipliziert:
G= - K = -30Xl - 20X2 ist zu maximieren!
-8Xl - 3X2 ::; -480
-4xl - 4xz ::; -440
-2Xl - 6X2 ::; -420
Xj 2 0 G= I, 2)
Dadurch wird die Minimierungsaufgabe zu einer Maximierungsaufgabe. Nach
Einfiihrung der drei Schlupfvariablen X3, X4 und xs ergibt sich folgende unzulassige
(Verletzung der Nichtnegativitatsbedingung) Ausgangslosung:
57
1
Uneare P/anungsrechnung
Tabelle 2-23: Tableau 1- Simplex-Ausgangstableau
XB gi Xl Xl X3 X4 X5 RS (bi)
X3 0 -8 -3 1 0 0 -480
X4 0 -4 -4 0 1 0 -440
X5 0 -2 -6 0 0 1 -420
Zj-gi 30 20 0 0 0 G~K=O
Da aIle Basisvariablen der NulIlosung die NichtnegativiUitsbedingung verletzen, ist in

die Zeilenauswahl beliebig. Das Pivotelement muss negativ sein; Spalte 1 und 2 erfiil-
len in Tableau I diese Bedingung fur aile Zeilen. Ais Pivotelement sei au = -8 gewiililt,
so dass in der ersten Iteration wieder die Strukturvariable X3 in die Losung eingefiihrt
und dafur die Schlupfvariable X3 zur Nichtbasisvariablen wird:
Tabelle 2-24: Tableau II - Losung nach der 1. Iteration - unzuliissige Losung
XB gi Xl X2 X3 X4 Xs RS (bi)
Xl -30 1 3/8 -1/8 0 0 60
X4 0 0 -5/2 -1/2 1 0 -200
X5 0 0 I -21/4 I -1/4 0 1 -300
Zj-gi 0 35/4 15/4 0 0 -K~1.800
Tabelle 2-25: Tableau III - Losung nach der 2. Iteration - unzuliissige Losung
XB gi Xl X2 X3 X4 xs RS (bi)
Xl -30 1 0 -1/7 0 1/14 270/7
X4 0 0 0 -8/21 1 I -10/21
I -400/7
X2 -20 0 1 1/21 0 -4/21 400/7
Zj-gj 0 0 10/3 0 5/3 -K~2.300
58
Simplexmethode 2.3
Tabelle 2-26: Tableau IV - Losung nach 3. Iteration - zuliissige & optimale Losung
Xl -30 1 0 -1/5 3/20 0 30
X5 0 0 0 4/5 -21/10 1 120
X2 -20 0 1 1/5 -2/5 0 80
Zj-lSi 0 0 2 7/2 0 -K~2.500
Mit Tableau IV sind aile erforderliehen dualen Simplexschritte durehgefuhrt. Die ge-
fundene Losung ist eine zulassige Losung; sie ist zufalligerweise zugleich Optimallo-
sung.
2.3.6 Verstandnisfragen zu den Abschnitten 2.1 bis 2.3

1. Welehe Bedeutung kommt den linearen Entseheidungsmodellen in der Praxis zu?
2. Wie Hisst sich der mathematische Kern der linearen Optimierung (Programmie-
rung) beschreiben?
3. Aus welehen Teilen besteht ein linearer Programmansatz?
4. Was besagt das Eckentheorem (Simplextheorem) der linearen Planungsrechnung?

5. Warum verliert das Eckentheorem bei mehrdeutigen Losungen eines linearen Pro-
grammansatzes nieht seine Giiltigkeit?
6. Wie lasst sieh der Standardansatz der linearen Planungsrechnung formulieren?
7. Was sind Basislosungen, Basisvariablen und Niehtbasisvariablen?

8. Wodureh ist die Normalform eines linearen Programms gekennzeichnet?
9. Worin besteht das iterative Reehenverfahren der Simplexmethode?
10. Wie lassen sieh Ungleiehungssysteme in Gleiehungssysteme iiberfuhren?
11. Was ist der Unterschied zwischen Hauptvariablen und Schlupfvariablen? Wie
lassen sich die Schlupfvariablen okonomisch interpretieren?
12. Was versteht man unter "Nulllosung" ("Nullprogramm")?

13. Welehe Funktion hat das Simplexkriterium und wie lasst es sieh anwenden?
59
14. Was versteht man unter Opportunitatskosten (Schattenpreisen) und welche Funk-
tion haben sie in der linearen Planungsrechnung?
15. Worin besteht der Unterschied der Spalten- und Zeilenauswahl bei den Simplexite-
rationen nach der "Steepest Unit Ascent"-Version und der "Greatest Change"-
Version?
16. Wie lassen sich die Matrizenoperationen des modifizierten GauBschen
Algorithmus beschreiben?
17. In welche Schritte lasst sich die Vorgehensweise nach der Simplexmethode eintei-
len?
18. Wie lassen sich die Inhalte der Simplextableaus bei Programmplanungen 6kono-
misch interpretieren?
19. Woran erkennt man (optimale) Mehrfachl6sungen bei der Simplexmethode?
20. Wie lassen sich die Engpasse optimaler Programme bewerten?
21. Was versteht man unter Degeneration (Entartung)? Wie lasst sich der dabei even-
tuell auftretende Zyklus mit der Simplexmethode durchbrechen?
22. Wie lassen sich lineare Programmierungsprobleme mit unzulassiger Ausgangsl6-
sung behandeln?
23. Wie lassen sich duale Simplexschritte zur Bestimmung einer zulassigen Ausgangs-
16sung beschreiben?
24. Wie lasst sich das Zwei-Phasen-Verfahren zur Bestimmung einer zulassigen Aus-
gangsl6sung beschreiben?
25. Was versteht man unter "freien Variablen" und wie lassen sie sich mit der Sim-
plexmethode behandeln?
26. Worin besteht der Unterschied zwischen einer Maximierung und einer Minimie-
rung eines linearen Programmierungsproblems mit Hilfe der Simplexmethode?
27. Welche Verfahren k6nnen zur Minimierung von linearen Programmierungsprob-
lemen herangezogen werden?
2.4 Dualitat in der linearen Planungsrechnung

Der Begriff Dualitat wird auf Objekte oder Probleme angewendet, bei denen eine
Polaritat (Gegensatzlichkeit) gegeben ist. Dies gilt auch fur die bisher behandelten
Programmierungsaufgaben. In der Theorie der linearen Planungsrechnung nimmt das
Dualitatstheorem eine zentrale Stelle ein. Es besagt, dass zu jeder linearen Optimie-
60
Dualitiit in der linearen Planungsrechnung
rungsaufgabe eine duale lineare Optimierungsaufgabe existiert. Bei der Dualitiit

handelt es sich urn die beweisbare Tatsache (Dantzig, G. B., 1966, S. 163ff.), dass jedem
vorgelegten linearen Programm ein zweites - genau definiertes - duales Programm
zugeordnet werden kann. Das Ausgangsproblem (UIspriingliches Problem) wird als
Primalproblem, primales Problem oder kurz Primal bezeichnet. Das Dualproblem
wird auch duales Problem oder Dual genannt. Zu beachten ist, dass die Dualitatsbe-
ziehung symmetrisch ist, d.h., dass die Probleme zueinander dual sind: das Dual des
Dualproblems ist wieder das Primalproblem. Wir k6nnen also nach Belieben eines der
beiden Probleme (Primal- oder Dualproblem) als primal bezeichnen; das jeweils ande-
re hei1St dann dual. 1st das primale lineare Problem eine Maximierungsaufgabe, so ist
das dazugeh6rige duale Problem eine Minimierungsaufgabe und urngekehrt.
2.4.1 VerknUpfung dualer Probleme

Zwischen dem Primal- und dem dazugeh6renden Dualproblem besteht folgender
Zusammenhang (in Matrizenschreibweise bzw. unter Verwendung des Summenzei-
chens):
2.4.1.1 Standardproblem
Abbildung 2-7: Primales Maximierungsproblem und duales Minimierungsproblem
Primalproblem dazugeboriges Dualproblem

Lautet das Maximierungs- so lautet das dazugehorige
problem: Minimierungsproblem:
L
n m
Maximiere G = L CjXj Minimiere K = biWi
j=l i=l
unter den Nebenbedingungen unter den Nebenbedingungen
n m
L aijxj:O;bi (i = 1,2, ... , m) L aijWi~Cj U= 1,2, ... , n)
j=l i=l
U= 1,2, ... , n) Wi~O (i= 1,2, ... , m)
oder in Matrizenschreibweise:
Maximiere G = c'x Minimiere K = b 'w
Ax:o;b A'w~c
x~O w~O
61
Dabei sind c und x Vektoren mit n Komponenten, b und w Vektoren mit m Komponen-
ten, A ist eine m . n -Matrix und A' ist die transponierte ("gestiirzte") Matrix A; A'ist
also eine n· m -Matrix.
Abbildung 2-8: Primales Maximierungsproblem und duales Minimierungsproblem
PrimaIproblem dazugeboriges Dualproblem

Lautet das Minimierungs- so lautet das dazugehOrige
problem: Maximierungsproblem:
m
L
n
Minimiere K = CjXj Maximiere G = L biWi
j=l i=l
n m
L aijXj;::: bi (i = 1,2, ... , m) L aijWi:O; Cj U= 1, 2, ... , n)
j=l i=l
Xj ;::: 0 U= 1, 2, ... , n) Wi;::: 0 (i = 1,2, ... , m)
oder in Matrizenschreibweise:
Minimiere K = ex Maximiere G = b 'w
Ax;:::b A'w:o;e
x;::: 0 w;:::O
Dabei sind wiederum c und x Vektoren mit n Komponenten, b und w Vektoren mit m
Komponenten, A ist eine m . n -Matrix und A' ist die transponierte Matrix A; A' hat n
Zeilen und m Spalten. Die Entscheidungsvariablen (Unbekannten) der dualen Aufga-
be sind mit Wi (i = 1, 2, ..., m) symbolisiert. Die Dualaufgabe hat so viel Unbekannte,
wie die Primalaufgabe Nebenbedingungen hat. Neben dem unterschiedlichen Vari-
ablensystem und der entgegengesetzten Zielrichtung kehren sich die Ungleichungs-
zeichen in den Ungleichungen der Restriktionen urn. Die Anzahl der Restriktionen des
Dualproblems entspricht wiederum der Anzahl der Entscheidungsvariablen im Pri-
malproblem. Die rechte Seite ("RS") bilden in der Dualaufgabe die Zielfunktionskoef-
fizienten der Primalaufgabe, wahrend umgekehrt die Beschrankungswerte bi ("RS"-
Werte) der Primalaufgabe die Zielfunktionskoeffizienten der Dualaufgabe sind. Die
Koeffizienten der Restriktionen bleiben erhalten; ihre Anordnung wird jedoch veran-
dert. Es werden die Zeilen und Spalten miteinander vertauscht.
62
2.4.1.2 Kanonisches Problem

Ein lineares Gleichungssystem mit m Gleichungen und n Variablen (n > m) wird ka-
nonisch genannt, wenn die Koeffizienten der m freien Variablen, der Basisvariablen,
die Einheitsmatrix bilden (Dantzig, G. B., 1966, S. 87 ff.). Die dualen kanonischen Prob-
Ierne tragen dabei nicht die charakteristischen Merkmale der primalen kanonischen
Probleme. Vielmehr haben sie Ungleichungen statt Gleichungen als Nebenbedingun-
gen und beliebige statt nichtnegative Variablen. Folgende Aussagen tiber die Zusam-
menhange von Primal- und Dualproblem k6nnen gemacht werden (Hadley, G., 1962,
S. 228 ff.; Diirr, w., Kleibohm, K., 1992, S. 74 ff.; Bloech,]., 1974, S. 113; Haupt, P., Lohse, D.,
1975, S. 243 f.; Stepan, A., Fischer, E.O., 1998, S. 123 ff.; Ellinger, T., 1998, S.59 ff.; Hillier,
F.S., Lieberman, G. I., 2001, S. 230 ff.; vgl. auch die dort angegebene Beweisfiihrung!):
• Zu jedem linearen Optimierungsproblem existiert genau ein lineares Dualproblem.
Die Problemvariablen des Primal problems sind die Opportunitatskosten (Schatten-
preise) der Schlupfvariablen des Dualproblems.
• Die Schlupfvariablen des Primalproblems sind die Opportunitatskosten der Prob-

lemvariablen im Dualproblem.
• Aus einem gegebenen optimalen Simplextableau sind die optimalen L6sungen

beider Aufgabentypen, primal und dual, gleichzeitig gel6st und ablesbar. Diese
Tatsache hat auch erhebliche praktische Bedeutung.
• Die optimalen Werte der Zielfunktionen beider Aufgabentypen sind gleich (Duali-
tatssatz); Gmax = Kmm .
1st die Prima1l6sung gleich der Dua1l6sung, so ist das Optimum erreicht.
• 1st die L6sung des Primalproblems unbegrenzt, so existiert keine zulassige L6sung
des Dualproblems.
• Existiert keine zulassige L6sung des Primalproblems, so ist die L6sung des Dual-
problems unbegrenzt und umgekehrt.
• Besitzt ein lineares Programm eine degenerierte optimale L6sung, so liegen fur das
dazugeh6rige Programm unendlich viele optimale L6sungen vor.
Zeilen des Primalproblems, deren Basisvariablen gesperrt sind, erscheinen im
Dualproblem als Spalten mit freien Variablen als Nichtbasisvariablen und umge-
kehrt.
• Spalten des Primalproblems, deren Nichtbasisvariablen freie Variablen sind, treten

im Dualproblem als Zeilen mit gesperrten Basisvariablen auf und umgekehrt.
• Das duale Problem eines Dualproblems ist wieder das Primal problem.
63
Da im Primalproblem die gleichen Variablen und Koeffizienten auftreten wie im Du-

alproblem, kann bei der Optimierung das Primal- oder das Dualproblem benutzt wer-
den. Die Zusammenhange konnen nochmals folgender Darstellung entnommen wer-
den (Haupt, P, Lohse, D., 1975, S. 244 f.):
Tabelle 2-27: Primal-Dual-Tabelle
Problemvariablen Primal
Problemvariablen > Beziehungen Beschriinkungs-
Dual Xl ;CO X2 ::;0 ... Xn - 0 Primal vektor Primal
:5
WI2::0 all a12 ... aln ~ bl 0.- N

It>
.... roO
W2~O an ... run 2:: b2 '<:I
all
.... ~
g. ~
ro- ;::t.
S 0
:;l
<: C/l
~
::l.
.....
~ ::n
'"
0
It>
r0- NroO
:;l
> 0 :;l
Wm - 0 amI am2 ... amn = bm C It
:5 e. :;l
Beziehungen MinimiereK
2:: ~ =
Dual Dual
Beschran-
Maximiere
kungsvektor Cl C2 ... Cn
G Primal
Dual
Zielfunktionskoeffi-
zienten der Problem-
variablen Primal
In dieser Tabelle ist das Primal als Maximierungsproblem und das Dual als Minimie-
rungsproblem enthalten. Da das duale Dual das Primal ist, konnen aus der Tabelle
auch die Zusammenhange fur das Primal als Minimierungsproblem und das Dual als
Maximierungsproblem entnommen werden. Hierfur sind die Begriffe "Primal" und
"Dual" zu vertauschen. Das dargestellte Problem ist ein sog. gemischtes Problem
(lineares Mischsystem), das ,,~"-Beziehungen und ,,2::"-Beziehungen und ,,="-
Beziehungen enthiilt.
64
2.4
2.4.2 Dua(e Simplexmethode
Die Simplexmethode, die wir zunachst kennen gelemt haben, geht von einer Aus-
gangslosung aus, die auf der rechten Seite ("RS"-Spalte) kein negatives Element ent-
halt. Diese Nichtnegativitat in der "RS"-Spalte wird auch bei den Simplextransforma-
tionen beibehalten. Gleichzeitig wird angestrebt, aus der Entscheidungszeile jede
negative Differenz (Zi - lSi) zu eliminieren. Das Ergebnis ist eine optimale Losung. Die
soeben skizzierte Simplexmethode wird auch die primale Simplexmethode genannt.
Es liegt nun nahe, diesen Gedankengang umzukehren. Man gelangt dann zur dualen
Simplexmethode. Hier wird die Nichtnegativitatsbedingung fiir die Elemente der
"RS"-Spalte fallen gelassen, d.h . fiir die hi-Werte bestehen keine Vorzeichenbeschran-
kungen. Zugleich wird die Optimalitatsbedingung in der Entscheidungszeile (Zi - gi 2
0) von Anfang an gesichert. Durch elementare Zeilenoperationen wird versucht, alle
bi-Werte nichtnegativ werden zu lassen. 1st dies erreicht, liegt die Optimallosung vor.
2.4.2.1 Beispiel: Mischungsproblem

Wir wollen die Vorgehensweise nach der dualen Simplexmethode an dem oben
behandelten Mischungsproblem (vgl. S. 56f.) erlautem: Die Faktorpreise sind kl = 30
und 1<2 = 20. Als Beschrankung sind folgende Mengenrelationen einzuhalten:
8Xl + 3)(2 2 480; 4x1 + 4X2 2 440; 2Xl + 6)(2 2 420; Xl, )(2 2 0
Die optimale Mischung ist mit Hilfe der dualen Simplexmethode zu berechrten.
Zielfunktion:
Minimiere K = 30Xl + 20)(2
Maximiere -G = -30Xl - 20)(2
Nebenbedingungen:
-8Xl - 3)(2 :s; -480
-4Xl - 4X2 :s; -440
-2XI - 6X2:S;-420
XI,)(2 2 0
Das Ausgangstableau lautet:
65
Tabelle 2-28: Tableau 1- Simplex-Ausgangstableau (unzuliissige Losung)
X3
X4
0
0
L:J -4
-3
-4
1
0
0
1
0
0
-480
-440
X5 0 -2 -6 0 0 1 -420
Zj-~ 30 20 0 0 0 K=(-G)=O
Diese Ausgangs16sung erfiillt die Kriterien des Optimums (vgl. Entscheidungszeile: (Zj
- ~ ~ 0), jedoch sind die Zulassigkeitsbedingungen (Nichtnegativitatsbedingungen)
verIetzt (vgl. "RS"-Spalte). Pivotzeile ist Zeile 1, wenn man den absolut gr6Bten nega-
tiven Wert der "RS" -Spalte als Auswahlkriterium heranzieht. Zur Auswahl der Pivot~
spalte sucht man den absolut kleinsten Quotienten aus 30/-8 und 20/-3. Der minimale
Absolutwert dieser Quotienten ist 1-30/81 = 15/4. Pivotspalte ist die 1. Spalte; Pivote-
lement ist apk = an = -8. Durch elementare Zeilentransformation wird nach 3 Iteratio-
nen die optimale L6sung erreicht, die mit der in Tableau IV (vgl. Tabelle 2-26) iden-
tisch ist:
Xl = 30, X2 = 80, X3 = 0, X4 = 0, X5 = 120,
Kmm = Gmax = 2.500
bzw. die entsprechenden Dualwerte:
wI=2, w2=7/2, W3=0, W4=0, ws=O
Dem Programmansatz entspricht der duale Ansatz:
Maximiere G = 480wI + 440W2 + 420W3 unter den Nebenbedingungen:
8wI + 4W2 + 2W3 ~ 30
3wI +4W2 + 6W3 ~ 20
WI, W2, W3~0
mit folgender L6sung:
66
Tabelle 2-29: Tableau I - Zuliissige Simplex-AusgangslOsung ("Nulllosung")
WB gi WI W2 W3 W4 W5 RS (bi) qi
W4
o 1 8 4 2 1 0 30 15/4
1
W5 0 3 4 6 0 1 20 20/3
Zj-!;j -480 -440 -420 0 0 G=O
WI 480 1 1/2 1/4 1/8 0 15/4 15
W5 0 0 5/2 1 21/4 J -3/8 1 35/4 5/3

Zj-gj 0 -200 -300 60 0 G=1.800
Tabelle 2-31: Tableau III - Losung nach der 2. Iteration
WI 480 1 8/21 0 1/7 -1/2 10/3 35/4
W3 420 o 110/21 1 1 -1/14 4/21 5/3 7/2

Zj-gj 0 -400/7 0 270/7 400/7 G=2.300
67
2 I Lineare Planungsrechnung
Tabelle 2-32: Tableau W - Losung nach der 3. Iteration - Optimallosung
WB gi WI W2 W3 W4 W5 RS (bi)
WI 480 1 0 -4/5 1/5 -1 2

W3 440 0 1 21/10 -3/20 2/5 7/2
Zj-gj 0 0 120 30 80 G=2.500
Die Optimallosung lautet: WI = 2, W2 = 7/2, W3 = 0, W4 = 0, W5 = 0; Gmax = Kmm = 2.500

bzw. die entsprechenden Dualwerte: XI = 30, X2 = 80, X3 = 0, X4 = 0, xs = 120
Zu einern linearen Prograrnrnierungsproblern gibt es also zwei Variablensysterne (Xj-
Werte = Prirnalwerte und wi-Werte = Dualwerte), die zurn gleichen optirnalen Ziel-
funktionswert fiihren. Das Dualitatstheorern bietet eine weitere Moglichkeit, eine
Minirnierungsaufgabe zu losen.
2.4.2.2 Okonomische Beziehungen zwischen Primal- und Dualprob-

lem - dargestellt an einem Primal-Dual-Problem
An Hand eines Beispiels sollen die Beziehungen zwischen einern Maxirnierungsprob-
lern und dessen Dualproblern sowie zwischen einern Minirnierungsproblern und des-
sen Dualproblern okonornisch interpretiert werden (vgl. auch Haupt, P., Lohse, D., 1975,
s. 254 ff.; Bol, G., 1980, S. 148 ff.): Ein Betrieb A verfiigt tiber 3 Fertigungsanlagen FI, F2
und F3, auf denen zwei Produkte PI und P2 hergestellt werden konnen. Dabei wird ein
rnaxirnaler Deckungsbeitrag in der Planperiode (= 1 Monat) angestrebt. Zur Losung
des Produktionsplanungssysterns, das ein Mengenproblern darstellt, hat man fol-
gendes lineare Prograrnrnierungsproblern forrnuliert:
Maxirniere G [GE/Monatj=120xl [GE/MEI . MEI/Monatj +160xz [GE/ME2· MEz/Monatj
unter den Nebenbedingungen
XI + xz ~ 130
2xI + 3X2 ~ 360
O,8xI + O,6X2 ~ 96
Es bezeichnen:
MEl Mengeneinheiten des Produktes PI
MEz Mengeneinheiten des Produktes pz
68
Mlu Maschinenstunden auf Fertigungsanlage FI

Mill Maschinenstunden auf Fertigungsanlage F2
MID Maschinenstunden auf Fertigungsanlage F3
In einem anderen Betrieb B ist man davon uberzeugt, dass man die drei Fertigungsan-
lagen besser einsetzen kann. Man bietet dem Betrieb A an, die drei Fertigungsanlagen
von ihm zu mieten. Dabei will man allerdings eine moglichst geringe Miete zahlen.
Fur Betrieb B gilt es, die Preise Wi fur je eine Maschinenstunde der Fertigungsanlage i
zu bestirnmen, zu denen der Betrieb A die Fertigungsanlagen vermietet. Seine Kosten
sind die mit den Preisen Wi bewerteten Maschinenstunden fur die drei Fertigungsan-
lagen FI, F2 und F3. Die Zielfunktion des Betriebes B lautet dann:
Minimiere K [GE/Monatj = + 130WI [MhI/Monat· GE/MhIj +
+ 360W2 [Mill/Monat . GE/Mh2j +
+ 96w3 [MID/Monat . GE/Mh3j
Der Betrieb A vermietet seine Fertigungsanlage nur dann, wenn die Ertrage aus der
Vermietung der Anlagen mindestens dem Deckungsbeitrag der in der gleichen Zeit
herstellbaren Produkte PI und P2 entsprechen. Das vorliegende Problem ist ein typi-
scher Fall fur ein Beispiel aus der Spieltheorie ("bilaterales Monopol") (zum Thema
"Spieltheorie und lineare Optimierung" vgl. z.B. Domschke, W, Drex/, A., 2005): Beide
Partner verhalten sich rational. Die Mengen (hier Mh/Monat) sind gegeben. In einem
"Aushandlungsprozess" (Losung des Problems) werden die Preise gesucht, die dem
maximalen Deckungsbeitrag (Gmax) des einen entsprechen und zugleich die Kosten des
anderen minimieren (Kmm). Die Nebenbedingungen fur das Preisproblem des Betrie-
bes B lauten:
WI + 2W2 + 0,8W3 ;::: 120
WI + 3W2 + 0,6W3 ;::: 160
Vergleicht man die beiden linearen Programmierungsprobleme, so lasst sich erkennen,
dass ein Primalproblem (Betrieb A: Maximierungsaufgabe) und ein Dualproblem
(Betrieb B: Minimierungsaufgabe) vorliegen. Fur die Art der Probleme gilt: 1st das
Primal ein Mengenproblem, so ist das Dual ein Preisproblem und umgekehrt. Die
optimale Losung fur beide Probleme kann mit der Simplexmethode ermittelt werden.
Verwendet wird hier zunachst das Primalproblem:
69
1Lineare Planungsrechnung
Tabelle 2-33: Tab'leau 1- Simplexausgangstableau (Null/osting)
X3 0 1 1 1 0 0 130 130
X4 0 2 QJ 0 1 0 360 120
X5 0 0,8 0,6 0 0 1 96 160
Zj-/Sj -120 -160 0 0 0 G=O
Tabelle 2-34: Tableau II - Simplextableau nach der 1. Iteration
X3 0
I 1/3 I0 1 -1/3 0 10 30
Xl 160 2/3 1 0 1/3 0 120 180

X5 0 0,4 0 0 -1/5 1 24 60
Zj-gj -40/3 0 0 160/3 0 G=19.200
Tabelle 2-35: Tableau III - Simplextableau nach der 2. Iteration - Optimal/osung
Xl 120 1 0 3 -1 0 30
Xl 160 0 1 -2 1 0 100
X5 0 0 0 -6/5 1/5 1 12
Zj-/Sj 0 0 40 40 0 G=19.600
70
2.4
Die L6sung fur die beiden Probleme kann dem Tableau ill (vgl. Tabelle 2-35 und
Tabelle 2-38) entnommen werden. Fur Betrieb A (Maximierungsproblem) lautet sie:
Menge Produkt PI Xl = 30 [MEI/Monat]
Menge Produkt P2 X2 = 100 [ME2/Monat]
Deckungsbeitrag Gmax = 19.600 [GE/Monat]
Fur Betrieb B (Minimierungsproblem) lautet die optimale L6sung:
Preis fur eine Maschinenstunde von FI WI = 40 [GE/Mlu]
Preis fur eine Maschinenstunde von F2 W2 = 40 [GE/Mhz]
Preis fur eine Maschinenstunde von F3 W3 = 0 [GE/Mh3]
Kosten Kmm = 19.600 [GE/Monat]
Zum Vergleich solI nunmehr das Dualproblem fur die L6sung verwendet werden:
Tabelle 2-36: Tableau 1- Simplexausgangstableau (Nulllosung)
W4 0 -1 -2 -0,8 1 0 -120
W5 0 -1 j-3l-O,6 0 1 -160
Zj-~ 130 360 96 0 0 -K=O
Tabelle 2-37: Tableau II - Simplextableau nach der 1. Iteration
~
W4 0 0 -2/5 1 -2/3 -40/3
W2 -360 1/3 1 1/5 0 -1/3 160/3
Zj-~ 10 0 24 0 120 -K=(-19.200)
71
2
Tabelle 2-38: Tableau III - zuliissige und zugleich optimale Losung
WI -130 1 0 6/5 -3 2 40
W2 -360 0 1 -1/5 1 -1 40
Zj-gi 0 0 12 30 100 -K=(-19.600)
Ffu Betrieb A und B entspricht die Optimallosung der bereits oben angefiihrten.
2.5 Revidierte Simplexmethode

Die revidierte Simplexmethode wurde vor allem fur Berechnungen auf Computem
entwickelt. Diese Methode nutzt gewisse Vorteile der Matrizenverkniipfungen in der
linearen Optimierung bei der Berechnung und Speicherung der Losungen aus. Ihre
wichtigsten Vorteile gegeniiber der besprochenen regularen Simplexmetbode sind:
Bei der revidierten Simplexmethode ergibt sich ein geringerer Bedarf an Speicher-
kapazitiit;
• die Anzahl der Rechenoperationen ist in der Regel kleiner;
• Rundungsfehler wirken sich bei der revidierten Simplexmethode weniger aus, da
immer wieder auf die Ausgangswerte zUrUckgegriffen wird.
Jedoch hat die revidierte Simplexmethode gegeniiber der reguliiren Simplexmethode
auch Nachteile. So wird beispielsweise oft erst wesentlich spiiter festgesteIlt, ob eine
Aufgabe losbar ist. Bei der revidierten Simplexmethode erfolgt die Bestimmung einer
neuen Basislosung nicht - wie bei der reguliiren Simplexmethode - durch elementare
Zeilenoperationen, sondem mit Hilfe der Matrizenrechnung. Die revidierte Simplex-
methode ist ein Verfahren, das auf aIle Varianten der Simplexmethode angewendet
werden kann. Die angesprochenen Matrizenverkniipfungen sind Matrizenmultiplika-
tionen: Die Transformation des s-ten Simplextableaus in das (s+l)-te Simplextableau
liisst sich in Form einer Matrizenmultiplikation darstellen. Da die revidierte SJm-
plexmethode ausschlieBlich bei der Programmierung von EDV Anlagen von Interesse
ist, wird zur Beschreibung der Vorgehensweise nach der revidierten Simplexmethode
auf die Literatur verwiesen (siehe z. B. Runzheimer, B., 1999, S. 94-106).
72
Postoptimale Rechnungen 2.6
2.6 Postoptimale Rechnungen
2.6.1 Grundlegung
Bisher haben wir fur die Koeffizienten der Zielfunktion und der Nebenbedingungen
feste (determinierte) Werte vorgegeben. Daher gelten Losungen zunachst auch fur
diese Werte. Fur viele betriebswirtschaftliche Problemstellungen ist es vorteilhaft, die
Abhangigkeit der optimalen Losung eines linearen Programms von den einzelnen
Zielfunktionskoeffizienten und/oder von den Koeffizienten der Nebenbedingungen zu
untersuchen. Solche Rechnungen, die sich an die Ermittlung der Optimallosung an-
schlieBen (postoptimale Rechnungen), haben fur die Praxis groBe Bedeutung, da erst
eine solche Analyse es haufig ermoglicht, aus linearen Entscheidungsmodellen reali-
tatsrelevante Erkenntnisse abzuleiten. Wahrend die erforderlichen Daten linearer
Entscheidungsmodelle determiniert sein mussen, lassen sich mit Hilfe der parametri-
schen linearen Planungsrechnung fur einzelne Daten Streuungsbereiche ermitteln, in
denen die Daten ohne Einfluss auf die optimale Losung variieren konnen.
Die parametrische lineare Planungsrechnung beriicksichtigt die Moglichkeit, dass
Koeffizienten des linearen Planungsproblems variieren. Beispielsweise kann die Frage
interessieren, ob sich bei der Planung des Produktionsprogramms geringe Verschie-
bungen der Verkaufspreise auf die optimale Mengenkombination auswirken. Zielt die
Frage auf die Empfindlichkeit einer betrachteten Losung im Hinblick auf Verande-
rungen der Parameter ab, so liegt ein Problem der Sensitivitatsanalyse vor. Bei der
Sensitivitatsanalyse (oder auch Sensibilitatsanalyse) wird also untersucht, wie stark
einzelne Ausgangsdaten variieren durfen, bis sich die Losung qualitativ andert. Bei
der parametrischen Programmierung werden bestimmte Ausgangsdaten schrittweise
variiert und dabei die Auswirkungen auf die Losung verfolgt. Sensitivitatsanalysen
und parametrische Programmierung behandeln also verwandte Fragestellungen.
Meistens werden nur Anderungen der Zielfunktionskoeffizienten (gj-Werte, j = 1, 2,
..., n) - die etwa Deckungsbeitrage oder Kosten wiedergeben - und Anderungen der
Elemente der rechten Seite (hi-Werte, i = 1, 2, ..., m) - also der verfugbaren oder gefor-
derten Kapazitaten - analysiert. Die aij-Werte stellen im Allgemeinen "technische Koef-
fizienten" dar, die wenig veranderlich sind. Eine Anderung der Koeffizienten aij fiihrt
jedenfalls zu ganz neuen Ungleichungen bzw. Gleichungen (Wegen der Parametrisie-
rung von Koeffizienten der Bedingungsmatrix vgl. Miiller-Merbach, H., 1967, S. 341-
354). 1m linearen Programm werden daher neue Variablen (Parameter genannt) fur
aIle Daten eingefiihrt, deren Werte sich innerhalb eines Streuungsbereiches andem
konnen oder sollen. Sei es, dass die Daten nur unsicher bekannt sind und man den
Einfluss von moglichen Fehlem (z.B. Fehlprognosen) auf das Ergebnis kerinen will, sei
es, dass die tatsachlichen Daten schwanken und man wissen will, bei welchen Ande-
73
2
rungen die ermittelfe L6sung noch optimal ist. In einem linearen Programm k6nnen n
neue Variablen Ai G= 1, 2, ..., n) und m neue Variablen jJi (i = 1, 2, ..., m) eingefiihrt wer-
den. Der lineare Programmansatz fur die Maximierungsaufgabe lautet dann:
Maximiere G = (gI + AI) Xl + (g2 + 1..2) X2 + ... + (gn + An) Xn + OXn+I + ... + OXn+m
anXI + a12X2 + ... + alnXn + Xn+I = bI + J.l1
amIXI + am2X2 + ... + amnXn +Xn+m = bm+f.Jm

Xi C 0 (fUr j = 1, 2, ..., n+m)
Fili solche lineare Programmansatze ergeben sich folgende Fragestellungen: Wie an-
dem sich die optimalen L6sungen und der Wert der Zielfunktion in Abhangigkeit von
den Parametem Ai G= 1, 2, ..., n) und jJi (i = 1, 2, ..., m)? Fur welche Werte der Paramete!
Ai und jJi erreicht oder ubersteigt das Maximum der Zielfunktion einen geforderten
Mindestbetrag? (vgl. Hadley, G., 1962, S. 379 ff.; Dinkelbach, W., 1969). Da eine gleichzei-
tige Untersuchung des Einflusses aller Daten auf die L6sung unubersichtlich wird,
beschrankt man sich in den Beispielen zur parametrischen linearen Programmierung
aus Vereinfachungsgriinden auf wenige Parameter. Fur ein oder zwei Parameter kann
die Abhangigkeit leicht grafisch dargestellt werden. Zur Anwendung der parametri-
schen linearen Programmierung in der Produktions- und Kostentheorie vgl. Stepan, A.,
Fischer, E.G., 1998, S. 145 f.
2.6.2 Parametrische Planungsrechnung und Sensitivitiits-

analyse
2.6.2.1 Variation der Zielfunktion

Eine Anderung der Koeffizienten der Zielfunktion bei unveranderten Nebenbedin-
gungen bewirkt eine Verlagerung der Gewinnhyperebene, waruend das L6sungspoly-
eder unverandert bleibt. Es sei wiederum folgendes lineare Programm - Optimierung
eines Produktionsprogramms - gegeben (vgl. S. 12):
Maximiere G = 1l0XI + 160X2 + OX3 + OX4 + OX5
35xI + 70X2 + X3 = 9.800; 10XI + 8X2 + X4 = 1.600; 15xI + 20X2 + X5 = 3.000;
Xl, X2, ..., X5 C 0
Die optimale U:isung dieses linearen Programms lautet (vgl. S. 31):
74
Postoptimaie Rechnungen 2.6
XI = 40, X2 = 120, X3 = 0, X4 = 240, X5 = 0 mit G = 23.600

Hiilt man im vorstehenden Beispiel den Deckungsbeitrag des Produktes PI (gl = 110)
fur unsicher (Zahlenbeispiele mit zwei oder mehr Parametem in der Zielfunktion
befinden sich z.B. bei Joksch, H. c., 1965, S. 108 ff. und Dinkelbach, w., 1969, S. 142 ff.),
so erhebt sich die Frage, inwieweit Anderungen dieses Deckungsbeitrages die optima-
Ie Losung beeinflussen. Durch Zuordnung eines Parameters Al zum Deckungsbeitrag
des Produktes PI entsteht folgender linearer Programmansatz:
Maximiere G = (110 + AI) XI + 160X2 + OX3 + 0X4 + OX5
35xl + 70X2 + X3 = 9.800; lOXI + 8X2 + X4 = 1.600; 15xI + 20X2 + X5 = 3.000
XI, X2, X3, X4, xs ~ 0
Das Simplextableau ist urn die Spalte Bo (optimale Basislosung) zu erweitem. In die-
ser Spalte ist anzugeben, fur welche Parameterwerte Al die jeweilige Basis16sung opti-
mal ist. FUr die Koeffizienten von Al fiihrt man eine weitere Zelle (unterste Zelle) in
das Simplex-Tableau ein. Die "Nulllosung" lautet:
Tabelle 2-39: Tableau 1- Simplex-Ausgangstableau - "Nulllosung"
XB gi Xl X2 X3 X4 X5 RS (bi) Bo
X3 35 70
0
I I1 0 0 9.800
Fur keinen
X4 0 10 8 0 1 0 1.600 Parame-
terwert
Xs 0 15 20 0 0 1 3.000
Zj-gj -110 -160 0 0 0 G=O
-1 0 0 0 0
Die erste Basislosung mit XI = 0, X2 = 0, X3 = 9.800, X4 = 1.600, X5 = 3.000 und G = 0 bedeu-

tet, dass fur keinen Parameterwert Al eine optimale Losung existiert. Dies ergibt sich
bei Anwendung des Simplexkriteriums, da die Differenz (Z2 - g2) = -160 in der Ent-
scheidungszelle unabhiingig von Al stets negativ bleibt. Aus der "RS" - Spalte Hisst sich
ablesen, dass die erste Losung zuliissig ist (Xi ~ 0 fur alle i). Fur Al ~ 50 muss nach der
"Steepest Unit Ascent" - Version die Variable X2 in die Basis eingefiihrt werden.
75
Von den Quotienten ql = 9.800 = 140, q2 = 1.6800 = 200, q3 = 3.000 = 150 zeigt der
70 20
kleinste an, dass die erste Zeile p = 1 die Pivotzeile und al2 = 70 das Pivotelement ist.
Nach der ersten Iteration ergibt sich folgende zulassige Basis16sung:
X2 160 1/2 1 1/70 0 0 140 AI~-30
X4 0 6 0 -8/70 1 0 480
xs 0
r-sl
-30
0 -2/7 0 1 200
Zj-gi 0 16/7 0 0 G=22.400
-1 0 0 0 0
Die zulassige Basislosung nach der ersten Iteration mit XI = 0 , X2 = 140, X3 = 0, X4 = 480,
xs = 200 und G = 22.400 ist wegen -30 - Al ;:>: 0 (unter Anwendung des Simplexkriteri-
urns) zugleich die optimale Losung des linearen Programms. Fur den Parameterbe-
reich Al ~ -30; fUr Al = -30 existieren unendlich viele Losungen, die aIle den Gewinn G
= 22.400 garantieren, da eine Nichtbasisvariable in der Zielzeile den Wert Null anneh-
men und damit ein Degenerationsproblem vorliegen wiirde. Fur Al > -30 oder -30 - Al
< 0 muss nach dem Simplexkriterium XI in die Basislosung aufgenommen werden. Da
ql = (140/0,5) = 280, q2 = (480/6) = 80 und q3 = (200/5) = 40 hei1St die neue Nichtbasisvari-
able (Nullvariable) xs; Pivotelement ist a31 = 5. Es folgt nach der nachsten Iteration die
zulassige Basislosung (siehe Tableau III). Die Losung nach der zweiten Iteration hat
folgende Losungswerte: XI = 40, X2 = 120, X3 = 0, X4 = 240, xs = 0 und G = 23.600 + 40AI.
Wegen (4/7)-(2/35)AI ;:>: 0 (Simplexkriteriurn) oder Al ~ 10 und 6 + (1/5) Al ;:>: 0 (Simplex-
kriterium) oder Al ;:>: -30 bedeutet diese zulassige Basislosung fUr den Parameterbe-
reich -30 ~ Al ~ 10 die optimale Losung des linearen Programms. Fiir Al = -30 oder Al =
10 existieren wiederum entsprechend dem Simplexkriterium unendlich viele optimale
Losungen mit G = 22.400 bis G = 24.000. Dieser Parameterbereich garantiert weiter,
dass sich der Gewinn gegenuber der Basislosung gemaB Tableau II nicht verringert.
Die untere Grenze von Gist 22.400. Eine Variation von gl bei gleich bleibendem g2
verandert die Steigung der Zielfunktionsgeraden. Mit veranderlichem gl schwankt die
Zielfunktionsgerade urn den Optimalpunkt einer Basislosung. Innerhalb eines gewis-
sen Schwankungsbereichs des Deckungsbeitrags andert sich das optimale Produkti-
76
onsprogramm (hier nach der zweiten Iteration) nicht (Abbildung 2-9, die eine Ergan-
zung der Abbildung 2-2 darstellt).
X2 160 0 1 3/70 0 -1/10 120 -30~A.l~1O
X4 0
110
0
1
0
0
~
-2/35
1
0
-6/5 240
40
XI 1/5
Zj-~ 0 0 4/7 0 6 G=23.600
0 0 -2/35 0 1/5 +4011.1
Abbildung 2-9: Variation des Deckungsbeitrags ohne Auswirkungen auf die Optimallosung
X2
150
140
120
75
I
zuIIssiger
Losupgsbereicb
~o~----~-------+-------W~----~~--------~~ X
77
Jede Anderung der Steigung der Zielfunktionsgeraden fiihrt zu einer Drehung der
Zielfunktionsgeraden gegenuber dem Anfangszustand; dabei ist der Drehpunkt der
urspriinglich ermittelte Optimalpunkt (in Abbildung 2-9 der Eckpunkt B). Die L6sung
bleibt solange optimal, wie die Zielfunktionsgerade den zulassigen Bereich nur im
Optimalpunkt beriihrt, d.h. solange die Zielfunktion im schraffierten Bereich (vgl.
Abbildung 2-9) veriauft. Wird die Drehung so weit fortgefiihrt bis die Zielfunktionsge-
rade genau auf einer Begrenzungsgeraden liegt, so ergeben sich unendlich viele Opti-
mall6sungen entlang dieser Strecke: In Abbildung 2-9 die Kante AB bzw. BC des kon-
vexen Polyeders, das den zulassigen Losungsbereich angibt. Wird die
Zielfunktionsgerade noch weiter gedreht, so dass sie den zulassigen Losungsbereich
schneidet, bleibt die bisherige Basislosung nicht mehr optimal, denn dann kann ein
hoherer Gesamtdeckungsbeitrag G erzielt werden, indem die Zielfunktionsgerade zu
einem der benachbarten Eckpunkte parallel verschoben wird. In Abbildung 2-9 waren
dies der Eckpunkt A - L6sung gemaB Tableau II - oder der Eckpunkt C - Losung ge-
maB Tableau IV. Fur Al > 10 muss X3 in die Basisl6sung eingefiihrt und X4 entfemt wer-
den, da q2 = 240 . 35/8 = 1.050 kleiner ist als ql = 120 . 70/3 = 2.800. Pivotelement fur die
dritte Iteration ist an = 8/35. Nach der dritten Iteration erhalt man folgende zulassige
Basislosung:
Tabelle 2-42: Tableau N - Losung nach der 3. Iteration
XB gi Xl X2 X3 X4 Xs RS (bi) Bo
)G 160 0 1 0 -3/16 I 1/8
I
75 10::;1..1::;90
X3 0 0 0 1 35/8 -21/4 1.050
Xl 110 1 0 0 1/4 -1/10 100
Zj-gj 0 0 0 -5/2 9 G=23.000
0 0 0 1/4 -1/10 +1001..1
Die Losung nach der dritten Iteration lautet: Xl = 100, X2 = 75, X3 = 1.050, X4 = 0, X5 = 0 mit
G = 23.000 + 1001..1. Da (-5/2)+(1/4) Al :::: 0 oder Al :::: 10 und 9 - (1/10) Al :::: 0 bzw. Al ::; 90
ist (Simplexkriterium), stellt diese zulassige Basisl6sung in dem Parameterbereich 10 ::;
Al :::: 90 eine optimale L6sung des linearen Programms dar. Fur den Parameterbereich
Al > 90 hingegen erfullt diese Basislosung das Simplexkriterium nicht. Wird in einer
vierten Iteration X5 gegen X2 ausgetauscht, ergibt sich folgende zulassige Basislosung:
78
Postoptimale Rechnungen
2.6
Tabelle 2-43: Tableau V - Losung nach der 4. Iteration
XS 0 0 8 0 -3/2 1 600 /...1;<:90
X3 0 0 42 1 -7/2 0 6.200
Xl 110 1 4/5 0 1/10 0 160
Zj-~ 0 -72 0 11 0 G=17.600

0 4/5 0 1/10 0 +160/...1
Die L6sung nach der vierten Iteration lautet: Xl = 160, X2 = 0, X3 = 6.200, X4 = 0, xs = 600
mit G = 17.600 + 160 /...1. Aus -72 + 4/5 /...1 ;<: 0 oder /...1 ;<: 90 und 11 + 1/10 /...1 ;<: 0 oder /...1 ;<:
-110 (Simplexkriterium) folgt, dass diese zulii.ssige Basisl6sung fur /...1 ;<: 90 stets opti-
mal ausfii.llt. Dieser Parameterbereich garantiert wiederum, dass sich der Gewinn
gegeniiber der vorangegangenen L6sung nicht verringert. Die Ermittlung der Parame-
terintervalle, fur die eine zulii.ssige Basisl6sung mit m Basisvariablen optimal bleibt,
geschieht also unter Anwendung des Simplexkriteriums. Zusammenfassend ergeben
sich fur das Zahlenbeispiel folgende Resultate fur die Produktionsprogramme I bis V,
die sich aus den Simplextableaus I bis V (vgl. Tabelle 2-39ff.) ablesen lassen:
Tabelle 2-44: Ergebnisse der parametrischen Programmierung und Sensitivitiitsanalyse
Produktionspro- Eck-
Xl X2 X3 X4 X5 G Bo
gramme punkt
I 0 0 9.800 1.600 3.000 0 Fiir keinen (0;0)

Parameterwert
II 0 140 0 480 200 22.400 -00::;/...1:;>-30 A
III 40 120 0 240 0 23.600+ -30:;>/...1:;>10 B

40'/...1
23.000+ 10::;/...1:;>90
IV 100 75 1.050 0 0 C
100'/...1
V 160 0 6.200 0 600 17.600+ 90::;/...1:;>00 D

160'/...1
79
Den verschiedenen Parameterintervallen von Al entsprechen Intervalle des Deckungs-

beitrages g'l = 110 + Al von Produkt PI, die das jeweilige optimale Produktionspro-
gramm nicht beeinflussen (Sensitivitatsanalyse). Somit sind optimal:
Produktionsprogramm II (vgl. Tabelle 2-40) mit XI = 0 und Xl = 140 fur die Stiickde-
ckungsbeitrage g'l ~ 80 (gl + Al ~ 80; gl = 110; Al ~ -30) bei einem Gewinn von G =
22.400. Aus okonomischen Griinden diirfte Al = -110 die unterste Grenze bereits
darstellen, weil ein negativer Deckungsbeitrag im Allgemeinen auch kurzfristig
nicht akzeptiert werden kann. Das Produktionsprogramm II entspricht dem Eck-
punkt A des konvexen Polyeders (Losungsraums) gem. Abbildung 2-9. Der ange-
gebene Parameterbereich gibt die zulassige A.nderung der Steigung der Gewinnge-
raden an, fur die der Eckpunkt A noch optimal bleibt.
• Produktionsprogramm III (vgl. Tabelle 2-41) mit XI = 40 und Xl = 120 fUr die
Stiickdeckungsbeitrage g'l von 80 bis 120 (80 ~ gl + Al ~ 110; gl = 110; -30 ~ Al ~ 10)
bei einer Gewinnspanne von G = 23.600 + 40 ·(-30) = 22.400 bis G = 23.600 + 40 · 10 =
24.000. Fur Al = 0 stimmt das Produktionsprogramm mit dem Endtableau des Aus-
gangsproblems uberein (vgl. Tabelle 2-4). Es entspricht Eckpunkt B des konvexen
Polyeders (Losungsbereichs) gem. Abbildung 2-9. Der angegebene Parameterbe-
reich gibt wiederum die zulassige A.nderung der Steigung der Gewinngeraden an,
fur die der Eckpunkt B noch optimal bleibt.
• Produktionsprogramm IV (vgl. Tabelle 2-42) mit XI = 100 und X2 = 75 fur die

Stiickdeckungsbeitrage g'l von 120 bis 200 (120 ~ gl + Al ~ 200; gl = 110; 10 ~ Al ~ 90)
bei einer Gewinnspanne von G = 23.000 + 100 . 10= 24.000 bis G = 23.000 + 100 . 90 =
32.000. Das Programm entspricht Eckpunkt C des konvexen Polyeders (Losungsbe-
reichs) gem. Abbildung 2-9. Der angegebene Parameterbereich zeigt wieder die zu-
lassige A.nderung der Steigung der Gewinngeraden an, fur die der Eckpunkt C
noch optimal bleibt.
Produktionsprogramm V (vgl. Tabelle 2-43) mit XI = 160 und Xl = 0 fur die Stiickde-
ckungsbeitrage g'l ~ 200 (200 ~ gl + AI; gl = 110; Al ~ 90) bei einem Gewinn G ~
17.600 + 160 . 90 = 32.000. Dieses Programm entspricht Eckpunkt D des zulassigen
Losungsraumes gem. Abbildung 2-9. Der ermittelte Parameterbereich gibt wieder
die zulassige A.nderung der Steigung der Gewinngeraden an, fur die der Eckpunkt
D noch optimal bleibt.
Will der Betrieb z.B. einen Gewinn von G = 25.000 GE (Geldeinheiten) in der Planperi-
ode erzielen, so musste er das Produktionsprogramm IV verwirklichen. Wegen 23.000
+ 100 . Al = 25.000 bzw. Al = 20 wird er den gewiirIschten Gewinn aber nur bei einem
Stiickdeckungsbeitrag von 110 + Al = 110 + 20 = 130 GE fur Produkt PI erzielen. Das
Beispiel zeigt als wesentliche Merkmale eines linearen parametrischen Programms
(Munstermann, H., 1969, S. 230):
• Die Zahl der verschiedenen Parameterintervalle ist endlich.
80
• Die Parameterintervalle sind zusammenhangend, d.h. luckenlos.

• Eine zulassige Basisl6sung bleibt bis auf die beiden Randintervalle fur ein abge-
schlossenes Parameterintervall optimal. Die beiden Randintervalle schlieBen den
Parameterbereich gegen + 00 und - 00 abo
• Bis auf die Grenzen ±<Xl geben alle ubrigen Grenzen der Parameterbereiche
Parameterwerte an, fur die unendlich viele optimale Basisl6sungen existieren
k6nnen.
2.6.2.2 Variation der Nebenbedingungen

Fur Parameter in der Zielfunktion lassen sich mit Hilfe des Simplexkriteriums Parame-
terintervalle bestimmen, fur die die jeweilige zulassige Basisl6sung optimal bleibt.
Werden aber Parameter in den Nebenbedingungen fur die Elemente der reehten
Seite (bi - Werte, i = 1, 2, ..., m), also fur die verfugbaren oder geforderten Kapazitaten
(Parameter im Begrenzungsvektor) eingefuhrt, so erfolgt die Bestimmung von Para-
meterbereiehen anhand der Nichtnegativitatsbedingung, d.h. die Nichtnegativitats-
bedingung erlaubt die Bestimmung von Intervallen fur die hi - Werte, in denen eine
optimale Basisl6sung optimal bleibt. Da die Variation von Parametem in den Neben-
bedingungen niemals zulassige (nichtoptimale) Basisl6sungen zu optimalen Basisl6-
sungen umgestalten kann, geht man jetzt von optimalen Basislosungen aus und ana-
lysiert, fur we1che Parameterbereiche sie optimal bleiben. Ais Zahlenbeispiel
verwenden wir wiederum das obige lineare Programm - Optimierung eines Produkti-
onsprogramms (vgl. S. lOff.):
Maximiere G = 110xI + 160x2 + OX3 + OX4 + OX5
35xI + 70Xl + X3 = 9.800
lOxI + 8Xl + X4 = 1.600
15xI + 20Xl + X5 = 3.000
XI, Xl, X3, X4, X5 2:: 0
Halt man in diesem Beispiel die Begrenzungskapazitat der Faktorgruppe 1 (Werk-
stoffkapazitat) mit bl = 9.800 Tonnen in der Planperiode fur unsicher (Zahlenbeispiele
mit zwei und mehr Parametem im Begrenzungsvektor befinden sich bei Joksch, H. c.,
1965, S 116 ff. und Dinkelbach, W., 1969, S. 146 ff.), so erhebt sich die Frage, inwieweit
.Anderungen dieser Kapazitat die optimale L6sung beeinflussen. Durch Zuordnung
eines Parameters j1l zur Kapazitat bl entsteht folgender Ansatz fur die erste Nebenbe-
dingung:
35xI + 70Xl + X3 = 9.800 + j1l
81
Das Sirnplextableauist urn eine Spalte fUr die Koeffizienten des Parameters jJl sowie
urn die Spalte Bz (zulassige Basislosung) zu erweitem. In dieser Spalte Bz wird ange-
geben, fur welehe Parameterwerte von J.II die jeweilige Basis16sung zulassig ist. Die
"Nulll6sung" lautet:
Tabelle 2-45: Tableau 1 - Simplex-Ausgangstableau - "Nulllosung"
XB gi Xl X2 X3 X4 X5 RS (bi) /11 Bz
X3 0 35 I 70 I1 0 0 9.800 1 FUr J.11~-9 . 800
X4 0 10 8 0 1 0 1.600 0
X5 0 15 20 0 0 1 3.000 0
Zj-gi -110 -160 0 0 0 G=O
Die Parameterwerte J.II beeinflussen die Entseheidungszeile (Zj - gi) des Sirnplex-
tableaus nieht. Es k6nnen also aueh keine J.II - Werte existieren, die diese zulassige
Basis16sung optimal werden lassen. Fur J.II ~-9 . 800 ist die Basisvariable X3 = 9.800 + J.II
nichtnegativ, die Basis16sung mit XI = 0, X2 = 0, X3 = 9.800 + /11, X4 = 1.600, X5 = 3.000 und
G = 0 irnmer zulassig. Da negative Sehattenpreise vorhanden sind, ist die L6sung nieht
optimal. Naeh Einfiihrung von X2 in die Basis16sung an Stelle von X3 ergibt sieh folgen-
deL6sung:
XB gi Xl X2 X3 X4 X5 RS (bi) /11 Bz
X2 160 1/2 1 1/70 0 0 140 1/70 -9.800::;J.11
0 6 0 -8/70 1 0 480 -8/70 J.11::;700
rsJo
X4
X5 0 -2/7 0 1 200 -2/7
Zj-gj -30 0 16/7 0 0 G=22.400

+(16/7)J.11
82
Postoptimale Rechnungen
Die Basisvariablen X2 = 140 + (1/70) pi, X4 = 480 - (8/70) pi und X5 = 200 - (2/7) pi neh-
men fur 140 + (1/70) pi 20 oder pi 2 -9.800 bzw. 480 - (8/70) pi 20 oder pi::; 4.200 bzw.
200 -(2/7) pi 20 oder pi ::; 700 nichtnegative Werte an. 1m Parameterbereich -9.800 ::;
pi ::; 700 ist mithin die Basisl6sung Xl = 0, X2 = 140 + (1/70) pi, X3 = 0, X4 = 480 -(8/70) pi, X5
= 200 - (2/7) pi mit G = 22.400 + (16/7) pi stets zuHissig, aber wegen Zl - gl = -30 (nega-
tiver Schattenpreis) nicht optimal. Die zweite Iteration fiihrt zu folgender L6sung:
XB gi Xl X2 X3 X4 Xs RS (bi) pi Bz
X2 160 0 1 3/70 0 -1/10 120 3/70 -1.050::;J.u
X4 0 0 0 8/35 1 -fJ/5 240 8/35 J.u::;700

Xl 110 1 o 1-2/351 0 1/5 40 -2/35
Zj-gj 0 0 4/7 0 6 G=23.600 +(4/7) J.ll
Die zulassige Basisl6sung mit Xl = 40 -(4/70) pi, X2 = 120 + (3/70) pi, X3 = 0, X4 = 240 +
(16/70) pi, X5 = 0 und G = 23.600 + (4/7) pi stellt zugleich eine optimale L6sung dar. Aus
40 -(4/70) pi 20 oder pi ::; 700,120 + (3/70) pi 2 0 oder pi 2 -2.800 und 240 + (16/70) pi 2
o oder pi 2 -1.050 lasst sich der Parameterbereich fur pi ermitteln (-1.050 ::; pi ::; 700),
in welchem diese Basisl6sung zulassig und optimal ist. Bei pi > 700 erhalt Xl negative
Werte. Diese Basisl6sung ware dann unzulassig (Nichtnegativitatsbedingung). Die
Variable Xl ist gegen eine Nichtbasisvariable so auszutauschen, dass die neue Basisl6-
sung fur pi > 700 optimal ist; dies erm6glicht die Nichtbasisvariable X3:
Tabelle 2-48: Tableau N - Losung nach der 3. Iteration
XB gi Xl X2 X3 X4 XS RS (bi) 1"1 Bz
Xl 160 3/4 1 0 0 1/20 150 0 J.l12700
X4 0 4 0 0 1 -2/5 400 0
X3 0 -35/2 0 1 0 -7/2 -700 1
Zj-gi 10 0 0 0 8 G=24.000
83
2
Die zulassige L6sung mit XI = 0, X2 = ISO, X3 = -700 + J.l1, X4 = 400, X5 = 0 und G = 24.000
ist fur J.l1 ~ 700 stets optimal. Fill J.l1 < -1.050 wird entsprechend Simplextableau III
(Tabelle 2-47) die Nichtnegativitatsbedingung von X4 verletzt. Tauscht man in Tableau
III die Basisvariable X4 gegen die Nichtbasisvariable X5 aus, so ergibt sich folgende
Basisl6sung (Iteration im Anschluss an Tableau III mit a25 = -6/5 als Pivotelement):
Tabelle 2-49: Tableau V - Liisung nach der 4. Iteration
XB gi Xl X2 X3 X4 X5 RS (bi) JlI Bz
X2 160 0 1 1/42 -1/12 0 100 1/42 -4.200$111
X5 0 0 0 -4/21 -5/6 1 -200 -4/21 111$-1.050

XI 110 1 0 -2/105 1/6 0 80 -2/105
Zj-~ 0 0 12/7 5 0 G=24.800+(12/7) III
Diese Basisl6sung mit XI = 80 -(2/105)J.l1, X2 = 100 + (1/42) J.l1, X3 = 0, X4 = 0, X5 = -200 -

(4/21)J.l1 und G = 24.800 + (12/7) J.l1 ist (wegen -200 -(4/21)J.l1 ~ 0) fur J.l1 ~ -1.050 und
(wegen 100 +(1/42) J.l1 ~ 0) fur J.l1 ~ -4.200 zulassig und optimal. Der Gewinn betragt G
= 24.800 +(12/7) J.l1, d.h. er liegt zwischen 17.600 ( fur J.l1 = -4.200) und 23.000 (fur J.l1 =
-1.050) Geldeinheiten (GE). Fur J.l1 < -2.800 wird entsprechend Simplextableau III
(Tabelle 2-47) die Nichtnegativitatsbedingung von X2 verletzt. Tauscht man in Tableau
III die Basisvariable X2 gegen die Nichtbasisvariable X5 aus, so bleibt die neue Basisl6-
sung fur J.l1 $ -4.200 wiederum optimal (Iteration im Anschluss an Tableau III mit al5 =
(-1/10) als Pivotelement):
Tabelle 2-50: Tableau VI - Liisung nach der 4. Iteration
XB gi Xl X2 X3 X4 X5 RS (bi) JlI Bz
X5 0 0 -10 -3/7 0 1 -1.200 -3/7 -9.800$111
X4 0 0 -12 -10/35 1 0 -1.200 -10/35 111$-4.200

XI 110 1 2 1/35 0 0 280 1/35
Zj-gj 0 60 22/7 0 0 G=30. 800+(22/7) III
84
Postoptimaie Rechnungeo 2.6
1m Parameterbereich -9.800::; JIl ::; -4.200 ist die Basislosung Xl = 280 + (1/35) JIl, X2 = 0,
X3 = 0, X4 = -1.200 -(10/35) JIl, X5 = -1.200 -(3/7) JIl mit G = 30.800 + (22/7) JIl optimal.
Dies folgt aus -1.200 -(3/7) JIl ~ 0 oder JIl ::; -2.800 bzw. -1.200 -(10/35) JIl ~ 0 oder JIl ::;
-4.200 und 280 + (1/35) JIl ~ 0 oder JIl ~ -9.800 sowie aus den nichtnegativen Koeffi-
zienten (Schattenpreisen) der Entscheidungszeile. Die vier letzten Losungen (Tableau
III bis VI - vgl. Tabelle 2-47ff. -) sind fur die Parameterbereiche
Tableau III: -1.050 ::;JIl ::; 700
Tableau IV: 700 ::;JIl ::;00
Tableau V: -4.200 ::;JIl ::; -1.050

Tableau VI: -9.800 ::;JIl ::; -4.200
jeweils optimal. Weitere Iterationen sind moglich. Z.B. konnte noch die Basisvariable X4
gegen die Nichtbasisvariable X2 oder X3 ausgetauscht werden.
Mit Hilfe des Simplexkriteriums und der Nichtnegativitatsbedingung lassen sich die
Rechenregeln des Simplex-Algorithmus mit Erfolg auch zur parametrischen Pro-
grammierung und Sensitivitatsanalyse bei linearen Programmen einsetzen. Der ge-
genuber linearen Programmen zusatzlich anfallende Rechenaufwand halt sich in
Grenzen, solange die Zahl der Parameter nicht zu groB ausfallt. Bei Verwendung von
Computern nimmt die Rechenzeit nur unwesentlich zu. Fur das Zahlenbeispiel erge-
ben sich zusammengefasst folgende Ergebnisse (Tableau I bis VI; vgl. Tabelle 2-45ff.):
85
N
~~
00 r-
0\ ~ 5'
<::r' (1)
~ Q
~ ~
N
I ::E
t.n Q
Produktions- :J
Xl X2 X3 X4 XS G Bz Bo "
'"' c::
programm ~
VI .,
(1)
t"r1 ..,
fur keinen ~ :::T
9.800 :J
I 0 0 1.600 3.000 0 Ill;:: -9.800 '"<:>- c::
+ III ;:::
Pararneterwert (ii ' ~
Vl
'"
fur keinen ~
140 480 200 22.400 ""I::!
II 0 0 -9.800 ~ III ~ 700 l'l
+ (1/70)111 +(-4/35)111 + (2/7)111 + (16/7)111 Pararneterwert ~
~
!i
'"
(ii'
40 120 240 23.600 n
-1.050 ~ III ~ 700 -1.050 ~ III ~ 700 ;:,-
III 0 0
+(-2/35)111 + (3/70)111 + (8/35)111 + (4/7)111 ;:::
'"
-700 ~
'"Cl
IV 0 150 400 0 24.000 700 ~ III ~ 00 700 ~ III ~ 00
+ III ~
~
(ii '
....
;:
80 100 -200 24.800 ;:::
V 0 0 -4.200 ~ III ~ -1.050 4.200 ~ III ~ -1.050 OQ
+(-2/105)111 + (1/42)111 + (-4/21)111 + (12/7)111 ;:
;:::
!:>...
Vl
280 -1.200 -1.200 30.800 '";:::~.
VI 0 0 -9.800 ~ III ~ -4.200 -9.800 ~ III ~ -4.200
+ (1/35)111 +(-10/35)111 +(-3/7)111 + (22/7)111
§":
....
l'l:
1il"
l'l
;:::
l'l
~
'"
WeiterfOhrende Probleme der linearen Planungsrechnung
2.7 WeiterfUhrende Probleme der linearen

Planungsrechnung
2.7.1 Ganzzahlige Planungsrechnung

Es gibt eine groBe Zahl von betrieblichen Planungsproblemen, bei denen die zu be-
rechnenden Mengen nicht beliebig teilbar sind und somit fur die Variablen ganzzahli-
ge Werte verlangt werden. Dies gilt beispielsweise fur die Investitionsplanung
(Unteilbarkeit von Projekten und Abhangigkeiten zwischen Projekten), wenn nur
ganze Anzahlen von Maschinen und Anlagen zur Entscheidung stehen (vgl. z.B.
Kistner, K. P., 1993, S. 147-300; Burkard, R. E., 1992, S. 361-444; Schneider, D., 1992, S. 382
ff.; Hax, H., 1985, S. 72 ff.; Blohm, H., Luder, K., 1995, S. 296 ff.; Kilger, W., 1973, S. 131 ff.;
Meyer, M., Hansen, K., 1996, S. 60 ff.; Stepan, A., Fischer, E.O., 1998 S. 170 ff.;
Zimmermann, W., 1997, S. 125 ff.): Fur die Personal- und Maschineneinsatzplanung,
wenn nur ganze Zahlen von Bedienungspersonal und Maschinen fur bestirnmte Auf-
trage oder Projekte eingesetzt werden konnen (Zuordnungsplanung). Weiterhin gilt
dies fur die Standortbestimmung und die Planung von Montageproblemen, wenn
ganzzahlige Mengenrelationen zwischen den Endpunkten, Baugruppen und Einzeltei-
lsre 9:5~ilitg~n, die sich z.B. fur lineare Probleme mit Hilfe der Simplexmethode erge-
ben, enthalten im Allgemeinen nichtganzzahlige Variablenwerte und sind damit hin-
sichtlich der Ganzzahligkeitsbedingung nicht zufrieden stellend. Zu den Nebenbe-
dingungen eines linearen Prograrnmansatzes in Form von Ungleichungen und
Gleichungen tritt bei der ganzzahligen Programmierung fur einige ("gemischt ganz-
zahlig" genannt) oder aIle Hauptvariablen (Strukturvariablen) die Ganzzahligkeitsbe-
dingung (ganzzahlige oder diskrete Programmierung). Eine Sondergruppe der ganz-
zahligen Programmierung bilden die sog. ,,0 - 1" - Probleme. Hier durfen die
Variablen mit Ganzzahligkeitsbedingung nur die Werte Null oder Eins annehmen. "So
perfekt die Optimierungsmodelle der ganzzahligen Planungsrechnung auch sein mo-
gen, leiden sie doch an einem Handicap, durch das sie den Praktikem verleidet wer-
den. Sie lassen sich narnlich, von wenigen Ausnahmen abgesehen, mit wirtschaftlich
vertretbarem Rechenaufwand nicht mehr losen, sobald sie eine gewisse GroBe uber-
schritten haben" (Muller-Merbach, H., 1973, S. 366).
FUr die Bestirnmung der optimalen ganzzahligen Losung eines Problems der linearen
Prograrnmierung sind spezielle Losungsalgorithmen entwickelt worden. Sie lassen
sich in drei Gruppen einteilen: Schnitt-Hyperebenen-Verfahren, Branch-and-Bound-
Verfahren und heuristische Verfahren.
87
2
Auf Gomory geht das Schnitthyperebenen-Verfahren zuriick. Dabei wird durch die
Einfuhrung von Schnittebenen der urspriingliche Bereich der Restriktionen iterativ
eingeengt, in dem nichtganzzahlige Bereiche aus dem zuliissigen Losungsbereich
durch zusiitzliche Restriktionen "herausgeschnitten" werden. Diese Einengung ge-
schieht mit dem Ziel, dass die optimale Losung des irnmer enger begrenzten zuliissi-
gen Bereichs auf einen ganzzahligen Wert fiilIt (Gomory, R. E., 1963, I, S. 269 ff. und
1963, II, S. 193 ff.). Das von A. H. Land und A. G. Doig veroffentlichte Verfahren versucht
ausgehend von der optimalen nichtganzzahligen Losung durch sukzessive Einfiihrung
von einzelnen ganzzahligen Werten fUr die Variablen die optimale Losung zu ermitteln
(1960, S. 497 ff.). Dieser Ansatz, wie auch die iihnlichen Ansiitze von Dakin, Balas u.a.
(Dakin, R. J., 1965, S. 250 ff.; Balas, E. 1968, S. 517 ff.) konnen den Branch-and-Bound-
Verfahren zugeordnet werden, die an anderer Stelle genauer beschrieben werden. (zu
Branch-and-Bound-Verfahren vgl. Runzheimer, B., 1989, S. 205-212). Branch-and-
Bound-Verfahren losen das Problem zuniichst auch ohne Beriicksichtigung der Ganz-
zahligkeitsbedingung. Danach wird das Problem in zwei Teilprobleme (Branch-
Schritt) zerlegt. Diese Teilprobleme werden dann wiederum ohne Beriicksichtigung
der Ganzzahligkeitsbedingung gelost; jedes Teilproblem wird wieder in zwei Teilprob-
Ierne zerlegt etc. Die Aufteilung unterbleibt, wenn eine ganzzahlige Losung gefunden
ist bzw. die weitere Aufteilung keine bessere Losung als die bisher beste ganzzahlige
Losung liefem kann (Bound-Schritt). Das Branch-and-Bound-Verfahren ist beendet,
wenn keine Teilprobleme mehr zu losen sind bzw. die noch vorhandenen Teilprobleme
keine besseren Losungen liefem konnen (vgl. Runzheimer, B., 1998, S. 124 ff.).
Die heuristischen Verfahren (Niiherungsverfahren) fiihren im Allgemeinen nur zu
suboptimalen ganzzahligen Losungen. Sie haben dafur den Vorteil von meist kiirzeren
Rechenzeiten. Die Verfahren und die Anwendung der ganzzahligen Planungsrech-
nung werden in der Literatur eingehend beschrieben (vgl. Dantzig, G. B., 1966, S. 583
ff.; Muller-Merbach, H., 1973, S. 366 ff.; Hadley, G. 1969, S. 305 ff.; Lutz, M., 1998, S. 91 ff.;
Zimmermann, w., 1997, S. 125 ff.; Schmitz, P., Schonlein, A., 1978, S. 86 ff.; Bol, G., 1980;
Meyer, M., Hansen, K., 1996, S. 60 ff.; Kistner, H.-P., 1993, S. 147-200; Domschke, w., Drexl,
A., 1998, S. 113-147; Ziip!el, G., 1989; Dinkelbach, W., 1992, S. 110 ff.; Stepan, A., Fischer,
0., 1998, S. 170 ff.). Die im Kapitel 2.8 behandeIte Transportmethode mit ihren Lo-
sungsalgorithmen stellt einen Spezialfall der ganzzahligen Programmierung dar.
2.7.2 Stochastische lineare Planungsrechnung

Die stochastische lineare Planungsrechnung bietet Ansiitze fur solche Planungsprob-
Ierne, in deren Zielfunktion oder Nebenbedingungen Koeffizienten mit stochastischem
Charakter auftreten. Stochastische Koeffizienten in der Zielfunktion (z.B. bei Preis-
schwankungen) ermoglichen die Angabe von Wahrscheinlichkeiten dafur, dass einzel-
ne Basislosungen optimal sind. Sind hingegen stochastische Koeffizienten in den
Nebenbedingungen (z.B. bei Unsicherheit der Absatzmarktlage in den Absatzrestrik-
88
Weiterfiihrende Probleme der Unearen Planungsrechnung 2.7
tionen) enthalten, lassen sich fiir die Zulassigkeit einzelner Basisl6sungen nur Wahr-
scheinlichkeiten angeben. Wegen der besonderen Problematik der stochastischen line-
aren Programmierung wird auf die Spezialliteratur verwiesen (vgl. Tintner, G., 1965, S.
lOB ff.; Zimmermann, H.-f., 1992, S. 116 ff.; Durr, w., Kleibohm, K., 1992, S. 279 ff.; Buhler,
w., Dick, R., 1972, S. 677-692; Dinkelbach, w., Lorscheider, U., 1994, S. 56 ff.; Abel, P, Thiel,
R., 1981). Uber die stochastische Programmierung sind bisher nur selten praktische
Anwendungen bekannt geworden.
2.7.3 Verstandnisfragen zu den Abschnitten 2.4 bis 2.7

1. Was versteht man unter Dualitat in der linearen Planungsrechnung und was besagt
das Dualitatstheorem ?
2. Welche formalen Verkniipfungen bestehen zwischen Primalproblem und dazuge-
h6rigem Dualproblem ?
3. Worin unterscheidet sich die duale Simplexmethode von der primalen Simplexme-
thode?
4. Wie lassen sich die Beziehungen zwischen Primal- und dazugeh6rigem Dualprob-
lem 6konomisch interpretieren ?
5. Welche Ziele k6nnen mit postoptimalen Rechnungen bei der linearen Planungs-
rechnung verfolgt werden ?
6. Was versteht man unter parametrischer linearer Planungsrechnung und Sensitivi-
tatsanalyse?
7. Wie lassen sich Sensitivitatsanalysen fiir Anderungen der Koeffizienten der Ziel-
funktion mit Hilfe der Simplexmethode durchfiihren ?
B. Wozu fiihren Anderungen der Koeffizienten aij (z.B. der technischen Koeffizienten)
der Zielfunktion eines Gleichungs- oder Ungleichungssystems in der linearen Pla-
nungsrechnung ?
9. Wie lassen sich Sensitivitatsanalysen fiir Anderungen in den verfiigbaren oder
geforderten Kapazitaten (fiir Anderungen der Elemente der "rechten Seite") mit
Hilfe der Simplexmethode durchfiihren ?
10. Was versteht man unter Ganzzahligkeitsbedingung und welche Probleme bestehen
im Hinblick auf deren Beriicksichtigung ?
89
2
2.8 Transportproblem
Es gibt Probleme der linearen Planungsrechnung, zu deren Losung Spezialansiitze
ohne Einsatz der Simplexmethode verwendet werden. Dazu gehoren das Transport-
problem und das Zuordnungsproblem.
2.8.1 Formulierung des Transportproblems

Das Transportproblem in einfacher Form liegt vor, wenn es einerseits verschiedene
Erzeuger, Versandlager oder Angebotsorte als Anbieter i (i = I, 2, ..., m) eines homo-
genen Gutes und auf der anderen Seite verschiedene Verbraucher, Beschaffungslager
oder Nachfrageorte als Nachfrager j G= I, 2, ..., n) nach diesem homogenen Gut auftre-
ten. Beim Transportproblem geht es also urn die optimale Verteilung homogener
Giiter von mehreren Anbietem (oder Angebotsorten) an verschiedene Abnehmer
(oder Bedarfsorte). Die angebotenen (verfiigbaren) Mengen werden mit w, die nachge-
fragten Mengen mit bj bezeichnet. Gefragt ist nach derjenigen Verteilung der in Be-
tracht kommenden Giiter, bei der die Gesamttransportkosten oder die Transportzeit
minimiert oder die Transportleistung maximiert wird. Dabei kann jeder Anbieter
(Angebotsort) grundsiitzlich an jeden Nachfrager (Bedarfsort) liefem. Mit Cij werden
die Transportkosten fiir die Beforderung einer Mengeneinheit iiber die Distanz von i
nach j bezeichnet. Bei der Transportkostenminimierungsaufgabe sind die Transport-
stiickkosten Cij zudem konstant (lineare Zielfunktion). Die Werte Cij sind bekannt. Nach
Moglichkeit ist die gesamte Angebotsmenge w bzw. die gesamte Nachfragemenge bj zu
befordem. Die Transportplanung solI bestimmen, welche Nachfrageorte von welchen
Angebotsorten mit den Mengen Xij zu beliefem sind. Xij sind die zuniichst unbekannten
Transportmengen von i nach j (Entscheidungsvariablen des Problems).
Das mathematische Modell weist die gleiche Struktur auf wie die bereits behandelten
Modelle der linearen Planungsrechnung. Das Transportproblem kann in seiner ma-
thematischen Struktur als Spezial£all des allgemeinen Problems der linearen Planungs-
rechnung aufgefasst werden. Es liisst sich daher grundsiitzlich auch mit der Simplex-
methode losen. Auf Grund einiger spezifischer, besonders einfacher Eigenarten des
Transportproblems (z.B. Verteilung "homogener" Giiter, die Koeffizienten der zu be-
stimmenden Variablen des Gleichungssystems, welches die Gegebenheiten des Trans-
portproblems wiedergibt, sind siimtlich Eins) liisst es sich mit Hilfe eines speziellen
Transportalgorithmus jedoch rationeller losen. Wird zuniichst unterstellt, dass die
Bedarfsmengen hi den Angebotsmengen ai entsprechen, ergibt sich folgender Modell-
ansatz (geschlossenes Transportproblem):
90
Transportproblem
2.8
Zielfunktion:
Minimiere K = +CllXl1 + CI2X12 + ... + ClnXln +
+ C21X21 + C22X22 + ... + C2nX2n +
+ CmlXml + Cm2Xm2 + ... + cmnXmn

m n
oder mit Sumrnenzeichen: Minimiere K = L L CijXij
i=1 j =1

n
(1) Angebotsgleichungen: L Xij = ai (fUr aIle Angebotsorte i = 1, 2, ... , m)
j=1
m
(2) Nachfragegleichungen: L Xij = bj (fUr aIle Nachfrageorte j = 1, 2, ... , n)
i=1
m n
(3) Gesamtangebot und Gesamtnachfrage gleichen sich aus: L ru = L bj
i=1 j=1
Das Transportproblem heillt geschlossen, wenn sich Gesamtangebot und Gesamtnach-

frage ausgleichen. Bei unausgeglichenem Zustand liegt ein offenes Transportproblem
vor. Losungsverfahren werden nur fUr das geschlossene Problem erarbeitet. Die offe-
nen Probleme lassen sich leicht in geschlossene Modelle umwandeln (S. 110ff.).
(4) Da nur positive Transportmengen moglich sind, gilt fUr aile i und j die
Nichtnegativitatsbedingung: Xij ~ 0
Die Transportmethode wurde spezieIl zur Losung komplizierter Transportprobleme -
wie z.B. die optimaIe Verteilung von Schiffstonnage von Hafen mit Angebot an unge-
nutzter Tonnage an Hafen mit Bedarf an leerem Schiffsraum - entwickelt. In erster
Linie ging es also bei der Entwicklung der Transportmethode urn die Losung prakti-
scher Fragestellungen. Ein beriihmtes Anwendungsbeispiel der Transportmethode
"stellt beispielsweise die Luftbriickenoperation fUr die Belieferung der Stadt Berlin zur
Zeit der russischen Blockade dar" (Dorfmann R., u.a. 1958, S. 121 f.). Es hat sich gezeigt,
dass die "Transport"-methode in ihrer Verwendbarkeit viel universeller ist als ihr Na-
me vermuten lasst.
Die Transportmethode ist - wie die Simplexmethode - ein Iterationsverfahren, das -
von einer zulassigen Ausgangslosung ausgehend - schrittweise die Optimierung des
linearen Programmierungsproblems anstrebt. Dabei bedient man sich der Darstel-
lungsform eines Matrixtableaus. Die folgende Transportmengenmatrix ist Teil der
Darstellung des Transportproblems:
91
2
Tabelle 2-52: Tableau 1- Transportmengenmatrix
~
Angebots-
Bedarfsorte
mengen
von 1
Xli Xl2 ... Xli ... Xln al
X21 xzz ... X2i .. . X2n az

... ...
Angebotsorte
XiI Xi2 ... Xii .. . Xin a;
... . ..
Xml Xm2 ... Xmi ... Xmn am
Bedarfsmengen b2 ... bi ... bn
Zeilenweise gelesen, enthlHt die Transportmengenmatrix die Angebotsgleichungen

der Nebenbedingungen: die Lieferungen ai der Angebotsorte i (i = I, 2, ..., m), aufge-
gliedert nach den Transportmengen Xii, an die Bedarfsorte j (j = I, 2, ..., n):
Xli +X12 + ... + Xli + ... + Xln = al

X21 +xzz + ... + X2i + ... +X2n = a2
...
Xml +Xm2 + . .. + Xmi + .. . + Xmn = am
Spaltenweise gelesen, enthiilt sie die Bedarfsgleichungen der Nebenbedingungen:

die Beziige bi der Bedarfsorte j (j = I, 2, ..., n), aufgegliedert nach den Transportmengen
Xii, von den Angebotsorten i ( i = I, 2, ..., m):
Xli + X21 + . .. + XiI + ... + Xml = bl

Xl2 +xzz + ... +Xi2 + ... + Xm2 = b2
...
Xln +X2n + ... +xm + .. . + Xmn = bn
Die Kosten Cii je transportierter Mengeneinheit von Angebotsort i an Bedarfsort j wer-
den in der sog. Einheits-Transportkosten-Matrix dargestellt:
92
Transportproblem
Tabelle 2-53: Tableau II - Einheits-Transportkosten-Matrix
~
von 1
Cll C12 ...

Bedarfsorte
Clj ... Cln

...
Angebotsorte Cil Ci2 ... Cij ... Cin
...
Cml Cm2 ... Cmj ... Cmn
Die rechnerische Behandlung des Transportproblems nach der Transportmethode ist

in einem Tableau organisiert, welches beide Matrizen vereinigt:
Tabelle 2-54: Tableau III - Matrix der Transportmethode
~
Angebotsmengen
1 2 ... n
voni ai
1
XlI
~ X12
~ ... Xln
~ al
2 ~ ~ ~ 32
X2l X22 ... X2n
...
...
L L ... ... . ..
~ ...
m ~ ~ ~ am
Xml Xm2 ... Xmn
Bedarfsmenge m n
bl b2 ... bn La; = Lb·
bj . 1
1= J=. 1J
93
Die GroBen Cij, ru und bj bleiben bei den Rechenschritten nach der Transportmethode
unveriindert, waruend die Losungselemente Xij (Entscheidungsvariablen) in Iteratio-
m n
nen so veriindert werden, dass die Zielfunktion K = L L Cij Xij ein Minimum wird
i=l j=l
(Minimierungsproblem). Dabei sind zulassige Losungen BasislOsungen des Systems
von Nebenbedingungsgleichungen. Wie man zeigen kann, sind n + m - 1 Nebenbe-
dingungsgleichungen des Transportproblems unabhiingig (vgl. z.B. Kreko, B., 1973, S.
18 ff.), so dass die Basislosungen - also auch die optimale Losung - immer hochstens n
+ m - 1 von Null verschiedene Variablenwerte umfassen.
2.8.2 Rechenprozess (Losungsverfahren)

Das Losungsverfahren der Transportmethode solI anhand des folgenden Zahlenbei-
spiels erortert werden: Der Vertriebsleiter eines Industrieuntemehmens, das 3 Fabri-.
ken (Angebotsorte i = 1, 2, 3) und 4 Auslieferungslager an geografisch verschiedenen
Orten (Bedarfsorte j = 1, 2, 3, 4) besitzt, hat die Aufgabe zu losen, wie die Fertigungs-
kapazWiten ru der verschiedenen Fabriken auf die verschiedenen Marktgebiete (Be'-
darfsorte) verteilt werden sollen. Wir gehen von einer festen Planperiode (Zeitab-
schnitt ZA) aus und nehmen an, dass der AusstoB jeder Fabrik und der Bedarf der
einzelnen Auslieferungslager dem Vertriebsleiter bekannt sind. Das Problem besteht
darin, welche Mengen Xij des homogenen Gutes (z.B. Mineralol) von we1chen Fabriken
i an we1che Auslieferungslager j transportiert werden sollen, damit die Gesamttrans-
portkosten waruend dieser festen Planperiode minimal sind.
Tabelle 2-55: Produktionsmengen der 3 Fabriken (in geeigneten Mengeneinheiten (ME)):
Fabrik 1 al = 150 ME/ZA

Fabrik 2 3.2 = 30 ME/ZA
Fabrik 3 a3 = 120 ME/ZA

3
L ai = 300 ME/ZA
i=l
94
Transportproblem
2.8
Tabelle 2-56: Bedar! der 4 Lagerhiiuser in MEIZA
Auslieferungslager 1 bI = 80ME/ZA
Auslieferungslager 2 b2 = 30ME/ZA
Auslieferungslager 3 b3 = 60ME/ZA
Auslieferungslager 4 b4 = 130 ME/ZA
4
L: b· = 300 ME/ZA
;;1 }
Die Transportkosten Cij fur den Transport einer ME von Fabrik i an Auslieferungslager j
ergeben sich aus nachstehender Einheits-Transportkosten-Matrix in Geldeinheiten
(GE) je ME:
Tabelle 2-57: Einheits-Transportkosten-Matrix
~
1 2 3 4
vonl
1 34 23 30 22
2 40 41 47 28
28 26 38 21
Das lineare Programmierungsmodell zu diesem Beispiellautet:

Zielfunktion: Minimiere
K = 34xll + 23x12 + 30X13 + 22xI4 + 40X2I + 41xzz + 47X23 + 28xz4 + 28x3I + 26x32 + 38x33 + 21x34
95
(1) Angebotsgleichungen
Xll + XI2 + XI3 + XI4 = 150
X21 + X22 + X23 + X24 = 30
X31 + X32 + X33 + X34 = 120
(2) Bedarfsgleichungen
Xll + X21 + X31 = 80
XI2 + X22 + X32 = 30
XI4 + X24 + X34 = 130

(3) Nichtnegativitatsbedingung
Xij ~ 0 (fur alle i und j)
Die Nebenbedingungen unter (1) und (2) bilden ein inhomogenes Gleichungssystem
mit 7 Gleichungen (3 Angebotsgleichungen und 4 Bedarfsgleichungen) und 12 Unbe-
kannten (5 Freiheitsgrade). Die nichtnegativen Losungen des Gleichungssystems bil-
den die Gesamtheit der zuHissigen Programme (zulassiger Losungsbereich), aus der
eine (oder mehrere gleichwertige) Losung(en) so ausgewahlt werden muss (miissen),
dass deren Transportkosten ein Minimum darstellen. Ein Weg, urn die Unbekannten
zu bestimmen, ware das Probieren. Bei einer so einfachen Aufgabe wie der obigen
ware dies sicherlich noch ein gangbarer Weg. Unser Ziel ist es aber, eine allgemein
anwendbare Methode zu demonstrieren, die sich auch bei umfangreichen Problemen
bewarut. Bei z.B. 20 Fabriken und 40 Lagerhausem wiirde das Gleichungssystem be-
reits aus 60 Gleichungen mit 800 Unbekannten bestehen. Probieren wiirde hier also
kaum noch zum Ziel fiihren konnen.
2.8.2.1 Bestimmung einer zulassigen Ausgangslosung

Es gibt verschiedene Verfahren zur Bestimmung einer ersten zulassigen AusgangslO-
sung, die Basislosung des Systems von Nebenbedingungsgleichungen ist. Die mit
Hilfe der verschiedenen Verfahren erzielbaren zulassigen Losungen unterscheiden
sich hinsichtlich ihrer Niihe zur Optimallosung und damit hinsichtlich der notwendi-
gen Iterationen bis zur optimalen Losung.
a) Nord-West-Ecken-Verfahren
Das "Nord-West-Ecken-Verfahren" gehort zu den einfachsten Verfahren, eine zulassi-
ge Ausgangslosung zu bestimmen. Man beginnt von den Entscheidungsvariablen Xij
mit dem Element Xll der Transportmatrix und belegt es mit der maximal zulassigen
Menge. Entweder gilt Xli = bl, wenn bl ::; aI, oder Xli = aI, wenn al ::; bl ist. In unserem
96
Transportproblem
2.8
Zahlenbeispiel ist Xli = 80 = bl. 1st Xli = bl, wird der Index j urn eins erhoht und man
geht zur Variablen XI2 - geht also eine Spalte weiter -, die mit der maximal zulassigen
Menge belegt wird. 1st hingegen Xli = aI, wird der Index i urn eins erhoht - geht also
eine Zeile weiter -und die Variable X21 mit der maximal zulassigen Menge belegt. Diese
Vorgehensweise wird fortgesetzt, bis die Surnme der den Variablen zugewiesenen
Mengen gleich der gesamten Transportmenge ist. Man beginnt also in dem Feld i = 1
und j = 1 mit Xll der Transportmengenmatrix (= "Nord-West-Ecke") und fiihrt die
Mengenzuweisung fortschreitend bis zurn Feld i = m und j = n mit Xmn der Transport-
mengenmatrix (= "Slid-Ost-Ecke") durch. Flir das Zahlenbeispiel ergibt sich folgende
erste zulassige Losung nach dem Nord-West-Ecken-Verfahren:
Tabelle 2-58: Zuliissige Ausgangslosung nach Nord-West-Ecken-Verfahren
~j
Angebotsmengen
1 2 3 4
von 1 ai
1 80(1) 30(2) 40(3) 150
2 20(4) 10(5) 30
3 120(6) 120
Bedarfsmengen bi 80 30 60 130 300
Die hochgestellten Markierungsziffem in Klammem geben die Reihenfolge bei der

Besetzung an. Die zulassige Losung lautet:
Xli = 80; XI2 = 30; XJ3 = 40; XI4 = 0; X21 = 0; X22 = 0;
X23 = 20; X24 = 10; X31 = 0; X32 = 0; X33 = 0; X34 = 120
Es sind also m + n - 1 = 3 + 4 - 1 = 6 Felder (Variablen) belegt (besetzt) worden. Die
besetzten Felder (mit Xii > 0) werden "B-Felder" genannt. Es handelt sich dabei urn die
Basisvariablen des Problems. Die unbesetzten (leeren) Felder (mit Xii = 0) sind die
Nichtbasisvariablen des Problems und werden "L-Felder" genannt. Die Transportkos-
ten dieser L6sung k6nnen mit Hilfe der Einheits-Transportkosten-Matrix ermittelt
werden (vgl. Tabelle 2-57):
K = 34 . 80 + 23 . 30 + 30 . 40 + 47 . 20 + 28 . 10 + 21 . 120 = 8.350
Das Nord-West-Ecken-Verfahren fiihrt zu einer ersten zuliissigen Ausgangslosung.
Bei diesem Verfahren geht man allerdings willklirlich vor und lasst die Zielfunktion
vollig auBer Acht. Das Nord-West-Ecken-Verfahren ist zwar einfach zu handhaben,
97
a 1 Lineare Planungsrechnung
doch zeigt sich im Vergleich zu anderen Verfahren, dass die Ausgangsposition (in
Bezug auf das Optimierungsziel) einer Losung nach dem Nord-West-Ecken-Verfahren
in der Regel sem ungiinstig ist.
b) Heuristische Verfahren zur Bestimmung "guter" zulassigen Ausgangslosung
bl) Matrixrninirnurnverfahren- oder Matrixmaxirnurnverfahren
Das Matrixminimumverfahren (bei Minimierungsproblemen) folgt dem Prinzip des
besten Nachfolgers. Man sucht zunachst das Feld in einer "Matrix der Transportrne-
thode" mit dem kleinsten Einheits-Transportkosten-Element (= kostengiinstigstes Feld
der Gesamtrnatrix) und belegt es mit der maximal zulassigen Menge. Man sucht dann
das kostengiinstigste Feld der Restrnatrix und ordnet diesem Feld die groBtrnogliche
Menge zu usw. bis alle Mengen zugeordnet sind. Das Matrixminirnurn oder Matrix-
maximumverfahren wird auch als "Verfahren der aufsteigenden Indizes" bezeichnet
(Bloech, J., 1974, S. 182). Die zulassige Ausgangslosung nach dem Matrixminimum-
verfahren fur das Zahlenbeispiellautet:
Tabelle 2-59: Zuliissige Ausgangslosung nach Matrixminimumverfahren
~
vonl
1 2 3 4 ru
1 I
50(5)
34
30(3)
~ I
60(4)
30
10(2)
~ 150
2
30(6)
~ ~ I 47 ~ 30
3 ~ ~ I 38 120(1)
L:=- 120
bj 80 30 60 130 300
Die hochgestellten Markierungsziffem geben wieder die Reihenfolge bei der Beset-
zung an. Die Transportkosten dieser Losung betragen:
K = 34 . 50 + 23 . 30 + 30 . 60 + 22 . 10 + 40 . 30 + 21 . 120 = 8.130
98
Transportproblem
2.8
bz) Zellenfolge- oder Spaltenfcilgeverfahren
Ahnlich wie das Matrixminimum- oder Matrixmaximumverfahren geht das Zeilen-
Spalten-Sukzessionsverfahren (Zellenfolge- oder Spaltenfolgeverfahren) vor. Hier
beginnt man mit der Mengenzuordnung im kostengiinstigsten Feld der ersten Zelle
(bzw. Spalte) und ordnet die maximal zulassige Menge zu. Das ist im Zahlenbeispiel
das Feld i = 1, j = 4 mit XI4 = 130. Da die Zelle (bzw. Spalte) noch eine Restmenge ent-
halt, wird das nachstgiinstigste Feld der Zelle (bzw. Spalte) gesucht und wiederum mit
der groBtmoglichen Menge belegt. Das ist im Zahlenbeispiel XIZ = 20. Dann wird in
der zweiten Zelle (bzw. Spalte) das kostengiinstigste Feld aus den Spalten (bzw. Zei-
len), die noch einen Bedarf (bzw. Angebot) aufweisen, ausgesucht und mit der groBt-
moglichen Menge belegt. 1m Beispiel ist das X2I = 30. Da damit im Beispiel das Angebot
der 2. Zeile erfiillt ist, wird aus der dritten Zeile das kostengiinstigste Feld aus den
Spalten aufgesucht, die noch Bedarf aufweisen und mit der groBtmoglichen Menge
belegt: X3Z = 10; X3I = 50; X33 = 60. Es ergibt sich folgende Ausgangsmatrix:
Tabelle 2-60: Zuliissige Ausgangslosung nach Zeilenfolgeverfahren
~von I
1 2 3
I 30
4 3i
1 ~ I
20(Z)
23
~
130(1)
~ 150
2
30(3)
I 40
I 41 ~ ~ 30
3 I 28
~ ~ I 21 120
50(5) 10(4) 60(6)
bj 80 30 60 130 300
Die hochgestellten Markierungsziffem geben wieder die Reihenfolge bei der Belegung
an. Die Transportkosten dieser Losung betragen:
K = 23 . 20 + 22 . 130 + 40 . 30 + 28 . 50 + 26 . 10 + 38 . 60 = 8.460
Die bisher behandelten Verfahren haben den gleichen Nachteil: Der anfanglich hohe
Freiheitsgrad wird immer mehr eingeschriinkt, so dass trotz guten Beginns am Ende
99
oft sehr ungtinstigeZuordnungen hingenommen werden miissen. Das gleiche gilt

iibrigens auch fur das Prinzip des besten Nachfolgers beim "Travelling Salesman
Problem". Dieser Nachteil tritt bei einem von Vogel (Reinfeld, N.V, Vogel, W.R ., 1958)
entwickelten Verfahren nicht oder nur in geringem MaBe auf.
b3) Vogel's Approximations-Methode
Bei Vogel's Approximations-Methode (VAM) werden fur jede Zeile und Spalte der
Einheits-Transportkostenmatrix die Kostendifferenzen zwischen dem zweitgiinstigs-
ten urn dem giinstigsten Kostenelement gebildet. Dann wird in der Zeile oder Spalte
mit der maximalen Differenz dem Feld mit dem giinstigsten Kostenelement - das an
der maximalen Kostendifferenz beteiligt ist - die groBtmogliche Menge zugeordnet.
Die groBtmogliche Menge ist immer zuzuordnen, da mit jeder Mengenzuweisung -
abgesehen vom Fall der "Degeneration" (S. 101£.) - genau eine Gleichung (eine Spal-
ten- oder Zeilengleichung) erfiillt wird. AnschlielSend wird diese Vorgehensweise fur
die verbleibenden Zeilen und Spalten wiederholt, bis alle Mengen zugeordnet sind.
Nach VAM erhiilt man fur das Zahlenbeispiel folgende zulassige Losung:
Tabelle 2-61: Zuliissige AusgangslOsung nach VAM
~
K.-diff.
1 2 3 4 ai
vonl Zeilen
1 ~ 30(5)
~ 60(2)
~ 60(6)
C 150
23-22
=1
2 ~ ~ ~ 30(1)
~ 30
40-28
=12
3
80(3)
~ ~ E 40(4)
~ 120
26-21
=5
bj 80 30 60 130 300
Kostendifferen- 34-28=6 26-23=3 38-30=8 22- 21=1

zen der Spalten
Die hochgestellten Markierungsziffem geben wieder die Reihenfolge bei der Belegung
an. Die gebildeten Kostendifferenzen der Zeilen und Spalten zeigen, dass das Kosten-
element C24 = 28 des Feldes i = 2 und j = 4 an der Bildung der gr61Sten Kostendifferenz
mit C21 - C24 = 40 - 28 = 12 beteiligt ist. X24 ist mithin die maximal zulassige Menge (X24 =
100
Transportproblem
2.8
30) zuzuordnen. Fur die Restmatrix sind wiederurn die Kostendifferenzen fur alle
Zeilen und Spalten zu bilden. Das Kostenelement C13 = 30 ist jetzt an der groBten Diffe-
renz beteiligt. Entsprechend ist X13 die groBtmogliche Menge zuzuordnen: X13 = 60.
Von der verbleibenden Restmatrix ist C31 = 28 an der groBten Differenz beteiligt. X31
wird mit 80 belegt usw. Die Transportkosten der Losung nach VAM betragen:
K = 23 . 30 + 30 . 60 + 22 . 60 + 28 . 30 + 28 . 80 + 21 . 40 = 7.730
Dieses Verfahren hat den Vorzug, dass rucht die absoluten Kosten fur die Zuteilung
maBgebend sind, sondern durch die Differenzenbildung Abhiingigkeiten in der Kos-
tenstruktur des Transportproblems beriicksichtigt werden. Vogel's Approximations-
methode fiihrt im Allgemeinen zu sehr guten Ausgangslosungen, die nahe an das
Optimum herankommen. In diesem Beispiel ist die ermittelte Ausgangslosung bereits
die Optimallosung; dieser Tatbestand ist jedoch rucht zwmgend. Allerdings ist der
Aufwand zur Ermittlung der Ausgangslosung schon relativ hoch. Es gibt verschiedene
andere AnsiHze zur Ermittlung einer zuUissigen Ausgangslosung - z.B. die Methode
der Umformung der Einheits-Transportkosten-Matrix (Kreko, B., 1973, S.16 ff.), die
Frequenzmethode von J. Habr (1961, S. 1069 ff.) oder voroptimierende Verfahren (MUl-
ler-Merbach, H., 1973, S. 312 f.)-.
2.8.2.2 Problem der Degeneration

Bei der Bestimmung einer zulassigen Losung kann der Fall auftreten, dass die Summe
der belegten Mengen zwar gleich der gesamten Transportrnenge ist, jedoch die Anzahl
der belegten Elemente (Felder) die Zahl m + n - 1 rucht erreicht. In diesem Fall liegt
Degeneration (Entartung) vor. Dieser Fall tritt immer dann auf, wenn mit einer Men-
genzuweisung zugleich zwei Gleichungen erfullt werden, namlich eine Spalten- und
eine Zeilengleichung. Das noch darzustellende Iterationsverfahren der Transportme-
thode versagt bei "degenerierten" (entarteten) Problemen. Es gibt jedoch ein einfaches
Mittel, urn die Degeneration zu beheben. Dazu sind so viele freie Elemente (L-Felder)
mit Null als Basisvariable zu belegen, bis die Zahl der belegten Elemente (= Basisvari-
ablen) gleich m + n - 1 ist. Auch diese mit Null belegten Elemente Xij reprasentieren
also Basisvariablen. Zur Belegung mit Null sind solche freien Elemente auszuwiihlen,
die gewiihrleisten, dass nach erfolgter Belegung kein Element als einziges in einer
Zeile und Spalte belegt ist. Hierzu folgendes Zahlenbeispiel:
101
I Lineare Planungsrechnung
Tabelle 2-62: Degenerierte Losung
~ nachj 1 2 3 4
Angebotsmengen
von i ________ ru
1 80 (0) 60 10 150
2 30 30
3 120 120
Bedarfsmengen bj 80 30 60 130 300
X22 = 30 ist das einzige Element, das in der Zeile 2 und Spalte 2 belegt ist. Das Problem
ist degeneriert. In der Mengenmatrix ist z.B. das Mengenelement XI2 mit Null zu bele-
gen. Zur Auswahl stehen die freien Elemente (L-Felder) X12, X2I, X23, X24 und X32 (nicht
hingegen X31 und X33) . Die Auswahl des Elements, das mit einer Null eine Basisvariable
reprasentieren solI, kann durch einen Zufallsmechanismus erfolgen.
2.8.2.3 Iterationsprozess der Transportmethode mit MODI

Durch den Iterationsprozess der Transportmethode wird eine Folge von zulassigen
Losungen erzeugt, bei denen die Gesamttransportkosten stets abnehmen, bis das Kos-
tenminimum (OptimalIosung) erreicht ist. Zur Bestimmung der optimalen Losung des
Transportproblems ist eine Reihe von Methoden entwickelt worden. Weit verbreitet ist
die modifizierte Distributionsmethode (auch MODI-Methode, UV-Methode oder
Methode der Potenziale genannt) und die Stepping-Stone-Methode. Sowohl die
MODI-Methode als auch die Stepping-Stone-Methode bauen auf dem Tatbestand
auf, dass die optimale Losung auch eine Basislosung sein muss. Die MODI-Methode
besteht entsprechend der Simplexmethode aus:
(1) der Priifung einer zulassigen Losung auf Optimalitat,
(2) der Auswahl einer in die Basislosung einzufiihrenden Nichtbasisvariablen,
(3) dem Variablentausch.
Zur Priifung auf Optimalitat dienen die Opportunitiitskosten. Fur die Basisvariablen
Xij werden im ersten Schritt die Potenziale Ui und Vj berechnet:
Ui=Cij-Vj bzw. Vj =Cij -Ui
D.h. die u-Werte fur die Zeilen und v-Werte fur die Spalten werden so festgelegt, dass
fur die besetzten Felder (B-Felder) der zulassigen Losung der 'Bedingung Ui + Vj = Cij
102
Transportproblem
2.8
geniigt wird. Das ist bei nichtdegenerierten Losungen immer eindeutig erreichbar,
wenn ein Potenzial (u- oder v-Wert) £rei gewahlt wird. In der Regel wird UI = 0 gesetzt
(gemaB Konvention). Aus rechentechnischen Griinden ist es zweckmaBig, die Potenzi-
ale als zusiitzliche Spalte Ui und Zeile Vj der Transportmatrix hinzuzufugen. An unse-
rem Zahlenbeispiel wird die Bildung der Potenziale demonstriert (zulassige Aus-
gangslosung nach Matrixminimumverfahren, vgl. Tabelle 2-59):
Das System von Gleichungen, in dem die Cij der besetzten Felder (Basisvariablen)
durch die Ui- und vj-Werte ausgedriickt werden, besteht aus sechs Gleichungen mit
sieben Unbekannten. Die willkiirliche (freie) Festlegung einer Unbekannten (gewohn-
lich U1 = 0) fiihrt also zu einem Gleichungssystem, in dem die verbleibenden sechs
Unbekannten durch einfache Elimination berechnet werden konnen. Nebenberech-
nung (fur die Cij kommen nur die besetzten Felder in Frage):
UI= 0 (£rei gewahlt); VI = Cll- UI = 34 - 0 = 34; V4 = Cl4 - U1 = 22 - 0 = 22;
V2 = C12 - U1 = 23 - 0 = 23; ill = C21 - VI = 40 - 34 = 6; V3 = C13 - UI = 30 - 0 = 30
U3 = C34 - V4 = 21- 22 = -1
Den Zeilen und Spalten der zulassigen - auf Optimalitat hin zu priifenden - Losungen
werden also Potenziale (Ui- bzw. vj-Werte) zugeordnet. Zu jedem Element der Kosten-
matrix gehoren also zwei Potenziale, ein Zeilenpotenzial Ui und ein Spaltenpotenzial
Vj. Diese Potenziale werden - wie bereits dargelegt - so bestimmt, dass die Summe der
103
Potenziale, die zu einem besetzten Kostenelement Cij gehoren, gleieh dem betreffenden
Kostenelement Cij sind. Fiir die nieht besetzten Elemente Xij = 0 (Niehtbasisvariablen; L-
Felder) werden im zweiten Schritt die Opportunitatskosten OCij ermittelt. Aus den
Potenzialen werden zunaehst die Zij-Werte gebildet: Zij = Ui + Vj. Die Differenzen Cij - Zij
sind die oc-Werte fUr die Niehtbasisvariablen (Nullvariablen) (L-Felder): OCij = Cij - Zij.
Die Opportunitatskosten OCij der Nichtbasisvariablen sind also die Differenzen aus
den Einheits-Transportkosten der Niehtbasisvariablen und den Zij-Werten. Diese Diffe-
renzen (Opportunitatskosten, Schattenpreise) geben Auskunft uber die Optimalitat
der vorliegenden Basislosung. Sind aIle Differenzen (Cij - Zij) ~ 0, so liegt die optimale
Losung vor. Existieren noeh negative Differenzen (OJ - Zij) < 0, so sind noeh Verbesse-
rungen moglieh, die Optimallosung ist noeh nieht erreieht (= "Transportkriterium").
Bei der Ermittlung der OCij (fur die L-Felder = Niehtbasisvariablen) werden niimlieh die
Einheits-Transportkosten Zij der B-Felder (= Basisvariablen) jeweils von den Einheits-
Transportkosten der L-Felder subtrahiert; ist diese Differenz negativ, so zeigt dies, dass
die Einheits-Transportkosten der konkurrierenden L-Felder niedriger sind als die der
entsprechenden B-Felder. In der Matrix der Transportmethode werden die Opportuni-
tatskosten OCij links unten in die entspreehenden Felder der Nichtbasisvariablen ("L-
Felder") eingetragen. Fur das Zahlenbeispiel ergeben sieh unten stehende oc-Werte
(ausgehend von der zulassigen Ausgangslosung naeh Matrixminimumverfahren, vgl.
Tabelle 2-59).
Tabelle 2-64: Transportmethode mit Potenzialen Ui, Vj und Opportunitiitskosten OCij
~ naehj 1 2 3 4
3i
voni
X11; J
34 23 30 22
-D. ~
1
0 ~ ~ +D. ~
150
50 30 60 10
2 6
~ ~ ~ ~ 30
30
- - -
+12 +11 0
+D. ~ 26 38 -D. 21
3 -1 - - '---
120
120
bj
A 80
M 30
~
60 130 300
104
Transportproblem
2.8
Die negativen Werte der Opportunitatskosten zeigen an, dass das Optimum noch
nieht vorliegt. Sie geben an, urn wie viel sich die Transportkosten vermindem, wenn
das zugeh6rige Mengenelement Xij (Nichtbasisvariable) mit einer Einheit belegt wird.
Entsprechend der "Steepest Unit Ascent"- Version der Simplexmethode wird auch
bei der Transportmethode diejenige Nichtbasisvariable fur die Aufnahme in die L6-
sung ausgewahlt, die den gr6Bten Zielfunktionsbeitrag pro Mengeneinheit erbringt.
Von allen negativen Werten der OpportunWitskosten OCij wird also der minimale aus-
gewahlt. Die zugeh6rige Nichtbasisvariable wird mit einem noch zu bestimmenden
Wert in die Basisl6sung aufgenommen. Die Aufnahme einer Nichtbasisvariablen in die
Basisl6sung bedeutet die Belegung des zugeh6rigen freien Feldes (L-Feldes) in der
Transportmengenmatrix und zugleich das Ausscheiden einer bisherigen Basisvariab-
len. Durch die Besetzung eines L-Feldes muss ein bisher besetztes Feld (B-Feld) frei
werden (m + n - 1 Basisvariablen). Dariiber hinaus hat der Austausch der Variablen
zur L6sungsverbesserung so zu erfolgen, dass keine der Beschriinkungen ai bzw. bj
verietzt wird, d.h. die Angebots- und Nachfragegleichungen miissen weiterhin erfUllt
bleiben. 1m Zahlenbeispiel ist X31 die Nichtbasisvariable mit dem minimalen oc-Wert
(0C31 = -5). Die Nichtbasisvariable X31 ist also in die L6sung aufzunehmen, d .h. in der
ersten Iteration (Verbesserungsschritt) ist das Feld i = 3 und j = 1 mit Mengeneinheiten
zu belegen. Wird das Feld i = 3 und j = 1 mit dem Wert ~ (noch unbekannte Menge in
ME) belegt (X31 = ~), so muss in der gleichen Zeile i = 3 ein belegtes Feld urn ~ vermin-
dert werden. 1m Beispiel ist dies das Feld i = 3 und j = 4 (mit X34 =120 - ~) . Dies ist not-
wendig, damit die dritte Zeilengleichung wieder erfUllt ist. Diese Verminderung hat
eine Vermehrung eines anderen B-Feldes zur Folge und so weiter, bis als Letztes ein B-
Feld in der gleichen Spalte, in welcher der Zyklus (auch Kreis genannt) durch Neube-
legung begann, urn ~ verringert wird. Der Zyklus kann natiirlich auch in urngekehrter
Reihenfolge durchlaufen werden. Zu bemerken ist, dass ausgehend von einem L-Feld -
also einer Nichtbasisvariablen, die wegen eines negativen oc-Wertes in die L6sung
eingefiihrt werden solI - man bei diesem Zyklus zum selben Element mit einer - nach
der Gangart des Turms beim Schachspiel benannten - "Turmbewegung" zuriickkehrt,
indem man die Richtung immer bei einem B-Feld wechselt. Bei dem damit gewonne-
nen geschlossenen Weg werden also nur - abgesehen von dem Ausgangsfeld (Nicht-
basisvariable, die in die L6sung aufgenommen werden solI) - B-Felder tangiert. Dieser
Weg der Transportmengenanderungen in der Transportmatrix wird auch "Polygon-
zug" genannt. Es lasst sich zeigen, dass es fUr jedes L-Feld einen einzigen zusammen-
hangenden Polygonzug gibt (Bloech, J., 1974 S. 186). Entlang der Ecken des geschlosse-
nen Weges wechselt das Vorzeichen fUr ~ alternierend. 1m Zahlenbeispiel haben
folgende Transportmengenanderungen zu erfolgen (vgl. Tabelle 2-64);
X31 = +~; X34 = 120 -~; XI4 =10 +~; Xll = 50 - ~
Welchen Wert solI nun ~ annehmen? Da die Opportunitatskosten der in die Basisl6-
sung aufzunehmenden Variablen angeben, urn wie viel sich die Transportkosten ver-
mindem, wenn die zugeh6rige Variable mit einer Mengeneinheit belegt wird, hat ~
den gr6Btm6glichen Wert anzunehmen. ~ kann so groB wie das kleinste Eckelement
105
des geschlossenen Weges sein, von dem d abgezogen wird (Nichtnegativitatsbedin-

gung). An die Stelle dieses kleinsten zu vermindemden Eckelementes des Zyklus tritt
ein freies Feld (L-Feld), die entsprechende Variable wird zur Nichtbasisvariablen. Auf
diese Weise wird die Variable bestimmt, die aus der Losung auszuscheiden hat, d.h.
zur Nullvariablen wird. 1m Zahlenbeispiel ist Xli die neue Nichtbasisvariable (Nullva-
riable) und d = 50. In der ersten Iteration wird also X31 mit 50 ME in die Losung aufge-
nommen und Xli aus der Basislosung eliminiert (Variablentausch: Austausch von Xli
gegen X(1). Die Verbesserung einer Iteration betragt jeweils Ouj . d (OCij = Opportuni-
tatskosten, die zur Nichtbasisvariablen gehoren, die in die Losung eingefiihrt, d .h .
belegt werden solI). 1m Beispiel belauft sich die Transportkostenminderur!g der ersten
Iteration auf OC31 . d = (-5) ·50 = -250. Diese Transportkosteniinderung lasst sich auch
wie folgt errechnen:
Kostenzunalune: X13 urn 50 ME mit 28 GE/ME = 1.400
X14 urn 50 ME mit 22 GE/ME = 1.100
2.500
Kostenabnalune: XII urn 50 ME mit 34 GE/ME = 1.700
X14 urn 50 ME mit 21 GE/ME = 1.050
-2.750
Kostenminderur!g per Saldo: -250
Tabelle 2-65: Matrix der Transportmethode nach der ersten Iteration
~ nachj 1 2 3 4
ai
voni I~
Ui
J· 29 23 30 22
1 o ~ 150
+5
-d
2 11 -
40
~ ~ +d
~ 30
~o
+7 +6 -5
3 -1
+d
~ 26
'--- -
38 -d 21
'---
120
,0 70
+4 +9
80 30 60 130 300
106
Transportproblem
2.8
Nachdem die Transportkosten der zuHissigen Ausgangslosung nach Matrixminimurn-
verfahren Kl = 8.130 Geldeinheiten (GE) betragen (vgl. . Tabelle 2-59), reduzieren sich
diese nach der ersten Iteration auf:
Kz = Kl + 0C31 . !!,. = 8.130 - 250 = 7.880
Die neuen Transportkosten dieser zulassigen Losung (Tabelle 2-65) nach der ersten
Iteration betragen:
Kz = 30·23 + 60·30 + 60·22 + 30·40 + 50·28 +70·21= 7.880
Nun sind die u- und v-Werte sowie die oc-Werte neu zu bestirnmen. Da ein oc-Wert
noch negativ ist (OC24 = -5), liegt die optimale Losung noch nicht vor (Transportkriteri-
urn). Das freie Element X24 ist zu belegen, urn eine weitere Verbesserung zu erreichen.
Der geschlossene Zyklus ist in der obigen Matrix (Tabelle 2-65) markiert (+!!,. bzw. -!!").
!!,. ist 30 ME. Die seitherige Nichtbasisvariable X24 wird mit 30 ME in die Losung einge-
fiihrt und darur wird X21 aus der Losung herausgenommen (Variablentausch). Folgen-
de Mengenanderungen haben in der zweiten Iteration zu erfolgen:
X24 = + 30, X21 =30 - 30, X31 = 50 + 30, X34= 70 - 30
Die Transportkostenminderung der zweiten Iteration belauft sich auf 004' !!,. = (-5) . 30
=-150. Die Transportkosten nach der zweiten Iteration betragen:
K3 = Kz + OC24 . !!,. = 7.880 - 150 = 7.730
Die neue Transportmatrix nach der zweiten Verbesserung (Iteration) lautet:
Tabelle 2-66: Matrix der Transportmethode nach der zweiten Iteration - Optimallosung
~ nachj 1 2 3 4
ai
voni
I~
Ui
29 23 30 22
1 0
~
10
LE... {;O
~
{;O
~ 150
+5
2 6 -
40
~ ~ ~ 30
10
+5 +12 +11
3 -1
28
'----
26
'---- -
38
~ 120
flO 40
+4 +9
bj 80 30 60 130 300
107
Nach Neubestirnmung der u- und v-Werte sind aIle Opportunitatskosten nichtnegativ

(OCij ~ 0), die optimale (transport-kostenminimale) Lasung ist erreicht. Die minimalen
Transportkosten betragen:
~=OO·B+~·OO+~·n+oo·~+w·~+~·n=~~o
Der optimale Transportplan lautet:
• Fabrik lliefert an Auslieferungslager 2 30 ME (X12 = 30)
• Fabrik 2 liefert an Auslieferungslager 4 30 ME (X24 = 30)
• Fabrik 3 liefert an Auslieferungslager 1 80 ME

Fabrik 3 liefert an Auslieferungslager 4 40 ME
(X31 = 80)
(X34 = 40)
Die ubrigen xij-Elemente (der L-Felder) haben als Nichtbasisvariablen den Wert Null.
2.8.2.4 Iterationsprozess der Transportmethode mit Stepping Stone

Zur Erlauterung der Stepping-Stone-Methode - sie iihnelt in wesentlichen Punkten
der MODI-Methode - gehen wir wieder von der nach Matrlxminimumverfahren ge-
fundenen zulassigen Basislasung aus (vgl. Tabelle 2-59). Zunachst werden fur aIle
nicht besetzten Felder (L-Felder) der zulassigen Basislasung Kostendifferenzen dij
gebildet. Diese Kostendifferenzen werden uber Rundwege (Austauschpfade, Step-
ping-Stone-Pfade, Polygonziige), die ausschlieBlich uber besetzte Felder (Basisvari-
ablen) fiihren, berechnet. Die Kostendifferenzen geben Auskunft damber, ob ein bis-
her nicht belegtes Feld (Nichtbasisvariable) zu einer Verbesserung (Verminderung der
Gesamttransportkosten) beitragen kann. Fur negative Kostendifferenzen (dij < 0) sind
Verbesserungen maglich. Sind alle Kostendifferenzen positiv (dij > 0), so liegt die op-
timale Lasung vor (Transportkriterium). 1st dij = 0, so existieren mehrdeutige Lasun-
gen (Mehrfachlosungen). Nach der "Steepest Unit Ascent"-Version (entsprechend bei
der Simplexmethode) wird die Nichtbasisvariable Xij mit dem minimalen Betrag der
negativen Kostendifferenzen dij in die Lasung eingefiihrt. Eine bisherige Basisvariable
muss dafUr weichen (Variablentausch). Die neu einzufiihrende Variable Xij wird mit
der gro8tmoglichen Menge belegt. Aus der Nichtnegativitatsbedingung (Xij ~ 0 fur
aIle i und aIle j) ergibt sieh, wie groB die Mengenanderung hachstens sein kann und
welche Variable aus der Lasung herauszunehmen ist. Dieses Verfahren wird solange
wiederholt, bis aIle Kostendifferenzen nichtnegativ sind (Iterationsverfahren). Die fUr
die L-Felder ermittelten Kostendifferenzen dij konnen links unten in die entsprechen-
den Felder der Nichtbasisvariablen eingetragen werden. Fur die Berechnung der Kos-
tendifferenz d31 ist der Austausehpfad in Tabelle 2-67 markiert:
108
Transportproblem
Die Belastung des Feldes i = 3, j = 1 mit einer Transportmengeneinheit fiihrt zu Mehr-

kosten von 28 Geldeinheiten (GE). Damit die dritte Zeilengleichung erfullt wird, ist
das Mengenelement X34 urn eine Transportmengeneinheit zu entlasten. Das fuhrt zu
einer Kostenerspamis von 21 GE. Damit die Gleichungen der Spalten j = 1 und j = 4
erfullt werden, muss das Mengenelement X14 um eine Mengeneinheit erhoht - Trans-
portkostenzunahme 22 GE - und das Mengenelement Xll urn eine ME vermindert
werden - Transportkostenerspamis 34 GE. Im Gesamtergebnis erhalten wir also durch den
Austausch von einer Mengeneinheit auf diesem Stepping-Stone-Pfad die Kostendiffe-
renz d31 = 28 - 21 + 22 - 34 = -5. Wiirde man also die Variable X31 in die Losung aufneh-
men, so wiirde das pro transportierte Mengeneinheit eine Kostenerspamis von 5 GE
bedeuten. Maximal waren 50 ME auf diesem Pfad austauschbar (X31 wiirde mit 50 ME
fur Xll in die Losung eingefuhrt). Die iibrigen Kostendifferenzen setzen sich wie folgt
zusammen:
d22 = 41 - 23 + 34 - 40 = 12
d23 = 47 - 30 + 34 - 40 = 11
d24=28-22+34-40= 0
d32 = 26 - 23 + 22 - 21 = 4
d33 = 38 - 30 + 22 - 21 = 9
109
Die Losung (gem. Tabelle 2-67) weist also noch eine negative Differenz (&1 = -5) auf,
so dass noch Verbesserungsmoglichkeiten bestehen. In der ersten Iteration ist die Vari-
able )(31 mit 50 ME in die Losung einzufiihren und dahlr XlI aus der Losung herauszu-
nehmen (Variablentausch). Vergleicht man die Tabelle 2-67 und Tabelle 2-64, so zeigt
sich, dass die Kostendifferenzen ruj der Stepping-Stone-Methode den Opportunitats-
kosten OCij der MODI-Methode entsprechen; lediglich die Berechnungsweise ist ver-
schieden. Im Obrigen entspricht die Vorgehensweise nach der Stepping-Stone-
Methode der nach der MODI-Methode. Im Vergleich zur Stepping-Stone-Methode ist
die MODI-Methode die handlichere.
2.8.3 Mehrdeutige Losungen

Ein Transportproblem muss nicht immer eine eindeutige Losung haben. Es konnen
mehrere optimale Losungen existieren. Man spricht dann von Mehrfachlosungen
oder von mehrdeutigen Losungen. Eine Mehrfachlosung ist in der Matrix der Trans- .
portmethode dadurch gekennzeichnet, dass oc-Werte, die Nichtbasisvariablen zuge-
ordnet sind, den Wert Null haben. Die oc-Werte, die Basisvariablen zugeordnet sind;
haben immer den Wert Null. Durch Hereinnahme einer Nichtbasisvariablen in die
Losung, deren zugeordneter oc-Wert Null ist, andert sich das Kostenniveau nicht. Die
Kostenanderung einer Iteration ist namlich: oc . ~. Ais Beispiel sei auf Tabelle 2-70
verwiesen: Dort ist OC22 = 0). Sind hingegen die zu einem freien Element einer Nichtba-
sisvariablen gehorenden oc-Werte in einem Programm ausnahmslos positiv, so exis-
tiert nur eine einzige optimale Losung.
2.8.4 Offene Transportprobleme

Die Anwendung der Transportmethode setzt ein geschlossenes Transportmodell vor-
m
aus. Es muss also das Gesamtangebot Lai der Gesamtnachfrage (dem Gesamtbedarf)
i=l
n
L bj entsprechen. Bei praktischen Problemen diirfte diese Pramisse wohl kaum er-
j=l
fullt sein. Vielmehr herrschen in der Praxis die offenen Transportprobleme vor, bei
denen Gesamtnachfrage und Gesamtangebot nieht iibereinstimmen. Dabei sind die
FaIle Nachfrage gro8er als das Angebot oder Angebot gro8er als die Nachfrage
denkbar. Jedes offene Transportproblem lasst sich durch Einfiigen eines fiktiven
Anbieters bzw. Nachfragers ("Dummy - Angebot" bzw. "Dummy - Nachfrage") in
ein geschlossenes Modell umwandeln.
110
Transportproblem
2.8.4.1 Fall 1 : Uberangebot (Angebotsmenge > Bedarfsmenge)

In diesem Fall wird eine zusatzliche fiktive Bedarfsstelle in das Modell aufgenom-
men, die genau die iiberschiissige Angebotsmenge aufnimmt. Man ergiinzt also die
Matrix der Transportmethode urn eine Nachfragespalte, die den Uberhang ausgleicht.
Die Vorgehensweise solI demonstriert werden an einem Beispiel, in dem eine Ange-
botsauswertung vorgenommen wird. Dieses Beispiel verdeutlicht auch die Vielfalt der
Anwendungsmoglichkeiten der Transportmethode.
Beispiel: Ein Warenhaus wiinscht folgende Posten an Damenkleidem einzukaufen:
KleidergroBe 34 36 38 40 42
Menge in StUck 75 100 250 350 200

Von drei verschiedenen Kleiderfabriken werden Angebote eingeholt. Die Hersteller
bieten an, die nachstehenden Mengen an Kleidem liefem zu konnen:
Kleiderfabrik A B C
Angebotsmenge in StUck 420 400 380
Die Angebotspreise je KleidergroBe und Hersteller sind (in GE je Kleid):
KleidergroBe
34 36 38 40 42
A 100 120 140 160 180

Hersteller B 115 140 150 180 190
C 165 180 185 190 195
Gesucht ist das kostenminimale Einkaufsprogramm fUr das Warenhaus!
3
Die Angebotsmenge Lai = 1.200 StUck ist urn 225 StUck groBer als die Nachfrage-
i=l
5
menge mit L bj = 975 StUck. Fur diese Differenz wird eine fiktive Nachfrage uber 225
j =l
StUck Kleider eingefiihrt. Da es fUr die fiktive Nachfrage gleichgiiltig ist, von welchem
Hersteller sie gedeckt wird, konnen die Kostenelemente gleich Null gewiihlt werden.
Dann bildet sich die optimale Losung nur in Abhiingigkeit der tatsachlichen Ange-
botspreise. Unter Verwendung des Matrixminimumverfahrens - dabei ist die Spalte
der fiktiven Nachfrage erst zu belegen, wenn die anderen Spalten erfiillt sind - ergibt
sich folgende zulassige Ausgangslosung:
111
1
Tabelle 2-68: AusgangslOsung des Einlmufsprogramms nach Matrixminimumverfahren
42 Fiktive
KleidergroBe 34 36 38 40
Nachfrage
a;
I~
Her- 100 120 140 170 180 -15
steller Ui
~ ~ -tl~ +tl ~
~ ~
A 0 75 100 245 420
- I--- -
-10 0 15
~ ~ ~
+tl -tl 180 190 0
'--- '--- '---
B 10 5 350 45 400
- - -
5 10 5
~ ~ ~
165 180 0
- - '---
C 15 155 ,,225" 380
bj
i50l 4
75 100
M M
250 350 200 ,,225" 1.200
Diese Ausgangslosung hat folgende Einkaufskosten:

K1 = 75· 100 + 100 . 120 + 245· 140 + 5· 150 + 350· 180 + 45· 190 + 155 . 195 + 225 · 0
K1 = 156.325 GE
Der negative Opportunitatskostenwert OC14 = -10 zeigt an, dass diese Ausgangslosung
verbesserungsfahig ist (Transportkriteriurn). Das Feld i = 1, j = 4 wird mit der Menge tl
belegt. Entsprechend wird das Feld i = 1, j = 3 urn die Menge tl vermindert, das Feld i =
2, j = 3 urn die Menge tl erhoht und das Feld i = 2, j = 4 urn die Menge tl vermindert,
damit das Gleichungssystern wieder erfiillt ist. Da X13 = 245 der minimale Wert der irn
Zyklus zu vermindemden Variablenwerte ist, wird tl = 245 Stiick gesetzt. Fur die Lo-
sung nach der ersten Iteration reduzieren sich die Einkaufskosten auf:
Kz = K1 + om . tl = 156.325 - 10 . 245 = 153.875 GE
Die neue Losung nach der ersten Verbesserung lautet:
112
Transportproblem
Tabelle 2-69: Matrix der Transportmethode nach der ersten Iteration
KleidergroBe 34 36 38 40 42 Fiktive
Nachfrage ru
Her-
steller ~ 100 120 130 160 170 -25
ME E
Ui
A 0
-~E.
75 100
~ E 245
~
420
r---- r-- r----
10 10 25
B 20
+~E E 250
150
'---
-~E
105
190
'---
45
0
'----
400
- r---- r--
-5 0 5
C 25
165
-
180
- E ~
155
~
,,225"
0
'----
380
bj
R M 301 M
75 100 250 350 200 ,,225" 1.200
Die Einkaufskosten dieser Losung betragen:

K2 = 75· 100 + 100 . 120 + 245 . 160 + 250 . 150 + 105 . 180 + 45 . 190 + 155 . 195 + 225 . 0
K2 = 153.875 GE
Auch diese Losung ist wegen OC21 = -5 noch nicht optimal (Transportkriterium). X21
wird mit der Menge ~ in die Losung aufgenommen. Xll wird entsprechend urn ~ ver-
mindert, X14 urn ~ verrnehrt und schlieBlich X24 urn ~ verkleinert. Das Gleichungssys-
tern ist dann wieder erfiillt. Da Xll = 75 der rninimale Wert der im Zyklus zu vermin-
demden Variablenwerte ist, wird hier ~ mit 75 Stiick errnittelt. Die Variable Xll
scheidet aus der Losung aus. Fur die Losung nach der zweiten Iteration reduzieren
sich die Einkaufskosten auf:
l<3 = K2 + 0C21 . ~ = 153.875 - 5 . 75 = 153.500 GE
Die Losung nach der zweiten Verbesserung lautet:
113
2 j
Tabelle 2-70: Matrix der Transportmethode nach der zweiten Iteration - Optimallosung
KleidergroBe 34 36 38 40 42 Fiktive
Nachfrage ai
~
Her- 95 120 130 160 170 -25
E E
steller Ui
~ - f1 E E +f1
~
A 0 100 320 420
I--- f-- - I---
5 10 10 25
115
'---
+f1 ~ 150
'---
-f1 E 190
'---
0
B 20 75 250 30 45 400
I--- -
0 5
180 0
~ '--- ~ ~ ~
C 25 155 ,,225" 380
bi
40175 M
100
301
250
M
350 200 ,,225" 1.200
Die Einkaufskosten dieser Losung betragen:

Ks = 100· 120 + 320· 160 + 75· 115 + 250 . 150 + 30·180 + 45· 190 + 155 . 195 + 225·0
Ks = 153.500 GE
Da alle Opportunitatskosten (oc-Werte) nichtnegativ sind, handelt es sich urn ein kos-
tenminimales Einkaufsprogramm (Optimallosung). Das optimale Einkaufsprogramm
lautet (Liefermenge in Stiick):
KleidergroBe
34 36 38 40 42
A 100 320
Hersteller B 75 250 45 30
C 155
Die Angebotsmenge des Herstellers C von 380 Stiick Darnenkleidem wird also nur mit
155 Stiick in Anspruch genommen. Der oc-Wert in dem freien Feld (L-Feld) der zwei-
ten Zeile und zweiten Spalte ist Null (OC22 = 0). Dies deutet darauf hin, dass mehrere
optimale Losungen existieren (Mehrfachlosungen). X22 konnte mit einer Menge f1 (0 :s;
f1 :s; 30) in die Losung aufgenommen werden. Entsprechend ware X12 urn die Menge f1
zu vermindem, X14 urn die Menge f1 zu vergroBem und X24 urn die Menge f1 zu ver-
114
Transportproblem
kleinem (vgl. Markierung in Tabelle 2-70). Das System der Nebenbedingungsglei-

chungen ware dann wieder erfiillt.
2.8.4.2 Fall 2: NachfrageUberhang (Bedarfsmenge > Angebotsmenge)

Es liegt auf der Hand, dass in diesem Fall der Ausgleich tiber ein zusatzliches Ange-
bot in dem Modell erreicht wird. Es wird eine weitere Angebotszeile in die Matrix der
Transportmethode aufgenommen, die die Ubemachfrage ausgleicht. Dabei kann es
sich urn eine reale Vergr6Berung des Angebotes (wie etwa Zukauf, Einfiihrung von
Uberstunden) handeln oder auch nur urn ein fiktives Angebot. Oem fiktiven Angebot
waren als Einheitskosten Nullelemente zuzuordnen. Aus dem optimalen Programm
geht dann auch hervor, fur welchen Bedarfsort (oder welche Bedarfsart) der Bedarf
nicht oder nicht voll gedeckt wird.
2.8.5 Transportprobleme mit zusatzlichen Kapazitatsbe-

schrankungen
Es kann sein, dass die zu transportierenden Mengen auf einigen Transportverbindun-
gen unterhalb gewisser Schranken bleiben mtissen. Wir betrachten zunachst den einfa-
chen Fall, dass bestimmte Transportverbindungen nicht benutzt werden dtirfen (X;j =
0). Die Behandlung solcher zusatzlicher Kapazitatsbeschriinkungen solI er6rtert wer-
den an einem Beispiel aus dem Bereich der Maschinenbelegungsplanung: Ein Indust-
riebetrieb fertigt vier Produktarten Pj G= 1, 2, 3, 4). Diese vier Produktarten k6nnen auf
drei Maschinentypen Mi (i = 1, 2, 3) sukzessiv hergestellt werden. Der Deckungsbeitrag
je Mengeneinheit (ME) ist je nach Typ der benutzten Maschinen verschieden. Die
nachstehende Tabelle zeigt die w6chentlich zu deckende Nachfrage und die ben6tig-
ten Fertigungszeiten je Mengeneinheit und Produktart:
Produktart Nachfrage je Woche in ME Erforderliche Maschinenzeit in Stunden je ME

~ ~ ~
P2 100 15
~ ~ W
P4 180 10
Die Maschinen k6nnen 50 Stunden je Woche (Planperiode) eingesetzt werden. Yom

Maschinentyp MI stehen 20 Maschinen, vom Typ Mz stehen 80 Maschinen und vom
Typ M3 stehen 40 Maschinen zur Verfugung. Die geplanten Verkaufspreise fur die
einzelnen Produktarten sind:
PI: 600 GE/ME; P2: 200 GE/ME; P3: 400 GE/ME; P4: 100 GE/ME
115
Die proportionalen Kosten in Abhiillgigkeit yom Maschinentyp betragen:
Maschinentyp Produktart proportionale Kosten in GEIME

PI 440
P2 155
MI
P3 360
P4 65
PI 480
P2 170
P3 360
P4 60
PI 500
P2 140
M3
P3 360
P4 80
Gesucht ist das optimale (deckungsbeitragsmaximale) Maschinenbelegungspro-

gramm! Zuniichst wird die in einer Woche nachgefragte Menge an Maschinenstunden
errnittelt (Nachfrage nach den verschiedenen Produktarten PI bis P4 in ME je Woche
multipliziert mit der erforderlichen Maschinenzeit in Stunden je ME):
fur PI: bl = 40 · 40 = 1.600 Maschinenstunden
P2: b2 = 100 . 15 = 1.500 Maschinenstunden
P3: b3 = 80· 20 = 1.600 Maschinenstunden
P4: b4 = 180 . 10 = 1.800 Maschinenstunden
Das Angebot an Maschinenstunden je Woche ergibt sich aus 50 Stunden je Woche
multipliziert mit der Anzahl an verfugbaren Maschinen:
MI: al = 1.000 Maschinenstunden
M2: a2 = 4.000 Maschinenstunden

= 2.000 Maschinenstunden
Die Deckungsbeitrage gij ( i = I, 2, 3; j = I, 2, 3, 4) in GE je Maschinenstunde ergeben
sich aus dem Quotienten aus Preis in GE/ME minus proportionale Kosten in GE/ME
dividiert durch die erforderliche Maschinenzeit in Stunden je ME. Die Deckungsbei-
triige sind rechts oben in den Feldem der nachstehenden Matrix der Transportmetho-
de eingetragen. Die zulassige Ausgangs16sung ist nach VAM ermittelt:
116
Transportproblem
2.8
In der vorstehenden zuliissigen Ausgangsli:isung ist das iiberschiissige Angebot an

Maschinenstunden durch eine fiktive Nachfrage von 500 Maschinenstunden ausgegli-
chen. Da es sich urn ein Maximierungsproblem handelt, ergeben sich die Opportuni-
tiitskosten als die Differenzen Zij - gij rur aIle L-Felder (Zij = Ui + Vj). Eine Maximie-
rungsaufgabe kann auch dadurch geli:ist werden, dass man sie in eine
Minimierungsaufgabe iiberfiihrt. Das kann erreicht werden durch die Bildung einer
Komplementarmatrix mit den Elementen pij zur Matrix der Deckungsbeitriige mit den
Elementen gij, d.h. durch die Ergiinzung der Werte der Deckungsbeitriige auf einen
entsprechend hoch gewiihlten Wert q. Es ist also: pij = q - gij. Man hat es dann mit einer
Minirnierungsaufgabe, d.h. einer dualen Aufgabe zur Maximierungsaufgabe zu tun.
Die duale Li:isung des Minirnierungsproblems gibt die deckungsbeitragsmaximale
Li:isung wieder:
Dabei sind mit Xij die Verteilungsmengen der Optirnalli:isung bezeichnet(vgl. Anger-
mann, A., 1963, S. 184).
117
2
Das hier in Tabelle 2~71 dargestellte Problem ist degeneriert. Zur Behebung der Dege-
neration wurde das Feld i = 3, j = 3 mit einer Null als Basisvariablenwert (X33 = O) belegt
(gekennzeichnet als B-Feld). Da alle oc-Werte - die links unten in den Feldern der Mat-
rix der Transportmethode angegeben sind - nichtnegativ sind (Transportkriterium), ist
bereits eine Optimallosung erreicht. Ein oc-Wert ist Null (OC2S = O). Dies zeigt an, dass
alternative Optimallosungen (Mehrfachlosungen) existieren. X25 konnte mit einer
Menge !J. (0 :5 !J. :5 500) in die Losung aufgenommen werden. Entsprechend ware X3S urn
!J. zu vermindern, X33 urn !J. zu vergroBern und schlieBlich X23 urn !J. zu verkleinern. Das
Gleichungssystem ware dann wieder erfiillt. Der maximale Gesamtdeckungsbeitrag
der Losung betragt:
G = 1.000 . 4 + 600 . 3 + 1.600 . 2 + 1.800 . 4 + 1.500 . 4 = 22.200 GE
Das Optimalprogramm lautet:
Tabelle 2-72: Ergebnisdarstellung
Maschi Pro- eingesetzte Mengen- Propor- Geplante Geplante Amahl deY,

nentyp duktart Maschinen- einheiten tionale ErWse in Deckungs- eingesetzten
stundei1 der Pro- Kosten GE beitriige in Maschinen
duktarten in GE GE
M1 P1 1.000 25 11.000 15.000 4.000 20
P1 600 15 7.200 9.000 1.800 12
1.600 80 28.800 32.000 3.200 32
1.800 180 10.800 18.000 7.200 36
1.500 100 14.000 20.000 6.000 30
Abwandlung des Beispiels: Zusatzliche Kapazitatsbeschriinkungen

Es wird angenommen, dass Produktart P1 nicht auf Maschinentyp M2 gefertigt werden
kann. Das bedeutet, dass nur solche Programme zulassig sind, bei denen Xl1 = 0 ist.
Das Problem lasst sich auf einfache Weise losen, indem wir den Deckungsbeitrag g21
verandern, und zwar ersetzen wir den urspriinglichen Wert 3 durch einen sehr kleinen
Wert. Da die Transportmethode hier zum Ziele hat, das Programm mit dem maxima-
len Deckungsbeitrag zu bestimmen, bedeutet dieser Schritt einen "automatischen
Anreiz", einen positiven Wert fiir Xl1 zu vermeiden (Krek6, B., 1973, S. 31 ff.). Der sehr
kleine Wert als Deckungsbeitrag, der einfach mit -M bezeichnet wird, braucht nurne-
118
Transportproblem
2.8
risch nicht bestimmt zu werden. Wir sehen -M als eine Zahl an, die so klein ist, dass
sie praktisch unvedindert bleibt, wenn sie urn eine endliche Zahl vergroBert oder ver-
kleinert wird. Wird das uns bekannte VAM-Verfahren angewendet, so erhalten wir:
Die zuHissige Ausgangslosung nach VAM hat einen Gesamtdeckungsbeitrag von:

G = 1.000 . 4 + 100 . 2 + 1.600 . 2 + 1.800 . 4 + 600 . 2,5 + 1.400 . 4 = 21.700 GE
Da keine negativen Opportunitatskosten vorhanden sind (OCij ;?: 0), ist die Optimallo-
sung erreicht, so dass der Deckungsbeitrag von 21.700 GE Gmax ist. Die zus1itzliche
Kapazit1itsbeschr1inkung (X2! = 0) hat mithin eine Verschlechterung des Ergebnisses
urn 500 GE bewirkt (vgl. Tabelle 2-72). Es kann auch vorkommen, dass mehrere Ver-
bindungen nicht besetzt werden durfen. In diesem Fall mussen wir bei der Maximie-
rungsaufgabe mehrere gij durch sehr kleine Werte (-M) und bei der Minimierungsauf-
gabe mehrere Kostenelemente Cij durch sehr groBe Werte (M) ersetzen. Die
Behandlungsweise entspricht der oben beschriebenen. Es kann dabei passieren, dass
ein positives Xij auf irgendein -M bzw. M programmiert wird. Dies wfude dann bedeu-
ten, dass die betreffende Einschr1inkung nicht erfiillt werden kann, die Aufgabe keine
Losung hat. Schwieriger ist die Behandlung von Kapazit1itsbeschriinkungen mit ".:;,"
oder ,,;?:"-Bedingungen. Nehmen wir in der obigen Aufgabenstellung (Tabelle 2-71) an,
119
2
l Lineare Planungsrechnung
I
dass aus ifgendwelchen Grunden fur Produktart PI hochstens 400 Maschinenstunden

des Maschinentyps M2 eingesetzt werden diirfen, so lautet die Kapazitatsbeschran-
kung:
X21 ~ 400
Diese Aufgabe kann nicht mehr durch eine Vedinderung des Deckungsbeitrages gZI
gel6st werden. Das zulassige Ausgangsprogramm konstruieren wir nach einem der
besprochenen Verfahren, z.B. nach VAM. Doch sind dabei gewisse Abweichungen
notwendig. Als Erstes beginnen wir bei dem Element X21, dem die gegebene obere
Schranke zugeordnet wird, d.h. X21 = 400. Dadurch ist dieses Element gesattigt. Dann
modifiziert man die Aufgabe mit dieser Menge an Maschinenstunden, d.h. man setzt
az = 4.000 - 400 = 3.600 und bl = 1.600 - 400 = 1.200 und fiihrt die weiteren Rechenope-
rationen durch. Der Deckungsbeitrag gZI wird dabei mit einem sehr kleinen Wert (-M)
belegt, darnit nicht weitere Maschinenstunden auf das Mengenelement X21 program-
miert werden:
In dieser L6sung ist der Deckungsbeitrag gZI gleich -M gesetzt. Damit ist sicherge-
stellt, dass keine weiteren Maschinenstunden (X21 ist bereits mit .400 Maschinenstunden
gesattigt) X21 zugeordnet werden. Da aIle Opportunitatskosten nichtnegativ sind, ist
120
Transportproblem
2.8
die gefundene Losung XlI = 40b optimal (wegen OC33 = 0 existieren mehrere optimale
Losungen). Der maximale Gesamtdeckungsbeitrag betriigt:
G = 1000·4 + 1600·2 + 1800·4 + 200·2,5 + 1500 . 4 + 400 · 3 = 22.100 GE
Es ware nun zu priifen, ob XlI die obere Schranke mit 400 Maschinenstunden oder aber
weniger anzunehmen hat. Es handelt sich urn eine postoptimale Betrachtung des
Problems, so dass sich aus Tabelle 2-71 plausibel ableiten lasst, dass XlI = 400 zu sein
hat, da die Optimallosung ohne zusatzliche Kapazitatsbeschrankung XlI mit 600
Maschinenstunden aufweist.
2.8.6 Mehrstufige Transportprobleme - Umladeprobleme

Eine wesentliche Annahme bei der Anwendung der Transportmethode ist, dass die
Distributionswege der Gtitermengen von den Anbieterorten (Lieferorten) i zu den
Bedarfsorten j bekannt sind und mithin die jeweiligen Transportkosten pro Mengen-
einheit (Cij) ermittelt werden konnen. In einigen Fallen steht jedoch der beste Vertei-
lungsweg nicht von Anfang an fest, da die Moglichkeit zum Umladen des Gutes be-
steht. Die Transportmengen laufen dann tiber zwischengeschaltete Umladeorte - dies
konnen weitere Lieferorte oder Bedarfsorte sein. So kann es kostengiinstiger sein, ein
bestimmtes Frachtgut mit den regularen Transporten von Hafen 1 nach Hafen 2 und
von dort nach Hafen 3 zu verschiffen, anstatt einen Extra-Transport unmittelbar von
Hafen 1 nach Hafen 3 zu realisieren. Wenn mehrere Umladeorte existieren, ist es sinn-
vall, das Transport-lUmladeproblem simultan zu losen, damit die Transportmengen
von den Lieferorten zu den Bedarfsorten und die Routen flir die Transportmengen so
bestimmt werden, dass die Transportkosten minimiert werden. Diese Erweiterung des
Transportproblems urn die Routenwahl nennt man Umladeproblem (Transshipment
Problem).
Beispiel (vgl. hierzu auch Hillier, F.S., Lieberman, G.J., 1997, S. 200 ff.): Der Hersteller
eines bestimmten Lebensmittels gibt die eigene LKW-Flotte auf und tibertragt die
Distribution selbststandigen Spediteuren. Da keine Spedition allein die gesamte Ver-
triebsregion mit allen Fabriken (FI, F2, F3) und Auslieferungslagern (Lagerhauser LI, L2,
b, L4) des Lebensmittelherstellers abdecken kann, mtissen eine Reihe von Ladungen
auf ihrem Weg vom Hersteller zum Verbraucher mindestens einmal auf einen anderen
LKW oder auf die Bahn umgeladen werden. Diese Umladungen konnen zurn einen
bei den auf den Strecken liegenden Fabriken und Lagerhausern erfolgen, zum anderen
stehen noch 5 weitere, spezielle Zwischenlager als Umladeorte (ZI, 22, Z3, 24, Z5) zur
Verfligung. Die nachstehende Tabelle gibt die Transportkosten pro LKW- bzw. Bahn-
Ladung zwischen allen Orten wieder. 1st kein Direkttransport zwischen zwei Orten
moglich, so ist kein Kostenbetrag in dem entsprechenden Feld vermerkt:
121
I Lineare Planungsrechnung
Tabelle 2-75: Ma-trix des Transport- und Umladeproblems
nachj Fabrik Zwischenlager Lagerhaus 3i
voni 1 2 3 1 2 3 4 5 1 2 3 4
1 0 146 - 324 286 - - - 652 805 - 921 75
~...
..0 2 146 0 - 373 212 570 609 - 355 407 688 884 125
ca
Po.
3 - - 0 658 - 405 419 158 - 785 359 973 100
...
Q)
1 322 371 656 0 262 398 430 - 503 234 329 -
co 2 284 210 - 262 0 406 421 644 305 207 464 558
ca
i:!
Q)
{j
3 - 569 403 398 406 0 81 272 597 253 171 282
fJl
.~ 4 - 608 418 431 422 81 0 287 613 280 236 229
N 5 - - 158 - 647 274 288 0 831 501 293 482
fJl
1 453 336 - 505 307 599 615 831 0 359 706 587
;:i
ca 2 505 407 683 235 208 254 281 500 357 0 362 341
ii
Q)
co 3 - 687 357 329 464 171 236 290 705 362 0 457
ca
...J
4 868 781 670 - 558 282 229 480 587 340 457 0
bj 80 65 70 85
Es kann beispielsweise der Direkttransport einer Ladung von Fabrik Fl zum Lager-
haus L4 erfolgen zu Kosten von 921 GE. Diese Ladung kann aber altemativ auch zuerst
von Fl zum Zwischenlager Z2 und von dort aus mit einem anderen Spediteur zum
Lagerhaus Lz und nach emeuter Umladung zum Lagerhaus L4 transportiert werden
(Kosten = 286 + 207 + 341 = 834 GE). Wie Hisst sich nun dieses Transport-
fUmladeproblem mit dem erorterten Transportalgorithmus losen?
Die einzelnen Transportfahrten - im Gegensatz zu den kompletten Routen der LKW-j
Bahnladungen - werden als Transporte von einem Lieferort zu einem Bedarfsort inter-
pretiert. AIle Orte (Fabriken, Zwischenlager, Lagerhauser) sind gleichzeitig mogliche
Liefer- und Bedarfsorte. Wir haben mithin im Beispiel 12 Lieferorte und 12 Bedarfsor-
teo Fur die gesperrten Routen - die also fUr einen Direkttransport nicht zur VerfUgung
stehen (in der Tabelle 2-75 mit einem Strich versehene Felder) - wird ein sehr groBer
Kostenbetrag (hoher als der maximale Kostenbetrag Cij in der Matrix der Tabelle 2-75)
"M" (z.B. "M" = 1.000 GE) angesetzt.
122
Transportproblem
2.8
Tabelle 2-76: Tableau der Kosten-, Liejer- und Bedarfsdaten des Umladeproblems
nachj Fabrik Zwischenlager Lagerhaus ai

voni 1 2 3 1 2 3 4 5 1 2 3 4
1 0 146 1.000 324 286 1.000 1.000 1.000 652 805 1.000 921 75
..:.:
.t:
..c 2 146 0 1.000 373 212 570 609 1.000 335 407 688 884 125
ctl
~
3 1.000 1.000 0 658 1.000 405 419 158 1.000 785 359 973 100
.... 1 322 371 656 0 262 398 430 1.000 503 234 329 1.000
Q)
co 2 284 210 1.000 262 0 406 421 644 305 207 464 558
ctl
i:!
Q)
3 1.000 569 403 398 406 0 81 272 597 253 171 282
flrI:J
.~ 4 1.000 608 418 431 422 81 0 287 613 280 236 229
N 5 1.000 1.000 158 1.000 647 274 288 a 831 501 293 482
rI:J
1 453 336 1.000 505 307 599 615 831 0 359 706 587
;:l
ctl
..s::.... 2 505 407 683 235 208 254 281 500 357 0 362 341
Q)
co
ctl
3 1.000 687 357 329 464 171 236 290 705 362 a 457
.....J
4 868 781 670 1.000 558 282 229 480 587 340 457 0
bj 80 65 70 85
Samtliche iiber einen bestimmten art laufende Transporte miissen sowohl im Bedarf
dieses Ortes als Empfanger wie auch im Angebot dieses Ortes als Lieferer enthalten
sein. Da die konkrete Anzahl der umgeladenen Ladungen im Vorhinein unbekannt ist,
addieren wir eine hinreichend grolSe Anzahl Umladungen als oberen Grenzwert (z.B.
300) zum Bedarf und zum Angebot (Vorrat) dieses Ortes. AnschlielSend fiihren wir ein
und dieselbe Schlupfvariable in die Bedarfs- und Angebotsrestriktionen des betref-
fenden Ortes ein, die die nicht durchgefiihrten Uberschusstransporte aufnimmt. Diese
Schlupfvariable iibernimmt also sowohl die Rolle eines "Dummy-Lieferortes" als
auch die eines "Dummy-Angebotsortes".
Da eine Ladung nicht mehr als einmal am gleichen art urnzuladen ist, konnen wir als
nicht erreichbare Obergrenze fUr die Umladungen an jedem beliebigen art die gesam-
te Anzahl der Ladungen (im Beispiel 300) annehmen. Die Schlupfvariable fUr beide
Restriktionen eines Ortes i bzw. j lautet yij (mit i = j). Sie gibt die fiktive Anzahl von
Ladungen an, die von diesem art wieder zum gleichen art transportiert wird. Die
tatsachlich in art i umgeladenen Giiterladungen betragen darnit 300 - yij (i = j).
123
2 1 Lineare Planungsrechnung
Da es sich bei den Yij (i = j) nur urn fiktive Transporte handelt, setzen wir fur die ent-
sprechenden Transportkosten pro Ladung Ci=j = O. Bei der Lasung ist zu beachten, dass
(m + n - 1) Felder belegt werden miissen (B-Felder); gegebenenfalls sind Felder mit
Null-Mengen (als B-Felder) zu versehen. Das vollstandige Tableau der Kosten-, Liefer-
und Bedarfsdaten fur die Formulierung des Transport- und Umladeproblems lautet:
Tabelle 2-77: Tableau der ergiinzten Kosten-, Liefer- & Bedarfsdaten des Umladeproblems
nachj Fabrik Zwischenlager Lagerhaus a;
voni 1 2 3 1 2 3 4 5 1 2 3 4
~
1 a 146 1.000 324 286 1.000 1.000 1.000 652 805 1.000 921 375
.;:::
..0
«l
2 146 a 1.000 373 212 570 609 1.000 335 407 688 884 425
~
3 1.000 1.000 a 658 1.000 405 419 158 1.000 785 359 973 400
...
Q)
1 322 371 656 a 262 398 430 1.000 503 234 329 1.000 300
00
«l 2 284 210 1.000 262 a 406 421 644 305 207 464 558 300
~
a
-5
rJj
3 1.000 569
4 1.000 608
403
418
398
431
406
422 81
81
a
272
287
597
613
253
280
171
236
282
229
300
300
.~
N 5 1.000 1.000 158 1.000 647 274 288 a 831 501 293 482 300
rJj
1 453 336 1.000 505 307 599 615 831 a 359 706 587 300
;:l
a
.e 2 505 407 683 235 208 254 281 500 357 362 341 300
«l
Q)
00 3 1.000 687 357 329 464 171 236 290 705 362 0 457 300
«l
....J
4 868 781 670 1.000 558 282 229 480 587 340 457 0 300
bj 300 300 300 300 300 300 300 300 380 365 370 385
Nach Erstellung einer zuHissigen Ausgangslasung und nach Anwendung des Trans-
portalgorithmus ergibt sich folgender optimaler Distributionsplan:
124
Transportproblem
Tabelle 2-78: Matrix der Optimallosung des Transport- und Umladeproblems
nachj Fabrik Z wischenlager Lagerhaus a;
voni 1 2 3 1 2 3 4 5 1 2 3 4
1 300 75 375
~
.... 2 300 80 45 425
~
"'" 3 300 30 70 400
.... 1 300 300

ClI
b.O
<II 2 225 75 300
'"2QJ
3 300 300
-6
.~
Cfl
4 300 300
N 5 270 30 300
Cfl
1 300 300
::s<II
..c:.... 2 245 55 300
QJ
b.O 3 300 300
<II
...J
4 300 300
bj 300 300 300 300 300 300 300 300 380 365 370 385
Vemachlassigt man die Schlupfvariable (fiktive Anzahl der Ladungen), so erhalt man
als Optimallosung:
(a) FI liefert 75 Ladungen an Z2 a 286 GE (Geldeinheiten)= 21.450 GE
(b) F2 liefert 80 Ladungen an LI a 335 GE 26.800GE
liefert 45 Ladungen an L2 a 407 GE 18.315 GE
(c) F3 liefert 30 Ladungen an Z5 a 158 GE 4.740 GE
liefert 70 Ladungen an L3 a 359 GE 25.130 GE
Bei Z2 befinden sich 75 Ladungen zum Umladen:
(d) Z2 liefert diese 75 Ladungen an L2 a 207 GE 15.525 GE
Bei Z5 befinden sich 30 Ladungen zum Umladen:
(e) Z5 liefert diese 30 Ladungen an L4 a 482 GE= 14.460 GE
125
2
L2 verfugt tiber 120 (45 + 75) Ladungen. Da Lz nur 65 Ladungen nachfragt, sind
mithin 55 Ladungen zum Umladen:
(f) L2 liefert diese 55 Ladungen an L4 a 341 GE= 18.755GE
I<min = 145.175
Ohne Umlademoglichkeiten lauten die Daten fur dieses Beispiel:
Tabelle 2-79: Matrix der Daten des Transportproblems ohne Umlademoglichkeit
nachj Lagerhaus Angebot
voni 1 2 3 4
1 652 805 1.000 921 75

Fabrik 2 335 407 688 884 125
3 1.000 785 359 973 100
Bedarf 80 65 70 85 300
Ohne Umlademoglichkeiten hat das Beispiel folgende Optimallosung. Diese Losung

hat Gesamtkosten von I<min = 164.570 GE:
Tabelle 2-80: Matrix der Optimal/osung des Transportproblems ohne Umlademoglichkeit
nachj Lagerhaus Angebot
voni 1 2 3 4
1 20 55 75
Fabrik 2 60 65 125
3 70 30 100
Bedarf 80 65 70 85 300
126
Zuordnungsproblem
2.9
Das Umladeproblem lasst sich allgemein beschreiben als Allokation und Transport
von Giitermengen (im Beispiel "Ladungen") von Vorratsorten (Fabriken) iiber zwi-
schen-geschaltete Umladeorte (Zwischenlager) an weitere Vorratsorte oder Bedarfsorte
(Lagerhauser). Neben der Umladung der Giiter bieten die Vorratsorte einen vorgege-
benen Nettoiiberschuss an zu transportierenden Giitermengen, die Bedarfsorte absor-
bieren ein vorgegebenes Nettodefizit, wamend die Umladeorte (Zwischenlager) weder
Giitermengen netto abgeben noch absorbieren. Es existiert nur dann eine zulassige
Losung des Transport-lUmladeproblems, wenn die Summe der an den Vorratsorten
angebotenen Nettoiiberschiissen der Summe der von den Bedarfsorten absorbierten
Nettonachfrage entspricht. Mit jeder unmittelbar von art i (Vorratsort, Zwischenlager,
Lagerhaus) zu Bedarfsort j transportierten Giitereinheit entstehen positive Kosten Cij.
Der Direkttransport kann fUr bestimmte Ortsverbindungen ausgeschlossen werden (Cij
="M").
2.9 Zuordnungsproblem
2.9.1 Grundlagen des Zuordnungsproblems

Das Zuordnungsproblem (Assignment Problem, Emennungsproblem) ist ein Sonder-
fall des Transportproblems. Es unterscheidet sich vom Transportproblem dadurch,
dass alle Angebots- und Bedarfsmengen gleich Eins sind und die Zahl der Anbieter
gleich der Zahl der Nachfrager ist (quadratische Matrix). Bei dem Zuordnungsprob-
lem handelt es sich urn die optimale Zuordnung von n EinsatzgrofSen auf n Aufga-
ben (z.B. Zuordnung von Personen zu Tatigkeiten, Maschinen zu Auftragen, Flugzeu-
gen zu Fluglinien, Reisenden zu Verkaufsbezirken, Personen zu Abteilungen,
Fahrzeugen zu Garagen, Personen zu Personen). Die Variablen Xij konnen also nur die
Werte Null oder Eins annehmen:
!II Xij = 1 heiBt: Zuordnung der i-ten EinsatzgroBe zur j-ten Aufgabe;
ill Xij = 0 heiBt: keine Zuordnung.

Mit den Symbolen des Transportproblems ergibt sich folgender mathematischer Mo-
dellansatz:
Zielfunktion:
n n
Minimiere bzw. maximiere K bzw. G = L L OJ · Xij
i=l j=l
127
n
L: xij=l (fur j = 1, 2, ..., n)
i=1
n
L Xij = 1 (fur i = 1, 2, ..., n)
j=1
Xij=O oder 1 (fur i, j = 1, 2, ..., n)
Je nachdern, ob es sich urn eine Minimierungs- oder Maximierungsaufgabe handelt,

bedeuten die Bewertungsfaktoren Cij Kosten oder Deckungsbeitrage je Mengeneinheit.
Die Anwendung des sog. Transportalgorithmus auf das Zuordnungsproblern bereitet
5chwierigkeiten. Da beirn Zuordnungsproblern nur n Zuordnungen (n B-Felder) er-
laubt sind, gegeniiber 2 n - 1 erforderlichen bei der Transportmethode, liegt rnehrfa-
che Degeneration vor. Zur Losung des Zuordnungsproblems sind spezielle Losungs-
ansatze entwickelt worden.
2.9.2 Ungarische Methode

Die Ungarische Methode - auch FLOOD'sche Zurechnungstechnik genannt (Church-
man, C.W. u.a., 1971, 5. 319) -, die an einem Zahlenbeispiel erlautert werden soll, be-
nutzt zur Bestimmung der Zuordnung mit minimalen Kosten lediglich die Matrix der
Kostenkoeffizienten Cij (Bewertungsrnatrix). Die Ungarische Methode geht in ihrem
Rechenverfahren auf H. Kuhn zuriick und beruht auf einem 5atz, der von den ungari-
schen Mathematikern D. Konig und E. Egervary formuliert wurde.
2.9.2.1 Beispiel: Schaufensterzutei lung

Ein Warenhaus sei nach Warengruppen in sieben Verkaufsabteilungen V1, V2, ..., V7
gegliedert. 1m 5inne der "pretialen Lenkung" (E. Schmalenbach) erfolgt fur die Ver-
kaufsabteilungen eine Ergebnisrechnung mit Erfolgsbeteiligung der jeweiligen Beleg-
schaftsrnitglieder. Dem Warenhaus stehen nur funf 5chaufensteranlagen 51, 52, ..., 55
zur Verfugung, die in ihrer Werbewirkung, bedingt durch die Lage, Groge etc., unter-
schiedlich eingeschatzt werden und sich fur die Ausstellung der Waren der einzelnen
Verkaufsabteilungen verschieden gut eignen. Den einzelnen Verkaufsabteilungen
wurden die verfugbaren 5chaufensteranlagen bisher von der Unternehmensleitung
zugewiesen. Dies hatte zu Problemen zwischen den einzelnen Verkaufsabteilungen
und der Unternehmensleitung gefiihrt. Die Unternehmensleitung will nun die 5chau-
fenster den Verkaufsabteilungen "vermieten", d.h. die Verkaufsabteilungen sollen
kiinftig eine kalkulatorische Miete fur die Uberlassung der 5chaufensteranlagen ange-
lastet bekommen, mit einer entsprechenden Wirkung auf das Abteilungsergebnis. Die
Hohe der zu verrechnenden kalkulatorischen Miete wird jedoch nicht durch die Un-
ternehmensleitung autoritar festgesetzt, sondern soll das Ergebnis von Angebot und
128
Zuordnungsproblem
2.9
Nachfrage sein. Dazu werden die Verkaufsabteilungen aufgefordert, entsprechende

Angebote uber die Schaufensteranlagen abzugeben. Fur die Zuteilung der Schaufens-
teranlagen ist jedoch absprachegemrus Bedingung, dass jeder Abteilung nur eine
Schaufensteranlage zugewiesen werden kann. Die fur den Monat Z bei der Untemeh-
mensleitung eingegangenen Angebote der Abteilungen ergeben sich aus nachstehen-
der Preismatrix (in GE):
Tabelle 2-81: Angebotspreise gij der Verkaufsabteilungen i for die Schaufensteranlagen j
Schaufensteranlagen
SI S2 S3 S4 S5 ,,56/1 ,,57/1
VI 180 200 160 135 225 0 0

V2 170 180 165 150 230 0 0
V3 200 185 150 165 195 0 0
Ver-
kaufsab- V4 190 200 140 135 190 0 0
teilungen
V5 220 210 130 175 200 0 0
V6 195 215 145 180 175 0 0
V7 205 175 155 160 195 0 0
Da sich alle sieben Verkaufsabteilungen urn die fiinf Schaufensteranlagen bewerben,

fugen wir zwei Spalten mit fiktiven Schaufensteranlagen "S6" und "S7" hinzu. Damit
ist die Zahl der Anbieter gleich der Zahl der Nachfrager. Da die Felder dieser fiktiven
Spalten nicht fur die Losung in Frage kommen, sind Nullen als Angebotspreise gij
eingetragen. Es ist die Zuweisung gesucht, die die insgesamt zu verrechnende kalkula-
torische Miete maximiert (vgl. auch Angermann, A., 1963, S. 159 f.). Ein Anwendungs-
beispiel zur Ermittlung der kostenminimalen Maschinenbelegung bei Auftragsferti-
gung lost P Kralicek (1995, S. 609 ff.) ebenfalls mit der Ungarischen Methode.
2.9.2.2 Rechentechnik
Da die Ungarische Methode das Minimierungsproblem zurn Gegenstand hat, bilden
wir zur gestellten Aufgabe das Dual und losen damit eine Minimierungsaufgabe. Das
erreicht man leicht durch die Bildung einer Komplementarmatrix zur Matrix der An-
gebotspreise. Die Komplementarmatrix mit den Elementen pij ist definiert als Diffe-
129
renz zwischen der Matrix Q und der Matrix der Angebotspreise mit den Elementen gij
(i, j = 1, 2, ..., 7). Die Matrix Q weist fur aIle Elemente den gleichen Wert q auf. Fiir q ist
eine geniigend groBe Zahl zu wahlen, die groBer oder gleich dem groBten Angebots-
preis gij ist, damit keine negativen Elemente in der Komplementarmatrix entstehen. In
unserem Beispiel wahlen wir q = 300. Die Komplementarmatrix hat dann folgende
Elemente: pij = 300 - gij.
Tabelle 2-82: Bewertungsmatrix (Kompiementiirmatrix mit den Elementen pij = 300 - gij)
5chaufensteranlagen Zeilen-
51 52 53 54 55 ,,56 11 ,,57/1 Minima
VI 120 100 140 165 75 300 300 75
V2 130 120 135 150 70 300 300 70
V3 100 115 150 135 105 300 300 100
Ver-
kaufsab- V4 110 100 160 165 110 300 300 100
teilungen
V5 80 90 170 125 100 300 300 80
V6 105 85 155 120 125 300 300 85
V7 95 125 145 140 105 300 300 95
Die 5umme der Komplementarelemente pij ist zu minimieren:

n n
Minimiere: K = I I pij (im Beispiel ist n = 7)
i=l j=l
Die Optimallosung wird iterativ erarbeitet. Es lasst sich zeigen, dass ein Zuordnungs-
problem in ein aquivalentes Problem iiberfiihrt wird, wenn eine Zeile oder eine 5palte
der Bewertungsmatrix urn eine Zahl additiv verandert wird. D.h., Probleme, die sich
nur dadurch unterscheiden, dass die Elemente in irgendeiner Zeile oder 5palte der
Bewertungsmatrix urn die gleiche GroBe vermehrt oder vermindert sind, besitzen das
gleiche optimale Programm (Krek6, B., 1973, 5. 16 ff. und 378). Daraus resultiert als
Erstes die Reduktion der Bewertungsmatrix. Der Grundgedanke der Reduktion einer
Bewertungsmatrix (Kosten- oder Deckungsbeitragsmatrix) beruht also auf der Tatsa-
che, dass nur die Differenzen der gegebenen Bewertungselemente (pij oder Cij) fUr die
Optimierung eine entscheidende Rolle spielen. Dazu ein einfaches Demonstrations-
beispiel (Transportproblem): Zwei Anbieter bieten je eine ME (Mengeneinheit) eines
130
Zuordnungsproblem .l2.9
homogenen Gutes an. Zwei Nachfrager benotigen von diesem Gut je eine ME. Die
Kostenmatrix sei (in Geldeinheiten/ME):
Tabelle 2-83: Demonstrationsbeispiel
i j 1 2
175
268
Es existieren zwei mogliche Programme:

Losung 1: Xli = 1; XI2 = 0
X2I = 0 X22 = 1
mit KI = 7 + 8 = 15 GE (Geldeinheiten)
Losung2: Xli = 0; XI2 =1

X2I = 1; X22 = 0
mit Kz = 5 + 6 = 11 GE
Unter der Zielsetzung Kostenminimierung ist Losung 2 urn 4 GE giinstiger als Losung
1: KI - Kz = 15 - 11 = 4 GE. Vermindert man z.B. alle Kostenelemente der ersten Spalte
urn 3, so entsteht die reduzierte Kostenmatrix :
Tabelle 2-84: Reduzierte Kostenmatrix
i j 1 2
145
238
mit Kl = 4 + 8 = 12 GE und Kz= 3 + 5 = 8 GE. Auch in diesem Fall ist Kz gUnstiger als KI
mit der gleichen Differenz: KI - Kz = 12 - 8 = 4 GE. Auf Grund dieses Sachverhaltes
131
kann eine Bewertungsmatrix so umgeformt (reduziert) werden, dass sowohl in allen

5palten als auch in allen Zeilen die Null als das kleinste Element erscheint. Diesen
zweistufigen Prozess nennt man Matrixreduktion:
l. In jeder Zeile wird das minimale Element ausgewahlt (in Tabelle 2-82 bereits ange-
geben) und von allen Elementen der betreffenden Zeile subtrahiert. Die Reihenfol-
ge der 5ubtraktion ist beliebig:
Tabelle 2-85: Reduzierte Bewertungsmatrix mit Spaltenminima
~ 51 52 53 54 55 ,,56 11 ,,57/1
VI 45 25 65 90 0 225 225
V2 60 50 65 80 0 230 230
V3 0 15 50 35 5 200 200
V4 10 0 60 65 10 200 200
V5 0 10 90 45 20 220 220
V6 20 0 70 35 40 215 215
V7 0 30 50 45 10 205 205
5palten- 0 0 50 35 0 200 200
minima
2. In jeder 5palte der neuen reduzierten Matrix wird das minimale Element ausge-
wahlt (in Tabelle 2-85 bereits angegeben) und von allen Elementen der betreffen-
den 5palte subtrahiert.
132
Zuordnungsproblem
2.9
Tabelle 2-86: Reduzierte Bewertungsmatrix mit Decklinien
56" 57"
" "
25 25 • 3.)
30 30 • 1.)
J
to
.,
20 20
is
28
IS
10 5 5
• 2.)
Wurde zuerst spalten- und dann zeilenweise reduziert, kame zwar zunlichst eine an-
dere reduzierte Matrix zustande, die allerdings - bei vorliegen einer einzigen Optirnal-
losung - im weiteren Verlauf zur gleichen Optirnallosung fiihren wiirde. Die einzelnen
Rechenschritte der Ungarischen Methode zielen nun darauf ab, die Bewertungsmatrix
weiter so zu reduzieren, dass in dieser n unabhangige Nullelemente auftreten. In
Anlehnung an B. Krek6 (1973, S. 379) werden die Nullen der reduzierten Matrix dann
unabhlingig genannt, wenn sie keine Zeile und Spalte gemeinsam haben. Dieses nicht
immer eindeutige Schema der n unabhlingigen Nullelemente ergibt die Optimallo-
sung des Zuordnungsproblems. Wie man ohne weiteres erkennt, genugt die Tabelle
2-86 noch nicht den Losungsbedingungen (7 unabhlingige Nullelemente). Da sich
diese Feststellung bei groBen Matrizen u.U. als schwierig erweist, kann man sich eines
einfachen Hilfsmittel bedienen:
Die theoretische Herleitung basiert dabei auf dem oben bereits erwahnten Satz der
ungarischen Mathematiker D. Konig und E. Egervary: "Fur jede beliebige quadratische
Matrix, deren Elemente teils Null, teils von Null verschiedene positive Zahlen sind, ist
die minimale Anzahl der Decklinien gleich der maximalen Anzahl der unabhlingigen
Punkte" - also Zuordnungen Uandy, G., 1967, S. 74). Man uberzieht die reduzierte
Matrix zeilen- und spaltenweise mit Decklinien, so dass aUe unabhlingigen Nullen
133
durch rrtindestens eine Decklinie iiberdeckt werden. Es wird die rninimale Zahl der
Decklinien d ermittelt, die alle unabhiingigen Nullen bedeckt. Zunachst miissen hier-
zu die unabhiingigen Nullelemente durch Rahmen gekennzeichnet werden. Man be-
ginnt in der Regel in der Zelle oder 5palte, in der die wenigsten Nullen auftreten. In
Tabelle 2-86 ist dies die erste Zelle. "Potenziell" erfolgt eine Zuordnung der ersten
Zelle VI mit der 5palte 55. Alle weiteren Nullelemente dieser Zelle oder 5palte kom-
men fUr eine potenzielle Zuordnung zunachst nicht mehr in Frage, so dass in dieser
Zeile und 5palte auch keine weiteren unabhiingigen Nullelemente identifiziert werden
diirfen. Unter den verbleibenden Zeilen und 5palten wird die 5uche nach weiteren
unabhiingigen Nullelementen fortgesetzt, indem wiederum in der Zelle oder 5palte, in
der die wenigsten Nullen auftreten, ein unabhiingiges Nullelement markiert wird: 1m
nachsten 5chritt wiirde das unabhiingige Nullelement der Zelle V5 und der 5palte 51
identifiziert. 5ind alle moglichen unabhiingigen Nullelemente identifiziert, miissen
diese mit der minimalen Anzahl von Deckungslinien iiberzogen werden (hier grau
unterlegt). Dabei ist wie folgt vorzugehen (vgl. Angaben in Randspalte/-zeile von
Tabelle 2-86):
1. Markiere alle Zeilen ohne Zuordnung (ohne Rahmen)
2. Markiere alle 5palten, die eine Null (mit oder ohne Rahmen) in den markier-
ten Zeilen haben
3. Markiere zusatzlich die Zellen, die in der eben markierten 5palte ein unab-
hiingiges Nullelement (einen Rahmen) haben
4. Wiederhole die Punkte 2. und 3. solange, bis keine Markierung mehr erfolgen
kann.
5. Lege eine Deckungslinie iiber alle nichtmarkierten Zellen und iiber alle mar-
kierten 5palten.
1st d = n, so ist die Zahl der Decklinien gleich der Zahl der Zeilen bzw. 5palten, d.h. es
liegen geniigend unabhiingige Nullelemente fUr die n Zuordnungen vor (Bedingung
fUr Optimallosung). In der reduzierten Matrix der Tabelle ist die Zahl der Decklinien
kleiner als die Zahl der Zuordnungen (d = 6 < n = 7). Die reduzierte Matrix weist also-
wie oben bereits festgestellt - noch nicht n unabhiingige Nullelemente auf. Ein weiterer
3. Rechenschritt ist erforderlich.
3. Man sucht das kleinste Element der Matrix (Tabelle 2-86) auf, welches nicht von
einer Decklinie abgedeckt ist, subtrahiert es von allen nicht mit Decklinien abge-
deckten Elementen und addiert es zu den Elementen, die im 5chnittpunkt von
zwei Decklinien liegen (Churchman, c.w. u.a., 1971, 5. 314 ff.; Krek6, B., 1973,5.382
ff.). Das kleinste - nicht iiberdeckte - Element der reduzierten Bewertungsmatrix
(Tabelle 2-86) ist in Feld VII 53 bzw. V21 53 mit 15 GE (vgl. gestrichene Markierung).
Die neue Matrix lautet:
134
Zuordnungsproblem l
Tabelle 2-87: Reduzierte Bewertungsmatrix nach 3. Umformung mit Decklinien
~ 51 52 Ss 54
I
55
"
56"
"
51"
VI 30 12 0 40 L 0 J 10 10 • 3.)
V2 4S 3S 0 30 0 15 15 ·1.)
I I
I-
V, 0 15 0 0 20 0 0
IT.
I-
V. ,- 10 0 10 30 25 0 I 0
Vs 0 10 40 10 35 20 20 • 3.) 2.1t.
I~
V, 1,.....12... 0 20 0 55 15 15
1-'
V7 0 30 0 J 10 25 I~'I 5 • 3.)
• 2.)
• 2.) • 2.)
2.1ter.
I
Danach erfolgt erneut die Bestirnmung der maximalen Anzahl der Deckungslinien. Da
d = 6 < n = 7 weist die vorstehende reduzierte Matrix noch nicht n unabhangige Null-
elemente auf. Der Rechenschritt 3 wird wiederholt, bis n unabhangige Nullelemente
vorliegen. Das kleinste - nicht iiberdeckte - Element der reduzierten Bewertungsmatrix
(Tabelle 2-87) ist in Feld V7/S6 bzw. V7/S7 mit 5 GE (vgl. gestrichene Markierung). Nach
der vierten Umformung ergibt sich folgende Matrix:
Tabelle 2-88: Reduzierte Bewertungsmatrix nach 4. Umformung
~ 51 52 53 54 Ss 56" 51"
" "
VI 30 5 0 35 I 0 J 5 5
V2 45 30 I 0
I 25 0 10 10
Vl 5 15 5 0 25 0 0
V4 15 0 I 15 30 30 0 0
Vs 0 5 40 5 35 15 15
V6 25 0 25
I 0
I 60 15 15
V7 0 25 0 5 25 I 0 0
135
Da die Zahl der Decl<ungslinien sowie die Zahl der unabhiingigen Nullelemente der
Zahl der angestrebten Zuordnungen entspricht (d = n = 7), ist das Rechenverfahren
beendet. Die Optimallosung ist gefunden. Es liegen mithin geniigend unabhiingige
Nullelemente vor. 5ie sind nun zu bestimmen. Dazu werden zunachst die Nullelemen-
te in der Matrix maddert, die allein in ihrer Zeile oder 5palte stehen. 1m Beispiel ist
dies nur das Nullelement im Feld V5/51. Die iibrigen Nullen in der Zeile oder 5palte
der markierten Nullelemente werden gestrichen. Die nachsten in einer Zeile oder
5palte stehenden Nullelemente werden markiert und so fort. Bilden vier Nullelemente
ein Viereck in der Matrix (wie im obigen Beispiel), so kann eine beliebige ausgewahlt
werden (Losungsmannigfaltigkeit, Mehrfachlosung). Die in markierten Nullelemente
ergeben folgende optimale Zuordnung (Optimalzuordnung: 1. Alternative):
- fiktiv-
Schaufensteranlagen
51 52 53 54 55 "S6/1 ,,51'11'
Verkaufsabteilungen V5 V4 V2 V6 VI V7 V3
Angebotssumme in GE
220 200 165 180 225 0 0 L=990
(vgl. Tabelle 2-81)
Wegen der Losungsmannigfaltigkeit existieren weitere optimale Zuordnungen: Opti-

malzuordnung: 2. Alternative
- fiktiv-
Schaufensteranlagen
51 52 53 54 55 ,,56/1 ,,57 11
Angebotssumme in GE 220 200 160 180 230 0 0 L=990
Optimalzuordnung: 3. Alternative
- fiktiv-
Schaufensteranlagen
51 52 53 54 55 ,,56" ,,57"
136
Beurteilung und Anwendungsmoglichkeiten der linearen Planungsrechnung 2. 10
Optimalzuordnung: 4. Alternative
- fiktiv-
Schaufensteranlagen
51 52 53 54 55 ,,56 11
,,57 11
Andere Methoden zur Losung des Zuordnungsproblems sind insbesondere die auf
Ford und Fulkerson zUrUckgehende Netzwerk-Methode (Ford, L. R. jr., Fulkerson, D. R.,
1956, 5. 24 ff.; Angermann, A., 1963, 5. 159 ff.) und die von Little u.a. zur Losung des
Problems des Handlungsreisenden entwickelte Methode Branch-and-Bound (Little, J.
u.a., 1963. 5. 972 ff.; Bloech, J., 1974, 5. 163 ff.; Zimmermann, W, 1997,5.156 ff.; Runzhei-
mer, B., 1989, S. 205 ff.) .
2.10 Beurteilung und Anwendungsmoglichkeiten

der linearen Planungsrechnung
Bei betriebswirtschaftlichen Entscheidungen kommt es im Allgemeinen darauf an, aus
einer Reihe von Alternativen die beste auszusuchen. Unter einer "besten" Alternative
ist die zu verstehen, fiir die eine ZielgrofSe (z.B. Gewinn, Kosten) ihren grog ten bzw.
kleinsten Wert annimmt. Die beschriinkte Verfiigbarkeit der Hilfsmittel spiegelt sich
in den Restriktionen des Modells wieder (Gleichungs- oder Ungleichungssystem).
5ind die Variablen in der ZielgrofSe und in den Restriktionen linear, so handelt es sich
urn eine lineare Planungsrechnung, ein lineares Modell. Damit ist das erste entschei-
dende Kriteriurn fiir die Anwendbarkeit der linearen Planungsrechnung auf betriebs-
wirtschaftliche Entscheidungsprobleme angesprochen, nfunlich der Grad der Entspre-
chung (Isomorphie) von linear-mathematischem Modell und Realproblem
(Wirklichkeit). Das lineare Optimierungsmodell verlangt quantitative Fakten und linea-
re Strukturen.
In welchen Problemen konnen Betriebswirte ausreichend quantitative Daten und line-
are 5trukturen vorfinden? Abgesehen davon, dass man im Aligemeinen "in der Praxis
sowieso zufrieden ist, wenn man nur eine Verbesserung der herrschenden Verhaltnisse
erzielen, d.h. sich irgendwie in Richtung eines Optimurns bewegen kann" (Stahlknecht,
P., 1970, 5. 79), miissen kausale GesetzmaBigkeiten vorherrschend sein, urn quantitati-
ve Beziehungen zwischen den Entscheidungsvariablen - z.B. auf Grund von techni-
schen Verbrauchsfunktionen oder Verhaltensmustern - ausreichend genau ermitteln
zu konnen. Je mehr aber das gestaltende und schopferische Element des dispositiven
137
Faktors wirksam und bestimmend wird, desto schwieriger wird es sein, realistische
lineare Modelle zu konstruieren. Die Probleme des unteren und mittleren Manage-
ments lassen sich noch weitgehend durch Linear-Modelle approxirnieren. Top-
Management-Aufgaben entziehen sich weitgehend einer solchen Modellanalyse, da
der Abstraktionsgrad der Modelle zu groB wird. "Ailes spricht dafiir, dass sich der
eigentliche Anwendungsbereich der Verfahrensforschung (und damit auch der linea-
ren Planungsrechnung - d.V.) im Wesentlichen auf Einzeldispositionen in den Werk-
statten, der Verkaufs- und Beschaffungsabteilungen beschranken wird, also auf Ent-
scheidungen der unteren und mittleren Ebene, wo weniger weit reichende, weniger
mit Unsicherheit behaftete und regelmaBig auch weniger komplexe Dispositionen zu
treffen sind" (Moxter, A, 1963, S. 200). Je groBer also bei Entscheidungsproblemen der
Anteil des schopferischen Elementes ist, je mehr Interdependenzen zu anderen Berei-
chen bedeutsam werden, desto problematischer und weniger erfolgversprechend wird
die Anwendung der linearen Planungsrechnung sein mlissen. Die in der Literatur
beschriebenen wichtigsten Anwendungsfalle zeigen diesen Tatbestand:
(1) Produktionsprobleme
Flir die kurzfristige Planung des Produktionsprogramms, basierend auf konstanten

Preisen, proportionalen Stiickkosten, konstanten Produktionskoeffizienten, fuhrt die
lineare Optimierung zu brauchbaren Ergebnissen (Bichler, K., 1970; Kilger, W., 1973, S.
95 ff.; Kilger, W., Vikas, K., 1993, S. 830 ff.; Munstermann, H., 1969, S. 236 ff.; Jacob, H.,
1990, S. 405 ff.; Stahlknecht, P., 1970, S. 78 ff.; Gutenberg, E., 1983, S. 211 ff.; Bloech, J.,
1974, S. 17 ff.; Gaede, K.-W, Heinhold, J., 1976; Zimmermann, W., 1997; Bol, G., 1980, S. 1 ff.;
Schmitz, P., SclWnlein, A, 1978, S. 6 ff.; Hilke, w., 1988; Adam, D., 1983, S. 140 ff.; Inderfurth,
K., 1982, S. 15 ff.; Dinkelbach, w., Lorschneider, U., 1994, S. 165 ff.; Meyer, M., Hansen, K.,
1996; Blohm, H. u.a., 1997, S. 296 ff.; Troflmann, E., 1983; Zap/el, G., 1989; Stepan, A, Fi-
scher, E. 0., 1998, S. 108 ff.; Homburg, c., 1991, S. 205 ff.; Homburg, c., Sutterlin, S., 1992,
S. 95 ff.; Hoitsch, H., 1993). Die Planungen brauchen sich dabei nicht auf den Produkti-
onsbereich zu beschranken. Die Einbeziehung des Absatz- und Beschaffungsmarktes
ist leicht moglich. Einen guten Uberblick liber solche simultane Modellansatze gibt W
Kilger (1973). Eine besonders giinstige Situation fUr die Anwendung besteht bei Erdol-
raffinerien (Kohler, R., 1967, S. 306 ff.) . Die Betriebsablaufe lassen sich hier relativ gut
durch ein mathematisches Modell abbilden.
(2) Investitions- und Finanzprobleme
In einem umfangreichen Ansatz kann die Investitions- und Finanzplanung und u.U.
auch gleichzeitig die Produktionsplanung unter bestimmten Voraussetzungen durch
lineare Optirnierung erfolgen gacob, H., 1984, S. 58 ff.; Blohm, H., Luder, K., 1995, S. 247
ff.; Hax, H., 1993; Munstermann, H., 1969, S. 256 ff.; Swoboda, P., 1970, S. 1403 ff.; Bloech,
J., 1974, S. 11 f.; Hanssmann, F., 1971, S. 58 ff. sowie 1990, S. 248 ff.; Kruschwitz, L., 1995,
S. 194 ff.; Perridon, L., Steiner, M., 1997, S. 133 ff.; Inderfurth, K., 1982, S. 15 ff.; Pursch-Lee,
KD., 1983, S. 24 ff.; Rhode, R., 1982; Glaser, H., 1982; Adam, D., 1997, S. 231 ff.).
138
Beurteilung und Anwendungsmoglichkeiten der linearen Planungsrechnung 2. 10
(3) Mischungsprobleme
Geht aus der Mischung verschiedener Einsatzfaktoren die Leistung (ein Produkt oder
Kuppelprodukte) hervor und haben die Einsatzfaktoren unterschiedliche Beschaf-
fungspreise, so wird die optirnale Mischung (kostenrninirnale Mischung) gesucht
(Stahlknecht, P., 1970, S. 80 ff.; Muller-Merbach, H., 1973, S.165 ff.; Churchman, CW. u.a.,
1971, S. 351 ff.; Volkuhl, P., 1965, S.112 ff.; Bol, G., 1980, S. 8 ff.; DurT, W., Kleibohm, K.,
1992, S. 27 ff.; Dinkelbach, W., Lorschneider, U., 1994, S. 170 ff.; Ellinger, T. u.a., 1998, S. 42
ff.; Bartels, H.G., 1984, S. 56 ff., S. 61 f.; Zimmermann, W., 1997, S. 77 ff.). Gibt es viele
Einsatzfaktoren, die in einer Reihe von Faktormischungen zu der gewtinschten Leis-
tung fiihren, so kann ein solches Optimierungsproblem nur mit der Anwendung sys-
tematischer Methoden (wie z.B. linearer Planungsrechnung) gelost werden. Am be-
kanntesten sind die Probleme der 01-, Chemie-, Futtermittel- und
Em1ihrungsindustrie.
(4) Zuordnungsprobleme
Bei den Zuordnungsproblemen geht es urn die optimale Zuordnung der Elemente
zweier Mengen (z.B. Personen und Aufgabenbereiche, Schaufenster und Verkaufsab-
teilungen, Auftriige und Maschinen). Mit Hilfe der linearen Planungsrechnung sucht
man aus den vielfhltigen Zuordnungsmoglichkeiten diejenige aus, die der betriebli-
chen Zielsetzung entspricht (Churchman, Cw. u.a., 1971, S. 314 ff.; Bloech, J., 1974, S.157
ff.; Krek6, B., 1973, S. 377 ff.; Zimmermann, W., 1997, S. 111 ff.; Nieswandt, A., 1994, S. 77
ff.; Schmitz, P., Schonlein, A., 1978, S. 210 ff.; Durr, w., Kleibohm, K., 1992, S. 102 ff.; Mey-
er, M., 1996, S. 50 ff.; Ellinger, T. u.a, 1998, S. 75 ff.; Bartels, H.G., 1984, S. 17 ff.; Dinkel-
bach, w., Lorschneider, U., 1994, S. 162 ff.; Meyer, M., Hansen, K., 1996, S. 63 ff.).
(5) Transportprobleme
Den wesentlichen Inhalt des sog. Transportproblems haben wir im Zusammenhang
mit der Behandlung der Transportmethode wiedergegeben. Fur die erfolgreiche An-
wendung der linearen Planungsrechnung auf Transportprobleme in der Praxis sind
einige Beispiele bekannt geworden (Schmitz, P., Schonlein, A., 1978, S. 136 ff.; Meyer, M.,
Hansen, K., 1996, S. 63 ff.; Diirr, W., Kleihbohm, K., 1992, S. 102 ff.; Hanssmann, F., 1995;
Zimmermann, w., 1997, S. 90 ff.; Ellinger, T. u.a., 1998, S. 75 ff.).
(6) Standortprobleme
Was mit Hilfe der linearen Planungsrechnung im Hinblick auf eine optirnale Stand-
ortwahl getan werden kann, ist zuniichst die Behandlung eines Teilproblems, n1irnlich:
Ermittlung des transportkostenminimalen Standorts (Stahlknecht, P., 1970, S. 127 ff.;
Hanssmann, F., 1971, S. 33 ff., 49 ff.; Homburg, C, 1991, S. 177 ff.; Homburg, C, Sutterlin,
S., 1992, S. 81 ff.; Hansmann, K.W., 1996; Blohm, H. u.a., 1997, S. 504 f.; Tempelmeier, H.,
1980).
139
2
(7) Mediaselektionsprobleme
Das Entscheidungsproblem besteht hier in der Frage der optimalen Kombination von
Werbetragern. Es existieren eine Reihe von Ansatzen, die optimale Auswahl der Me-
dien mit Hille der mathematischen (und damit auch der linearen) Planungsrechnung
zu ermitteln (Schweiger, G., 1975, S. 205 ff.; Berndt, R., 1995, S. 362 ff.; Korndorfer, W.,
1966, S. 199 ff.; Kotler, P., Bliemel, F, 1995; Nieschlag, R., Dichtl, E., Horschgen, H., 1997;
Tietz, B., Zentes, J., 1980; Dichtl, E., 1997, S. 133 - 146; Dinkelbach, w., Lorscheider, U.,
1994, S. 212 ff.). In diesen Modellen ist auch versucht worden, "Uberschneidungen"
und "Kumulationen" durch Einfiihrung von Restriktionen zu beriicksichtigen (Buzzel,
R.D., 1964, S. 77f.). Ebenso wurden nichtlineare Wirkungskurven dadurch beriicksich-
tigt, dass diese in lineare Abschnitte zedegt wurden (Brown, D.B., Warshaw, M.R., 1965,
S. 83 ff.; Montgomery, D.B., Urban, G.L. (Hg.), 1970, S. 145; zur Linearisierung nichtline-
arer Beziehungen s. Henn, R., Kilnzi, H.P., 1968, S. 32 ff.). Auch gibt es Ansatze zur
Beriicksichtigung des Timings (Stasch, S. F., 1965, S. 40 ff.). Schlief5lich sei noch er-
wiihnt, dass wegen der Mediarabatte die lineare Planungsrechnung nicht zu optimalen
Streuplanen fiihrt (Kaplan, R. S., Shocker, A.D., 1971, S. 37 ff.).
(8) Sonstige Planungsprobleme
Weiterhin sind von den Planungsproblemen, die durch lineare Planungsrechnung
(approximativ) gelost werden konnen, zu nennen (Berndt, R., 1995, S. 520 ff.; Bloech, J.,
1974, S. 15 f.; Bichler, K., 1996; Lutz, M., 1998, S. 85 ff.; Dinkelbach, W., Lorschneider, U.,
1994, S. 44 ff. und S. 199 ff.): Verschnittprobleme, Flussprobleme in Netzen, Reihenfol-
ge- und Rundreiseprobleme, Lagerhaltungsprobleme, Zeitplanungsprobleme, Proble-
me des Marketing-Mix. Ob die Formulierung eines linearen Programmansatzes mog-
lich ist und damit dessen Losung, ist eine reine Tatbestandsfrage. Die Tatsache, dass
die lineare Planungsrechnung in der Praxis (neben der Netzplantechnik) am meisten
angewendet wird, liegt daran, dass einerseits fiir viele praktische Aufgabenstellungen
ein linearer Ansatz - zumindest im Rahmen der Genauigkeit der zur Verfiigung ste-
henden Daten - gerechtfertigt ist und andererseits die Losung auch sehr groBer Opti-
mierungsprobleme mit Hunderten oder Tausenden von Variablen und Nebenbedin-
gungen auf leistungsfarugen Computern moglich ist. Geniigt jedoch ein moglicher
linearer Planungsansatz einem konkreten Problem ausreichend, so ware noch die
Wirtschaftlichkeit der Anwendung der linearen Planungsrechnung zu priifen. Die
Frage der Wirtschaftlichkeit in diesem Zusammenhang beinhaltet einen Vergleich der
entstehenden Aufwendungen mit den entstehenden moglichen Ertragen, die sich z.B.
in einer Kostensenkung oder Ausbringungssteigerung niederschlagen konnen. Die
Abschatzung eines moglichen Ertrages ist ex ante sehr schwierig. Die Angaben in der
Literatur beschriinken sich auf Einzelfiille oder aber sie sind sehr global (Shamir, R.,
1987, S. 301 ff.).
140
Verstiindnisfragen zu den Abschnitten 2.8 bis 2.10 2 11
•
2.11 Verstandnisfragen zu den Abschnitten 2.8

bis 2.10
1. Wie lasst sich das mathematische Modell eines geschlossenen Transportproblems
formulieren?
2. Worin bestehen die besonders einfachen Eigenarten des Transportproblems, die die
Anwendung der Transportmethode zur Optimierung erlauben?
3. Worin besteht das iterative Rechenverfahren der Transportmethode?
4. Wie viele von Null verschiedene Variablenwerte kann eine mit der Transportmetho-
de bestimmte Basislosung hochstens umfassen? Wie lasst sich diese Anzahl begriin-
den?
5. Welche Verfahren konnen bei der Transportmethode zur Bestimmung einer zulas-
sigen Ausgangslosung (Basislosung) herangezogen werden?
6. Worin bestehen die Vor- und Nachteile der heuristischen Verfahren zur Bestim-
mung einer "guten" zulassigen Ausgangslosung bei der Transportmethode?
7. Wie erkennt man die Degeneration (Entartung) einer mit Hilfe der Transportme-
thode bestimmten zulassigen Losung? Wie lasst sie sich erheben?
8. Wie lasst sich die Vorgehensweise der MODI-Methode beschreiben?
9. Wie lasst sich die Vorgehensweise der Stepping-Stone-Methode beschreiben?
10. Wie werden die Opportunitatskosten fur die Nichtbasisvariablen einer mit Hilfe
der Transportmethode bestimmten Basislosung ermittelt?
11. Was ist der Inhalt des Transportkriteriums und wie lasst es sich anwenden?
12. Woran erkennt man optimale Mehrfachlosungen bei der Transportmethode?
13. Wie lass,t sich die Matrix der Transportmethode, die die Optimallosung beinhaltet,
okonomisch interpretieren?
14. Wie konnen offene Transportprobleme durch ein geschlossenes Transportmodell
beschrieben werden?
15. Lasst sich die Transportmethode auch auf andere als Transportprobleme anwen-
den (Beispiele)?
16. Wie lassen sich "zusatzliche Kapazitatsbeschrankungen" in der Transportmethode
beriicksichtigen?
17. Was versteht man unter "mehrstufigen Transportproblemen"?
18. Wie lasst sich das "Umladeproblem" behandeln?
141
2
19. Wie liisst sich eine Maximierungsaufgabe, die mit der Transportmethode gel6st
werden solI, in eine Minimierungsaufgabe iiberfiihren?
20. Was versteht man unter einem "Zuordnungsproblem"?
21. Wie lautet der mathematische Modellansatz (in allgemeiner Form) des Zuord-
nungsproblems?
22. Worin besteht das iterative Rechenverfahren der Ungarischen Methode zur L6sung
des Zuordnungsproblems?
23. Woran erkennt man optimale Mehrfachl6sungen bei der Ungarischen Methode?
24. Welche wesentlichen Voraussetzungen miissen fur die Anwendbarkeit der linearen
Planungsrechnung bei betriebswirtschaftlichen Entscheidungen gegeben sein und
wo liegen die bedeutenden Grenzen der Anwendbarkeit der linearen Planungsrech-
nung?
25. Welches sind die Hauptanwendungsgebiete der linearen Planungsrechnung in der
Betriebswirtschaft und wie ist ihre Leistungsfiihigkeit als Methode der Entschei-
dungsvorbereitung zu beurteilen?
142
Netzplantechnik (NPT)
Es ist interessant, dass aus einer sehr anspruchsvollen Disziplin der Mathematik, nam-
lich der Graphentheorie, zwei bedeutende Verfahren des Operations Research entwi-
ckelt wurden, die sehr anschaulich sind, und deren verfahrenstechnische Grundlagen
leicht zu erlemen sind. Nicht zuletzt aus diesen Grunden handelt es sich dabei urn
OR-Verfahren, die in der Praxis neben der linearen Planungsrechnung am meisten
angewendet werden. Es sind dies:
• die Netzplantechnik (NPT) zur Planung und Uberwachung von Projekten;
• das Entscheidungsbaurnverfahren zur Darstellung von Entscheidungsproblemen

(vgl. Runzheimer, B., 1989, S. 179 ff. und Runzheimer, B., 1998, S 69. ff.).
3.1 Grundbegriffe der Graphentheorie

Unter einem Graphen versteht man eine (endliche oder unendliche) Menge von Kno-
ten, die durch eine (endliche oder unendliche) Menge von Kanten einander zugeord-
net sind. Es handelt sich dabei urn ein bestimmtes Gebilde, das man durch eine Skizze
(grafisch) in der Ebene oder im Raum gut veranschaulichen kann. Die Kanten oder
Strecken k6nnen gerichtet, also mit einer Richtung versehen sein. Man nennt sie dann
Pfeile und hat es mit einem gerichteten Graphen zu tun (Abbildung 3-1b). Bei einem
ungerichteten Graphen sind die Kanten in beiden Richtungen begehbar (Abbildung 3-
1a). Sind aIle Knoten direkt oder indirekt durch Kanten miteinander verbunden, hat
man es mit einem zusammenhangenden Graphen zu tun (Abbildung 3-1a -
Abbildung 3-1d).
Eine Folge von Knoten und Pfeilen, bei der keine Abzweigungen auftreten, wird als
Kette bezeichnet. Die Knoten, die auf einer so1chen Kette liegen, haben die Eigen-
schaft, dass bei ihnen immer nur ein einmiindender und ein abgehender Pfeil vor-
kommt (Abbildung 3-1c). Eine Folge von Knoten und Pfeilen, bei denen der Endkno-
ten des einen Pfeils der Anfangsknoten des folgenden Pfeils ist, wird als Weg
bezeichnet (Abbildung 3-1b). Ein Baum ist ein zusammenhangender Graph, bei dem
von jedem Knoten zu allen anderen Knoten nur eine Kantenfolge fiihrt (Abbildung 3-
1d).
143
Abbildung-3-1: Beispiele for Graphen
,
,,
,,
a) Ungerichteter Graph b) Gerichteter Graph
0-
c) Graph mit Kette
Eine Schleife ist ein Pfeil, der einen Knoten mit sich selbst verbindet. Von einem Zyk-
Ius spricht man, wenn ein Knoten tiber mehrere Pfeile mit sich selbst verbunden ist.
Graphen werden in mannigfacher Weise als Darstellungsformen verwendet. So kon-
nen Graphen Netze wie Wasserversorgungs- und -entsorgungssysteme, Verkehrssys-
teme, Fernsprech-, Strom- und Gasleitungen darstellen. Ebenso gut konnen durch
Graphen Ablaufe und Strukturen wie Organisationsstrukturen oder Kommunikations-
systeme eines Unternehmens, Entscheidungsprozesse etc. dargestellt werden.
1m Rahmen der Graphentheorie sind fUr die Berechnung einiger Eigenschaften von
Graphen besondere Algorithmen (Rechenverfahren) entwickelt worden, wie z.B. der
Fulkerson-Algorithmus (Muller-Merbach, H., 1973, S. 247 ff.). Mit diesen Algorithmen
konnen beispielsweise optimale Wege in Graphen, maximale Fltisse (d.h. maximale
Kapazitaten) von Netzwerken oder auch kostenminimale Fltisse bestimmt werden. 1m
Rahmen des OR spielen daher graphentheoretische Verfahren eine besondere Rolle
bei:
der anschaulichen grafischen Darstellung von Ablaufen und Strukturen;
• der Berechnung von optimalen (liingsten, ktirzesten, kostenminimalen oder ge-

winn-maximalen) Wegen;
• der Berechnung maximaler Fltisse in Netzwerken.

Oft ist allein die Darstellung eines Sachverhaltes in Form eines Graphen schon von
groBem Wert. Als besonders wertvoll wird von Praktikern der Nutzen bezeichnet, der
144
Grundlagen der Netzplantechnik 32
•
allein dadurch entsteht, dass es fur die Aufstellung des Graphen erforderlich ist, das
Problem bis in die Details zu durchdringen.
3.2 Grundlagen der Netzplantechnik

Die Netzplantechnik (NPT) stellt Methoden zur Planung und Uberwachung von
Projekten bereit. Die NPT hat mehrere voneinander unabhiingige Wurzeln. 1957 wur-
de in USA bei Dupont de Nemours in Zusammenarbeit mit Ramington Rand die "Cri-
tical Path Method" (CPM) entwickelt. Beim Bau der Polarisrakete wurde 1958 das
Planungssystem "Program Evaluation and Review Technique" (PERT) geschaffen.
Gleichzeitig wurde von einer franz6sischen Beratungsfirma, die zu einer intemationa-
len Gruppe von Beratungsfirmen narnens METRA geh6rt, die Metra-Potenzial-
Methode (MPM) als Terminplanungsmethode fur den Reaktorbau entwickelt. All
diese Methoden besitzen ein gemeinsarnes Merkmal. Sie haben ein grafisches Modell
des zeitlichen Ablaufs eines Projektes, das Netzplan genannt wird, zur Grundlage.
Man fasst daher CPM, PERT, MPM und ihre zahlreichen Varianten und Weiterent-
wicklungen unter dem Begriff Netzplantechnik (auch Netzwerktechnik oder Netz-
werkanalyse genannt) zusammen. Die mathematische Grundlage der NPT bildet die
Graphentheorie. Unter NPT versteht man aIle Verfahren zur:
Beschreibung,
• Planung,
Steuerung,
Uberwachung
von Projektablaufen auf der Grundlage von Netzplan-Modellen. Die vorstehende
Definition entspricht DIN 69 900. Soweit die hier ben6tigten Begriffe vereinheitlicht
sind, werden sie der genannten Norm bzw. den Empfehlungen der Deutschen Gesell-
schaft fur Operations Research entnommen. Die Ausfiihrung von Projekten ben6tigt
Zeit, verursacht Kosten und erfordert den Einsatz gewisser Hilfsmittel (Einsatzmit-
tel), worunter die sog. "Einsatzfaktoren", also Betriebsmittel (Maschinen etc.), Arbeits-
krafte und Werkstoffe, verstanden werden. Entsprechend werden in der NPT Metho-
denzur:
• Zeitplanung (Terminplanung),
Kostenplanung,
Kapazitatsplanung,
Finanzplanung
145
Netzpiantechnik (NPT)
3
bereitgestellt. Kemstiick der NPT ist die Zeitplanung. Auf den Ergebnissen der Zeit-
planung bauen aBe weiteren Anwendungen auf. Als Beispiele fur die Anwendung der
NPT seien genannt:
Der Aufbau einer Fabrik, die Durchfuhrung von Wartungsarbeiten, die Entwicklung
eines Waffensystems und der Bau eines Atomkraftwerkes waren die ersten Anwen-
dungen. In der Zwischenzeit wird die NPT in vielen Bereichen der Wirtschaft einge-
setzt. Einige weitere Anwendungsbereiche sind (wegen der entsprechenden Literatur-
quellen siehe Homburg, c., 1998, S. 475 ff.; Wille, H. u.a., 1972, S. 16):
1. Entwicklung von Flugzeugen,
2. Ausbau eines Hotels,

3. Bau einer UniversiHit,
4. Planung der Herstellung von elektrischen Relais,
5. Vorbereitung des Einsatzes eines Computers,
6. Bau von Autobahnen,
7. Entwicklung und Konstruktion eines Nachrichtensystems,
8. Montage einer Telegraphie-Speichervermittlung,
9. Bau von Wohnblocks,
10. Durchfuhrung eines Wahlkampfes.
Bei diesen Anwendungsbeispielen handelt es sich urn Projekte. Der Begriff Projekt
steht im Gegensatz zu sich dauemd wiederholenden Vorgangen. Er beinhaltet, dass
eine Leistung einmalig in ganz bestimmter Art und Weise durchgefiihrt wird.
Da sich solche Projekte gew6hnlich nicht identisch wiederholen bzw. solche Projekte
iiberhaupt noch nicht abgewickelt wurden, kann sich der Planer nicht allein auf seine
Erfahrungen mit ahnlichen Projekten stiitzen. Er ben6tigt ein Hilfsmitlel wie die NPT.
Welche Voraussetzungen hat ein Projekt zu erfUBen, damit es mit einer NPT geplant
und seine Abwicklung gesteuert und iiberwacht werden kann?
1. Es geht urn die Erreichung bestimmter vorgegebener Ziele. Dabei muss es sich urn
ein abgeschlossenes Projekt handeln, bei dem Anfangs- und Endpunkte definier-
bar sind.
2. Das Projekt muss in einzelne Vorgange (Aufgaben, Tatigkeiten, Aktivitaten,
"jobs") aufgegliedert werden k6nnen. ABe Vorgange, die zur Erreichung der Ziele
erledigt sein miissen, bilden das Projekt.
3. Diese Aufgaben unterliegen hinsichtlich ihrer Durchfuhrung Reihenfolgebedin-
gungen, die auf die Projektlogik zuriickzufiihren sind. Ein Vorgang kann z.B. erst
146
Grundiagen der Netzpiantechnik 32
•
nach Absch1uss von anderen Vorgangen begonnen werden. Diese Vorgange bean-
spruchen Zeit, Einsatzmittel und verursachen damit Kosten.
4. Es muss sichergestellt werden konnen, dass die plangerechte Durchfi.ihrung des
Projektes kontrolliert werden kann, d.h. zu jedem Zeitpunkt der Projektrealisie-
rung muss es moglich sein, Soll-Ist-Vergleiche durchzufuhren, urn ggf. Anpas-
sungsmaJSnahmen ergreifen zu konnen (Steuerungsmoglichkeit).
Ein groBer Vorteil der NPT besteht darin, dass durch die grafische Darstellung ein
Projekt transparent gemacht wird. Insbesondere konnen die gegenseitigen Abhan-
gigkeiten der Vorglinge klar dargestellt werden.
Die vor der Entwicklung der NPT haufig verwendeten Balkendiagramme (Gantt-
Charts) sind im Bereich der Planung den Verfahren der NPT unterlegen, weil sie einer-
seits die Abhangigkeiten zwischen den Vorgangen nicht befriedigend aufzeigen und
damit nur fur die Planung kleiner, iiberschaubarer Projekte geeignet sind. Anderer-
seits fallt es aulSerst schwer, bei sich andemden Reihenfolgebedingungen oder veran-
derlichen Vorgangsdauem die erforderlichen Anpassungen in den Diagrammen vor-
zunehmen (Bergen, R., Bubolz, P., 1974, S. 2 f.).
Ein weiterer Vorteil der NPT ist es, dass sie ohne aufwandige zusatzliche Vorarbeiten
durchgefiihrt werden kann. Dariiber hinaus kann sie sich der Unterstiitzung durch
Computer (Netzplanprogramme wie z.B. TIME LINE mit CPM, PERT oder Microsoft
Project - "MS Project" - bzw. Algorithmen der Graphentheorie, die man in LINGO
findet; vgl. hierzu Lutz, M., 1998, S. 15 und S. 213) bedienen.
Nach einer von verschiedenen Autoren vorgesch1agenen Gliederung zerfallt die NPT
in die Stufen:
1. Strukturanalyse - Strukturplanung,
2. Zeitanalyse - Zeitplanung,
3. Kostenanalyse - Kostenplanung,
4. Kapazitatsanalyse - Kapazitatsplanung.
Die Stufen konnen jedoch nicht losgelost voneinander und auch nicht fur ein Projekt
allein betrachtet werden. Vielmehr unterliegen die Ergebnisse jeder Planungsstufe
starken Einfliissen aus anderen Stufen bzw. aus den Planungen fur andere Projekte.
Damit sind die eigentlichen Probleme der NPT angesprochen. Wenn nach einem ers-
ten Planungsschritt (Strukturplanung, Ablaufplanung) mit einer gewissenhaften Er-
fassung und grafischen Darstellung des Ablaufs an die Zeitplanung als dem zweiten
Schritt gegangen wird, so erscheint dies yom Standpunkt des Praktikers insofem als
eine reichlich theoretische Angelegenheit, als die vorgenommenen Zeitplanungen
unter einer Reihe von Abstraktionen erfolgen. Bei der Zeitplanung sind nicht nur die
Struktur und die Zeit, sondem auch die Kosten und die Kapazitaten zu ermitteln und
zu beriicksichtigen. Die Projektplanung kann folglich erst als abgesch10ssen gelten,
147
3
wenn in allen Stufen des behandelten Projektes und unter Beriicksichtigung der au-
Berdem im Betrieb noch abzuwickelnden Projekte eine durchfiihrbare Losung gefun-
den ist, die dariiber hinaus noch den betrieblichen Zielen moglichst nahe kommt.
3.3 Struktu rp lan ung

Die Planung der Ablaufstruktur eines Projektes setzt detaillierte Informationen liber
die Struktur des Projektes voraus. Der eigentlichen Strukturplanung muss also eine
Analyse der Ablaufstruktur des Projektes vorausgehen.
3.3.1 Strukturanalyse
Der erste Schritt der Strukturanalyse besteht darin, dass man samtliche Vorgange des
Projektes ermittelt, d.h. das Gesamtprojekt in die erforderlichen Arbeitsgange zerlegt.
Vorgange sind aIle Aktivitaten, die Zeit beanspruchen, also auch Lieferzeiten, tech-
nisch bedingte Wartezeiten - z.B. Abbindezeit von Beton -, Liegezeiten etc. Samtliche
Vorgiinge des Projektes werden in einer Liste (Vorgangsliste) zusammengestellt.
Es erhebt sich hier die Frage, wie detailliert, d.h. wie fein solI das Projekt im Netzplan
dargestellt werden? Die Grundsatzentscheidung ist, was als Vorgang angesehen wer-
den solI, d.h. vor allem wie "groB" die Vorgiinge sein sollen. Der Begriff des Vorganges
ist sehr weit gefasst. Man kann z.B. das Anbringen des Innenputzes in einem Gebaude
als einen Vorgang betrachten. Es ist aber auch moglich, diese Arbeiten aufzuteilen und
beispielsweise das Verputzen jeder Zimmerdecke, jeder Zimmerwand, das Einputzen
der Fenster etc. jeweils als einen Vorgang aufzufassen. Wie fein man die Analyse und
Planung der Ablaufstruktur eines Projektes zweckmaBigerweise vomehmen solI, kann
nicht allgemein beantwortet werden. Die Gliederung eines Projektes in Vorgange wird
so fein vorgenommen, dass eine hinreichende Abgrenzung jedes Vorgangs gegenliber
den anderen Vorgiingen moglich ist und Informationen liber Abhiingigkeiten der Vor-
giinge nicht verloren gehen. Der Grad der Zerlegung des Projektes bzw. des Netzplans
(Detaillierungsgrad) hiingt in erster Linie davon ab, wie viel Informationen man dem
Netzplan entnehmen will. Je nach Verwendungszweck - z.B. Information fur die Ge-
schaftsleitung oder fur den Bauleiter - wird man haufig fur dasselbe Projekt ver-
schiedene Netzplane unterschiedlichen Detaillierungsgrades erstellen. Bei groBeren
Projekten - insbesondere, wenn sie sich liber einen langeren Zeitraum erstrecken - ist
es zweckmaBig, so vorzugehen, dass man das Projekt zunachst nur sehr grob analy-
siert und einen Ubersichtsnetzplan (Grob- oder Rahmenplan) erstellt. Die Vorgiinge
dieses Ubersichtsplanes umfassen jeweils mehrere Aktivitiiten ("Sammelvorgiinge").
Die moglichst geschlossenen und abgrenzbaren Teile des Ubersichtsplanes konnen
148
Strukturplanung
3.3
dann zerlegt werden. Jede Detaillierung (Verfeinerung) eines Netzplanes stellt eine
Untergliederung in kleinere Vorgange dar. Umgekehrt k6nnen Vorgange eines Detail-
netzplanes durch Zusammenfassung verdichtet werden; dies bedeutet dann einen
Ubergang vom Detailnetzplan zum Ubersichtsnetzplan. Bei Projekten, die sich liber
einen langeren Zeitraurn erstrecken, stellt der Ubersichtsnetzplan zunachst nur grob
den Ablauf des Projektes dar. 1m Verlauf der Realisierung des Projektes wird dann
schrittweise die Detailplanung vorgenommen. Diese schrittweise Verfeinerung des
Netzplanes kann einmal angezeigt sein, urn den Planungsaufwand zeitlich zu vertei-
len. Die mangelhafte Uberschaubarkeit und groBe Unsicherheit liber die Ablaufstruk-
tur eines Projektes zu Beginn der Planung (z.B. bei Forschungs- und Entwicklungspro-
jekten) kann ebenfalls ausschlaggebend fur eine schrittweise Verfeinerung des
Netzplanes sein.
Hat man aIle Vorgange des Projektes zusammengestellt, dann werden im zweiten
Schritt der Strukturanalyse die logisch bzw. technologisch und wirtschaftlich beding-
ten Abhiingigkeiten zwischen den Vorgiingen ermittelt. Hierbei geht es vor allem urn
die Reihenfolge der Vorgange. Dabei sind fur jeden Vorgang folgende Fragen zu be-
antworten:
1. Welche Vorgange gehen dem in Frage stehenden Vorgang unmittelbar voraus;
welche Vorgange mlissen beendet sein, darnit der betreffende Vorgang beginnen
kann? Das Ergebnis sind die "Vorganger" des betrachteten Vorgangs. Z.B. mlissen
die Fundamente ausgeschachtet sein, bevor sie betoniert werden k6nnen - "Aus-
schachten der Fundamente" ist Vorganger fur "Betonieren der Ftmdamente".
2. Welche Vorgange schlieBen sich unmittelbar an den betrachteten Vorgang an? Das
Ergebnis sind die "Nachfolger" des betreffenden Vorgangs. Flir die Strukturpla-
nung ist es ausreichend, wenn man entweder die Vorgiinger oder die Nachfolger
fur jeden Vorgang bestimmt.
3. Welche Vorgange k6nnen parallel ausgefiihrt werden?
Bei der Strukturanalyse eines Projektes wird man feststellen, dass ein groBer Teil der
Abhangigkeiten nieht eindeutig festliegt. Die Reihenfolge von Vorgangen kann also
vertauscht werden. Vielfach k6nnen Vorgange sowohl nacheinander als auch parallel
durchgefiihrt werden. Hier entscheiden dann oft Fragen der Zweckm1i.Bigkeit oder
Kapazitatsliberlegungen. Bei der Projektplanung muss man sich jedoch fur eine Ab-
hangigkeit eindeutig entscheiden. Sind andere Abhangigkeiten m6glich, so kann man
diese protokollieren, urn darauf bei einer eventuell erforderlichen Planrevision zu-
rUckgreifen zu k6nnen.
In der Vorgangsliste k6nnen neben den Vorgangen des Projektes und den ermittelten
Abhangigkeiten weitere wichtige Informationen zusammengestellt werden, wie z.B.
die fur die Ausfiihrung verantwortlichen Stellen, Zeitbedarf, Kosten und differenzier-
ter Kapazitatsbedarf der Vorgange.
149
3
Die Vorgangslisten werden danach haufig in Projektsteuerungssoftware irnplemen-
tiert. In Tabelle 3-1 ist fur ein Projektbeispiel "Bau einer Fabrikationshalle" - das irn
Folgenden zur Veranschaulichung stlindig herangezogen werden solI - die Vorgangs-
liste in die Software "MS Project" eingegeben worden. Die Liste umfasst zunachst nur
den Namen, die Dauer und den Vorglinger eines jeden Vorganges. MS Project erglinzt
die Vorgangsliste bereits durch eine Balkengraphik, dem sog. Gantt-Diagramm. Die
Llinge eines Balken entspricht dabei in der Regel der Vorgangsdauer, wobei jeder
Vorgang zu seinem friihestmoglichen Zeitpunkt - also nach dem friihestmoglichen
Abschluss seiner Vorglinger - beginnt. Auch wenn diese Art der Projekt-Darstellung
sehr anschaulich ist, so eignet sie sich nur fur kleinere Projekte oder zur Darstellung
von Zusammenhlingen zwischen groBeren Teilprojekten. Bei einer komplexen Anzahl
von Vorglingen und Vorgangsbeziehungen lasst sich ein Projekt mit Hilfe von Gantt-
Diagrammen nicht mehr planen.
Zu jedem Vorgang ist ein Buchstabe angegeben, der spater als Abkiirzung fur den
jeweiligen Vorgang benutzt werden soH. Ein Projekt lasst sich leicht in Teilprojekte
zerlegen, urn die Ubersichtlichkeit nicht zu storen. 1m Beispiel bietet sich folgende
Teilung an:
• Teilprojekt 1: RohbauersteHung (Vorglinge A bis N),
• Teilprojekt II: Ausbau und Fertigstellung (Vorglinge P bis Z).

In den Teilnetzpllinen sind die Uberglinge zu anderen Teilnetzen (" Anschlussereignis-
se") besonders zu kennzeichnen.
1m Gegensatz zu dem Projektbeispiel muss nicht immer der genaue Projektablauf im
Planungsstadium bekannt sein. Bei so genannten stochastischen Strukturen (Wegner,
F.E.H., 1972, S. 39 ff.) ist der Projektablauf ungewiss, weil nicht von vornherein sicher
ist, welche erfassten denkmoglichen Vorglinge tatsachlich realisiert werden. Das ergibt
sich erst bei Realisierung des Projekts und ist abhlingig von den vorher gewonnenen
Ergebnissen (z.B. Forschungs- und Entwicklungsprojekte). Einzelne Vorglinge des
Projekts werden dann nur mit einer gewissen Wahrscheinlichkeit realisiert, und es ist
mit verschiedenen "Projektausglingen" zu rechnen. Zur Behandlung der stochasti-
schen Projektstrukturen wurde erst in den letzten Jahren ein Zweig der NPT entwi-
ckelt, namlich sogenannte EntscheidungsnetzpHine (vgl. Neumann, K., 1990; Hennicke,
L.,1991).
150
Strukturplanung 3•3
Tabelle 3-1: Vorgangsliste for das Projekt: Bau einer Fabrikationshalle
------------- -----J--- ---

- - -- -----1-
- 1----'''- - -------- ----

Ht-- -:-I.....- - - - -I -- . -II-- - - - -_______ _
3.3.2 Darstellung der Ablaufstruktur
3.3.2.1 Formen der Netzplandarstellung

Die Darstellungsform der NPT ist der endIiche gerichtete Graph. Jedes Netz besteht
also aus einer Reihe von Knoten, die untereinander durch Pfeile (gerichtete Kanten)
verbunden sind. Je nachdem, ob man bei der grafischen Darstellung die Vorgange
durch die Pfeile oder durch die Knoten des Netzes darstellt, unterscheidet man:
(1) kanten- oder pfeiIorientierte und
(2) knotenorientierte Netzwerke:
Liegt das Schwergewicht der Projektplanung auf der Betrachtung der Vorgange, so
spricht man von Vorgangspfeilnetz, wenn die Vorgange durch die Pfeile dargestellt
werden. VorgangspfeiInetze werden bei CPM verwendet. Liegt das Schwergewicht
der Projektplanung auf der Betrachtung der Ereignisse, so spricht man von Ereignis-
knotennetz, wenn die Ereignisse durch die Knoten dargestellt werden. Ereigniskno-
tennetze werden bei PERT verwendet. Liegt das Schwergewicht der Projektplanung
auf der Betrachtung der Vorgange, so spricht man von Vorgangsknotennetz, wenn die
Vorgange durch die Knoten dargestellt werden. In der praktischen Anwendung der
Netzplantechnik fanden die VorgangspfeiInetze nach CPM zunachst weitere Verbrei-
tung (Elsasser, F., 1973, S. 17). Mit Aufkommen von Netzplansoftware ist man zuneh-
mend zu Vorgangsknotennetzen iibergegangen (Schwarze, J., 2001, S. 34). Vorgangs-
knotennetze bieten eine Reihe von Vorziigen, auf die spater eingegangen wird.
3.3.2.2 Critical Path Method - CPM

Die "Methode des kritischen Weges" (CPM) arbeitet mit Vorgangspfeilnetzen. Die
Abhangigkeiten zwischen den Vorgangen werden bei CPM durch Pfeile dargestellt,
indem man die Knoten zweier unmittelbar aufeinander folgender Vorgange durch
Pfeile verbindet. Hierbei kommt der Lange und Form der Pfeile keine Bedeutung zu.
Abbildung 3-2: Anordnungsbeziehung
______ .~~~~----------------V----or-g-a-n-g------------~~~~~-----e.~.
Anfangsknoten = Endknoten =
Anfangsereignis Endereignis
des Vorganges des V organges
152
Strukturplanung 33
•
Zu jedem Vorgang gehort ein Anfangsereignis und ein Endereignis. Die Ereignisse
heiBen auch Zeitpunkte. Z.B. sind der Beginn und das Ende des ersten oder n-ten
Vorgangs Ereignisse. Besonders zu erwahnen sind das Startereignis (Beginn der Pro-
jektdurchfiihrung - Beginn des ersten Vorgangs) und das Zielereignis (Endereignis =
Fertigstellung des Projektes). Ereignisse, denen bei der Projektrealisierung eine beson-
dere Bedeutung beigemessen wird, heiBen Meilensteine (z.B. Rohbaufertigstellung).
Meilensteine werden in der Praxis besonders gekennzeichnet. Die Anordnungsbezie-
hungen in diesem System setzen voraus, dass jeder dargestellte Vorgang oder "Teil"-
Vorgang abgeschlossen sein muss, ehe nachfolgende Vorgange beginnen konnen. Es
besteht eine "Ende-Anfang-Beziehung" zweier aufeinander folgender Vorgange.
Durch diese eindeutige Regelung ist die manuelle Berechnung eines Netzplanes nach
CPM relativ einfach. Jeder Knoten stellt - abgesehen von Start- und Zielereignis -
zugleich Anfangs- und Endereignis flir verschiedene Vorgange dar. Anfang und Ende
eines jeden Vorgangs werden durch je einen Knoten bezeichnet und eindeutig num-
meriert. Dabei konnen die Knoten des Netzplanes mehrwertig sein, d.h. Ereignisse
k6nnen mehrwertig sein:
Haben mehrere Vorgange B, C, D einen gemeinsamen Vorganger A (A hat dann B, C,

DaIs Nachfolger), so ist Knoten 2 Endereignis von A und zugleich Anfangsereignis
von B, C, D (also aller unmittelbar nachfolgenden Vorgange). Auch der umgekehrte
Fall ist denkbar:
153
Hier ist das Anfangsereignis von D (Knoten 4) das gemeinsame Endereignis von A, B,
C. Solche mehrwertigen Ereignisse werden auch Sammelereignisse (Knoten 2 in
Abbildung 3-3 und Knoten 4 in Abbildung 3-4) genannt.
Zwei Ereignisse (Knoten) diirfen nur durch einen Pfeil miteinander verbunden wer-
den. Das bedeutet zunachst, dass es nicht moglich ist, parallel verlaufende Vorgange
im Netzplan darzustellen. Durch die Einfiihrung von Scheinvorgangen lasst sich
dieses Problem jedoch leicht losen. Haben zwei Vorgange A und B gemeinsame An-
fangs- und Endereignisse (d.h. konnen sie gleichzeitig beginnen und enden), so ist ein
Scheinvorgang S erforderlich:
Abbildung 3-5: Anordnungsbeziehung mit Scheinvorgang
a= A
------~~------
:Dr'&h!
richlig!
Hangen zwei oder mehrere Vorgange mit verschiedenen Anfangs- und Endereignissen
zusammen (z.B. muss ein "Katalog konzipiert" und miissen die "Preise rur die anzu-
liefernden Waren festgelegt" sein, bevor der Vorgang "Katalog drucken" beginnen
kann), so ist ebenfalls ein Scheinvorgang S erforderlich.
Abbildung 3-6: Anordnungsbeziehung mit Scheinvorgang
8 Preise
-0 Gewinnplanung
-0
:s
I
6
I
8 ",..
I
log konz;p;eren. Katalog

.0
154
Strukturplanung 33
•
Ein Scheinvorgang ist ein fiktiver Vorgang ohne Zeitbedarf; er wird durch einen
gestrichelten Pfeil dargestellt. Kann ein Vorgang B schon beginnen, bevor der vorher-
gehende Vorgang A ganz beendet ist (iiberlappte Vorgange), so ist der letztere zu
unterteilen:
Abbildung 3-7: Anordnungsbeziehung mit Uberlappung
1. Teil von A 2. Teil von A
Fur das Projektbeispiel (Tabelle 3-1) ergibt sich folgender Strukturplan (das "An-
schlussereignis" - Ubergang von Teilprojekt I zu Teilprojekt II - ist besonders
gekennzeichnet:):
Abbildung 3-8: Netzplan des Beispiels aus Tabelle 3-1.
Teilprojekt I
s
Teilprojekt II
p
T w
155
3.3.2.3 Program Evaluation and Review Technique - PERT

Ebenso wie bei CPM stellen in einem Netzplan nach PERT die Pfeile Vorgange und die
Knoten Ereignisse dar. 1m Gegensatz zu CPM liegt bei PERT das Schwergewicht auf
den Ereignissen, weil bei PERT Wahrscheinlichkeiten fiir das Auftreten von Ereignis-
sen angegeben werden. Die Anordnungsbeziehungen des PERT-Planes entsprechen
vollig den Anordnungsbeziehungen in einem CPM-Plan. Sie werden lediglich im
Sinne der Ereignisorientierung anders ausgedriickt (Ereignisknotennetz). Es gibt zwei
prinzipielle Arten, wie man Ereignisse in einem PERT-Plan beschreiben kann:
- Htigkeit A oder
Htigkeit B
begonnen
....
abgeschlossen
Ereignisknotennetze werden fiir spezielle Aufgaben aufgestellt; ihnen kommt in erster

Linie fiir Ubersichtsnetzplane Bedeutung zu. In der Praxis werden nicht selten sowohl
Vorgange (Pfeile) als auch Ereignisse (Knoten) im Netzplan dargestellt (gemischh
orientierte Netzplane). CPM und PERT gestatten die Berechnung solcher gemischtori-
entierten Netzplane ohne besondere Schwierigkeiten.
3.3.2.4 Vorgangsknotennetzplane
1m Gegensatz zu CPM werden die Vorgange beim Vorgangsknotennetzplan nicht
durch Pfeile symbolisiert, sondem durch rechteckige Knoten. Vorgangsknotennetz-
plane gehen davon aus, dass eine Reihe von Vorgangen bereits beginnen kann, bevor
ihre Vorganger beendet sind; es geniigt ein bestimmter Fertigstellungsgrad der Vor-
ganger. Danach muss ein Vorgang lediglich begonnen sein, bevor der Nachste starten
kann. Bei Vorgangsknotennetzplanen geben die Pfeile lediglich die Abhangigkeitsbe-
ziehungen der Vorgange (Reihenfolgebedingungen) an. Wiihrend es sich bei den Ab-
hangigkeitsbeziehungen in den friihen Vorgangsknotennetzplanen (z.B. MPM: Metra-
Potenzial-Methode) urn Anfang-Anfang-Beziehungen handelte, d.h. zwei aufeinan-
der folgende Vorgange werden nach der Start-Startkopplung verkniipft, gewinnen mit
Aufkommen der Projektplanungssoftware die Vorgangsnetzplane mit Ende-Anfang-
Beziehungen an Bedeutung.
Abweichungen in den Darstellungsformen ergeben sich aus den speziellen Moglich-
keiten von Vorgangsknotennetzen. Bei Vorgangsknotennetzen stellt man all den Vor-
gangen, die nicht innerhalb des untersuchten Projektes yom Beginn weiterer Vorgan-
ger abhangig sind, einen Scheinvorgang "Start" voran; analog wird den Vorgangen
ohne weitere Nachfolger ein Scheinvorgang "Ende" nachgeordnet (vgl. Abbildung 3-9,
S. 158). Diese beiden Scheinvorgange haben jedoch nicht etwas mit der Projektlogik zu
tun, wie es bei den Scheinvorgangen nach CPM der Fall ist, sondem sie ergeben sich
156
Strukturplanung
3.3
allein aus einer rechentechnischen Vereinfachung. Sie sind auch nur dann notwendig,
wenn sonst mehrere Vorgange am Anfang oder am Ende des Netzplanes isoliert wfu-
den. 1m Ubrigen stimmen die Darstellungsregeln von Vorgangsknotennetzplanen mit
denen von CPM und PERT iiberein. So sind beispielsweise auch hier Zyklen mit posi-
tiver Lange nicht moglich.
3.3.2.5 GegenUberstellung der Netzplantypen

Die Vorgangsknotennetze haben gegeniiber den Vorgangspfeilnetzen Vorziige:
• Bei einem Vorgangsknotennetz konnen in einem Knoten aIle wichtigen Informati-

onen, die den Vorgang betreffen, aufgenommen werden, z.B. Beschreibung des
Vorgangs, Vorgangsnummer, Dauer des Vorgangs, friihester und spatester Anfang
bzw. Ende des Vorgangs, Pufferzeiten des Vorgangs, kostenrechnerische und ka-
pazitatsbezogene Angaben. Diese Angaben lassen sich in einem Vorgangsknoten-
netz noch unterbringen, ohne dass der Netzplan uniibersichtlich und damit unles-
bar wird. In einem Vorgangspfeilnetz ist dies kaum realisierbar.
• Abgesehen von "Start" und "Ende" kommt das Vorgangsknotennetz vollkommen

ohne Scheinvorgange aus, wahrend die Vorgangspfeilnetze aus Griinden der Pro-
jektlogik mit Scheinvorgangen arbeiten miissen. Dieser Umstand kann bei um-
fangreichen Projekten mit komplexen Ablaufstrukturen die Ubersichtlichkeit des
Netzplanes beeintrachtigen.
• Die gangige Netzplansoftware arbeitet mit Vorgangsknotennetzplanen.

• Anderungen im Netzplan lassen sich in einem Vorgangsknotennetz einfach und
schnell durchfiihren. Sind z.B. in einem bereits gezeichneten Netzplan Fehler auf-
getaucht oder haben sich nachtraglich andere Reihenfolgebeziehungen herausge-
stellt, so ist es in einem Vorgangsknotennetz ohne weiteres moglich, durch Weg-
nahme bzw. Hinzufiigen von Pfeilen den Netzplan zu berichtigen. Dieses
Argument gilt auch in der Arbeit mit Computersoftware: Ein im Layout manuell
bereits veranderter Netzplan muss bei kleinen A.nderungen nur mit geringem
Aufwand iiberarbeitet werden. Bei Vorgangspfeilnetzen ist eine derartige Anpas-
sung sehr aufwandig. Gewohnlich wird es sich bei einer derartigen A.nderung in
einem Netzplan nach CPM nicht vermeiden lassen, dass Teile des Netzplans neu
gezeichnet werden miissen.
Vorgangsknotennetze lassen sich einfacher und schneller zeichnen als Vorgangs-

pfeilnetze. Beim Zeichnen von Vorgangsknotennetzen konnen einige Organisati-
onsmittel eingesetzt werden. Urn den Zeichenaufwand gering zu halten, lassen
sich "Entwurfsbogen" verwenden, die mit einer groBeren Zahl von Knoten ("Vor-
gangsknoten") bedruckt sind. Beim ersten Entwurf des Netzplans werden dann
geeignete Knoten benutzt und durch die die Abhangigkeiten darstellenden Pfeile
verbunden:
157
Abbildung 3-9: Entwurfsbogen m itVorgangsknotennetz for Teilprojekt I aus Tabelle 3-1
- - r- ~ 5
t - - Ii
.= il r-
- t~
~.&:
-
il .!!
r- r- r- ill! r-
.$~ ~~ --
0 ._
f- I- - c:S
::J: - I I-- I- - o
>
u
. ~
0
15..
"'0 : :
c
UJI-
u
-
.. 1
r- ] 6
-
l- t- l- I- I--
ii il 6
il
l]g t - ] .!1
f- I- "" g l- t-
::I
-<.&: ~l
I- 61- I- .l: 6 l-
0 UJ
I t- l.l]
0 ..
.E
..c: ...
r- f-
ll-
~~
~~l-
,. I :z.
~ ~~
- -=lg r-
~
c
,
.- r- ... g -
.~ l
:I .-
- r-
J! v f-
r- .g e
en E
-
r- ..c:; v r-
,. ~
l- f-
r- ,.-.
u 0
I f-
f-
r-
I-
I-
j .~
... 5 I-
ell
I--
el:
v 6 t- t- l- f- I-
I ~
~ 6
~.a l - ~=
I-- I--
.~ I- :Ii l:! I-
f-
§
... ~]
-< CD
I t- t- r- .l: 6 r-
~ -
r- - - ..c:~
:c ~ -
o ·v
I- r- t- f- I-- f- I -.
~ ~
l- f- r- "\ r- t- r-
158
Strukturplanung 33
•
3.3.3 Nummerierung der Knoten

Die Knoten bzw. Ereignisse sind in den CPM-Netzplanen (mit natiirlichen) Zahlen zu
nummerieren. Bei der Nummerierung darf keine Zahl doppelt vorkommen, d.h. aIle
Knoten mussen verschiedene Zahlen zugewiesen bekommen. Einige Methoden der
Knotennummerierung sollen kurz vorgefiihrt werden.
3.3.3.1 WillkUrliche Nummerierung

Den Knoten werden beliebige Zahlen zugeordnet. Dabei kann eine Zahl nur einmal
vergeben werden. Diese Moglichkeit der Nummerierung ist sehr einfach, aber unsys-
tematisch; sie bietet wenig Kontrollmoglichkeiten.
3.3.3.2 Aufsteigende (systematische) Nummerierung

Bei der aufsteigenden (systematischen) Nummerierung erhiilt das Anfangsereignis
jedes Vorgangs eine niedrigere Zahl zugeordnet als das Endereignis. Bezeichnet man -
wie allgemein ublich - die Nummer des Anfangsereignisses eines Vorgangs mit i und
die Nummer des Endereignisses mit j, so gilt i < j.
3.3.3.3 LUckenlos aufsteigende Nummerierung

Sie verlangt uber die aufsteigende Nummerierung hinaus, dass mit der Zahl ,,1" be-
ginnend, genau so viel forllaufende natiirliche Zahlen (luckenlos) als Knotennum-
mem vergeben werden, wie der Netzplan Knoten hat. Bei n Knoten eines Netzplans
hat das Startereignis die Nummer ,,1" und das Zielereignis die Nummer "n". Fur die
aufsteigende oder luckenlos aufsteigende Nummerierung gibt es mehrere Verfahren.
Ein Verfahren, bei dem die liickenlos aufsteigende Nummerierung im Netzplan vor-
genommen wird und das auf FULKERSON zUrUckgeht (Wegner, F. E. H., 1972, S. 8 f.),
solI anhand des Beispiels (Teilprojekt I) erorlert werden (vgl. Abbildung 3-8):
Abbildung 3-10: Lucken/os aufsteigende Nummerierung der Ereignisse von Tei/projekt I
Das Startereignis erhalt Nummer ,,1". "Entfemt" man nun durch Durchstreichen aIle
Vorgange, die yom Startereignis ausgehen, dann bleibt ein "Restnetzplan" ubrig. Der
159
"Restnetzplan", den ' man durch Streichen von A und B erhalt, hat nun wieder ein
"Startereignis". Dieses neue "Startereignis" erhalt die nachstfolgende Knotennummer,
also ,,2". Jetzt werden alle Vorgange, die von Knoten 2 ausgehen, gestrichen (C und
Scheinvorgang). Es ergeben sich rur den neuen "Restnetzplan" zwei Ereignisse, von
denen nur Vorgange abgehen (Abbildung 3-10). Die beiden nachstfolgenden Num-
mem ,,3" und ,,4" konnen beliebig rur diese beiden neuen "Startereignisse" gewahlt
werden.
Ais Nachstes waren wieder die von Ereignis 3 und 4 ausgehenden Vorgange zu strei-
chen und das neue "Startereignis" des neuen "Restnetzplanes" zu bestimmen (im
Beispiel 5) usw. bis das Zielereignis erreicht ist.
Dieses Nummerierungsverfahren der Knoten des Netzplans hat u.a. den wesentlichen
Vorteil, dass es eine sichere Kontrolle damber enthalt, ob Schleifen bzw. Zyklen im
Netzplan enthalten sind.
Durch die Nummerierung der Knoten des Netzplans ist es moglich, jeden Vorgang "
durch das geordnete Zahlenpaar "i, j" (Nummer des Anfangs- und Endereignisses des
Vorgangs) zu kennzeichnen. Allgemein spricht man vom Vorgang ,,(i, j)" und meint
damit den Vorgang der in i beginnt und in j endet.
Ohne Probleme kann der Algorithmus zur Nummerierung der Knoten auch auf PERT-
und Vorgangsknotennetzplane ubertragen werden.
3.4 Zeitplanung
Bei der Zeit- oder Terminplanung eines Projektes geht es vor allem um die Beantwor-
tung folgender Fragen:
• In welcher Zeit ist das Projekt realisierbar - minimale Projektdauer - oder: kann
rur die Fertigstellung des Projektes ein vorgegebener Terrnin eingehalten werden?
• 1m Netzplan existieren Vorgange bzw. Wege, die parallel, also gleichzeitig, durch-
gefiihrt werden konnen. Diese parallelen Vorgange bzw. Wege mussen nun aber
nicht die gleiche Ausfiihrungsdauer haben. Dann hangt aber auch die minimale
Projektdauer nicht von allen Vorgangen bzw. Wegen abo Die zweite Frage lautet:
Von welchen Vorgangen hangt die minimale Projektdauer ab, und zu welchen
Zeitpunkten mussen diese bei der errechneten oder vorgegebenen Projektdauer
beginnen? Dies ist zugleich die Frage nach dem kritischen Weg durch einen Ne.tz-
plan. Hiervon leitet sich auch die Bezeichnung "CPM" abo Ais kritischen Weg
durch einen Netzplan bezeichnet man diejenige Folge von Vorgangen, von denen
die minimale Projektdauer abhangt (kritische Vorgange). Nicht immer gibt es nur
einen kritischen Weg in einem Netzplan.
160
Zeitplanung
3.4
• AIle Vorgange im Netzplan, die nicht auf einem kritischen Weg liegen, sind in ihrer
Durchfuhrung nicht streng termingebunden. Sie k6nnen zeitlich verschoben oder
ihre Ausfiihrungsdauer ausgedehnt werden, ohne dass dadurch die errechnete 0-
der vorgegebene minimale Projektdauer tangiert wird. Die dritte Frage lautet: Wel-
che Vorgange sind nicht streng termingebunden (nichtkritische Vorgange), son-
dem k6nnen zeitlich verschoben oder ausgedehnt werden und wie weit? Es stellt
sich also die Frage nach den Pufferzeiten).
Fiir die Beantwortung dieser und weiterer Fragen ist es notwendig, zunachst die fur
die einzelnen Vorgange erforderlichen Ausfiihrungszeiten zu ermitteln. Der eigentli-
chen Zeitplanung muss also eine Zeitanalyse vorausgehen. Durch die Zeitanalyse mit
Zuordnung von Ausfiihrungszeiten zu den Vorgangen erfolgt (graphentheoretisch)
eine Bewertung des Netzplanes (Graphen).
3.4.1 Zeitanalyse
Die Ermittlung bzw. Schatzung der Vorgangsdauem ist ein schwieriges Problem. Fiir
jeden Vorgang wird eine Dauer bestimmt, die gemessen, geschatzt oder auf Grund
vorhandener Erfahrungen als realistisch vorgegeben wird. Bei Fremdleistungen k6n-
nen verbindliche Zusagen iiber Liefer- oder Ausfiihrungszeiten von Vorgangen durch
Dritte vorliegen, die dann als Vorgangsdauem verwendet werden k6nnen. Da die
Brauchbarkeit der Ergebnisse aus der Zeitplanung in hohem M~e von der Qualitat
der Eingabedaten abhangt, kommt der Zeitanalyse eine groBe Bedeutung zu.
Bei der Ermittlung der Vorgangsdauem sollte auf das Wissen und die Erfahrungen der
mit der Projektdurchfuhrung betrauten Mitarbeiter zuriickgegriffen werden. Dabei ist
aber insofem Vorsicht geboten, als von dieser Seite her oft zu groBziigige Schatzungen
erfolgen. Die Betroffenen wollen sich auf diese Weise eine Zeitreserve verschaffen. Es
herrscht daher weitgehend Ubereinstimmung, dass innerhalb eines Untemehmens die
Abteilung Arbeitsvorbereitung fur die Zeitermittlung mit heranzuziehen ist.
Die Vorgangsdauer ist oft von Qualitat und Umfang der eingesetzten Kapazitaten
(Arbeitskrafte, Betriebsmittel) abhangig. Deshalb erfolgt z.B. vielfach die Schatzung
des Zeitbedarfs, den eine Person (oder Maschine etc.) fur die Ausfiihrung des Vor-
gangs ben6tigen wiirde. Das Ergebnis sind dann beispielsweise "Mann-Stunden",
"Maschinen-Stunden" u.a.
Die Ermittlung von Vorgangszeiten durch Mitarbeiter fiihrt zu subjektiven Einfliissen
auf die Ergebnisse. Das Unsicherheitsproblem wird bei vielen Verfahren der NPT
nicht beriicksichtigt. Man arbeitet dann mit einem Zeitwert fur jeden Vorgang (Einzei-
tenschatzung). Vorgangspfeil- und Vorgangsknotennetzplane sowie die darauf basie-
renden Verfahren verwenden Einzeitenschatzungen.
161
Bei PERT wird beriicksichtigt, dass die Ausfiihrungsdauer eines Vorgangs (i, j) nicht
eindeutig ist, sondem dass dafiir eine Wahrscheinlichkeitsverteilung existiert. Zur
Errnittlung der Wahrscheinlichkeitsverteilung bedient man sich bei PERT des Drei-
Werte-Verfahrens (Hillier, F.S., Lieberman, G.J.,2001, S. 486 ff.):
• Die wahrscheinlichste Vorgangsdauer - ND(i,j) - ist die Zeit, die unter normalen
Bedingungen fur die Ausfiihrung eines Vorgangs benotigt wird (h1iufigster Wert
der Verteilung bei Wiederholungen).
• Die pessimistische Vorgangsdauer - PD(i,j) - ist die Zeit, die unter schlechtesten
Bedingungen benotigt wird (1 % Eintrittswahrscheinlichkeit).
• Die optimistische Vorgangsdauer - OD(i,j) - ist die kfuzestmogliche Ausfiihr-

ungszeit (ebenfa1ls 1 % Eintrittswahrscheinlichkeit).
Aus den drei Zeitsch1itzwerten errechnet man nach einer aus der Betaverteilung abge-
leiteten Formel fur jeden Vorgang (i,j) die erwartete Zeitdauer - ED(i,j) - und aus den
Differenzen zwischen PD (i,j) und OD (i,j) Varianzen - VAR D(i,j) - der erwarteten
Vorgangszeiten:
Ausfiihrungsdauer eines Vorgangs (i,j) (Erwartungswert bzw. gewogenes arithmeti-
sches Mittel):
ED(i,j) = OD(i,j)+ 4N~(i,j)+ PV(i,j)
Varianz der Wahrscheinlichkeitsverteilung der Ausfiihrungsdauer eines Vorgangs (i,j)

(StreuungsmaB):
VAR D(i,j) = (PD(i,j):OD(i,j)r
Die Beziehungen zwischen ED(i,j) bzw. VAR D(i,j) und OD(i,j), ND(i,j), PD(i,j) ergeben
sich aus den Eigenschaften der unterstellten Betaverteilung; diese Verteilung ist als die
am besten geeignete fur die Wahrscheinlichkeitsverteilung der Vorgangsdauem aus-
gewahlt worden. Dabei muss festgestellt werden, dass bisher weder ein empirischer
Nachweis dieser Verteilungsfunktion gelungen ist, noch eine theoretische Ableitung
hierfUr erfolgte. Daher wurde versucht, durch moglichst genaue Beschreibung der
besonderen Eigenschaften der Vorgangsdauerverteilung eine adaquate bekannte
Funktion zu finden. Zum einen ist jede Vorgangsdauer zunachst dadurch beschrieben,
dass sie keine negativen Werte annehmen kann und mithin die Verteilungsfunktion
nur fur ein abgeschlossenes, nichtnegatives Intervall erklart sein darf. Zum anderen
wird unterstellt, dass Vorgangsdauem nur urn einen Wert - ND(i,j) - streuen, die
Wahrscheinlichkeitsverteilung also eingipflig ist. Drittens ist fur die Zeit (als einem
stetigen Merkmal) von einer stetigen Verteilung auszugehen (Bergen, R., Bubolz, P.,
1974, S. 92 f.).
162
Zeitplanung 34
•
SchlieBlich lassen sich - bei Unterstellung einer Normalverteilung fur die Termine der
Ereignisse - Wahrscheinlichkeiten fur das Einhalten vorgegebener Termine berechnen
(vgl. Wille, H. u.a., 1972, S. 51 ff.; Bergen, R., Bubolz, P., 1974, S. 92 ff.; Runzheimer, B.,
1979, S. 755 ff.; Wegner, F.E.H., 1972, S. 39 ff.; Hassig, K., 1979, S. 45 ff.; Schwarze, J., 2001,
S. 186 ff.).
Die Mehrzeitenschatzung erfordert naturgemaB einen groBeren Aufwand als die

Einzeitenschatzung. Diese Schatzwerte des Drei-Werle-Verfahrens mussen jedoch
nicht notwendig den Werten entsprechen, mit denen sie nach den wahrscheinlichkeits-
theoretischen Grundlagen ubereinstimmen sollten. Das Unsicherheitsproblem wird
durch die Mehrzeitenschatzung nicht ausgeschaltet, wohl aber offen gelegt.
3.4.2 Zeitplanung mit CPM

Sind die fur die Zeitplanung erforderlichen Daten verfugbar, kann die Zeitberechnung
beginnen.
3.4.2.1 Ermittlung des kritischen Weges

Da ein Projekt erst dann abgeschlossen ist, wenn aIle Vorgange realisiert sind, wird die
minimale Projektdauer durch den zeitlich gesehen langsten Weg durch den Netz-
plan (= kritischer Weg) bestimmt. Dabei wird nicht jeder Weg im Einzelnen betrachtet,
denn bei groBen Projekten gibt es so viele Wege, dass man auch beim Einsatz von
Computem nicht samtliche Wege yom Startereignis bis zum Zielereignis durchlaufen
und jeweils die Weglange (Gesamtdauer) berechnen sollte. Man hat daher ein zweck-
maBigeres Verfahren entwickelt, bei dem man fur jeden Vorgang (i,j) seinen friibest-
moglichen Anfang FA (i,j) sowie seinen spatestzulassigen Anfang SA (i,j), sein spa-
testzulassiges Ende SE (i,j) und sein friihestmogliches Ende FE (i/j) berechnet.
Zugleich ergibt sich fur jedes Ereignis G) der friihestmogliche Zeitpunkt seines Ein-
tretens (kurz: friihester Ereignis-Zeitpunkt) FZG) und der spatestzulassige Zeitpunkt
seines Eintretens (kurz: spatester Ereignis-Zeitpunkt) SZG).
Wird die Dauer eines Vorgangs (i,j) mit D(i,j) bezeichnet, so lassen sich FA(i,j) bzw.
FZG) und damit die minimale Projektdauer formal nach der folgenden Rekursionsbe-
ziehung - die sich auch unter Anwendung der dynamischen Planungsrechnung herlei-
ten lasst (vgl. Gaede, K.-W, Heinbold, J., 1976, S. 15 f.; Lutz, M., 1998, S. 213 ff.; Wasie-
lewski, E.v., 1975, S. 67 ff.) - errechnen (Vorwarlsrechnung):
FZ(I) = 0
FZG) = max [FZ(i) + D(i,j)] i e {Vorganger O)}; j e {Nachfolger (i)}
I
163
3
Als Projektbeginn FZ(l) wird iiblicherweise der Zeitpunkt 0 vorgegeben. Man kann
aber auch jeden beliebigen anderen Wert wahlen. Bei liickenlos aufsteigender Num-
merierung der Ereignisse erfolgt die Bestimmung des friihestmoglichen Ereignis-
Zeitpunktes FZQ) wie folgt:
1. Man bestimmt aIle Vorgange (i,j), die in Ereignis 0) einmiinden
2. Fiir jeden einmiindenden Vorgang wird das friihestrnogliche Ende FE(i,j) berech-
net: FE(i,j) = FA(i,j) + D(i,j). Der friihestrnogliche Anfang des Vorgangs (i,j) stimmt
mit dem friihestmoglichen Ereignis-Zeitpunkt des Ereignisses (i) - des Anfangser-
eignisses - iiberein: FA(i,j) = FZ(i). Mithin gilt auch: FE(i,j) = FZ(i) + D(i,j). Urn die
Berechnungen im Netzplan iibersichtlich zu halten, konnen die FE(i,j) an den Pfeil-
spitzen im Netzplan vermerkt werden (vgl. Abbildung 3-12).
3. Von den unter (2) bestimmten FE(i,j) aller einmiindenden Vorgange ist der groBte
Wert der gesuchte friiheste Ereignis-Zeitpunkt FZO) fur das Ereignis 0). Das ergibt
sich daraus, dass ein Ereignis erst eintritt, wenn aile einmiindenden Vorgange ab-
geschlossen sind.
Der friiheste Ereignis-Zeitpunkt fur das Zielereignis FZ(n) entspricht fur den gegebe7
nen Netzplan der minimalen Projektdauer. Sind die Ereignisse nicht liickenlos auf-
steigend nummeriert, miissen obige Iterationsschritte nur leicht abgeandert werden:
Man wahlt dann in Schritt (1) als nachstes das zu bearbeitende Ereignis j aus, zu dem
fur aIle Vorgangerereignisse die friihesten Zeitpunkte FZ(i) bereits bestimmt wurden
(Schwarze, J., 2001, S. 179).
Solange Netzplane manueIl bearbeitet werden, erfolgen die Berechnungen am Netz.
Deshalb werden an jeden Pfeil die entsprechenden Vorgangsdauem D(i,j) und in jeden
Knoten die Ereigniszeitpunkte geschrieben. Dazu werden die Knoten entsprechend
unterteilt:
Abbildung 3-11: Angaben im Netzplan bei manueller Bearbeitung
(iJ) FE(ij)
D(iJ)
Fiir das Teilprojekt I des Projektbeispiels (vgl. Abbildung 3-10 und TabeIle 3-1) ergeben
sich durch Vorwartsrechnung folgende Zeitwerte:
164
Zeitplanung
3.4
Abbildung 3-12: Bestimmung der jruhesten Ereignis-Zeitpunkte
J 4.
J 4.
Mit der unter den gegebenen Voraussetzungen errechneten minimalen Projektdauer

FZ(14) von 64 Arbeitstagen filr das Teilprojekt I (Rohbauerstellung) liegt eine erste
wichtige Information filr die Zeitplanung vor. 1st die erwiinschte Projektdauer kiirzer
als die errechnete, sind sicherlich Anpassungen erforderlich. 1m umgekehrten Fall
kann eventuell durch Verli:ingerung dieses Projektes die Beseitigung einer Engpasssi-
tuation bei anderen Vorhaben erreicht werden. Dies alles sind Betrachtungen iiber die
hochstens zulassige Projektdauer bzw. iiber den spatestzulassigen Zeitpunkt des Ziel-
ereignisses. Hat man iiber diesen Zeitpunkt keine Vorgabe, dann wird man in der
Regel das Projekt in der kiirzestmoglichen Zeit realisieren wollen. Das bedeutet, dass
der spatestzulassige Zeitpunkt des Zielereignisses SZ(n) mit dem friihestmoglichen
Zeitpunkt des Zielereignisses FZ(n) gleichgesetzt wird - FZ(n) = SZ(n) -.
Hiemach sind filr aile iibrigen Ereignisse (i) innerhalb des Netzplanes die
spatestzulassigen Ereignis-Zeitpunkte SZ(i) zu bestimmen. Dies ist gleichbedeutend
mit der Beantwortung der Frage: Wann muss das Ereignis (i) spatestens eingetreten
sein, wenn bei planmaBiger Projektdurchfi.ihrung die errechnete (oder vorgegebene)
minimaIe Projektdauer eingehalten werden solI? Diese Berechnung entspricht
derjenigen bei der Ermittlung der friihestmoglichen Ereigniszeitpunkte mit dem
Unterschied, dass nUflffiehr vom Zielereignis ausgehend die Berechnungen riickwarts
im Netzplan erfolgen (Riickwartsrechnung).
Denn ein beliebiges Ereignis tritt nur dann so spat wie moglich ein, sofem samtliche
ihm im Netzplan unmittelbar und mittelbar vorangehenden Vorgange noch zum spa-
testzulassigen Zeitpunkt realisiert werden. Formal ergeben sich die wiederum rekur-
siven Beziehungen:
165
3
SZ(n) = FZ(Ii.)
SZ(i) = min [SZG) - D(i,j)] i e {Vorganger O)}; j e {Nachfolger (i)}
Hat man die Ereignisse liickenlos aufsteigend nummeriert und den spatestzulassigen
Zeitpunkt fUr das Eintreten des Zielereignisses vorgegeben, so erfolgt die Bestimmung
des spatestzulassigen Ereignis-Zeitpunktes SZ(i) wie folgt:
1. Es werden alIe Vorgange (i,j) bestimmt, die von dem Ereignis (i) abgehen.
2. Fiir jeden abgehenden Vorgang wird der spatestzulassige Anfang SA(i,j) berechnet:
Das spatestzulassige Ende des Vorgangs (i,j) stimmt mit dem spatestzulassigen
Zeitpunkt fUr das Endereignis dieses Vorgangs SZG) iiberein:
SE(i,j) = SZG)
Mithin gilt auch:
SA(i,j) = SZO) - D(i,j)
Urn die Berechnungen im Netzplan iibersichtlich zu halten, konnen die SA(i,j) an
den Pfeilschaften im Netzplan vermerkt werden (vgl. Abbildung 3-13, S. 167).
3. Von den unter (2) bestimmten Werten SA(i,j) alIer abgehenden Vorgange ist der
kleinste der gesuchte spatestzulassige Ereignis-Zeitpunkt SZ(i) fUr das Ereignis (i).
Das ergibt sich daraus, dass ein Vorgang erst dann beginnen kann, wenn sein An-
fangsereignis eingetreten ist.
Auch hier lasst sich der Algorithmus fUr nicht liickenlos aufsteigend nummerierte
Ereignisse anpassen: Man wiihlt in Schritt (1) als nachstes das zu bearbeitende Ereignis
i aus, fUr das die spatesten Zeitpunkte aller Nachfolgereignisse SZO) bereits bestimmt
wurden (Schwarze, J., 2001, S. 181). Fiir das Projekt (vgl. Tabelle 3-1und Abbildung 3-8)
ergeben sich folgende Ereigniszeitpunkte: (s. Abbildung 3-13)
Die Berechnung der spatestzulassigen Ereigniszeitpunkte beginnt mit dem Zielereig-
nis und richtet sich in der Reihenfolge nach abnehmenden Ereignisnummem. Es ist zu
beachten, dass mit der Ermittlung der Ereigniszeitpunkte im Netzplan gleichzeitig
auch die fUr die Vorgange zu bestimmenden Zeitpunkte berechnet wurden.
Vergleicht man die friihestmoglichen und die spatestzulassigen Ereigniszeit-

punkte, so stellt man fest, dass au15er fUr das Start- und Zielereignis auch noch fUr
weitere Ereignisse hier Ubereinstimmung besteht. Diese Ereignisse miissen also zu
genau festgelegten Zeitpunkten eintreten (kritische Ereignisse). Sie sind "kritisch" in
dem Sinne, dass jede Uberschreitung des errechneten Zeitpunktes zu einer Verlange-
rung der minimalen Projektdauer fiihrt.
166
Zeitplanung
3.4
Abbildung 3-13: Bestimmung der Ereigniszeitpunkte flir das Projektbeispiel
167
Bei einigen anderen -Ereignissen (in realistischen Projekten sind es die meisten) stim-
men FZG) und SZG) nicht uberein, d.h. die Eintrittszeitpunkte sind hier verschieden.
Der Zeitpunkt fur das Eintreten dieser Ereignisse ist dann nicht genau festgelegt. Er
kann mit FZG) oder mit SZG) ubereinstimmen oder irgendwo dazwischen liegen. Die
Differenz zwischen spatestzuHissigem und friihestmoglichem Zeitpunkt fUr den Ein-
tritt eines Ereignisses gibt den zeitlichen Spielraum an, in dem dieses Ereignis eintre-
ten muss, wenn die geplante rninimale Projektdauer eingehalten werden soli. Diese
Differenz wird gesamte Pufferzeit eines Ereignisses GPEG) genannt:
GPEG) = SZG) - FZG) j = 1, 2, ..., n
Je geringer diese Differenz ist, urn so mehr Bedeutung kommt dem entsprechenden
Ereignis im Rahmen der Projektiiberwachung zu. Bei kritischen Ereignissen ist der
gesamte Ereignispuffer GPEG) = 0.
1m Beispiel von Abbildung 3-13 wurde das Zielereignis dadurch kritisch gemacht,
dass der Zeitpunkt fUr das friihestmogliche Eintreten mit dem fUr das spatestzulassige.
Eintreten gleichgesetzt wurde - FZ(n) = SZ(n) -.
Nach diesem ublichen Vorgehen muss daher in dem Netzplan eine Folge (oder auch
mehrere Folgen) von kritischen Ereignissen entstehen. In dem verwendeten Beispiel
gehoren 17 Ereignisse zu dieser Folge: 1,3,5,6,7,9, 10, 11, 12, 13, 14, 15, 17,20, 21, 22,
23.
Da CPM eine vorgangsorientierte Methode ist, interessiert man sich vor aHem fUr die
Vorgange. Fur jeden Vorgang mochte man wissen, wann er friihestens beginnen bzw.
enden kann und wann er spatestens beginnen bzw. enden muss. Insbesondere werden
auch die kritischen Vorgange innerhalb eines Projektes bestimmt. Notwendige Be-
dingung fUr einen kritischen Vorgang ist, dass sowohl sein Anfangs- als auch sein
Endereignis kritisch sind. Hinreichende Bedingung ist jedoch erst, wenn auch die
Differenz zwischen den Zeitpunkten des Eintretens von End- und Anfangsereignis
gleich der Dauer des entsprechenden Vorgangs ist. Fur den kritischen Vorgang gilt
also:
FZG) - FZ(i) = D(i,j)
FZG) = SZG); FZ(i) = SZ(i)
Diese Definition gilt auch fUr die Scheinvorgange. Wie fUr die Ereignisse, so muss es in
jedem Netzplan auch mindestens eine Folge von kritischen Vorgangen geben. Diese
Folge wird kritischer Weg genannt. Sie stellt den zeitlich langsten Weg im Netz dar
und bestimmt darnit die minimale Projektdauer. In dem Beispiel (Abbildung 3-13, S.
167) ist der kritische Weg durch stark ausgezogene Pfeile besonders hervorgehoben.
Da der kritische Weg die Projektdauer bestimmt, eine Verzogerung bei kritischen Vor-
gangen sich unmittelbar in einer Verlangerung der Projektdauer niederschlagt - sofem
nicht eine anderweitige Beschleunigung von kritischen Vorgangen diesen Zeitverlust
168
Zeitplanung
kompensiert -, muss dem kritischen Weg bei der Projektrealisierung besondere Bedeu-
tung zukornrnen. Den kritischen Vorgangen ist daher auch irn Rahmen der Kapazi-
tatsplanung - zumal wenn bei Engpassfaktoren Prioritaten zu setzen sind - besondere
Aufrnerksarnkeit zu schenken. Voraussetzung dafiir ist aIlerdings die Kenntnis des
kritischen Weges. Das Problem der Zeit-Kostenplanung deutet sich hier an. Eine Be-
schleunigung der Projektrealisierung lasst sich irn AlIgemeinen nur mit erhohten
("Beschleunigungs-") Kosten der kritischen Wege erreichen.
Berechnet man die Ereigniszeitpunkte im Netzplan und tragt die Zwischenrechnun-
gen in der angegebenen Form an der Pfeilspitze bzw. am Pfeilschaft ein, so konnen die
Vorgangszeitpunkte wie folgt aus dem Netzplan abgelesen werden:
Abbildung 3-14: Vorgangszeitpunkte im Netzplan
SA(iJ) (ij) FE(ij)

D(ij)
Es bestehen narnlich folgende Beziehungen:
• FA(i,j) = FZ(i) i E {Vorganger O)}; j E {Nachfolger(i)}

FE(i,j) = FZ(i) + D(i,j)
• SA(i,j) = SZ(j) - D(i,j)
• SE(i,j) = SZm
Gesonderte Berechnungen entfallen damit. Die Differenz zwischen spatestzulassigem
Ende SE(i,j) und dem friihestrnoglichen Anfang eines Vorgangs FA(i,j) ist die Zeit, die
fur die Durchfiihrung eines Vorgangs (i,j) maximal zur Verfugung steht:
MZ(i,j) = SE(i,j) - FA(i,j) = SZO) - FZ(i)
Fur kritische Vorgange ist MZ(i,j) = D(i,j), d.h. die maximal verfUgbare AusfUhrungs-
zeit entspricht der Vorgangsdauer (gem. Vorgangsliste). Die Kenntnis von MZ(i,j)
kann von Bedeutung sein, wenn man aus irgendwelchen Grunden die Ausfiihrungs-
dauer eines Vorgangs ausdehnen will. Soll die rninimale Projektdauer eingehalten
werden, dann kann die Ausfiihrungsdauer maximal bis MZ(i,j) ausgedehnt werden.
169
3.4.2.2 Ermittlung und Interpretation der Pufferzeiten

Bei den nichtkritischen Vorgangen steht ein zeitlicher Spielraum zur Verfiigung, urn
den die Vorgange hinsichtlich Anfang und Ende verschoben werden konnen oder urn
den ihre Ausfiihrungsdauer ausgedehnt werden kann, ohne dass die minimale Pro-
jektdauer tangiert wird. Diesen zeitlichen Spielraurn nennt man Puffer bzw. Pufferzeit
oder auch Schlupf. Ein Vorgang besitzt immer dann einen Puffer, wenn MZ(i,j) >
D(i,j).
In der NPT werden im Wesentlichen vier verschiedene Arten von Puffer unterschieden
(Bergen, R., Bubolz, P., 1974, S. 59 ff.):
(1) Gesamte Pufferzeit eines Vorgangs GP(i,j)
GP(i,j) = MZ(i,j) - D(i,j) i e {Vorganger O)}; j e {Nachfolger(i)}
= SE(i,j) - FE(i,j)
= SZO) - FE(i,j)
= SA(i,j) - FA(i,j)
=SZO) - D(i,j) - FZ(i)

Diese GroBe gibt die Zeitspanne an, die fur die Verschiebung oder Ausdehnung des
Vorgangs maximal verfiigbar ist, ohne dass der minimale Projektabschluss beeintrach-
tigt wird. Rein rechnerisch besitzt jeder nichtkritische Vorgang einen gesamten Puffer.
Liegen mehrere nichtkritische Vorgange hintereinander, dann sind die "gesamten
Pufferzeiten" der auf diesem nichtkritischen Teilweg Iiegenden Vorgange nicht mehr
unabhangig voneinander. Eine Folge von Vorgangen wird dann Teilweg genannt,
wenn mit Ausnahme des zugehorigen Anfangs- und Endereignisses in jedem seiner
iibrigen Ereignisse nur jeweils ein Vorgang beginnt bzw. endet. Der gesamte Puffer
kann auf diesem nichtkritischen Teilweg nur einmal in Anspruch genommen werden.
Er ist gewissermaBen der Puffer des jeweiligen nichtkritischen Teilweges. Wird bei
einem Vorgang die gesamte Pufferzeit verbraucht, dann entsteht dadurch ein neuer
kritischer Weg. Man betrachtet daher die gesamte Pufferzeit besser ais einem Teilweg
zugehorig, anstatt sie einzelnen Vorgangen zuzuordnen.
(2) Freie Pufferzeit eines Vorgangs FP(i,j)
FP(i,j) = FZO) - FE(i,j) (i = 1, 2, ..., n - 1; j = 2, 3, ..., n)
= FZG) - D(i,j) - FZ(i)
= GP(i,j) - GPEO)
Eine freie Pufferzeit eines Vorgangs kann nur auftreten, wenn in das Endereignis des
Vorgangs noch andere Vorgange einmiinden und FZG) nicht durch den betrachteten
170
Zeitplanung
Vorgang bestimmt wird. Betrachtet man nur die in ein gemeinsames Endereignis ein-
miindenden Teilwege, so bedeuten unterschiedliche gesamte Pufferzeiten auf den
Teilwegen, dass fur die Realisierung der Vorgiinge auf einem Teilweg mit gro~erer
gesamter Pufferzeit mehr Zeit zur Verfugung steht als auf einem Teilweg mit geringe-
rer gesamter Pufferzeit. Wird diese mehr verfugbare Zeit beansprucht, so beeintrach-
tigt das nicht das Eintreffen des Endereignisses dieses Teilweges zum friihestmogli-
chen Zeitpunkt und auch nicht die gesamte Pufferzeit der anderen Teilwege. Das
besagt, dass der zeitliche Ablauf aller nachfolgenden Vorgiinge in keiner Weise beein-
flusst wird, wenn die freie Pufferzeit durch Ausdehnung der Vorgangsdauer oder
durch Verzogerung der Ausfiihrung verbraucht wird. Darin liegt die Bedeutung des
freien Puffers. Er kann in Anspruch genommen werden, ohne dass dadurch die FA(i,j)
der nachfolgenden Vorgiinge verschoben werden, und darnit die Flexibilitat in der
Zeitplanung des restlichen Projektes tangiert wird. Obwohl auch die freie Pufferzeit
samtlichen Vorgiingen des entsprechenden Teilweges zur Verfugung steht, teilt die
Berechnung sie nur einzelnen Vorgiingen zu, und zwar nur dem letzten Vorgang des
Teilweges.
(3) Unabhangige Pufferzeit eines Vorgangs UP(i,j)
Es liegt nahe, auch eine Pufferzeit fur einen Vorgang zu definieren, die auch unabhiin-
gig davon ist, zu we1chem Zeitpunkt die Vorgiinger dieses Vorgangs begonnen wer-
den. Die unabhiingige Pufferzeit tritt immer dann auf, wenn die Differenz zwischen
friihestmoglichem Eintreten des Endereignisses FZO) und spatestzulassigem Eintreten
des Anfangsereignisses SZ(i) gro~er als die Dauer des Vorgangs D(i,j) ist.
UP(i,j) = max {FZ(j)-S;W-D(i,j) i E {Vorgiinger (j)}; j E {Nachfolger(i)}
Die Bestimmungsgleichung fur UP(i,j) bedeutet, dass UP(i,j) = 0 ist, falls

FZO) - SZ(i) - D(i,j) ~ 0; sonst ist UP(i,j) = FZO) - SZ(i) - D(i,j).
Die Differenz FZO) - SZ(i) - D(i,j) kann also durchaus negativ sein, nur existiert dann
keine unabhiingige Pufferzeit (UP(i,j) = 0). Die unabhiingige Pufferzeit ist die Zeitdau-
er, urn den ein Vorgang auch dann noch ausgedehnt oder verschoben werden kann,
wenn aIle Vorgiingerereignisse von j zum spatestzulassigen Zeitpunkt und aIle Nach-
folgerereignisse von i friihestmoglich stattfinden. Durch seine Inanspruchnahme bleibt
der iibrige Zeitplan unberiihrt. Aus den gegebenen Definitionen der Vorgangspuffer-
zeiten lasst sich folgende Relation ableiten: GP(i,j) ~ FP(i,j) ~ UP(i,j)
(4) Bedingte Pufferzeit eines Vorgangs BP(i,j)
Urn diese Zeitspanne kann ein Vorgang ausgedehnt oder verschoben werden zu Las-
ten der nachfolgenden nichtkritischen Vorgiinge:
BP(i,j) = SZO) - FZO) = GPEO) i E {Vorganger O)}; j E {Nachfolger(i)}
171
I
QJ
bO
Von an!!: D(W SZ(i) Fz(D FNjj) SA(W FE(i,i) SE(W GRi.j) FP(i,i) UP@ BFni) IMZCi.i)
....
QJ KUl2be- =FZ(i) =SZ(j)
.SQJ zeich· (5)= (6)= (8)= (9)= (10)= (11)= (12) =
....
(/)
rrung M (1) (2) (3) (4) (7) -(1) (4) + (1) (I) (I) - (6) (3) - (6) (3) - (2) - (1) (I) - (3) (7)-(4) ~
.0
.;::: (oO) (*) ("') (*) (oO) ("')
QJ
'"tl
....
0..
....
(/)
A (1,2) 4 0 4 0 1 4 5 1 0 0 1 5 ~
~ ~ B (1,3) 5 0 5 0 0 5 5 krilisch 0 0 0 5
~
""- ~
...,'"'
t
.~ . ctJ
2 3
(/)
bO C (2,4) 1 5 5 4 6 5 7 2 0 0
g .!1 D (3,5) 2 5 7 5 5 7 7 krilisch 0 0 0 2
bO
.... .SQJ
e
.~ 0 0 0 2
E (5,6) 2 7 9 7 7 9 9 kririsch
~ 0... F (6,7) 16 9 25 9 9 25 25 krilisch 0 0 0 16
(/)
~ 3 1 9 32 ~
....
QJ
"<:! G (4,8) 20 7 28 5 17 25 37 12
.SQJ H (7,9) 12 25 37 25 25 37 37 krilisch 0 0 0 12
0
:>
.... ~ ~
.Ql ;:!
.: I (7,8) 3 25 28 25 34 28 37 9 0 0 9 12 QJ
(/)
N
....
<:!
J (9,10) 4 37 41 37 37 41 41 krilisch 0 0 0 4 (/)
].. :;::1
QJ
~~ K (10,11) 3 41 44 41 41 44 44 krilisch 0 0 0 3 S
;::I .....' ~ L (11,12) 16 44 60 44 44 60 60 krilisch 0 0 0 16 ~
~~
~ .: ....QJ
.... r:c
t+
.S '"""'
:~
~;:!
.:
M
N
(12,13)
(12,14)
4
3
60
60
64
64
60
60
60
61
64
63
64
64
krilisch
1
0
1
0
1
0
0
4
4
Cil
0..
rJl
....
<:! QJ
'"tl~
QJ ~ i:: P (14,15) 10 64 74 64 64 74 74 krilisch 0 0 0 10 (/)
QJ
...0'" .... Q (15,17) 2 74 76 74 74 76 76 krilisch 0 0 0 2 ;.a
'"tl '"'
"<:!
R (17,18) 10 76 86 76 95 86 105 19 0 0 19 29 ~
§ '"""'
.~
.:
QJ
.... :::F il S (17,20) 40 76 116 76 76 116 116 krilisch 0 0 0 40 ~
e;
~
bO
i=:' .'~ ~ T (14,16) 2 64 66 64 103 66 105 39 0 0 39 41
Q..
~ ~ oW
"-1
U (18,19) 5 105 91 86 105 91 110 19 0 0 19 24 ~
.Ql QJ
"'" (19,29) 110 116 91 114 93 116 23 23 4 0 25 is
(/)
.2: V 2
..c::
\J
<11 ~~ ~I
W
X
(16,22)
(19,21)
4
6
105
110
119
116
66
91
115
110
70
97
119
116
49
19
49
19
10
0
0
0
53
25
'"""'
t..-
~~ -
.....
c: '""l
Y (21,22) 3 116 119 116 116 119 119 krilisch 0 0 0 3
.9 ~
rJl II Z (22,23) 1 119 120 119 119 120 120 krilisch 0 0 0 1
.....~ .....QJ § ,Q
'"' N
z<11 0 (/) ~ ,....
t-.
Zeitplanuns
Die Berechnung derPufferzeiten kann in einer Tabelle (vgl. Tabelle 3-2 und Abbildung
3-13) erfolgen. In eine solche Tabelle tragt man alle bereits bekannten Zeitangaben ein,
also Vorgangsdauer und Ereigniszeitpunkte - Spalten (1), (2), (3), (4) und (7) -. Die
Ausfiihrungsdauem der Vorgange werden der Zeitanalyse, die Ereigniszeitpunkte
dem Netzplan (vgl. Abbildung 3-13) entnommen. AbschliefSend sei noch darauf hin-
gewiesen, dass die haufig vertretene Ansicht, die NPT minirniere die Projektdauer,
nicht zutreffend ist. Die Zeitplanung baut namIich auf einer festen Projektstruktur auf.
Fur genau diese feste Projektstruktur wird ein detaillierter Zeitplan erarbeitet. Das
schliefSt aber nicht aus, dass es andere Ablaufstrukturen desselben Projektes gibt, die
zu einer kiirzeren Projektdauer fiihren konnen. Urn die absolut kleinste Projektdauer
zu finden, musste man aIle denkbaren Projektablaufe untersuchen. Mit der NPT kann
man also immer nur eine minimale Projektdauer fUr eine gegebene Projektstruktur
ermitteln.
3.4.3 Zeitplanung mit Vorgangsknotennetzplanen
3.4.3.1 Grundlagen und Begriffsbestimmungen

Vorgangsknotennetze gestatten in ihrer allgemeinen Struktur die Darstellung ver-
schiedener Anordnungsbeziehungen zwischen den Vorgangen. Abbildung 3-15 zeigt
die vier zulassigen Arten von Anordnungsbeziehungen zwischen einem Vorganger i
und einem Nachfolger j.
Die vier zulassigen Anordnungsbeziehungen konnen sein:
• Ende-Anfang-Beziehung (EA)
• Anfang-Ende-Beziehung (AE)
• Ende-Ende-Beziehung (EE)
Anfang-Anfang-Beziehung (AA)
AIle vier dargestellten Beziehungen stellen Mindestabstande zwischen dem Vorganger
i und dem Nachfolger j dar. Bei der Darstellung in Abbildung 3-15a reprasentieren die
linke Seite des Knotenrechtecks den Vorgangsanfang und die rechte Seite des Knoten-
rechtecks das Vorgangsende.
In Abbildung 3-15b wird die weniger anschauliche Darstellungsform der vier mogli-
chen Anordnungsbeziehungen gezeigt, die ebenfalls in der Praxis anzutreffen ist. Bei
dieser Darstellungsform reprasentieren die Seiten der Knotenrechtecke keine Vor-
gangsereignisse. Die Art der Anordnungsbeziehungen wird hier durch die Buchstaben
A und E an den pfeilen symbolisiert.
173
Abbildung 3-15: Zuliissige Anordnungsbeziehungen bei einem Vorgangsknotennetz
a) AE
AA
I I I I
i EA
I I I I
EE i
b)
a) Ende-Anfang-Beziehung
Die einfachste Beziehung zwischen Vorgangen ist die "Ende-Anfang-Beziehung"
(EA). 1st i Vorganger von j, so kann j erst beginnen, wenn i abgeschlossen ist. Diese
Ende-Anfang-Beziehung wird (nach DIN 69900) "Normalfolge (NF)" genannt. Diese
Abhangigkeit gibt einrnal die Reihenfolge der Vorgange an, zum anderen beinhaltet
sie eine Aussage hinsichtlich der zeitlichen Reihenfolge. Die iibliche Ende-Anfang-
Beziehung driickt einen zeitlichen Mindestabstand zwischen dem Ende des Vorgan-
gers i und dem Anfang des Nachfolgers j aus. Vorgang j kann zwar erst beginnen,
wenn Vorgang i beendet ist, das Ende von i muss aber nicht mit dem Anfang von j
zusammenfallen; j kann demnach auch spater als das Ende von i beginnen. Diese En-
de-Anfang-Beziehung mit zeitlichem Mindestabstand - kurz: MINEA - ist die haufigste
Anordnungsbeziehung zwischen Vorgangen. Vorgangsknotennetze, die nur Abhan-
gigkeiten in dieser Form beriicksichtigen, heiBen "einfache Vorgangsknotennetze".
In einem Vorgangsknotennetz ist es nun moglich, einen zwei Knoten verbindenden
Pfeil, der die Abhangigkeit der den Knoten zugeordneten Vorgange darstellt, mit dem
zeitlichen Mindestabstand MINEA zu bewerten. Dieser Zeitabstand a(i,j) gibt an, wie
viel Zeit bei einer Abhangigkeit der Form MINEA mindestens zwischen dem Ende des
Vorgangers (Vorgang i) und dem Anfang des Nachfolgers (Vorgang j) liegen muss. Die
zeitlichen Abstande a(i,j) zwischen den Vorgangen i und j werden allgemein "Potenzi-
ale" genannt.
SolI z.B. in unserem Projektbeispiel (vgl. Tabelle 3-1) auf den Vorgang "FuBboden
betonieren" (i) der Vorgang "Innenwande hochziehen" G) folgen, so kann die dazwi-
174
Zeitplanung
schen notwendige "Abbindedauer des Fu15bodenbetons" mit 16 Tagen Zeitbedarf

durch a(i,j) = 16 beriicksichtigt werden (Abbildung 3-16a):
Abbildung 3-16: Zeitabstiinde bei einem Vorgangsknotennetz mit Ende-AnJang-Beziehung
a) Positives Potenzial
E j H I
• -.L
i FuBboden
- betonieren a(ij)= 16
Innenwande
hochziehen
I I
b) Negatives Potenzial
A I c I
Fundamente
~ ausschachten • ...l..- Streifenfun-
a( ij)=-3 dament bet.
I I
Bei einem Vorgangspfeilnetz (CPM) muss die "Abbindedauer des Fu15bodenbetons"

durch einen besonderen Vorgang (Pfeil F) beriicksichtigt werden (vgl. Abbildung 3-13,
S. 167). In einer Reihe von Hillen kann es sinnvolI sein, auch mit einem negativen Zeit-
abstand im Vorgangsknotennetz zu arbeiten (a(i,j) < 0). SolI es z.B. in unserem Projekt-
beispiel (vgl. Tabelle 3-1) mi:iglich sein, dass mit dem Vorgang "Streifenfundamente
betonieren" G) bereits begonnen werden kann, bevor der Vorgang "Fundamente aus-
schachten" (i) volIstiindig beendet ist, so hiingt der Nachfolger "Streifenfundamente
betonieren" G) zwar von dem Ende des Vorgiinger "Fundamente ausschachten" (i) ab,
der Beginn des Vorgangs j kann aber friiher liegen. Kann mit Vorgang j beispielsweise
schon drei Tage vor dem Ende des Vorgiingers i begonnen werden, so kann dies durch
den negativen Zeitabstand a(i,j) = -3 an dem entsprechenden Pfeil kenntlich gemacht
werden (vgl. Abbildung 3-16b). Wahrend ein positives PotenziaI einen zeitIichen Min-
destabstand (MiNEA: minimaIe Wartezeit zwischen dem Ende des Vorgiingers i und
dem Anfang des Nachfolgers j) bedeutet, gibt ein negatives Potenzial die maximale
Ubedappungszeit der beiden aufeinander folgenden Vorgiinge an. Die maximale
Ubedappungszeit ist die Zeit, in der die beiden betreffenden Vorgiinge langstens (zeit-
lich) paralIellaufen diirfen.
Ist an einem Pfeil kein Zeitabstand angegeben, so bedeutet dies formal a(i,j) = o. Be-
steht die Bedingung, dass bei zwei aufeinander folgenden Vorgiingen zwischen dem
Ende des Vorgiingers i und dem Anfang des Nachfolgers j nur ein maximaler Zeitab-
stand liegen darf, so besagt dies, dass der Nachfolger j spatestens a(i,j) Zeiteinheiten
nach dem Ende von Vorgang i beginnen muss. Dieser zeitliche Maximalabstand wird
durch MAXEA symbolisiert und wie folgt im Netzplan durch einen Pfeil in entgegen-
gesetzter Richtung mit einem negativen Potenzial dargestelIt:
175
Abbildung 3-17: Darstellung eines maximalen Zeitabstandes zwischen Vorgiingen
E I H 1
Fu13boden Beton
--'---
betonieren • -a(i,j)
~
g)litten
J I
In unserem Projektbeispiel miisste beispielsweise zwischen den Vorgangen "Beton fur

FuEboden anfahren" (i) und "Verteilen und Gliitten des FuEbodenbetons" G> ein MA-
XEA vorgegeben werden. Wiirde der vorgegebene maximale Zeitabstand zwischen
dem Ende des Vorgangers i und dem Anfang des Nachfolgers j iiberschritten, so wiir-
de der Beton schon so weit abgehrutet sein, dass man ihn nicht mehr geniigend gut
verteilen und gliitten k6nnte.
Abbildung 3-18: Bedeutung von Potenzialen bei MINEA bzw. MAXEA
Ende-Anfang a(i, j) > 0 a(i, j) =0 a(i,j) < 0
Mindestabstand
MIN EA
I I ~ !
(I ) :-'Iindcslahsrand
I
cB:)~ ,
I
(.1)
:-'Iaximalc
C hcrlarpung
Maximalabstand
MAXEA
~
I
(' )
;\I inimak
l'bcrlappun)! I
i$i JI
(5)
i rr ! I
(6) :\\aximalabsland
(1) Friihestens kann j beginnen, a(i,j) Zeiteinheiten nach dem Ende von i
(2) Friihestens kann j beginnen, 0 Zeiteinheiten vor dem Ende von i
(3) Friihestens kann j beginnen, a(i,j) Zeiteinheiten vor dem Ende von i
(4) j muss spiitestens a(i,j) Zeiteinheiten vor Beendigung von i beginnen
(5) j muss spiitestens mit Beendigung von i beginnen
(6) j muss spiitestens a(i,j) Zeiteinheiten nach Beendigung von i beginnen
Ein maximaler zeitlicher Abstand MAXEA zwischen dem Ende des Vorgangs i und
dem Anfang von Vorgang j mit dem Potenzial a(i,j) bedeutet, dass der friiheste Anfang
von Vorgang j (FAG» maximal a(i,j) Zeiteinheiten nach dem frUhesten Ende des Vor-
gangs i (FE(i» liegen darf:
176
Zeitplanung 34
•
FAG) ~ FE(i) + a(i,j) oder (umgeformt) FE(i) ~ FAG) - a(i,j)

Diese Bedingung entspricht also dem Minimalabstand zwischen dem Anfang von
Vorgang j und dem Ende von Vorgang i mit dem zeitlichen Abstand -a(i,j). Diese
Darstellungsart zeigt, dass die Maximalbedingung in eine Minimalbedingung
uberfiihrt werden kann. Dadurch brauchen bei der Durchfiihrung der Zeitplanung
nur Minimalbedingungen berucksichtigt werden. Vorangehende Abbildung fasst die
Bedeutung der Vorzeichen der Potenziale nochmals zusammen:
b) Anfang-Ende-Beziehung
Die "Anfang-Ende-Beziehung" (AE) wird (nach DIN 69900) "Sprungfolge (SF)" ge-
nannt. MlNAE bzw. MAXAE gibt den zeitlichen Mindest- bzw. Hochstabstand an, der
zwischen dem Anfang des Vorgangers i und dem Ende des Nachfolgers j liegt. Diese
Abhangigkeit kommt selten vor, so dass Netzplane auf der Basis der Anfang-Ende-
Beziehung nicht ublich sind.
c) Ende-Ende-Beziehung
Die "Ende-Ende-Beziehung" (EE) beinhaltet, dass ein unmittelbar nachfolgender
Vorgang j erst beendet werden kann, wenn der vorausgehende Vorgang i abgeschlos-
sen ist. Diese Beziehung wird (nach DIN 69900) "Endfolge (EF)" genannt. Die Zeitab-
stande werden analog mit MINEE bzw. MAXEE symbolisiert. Die Potenziale a(i,j)
konnen positiv, Null oder negativ sein.
Ein besonderes Vorgangsknotennetz mit Ende-Ende-Beziehung, in dem durch die
Knoten die Vorgangsenden dargestellt werden, verwendet die "Hamburger Methode
der Netzplantechnik (HMN)", eine deutsche Entwicklung, die 1966 fUr den Schiffsbau
erfolgte (Hiiger, W, Tschiersch, H.-G., 1976).
d) Anfang-Anfang-Beziehung
Eine letzte Beziehung zwischen Vorgangen ist die "Anfang-Anfang-Beziehung" (AA).
Diese Beziehung wird (nach DIN 69900) "Anfangsfolge (AF)" genannt. Die Metra-
Potenzial-Methode (MPM) arbeitet mit dieser Anfang-Anfang-Beziehung. Aus diesem
Grunde sollen die Moglichkeiten dieser Darstellungsform etwas eingehender erortert
werden. MINAA bedeutet, dass Vorgang j friihestens eine bestimmte Zeit a(i,j) nach
dem Anfang des Vorgangs i beginnen kann. MAXAA gibt an, urn wie viel Zeiteinhei-
ten a(i,j) ein Vorgang j spatestens nach dem Anfang des vorangehenden Vorgangs i
beginnen muss. Dabei konnen die Zeitabstande (die Potenziale) groBer oder gleich
Null sein.
Kann im obigen Projektbeispiel (Tabelle 3-1) mit dem Vorgang j "Streifenfundamente
betonieren" schon ein Tag nach dem Anfang des vorangehenden Vorgangs i "Funda-
mente ausschachten" begonnen werden, so kann MINAA im Netzplan wie folgt dar-
gestellt werden (a(i,j) = 1):
177
Abbildung 3-19: Positive/negative Potenziale zwischen Vorgiingen bei MPM-Netzpliinen
a (ijl - I
A I I c I I
r--i- Fundamcntc
ausschachtcn
Sircifcnfunda-
f-- mente bctonicrcn
I I I I
- 3 (1.]) -2
SolI sichergestellt werden, dass die ausgeschachteten Fundamente unverziiglich aus-

betoniert werden, urn zu verhindem, dass sie eventuell teilweise wieder zerst6rt wer-
den (z.B. durch Witterungseinfliisse), so miisste ein maximaler Zeitabstand MAXAA
zwischen dem Anfang des Vorgangs i IIFundamente ausschachten" und dem Anfang
des Vorgangs j IIStreifenfundamente betonieren" festgelegt werden. In Abbildung 3-19
ist MAXAA mit -a(i,j) = - 2 an dem Pfeil in entgegengesetzter Richtung dargestellt,
d.h. der Vorgang j muss spatestens zwei Tage nach dem Anfang des Vorgangers i be-
ginnen. Ein spezieller Fall wird beschrieben, wenn das positive Potenzial a(i,j) und das
negative Potenzial -a(i,j) an einem Pfeil in entgegengesetzter Richtung absolut den
gleichen Wert annehmen:
Abbildung 3-20: Positive und negative Potenziale bei einem MPM-Netzplan
a(i .j) - 5
B I I D I I
~ AnschlUssc
herSldlen
- Maschincnfunda·
mente bclon icrcn
I I I I
- a (1.]) - - 5
Dies bedeutet, dass mit dem Vorgang j unmittelbar im Anschluss an das Ende des
Vorgangs i (Dauer: D(i)=5) begonnen werden muss. Der Pfeil mit positivem Potenzial
allein kann diesen Sachverhalt nicht richtig wiedergeben, da er lediglich den zeitlichen
Minimal-Abstand MlNAA markiert. Abgesehen von dem Tatbestand, dass sich dieser
Sachverhalt stets fUr die kritischen Vorgange im Netzplan ergibt, wird diese Darstel-
lungsform immer dann n6tig sein, wenn technische oder organisatorische Umstande
eine derart enge Verkniipfung von Vorgangen bedingen. Da es bei dieser zeitlichen
Bedingung durchaus nicht notwendig ist, dass der Vorgang j unmittelbar Nachfolger
des Vorgangs i ist, lasst sich diese Bedingung auch fUr andere Sachverhalte verwen-
den, wie beispielsweise die zeitliche Abstimmung parallel verlaufender, sich aber
spater vereinigender Ablaufe:
178
Zeitplanung
Abbildung 3-21: Zeitliche Abstimmung parallel verlaufender Vorgiinge (MPM-Netzplan)
1 I I I I I
3 4 7
I I I 1 1
- 3(4.6) = -4
I I I
____~~5~ 6
-
I I I
In dem vorstehenden Netzplanausschnitt (Abbildung 3-21) stellt das negative Potenzi-

al -a(4,6) = -4 an dem Pfeil zwischen den Vorgangen i = 4 und j = 6 sicher, dass der
Vorgang 6 spatestens 4 Zeiteinheiten nach dem Anfang des Vorgangs 4 begonnen
werden muss. SchlieBlich kann bei einem Vorgangsknotennetz nach MPM eine Bezie-
hung zwischen dem spatestzulassigen Anfang eines Vorgangs j und dem "Projekt-
start" hergestellt werden:
Abbildung 3-22: Berechnung eines spiitestzuliissigen Anfang eines beliebigen Vorgangs
3 (0.2) = 0 3 (2 .4) = 4 3(4.7) = I
I i I I I I I I
0 7
- ..Su,.. ·
L..-. ~ Slcifcnfunda·
- r- mente belomc:rcn
Aulkn ..lIndc
....o-I---l hochzi<hcn
I I I I I I I I
- 3 (0.7) K- 8
Eine solche Beziehung ist sinnvoll, wenn z.B. in unserem Projektbeispiel ein bestimm-
ter Bautenstand vor dem Einsetzen des Winters (Frost) erreicht werden solI. So gibt
das negative Potenzial -a(0,7) = -8 an dem Pfeil in entgegengesetzter Richtung an, dass
der Vorgang "AufSenwande hochziehen" G= 7) spatestens 8 Tage nach dem Projekt-
start (i = 0) begonnen werden muss.
Bei Beriicksichtigung einer solchen zeitlichen Nebenbedingung fallt auf, dass Zyklen
(vgl. S. 143) in den Netzplan eingefiihrt werden. Dabei handelt es sich jedoch nicht um
einen Widerspruch zu der allgemeinen Forderung der NPT, dass ein Netzplan zyklen-
und schleifenfrei sein muss. Diese Forderung bezieht sich namlich ausschlieBlich auf
die Strukturplanung. Die Einfiihrung derartiger zeitlicher Nebenbedingungen ist
179
grundsatzlich zulassig; allerdings gilt dies nur insoweit, als die zeitlichen Nebenbe-
dingungen, die zu Zyklen gefiihrt haben, mit den iibrigen Bedingungen vertraglich
sind. Dies ist also jeweils zu iiberpriifen. Die Vertraglichkeit eines solchen Zyklus ist
gegeben, wenn die Summe aller Potenziale an den Pfeilen, die zu einem Zyklus fuh-
ren, einen nichtpositiven Wert ergibt:
L a(i,j)::; 0 (fur aIle (i,j), die die Pfeile im Zyklus kennzeichnen)
i,j
In Abbildung 3-22 ist die Vertraglichkeit gegeben, da
L a(i,j) = a(0,2) + a(2,4) + a(4,7) - a(0,7) ::; 0

i,j
=0 +4 +1 -8 =-3
Ware die Vertraglichkeit nicht gegeben, so wiirde dies anzeigen, dass der entspre-
chende Projektausschnitt nicht realisierbar ist, da die durch den riickwartigen Pfeil
geforderte Hochstdauer zwischen Beginn des Startvorganges und Beginn des Vorgan-
ges "AuBenwande hochziehen" die Dauer aller durchzufiihrenden Einzelvorgange
unterschreiten wiirde.
e) Kombination von Anordnungsbeziehungen
Begrifflich und zeichnerisch ist es moglich, zwischen den Vorgangen mehrere Anord-
nungsbeziehungen mit minimalen und maximalen Zeitabstanden und Pfeilen in bei-
den Richtungen zu verwenden. Voraussetzung ist jedoch, dass die Beziehungen unter-
einander und mit den vorgegebenen Vorgangsdauem nicht in Widerspruch geraten.
Sollen verschiedene Anordnungsbeziehungen in einem Netzplan verwendet werden,
so miisste die Vorgangsliste bei jedem Vorgang urn die Angabe der Art der Abhangig-
keit und die zugehorigen Zeitabstande erganzt werden. Zur Demonstration solI unser
Projektbeispiel (Tabelle 3-1) als Ergebnis der Strukturplanung im ersten Teil erweitert
werden (Tabelle 3-3):
180
Zeitplanung . 1
3.4
Tabelle 3-3: Vorgangsliste mit Zeitabstiinden als Ergebnis der Strukturanalyse
Ausfiihr-
Vor- Anordnungs- Zeitabstand
Vorgang ungsdauer
giinger beziehung in Tagen
in Tagen
A Fundamente ausschachten 4 -
B Anschliisse herstellen 5 -
C Streifenfundamente 1 A MINEA -3
betonieren A MAXEA +2
D Maschinenfundamente A MINAA +2
2 A MAXEA +1
betonieren
B MINEE +2
E FuBboden betonieren 2 C MINAA +1
D MINAA +2
F Abbindedauer des 16 E
FuBbodenbetons
G AuBenwande hochziehen 20 C MINAA +1

C MAXEA +5
E MINEA + 16
H Innenwande hochziehen 12 E MAXEA + 19
G MAXAA +2
I GroBbehiHter installieren 3 E MINEA + 16
E MAXEA +17
G MINAA +20
G MAXEE +26
J Dachdecke einschalen 4
H MINAA + 12
I MINAA +3
181
..... AA
;:t.
'U ' ~ ~
Rl 1 ~
.....
-t:l
A I I EA C I I s;:,
1 Fundamenle -3 EA 3 Slrcifenfunda-
~
~, ~
3usschachlen -2 menlC belOn ieren I
I ::r
'"'
-5 N
"'" ;:,
4 I I 1 I I ;<.:
~
AA - I AA
1 ;:t. ~
;:!
2 AA c ' ,;j
AA ...
0
2 §-
;::
I I B I I EA 0 I I
~ _.Slan··
2 AnschlUssc ~ Maschincnfunda·
oa
<:3"
hcr.;lcllcn menlc bClonicren ~
o I I 5 I I 2 I I §:
;::
AA EE
o 2
~
~
nn
AA
~f
20 &
~
;:.
\ G 1 I H 1 1 ~
Vl
I 7 Inncnw~ndc
Aullcnwandc
~ hoohziehen
~
C
\ EA hoohziohen EA
~
20 r I 12 r 1 ;:!
;:!
AA AA
)- 12 N
'"
-2 EE
16 - 19 ~
- 26
EA
[
E I I 1 I I J I I
Dachdeckc
~ Fullbodcn EA R Grollbehaller
~
""'w"
bclOni.r.n - 17 inslallieren cinschalcn ---
\
2 I I EA 3 I I 4 I I
16 AA
3
Zeitplanung
3.4.3.2 Ermittlung der Vorgangszeitpunkte in einem Vorgangskno-

tennetzplan mit EA-Beziehungen
In einem Vorgangsknotennetzplan konnen die Knoten die wichtigen Informationen
aufnehmen, die den jeweiligen Vorgang betreffen. Die Pfeile hingegen werden nur mit
den Potenzialen versehen:
Abbildung 3-24: Knoten mit Ende-AnJang-Beziehung im Vorgangsknotennetzplan
•-L
S(i) GP(i)\ FP(i) \FE(i) a (i ,j) S(j) GP(j)IFP(j) IFE(j)
I Beschreibung Beschreibung
IFA(i) des Vorgangs i ~ FA(j) des Vorgangs j
SA(i D(i) \ Krit.\S E(i) - a (ij) SAU) DU) I Krit.!S EU)
S(i) bzw. SG): Symbol fOr Kurzbezeichnung des Vorgangs i bzw. j (z.B. A, B, C, ... )
i: Nr. des vorangehenden Vorgangs
j: Nr. des folgenden Vorgangs (i < j)
FA(i) bzw. FAG): FrOhestmoglicher Anfang des Vorgangs i bzw. j
• SA(i) bzw. SAG): Spatestzulassiger Anfang des Vorgangs i bzw. j
O(i) bzw. OG): AusfOhrungsdauer des Vorgangs i bzw. j
SE(i) bzw. SE(j): Spatestzulassiges Ende des Vorgangs i bzw. j
• FE(i) bzw. FEG): FrOhestmogliches Ende des Vorgangs i bzw. j
• a (i,j): Positives Potenzial (MINEA: minimaler zeitlicher Abstand zwischen
Ende des Vorgangs i und Anfang des Vorgangs j)
• -a (i,j): Negatives Potenzial (MAXEA: maximaler zeitlicher Abstand zwi-
schen Ende des Vorgangs i und Anfang des Vorgangs j); es befindet sich jeweils an einem
Pfeil in entgegengesetzter Richtung
GP(i) bzw. GPG): Gesamte Pufferzeit des Vorgangs i bzw. j
FP(i) bzw. FPG): Freie Pufferzeit des Vorgangs i bzw. j
• Krit. : Krit.=ja: Es handelt sich um einen kritischen Vorgang; sonst nein .
Die Zeitplanung fur ein Projekt erfolgt in mehreren Schritten:

Schritt 1:
Fur jeden Vorgang j des Projektes wird der friihestmogliche Anfang (frUhestmogli-
cher Beginnzeitpunkt) FAG) errnittelt. Der letzte Vorgang j = n im Vorgangsknoten-
netzplan ist der Scheinvorgang "Ende" des Projektes. FA(n) entspricht der minimalen
Projektdauer, die wiederum durch den zeitlich langsten Weg durch den Netzplan
bestimmt wird. Bleiben zunachst die Beziehungen mit negativen Potenzialen unbe-
rucksichtigt, so ergeben sich die frUhestmoglichen Anfangszeitpunkte im Wege der
Vorwartsrechnung wie folgt:
183
FA(O) =0
FAG) = max [FE(i)+a(i,j)] i E {Vorganger G)}; j E {Nachfolger(i)}
i
Als Projektbeginn FA(O) wird iiblicherweise der Zeitpunkt 0 vorgegeben. Man konnte
aber auch jeden beliebigen anderen Wert wahlen. Urn die Vergleichbarkeit mit den
Ergebnissen der Zeitplanung nach CPM (vgl. Abbildung 3-13 und Tabelle 3-2) zu er-
reichen, wird die Vorgehensweise an dem obigen Projektbeispiel: "Bau einer Fabrika-
tionshalle" (vgl. Vorgangsliste in Tabelle 3-1) demonstriert: In Abbildung 3-25 sind die
FAG) jeweils an den vorgesehenen Stellen in den Knoten angegeben. Der Scheinvor-
gang "Ende" des Projektes wird friihestmoglich nach 120 Tagen - FA(22) = 120 - er-
reicht (minimale Projektdauer). Der langste Weg durch des Projekt wurde also mit
der Dauer von 120 Tagen ermittelt. Das friihestmogliche Ende eines jeden Vorgangs i
lasst sich leicht ermitteln:
FE(i) = FA(i) + D(i) i = 0, 1, ..., n - 1
Die entsprechenden Werte sind ebenfalls an den vorgesehenen Stellen in den Knoten
(Abbildung 3-25) eingetragen. Sind im Netzplan Pfeile mit entgegengesetzter Richtung
und negativen Potenzialen vorhanden, so ist zu iiberpriifen, ob diese die errechneten
FAG) und damit moglicherweise auch die ermittelte minimale Projektdauer beeinflus-
sen. Dabei kann sich ein negatives Potenzial nur auf den Vorgang, in den der Pfeil mit
entgegengesetzter Richtung einmiindet, sowie auf die Nachfolger dieses Vorgangs
auswirken; dem Vorgang vorausgehende Vorgange bleiben unberiihrt.
Schritt 2:
Durch Riickwartsrechnung kann fUr jeden Vorgang das spatestzulassige Ende SE(i)
ermittelt werden. Geht man wieder davon aus, dass die minimale Projektdauer nicht
iiberschritten werden solI, dann entspricht das friihestmogliche Ende des Scheinvor-
gangs "Ende" zugleich dem spatestzulassigen Ende:
SE(n) = FE(n)
Der spatestzulassige Anfang eines jeden Vorgangs i Uisst sich wie folgt berechnen:
SA(i) = SE(i) - D(i) i = 0, I, ..., n - 1
Das spatestzulassige Ende eines Vorgangs i wird durch den zeitlich langsten Weg
vom Zielvorgang n (hier: "Ende" des Projektes) bis zu dem Vorgang i bestimmt. Blei-
ben zunachst wieder die Beziehungen mit entgegengesetzter Richtung und negativen
Potenzialen unberiicksichtigt, dann gilt:
SE(i) = min [SA(j) - a(i,j)] i E {Vorganger G)}; j E {Nachfolger(i)}
J
In Abbildung 3-25 sind die Werte fUr SA(i) sowie die fUr SE(i) jeweils an den vorgese-
henen Stellen in den Knoten angegeben.
184
Zeitplanung
Abbildung 3-25: Zeitplanung des Projektbeispiels im Vorgangsknotennetzplan
<> '" ...
,- )
@]
~-""""IOI-,,--_ _ J
185
Abbildung 3-25: Zeitplanung des Projektbeispiels im Vorgangsknotennetzplan (Fortsetzung)
~
•g
!~
;;.
_ g
r
g
.
;:
11-
loI
f .e ~
0
9
0
"i
': 0
~ ~ ~ ':
~ F-) J
~
t t .: 1ft S t ~
+
~In° ... s: .
'"
N !~
t ..
w
!I ..
1) i. 'I :
z
~ ii:;' ; '0
..~I .~
0
~ s:
1 ~
c:
~
.... ..... ;:
ffi
T
"'I - s:
;II :
~ 1:1
0
~i
•
r-
0
~
;;:1 ;;:
3
_i2!...... _ .: ~ ~
~ iE •-
~ I ~
...... ;;: :!l

1
..-
'"'"
CI
Ii ;: t:l
0 ~
5: ...
t ... I~~ .s...
~ i}
:I:
0
L-
~
'" tl
:! . :
~
!
f
i .
t tl
;: w
l J J
II!!
;: ... :lI
~ . !:l
t~
:111: I
0
;1, F ...
~! ~ ~J
186
Zeitplanung
Sind im Netzplan Pfeile mit entgegengesetzter Richtung und negativen Potenzialen

vorhanden, so ist ihr moglicher Einfluss zu berucksichtigen. In Umkehrung der Be-
trachtung bei der Ermittlung der FAG) ist hier zu beachten, dass nur der spatestzuHi.s-
sige Anfang bzw. das spatestzulassige Ende eines Vorgangs beeintrachtigt werden
kann, von dem der Pfeil in entgegengesetzter Richtung und mit negativem Potenzial
ausgeht. Dariiber hinaus kann ein so1cher Einfluss nur noch auf die Vorganger dieses
Vorgangs, nicht auf seine Nachfolger ausgehen.
3.4.3.3 Ermittlung und Interpretation der Pufferzeiten

Eine Erorterung der Pufferzeiten fiihrt zu ahnlichen Betrachtungen wie sie schon im
Zusammenhang mit der CPM-Zeitplanung angestellt wurden. Da fiir den Zielvorgang
"Ende" des Projektes die Gleichung FA(n) = SA(n) vorgegeben wurde, sind die kriti-
schen Vorglinge im Netzplan wie folgt definiert:
FA(i) = SA(i) bzw. FE (i) = SE(i) i = 1, 2, ..., n
Die kritischen Vorgange sind in ihrer Ausfiihrung streng an Tennine gebunden; sie
haben keine Pufferzeiten. Bei den nichtkritischen Vorglingen steht ein zeitlicher
Spielraum (Puffer, Pufferzeit, Schlupf) zur Verfiigung, d.h. bei diesen Vorgangen liegt
der spatestzulassige Anfang spater als der friihestmogliche. Welchen Umfang die
Pufferzeit annimmt und welche Auswirkungen ihre Nutzung haben kann, wird wie-
derum an den Arten von Pufferzeiten im Vorgangsknotennetzplan gezeigt:
(1) Gesamte Pufferzeit eines Vorgangs GP(i)
GP(i) = SA(i) - FA(i) i = 0,1, ..., n

Die gesamte Pufferzeit GP(i) eines Vorgangs i gibt die Zeitspanne an, die fiir eine
Verschiebung oder Ausdehnung des Vorgangs maximal zur Verfiigung steht, ohne
dass die zeitminimale Projektdauer beeintrachtigt wird.
(2) Freie Pufferzeit eines Vorgangs FP(i)
FP(i) = {mt [FA(j)-a(i,j)- FE(i) l} ;i e {Vorganger G)}; j e {Nachfolger(i)}
Die freie Pufferzeit bedarf zu ihrer Bestimmung einer vergleichenden Rechnung unter
Einbeziehung mehrerer Vorgange und insbesondere unter Beachtung der Pfeile in
entgegengesetzter Richtung mit den negativen Potenzialen (-a(l,i)). 5011 also die freie
Pufferzeit bestimmt werden, die zur Ausfiihrung oder Verschiebung eines Vorgangs
zur Verfiigung steht und darf eine Nutzung dieser freien Pufferzeit den friihestmogli-
chen Anfang der Nachfolger dieses Vorgangs nicht beeintrachtigen, dann sind - wie
bei CPM - Vergleiche mit dem friihestmoglichen Anfang a11er Nachfolger sowie der
Potenziale an ihren Verkniipfungen anzustellen. Freie Pufferzeiten konnen nur bei
Vorgangen vorkommen, die vor der Vereinigung von Teilwegen und auf dem zeitlich
187
3
kiirzesten 'Weg durch den Netzplan liegen. Die freie Pufferzeit entspricht dem Unter-
schied der Gesamtpufferzeiten der zusammengefiihrten Wege.
(3) Unabhangiger Puffer UP(i)
UP(i) == {min
j
[FA(j) -a(i,p]-max [SE(h) + a(h,i)]- D(i)} ;
h
hE {Vorganger (i)}; j E {Nachfolger(i)} fur aIle i
Die unabhangige Pufferzeit ist die Zeitdauer, urn den ein Vorgang auch dann noch
ausgedehnt oder verschoben werden kann, wenn alle Vorganger eines Vorganges zurn
spatestzulassigen Zeitpunkt und alle Nachfolger des gleichen Vorganges friihestmog-
lich stattfinden. Durch seine Inanspruchnahme bleibt der iibrige Zeitplan unberiihrt.
Aus den gegebenen Definitionen der Vorgangspufferzeiten lasst sich folgende Relation
ableiten: GP(i) ~ FP(i) ~ UP(i). In Abbildung 3-25 sind die "gesamte Pufferzeit" und die
"freie Pufferzeit" eines jeden Vorgangs fur das obige Projektbeispiel "Bau einer Fabri-
kationshalle" (vgl. Tabelle 3-1) an den vorgesehenen Stellen in den Knoten jeweils
angegeben.
3.4.4 Beispiel: ProdukteinfUhrung mit einem Netzplan
3.4.4.1 Aufgabenstellung
Eine Produkteinfiihrung erfordert in der Regel eine Vielzahl miteinander verflochtener
Aktivitaten (Vorgange), die im Sinne des Projektablaufs in einer zweckmaBigen Rei-
henfolge ablaufen miissen. Dabei konnen die Vorgange teils nur nacheinander, teils
aber auch parallel durchgefiihrt werden. Die Erfahrung zeigt, dass selbst routinierte
Praktiker Schwierigkeiten haben, wenn sie fUr ein genau definiertes Projekt eine voll-
standige Liste der Vorgange (einschlieBlich Verkniipfungen) aufstellen sollen. Fiir das
Projekt der "Einfiihrung eines neuen Produktes im Konsumgiiterbereich" sei die in
Abbildung 3-26 aufgefiihrte Vorgangsliste aufgestellt (in Anlehnung an ein Beispiel
von Haedrich, G., 1971, S. 23 ff.) und in MS Project implementiert worden. Neben den
einzelnen Vorgangen sind dort die Vorgangsdauem, die EA-Vorgangerbeziehungen
sowie die PotenziaIe der Vorgangerbeziehungen angegeben. Die Angabe ,,12EA-3
Tage" bei Vorgang 13 bedeutet demnach, dass Vorgang 12 der Vorganger von Vorgang
13 ist und dass die Vorgange durch ein MINEA PotenziaI von a(12,13)=(-3) verbunden
sind. Es besteht also eine maximale Ubedappung des Vorganges 12 durch den Vor-
gang 13 von 3 Tagen. Fiir das Projekt ist ein Vorgangsknotennetzplan (mit EA-
Beziehungen), ein Struktur- und Zeitplan aufzustellen. Dabei sind die minimaIe Pro-
jektdauer, der friihestmogliche Anfang, das friihestmogliche El1de, der spatestzulassi-
ge Anfang, das spatestzulassige Ende eines jeden Vorgangs zu ermitteln; die Pufferzei-
ten - GP(i) und FP(i) - sind anzugeben und die kritischen Vorgange zu kennzeichnen.
188
Abbildung 3-26: Vorgangsliste Ubungsbeispiel "Produkteinfiihrung" (in MS Project>
lilli' '111f ! IIIllI

I,
Ifll'I"1 II ,
Illi hll!
!
t II
I
I I I
189
Im vorliegenden Beispiel handelt es sich urn eine Grobplanung mit Sarnrnelvorgangen.

Jeder Sammelvorgang kann dabei eine Reihe von Einzelvorgangen beinhalten. So
umfasst z.B. der Sarnrnelvorgang Nr. 3: "Primarstatistische Marktanalyse" folgende
Einzelvorgange: "Vorbereitung der Studie", "Angebote von Marktforschungsinstituten
einholen", "Angebote auswerten", "Entscheidung tiber Durchfiihrung der Analyse",
"Auftrag an Marktforschungsinstitut", "Durchfiihrung der Untersuchung im Feld".
3.4.4.2 Losungsvorschlag
In Abbildung 3-27 ist der Vorgangsknotennetzplan fUr das Projekt dargestellt:
Abbildung 3-27: Vorgangsknotennetzplan for das Projekt: Produkteinfohrung
190
Zeit-Kosten-Planuns 35
•
Abbildung 3-27: Vorgangsknotennetzplan for das Projekt: Produkteinfohrung (Fortsetzung)
)9)997 .16001)1
VOft>etMuno dtf W1
----------------~ Il ~~ r---,~ ~
~ r---~~~-~~ur---~~=u~ IJ6 ~~
1-,;:;:n.F.,;;:.'Ti_;;:;:;:;,!1.::)6,-1 ' )6 1 J. 1 1
27 0 0 10<
0
Ii!:
(2)
CV
~
II
92
_It....-'"""
0 0
VO!pOC kung ~
92
'"
1 J•
.."
ilion '00
==
12 19 9
~ V_ung
"'-'-- - -+I 92 ~
1) ' S _ 136
3.5 Zeit-Kosten-Planung
Bisher wurden neben den Grundlagen der NPT nur die Planung der Ablaufstruktur
von Projekten und die Zeitplanung behandelt. Fur eine betriebswirtschaftlich aussage-
fahige Projektplanung ware es notwendig, neben der Zeit auch die entstehenden Kos-
ten und die verrugbaren Kapazitaten der einzusetzenden Produktionsmittel sowie die
finanziellen Moglichkeiten und Auswirkungen in die Ubedegungen einzubeziehen.
Dariiber hinaus ist das Zusarnmenspiel mehrerer Projekte zu beriicksichtigen. In die-
ser Einfiihrung kann auf dieses Interdependenzproblem nicht im Einzelnen eingegan-
gen werden. Zur lllustration dieser Problematik sollen lediglich die Abhlingigkeiten
von Zeit und Kosten erortert werden und im Ubrigen auf die weiterfiihrende Litera-
tur verwiesen werden (vgl. z.B. Bergen, R., Bubolz, P., 1974, S. 237 ff.; Gewald, K. u.a.,
1972; Wasielewski, E. V., 1975, S. 138 ff.; Elsasser, F., 1973, S. 86 ff.; Schwarze, J., 2001, S.
155 ff.; Stommel, H. J., 1976, S. 71 ff.; Altrogge, G., 1996, S. 215 ff.; Hassig, K., 1979, S. 88
ff.; Reichert, 0 ., 1977, S. 47 ff.; Hahn, D., 1996, S. 599 ff.; Diirr, w., Kleibohm, K., 1992, S.
208 ff.; Hillier, F. 5., Lieberman, G. ] ., 2001, S. 502 ff.; Zimmermann, W ., 1989, S. 27 ff.). Es
191
gibt inzwischen eine Reihe von neuen oder weiterentwickelten Verfahren der NPT, die
tiber die Struktur- und Zeitplanung hinausgehen.
3.5.1 Zeitabhangige Vorgangskosten

Da man bei der Planung eines Projektes in aller Regel nicht von einer beliebigen, von
der Lange des kritischen Weges abhangigen Projektdauer ausgehen kann, sondem fest
vorgegebene Termine einzuhalten hat, muss u.U. versucht werden, die beanspruchte
Vorgangsdauer einzelner Vorgange zu reduzieren. Die Kiirzung der Vorgangsdauer
kann durch zeitliche (Uberstunden, Zusatzschichten), quantitative (zusatzliche Ar-
beitskr1Ute, Betriebsrnittel), intensitatsmaBige (Erh6hung der Prozessgeschwindigkeit)
oder qualitative (andere Verfahren) Anpassung erfolgen. Diese Anpassung wird Ein-
fluss auf die Hahe der Kosten haben. Wie hangen die Vorgangskosten von der Vor-
gangsdauer ab?
Abbildung 3-28: Vorgangskostenkurve
KD(ij)
KMIND (ij)
Vorgangskostenkurve
~
KND (ij) t--+-----.-;;::::.........,,----
'-:-:~:_:_:_::__------:-:::L~---------~ D (t' J')

MIND (ij) ND (ij)
Die Symbole der Abbildung bedeuten:

D(i,j): Dauer des Vorgangs (i,j); KD(i,j): Kosten des Vorgangs (i,j) in Abhangigkeit von D(i,j);
MIND(i,j): Minimaldauer des Vorgangs (i,j), fOr die sich auch die Bezeichnung "Zusammenbruchs-
punkt" (crash-point) findet (Schwarze, J., 2001, S. 254). Die Minimaldauer kann auch bei noch so
groBem Faktoreinsatz nicht unterschritten werden; KMIND(i,j): Vorgangskosten bei MIND(i,j);
ND(i,j): Normaldauer des Vorgangs (i,j); KND(i,j): Vorgangskosten bei ND(i,j) - sie sind minimal.
Zentraler Orientierungspunkt fur die Zeit-Kosten-Planung ist die sog. Norrnaldauer

eines Vorgangs ND(i,j). Sie urnfasst die Zeit, bei der tiblicherweise die Kosten des
Vorgangs am geringsten sind. Abweichungen von der Normaldauer, wie sie bei An-
192
Zeit-Kosten-Planung 35
•
passungsma15nahmen eintreten, fiihren zu einem Anwachsen der Vorgangskosten.

Variiert die Vorgangsdauer nicht (auch nicht annahemd) stetig, so kann es nur einzel-
ne Kostenpunkte fur die Beziehung zwischen Vorgangsdauer und Vorgangskosten
geben (z.B. Ubergang yom Landweg zum Luftweg beim Transport). TendenzielI wird
die Kurve der Vorgangskosten - bei wenigstens naherungsweise stetig variierender
Vorgangsdauer - einen aus vorangehender Abbildung ersichtlichen Verlauf haben.
Der rechts von ND(i,j) aufsteigende Ast der Vorgangskostenkurve ist ineffizient und
bleibt au1Ser Betracht. Eine exakte Beschreibung der Vorgangskostenkurve links von
ND(i,j) wird in praktischen Problemen auf erhebliche Schwierigkeiten stoBen. Flir
KMIND(i,j) bzw. KND(i,j) sind oft nur Schatzwerte bekannt. Man hilft sich hier, indem
man die Kostenkurve linear approximiert. Die Vorgangskosten bei Minimaldauer
MlND(i,j) und bei Normaldauer ND(i,j) werden durch eine Gerade verbunden:
Abbildung 3-29: Lineare Approximation der Vorgangskostenkurve
KD(ij)
KMIND
I
(ij)
Approximation
j
~
KND .....!J............................
(ij) '--.Jo..-_ _ _ _- ' - -_ _ _ 0 (i,,')
MIND NO (i,n
Es ist auch eine stiickweise lineare Approximation moglich:
193
Abbildung 3-30: Stiickweise lineare Approximation der Vorgangskostenkurve
KD (i j )
KMIND (ij ) """""
tats1ichl icher Kostenverlauf
stilckweise Iineare Approximation
KND (i j) "" """r " " " " " " " " "" " "" " " " " " " " " "
'-:M-:-I;::N:-:D~(:7""
i J~') ----:-
N-Dl-(-ij-)---.,., D (ij)
Die linearen Kostenfunktionen lauten (ffu ND(i,j) '* MIND(i,j»:

KD(i ') = KND(i .) + KMIND(i,j) - KND(i,j) . ND(i )') _ KMIND(i,j) - KND(i,j)
,J ,) ND(i,j) _ MIND(i,j) , ND(i,j) _ MIND(i,j) . D(i,j)
= a(i,j) - b(i,j) . D(i,j)

M1ND(i,j) ::; D(i,j) ::; ND(i,j); b(i,j) > 0
1st ND(i,j) = MIND(i,j), so ist KD(i,j) = KND(i,j). Besonders wichtig ist dabei die Stei-
gungskonstante b(i,j). Sie gibt an, urn wie viel sich die Kosten des Vorgangs erhohen,
wenn man die Vorgangsdauer urn eine Zeiteinheit verktirzt (Beschleunigungskosten).
Nach Ableitung der Vorgangskostenfunktion flir einen einzelnen Vorgang konnen nun
auch die gesamten Vorgangskosten des Projektes KG definiert werden. Sie ergeben
sich durch Summation aller KD(i,j) tiber alle Vorgange (i,j) des Netzplans. Die lineare
Approximation hat den Vorteil, dass sich auf diese Weise die Kostenfunktion bei Be-
rechnung von Optimalpunkten relativ leicht handhaben liisst.
Zur Demonstration greifen wir auf Teilprojekt I des Beispiels (vgl. Tabelle 3-1 und
Abbildung 3-10) zurUck. In der Tabelle 3-4 sind die normale und die minimale Dauer
eines jeden Vorgangs und die dazugehorigen Kostenwerte angegeben. In der letzten
Spalte ist die jeweilige Vorgangskostenfunktion eingetragen.
194
•
Tabelle 3-4: Vorgangskosten und Vorgangskostenfunktion des Beispiels (Teilprojekt 1)
Vorgang ND MND KND KMIND Vorgangskostenfunktion
(i,j) (i,j) (i,j) (i,j) (i,j) KD(i,j) = a(i,j) - b(i,j) . D(i,j)
(5) =(3)+ (4)-(3) .(1)- (4)-(3) .D(i ")

(1)-(2) (1)-(2) ,]
(1) (2) (3) (4)
A (1,2) 4 1 2 4 KD (1,2) = 4,67 - 0,67 D(1,2)
B (1,3) 5 2 3 5 KD (1,3) = 6,33 - 0,67 D(I,3)
C (2,4) 1 1 1 1 KD (2,4) = 1 - 0 D(2,4)
D (3,5) 2 1 1 2 KD (3,5) = 3 - 1 D(3,5)
E (5,6) 2 1 2 3 KD (5,6) = 4 - 1 D(5,6)
F (6,7) 16 12 0 2 KD (6,7) = 8 - 0,5 D(6,7)
G (4,8) 20 16 10 12 KD (4,8) = 20 - 0,5 D(4,8)
H (7,9) 12 6 12 15 KD (7,9) = 18 - 0,5 D(7,9)
I (7,8) 3 2 1 2 KD (7,8) = 4 - 1 D(7,8)
J (9,10) 4 2 4 5 KD (9,10) = 6 - 0,5 D(9,10)

K (10,11) 3 2 3 4 KD (10,11) = 6 -1 D(lO,11)
L (11,12) 16 12 0 2 KD (11,12) = 8 - 0,5 D(11,12)
M (12,13) 4 2 3 5 KD (12,13) = 7 - 1 D(12,13)
N (12,14) 3 1 1 3 KD (12,14) = 4 -1 D(12,14)
L43
Auf die besonderen Schwierigkeiten bei der Ermittlung der Abhangigkeit der Vor-
gangskosten von der Vorgangsdauer, die sich daraus ergeben, dass man in der Praxis
die dazu notwendigen Informationen nicht immer beschaffen kann, sei mer lediglich
hingewiesen. Es diirfte nur selten vorkommen, dass die Kostenrechnung der Betriebe
so tief gegliedert ist wie der Projektablauf im Netzplan, so dass man sich bei der Zeit-
Kosten-Ermittlung in der Mehrzahl der Hille mit Schatzungen und Expertenbefragun-
gen begniigen muss.
195
3
3.5.2 Bestiinmung der vorgangskostenminimalen Pro-
jektrealisierung bei gegebener Projektdauer
In der Regel wird man anstreben, eine teste vorgegebene Projektdauer mit minima-
len Kosten zu realisieren. Die Vorgangsdauem der einzelnen Vorgiinge sind so
einzurichten, dass die gesamten Vorgangskosten KG ein Minimum werden. Es miissen
also die Vorgangsdauern so verkiirzt werden, dass der dadurch hervorgerufene
Kostenanstieg am kleinsten ist. Bei unserem Beispiel (Tabelle 3-4) ist der
Kostenanstieg durch eine Verringerung der Vorgangsdauer z.B. bei Vorgang (6,7)
geringer als bei Vorgang (5,6). Eine Verringerung der Projektdauer wird man also so
vomehmen, dass man zunachst den kritischen Vorgang mit dem kleinsten
Kostenanstieg je Zeiteinheit verkiirzt.
1m Teilprojekt I des Beispiels erhaIt man eine Projektdauer T von 64 Tagen bei minima-
len Kosten KG in Hohe von 43 GE (Geldeinheiten), wenn jeder Vorgang in der norma-
len Dauer ND(i,j) ausgeffihrt wird.
SoIl die Projektdauer T verkiirzt werden, so verringert man dazu zunachst die kriti-
schen Vorgiinge (6,7), (7,9), (9,10) oder (11,12). AIle diese Vorgiinge sind kritisch unci,
haben die gleiche Kostensteigerungskonstante b(i,j) = 0,5; d .h. 0,5 GEffag. Da durch
die Verkiirzung der Vorgiinge (9,10) und (11,12) kein anderer Vorgang kritisch werden
kann (vgl. Netzplan Abbildung 3-13, S. 167), ist es zweckmrusig, diese zunachst zu
verkiirzen: Vorgang (9,10) auf 2 Tage und Vorgang (11,12) auf 12 Tage. Die Kosten
betragen dann 43 + 1 = 44 bzw. 44 + 2 = 46 GE. Ais Nachstes sind die Vorgiinge (6,7) oder
(7,9) zu verkiirzen. Beginnt man mit Vorgang (6,7), so ergibt sich aus dem Netzplan
(Abbildung 3-13 in Verbindung mit Tabelle 3-4), dass eine Verkiirzung urn 4 Tage
moglich ist. Die Projektdauer betragt jetzt 54 Tage mit Kosten von 48 GE. Vorgang (7,9)
kann urn 6 Tage auf 6 Tage verkiirzt werden, ohne dass ein anderer Vorgang kritisch
wird. Die Kostensteigerung dieser Verkiirzung betragt 3 GE. Als Nachstes kann die
Dauer des Vorgangs (1,3) urn einen Tag (anstatt 3 Tage gem. Tabelle 3-4) mit einer
Kostenzunahme von 0,67 GE verkiirzt werden. Durch eine Reduzierung der Vor-
gangsdauer D (1,3) auf 4 Tage wird namlich der bisher nichtkritische Vorgang (1,2)
kritisch (vgl. Netzplan Abbildung 3-13). Urn eine weitere Verkiirzung der Dauer von
Vorgang (1,3) zu erreichen, miisste die Dauer des Vorgangs (1,2) gleichzeitig mitge-
kiirzt werden; die Beschieunigungskosten wiirden sich entsprechend addieren. Dann
lassen sich die kritischen Vorgiinge (3,5), (5,6), (10,11) bzw. (12,13) verkiirzen, und
zwar mit jeweils einer Kostensteigerung von einer GEffag. Waruend die Vorgangs-
dauer D (10,11) ohne weiteres urn einen Tag verkiirzt werden kann, lasst sich D (12,13)
nicht urn 2, sondem nur urn einen Tag verkiirzen, da bereits bei D (12,13) = 3 der Vor-
gang (12,14) kritisch wird (vgl. Netzplan Abbildung 3-13). Ebenso kann nur D (3;5)
oder D (5,6) urn einen Tag verkiirzt werden, da bei einer Verkiirzung urn einen Tag der
Teilweg mit den Vorgiingen (2,4), (4,8) und (8,9) kritisch wird. Wir wollen zunachst D
(3,5) urn einen Tag reduzieren.
196
•
Weitere Verkiirzungen sind nur noch moglich, indem zwei Vorgange in ihren Ausfiih-
rungszeiten zugleich gekiirzt werden. Es sind diejenigen Vorgangspaare zunachst
ausZllwiihlen, die zusammen die kleinste Kostensteigerung je Tag verursachen. 1m
Beispiel sind dies die Vorgange (1,2) und (1,3) mit einer Kostensteigerung von (0,67 GE +
0,67 GE)/fag. Sie k6nnen urn zwei Tage verkiirzt werden, da Vorgang (1,3) bereits urn 1
Tag verkiirzt wurde. Dann kann D (5,6) zusammen mit D (4,8) urn einen Tag reduziert
werden. Ais Letztes lassen sich noch die Vorgangsdauem D (12,13) und D(12,14) urn
einen Tag mit einer Kostenzunahme von (1 GE + 1 GE)rrag verkiirzen (vgl. Abbildung
3-31).
So lasst sich schrittweise die Projektdauer minimieren. 1m Beispiel lasst sich die
Projektdauer fUr Teilprojekt I auf T = 40 Tage verkiirzen mit Gesamtkosten KG = 60,9
GE.
Abbildung 3-31: Abhiingigkeit der Vorgangskosten von der Projektdauer (Teilprojekt 1)
~ .-----------------------------------------------
eo~~N------------------------------------------------
IJ:~ -t:=======--~~:
~ +-~~~------------------------------------------------
-:---- -~-~-~-~ -~-~-~ --=~~~---."~~~.===--~-~~~~~-~

---- F
- -- -
'
---==-- --.-- -- .-------'-=~---

44 +-_____ __ . _ ____ .__ _____._. _ __.___ ___ ____ . .______'-='---=
42 . -- ._---_.. _ - - - --_ .._- - -

~+-~~~~~~.-~~~~-r-r-r-r-r~~~~~~-,~
~~~~44~~~~~~~~~~~~~~~eo~~~M
o.u.r
In Abbildung 3-31 k6nnen die minimalen Vorgangskosten des Teilprojekts I fiir alter-
nativ vorgegebene Projektdauem abgelesen werden. An den Abschnitten dieser Kurve
sind unterhalb jeweils die Steigung und oberhalb die Vorgange vermerkt, durch deren
Zeitreduktion jeweils die Projektdauerveranderung erreicht wird.
197
3 ~ Netzplantechnik (NPT)
J
3.5.3 Bestimmung der kostenminimalen Projektdauer

Bisher wurden die Vorgangskosten eines Projektes, d.h. die den Vorgangen zurechen-
baren Kosten behandelt. Bezieht man die "ubrigen" Projektkosten (Einzel- und Ge-
meinkosten des gesamten Projekts und nicht einzelner Vorgange) in die Uberlegungen
ein, so Hisst sich eine kostenminimale Projektdauer bestimmen, wenn sich unter die-
sen "ubrigen" Projektkosten zeitproportionale Kosten befinden. Voraussetzung ist
natiirlich, dass die notwendigen Informationen uber diese Kosten vorliegen. Nehmen
wir in unserem Beispiel fUr Teilprojekt I an, dass diese "ubrigen" Kosten KP, die nur
dem Projekt zurechenbar sind, folgender Funktion:
KP = 40 + 1,1 T (T = Projektzeit in Tagen)
folgen, so setzen sich die Gesamtkosten K des Projekts aus den gesamten Vorgangs-
kosten KG und den "ubrigen" Kosten des Projektes KP zusammen:
K=KG+KP
Fur die einzelnen Projektdauem T lassen sich die Gesamtkosten K leicht errechnen:
Tabelle 3-5: Gesamtkosten des Teilprojekts I in Abhiingigkeit von der Projektdauer
Projektdauer KG [GE] KP = 40 + 1,1· T K

T [Tage] vgl. Abbildung 3-31
(1) (2) (3) = (1) + (2)
40 60,9 84,0 144,9
41 58,9 85,1 144,0
42 57,4 86,2 143,6
43 56,0 87,3 143,3
44 54,7 88,4 143,1 =Kmm!
45 53,7 89,5 143,2
46 52,7 90,6 143,3
47 51,7 91,7 143,4
48 51,0 92,8 143,8
54 48,0 99,4 147,4
58 46,0 103,8 149,8
62 44,0 108,2 152,2
64 43,0 110,4 153,4
198
•
Aus Tabelle 3-5 ergibt sieh, dass - unter den genannten Annahmen - die kostenmini-
male Projektdauer des Teilprojekts I bei T = 44 Tagen mit K = 143,1 GE liegt. Die kos-
tenminimale Projektdauer liegt also bei der Zeiteinheit, bei der die Beschleunigungs-
kosten (marginale Kostenerh6hung dureh Vorgangsverkiirzung) der marginalen
Kostensenkung der zeitproportionalen Einzel- und Gemeinkosten entsprieht. Fur die
einzelnen Vorgange ergeben sieh folgende Vorgangszeiten fUr die gesamtkostenmi-
nimale Projektdauer des Teilprojekts I:
Tabelle 3-6: Vorgangszeiten bei kostenminimaler Projektdurchfohrung
Vorgang Gesamtkostenminimale
Vorgangszeiten der Vorgange (i,j)
(1,2) 4 Tage kritiseh

(1,3) 4 Tage kritisch
(2,4) 1 Tag kritiseh
(3,5) 1 Tag kritiseh
(7,8) 3 Tage nieht kritiseh
(9,10) 2 Tage kritisch
Bei der Bestimmung der kostenminimalen Projektdurchfiihrungsdauer nach der be-

schriebenen Methode ist der Netzplan standig den neuen Gegebenheiten anzupassen
(Iterationsverfahren). Wegen weiterer Optimierungsalgorithmen wird auf die weiter-
fiihrende Literatur verwiesen (z.B. Bergen, R., Bubholz, P., 1974, S. 181 ff.; Gewald, K.
u.a., 1972; Reichert, 0 ., 1977, S. 13 ff.; Schwarze, J., 2001, S. 253 ff.) .
199
3.6 Kapazitiitsplanung
Die Kapazitatsplanung solI die Voraussetzungen fur einen reibungslosen Projektablauf
liefem. Das okonomische Prinzip verlangt dabei, dass die verfugbaren Ressourcen
(Einsatzmittel) moglichst hoch und gleichmaBig ausgelastet werden, urn Leerkosten
zu vermeiden. Kapazitatsiiberschreitungen sind jedoch nicht zulassig (Restriktionen).
Sind bereits bei Projektplanung Kapazitatsiiberschreitungen erkennbar, so muss durch
entsprechende MaBnahmen auf einen Kapazitatsausgleich hingewirkt werden. Bei der
Kapazitatsplanung geht man in zwei Schritten vor:
1. Der Kapazitatsbedarf wird fur jeden Vorgang dargestellt und nachfolgend unter
Beriicksichtigung der Zeitplanung fur die verschiedenen Projektstadien berechnet.
Dazu ist es notwendig, dass man fur jeden Vorgang moglichst genau angeben
kann, welche Ressourcen (qualitativ differenziert) benotigt werden und in welchen
Mengen. Aus dem Zeitplan fur das Projekt lasst sich dann in einfacher Weise ein
Kapazitatsbedarfsplan (Einsatzplan fur Arbeitskrafte, Betriebsmittel, Stoffe) ablei-
ten. Dieser Kapazitatsbedarfsplan (Einsatzplan) gibt an, welche Produktionsmittel
zu welchen Zeitpunkten in welchen Mengen bereitgestellt werden miissen,
(Schwarze, J., 2001, S. 259 ff.). Gegebenenfalls sind diese Angaben urn die Bereitstel-
lungsorte zu erganzen. In verfahrensmafSiger Hinsicht bestehen kaum Probleme,
da der Zeitplan bereits aufgestellt ist und dieser nur Erweiterungen erfamt, nam-
lich die zeitabhangige Angabe der einzusetzenden Produktionsmittel. Dabei ist in
vielen Fallen noch eine (kapazitatsorientierte) Zerlegung von Vorgangen erforder-
lich, urn den Bedarf an Ressourcen gleichmaBiger zu gestalten. So tritt der Bedarf
an Arbeitskrhlten nicht immer zu Beginn eines Vorgangs auf; auch muss er nicht
fur die gesamte Ausfiihrungsdauer eines Vorgangs gelten. Z.B. werden bestimmte
Arbeitskrhlte nur wahrend eines Teils der Ausfiihrung eines Vorgangs benotigt, so
ist der Vorgang so zu zerlegen, dass sich innerhalb eines Vorgangs eine moglichst
gleichmaBige Beanspruchung aller benotigten Ressourcen ergibt. Ein weiteres
Problem in diesem Zusammenhang kann die Ermittlung der gegebenenfalls bereit-
zustellenden Kapazitatsreserven sein.
2. Soll-Ist-Vergleich von ermitteltem Kapazitatsbedarf und tatsachlich verfugbaren

Ressourcen. Bei Abweichungen wird ein Kapazitatsausgleich angestrebt (Kapazi-
tatsiiberschreitung unterbinden und Beschhltigungsschwankungen durch Beschhl-
tigungsplanung unter Beriicksichtigung der Kapazitatsgrenzen vermeiden). Dazu
stehen grundsatzlich folgende Moglichkeiten zur Verfugung (Zimmermann, W.,
1989, S. 31):
einfache Verschiebung einzelner Vorgange,
• Unterbrechung einzelner Vorgange, soweit dies technologisch moglich ist,
200
Verarbeitung von Netzpliinen mit dem Computer
zeitliche Ausdehnung oder Komprimierung eines Vorgangs durch Anderung

der Einsatzmenge oder der Qualitat der Produktionsfaktoren, soweit dies tech-
nologisch moglich ist.
• Soweit solche kapazitatsbedingten Anpassungen nicht im Rahmen der ermittel-
ten Pufferzeiten bleiben, konnen sie zu einer Verliingerung der Projektdauer
fuhren. Von Vorteil ist jedoch, dass dies bereits im Planungsstadium erkannt
wird.
Eine systematische Darstellung der exakten Losungsverfahren solI hier unterbleiben;
sie haben fur die Praxis nur beschriinkt Bedeutung, da der Aufwand bei umfangrei-
chen Projekten zu groB wird. Es handelt sich irn Allgemeinen urn Ansatze der ganz-
zahligen Optimierung (Durr, w., Kleibohm, K., 1992, S. 209). In der Praxis erfolgt der
Kapazitatsausgleich (Glattung des Kapazitatsbedarfs) mit Hilfe heuristischer Verfah-
ren (Zuhilfenahme von systematischen Probiermethoden). Es wird schrittweise ge-
priift, ob durch zulassige VerschiebungJUnterbrechungJAusdehnung oder Kompri-
mierung von Vorgiingen eine gleichmiiBige Kapazitatsauslastung erreicht werden
kann (vgl. Schwarze, J., 2001, S. 259 ff.).
Multiprojektplanung
Die netzplantechnische Koordinierung mehrerer Projekte, die urn vorgegebene Kapa-
zitaten konkurrieren, nennt man Multiprojektplanung. Die Multiprojektplanung ist
zwar theoretisch durchdacht und mathematisch analysiert worden, aber die praktische
Anwendung ist bisher nur fur wenige Falle bekannt geworden (vgl. Zimmermann, W.,
1989, S. 35f.).
Grundsatzlich ist es jedoch moglich, mehrere Projekte manuell gleichzeitig zu planen.
Unter Berucksichtigung von Prioritatsregeln lassen sich die Netzplane, die zunachst
unabhiingig voneinander aufgestellt werden, mit Hilfe heuristischer Methoden
koordinieren.
3.7 Verarbeitung von Netzplanen mit dem

Computer
Die EDV ist ein vorziigliches Hilfsmittel fur eine schnelle Auswertung groBer Daten-
mengen und fur eine haufige Wiederholung gleicher Rechenoperationen. Aus diesem
Grund bietet sie fur ihren Einsatz in der NPT erhebliche Vorteile. Seitdem die EDV
zum Erstellen, Verarbeiten und Auswerten von Netzpliinen eingesetztwird, erfiihrt
die NPT eine immer starkere Verbreitung. Bei groBeren Projekten kommt man nicht
umhin, fur die Projektplanung, -steuerung und -iiberwachung einen Computer einzu-
201
3
setzen. Auch bei kleineren Projekten wird Computeruntersrutzung erwiinscht sein,
wenn auEer Struktur- und Zeitplanung noch andere Berechnungen - etwa Kosten- und
Kapazitatsplanung - erforderlich sind. Zurn Computereinsatz irn Rahmen der NPT vgl.
Dworatschek, 5., Hayek, A, 1992; De Wit, J., Herroelen, W., 1990, S. 102-139; Lutz, M., 1998, S.
213; Schwarze, J., 2001, S. 302 ff. und die dort aufgefuhrte Spezialliteratur.
Stehen zur Netzplanberechnung groBe Computer zur VerfUgung, so kann auf Stan-
dardprogramme wie z.B. CIPREC (mM), SINET (Siemens), PPS/GRANEDA (CDC),
2900 PERT (ICL) oder OPTIMA 1100 (Sperry RandfUnivac) zuriickgegriffen werden
(weitere Programme erwahnt Zimmermann, W., 1989, S. 36 f.). Die prinzipieUe Vorge-
hensweise der computergesrutzten Bearbeitung von Netzplanen zeigen Meyer/Hansen
beispielhaft am Softwaresystem SINET (von Siemens) an einem MPM-Netzplan, und
zwar als Zeit-Kosten-Einsatzmittelplanung (Meyer, M., Hansen, K., 1996, S. 133 ff.).
Aber auch fUr den Personal Computer (PC) stehen Projektrnanagementprogramme
(auch Projektsteuerungs- und -planungssysteme genannt) zur VerfUgung. Zur
Durchfiihrung der Struktur-, Zeit-, Kosten- und Kapazitatsanalyse bzw. -planung
enthalten die Projektrnanagementprograrnrne gewohnlich folgende Funktionen (Curth,
M. A, Weifl, B., 1989, S. 39):
• Kalenderfunktion zur Definition von Feier- und Urlaubstagen, Anzahl der Arbeits-
stunden pro Tag, Projektbeginn und -dauer;
• Editier- bzw. Pflegefunktion zur Strukturierung der Aktivitaten, Fixierung der

Startzeitpunkte und Ausfiihrungsdauer, zur Zuordnung von Kosten und Ressour-
cen auf Aktivitaten;
• Berichts- und Grafikfunktionen zur Beschreibung und Veranschaulichung der

Strukturen, Abhangigkeiten und Ergebnisse;
• Simulationsfunktion zur Berechnung von Ergebnissen als Folge der Editier- / Pfle-
gefunktion spezifizierter Neueingaben bzw. Anderungen einschlieBlich eventueller
Sensitivitatsanalysen;
In der Literatur werden beispielhaft folgende PC-Projektrnanagementprograrnrne
angefiihrt (vgl. z.B. Durr, W, Kleibohm, K., 1992, S. 251 f.: Curth, M. A, Weifl, B., 1989, S.
39 ff.; Lutz, M., 1998, S. 213): Super Project Plus, TNETZ, Harvard Total Project Man-
ager II, MS-Project von Microsoft, PERTMASTER, PMW (Project Manager Work-
bench), Quicknet, TIME LINE von Symantec.
In der Spezialliteratur befinden sich Kriterien fur die Auswahl einer Netzplan-
Software (Schwarze, J., 2001, S. 302 ff.; Curth, M. A., Weifl, B., 1989, S. 40). Auf jeden Fall
ist es wichtig, bei der Netzplan-Software auf die Moglichkeiten der Projektsteuerung
und -iiberwachung, d.h. auf die Moglichkeit der Beriicksichtigung von Anderungen
zu achten. Curth/Weifl zeigen detailliert die Vorgehensweise einer PC-gesrutzten Pro-
jektplanung nach PERT mit Hilfe der PC-Netzplan-Software "Harvard Total Projekt
Manager II" (Curth, M. A, Weifl, B., 1989, S. 43-68).
202
Beurteilung der Anwendungsmoglichkeiten der NPT
Bei einer integrierten Netzplanung (Zeit-Kosten-Kapazitatsplanung) sind sehr viele

Daten zu verarbeiten. Eine manuelle Berechnung (ohne Computer-Unterstiitzung) ist
in solchen Fallen nur fur relativ kleine Netzplane wirtschaftlich durchfiihrbar.
3.8 Beurteilung der Anwendungsmoglichkeiten

der NPT
Es bestehen heute kaum noch Zweifel an der hervorragenden Eignung der NPT zur
Losung von Planungsproblemen bei Projekten. Mit keiner anderen Methode ist es
moglich, ein Projekt mit nahezu beliebigem Detaillierungsgrad grafisch darzustellen
und seinen Ablauf zu planen und zu kontrollieren. Als Vorteile der NPT lassen sich
herausstellen (vgl. auch Zimmermann, W., 1989, S. 37 f.; Schwarze, J., 2001, S. 114 f.):
Die Aufstellung eines Netzplans erzwingt ein friihzeitiges detailliertes Vorausden-
ken des Ablaufs eines Projektes. Dies ist nicht zuletzt eine Hilfestellung fur die
notwendige Koordination des Zusammenspiels verschiedener Abteilungen bzw.
Firrnen bei der Projektdurchfiihrung .
• Die grafische Darstellung als Netz gibt allen Beteiligten eine sehr gute Ubersicht
iiber den Projektablauf und die vielfaltigen Abhangigkeiten der Vorgange. Die
Transparenz ist eine notwendige Voraussetzung fur eine kritische Beurteilung und
Diskussion der ZweckmaEigkeit eines Projektplans.
Die NPT liefert u.a. einen iibersichtlichen und aussagefahigen Terrninplan mit
Angabe der friihestmoglichen und spatestzulassigen Zeitpunkte. Dies ist eine ent-
scheidende Basis fur die wirtschaftliche Steuerung des Projektablaufs und eine
ausgewogene Kapazitatsauslastung.
• Die Kenntnis des kritischen Weges lenkt die Aufmerksarnkeit bei der Projektsteue-
rung und -kontrolle auf die Engpasse. Die Gewichtung der Vorgange nach ihren
Pufferzeiten ermoglicht eine gezielte Konzentration der Steuerungsaktivitaten.
Wird eine Verkiirzung der Projektdauer verlangt, so zeigt der kritische Weg die
Vorgange, die durch den gezielten Einsatz zusatzlicher Mittel beschleunigt werden
miissen.
MaBnahmen zur Engpassbeseitigung bzw. zur Verkiirzung der Projektdauer kon-
nen bereits im Planungsstadium iiberlegt und untersucht werden. Soll-Ist-
Abweichungen, also Abweichungen yom Netzplan (Storungen) und deren Aus-
wirkungen werden bei der Projektiiberwachung durch die NPT friihzeitig erkannt;
je friiher Soll-Ist-Abweichungen zur Kenntnis genommen werden, urn so groBer
(und damit wirtschaftlicher) sind generell die Moglichkeiten der Anpassung.
203
• Die fur nichtkritische Vorgange ermittelten Pufferzeiten decken die Zeitreserven

auf. Reserven sind die wesentlichen Elemente der Elastizitat. Informationen tiber
vorhandene Reserven erhohen die Flexibilitat der Planung und Steuerung.
• Die Moglichkeit der Einbeziehung von Kosten- und Kapazitatsgesichtspunkten

macht die NPT zu einem umfassenden Planungs-, Steuerungs- und Uberwa-
chungsinstrument fur Projekte.
• Die Grundlagen und Verfahren der Struktur- und Zeitplanungen der NPT sind
einfach, leicht verstandlich und schnell erlembar.
Als Nachteile oder Mangel der NPT - die z.T. auch andere Planungstechniken aufwei-
sen - sind zu nennen:
• Die Minimierung der Projektdauer sowie die Zeit-Kosten-Kapazitatsplanung be-

ziehen sich auf einen gegebenen Netzplan. Der Projektablauf ist aber - wie oben
erortert - in vielen Fallen mehrdeutig.
Die detaillierten, tibersichtlichen und aussagefahigen Netzplane konnen bei weni-
ger Routinierten leicht zu dem Missverstandnis fiihren, dass sie vergessen, dass die
Planung immer die Zukunft zum Gegenstand hat und die Unsicherheit der Zu-
kunft ein Wesensmerkmal der Planung ist. Soll-Ist-Abweichungen konnen auch
mit NPT nicht ausgeschlossen werden.
Der Planungsaufwand ist gegentiber den herkommlichen Verfahren - z.B. mit Bal-
kendiagrammen (GANTT-Diagrammen) - groBer.
Die NPT ist ein Verfahren zur Verarbeitung und Aufbereitung von Informationen.
Sind diese Informationen ungenau oder unvollstandig, dann mtissen es auch die Er-
gebnisse der NPT sein. Der groBe Erfolg der NPT - wie auch der Linearen Planungs-
rechnung - beruht jedoch auf der Moglichkeit, fur die verschiedenen erforderlichen
Berechnungen die Computeruntersttitzung heranzuziehen.
3.9 Verstandnisfragen zum Kapitel

1. Was versteht man unter Netzplantechnik (NPT) und welche Planungs- und Kon-
trollaufgaben konnen mit ihr wahrgenommen werden?
2. Welche Voraussetzungen hat ein Projekt zu erfiillen, damit es mit Hilfe der NPT
geplant und seine Abwicklung gesteuert und tiberwacht werden kann?
3. Worin liegen die Vorteile der NPT im Vergleich zu anderen Planungs- und Kon-
trollverfahren und worin ihre Probleme?
204
Verstiindnis/ragen zum Kapitei
3.9
4. Wie lassen sich die einzelnen Schrltte der Strukturanalyse eines Projektes beschrei-
ben?
s. Welche Formen der Netzplantechnik unterscheidet man und worin liegen deren
Unterschiede?
6. Welche Verfahren der Nummerierung von Knoten in CPM-Netzplanen gibt es und
worin liegen deren Vor- und Nachteile?
7. Welche Ziele verfolgt die Zeit- oder Terminplanung von Projekten mit NPT?
8. Was versteht man unter Zeitanalyse bei der NPT und welche Probleme treten dabei
auf?
9. Wie liisst sich die Zeitplanung mit CPM beschreiben?
10. Wie lasst sich die Zeitplanung mit Vorgangsknotennetzen beschreiben?
11. Wodurch ist ein MPM-Netzplan gekennzeichnet?
12. Welche Pufferzeiten unterscheidet man? Wie lassen sie sich ermitteln und interpre-
tieren?
13. Wie lasst sich die Zeit-Kosten-Planung eines Projektes mit NPT durchfi.ihren? Wel-
che Analysen hat sie zur Voraussetzung?
14. Was sind zeitabhangige Vorgangskosten und wie lassen sie sich ermitteln?
1S. Wie lasst sich die vorgangskosteruninimale Projektrealisierung bei gegebener Pro-
jektdauer mit Hilfe der NPT bestimmen?
16. Wie lasst sich die kosteruninimale Projektdauer fUr einen gegebenen Netzplan
bestimmen?
17. Wie lasst sich die Kapazitatsplanung in die NPT integrieren und welche Probleme
treten dabei auf?
18. Wie ist die Anwendungsmoglichkeit und die Leistungsfahigkeit der NPT als Pla-
nungs- und Kontrollmethode in der Betriebswirtschaft zu beurteilen?
205
Literatur
Abel, P., Thiel, R.: Mehrstufige stochastische Produktionsmodelle, Eine praxisorientierte

Darstellung mit programmierten Beispielen, Frankfurt/M. 1981.
Adam, D.:Investitionscontrolling, 2.A., Miinchen-Wien 1997.
Adam, D.: Kurzlehrbuch Planung, 2.A., Wiesbaden 1983.
Altrogge, G.: Netzplantechnik, 3.A., Miinchen-Wien 1996.
Angermann, A.: Entscheidungsmodelle, Frankfurt/M. 1963.
Azpeitia, A.G., Dickinson, D.J.: A Decision Rule in the Simplex-Method that Avoids
Cycling, in: Numerische Mathematik, 1964, S. 329-33l.
Balas, E.A.: An Additive Algorithm for Solving Linear Programs with Zero-One Vari-
ables, in Operations Research 1968, S. 517 ff.
Bartels, HG.: Ubungen zur quantitativen Betriebswirtschaftslehre, Miinchen 1984.
Bazaraa, M.S., Jarvis, J.J., Sheraly, HD.: Linear programming and network flows, 2.A.,
New York u.a. 1990.
Behrens, K.c.: Absatzwerbung, 2.A., Wiesbaden 1976.
Beisel, E.-P., Mendel, M.: Optimierungsmethoden des Operations Research, Bd. 1: Line-
are und ganzzahlige Optimierung, Braunschweig-Wiesbaden 1987.
Bergen, R., Bubolz, P.: Netzplantechnik, Frankfurt/M. 1974.
Berndt, R.: Marketing 2, Marketing-Politik, 3.A., Berlin-Heidelberg-New York 1992.
Bichler, K.: Beschaffungs- und Lagerwirtschaft, 7.A., Wiesbaden 1996.
Bichler, K.: Verbesserungen der betrieblichen Produktionsplanung durch Lineare Pro-
grammierung, Hamburg-Berlin 1970.
Bloech, J.: Lineare Optimierung fur Wirtschaftswissenschaftler, Opladen 1974.
Blohm, H. u.a.: Produktionswirtschaft, 3.A., Heme-Berlin 1997.
Blohm, H ., Luder, K.: Investition, 8.A., Miinchen 1995.
Bol, G.: Lineare Optimierung - Theorie und Anwendung, Konigstein(Ts. 1980.
Bonhoeffer, K.F.: Uber physikalisch-chemische Modelle von Lehensvorgangen, Berlin
1948.
206
Literatur
Brown, D.B., Warsha~ M.R.: Media Selection by Linear Programming, in: Journal of
Marketing Research 1965, S. 83-88.
Buhler, w., Dick, R.: Stochastische lineare Optimierung, in: ZfB 1972, S. 677-692.
Burkard, R.E.: Ganzzahlige Optimierung, in: Gal, T. (Hg.): Grundlagen des Operations
Research, Bd. 2, 3.A., Berlin-Heidelberg-New York 1992, S. 361-444.
Buzzel, R.D.: Mathematical Methods and Marketing Management, Boston 1964.
Churchman, C. W. u.a.: Operations Research, Eine Einfiihrung in die Untemehmensfor-
schung (deutsche Ubersetzung), 5.A., Wien 1971.
Curth, M. A, Weifl, B.: PC-gestiitzte Managementtechniken, 2.A., Miinchen-Wien 1989.
Dakin, R.J.: A Tree-Search Algorithm for Mixed Integer Programming Problems, in: The
Computer Journal 1965, S. 250-255.
Dantzig, G.B.: Lineare Programmierung und Erweiterung, in: Beckmann, M. u.a. (Hg.):
Okonometrie und Untemehmensforschung, Bd. II (deutsche Ubersetzung), Berlin-
Heidelberg-New York 1966.
De Wit, J., Herroelen, W.: An evaluation of microcomputer-based software packages for
project management, in: European J. of Operational Research 1990, S. 102-139.
D~chtl, E.: Marketing, in: Bea, F.x., Dichtl, E., Schweitzer, M. (Hg.): Allgemeine. Be-
triebswirtschaftslehre, Band 3: LeistungsprozeB, 7.A., Stuttgart 1997, S. 133-146.
Dinkelbach, w., Lorscheider, U.: Ubungsbuch zu Betriebswirtschaftslehre, Entschei-
dungsmodelle und lineare Programmierung, 3.A., Miinchen-Wien 1994.
Dinkelbach, W.: Entscheidungsmodelle, Berlin 1982.
Dinkelbach, W.: Operations Research, Ein Kurzlehr- und Ubungsbuch, Berlin-
Dinkelbach, W.: Sensitivitatsanalyse und parametrische Programmierung, Berlin-
Domschke, w., Drexl, A: Einfiihrung in Operations Research, 4.A., Berlin-Heidelberg-
New York 1998.
Domschke, w., Drexl, A: Einfiihrung in Operations Research, 6. A., Berlin-Heidelberg-
New York 2005.
Dorfman, R. u.a.: Linear Programming and Economic AnalysiS, New York-Toronto-
London 1958.
Durr, w., Kleibohm, K.: Operations Research, Lineare Modelle und we Anwendungen,
3.A., Miinchen-Wien 1992.
Dworatschek, S., Hayek, A.: Marktspiegel Projektmanagement-Software, 3.A., Koln 1992.
207
Literatur
Ellinger, T.u.a.: Operations Research - Eine Einfuhrung, 4.A, Berlin-Heidelberg-New

York 1998.
Ellinger, T. u.a.: Operations Research - Eine Einfiihrung, 6. A, Berlin-Heidelberg-New
York 2003.
Elsasser, F.: Einfuhrung in die Netzplantechnik, Miinchen 1973.
Ford, L.R., Fulkerson, D.R.: Solving the Transportation Problem, in Management Sci-
ence, 1956, S. 24-32.
Gaede, K.-W, Heinhold, J.: Grundzuge des Operations Research Tei11, Miinchen-Wien
1976.
Gal, T. (Hrsg.): Grundlagen des Operations Research, 2. Aufl.; Berlin u.a. 1989.
Gewald, K. u.a.: Netzplantechnik, Band 2: Kapazitatsoptimierung, Miinchen-Wien
1972.
Glaser, H.: Liquiditatsreserven und Zielfunktionen in der kurzfristigen Finanzplanung
- Lineare Ansatze zur Finanzplanung, Wiesbaden 1982.
Gohout, W: Operations Research: Einige ausgewiihlte Gebiete der linearen und nichtli-
nearen Optimierung, 2. A, Miinchen und Wien 2004.
Gomory, R.A.: An Algorithm for Integer Solutions to Linear Programs, in: Graves, R.L.,
Wolfe, P. (Hg.): Recent Advances in Mathematical Programming, New York-San Fran-
cisco-Toronto 1963, I, S. 269 ff.
Gomory, R.A.: An All-Integer Programming Algortihm, in: Muth, J.F., Thompson, G.L.,
(Hg.): Industrial Scheduling, Englewood Cliffs, N.J. 1963, II, S. 193 ff.
Grochla, E.: Modelle als Instrumente der Unternehmensfiihrung, in: ZfbF 1969, S. 382-
397.
Gutenberg, E.: Grundlagen der Betriebswirtschaftslehre, Band 1, Die Produktion, 24.A,
Berlin-Heidelberg-New York 1983.
Habr, J.: Die Frequenzmethode zur L6sung des Transportproblems und linearer Pro-
grammierungsprobleme, in: Wissenschaftliche Zeitschrift der Universiat Dresden 1961,
S. 1069-1071.
Hadley, G.: Linear Programming, London 1962.
Hadley, G.: Nichtlineare und dynamische Programmierung (deutsche Ubersetzung),
Wurzburg-Wien 1969.
Haedrich, G.: So bleiben Flops im Netz hiingen, in: Absatzwirtschaft, Heft 20, Dussel-
dorf 1971, S. 23 ff.
208
Literatur
Hiiger, w., Tschiersch, H.-G.: Hamburger Methode der Netzplantechnik, Blohm & Voss,
Technische Berichte 1., Hamburg 1976.
Hahn, D.: Planungs- und Kontrollrechnung - PuK, 5.A, Wiesbaden 1996.
Hansmann, K.-W.: Industrielles Management, 5.A, Miinchen-Wien 1996.
Hanssmann, F.: Einfiihrung in die Systemforschung, 4. A, Miinchen-Wien 1993.
Hanssmann, F.: Operations Research Techniques for Capital Investment, 2. A, New
York 1974.
Hanssmann, F.: Quantitative Betriebswirtschaftslehre, 4.A, Miinchen-Wien 1995.
Hanssmann, F.: Unternehmensforschung - Hilfsmittel moderner Unternehmensfiih-
rung, Wiesbaden 1971.
Hiissig, K.: Graphentheoretische Methoden des Operations Research, Stuttgart 1979 -
Grundlagen -.
Haupt, P. Lohse, D.: Grundlagen und Anwendungen der linearen Optimierung, Essen
1975.
Hax, H.: Investitionstheorie, 5.A, Wiirzburg 1993 (korrigierter Nachdruck der Ausgabe
1985).
Henn, R., Kunzi, H.P.: Einfiihrung in die Unternehmensforschung I, Berlin 1968.
Hennicke, L.: Wissensbasierte Erweiterung der Netzplantechnik, Heidelberg 1991.
Hilke, W.: Zielorientierte Produktions- und Programmplanung, 2.A, Neuwied 1988.
Hillier, F. 5., Lieberman, G.'.: Operations Research - Einfiihrung, 5. A, Miinchen-Wien
1997.
Hillier, F. 5., Lieberman, G.'.: Introduction to Operations Research, 7th Ed., New York
2001.
Hoitsch, H.: Produktionswirtschaft, 2.A, Miinchen 1993.
Homburg, C, Sutterlin,S.: Modellgestiitze Unternehmensplanung - Ubungsbuch, Wies-
baden 1992.
Homburg, C: Modellgestiitzte Unternehmensplanung, Wiesbaden 1991.
Homburg, C: Quantitative Betriebswirtschaftslehre - Entscheidungsunterstiitzung
durch Modelle, 2.A, Wiesbaden 1998.
Huth, R., Pflaum, D.: Einfiihrung in die Werbelehre, 6.A., Stuttgart 1996.
Inderfurth, K.: Starre und flexible Investitionsplanung, Wiesbaden 1982.
209
Literatur
Jacob, H.: me Planung des Produktions- und Absatzprogramms, in: Jacob, H. (Hg.):
Industriebetriebslehre, 4.A., Wiesbaden 1990.
Jacob, H.: Kurzlehrbuch Investitionsrechnung, 3.A., Wiesbaden 1984.
Jandy, G.: Optimale Transport- und Verkehrsplanung, Wiirzburg 1967.
Joksch, H.e.: Lineares Programmieren, 2.A, Tubingen 1965.
Junk, H.: Optimale Werbeprogrammplanung - Grundlagen und Entscheidungsmodel-
Ie, 2.A., Essen 1973.
Kaplan, R.S., Shocker, AD.: Discount Effects on Media Plans, in: Journal of Advertising
Research 1971, S. 37-44.
Karmarkar, N.: A new polynomial-time algorithm for linear programming, in: Combi-
natorica 4 (1984), S. 373-395.
Khachijan, L.G.: A polynomial algorithm in linear programming, in: Soviet Math.
Doklady 20 (1979), S. 191-194
Kilger, W., Vikas, K.: Flexible Plankostenrechnung und Deckungsbeitragsrechnung,
lO.A., Opladen 1993.
Kilger, W.: Optimale Produktions- und Absatzplanung, Opladen 1973.

Kistner, K.-P.: Optimierungsmethoden, Einfiihrung in die Untemehmensforschung fur
Wirtschaftswissenschaftler, 2.A., Heidelberg 1993.
Kohler, R.: Der Einsatz von DatenverarbeitungsanIagen fur Optimierungsrechnungen
bei Mineral6lraffinerien, in: elektronische datenverarbeitung 1967.
Korndorjer, W.: Die Aufstellung und Aufteilung von Werbebudgets, Stuttgart 1966.
Kotler, P., Bliemel, F.: Marketing Management, 8.A., London u.a. 1995.
Kralicek, P.: Kennzahlen fur Geschaftsfiihrer, 3.A., Wien 1995.
Krek6, B.: Lehrbuch der Linearen Optimierung (deutsche Ubersetzung), 6.A., Berlin
1973.
Krelle, w., Kunzi, H.P.: Lineare Planungsrechnung, Zurich 1958.
Kruschwitz, L.: Investitionsrechnung, 6.A., Berlin-New York 1995, S. 176-246 - Anwen-
dung auf Investitions- und Finanz- und Produktionsplanung -.
Lachmann, M.F.: Entscheidungsuntersrutzungssysteme mit OR-Methoden, Diss.,
Ludwigsburg - Berlin 1995.
Land, A, Doig, AG.: An Automatic Method of Solving Discrete Programming Prob-
lems, in: Econometrica 1960, S. 497 ff.
210
Uteratur
Little, J. u.a.: An Algorithm for the Travelling Salesman Problem, in: Operations Re-
search 1963, S. 972-989.
Lutz, M.: Operations Research Verfahren - verstehen und anwenden, Koln 1998.
Meyer, M., Hansen, K.: Planungsverfahren des Operations Research, 4.A., Miinchen
1996.
Meyer, M.: Operations Research - Systemforschung, 4.A., Stuttgart 1996.
Montgomery, D.B., Urban, G.L. (Hg.): Applications of Management Science in Market-
ing, Englewood Cliffs, N.J. 1970.
Moxter, A.: Grenzen der Verfahrensforschung (Operations Research) im betriebswirt-
schaftlichen Bereich, in: Der osterreichische Betriebswirt 1963, S. 181 ff.
Muller-Merbach. H.: Operations Research, Methoden und Modelle der Optimalplanung,
3.A., Miinchen 1973.
Munstermann, H.: Untemehmensrechnung, Wiesbaden 1969.
Neumann, K., Morlock, M.: Operations Research, 2.A., Miinchen u.a. 2002.
Neumann, K.: Stochastic Project Networks, Berlin-Heidelberg-New York 1990.
Nieschlag, R. u.a.: Marketing, 18.A., Berlin 1997.
Nieswandt, A.: Operations Research, 3.A., Berlin 1994.
Ohse, D.: Transportprobleme, in: Gal, T. (Hg.): Grundlagen des Operations Research,
Bd. 2, 3.A., Berlin-Heidelberg-New York 1992, S. 261-360.
Perridon, L., Steiner, M.: Finanzwirtschaft der Untemehmung, 9.A., Miinchen 1997.
Pursch-Lee, K.D.: Beitrag zur untemehmerischen Investitionspolitik unter besonderer
Beriicksichtigung des Strukturwandels, Frankfurt-Bern 1983.
Reichert, 0.: Integrierte Netzplantechnik, Weinheim-New York 1977.
Reinfeld, N. 11., Vogel, W.R.: Mathematical Programming, Englewood Cilffs 1958.
Rhode, R.: Kurzfristige Material- und Finanzplanung bei mehrfacher Zielsetzung,
Wiirzburg 1982.
Riebel, P.: Einzelkosten- und Deckungsbeitragrechnung, 7.A:, Wiesbaden 1994.
Runzheimer, B.: Beriicksichtigung des Risikos in der Investitionsentscheidung - insbe-
sondere Darstellung des substitutionalen Ansatzes, in: Meler, M. u.a. (Hg.): Beitrage
zur Diskussion iiber die wirtschaftliche Entwicklung der Republik Kroatien und der
Bundesrepublik Deutschland, Osijek 1998, S. 135 - 164.
Runzheimer, B.: Beriicksichtigung des Risikos in der Investitionsentscheidung - insbe-
sondere Darstellung des substitutionalen Ansatzes (multiple Zielsetzung) und des
211
Literatur
Entscheidttngsbaurnverfahrens, in: Runzheimer, B., Barkovic, D. (Hg.): Investitionsent-

scheidungen in der Praxis - Quantitative Methoden als Entscheidungshilfen, Wiesba-
den 1998, S. 69 - 137.
Runzheimer, B.: Das Experiment in der betriebswirtschaftlichen Forschung (Diss.),
Karlsruhe 1966.
Runzheimer, B.: Die Situationskontrolle im Experiment, 1. Erganzungsheft zur ZfB 1968,
S. 59 ff.
Runzheimer, B.: Operations Research, Lineare Planungsrechnung, Netzplantechnik,

Simulation und Warteschlangentheorie, 7. A, Wiesbaden 1999.
Runzheimer, B.: Operations Research II, Methoden der Entscheidungsvorbereitung bei
Risiko, 2. A, Wiesbaden 1989.
Runzheimer, B.: Risiko-Analyse in der Investitionsplanung, in: Frantz, U.(Hg.): Gestal-
tungsfragen von Informationssystemen in der Unternehmung, Lemgo 1979, S. 755 ff.
Runzheimer, c.: Management komplexer Investitionsprojekte - klassische versus neuge-
faBte Managementkonzeption, in: Runzheimer, B., Barkovic, D. (Hg.): Investitionsent-
scheidungen in der Praxis - Quantitative Methoden als Entscheidungshilfen, Wiesba-
den 1998, S. 151 - 165.
Schmitz, P. Schonlein, A.: Lineare und linearisierte Optimierungsmodelle sowie ihre
ADV-gestiitzte L6sung, Braunschweig 1978.
Schwarze, J.: Projektmanagement mit Netzplantechnik, 8.A, Herne-Berlin 2001
Schwarze, J.: Ubungen zur Netzplantechnik, 3.A, Heme-Berlin 1999.
Schweiger, G.: Mediaselektion - Daten und Modelle, Wiesbaden 1975.
Shamir, R.: The Efficiency of the Simplex Method: A Survey, in: MS 1987, S. 301-334.
Stahlknecht, P.: Operations Research, 2.A, Braunschweig 1970.
Stasch, S.F.: Linear Programming and Space Time Considerations in Media Selection,
in: Journal of Advertising Research 1965, S. 40-46.
Stepan, A., Fischer, E.o.: Betriebswirtschaftliche Optimierung, 6.A, Miinchen-Wien
1998.
Stommel, H. J.: Betriebliche Terminplanung, Berlin-New York 1976.

Swoboda, P.: Simulante Planungsmodelle, in: Kosio/, E. (Hg.): Handw6rterbuch des
Rechnungswesens, Stuttgart 1970, S. 1403 ff.
Tempelmeier, H.: Standortoptimierung in der Marketing-Logistik, K6nigsteinfTs. 1980.
Tietz, B,. Zentes, J.: Die Werbung der Unternehmung, Reinbek bei Hamburg 1980.
212
Literatur
Troflmann, E.: Verschnittoptimierung, dargestellt an Beispielen aus der Textilindustrie,

Berlin-Miinchen 1983.
Vazsonyi, A.: Die Planungsrechnung in Wirtschaft und Industrie (deutsche Uberset-
zung), Wien-Miinchen 1962.
Wagner, G.: Netzplantechnik in der Fertigung, Miinchen 1968.
Wasielewski, E. v.: Praktische Netzplantechnik mit Vorgangsknotennetzen, Wiesbaden

1975.
Wegner, F. E. H.: Projektzeitplanung bei Unsicherheit (Diss.), Regensburg 1972.
Wille, H., u.a.: Netzplantechnik, Band 1: Zeitplanung, 3.A, Miinchen-Wien 1972.
Ziipfel, G.: Taktisches Produktions-Management, Berlin-New York 1989.
Zimmermann, H. J.: Methoden und Modelle des Operations Research, 2. A, Braun-

schweig-Wiesbaden 1992.
Zimmermann, H.-J., Zielinski, G.; Lineare Programmierung, Ein programmiertes Lehr-
buch, Berlin-New York 1971.
Zimmermann, H.-J.: Einfiihrung in die Grundlagen des Operations Research, Miinchen
1971.
Zimmermann, H.-J.: Methoden und Modelle des Operations Research, 2.A, Braun-
schweig-Wiesbaden 1992.
Zimmermann, H.-J.: Netzplantechnik, Berlin 1971.
Zimmermann, w., Stache, U.: Operations Research, Quantitative Methoden zur Ent-
scheidungsvorbereitung, 10. A, Miinchen-Wien 2001.
Zimmermann, W.: Operations Research, Quantitative Methoden zur Entscheidungsvor-
bereitung, 8.A., Miinchen-Wien 1997.
Zimmermann, W.: Operations Research, Quantitative Methoden zur Entscheidungsvor-
bereitung, 4.A, Miinchen-Wien 1989.
213
Stichwortverzeichnis
A D
Ablaufstruktur ......... ..... 148, 152, 173, 191 Degeneration

Anfang-Anfang-Beziehung .. 156, 173, 177 beim Simplex ........... .................... 14, 35
Anfang-Ende-Beziehung ............. 173, 177 beim Transportproblem ............ 100, 101
Angebotsgleichungen Transportproblem91 Postoptimale Rechnung ...................... 76
Anordnungsbeziehung Duale Simplexmethode .......................... 65
CPM ................................................. 152 Dualer Schritt ................................... 39, 57
Vorgangsknotennetzplan .......... 173, 180 Dualitat .......................... ........................ 60
Anwendungsmoglichkeiten Dummy
Lineare Planungsrechnung ............... 137 beim Transportproblem ............ llO, 123
Netzplantechnik ............................... 203
Transportproblem............... .............. III
Assignment Problem ............................ 127 E
AusgangslOsung
Transportproblem ............................... 96 Eckentheorem .................... ........ 14, 20, 22
unzulassig bei Simplex ................ 36, 57 Eckpunktlosung ............................... 22, 35
zulassig bei Simplex ........................ .. 25 Einzeitenschatzung ...................... 161, 163
Ende-Anfang-Beziehung ..... 153, 156, 173,
174,183
B Ende-Ende-Beziehung ........... ...... 173, 177
Engpass .............. IO, 28, 44, 165, 169,203
BasislOsung ................................ ...... 20, 23 Entartung
Basisvariable .......................................... 23 beim Simplex ............................... 14, 35
Baum ................................................... 143 beim Transportproblem .................... 101
Bedarfsgleichung ............................. 92, 96 Entscheidungsbaumverfahren .......... 7, 143
Beschleunigungskosten ........ 194, 196, 199 Entscheidungsmodelle .............. .4, 6, 7, 73
Big-M-Methode ............................... 39,49 Entscheidungsvariable ........................... .. 6
Branch-and-Bound ......................... 87, 137 Entscheidungsvorbereitung ...................... 2
Ereignis ................................ 152, 153, 159
Emennungsproblem ............................. 127
c
Critical Path Method (CPM) ........ 145, 152 F
FLOOD'sche Zurechnungstechnik ...... 128

Frequenzmethode ................................. l01
Fulkerson-Algorithmus ........ 137, 144, 159
215
G L
Ganzzahligkeitsbedingung ....... 16, 87, 201 Lagerhaltungsproblem ......................... 140

Gaul3scher Algorithmus ................... 25, 29 Leerkapazitaten ...................................... 21
Graph ................................................... 143 LOsungsbereich ...................................... 12
Graphen LOsungsraum ........... Siehe Losungsbereich
Gerichtete ........................................ 143
Ungerichtete .................................... 143
Graphentheorie ............................ 143, 147 M
Greatest Change ..................................... 28
Matrix
Bedingungs- ....................................... 73
H der Transportmethode ...................... 104
Diagonal- ........................................... 25
Handlungsreisendenproblem ....... 100, 137 Dreiecks- ............................................ 25
Hauptvariablen ..... Siehe Strukturvariablen Einheits- ............................................. 63
Hilfsvariable .......................................... 21 Inversion einer ..................................... 7
Kosten-............................................. l03
Rest- ................................................. 101,
I transponierte....................................... 62
Matrixmaximumverfahren ..................... 98
Iso-Gewinngerade ............................ 13, 35 Matrixminimumverfahren ...... 98, 108, III
Iso-Kostengeraden ................................. 16 Mediaselektionsprobleme .................... 140
Isomorphie ........................................... 137 Mehrfach10sungen ........... 14, 35, 108, 110
Iterationsverfahren MehrzeitenscMtzung ........................... 163
Simplex .................................. 21, 28, 35 Meilenstein .......................................... 153
Transportproblem......... 91,96,102,108 Metra-Potenzial-Methode (MPM) ...... 145,
156,177
Mindestabstand (zeitlich) ..................... 173
K
Minimierungsaufgabe ...................... 14, 56
Mischung
Kanten ................................................. 143
kostenminimale .................................. 56
Kapazitatserweiterung ........................... 34
-sproblem ........................................... 65
Kapazitatsplanung ............... 145, 169,200
M-Methode ............ Siehe Big-M-Methode
Kette .................................................... 143
Modell
Knoten ................................................. 143
Falzifizierungs- .................................... 6
Koeffizientenmatrix ......................... 25, 26
ikonisches ............................................ 5
Komplementarmatrix ................... 117, 129
Kontroll- .............................................. 6
Kostenplanung ............................. 145, 169
mathematisches .................................... 4
Kreiseln
Optimierungs- ...................................... 9
bei Degeneration ................................ 35
ORModell ........................................... 5
Kritische Ereignisse ............................. 166
OR-Modell ........................................... 3
Kritische Vorgiingel60, 168, 178, 187, 196
symbolisches ........................................ 5
Kritischer Pfad ............. 160, 163, 192,203
-typen ................................................... 6
Kritischer Weg ......... Siehe Kritischer Pfad
verbales ................................................ 5
216
MODI-Methode ................................... 102 Ganzzahlige ....................................... 87

MPM ....... Siehe Metra-Potenzial-Methode Lineare ................................................. 9
Multiprojektplanung ............................ 201 Parametrische ..................................... 74
Stochastische ...................................... 88
Polygonzug .................................. 105. 108
N Potenziale
Methode der ..................................... 102
Nachfolger negative (in NPT) ............................. 175
beim Transportproblem .............. 98. 100 positive (in NPT) ............................. 174
in der NPT ....................................... 149 Primal ................................... 32. 42.61.62
Nachfragegleichungen (TP) ........... 91. 105 Produktions- und Absatzprogramm .. 38. 50
Nebenbedingungen ..... Siehe Restriktionen Produktionsfaktoren ......................... l0.22
Netzplantechnik ........................... 7.9.143 Produktionsprogramm..... 3. 10.21.37.73.
Netzwerk-Methode .............................. 137 138
Nichtbasisvariable ................................. 23 Program Evaluation and Review
Nichtkritische Vorgiinge 161. 170. 187. 204 Technique (PERT) ............................ 145
Nord-West-Ecken-Verfahren.................. 96 Projektdauer
Normalform ............................... 20. 21. 36 kostenminimale ................................ 198
Nulliosung ............................................. 23 vorgegebene ..................................... 196
Nummerierung der Knoten (bei NPT) .159 Projektmanagementprogramme ........... 202
Pseudovariable ....................................... 21
Pufferzeit
o Bedingte ........................................... 171
Freie ......................................... 170. 187
Operations Research
Gesamte ................................... 170. 187
Begriff des ........................................... 1
Interpretation der.. ............ 170. 187. 204
Fachzeitschriften des ........................... 1
Unabhiingige ............................ 171. 188
Gesellschaften des ............................... 1
Opportunitlitskosten ...... 25.31.33.48.63.
102.104.114 R
Optimallosung ......................... 14. 24. 102
Optimum .................................................. 2 Rechte Seite ........................................... 26
Restriktionen .................................. 3. 6. 21
p Riickwiirtsrechnung ..................... 165. 184
Rundreiseprobleme .............................. 140
Parameter ......................................... 73.81
Parameterbereich ................................... 76 s
PERT ................................................... 145
Pfad ........................................... Siehe Weg Sammelvorgang ................................... 190
Pfeile .................................................... 143 Schattenpreise ............................ 25. 28. 33
Pivot Scheinvorgang ..................... 154. 160. 183
-element ............................................. 30 Schlupf (NPT) ...................................... 170
-spalte ................................................ 28 Schlupfvariable ...................................... 21
-zeile .................................................. 29 gesperrte ............................................. 47
Planungsrechnung kiinstliche ........................................... 47
217
Sensitivitatsanalyse ................................ 74 v
Simplexkriteriurn ................................... 24
Simplexmethode .................................... 20 Variation
Spaltenauswahl ...................................... 28 - der Nebenbedingungen .................... 81
Spaltenfolgeverfahren ............................ 99 - der Zielfunktion ............................... 74
Spieltheorie ............................................ 69 Verschnittprobleme .............................. 140
Standortprobleme ................................. 139 Vogel's Approximations-Methode ....... 100
Steepest Unit Ascent.. ........ 28,42,75,105 Vorgiinger (NPT) .................................. 149
Stepping-Stone-Methode ..................... 108 Vorgangsdauer...................... 147, 150, 161
Strukturanalyse .................................... 148 Vorgangsknotennetzpliine .................... 156
Strukturplanung ................................... 148 Vorgangskosten .................................... 192
Strukturvariable ......................... 21,23,37 Vorgangsliste ................................ 148, 151
Vorgangspfeilnetz ................................ 152
T
w
Terminplanung ............. 145, 160, 187, 192
Transportmengenmatrix ......................... 91 Weg ...................................................... 143
Transportproblem Werbemittelauswahl ............................... 14
AusgangslOsung des ........................... 96
Grundlagen des .................................. 90
Losungsverfahren .............................. 94 z
Mehrstufiges .................................... 121
MODI .............................................. 102 Zeilenauswahl ........................................ 28
Offenes ............................................ 110 Zeilenfolgeverfahren .............................. 99
Stepping Stone ................................. 108 Zeitanalyse ........................................... 161
Traveling Salesman Problem ....... 100, 137 Zeit-Kosten-Planung ............................ 191
Zeitplanung
mitCPM........................................... 163
u mit Vorgangsknotennetzpliinen ........ 173
-sprobleme ....................................... 140
Umladeprobleme ................................. 121 und Terminplanung .......................... 160
Unbegrenzte Zielvariable ....................... 36 Zielereignis .................................. 153, 159
Ungarische Methode ............................ 128 Zielfunktion ......................................... 3,6
Ungleichungen ....................................... 45 Zielfunktionskoeffizienten ......... 19, 25, 62
Ungleichungssystem .............................. 21 Zuordnungsproblem ............................. 127
Zurechnungstechnik ............................. 128
Zwei-Phasen-Simplexmethode .............. 49
218
Gunther Bourier Peter P. Eckstein
Beschrelbend. Sutl.tlk Klau.urtralnlnl Sbltlstlk
Praxisorientierte Einfilhrung Deskriptive Statistik - Stochastik - induktive
Mit Aufgaben und losungen Statistik. Mit kompletten losungen
5., uberarb. Auflage 2003. 3., uberarb. u. erw. Autl. 2002. VIII, 252 S.
X. 269 S. mit 108 Abb. Br. EUR 29,90
Br. EUR 26,90 ISBN 3-409-32096-2
ISBN 4-409-52215-8
Peter P. Eckstein
Gunther Bourier Repetitorlu. Sutl.tlk
Wahrschelnllchk.ltsrechnunl Deskriptive Statistik - Stochastik - induktive
und schl ....nd. Sutl.tlk Statistik. Mit Klausuraufgaben und losungen
Praxisorientierte Einfilhrung 5., vollst. uberarb. u. erw. Autl. 2003. X. 388 S.
Mit Aufgaben und losungen Br. EUR 29,90
4., uberarb. Auflage 2005. XII, 382 S. ISBN 3-409- 52099-6
mit 103 Abb. u. 7Tab.
Br. EUR 29,90 Ullrich Guckelberger/Fritz Unger
ISBN 3-409-41463-0 Sutl.tlk In der BetrI.bswlrtscheftslehre
Mit Fallbeispielen und losungen
Hans-F. Eckey/ 1998. XII, 349 S.
Reinhold Kosfeld/ Christian Dreger Br. EUR 24,90
6konOllletri. ISBN 3-409-12230-3
Grundlagen - Methoden - Beispiele
3., uberarb. und erw. Auflage 2004. XXIV, Agnes Reichardt
423 S. mit 21 Abb. u. 7 Tab. Obunpprocra • • zur
Br. EUR 41,90 .utlstlsch.n Methodenlehre
ISBN 3-409-33732-6 7., durchges. Autl. 2002. 197 S. mit 20 Abb.
Br. EUR 28,90
Hans-F. Eckey/ ISBN 3-409-73826-6
Reinhold Kosfeld/ Christian Dreger
Sutl.tlk Helmut ReichardVAgnes Reichardt
Grundlagen - Methoden - Beispiele Sutl.tlsche Methoclenlehre fOr
3., akt. Auflage 2002. XXXIV, 564 S. ~~haftswls.en.ch.fder
mit 102 Abb. u. 24 Tab. 11., durchges. Aufl. 2002. 262 S. mit 50 Abb.
Br. EUR 35,90 Br. EUR 37,90
ISBN 3-409-32701-0 ISBN 3-409-23761-5
Hans-F. Eckeyj Kurt Scharnbacher

Reinhold Kosfeld/ Christian Dreger Sutlstlk I. Betrleb
Multl"arlat. Sutl.tlk lehrbuch mit praktischen Beispielen
Grundlagen - Methoden - Beispiele 14., akt. Autl. 2004. 328 S.
2002. XXXIV, 442 S. mit 93 Abb. u.120 Tab. Br. EUR 36,90
Br. EUR 34,90 ISBN 3-409-47027-1
ISBN 3-409-11969-8
Anderungen vorbehalten Stand: August 2005.
Gabler Verlag· Abraham-lincoln-Str. 46 · 65189 Wiesbaden . www.gabler.de

Mit einem Klick DIles im Blick
II .. " ••• ",.~

-
!"II'MSh4Hn~.... ,
CABlIR
1,',rJ dt,
..
'_"Pff'JOnIM;rwn
luqllol"l9' OllWlrftticl<t1'l F I N~CI ' l
s... t<"tII,.""",iW'I
fhoM",. w ZJI'llllIIft4IIIII .....
TlMES
AdwI.iIII..
e.tri._
--.
~ J ft .... ",." .te11 1J
__ ~ E.p."tn : ..'iJ*'ft
""'III . ~.
.v.r... ..... .. f. _'III; M~""m.1'I
_-
Umt ... ,IflIII. 1..
• ullrJ ,.1:1
... ..
..,.
... rt1tt'IdW: .....
flO
$l wtdwtl. ",bu(:" r .... C:; .~I. f
~ .""' . .I'I8tt..tJ ..
-.'1 '0'1..1 ,.101"".
•
..
----
c..r _ l~""".
,- ....
.... ........
8""'1I~"'"
e ...., ..............
PI.-wlh'-'-
f~ I I ."
n ... 1
.-
Tagesaktuelle Informationen zu Buchern, Zeitschriften, Online-
Angeboten, Seminaren und Konferenzen
~ Leseproben - z. B.vom Gabler Wir tschaftslexikon -, Online-
Archive unserer Fachzeitschriften , Aktualisierungsservice und
Foliensammlungen fur ausgewahlte Buchtitel, Rezensionen,
Newsletter zu verschiedenen Themen und weitere attraktive
Angebote,z. B. unser Bookshop
Zahlreiche Servicefunktionen mit dem direkten Klick zum
Ansprechpartner im Verlag
y Klicken Sie mal rein: www.gabler.de
Abraham· Lincoln-SIr. 46 KOMPETENZ IN

65189 Wiesbaden
Fa~ : 06 11.7 8 78-400 SACHEN WIRTSCHAFT

Dr. Bodo Runzheimer, Dr. Thomas Cleff, Dr. Wolfgang Schäfer (Auth.) - Operations Research 1 - Lineare Planungsrechnung Und Netzplantechnik-Gabler Verlag (2005) PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Dr. Bodo Runzheimer, Dr. Thomas Cleff, Dr. Wolfgang Schäfer (Auth.) - Operations Research 1 - Lineare Planungsrechnung Und Netzplantechnik-Gabler Verlag (2005) PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Bodo Runzheimer/Thomas Cleff/Wolfgang Schafer

8., vollstandig Oberarbeitete Auflage

8., vo"st. Oberarb. Auflage August 2005

A"e Rechte vorbehalten

Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk

Gedruckt auf saurefreiem und chlorfrei gebleichtem Papier

ISBN-13: 978-3-409-30718-5 e-ISBN-13: 978-3-322-82917-7

Das hier vorliegende Lehrbuch Operations Research Band 1: Lineare Planungsrech-

Pforzheim, im April 2005

Abbildung 2-1: Zulassige Mengenkombinationen fur die Gruppe 1 der

Tabelle 2-1: Tableau I - Simplex-Ausgangstableau - "Nulllosung" ............................27

1.1 Einige Bemerkungen zur Entwicklung des

Nach dem Zweiten Weltkrieg fanden die mathematischen Planungsmethoden auch

1.2 8egriff Operations Research

• Zur Untersuchung des zur Losung anstehenden Problems werden grundsatzlich

1.3 Typische Vorgehensweise des Operations

1.4 Modelle als Hilfsmittel des Operations

die Erstellung der Zielfunktion, die in Abhangigkeit von den Entscheidungsvariablen

1.5 Verstandnisfragen zum Kapitel

2.2 Formulierung der Grundaufgabe der

2.2.1 Maximierung eines Produktionsprogramms

Produktarten jedoch gleicbzeitig urn mehrere Engpasskapazitaten, so liisst sich die

2.2.1.1 Beispiel mit linearem Programmansatz

2.2.1.2 Grafische Losung

Abbildung 2-1: Zuliissige Mengenkombinationen fUr die Gruppe 1 der Produktionsfaktoren

Dbertragt man aIle Nebenbedingungen in das Koordinatensystem, so ergibt sich fUr

Abbildung 2-2: Grafische LOsung der linearen Maximierungsaufgabe

Aus diesen zulassigen Produktionsprogrammen ist nun dasjenige zu bestimmen, das

2.2.2 Minimierung: Optimierung eines Werbeprogramms

2.2.2.1 Beispiel mit linearem Programmansatz

2.2.2.2 Grafische Losung

Abbildung 2-3: Grafische Losung der Minimierungsaufgabe

In dem 1. Quadranten des rechtwinkligen Koordinatensystems mit der xI-Achse als

2.2.3 Standardansatz der linearen Planungsrechnung

Xj ~ 0 flir j = I, 2, ..., n (Niehtnegativitatsbedingung)

Gekiirzte mathematische Schreibweise mit Summenzeichen:

(2) unter den Nebenbedingungen

• bi die i = 1, 2, ..., m rechten Seiten der Nebenbedingungs(un)gleichungen geben

8. bei Minimierungsproblemen mussen die Nebenbedingungen von der folgenden

Jedes lineare Optimierungsproblem Hisst sich in die Norrnalforrn bringen.

2.3.1.1 UberfUhrung von Ungleichungs- in Gleichungssysteme

10xI + 8X2 ~ 1.600

2.3.1.2 "Nullprogramm" als erste zulassige Basislosung (Maximie-

fur i = 1, 2, ..., m). Diese Nulllosung liegt (grafisch betrachtet) im Koordinatenur-

Tabelle 2-1: Tableau I - Simplex-Ausgangstableau - "Nulllosung"

X4 0 10 8 0 1 0 1.600 1600/8= 200

X5 0 15 20 0 0 1 3.000 3000/20= 150

Tabelle 2-2: Tableau Ia - Simplex-Ausgangstableau in allgemeiner Schreibweise

XB Xl X2 X3 Xn Xn+l Xn+2 Xn+m

Xn+1 o au a12 al3 aln 1 0 o bl

Xn+2 o all an a23 run 0 1 o

Xn+m o amI am2 am3 amn 0 0 1 bm

Tabelle 2-3: Tableau II - Losung nach der 1. Iteration

X2 160 1/2 1 1/70 0 0 140 280

den Rechenschritt sind auch die Opportunitatskosten (Schattenpreise) in diejenigen

Tabelle 2-4: Tableau III - Losung nach der 2. Iteration - Optimallosung

X2 160 0 1 3/70 0 -1/10 120

Zj-~ 0 0 4/7 0 6 G=23.600

2.3.1.6 Zusammenfassung der Vorgehensweise der 5implexmethode

Abbildung 2-4: Primale Simplexschritte

Bilde das Ausgangstableau (Nullprogramm)! AIle Elemente der "Rechten SeiteU

Sind in der (zJ - Ilj)-Zeile

2.3.2 Wirtschaftlicher Inhalt der Optimierungsmethode