Operations Research

WIN /WINp

Zusammenstellung von Definitionen und Formeln

als Hilfsmittel in der Klausur

Zur Verwendung in der Klausur dürfen an die-

sem Dokument keine Veränderungen vorge-
nommen werden.

Hochschule Offenburg
Autor: Prof. Dr. Joachim Reiter
Stand: 01.07.2020

Wahrung der Vertraulichkeit

Der Inhalt dieses Dokuments ist Eigentum der Hochschule Offenburg. Er darf ohne schriftliche Ge-
nehmigung der Hochschule Offenburg weder ganz noch teilweise dupliziert, an Dritte weitergegeben
oder anderweitig veröffentlicht werden.

Autor: Prof. Dr. J. Reiter, Hochschule Offenburg Stand: 01.07.2020 Seite 1

1 Einstieg und Übersicht

Autor: Prof. Dr. J. Reiter, Hochschule Offenburg Stand: 01.07.2020 Seite 2

Autor: Prof. Dr. J. Reiter, Hochschule Offenburg Stand: 01.07.2020 Seite 3
2 Lineare Optimierung
Allgemeine Modellformulierung in Matrizenschreibweise:
Gegeben sind:
 a11 a12 ... a1 j ... a1n 
 
 a21 a22 ... a2 j ... a2n 
   ...  ...  
▪ Koeffizientenmatrix A=  
 ai 1 ai 2 ... aij ... ain 
 
   ...  ...  
 am1 am 2 ... amj ... amn 

 x1 
 
▪ Vektor x der n unabhängigen Variablen: x=   
x 
 n

 b1 
 
▪ Vektor b der m absoluten Glieder: b=   
b 
 m
▪ Vektor c der Gewinnbeiträge: cT=(c1,…, cn)
▪ Nichtnegativitätsbedingung: x  0

Das lineare Optimierungsproblem LO lautet dann:

▪ Maximierungsproblem:
max cTx
A x b
x0
▪ Minimierungsproblem:
min cTx
A x  b
x0

Algorithmische Lösung (Simplex-Algorithmus)

▪ Standardform für die Anwendung des Simplex-Algorithmus:
max cTx
Ax = b
x 0
Umformung von -Restriktionen in „=“-Restriktionen durch die Einführung von
Schlupfvariablen deren Bezeichnung immer problemabhängig ist.
▪ Tableauschreibweise
  A b 
Allgemeine Schreibweise: T =  xB  
 − c
T
d 

▪ Die Voraussetzung ist, dass das Ausgangstableau vollständig (bei A als mxn-Matrix liegen
m Einheitsspalten vor) und zulässig ist (b  0).

Autor: Prof. Dr. J. Reiter, Hochschule Offenburg Stand: 01.07.2020 Seite 4

 ▪ Zur Notation:
o Vorzeile und Vorspalte in der Tableauschreibweise nur aus Bezeichnungsgründen.
o Variablen mit Einheitsvektor in der Matrix A: Basisvariablen BV
o Bei den Spalten zu BV muss auch der Koeffizient in der ZF-Zeile gleich 0 sein.
o Variablen ohne Einheitsvektor in der Matrix A: Nicht-Basisvariablen NBV
o Lösungswerte der NBV werden für die aktuelle Lösung auf 0 gesetzt.
o Die Lösungswerte der BV ergeben sich dann aus einem trivialen Gleichungssystem

▪ Voraussetzungen für die Anwendungs des Simplex-Algorithmus:

o Alle Restriktionen in „=“-Form
o Zulässigkeit. D. h. b  0.
o Vollständigkeit. D. h mit A als mxn-Matrix sind alle Einheitsvektoren der (mxm)-
Einheitsmatrix vorhanden (dürfen „ungeordnet“ sein).

▪ Ausgehend von einer zulässigen und vollständigen Basislösung realisiert ein

Umformungsschritt, dass
o die Lösungsmenge des Gleichungssystems nicht beeinträchtigt wird
o Zulässigkeit und Vollständigkeit erhalten bleiben
o der Zielfunktionswert z zumindest nicht abnimmt (zalt  zneu)

▪ Prüfung auf Optimalität der Lösung:

o So lange in der ZF-Zeile noch negative Werte stehen, lässt sich der Gewinn noch
erhöhen.
o Falls alle Werte in der ZF-Zeile  0 sind, ist die optimale Lösung gefunden.

Verbesserung der Lösung (Pivotschritt, Auswahl des Pivotelementes):

▪ Man bestimmt ein Produkt Ps (eine Variable xs), dessen Produktion die Zielfunktion z
erhöht.
o Allgemein: Wähle s mit cs = min c j
j ,c j  0

▪ Man bestimme die Restriktion r, die voll ausgelastet werden soll, somit also keine
Restkapazität mehr hat.
br bi
o Allgemein: Wähle (bei gegebener Pivotspalte s) r mit = min
ars i , ais  0, bi  0 ais

▪ Umformung des Tableaus:

Man formuliere das Tableau (Gleichungssystem) so um, dass die Spalte s Einheitsspalte
wird mit der 1 in Zeile r (Pivotelement=ars) und der Koeffizient in der ZF-Zeile gleich 0 wird.
Dazu:
Dividieren der Zeile r durch das Pivotelement
Für jedes i  r, addieren des -ais -fachen der neuen Zeile r zur alten Zeile i (i=1,..,m+1.
Zeile m+1 entspricht der Zielfunktion)
▪ Wiederholen des Vorgehens, bis cj0 j

Autor: Prof. Dr. J. Reiter, Hochschule Offenburg Stand: 01.07.2020 Seite 5

Die Phasen der Simplex-Methode (SM)
Oft sind nach der Formulierung eines Linearen Programmes die für die Anwendung des Simplex-
Algorithmus notwendigen Voraussetzungen der Vollständigkeit und Zulässigkeit nicht erfüllt. Dann
müssen diese Voraussetzungen zunächst erreicht werden. Hierzu gibt es Methoden, die als Phase
1 der Simplex-Methode bezeichnet werden. Das eigentliche Simplex-Verfahren ist dann die 2.
Phase.

1. Ausgangspunkt: Lineares Optimierungsproblem. Formulierung mittels eines i. A. unvollständigen

und ggf. unzulässigen Tableaus.
2. Übergang in vollständiges Tableau
3. Falls das Tableau unzulässig ist, Übergang in ein zulässiges Tableau (Vollständigkeit als
Voraussetzung für diesen Schritt).
4. Übergang in optimales Tableau durch reguläre Simplex-Methode (Phase II der Simplex-
Methode)

Die Bestimmung eines vollständigen Tableaus

▪ Wählt man als Pivot-Zeile eine Zeile, bei der die korrespondierende Basisvariable nicht
definiert ist (Vorkommen eines * in obiger Tableauschreibweise) und bestimmt innerhalb
dieser Zeile ein beliebiges Element  0 als Pivotelement, dann führt ein
Transformationsschritt (Gauß-Jordan Schritt wie in der regulären Simplex-Methode) zu
einem Tableau mit einer weiteren Basisvariable
▪ Nach spätestens m Schritten erhält man ein vollständiges. Ggf. ist das Tableau dann noch
nicht zulässig.

Herstellen der Zulässigkeit

Voraussetzung: Vollständigkeit ist bereits hergestellt.
Verfahren:
  A b 
Voraussetzung: T =  x B   ist vollständig.
 − c
T
d 
1. Bestimme Zielzeile k, mit bk < 0. Falls ein solches k nicht existiert, STOP. T ist zulässig.

2. Bestimme in Zeile k einen Spaltenindex s, mit aks := min akj. Falls aks  0, dann existiert keine
n
zulässige Lösung, STOP. Denn: 0  
j =1
akj xj = bk < 0 (Widerspruch)

3. Bestimme Zeilenindex r, so dass

br b 
:= min  i : ais  0 und bi  0 falls es kein solches r gibt, setze r := k.
a rs 1i m  ais 
4. Transformation mit Pivot ars. Falls bk < 0, gehe zurück zu 2, ansonsten gehe zu 1.

Autor: Prof. Dr. J. Reiter, Hochschule Offenburg Stand: 01.07.2020 Seite 6

Umwandlungen in die Standardform
Standardform für die Anwendung des Simplex-Algorithmus:
max cTx + d
Ax = b
x 0

Diese Standardform leitet man bei Bedarf über die folgenden Regeln her:
▪ Ax  b (”kanonische Form”) → Einfügen von Schlupfvariablen
▪ Bei "" -Restriktionen, d. h. aij  bi: Multiplikation mit -1. Ergebnis: (- aij) xj  - bi
▪ Nichtvorzeichenbeschränkte Variable:
Sei xk  und somit im Vorzeichen unbeschränkt

Einführung neuer Variablen xk(1)  0, xk(2)  0 und Substitution xk := xk(1) – xk(2).

Dualität
▪ Darstellung für primales bzw. duales Grundmodell:
Primal (P):
T
max c x + d0 A mxn
; c,x  n
; b m

Ax  b
x0

Dual (D):
T T
min u b + d0 A nxm
; c n
; u,b m

ATu c
u0

▪ Allgemeine primal-dual-Transformationsregeln bei primalem Minimierungsproblem mit

Variablenbezeichnungen ui sowie j=1,…,n Zeilen und i=1,…,m Spalten als Ausgangspunkt:
o Variable ui  0: i-te Restriktionszeile im Max-Problem wird  - Restriktion
o Variable ui nicht vorzeichenbeschränkt: i-te Restriktionszeile im Max-Problem
wird = - Restriktion
→ Für die hier verwendete Regel zum Ablesen der dualen Lösung über die
Schlupfvariablen zuvor im primalen Modelle die entsprechende Substitution
durchführen. Führt dann zu 2 >=-Variablen, die in <=-Restriktionen münden und
Schlupfvariablen erhalten. Zum Ergebnis für die ursprüngliche Variable:
Einsetzen in Substitutionsformel
o Variable ui  0: i-te Restriktionszeile im Max-Problem wird  - Restriktion
o j-te Restriktionszeile mit  - Typ: xj  0
o j-te Restriktionszeile mit = - Typ: xj nicht vorzeichenbeschränkt. Ist entsprechend
im dualen Modell zu substituieren.
o j-te Restriktionszeile mit  - Typ: xj  0

Autor: Prof. Dr. J. Reiter, Hochschule Offenburg Stand: 01.07.2020 Seite 7

3 Diskrete Optimierung
Spezielle Modellierungstechniken mit diskreten Variablen

Autor: Prof. Dr. J. Reiter, Hochschule Offenburg Stand: 01.07.2020 Seite 8

Autor: Prof. Dr. J. Reiter, Hochschule Offenburg Stand: 01.07.2020 Seite 9
4 Transportprobleme TPP
Problemstellung und mathematisches Modell
Im Angebotsort (bzw. im Produktions- oder Großhandelsort) Ai (i=1,…,m) sind ai Mengeneinheiten
(ME) eines bestimmten Gutes verfübgar.
Im Nachfrageort (bzw. Einzelhandelsort) Bj (j=1,…,n) werden bj ME dieses Gutes benötigt.
Die Kosten für den Transport einer ME von Ai nach Bj betragen cij Geldeinheiten (GE).
m n
Hinsichtlich der Angebots- und Nachfragemengen gelte die Beziehung 
i =1
ai = b
i =1
j . D. h. die

Summe der Angebotsmengen ist gleich der Summe der Nachfragemengen. Dies bedeutet
wiederum, dass aus den Angebotsorten alle ME abtransportiert werden müssen und in den
Nachfrageorten genau die nachgefragten ME ankommen müssen (sog. Ausgleichsbedingung).

Gesucht ist ein kostenminimaler Transportplan, so dass alle Bedarfe befriedigt (und damit zugleich
alle Angebote ausgeschöpft) werden.

Mathematisches Modell:
Die Entscheidungsvariablen xij stehen für die transportierte Menge von Anbieter i zum Nachfrager j
m n
min  c x
i =1 j =1
ij ij

u. d. N.
n

x
j =1
ij = ai für alle i

x
i =1
ij = b j für alle j

xij  0 für alle i, j

Autor: Prof. Dr. J. Reiter, Hochschule Offenburg Stand: 01.07.2020 Seite 10

5 Zuordnungsprobleme
Klassisches lineares Zuordnungsproblem
▪ Problemstellung:
n Arbeitern sollen n Tätigkeiten bei bekannten (Ausführungs-)Kosten cij (bei Ausführung der
Tätigkeit j durch Arbeiter i) so zugeordnet werden, dass gilt:
1) Jeder Arbeiter führt genau eine Tätigkeit aus. Umgekehrt muss jede Tätigkeit genau
einem Arbeiter zugeordnet werden
2) Der ermittelte Arbeitsplan ist kostenminimal unter allen bzgl. 1) zulässigen Plänen.
▪ Modell:
Entscheidungsvariablen: xij mit xij=1, falls dem Arbeiter i die Tätigkeit j zugeordnet wird
und xij =0 sonst.
n n
min  c x
i =1 j =1
ij ij

u. d. N.
n

x
j =1
ij = 1 für alle i

x
i =1
ij = 1 für alle j

xij  {0, 1} für alle i, j

Kapazitätsbasiertes Zuordnungsproblem
▪ Problemstellung:
Arbeiter mit Angebotskapazitäten ai, Tätigkeiten mit Bedarfskapazitäten bj

▪ Modell:
Entscheidungsvariablen: xij reelwertig oder ganzzahlig als Ausdruck der Anzahl von
Kapazitätseinheiten, mit der Arbeiter i die Tätigkeit j versorgt.
Beliebige Splittings sind erlaubt.
m n
min  c x
i =1 j =1
ij ij

u. d. N.
n

x
j =1
ij  ai für alle i

x
i =1
ij  b j für alle j

xij  0 für alle i, j

Verallgemeinertes Zuordnungsproblem
▪ Gegebenheiten:

Autor: Prof. Dr. J. Reiter, Hochschule Offenburg Stand: 01.07.2020 Seite 11

 o n Tätigkeiten sind von m Arbeitern zu erledigen.
o Jeder Arbeiter i verfügt über eine Kapazität von bi und benötigt für die komplette Be-
arbeitung von Auftrag j genau aij Kapazitätseinheiten.
o Führt der Bearbeiter i den Auftrag j aus, fallen Kosten in Höhe von cij an (Minimie-
rungsproblem. Alternativ: Nutzenwerte und Maximierungsproblem)
▪ Modell:
Entscheidungsvariablen: xij {0, 1}.
m n
Min  c x
i =1 j =1
ij ij

a x
j =1
ij ij  bi für alle i (Kapazität von Bearbeiter i darf nicht überschritten werden)

x
i =1
ij =1 für alle j (jeder Auftrag muss genau einem Bearbeiter zugeordnet sein)

xij  {0, 1} für alle i, j

Autor: Prof. Dr. J. Reiter, Hochschule Offenburg Stand: 01.07.2020 Seite 12

6 Netzwerkflussprobleme

Autor: Prof. Dr. J. Reiter, Hochschule Offenburg Stand: 01.07.2020 Seite 13

Autor: Prof. Dr. J. Reiter, Hochschule Offenburg Stand: 01.07.2020 Seite 14