Beruflich Dokumente
Kultur Dokumente
Brigitte Werners
Grundlagen des
Operations Research
Mit Aufgaben und Lösungen
123
Professor Dr. Brigitte Werners
Ruhr-Universität Bochum
Fakultät für Wirtschaftswissenschaft
Lehrstuhl für Betriebswirtschaftslehre,
insbes. Unternehmensforschung und Rechnungswesen
Universitätsstraße 150
44801 Bochum
or@rub.de
DOI 10.1007/978-3-540-79974-0
c 2008, 2006 Springer-Verlag Berlin Heidelberg
Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere die der
Übersetzung, des Nachdrucks, des Vortrags, der Entnahme von Abbildungen und Tabellen, der Funk-
sendung, der Mikroverfilmung oder der Vervielfältigung auf anderen Wegen und der Speicherung in
Datenverarbeitungsanlagen, bleiben, auch bei nur auszugsweiser Verwertung, vorbehalten. Eine Ver-
vielfältigung dieses Werkes oder von Teilen dieses Werkes ist auch im Einzelfall nur in den Grenzen der
gesetzlichen Bestimmungen des Urheberrechtsgesetzes der Bundesrepublik Deutschland vom 9. Septem-
ber 1965 in der jeweils geltenden Fassung zulässig. Sie ist grundsätzlich vergütungspflichtig. Zuwider-
handlungen unterliegen den Strafbestimmungen des Urheberrechtsgesetzes.
Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk be-
rechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der
Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann
benutzt werden dürften.
987654321
springer.de
Vorwort
Ziel dieses Buches ist die Vermittlung grundlegender Kenntnisse des Operations
Research, also der Entwicklung und des Einsatzes quantitativer Modelle und
Methoden zur Entscheidungsunterstützung. Hiermit lassen sich komplexe reale
Probleme strukturiert analysieren, erfassen und modellieren. Darauf aufbauend
werden quantitative Ergebnisse ermittelt und eine möglichst optimale Lösung
bestimmt. Charakteristisch für das Operations Research ist die Interdisziplinarität
der Anwendungsbereiche und der eingesetzten Methoden und Theorien, vor allem
der Wirtschaftswissenschaft, der Mathematik und der Informatik. Gefördert durch
die rasante Entwicklung der Informations- und Kommunikationstechnologien und
aufgrund des zunehmenden Bedarfs an Verbesserung und Optimierung in vielfäl-
tigen Einsatzbereichen findet Operations Research wachsende Verbreitung und
viele Fachdisziplinen integrieren seine Methoden.
Das vorliegende Lehrbuch ist begleitend zu einer einführenden Veranstaltung
oder auch zum selbstständigen Studium besonders für Studierende der Wirt-
schaftswissenschaft geeignet. Es wird als ergänzende Lektüre zu Vorlesungen für
Studierende der wirtschaftswissenschaftlichen Fakultät der Ruhr-Universität
Bochum eingesetzt. Auch Studierenden der Ingenieurwissenschaften, der Informa-
tik und der Mathematik wird es empfohlen, wenn diese sich besonders für die
Lösung wirtschaftlicher Problemstellungen interessieren. Zahlreiche Anwen-
dungsbeispiele und Übungen veranschaulichen die vorgestellten Modelle und
Methoden. So finden sich in einem separaten Kapitel vielfältige Gestaltungs- und
Einsatzmöglichkeiten von Optimierungsmodellen in den Bereichen Produktion
und Logistik, Investition und Finanzierung, Marketing, Personalplanung, Innova-
tionsmanagement und Krankenhausplanung. Graphen werden mit Beispielen aus
der Logistik und des Projektmanagements motiviert. Anhand der Anwendungen
Anlagenbelegung, Warteschlangen und Risikoanalyse lässt sich die Entschei-
dungsunterstützung mittels Simulation nachvollziehen.
Die grundlegenden Methoden der Optimierung, Graphentheorie und Simulation
werden jeweils nach ausführlichen, einleitenden Beispielen formal mathematisch
dargestellt, um die Allgemeinheit der Aussagen zu gewährleisten und die Abstrak-
tionsfähigkeit zu fördern. Über die üblichen schulischen Kenntnisse hinaus wer-
den keine mathematischen Anforderungen gestellt, auf Beweise wird durchgängig
verzichtet. Die hier angesprochenen Modelle und Methoden dienen einerseits der
Analyse von Problemen, andererseits der Optimierung. Die für die Lösung der
VI Vorwort
Vorwort ................................................................................................................. V
Inhaltsverzeichnis..............................................................................................VII
Symbolverzeichnis .............................................................................................. XI
5 Graphentheorie............................................................................................ 173
5.1 Strukturmodellierung mittels Graphen ................................................. 173
5.1.1 Einführendes Beispiel Autobahnnetz NRW ............................. 173
5.1.2 Gerichtete und ungerichtete Graphen ....................................... 175
5.1.3 Repräsentationsformen von Graphen........................................ 186
5.1.4 Aufgaben .................................................................................. 192
5.2 Bewertete Graphen und kürzeste Wege................................................ 194
5.2.1 Bewertung und Entfernung....................................................... 194
5.2.2 Kürzeste-Wege-Algorithmus von Dijkstra ............................... 197
5.2.3 Aufgaben .................................................................................. 206
8 Lösungen.......................................................................................................305
8.1 Quantitative Entscheidungsunterstützung.............................................305
8.2 Grundlagen linearer Optimierung .........................................................308
8.3 Modellerweiterungen, Dualität und Sensitivitätsanalyse ......................319
8.3.1 Lösung allgemeiner linearer Optimierungsmodelle..................319
8.3.2 Interpretation, Dualität und Sensitivität ....................................327
8.4 Anwendungen linearer Optimierung.....................................................335
8.4.1 Produktion und Logistik ...........................................................335
8.4.2 Investition und Finanzierung ....................................................342
8.4.3 Weitere wirtschaftswissenschaftliche Anwendungen ...............346
8.5 Graphentheorie .....................................................................................349
8.5.1 Strukturmodellierung mittels Graphen .....................................349
8.5.2 Bewertete Graphen und kürzeste Wege ....................................353
8.6 Projektplanung......................................................................................357
8.6.1 Modellierung der Projektstruktur..............................................357
8.6.2 Zeitliche Planung des Projektablaufs........................................366
8.6.3 Kapazitäts- und Kostenplanung ................................................371
8.7 Simulation.............................................................................................376
8.7.1 Deterministische Simulation.....................................................376
8.7.2 Stochastische Simulation ..........................................................385
Abbildungsverzeichnis ......................................................................................393
Tabellenverzeichnis ...........................................................................................397
Literaturverzeichnis ..........................................................................................399
Sachverzeichnis..................................................................................................407
Symbolverzeichnis
\ schwache Präferenz
∼ Indifferenz
⇒ daraus folgt
⇔ äquivalent
:= wird gesetzt auf, ist definiert als
⊕ Struktur, Rechenoperation
⊗ Struktur, Rechenoperation
n
∑a
i =1
i a1 + a2 + ... + an
∞, −∞ unendlich, minus unendlich
(B ) −1
k
k-te Spalte von B −1
GP Gesamtpuffer
g (k ) Grad des Knotens k
g + (k ) Ausgangsgrad des Knotens k
g − (k ) Eingangsgrad des Knotens k
hi i-te Hilfsvariable
i, j Indizes, besonders für Restriktionen bzw. Variable
Im , I (mxm-) Einheitsmatrix
LP lineare Programmierung
Symbolverzeichnis XIII
si i-te Schlupfvariable
UP unabhängiger Puffer
V (X ) Varianz einer Zufallsvariablen X
w mittlere Wartezeit
X Zufallsvariable
xj j-te Strukturvariable
z Zielfunktionswert
Z ganze Zahlen
Z+ positive ganze Zahlen
Z + ∪ {0} nichtnegative ganze Zahlen
Δz Kriteriumswerte
XIV Symbolverzeichnis
ρ Auslastung, Verkehrsdichte
σ ,σ 2 Standardabweichung, Varianz
Φ Präferenzfunktional, Entscheidungsregel bzw. Verteilungsfunktion
der Standardnormalverteilung
1 Quantitative Entscheidungsunterstützung
Dieses Buch vermittelt die Grundlagen des Operations Research, d. h. der Ent-
wicklung und des Einsatzes quantitativer Modelle und Methoden zur Entschei-
dungsunterstützung. Dieser Begriff, wie auch Operational Research oder in
Deutschland Unternehmensforschung, wurde Mitte des vorigen Jahrhunderts ge-
prägt, die typischen Vorgehensweisen und Methoden sind teilweise wesentlich
älter. Ähnliche Bezeichnungen sind Management Science oder quantitative Be-
triebswirtschaftslehre, sie beinhalten die Methoden des Operations Research und
stellen wirtschaftswissenschaftliche Fragestellungen in den Vordergrund. Die
Problemlösungsansätze des Operations Research sind durch ihre Interdisziplinari-
tät gekennzeichnet, wobei vor allem Methoden und Anwendungen der Mathema-
tik, der Wirtschaftswissenschaft, der Informatik und der Ingenieurwissenschaften
von Bedeutung sind.
Charakteristisch für die Vorgehensweise des Operations Research ist das Be-
streben, für komplexe reale Situationen optimale Handlungsvorschläge zu ermit-
teln. Optimalität wird entscheidungstheoretisch fundiert und die unter den zu
berücksichtigenden Bedingungen und gemessen an der Zielanforderung beste
Alternative ausgewählt. Auf Schwierigkeiten bei der Ermittlung einer optimalen
Lösung, die z. B. auf mangelnden Informationen, Risiko oder zu rechenaufwändi-
gen Methoden resultieren, wird reagiert, indem in solchen Situationen eine mög-
lichst gute Lösung oder mehrere effiziente Lösungen bestimmt werden. Operati-
ons Research ist hervorragend geeignet, bei der Verfolgung des ökonomischen
Prinzips zu unterstützen, welches besonders in den beiden folgenden Formen zum
Ausdruck kommt:
y Maximumprinzip: Mit einem gegebenen Einsatz an knappen Gütern ist ein
maximales Ergebnis zu erreichen.
y Minimumprinzip: Ein bestimmtes Ergebnis ist mit minimalem Einsatz knapper
Güter zu erreichen.
Damit erklärt sich auch die besondere Bedeutung des Operations Research im
Rahmen einer entscheidungsorientierten Betriebswirtschaftslehre. Hier liegt der
anwendungsbezogene Haupteinsatzbereich in der Planung und Entscheidungsvor-
2 Quantitative Entscheidungsunterstützung
Verbales
Modell
Problem
Mathem. Modell
Realität spezieller Struktur
Lösungsalgorithmus/
IT-Einsatz
Lösung für
Lösung für mathem. Modell
reales Problem
Lösung für
verbales Modell
Modelle
y Ein Modell ist ein zweckorientiertes, ggf. vereinfachtes Abbild eines Aus-
schnitts der Realität, welches hinsichtlich der interessierenden Zusammenhänge
strukturähnlich oder strukturgleich ist.
Modelle lassen sich hinsichtlich ihres Zwecks unterscheiden in Beschrei-
bungsmodelle, Erklärungs- oder Prognosemodelle und Entscheidungsmodelle.
Beschreibungsmodelle dienen der Abbildung der realen Situation zur Feststellung
bestimmter Sachverhalte, wie etwa die systematische Erfassung der Kosten und
Erlöse im betrieblichen Rechnungswesen zur Feststellung der Wirtschaftlichkeit
vergangener Aktivitäten. Erklärungs- und Prognosemodelle unterstützen bei der
Untersuchung von Konsequenzen geplanter Aktivitäten (What-If-Analyse). Ent-
scheidungsmodelle dienen der Ermittlung von Aktivitäten, die unter Berücksichti-
gung der Möglichkeiten und äußeren Einflüsse und der Bewertung der Ergebnisse
zu möglichst optimalen Entscheidungen führen.
4 Quantitative Entscheidungsunterstützung
Modell
Beispiel Fertigteilelager
Modelle können sehr unterschiedliche Ausschnitte der Realität abbilden, wie das
Beispiel Fertigteilelager zeigt. Für ein Fertigteilelager kann als spezielles Be-
schreibungsmodell ein Standortplan gezeichnet werden, der die Warenträger bzw.
Regale mit den ihnen zugeordneten Produkten enthält. Entsprechen die räumliche
Anordnung und die Entfernungen der Realität, so kann hinsichtlich der zweidi-
mensionalen räumlichen Verhältnisse aufgrund der strukturellen Gleichheit vom
Modell auf die Realität geschlossen werden.
Produkt 1 Produkt 1
Produkt 1 Produkt 4
Produkt 2 Produkt 2
Produkt 3 Produkt 5
gegeben, sodass der Wert des Lagers im Modell ermittelt werden kann und in der
Realität Gültigkeit besitzt, sofern das Modell aktuell und hinsichtlich der Daten
zutreffend ist.
Wird der Platzbedarf von Produkt 1 mit 0,1 m3 pro Einheit festgestellt, dann
erklärt das folgende kleine mathematische Modell den Gesamtplatzbedarf GP in
funktionaler Abhängigkeit von der Anzahl der Produkteinheiten und kann zur
„Prognose“ hinsichtlich des Platzbedarfs später einzulagernder Mengen verwendet
werden. Aus dem Erklärungsmodell
Gesamtplatzbedarf GP ( a ) = f (a) = a ⋅ 0,1
mittels einer Funktion beschreibbar ist, die spezielle Eigenschaften aufweist. Die
Abbildung sollte ein Homomorphismus, d. h. vergröbernd und strukturerhaltend,
oder sogar ein Isomorphismus, d. h. eineindeutig und strukturgleich, sein. Ein
Homomorphismus ist eine Funktion, die Elemente einer Menge A in eine Menge B
abbildet und zwar so, dass strukturelle Eigenschaften und Beziehungen, ggf.
vergröbert, erhalten bleiben.
Realität
A Modell
3
2 6 B
b d
1 a
4 7 c
5
werden als homomorph bezeichnet. Die Elemente von A, die auf dasselbe b
abgebildet werden, bilden eine Äquivalenzklasse.
Strukturgleichheit liegt vor, wenn sowohl die beiden Mengen wie auch die bei-
den Strukturen bis auf ihre Bezeichnungen übereinstimmen. Für quantitative Mo-
delle lässt sich Strukturgleichheit mathematisch mittels eines Isomorphismus
beschreiben.
y Eine Funktion f : A → B ist ein Isomorphismus genau dann, wenn gilt
i. f ist bijektiv, d. h. eineindeutig, und f ( A ) = B , und
ii. f ist ein Homomorphismus und
iii. die Umkehrfunktion f −1 ist ein Homomorphismus.
Falls ein Isomorphismus zwischen zwei Mengen mit ihren Strukturen existiert,
heißen diese zueinander isomorph.
Aus der Definition ist unmittelbar ersichtlich, dass ein Isomorphismus ein spe-
zieller Homomorphismus ist.
Beispiel Homomorphismus
Wir betrachten die reellen Zahlen R mit der darauf definierten Relation ≤ und die
ganzen Zahlen Z , ebenfalls mit der ≤ -Relation. Damit entsprechen ( R, ≤ ) der
Struktur ( A, ⊗ ) und ( Z, ≤ ) der Struktur ( B, ⊕ ) .
Die Funktion f ist eine vergröbernde Abbildung, die jeder reellen Zahl eine ganze
Zahl zuordnet, die „größte ganze Zahl ≤ x “1:
f : x → [ x]
beispielsweise 1,8 → 1
2,9 → 2
−3, 6 → −4
Die Funktion f ist ein Homomorphismus zwischen den Mengen mit ihren
Strukturen ( R, ≤ ) und ( Z, ≤ ) , da für beliebige Zahlen a1 ,a2 ∈ R gilt
a1 ≤ a2 ⇒ [ a1 ] ≤ [ a2 ]
Beispiel: 1,8 ≤ 2 ,9 ⇒ 1 ≤ 2
1
[ x ] := größte ganze Zahl ≤ x . Diese Vorschrift rundet, indem für nichtnegative Zah-
len die Nachkommastellen abgeschnitten werden und für negative Zahlen ebenfalls die
ganze Zahl „links“ von x zugeordnet wird.
8 Quantitative Entscheidungsunterstützung
d. h., sie weichen nur nach dem Komma voneinander ab. Da also 5 ≤ 7 ist, ist
auch 5,9 ≤ 7, 2 .
Betrachtet man dagegen (R, +) und (Z, +) , also übereinstimmende Mengen
mit anderen Strukturen, nämlich jeweils der Addition, und dieselbe Abbildung
f : x → [ x ] , dann zeigt sich, dass die Mengen mit diesen Strukturen nicht homo-
morph sind, die Funktion f hier also keinen Homorphismus darstellt. Es gilt:
[1,8 + 2,9] = [ 4,7] = 4 ≠ [1,8] + [ 2,9] = 1 + 2 = 3 .
Aus 1 + 2 = 3 kann also nicht geschlossen werden, dass auch 1,8 + 2,9 einen
Wert besitzt, der in der Äquivalenzklasse zu [3] , also von 3 bis unter 4, liegt.
Damit können Aussagen, die in der vergröberten Struktur ( Z, + ) ermittelt werden,
nicht in die Struktur ( R, + ) zurück übertragen werden, denn hier ist f kein Ho-
momorphismus.
Modelle bilden unterschiedliche Ausschnitte der Realität ab, wie das Beispiel
Fertigteilelager zeigt. Quantitative Methoden unterstützen darin, reale Probleme
strukturiert zu erfassen, zu modellieren, quantitative Ergebnisse zu ermitteln und
die optimale Lösung zu finden. Damit diese Aussagen, die für die Modelle ge-
wonnen werden, Bedeutung für die Realität haben, ist die Strukturähnlichkeit zu
dem betrachteten Teil der Realität einschließlich der wichtigen Zusammenhänge
sicherzustellen. So macht es im Beispiel Inventar Sinn, den durchschnittlichen
Wert eines Stücks im Lager aus den Produktstückzahlen multipliziert mit den
Einzelwerten zu ermitteln. Es ist jedoch nicht sinnvoll, aus den Produktnummern
ein durchschnittliches Produkt zu berechnen.
Methoden
Operations Research befasst sich insbesondere mit Entscheidungsmodellen und
der Ermittlung einer optimalen Lösung. Darüber hinaus werden auch quantitative
Erklärungsmodelle zur Entscheidungsunterstützung eingesetzt, die zu einer Er-
gebnisermittlung und Bewertung jeweils einzelner Alternativen beitragen. Unter
einer Methode wird in diesem Zusammenhang meist das Vorgehen einschließlich
Modellierung und Problemlösung unter Einsatz von Algorithmen verstanden,
gelegentlich werden Methode und Algorithmus synonym verwendet.
Unter Optimierung versteht man die Ermittlung derjenigen zulässigen Hand-
lungsalternative, die einem vorgegebenen Ziel am besten von allen Alternativen
entspricht. Damit setzt eine Optimierung voraus, dass alle zulässigen Handlungs-
alternativen berücksichtigt werden, die Zielvorstellung muss bekannt sein, die
Handlungsalternativen sind bezüglich dieser Zielvorstellung zu bewerten und die
Bewertungsergebnisse müssen miteinander vergleichbar sein. Entscheidungstheo-
retische Anforderungen an die Bestimmung der besten Alternativen werden in
Kap. 1.2 ausführlich behandelt.
Sind nur wenige Handlungsalternativen zu berücksichtigen, kann eine vollstän-
dige Enumeration durchgeführt, d. h. alle Alternativen explizit aufgestellt und
bewertet und dann die optimale ausgewählt werden. Bei einer Vielzahl von Alter-
Operations Research: Strukturierte Problemlösung 9
nativen ist dieses Vorgehen zu aufwändig. Dann wird angestrebt, alle Handlungs-
alternativen mittels eines mathematischen Optimierungsmodells implizit zu
erfassen und unter Einsatz eines Optimierungsalgorithmus die beste Alternative zu
berechnen. Bei einigen Modellstrukturen, etwa wenn alle Zusammenhänge linear
sind, stehen sehr effiziente, geeignete Lösungsalgorithmen zur Verfügung. Ist eine
Optimierung nicht möglich oder aufgrund der Modellstruktur oder -größe zu
aufwändig, können ggf. Heuristiken geeignet sein, eine gute Lösung zu ermitteln.
Unter einer Heuristik versteht man eine Vorgehensweise oder einen Algorith-
mus, mit der durch ein systematisches Vorgehen eine möglichst gute Lösung
gefunden wird, wobei die Optimalität jedoch meist nicht erreicht wird und in der
Regel nicht beweisbar ist. Typisch für Heuristiken ist, dass nicht alle Alternativen
berücksichtigt werden. Mit den klassischen Heuristiken wird unter Verwendung
sinnvoller Regelungen teilweise nur eine einzige Alternative entwickelt. Ge-
bräuchliche Regeln zeigen häufig gute Ergebnisse. Moderne Heuristiken entwi-
ckeln und bewerten teilweise sehr schnell sehr viele unterschiedliche Alternativen
und haben ihre Qualität bei der Lösung vielfältiger, sehr komplexer Probleme
bereits gezeigt. Zur Beurteilung der Qualität der Problemlösung steht bei optimie-
renden Verfahren der Aufwand zur Berechnung bis zur optimalen Lösung im
Vordergrund, während für Heuristiken zusätzlich die Abweichung von dem Er-
gebnis bei optimaler Lösung bzw. der Vergleich der Ergebnisse verschiedener
Heuristiken relevant ist.
Algorithmus
In Entscheidungsmodellen ist die optimale Lösung zu ermitteln, daher spricht man
auch von einem Entscheidungsproblem und einer Problemlösung. Dazu werden
Algorithmen verwendet, die in Computerprogramme umgesetzt werden.
y Unter einem Algorithmus kann ganz allgemein eine Verarbeitungsvorschrift zur
Lösung eines Problems verstanden werden. Eine sehr detaillierte Darstellung
der Verarbeitungsvorschrift kann durch ein ablauffähiges Programm in einer
Programmiersprache geschehen.
Zur Darstellung von Programmabläufen und von Algorithmen stehen als Visua-
lisierungsmöglichkeiten insbesondere der Programmablaufplan und das Struk-
togramm zur Verfügung (z. B. Balzert 2005, Ernst 2003). Diese werden in unter-
schiedlichen Detaillierungen verwendet und unterstützen den Programmentwurf
und die Kommunikation zwischen verschiedenen Beteiligten, wie beispielsweise
Entwickler und Programmierer. Die darzustellenden Kontrollstrukturen sind
Sequenz, Auswahl, Wiederholung und Aufruf. Der Programmablaufplan, auch
Flussdiagramm oder Ablaufdiagramm genannt, ist in der DIN 66001 genormt. Die
Programmablaufplan-Notation verbindet grafische Symbole durch Linien. Sie
wird noch eingesetzt, lässt jedoch Sprünge zu und unterstützt damit nicht, im
Unterschied zum Struktogramm, die strukturierte Programmierung. Struktogram-
me, nach ihren Entwicklern auch Nassi-Shneiderman-Diagramme genannt, sind in
10 Quantitative Entscheidungsunterstützung
der DIN 66261 normiert. Die wichtigsten Sinnbilder mit ihrer Anwendung für die
Darstellung des Programmablaufs sind im Folgenden aufgeführt.
Eine Verarbeitung V bzw. Anweisung wird durch ein Rechteck gekennzeichnet.
Eine Sequenz oder Folge ist eine Aneinanderreihung von Anweisungen, die von
oben nach unten durchgeführt werden.
V1
V2
V3
B
V
V
B
ohne Bedingungsprüfung
G
B1 B2
V2 V1
Beispiel Prüfungstraining
Im Rahmen Ihrer Klausurvorbereitung bearbeiten Sie die zwei Kapitel Ihrer Un-
terlagen nacheinander. Anschließend prüfen Sie mittels Internet-Test, ob Sie aus-
reichend gut vorbereitet sind. Falls nicht, bearbeiten Sie erneut beide Kapitel. Dies
wiederholen Sie solange, bis Ihr Ergebnis ausreichend gut ist. Anschließend unter-
ziehen Sie sich der Prüfung. Sind Sie nicht erfolgreich, bearbeiten Sie noch einmal
beide Kapitel und lassen sich nachprüfen. Nach erfolgreicher Prüfung treten Sie
Ihren wohlverdienten Urlaub an.
Kap. 1 lernen
Kap. 2 lernen
nicht
nicht Prüfung
bestanden
bestanden bestanden
Kap. 1 lernen
Urlaub
Kap. 2 lernen
nicht
bestanden bestanden
Urlaub
f1 ( n ) = 2n 2 + n + 5 ≤ 2n 2 + n 2 + n 2 = 4n 2 = 4 ⋅ g ( n )
( )
Wie ein beliebiges Polynom 2. Grades zu O n 2 gehört, gehört auch z. B. ein
( )
beliebiges Polynom 5. Grades zu O n5 oder ein Polynom k. Grades zu O n k . ( )
Komplexitätsuntersuchungen von Algorithmen und Entscheidungsmodellen
sind Gegenstand der Komplexitätstheorie. Für den praktischen Einsatz bedeutend
ist neben dem worst case Verhalten besonders das durchschnittliche Laufzeitver-
halten (average case), welches sich bei üblichem praktischem Einsatz zeigt und
bei einigen Algorithmen sehr viel kürzer sein kann. Bei einigen der später vorzu-
stellenden Algorithmen wird auf das Laufzeitverhalten eingegangen.
Im vierten Kapitel steht der Einsatz der bis dahin behandelten Modelle und Me-
thoden in unterschiedlichen Anwendungssituationen im Mittelpunkt. Zunächst
wird auf die Möglichkeit der Rechnerunterstützung eingegangen, um auch große
Probleme behandeln zu können. Teilweise sind Studentenversionen verfügbar, auf
die hingewiesen wird. Ein Teilkapitel enthält umfangreichere Anwendungsmög-
lichkeiten der linearen Optimierung im Bereich der Produktion und Logistik.
Besonders werden Modelle und Lösungen zum Supply Chain Planning und zur
Standortplanung vorgestellt. Bevor im nächsten Teilbereich auf die simultane
Investitions- und Finanzierungsplanung eingegangen wird, erfolgt eine kurze
Einführung in die Methoden der dynamischen Investitionsrechnung. Weitere
wirtschaftswissenschaftliche Anwendungen wie Revenue Management, Fallmix-
Optimierung im Krankenhaus, Personaleinsatzplanung, Forschungs- und Ent-
wicklungsprogrammauswahl und Spielplanoptimierung geben einen Eindruck von
der Vielfalt der realen Problemstellungen, für die eine wertvolle Unterstützung
und Lösung mittels linearer Optimierungsmethoden erfolgt.
In den anschließenden Kapiteln wird auf andere, ebenfalls klassische Methoden
des Operations Research mit ihren Einsatzmöglichkeiten eingegangen. Kapitel
fünf behandelt die Grundlagen der Graphentheorie. Graphen mit ihren Visualisie-
rungsmöglichkeiten sind hervorragend geeignet, komplexe Sachverhalte struktu-
riert zu erfassen, zu analysieren und daraus Erkenntnisse über die Realität abzulei-
ten. Zunächst wird die abstrakte mathematische Struktur eines Graphen, bestehend
aus zwei Mengen und deren Zusammenhang, definiert und anhand des einführen-
den Beispiels Autobahnnetz NRW erläutert. Eine solche mathematische Struktur
kann auf spezielle Eigenschaften hin untersucht werden, die Rückschlüsse auf die
Realität zulassen. Insbesondere quantifizierbare Sachverhalte sind von Interesse,
die etwa in Form von bewerteten Graphen Beachtung finden. Vertieft wird die
Behandlung von Entfernungen zwischen verschiedenen Orten, repräsentiert als
Knoten, und die daraus ableitbaren Ermittlungen kürzester Wege unter Einsatz des
Algorithmus von Dijkstra.
Die quantitativen Methoden der Projektplanung basieren auf graphentheoreti-
schen Modellen und werden in Kapitel sechs näher vorgestellt. Zunächst wird auf
die Grundlagen der Projektplanung eingegangen und eine Strukturanalyse durch-
geführt. Darauf baut die zeitliche Planung des Projektablaufs auf, die getrennt für
Vorgangspfeil- und Vorgangsknotennetzpläne behandelt wird. Neben der Projekt-
dauer werden auch Pufferzeiten und Flexibilitätsreserven ermittelt, die von beson-
derer Bedeutung für die Projektsteuerung sind. Auch hier sind ggf. knappe Kapa-
zitäten zu berücksichtigen, weiter sind die Projektkosten, welche von dem zeitli-
chen Ablauf des Projektes abhängen, zu beachten und zu optimieren.
Die im siebten Kapitel behandelte Simulation basiert auf einem gegenüber den
bis dahin vorgestellten Modellen und Methoden unterschiedlichen Konzept.
Anstatt ein geschlossenes Modelle zu entwickeln, zu analysieren und ggf. zu
optimieren werden hier zwar auch mathematische Modelle verwendet, jedoch
bestehen diese meist aus einzelnen Komponenten und werden zur Durchführung
von Experimenten eingesetzt. Auch die so erzielten Ergebnisse dienen der Ent-
Entscheidungsunterstützung 15
1.2 Entscheidungsunterstützung
Fällt eine 1, 2 oder 3, zahlen Sie pro eingesetzten Euro 4 €. Die vollständige Liste
der Handlungsalternativen, die hier implizit beschrieben wird, lautet:
Sie beteiligen sich nicht oder Sie beteiligen sich mit einem Betrag von x € mit 0 <
x ≤ 1.000.
Umwelt-
zustände 1 2 3 4 5 6
Alternativen 1/ 1/ 1/ 1/ 1/ 1/
6 6 6 6 6 6
x=0 0 0 0 0 0 0
umso besser beurteilt, je höher er ist. Umgekehrt wird ein abzugebender Betrag
umso besser beurteilt, je niedriger er ist. Bei einigen Merkmalen kann daher direkt
von einer Maximierungszielvorstellung bzw. einer Minimierungszielvorstellung
ausgegangen werden. Schwieriger wird die Entscheidungssituation, wenn Unsi-
cherheit, zeitliche Abweichungen oder mehrere Ziele zu berücksichtigen sind.
Dann sind zusätzliche Präferenzinformationen erforderlich, aus denen der Nutzen
der Ergebnisse abgeleitet werden kann. Derartige Fragestellungen sind Beschäfti-
gungsgegenstand der Entscheidungstheorie, auf die hier kurz eingegangen wird.
Beispiel Würfeln Das Ziel des Entscheidungsträgers besteht darin, ein möglichst
hohes Ergebnis zu erzielen. So ist der Nutzen von −1000 + 6 ⋅1000 = 5000 , der bei
einem Einsatz von 1000 im günstigsten Fall eintritt, also wenn der Würfel 6 zeigt,
höher als −1000 + 4 ⋅1000 = 3000 bei dem Wurf 4. Dies ist jedoch nicht vom
Entscheidungsträger auszuwählen. Er kann nur über seinen Einsatz entscheiden,
nicht über den Umweltzustand. Daher sind zusätzliche Informationen über die
Vorstellungen des Entscheidungsträgers hinsichtlich seines Verhaltens in Ent-
scheidungssituationen unter Risiko notwendig, um geeignete Bewertungen der
Alternativen vornehmen zu können. Ist er risikoneutral, bewertet er die Alternati-
ve mit dem jeweiligen Erwartungswert der Ergebnisse bzw. Zielerreichungen und
wählt diejenige mit höchstem Erwartungswert aus. Bei einem Einsatz von 0 ist das
erwartete Ergebnis 0, welches mit Sicherheit, also unabhängig vom Umweltzu-
stand, eintrifft. Für einen Betrag x mit 0 < x ≤ 1000 ist das erwartete Ergebnis
−1000 − 12 ⋅ 4 x + 16 ⋅ 4 x + 16 ⋅ 5 x + 16 ⋅ 6 x = −1000 + 12 x . Dieses ist selbst für den
höchstmöglichen Einsatz x = 1000 mit −500 negativ. Daher sollte sich ein
risikoneutraler Entscheidungsträger nicht an diesem Spiel beteiligen.
Ergebnismatrix
z1 z2 … zn
p1 p2 … pn
…
am em1 … emn
Nutzenfunktion
Entscheidungsmatrix
z1 z2 … zn
p1 p2 … pn
am um1 … umn
Beispiel Wochenhändler
Der Händler eines Wochenmarktes hat zu entscheiden, wie viele Kilogramm der
leicht verderblichen Erdbeeren er auf dem Großmarkt einkaufen und auf dem
Wochenmarkt anbieten soll. Aufgrund der festen Gebindegrößen stehen als
Alternativen 50 kg, 70 kg oder 90 kg zur Auswahl. Die Nachfrage auf dem Wo-
20 Quantitative Entscheidungsunterstützung
chenmarkt im Laufe des Tages wird, u. a. beeinflusst durch die Wetterlage, ent-
weder 30 kg, 50 kg, 70 kg oder 90 kg betragen. Tagsüber nicht abgesetzte Erdbee-
ren lassen sich später nicht mehr verkaufen. Der Verkaufspreis V beträgt 3 € pro
kg Erdbeeren und wird als nicht beeinflussbar angenommen. Die Einkaufspreise
Ei , i = 1, 2,3 sind nach Gebinde gestaffelt und betragen für 50 kg 1,60 €/kg, für
70 kg 1,40 €/kg und für 90 kg 1,25 €/kg. Der Händler ist an einem möglichst
hohen Gewinn interessiert.
Zur Strukturierung der Entscheidungssituation werden zunächst die Handlungs-
alternativen ai zusammengestellt, wobei die Möglichkeit, nichts einzukaufen, mit
berücksichtigt wird. Die vier alternativen Umweltzustände z j sind bekannt,
jedoch nicht ihre Eintreffenswahrscheinlichkeiten. In einer Ergebnismatrix können
die durch das Zusammentreffen von je einer Handlungsalternative und einem
Umweltzustand resultierenden absetzbaren Mengen erfasst werden.
Nachfrage z j
30 kg 50 kg 70 kg 90 kg
Angebot ai
0 kg 0 kg 0 kg 0 kg 0 kg
50 kg 30 kg 50 kg 50 kg 50 kg
70 kg 30 kg 50 kg 70 kg 70 kg
90 kg 30 kg 50 kg 70 kg 90 kg
Der zu erzielende Gewinn wird aus dem Erlös für die abgesetzte Menge abzüg-
lich der Einkaufskosten für die beschaffte Menge ermittelt:
Entspricht der Gewinn dem Nutzen des Entscheidungsträgers, wird damit die
Entscheidungsmatrix aufgestellt.
Nachfrage z j
30 kg 50 kg 70 kg 90 kg
Angebot ai
0 kg 0€ 0€ 0€ 0€
50 kg 10 € 70 € 70 € 70 €
70 kg -8 € 52 € 112 € 112 €
90 kg -22,5 € 37,5 € 97,5 € 157,5 €
Entscheidungsunterstützung 21
Zur Strukturierung einer Entscheidungssituation mit dem Ziel der Auswahl der
besten Alternative sind hinsichtlich der einzelnen Elemente des Entscheidungs-
modells detaillierte Sachverhalte und wesentliche Prinzipien zu beachten, um eine
rationale Entscheidung treffen zu können, die im Folgenden etwas ausführlicher
erörtert werden.
Beispiel Anlagemöglichkeiten
Das Guthaben auf Ihrem Sparkonto beträgt 5.000 €. Sie erhalten von Ihrer Bank
folgende Angebote auf Beteiligung an Unternehmen, die jeweils genau einmal
möglich sind und sich nicht gegenseitig ausschließen:
Beteiligung an Unternehmen A mit einem Betrag von 5.000 €
Beteiligung an Unternehmen B mit einem Betrag von 3.000 €
Beteiligung an Unternehmen C mit einem Betrag von 1.000 €
Mit diesen drei Vorschlägen leiten Sie die Menge vollkommener Alternativen
ab. Wollen Sie keine zusätzlichen Angebote berücksichtigen, bestehen 5 Alterna-
tiven, von denen genau eine gewählt werden muss. Hinsichtlich der Alternativen-
stellung ist der Zeitbezug mit zu berücksichtigen. Stets ist zu prüfen, welche
Alternativen bereits zum Zeitpunkt der Planung festgelegt werden müssen und
über welche Teilaspekte erst zu einem späteren Zeitpunkt zu entscheiden ist, wenn
22 Quantitative Entscheidungsunterstützung
a1 Sparkonto 5.000 €
a2 Beteiligung A 5.000 €
a3 Beteiligung B 3.000 € Sparkonto 2.000 €
a4 Beteiligung C 1.000 € Sparkonto 4.000 €
a5 Beteiligung B 3.000 € Sparkonto 1.000€
Beteiligung C 1.000 €
Zustandsraum Die Umwelt beeinflusst das Ergebnis einer Aktion oder Hand-
lungsalternative und wird – zumindest hinsichtlich des Betrachtungshorizonts –
als durch den Entscheidungsträger nicht zu beeinflussend angesehen. Ein Umwelt-
zustand ist eine denkbare Konstellation relevanter Umweltfaktoren.
Je nach den möglichen Umweltzuständen und den darüber vorliegenden Infor-
mationen lassen sich Entscheidungssituationen klassifizieren. Von einer Entschei-
dungssituation unter Sicherheit spricht man, wenn nur ein Umweltzustand eintre-
ten wird, der bekannt ist, also sichere Erwartungen hinsichtlich der Zukunft
vorliegen, andernfalls spricht man von Unsicherheit. Unsicherheitssituationen
werden weiter differenziert nach Entscheidungssituationen unter Risiko, für die
die Wahrscheinlichkeiten für das Eintreten der verschiedenen Umweltsituationen
angenommen werden können, und Entscheidungssituationen unter Ungewissheit,
bei denen nur die möglichen Umweltzustände, nicht jedoch deren Eintrittswahr-
scheinlichkeiten bekannt sind. Zu berücksichtigen ist, dass auch Situationen
vorkommen mit unvermuteten Umweltzuständen, die jedoch entscheidungstheore-
tisch kaum behandelbar sind.
Entscheidungssituation
Sicherheit Unsicherheit
Ungewiss-
Risiko ?
heit
Beispiel Ausschussanteil
Der Ausschussanteil einer Lieferung kann zwischen 0 und 100 % schwanken,
sodass alle Zustände dieses Intervalls möglich sind. Hat der konkrete Ausschuss-
anteil Einfluss z. B. auf die Produktionskosten, sind sehr viele Umweltzustände zu
erfassen und die Konsequenzen z. B. mittels einer Kostenfunktion k ( z ) abzulei-
ten. Sind für den Entscheidungsträger nur bestimmte Bereiche von Interesse, kann
die Zahl der relevanten Umweltzustände reduziert werden. Wird z. B. die Liefe-
rung zurückgewiesen, falls mehr als 5 % defekt sind, können die vielen Zustände
auf zwei relevante Zustände, Ausschussanteil aus [0; 5] oder aus (5; 100], redu-
ziert werden, mit den Konsequenzen Zurückweisung oder Annahme.
Gerade für strategische Entscheidungen werden zur besseren Handhabung aus
Einzeleinflüssen zusammengesetzte Umweltzustände zu Szenarien zusammenge-
fasst. Die Modellierung der Unsicherheit geschieht dann durch Szenario-Analyse,
die auf Hauptszenarien reduziert werden.
In Entscheidungssituationen unter Risiko mit einer endlichen Menge von Zu-
ständen ist jedem Zustand zi eine Wahrscheinlichkeit pi mit i=1,...,n zugeordnet.
Wahrscheinlichkeiten sind sämtlich größer oder gleich null. Die Summe aller
Wahrscheinlichkeiten ergibt eins und die Wahrscheinlichkeit für das Eintreten
eines von mehreren einander ausschließenden Zuständen ist gleich der Summe
deren Einzelwahrscheinlichkeiten.
Zur Untersuchung von Entscheidungen unter Risiko sind Kenntnisse der Wahr-
scheinlichkeitsrechnung erforderlich, die hier und in Kap. 7 kurz dargestellt und in
einführender Literatur ausführlich behandelt werden (Bamberg et al. 2008, Rei-
chardt u. Reichardt 2002). Die Wahrscheinlichkeit, dass ein Zustand x eintritt,
wird mit p ( x ) bezeichnet, der (unbedingten) Wahrscheinlichkeit. p ( x, y ) ist die
gemeinsame Wahrscheinlichkeit, dass Zustand x und y eintreffen. Allgemein
gilt die Additionsregel zur Erfassung der Wahrscheinlichkeit, dass x oder y ein-
treffen p ( x oder y ) = p ( x ) + p ( y ) − p ( x, y ) . Die bedingte Wahrscheinlichkeit
eines Zustandes y unter der Bedingung, dass Zustand x eingetreten ist, ist für
p(x) > 0 definiert mit
p ( x, y )
p ( y x) = .
p ( x)
24 Quantitative Entscheidungsunterstützung
Ergebnisraum Ein Ergebnis ist die Konsequenz aus der Kombination einer
bestimmten Handlungsalternative mit einem bestimmten Umweltzustand. Zu einer
endlichen Alternativenmenge und einer endlichen Umweltzuständemenge lassen
sich die Ergebnisse explizit in Matrixform angeben. Diese Ergebnisse können
auch mehrwertig sein. Eine auszuwählende berufliche Position ist mit einer
bestimmten Vergütung, wöchentlichen Arbeitszeit, Einsatzart und Aufstiegschan-
cen verbunden, die für den Entscheider mehr oder weniger attraktiv sind. Die
Ermittlung von Ergebnissen geschieht ggf. durch Wirkungsmodelle. Beispielswei-
se ist der Umsatz das Produkt aus Preis und abgesetzter Menge, wobei die abge-
setzte Menge abhängt von der Nachfrage und der angebotenen Menge ist.
ak ai ⇔ Φ ( ak ) ≥ Φ ( ai ) Präferenz
ak ai ⇔ Φ ( ak ) > Φ ( ai ) strikte Präferenz
ak ∼ ai ⇔ Φ ( ak ) = Φ ( ai ) Indifferenz
Zahl ab. Häufig findet man eine Normierung der Nutzenwerte auf das Intervall
[0, 1] . Nicht jede Präferenzrelation ist durch eine numerische Bewertungsfunkti-
on u zu repräsentieren, sondern nur solche Präferenzrelationen, die vollständig und
transitiv sind.
Es werden zwei Arten von Nutzenfunktionen unterschieden:
y Eine ordinale Nutzenfunktion gibt an, ob ein Ergebnis gegenüber einem ande-
ren präferiert wird, nicht, in welchem Maße dies gilt. Sie ist eindeutig bis auf
monoton steigende Transformation.
y Eine kardinale Nutzenfunktion, auch Höhenpräferenzfunktion oder messbare
Wertfunktion, gibt an, ob der Präferenzunterschied zwischen zwei Alternativen
a und b größer ist als zwischen zwei anderen c und d . Sie ist eindeutig bis
auf monoton steigende lineare Transformationen.
Wird den Ergebnissen einer Ergebnismatrix ihr Nutzen zugeordnet, erhält man
die so genannte Nutzenmatrix oder Entscheidungsmatrix. Zur Unterstützung von
Entscheidungen lassen sich stattdessen auch Schadensmatrix oder Opportunitäts-
kostenmatrix betrachten.
Beispiel Wochenhändler
Entspricht der Gewinn dem Nutzen des Wochenhändlers, ist die Nutzenmatrix
bereits bekannt. Eine Normierung der Nutzenwerte auf [ 0, 1] liefert folgende
Entscheidungsmatrix mit gerundeten Nutzenwerten:
Dominanzprinzip
y Dominanz (Vergleich mit einer Alternative)
Eine Handlungsalternative ai dominiert eine Alternative a j , wenn ai bez.
keines Kriteriums schlechter und mindestens bez. eines Kriteriums besser als
a j ist. a j wird dann von ai dominiert.
y Effizienz (Vergleich mit allen anderen Alternativen)
Eine Alternative a∗ , die von keiner anderen Alternative aus A dominiert wird,
heißt in A undominiert. Eine undominierte Alternative a∗ wird als effizient
(vektoroptimal, funktionaleffizient) in A bezeichnet, wenn verschiedene Ziele
betrachtet werden; als zeitlich effizient, wenn unterschiedliche Zeiten zu be-
rücksichtigen sind; als pareto-optimal, wenn verschiedene Entscheidungsträger
mit unterschiedlichen Präferenzen zu beachten sind und als effizient, wenn ver-
schiedene Umweltzustände auftreten können.
y Das Dominanzprinzip verlangt von einem rationalen Entscheidungsträger, aus-
schließlich undominierte bzw. effiziente Handlungsalternativen zu wählen.
Unter Berücksichtigung des Dominanzprinzips lassen sich Alternativen mit
mehrwertigen Ergebnissen daraufhin überprüfen, welche für eine Wahl geeignet
sind, nämlich gerade die nicht dominierten, also die effizienten bzw. pareto-
optimalen in der Menge aller zulässigen Alternativen.
28 Quantitative Entscheidungsunterstützung
Beispiel Investitionsalternativen
Es sind vier unterschiedliche Investitionsalternativen durch ihre Zahlungsreihen,
also Auszahlungen zu Beginn und Einzahlungen nach dem 1. und dem 2. Jahr,
angegeben. Über die Zeitpräferenzen des Entscheidungsträgers liegen keine Infor-
mationen vor. Es kann davon ausgegangen werden, dass der Nutzen umso größer
ist, je höher eine Einzahlung und je geringer eine Auszahlung ist.
Zahlungen
Alter- Beginn 1. Jahr 2. Jahr
nativen
a1 -10.000 5.000 5.000
Ohne Kenntnisse der Zeitpräferenz können nur Aussagen hinsichtlich der Do-
minanz getroffen werden. Alternative a1 wird von a2 , a3 und a4 dominiert. Die
Alternativen a2 und a4 sind nicht vergleichbar. a4 dominiert a3 . a2 und a3 sind
nicht vergleichbar. Damit werden in der Menge aller betrachteten Alternativen a2
und a4 nicht dominiert. Sie sind die einzigen effizienten Alternativen in der
Menge der erwogenen Investitionen, ein rationaler Entscheidungsträger sollte sich
für eine der beiden entscheiden. Sind zusätzliche Zeitpräferenzen des Entschei-
dungsträgers bekannt, kann eine weitere Unterstützung bei der Auswahl erfolgen,
wie in Kapitel 4 ausführlich beschrieben wird.
Beispiel Wochenhändler
Aufgrund der bei der Entscheidung noch unbekannten Nachfrage und der fehlen-
den Risikopräferenzinformation lassen sich die Alternativen nur hinsichtlich ihrer
Dominanz untersuchen. Die Alternative, nichts auf dem Großmarkt zu kaufen,
wird von der Alternative „50 kg“ dominiert. Diese Aussage ist sowohl auf der
Grundlage einer ordinalen als auch einer kardinalen Nutzenfunktion möglich. Die
übrigen Alternativen sind nicht miteinander vergleichbar. Ist der Entscheidungs-
träger risikoneutral und kann davon ausgegangen werden, dass alle Nachfragen
gleich wahrscheinlich sind, wählt er diejenige Alternative, die den höchsten
Erwartungswert der Ergebnisse, die hier den Nutzen entsprechen, aufweist.
Entscheidungsunterstützung 29
0 kg : 1 ( 4 ⋅ 0)
4 = 0€
50 kg : 1 (10 + 3 ⋅ 70 ) = 55 €
4
70 kg : 1 ( −8 + 52 + 112 + 112 ) = 67 €
4
90 kg : 1 ( −22,5 + 37,5 + 97,5 + 157,5 ) = 67,5 €
4
Damit sollte sich der risikoneutrale Wochenhändler für den Kauf von 90 kg auf
dem Großmarkt entscheiden. Ist er sehr risikoavers und will auf jeden Fall einen
Verlust vermeiden, kommt nur die Alternative „50 kg“ für ihn in Betracht –
„0 kg“ nicht, da diese dominiert wird. Die Ermittlung des Erwartungswerts ist nur
für kardinale Nutzenbewertungen sinnvoll.
Liegt eine Entscheidungssituation unter Sicherheit vor, dann ist der Umweltzu-
stand bekannt. Damit kann jeder Handlungsalternative das Ergebnis eindeutig
zugeordnet werden. Sind außerdem die Präferenzen hinsichtlich der Ergebnisse
bekannt, bleibt zur Entscheidungsunterstützung übrig, die Handlungsalternative
mit dem besten Ergebnis zu ermitteln. Dies kann aufgrund der Fülle der Möglich-
keiten und der zu berücksichtigenden Interdependenzen problematisch sein. Eine
Unterstützung durch quantitative Modelle und Methoden ist hier hilfreich. So
wurde eine Vielfalt von deterministischen Entscheidungsmodellen entwickelt, die
unterschiedliche mathematische Strukturen aufweisen. Weiterhin existieren zu
speziellen mathematischen Strukturen zugehörige exakte Algorithmen, die sehr
effizient eingesetzt werden können und optimale Lösungen ermitteln. Zur Lösung
anderer Modelle sind Heuristiken entwickelt worden, die auf die Optimalität
zugunsten eines beschleunigten Problemlösungsprozesses verzichten. Wird die
Entscheidungsfindung aufgrund der vorhandenen Unsicherheit über das Eintreffen
möglicher Umweltzustände schwieriger, bieten Modelle und Methoden des
Operations Research bei der Analyse der Situation und dem Aufzeigen günstiger
Alternativen wertvolle Unterstützung. Die Berücksichtigung zusätzlicher Präfe-
renzinformationen wird im Rahmen von Operations Research Methoden ebenfalls
unterstützt, hier sind insbesondere stochastische Optimierungsansätze (z. B. Birge
u. Louveaux 1999), Robuste Optimierung (z. B. Scholl 2001), Vektoroptimie-
rungsmethoden (z. B. Ehrgott 2005) und Ansätze auf der Grundlage unscharfer
Mengen (z. B. Zimmermann 2001) zu nennen, die über den Rahmen einer Einfüh-
rung hinausgehen.
In diesem Buch werden ausgewählte grundlegende Modelle und Methoden zur
Entscheidungsunterstützung vorgestellt. Es wird besonderer Wert auf die Anwen-
dung der theoretischen Grundlagen zur Lösung betriebswirtschaftlicher Planungs-
und Entscheidungsprobleme gelegt, daher werden vielfach anwendungsbezogene
Beispiele herangezogen, um über eine Methodenkompetenz hinaus die Anwen-
dungskompetenz zu erreichen.
30 Quantitative Entscheidungsunterstützung
1.2.2 Aufgaben
Aufgabe 1.2.1
In einem Auswahlverfahren soll darüber entschieden werden, welcher Schüler der
„optimale“ Schüler ist. Die Schüler haben folgende Noten:
a1 3 4 2
a2 1 3 1
a3 5 2 4
a4 3 3 3
Eine Note ist bekanntermaßen umso besser, je kleiner die Zahl ist. Nehmen Sie
zur Richtigkeit der folgenden Aussagen Stellung.
a) Schüler a2 dominiert Schüler a1 .
b) Die Schüler a2 und a3 sind effiziente Schüler.
c) Es gibt keinen effizienten Schüler.
d) Schüler a4 und a1 sind gleich gut.
e) a2 ist der beste Schüler.
Aufgabe 1.2.2
In folgender Matrix sind die ordinalen Nutzenwerte der Alternativen a1 bis a4
hinsichtlich der Zielerreichung der Ziele k1 bis k4 angegeben. Sortieren Sie die
Alternativen im Hinblick auf ihre Vorziehenswürdigkeit.
k1 k2 k3 k4
a1 10 5 8 15
a2 5 5 7 7
a3 7 9 10 12
a4 7 8 9 11
Aufgabe 1.2.3
Ein risikoneutraler Verleger plant die Auflagenhöhe des neuen Romans „Hog-
wards Geheimnisse“. Je nachdem, ob das Konkurrenzwerk „Der Ring“ vorher,
Entscheidungsunterstützung 31
Mit dem Druck sind Fixkosten in Höhe von 100 GE und variable Kosten von
1 GE pro Stück verbunden. Der Erlös für jedes abgesetzte Buch beträgt 2 GE.
Stellen Sie die Ergebnismatrix für die Auflagenhöhen 0, 100, 200 und 400 auf.
Aufgabe 1.2.4
Setzten Sie sich strukturiert mit der Entscheidungssituation „Wahl einer Pauschal-
reise für den zweiwöchigen Weihnachtsurlaub“ auseinander. Geben Sie jeweils
zwei konkrete Beispiele für die folgenden Begriffe an und erläutern Sie diese
kurz: Zielvorstellungen, Handlungsalternativen, Umweltzustände und Ergebnisse.
Stellen Sie zu den gewählten Konkretisierungen den Ausschnitt einer passen-
den Ergebnismatrix auf.
Aufgabe 1.2.5
Wolfgang Optimax steht vor der Entscheidung, seinen Lottogewinn in Höhe von
10.000 € gewinnbringend anzulegen. Ihm stehen zwei Möglichkeiten zur Verfü-
gung. Er kann die Mittel auf seinem Sparbuch anlegen, bei dem er nach einem
Jahr 2 % erhält. Die zweite Möglichkeit ist eine Investition in Staatsanleihen des
Staates Optinien, die in beliebiger Höhe getätigt werden kann. Mit einer Wahr-
scheinlichkeit von 90 % erbringt diese Anlage nach einem Jahr einen um 10 %
erhöhten Auszahlungsbetrag, mit einer Wahrscheinlichkeit von 10 % ist das Geld
verloren.
Strukturieren Sie das Problem auf Basis des Grundmodells der Entscheidungs-
theorie. Für welche Handlungsalternative sollte sich Wolfgang Optimax, der
risikoneutral ist, entscheiden?
2 Grundlagen linearer Optimierung
Das Unternehmen Optima stellt die Produkte A und B her, die hervorragenden
Absatz finden. Die aktuelle Nachfrage ist so hoch, dass die derzeitige Produk-
tionskapazität nicht ausreicht den Bedarf zu decken. Daher ist kurzfristig zu
entscheiden, wie viel von welchem Produkt im nächsten Monat produziert werden
soll. Dazu sind zunächst einige Informationen zu sammeln. Der Erlös für Pro-
dukt A beträgt 8 Geldeinheiten (GE) pro Mengeneinheit (ME), der für Produkt B
beträgt 9 GE je ME. Damit wird je ME von Produkt B ein höherer Erlös erzielt als
je ME von Produkt A. Jedoch lässt sich den Daten des Rechnungswesens entneh-
men, dass die variablen Kosten für die Produktion von Produkt A mit 5 GE/ME
niedriger sind als die für Produkt B mit 7 GE/ME.
Im Unterschied etwa zu Ein- und Auszahlungen werden Erlöse und Kosten be-
wertet, sachziel- und periodenbezogen abgegrenzt ermittelt (z. B. Kistner u.
Steven 2002, Plinke u. Rese 2006, Schweitzer u. Küpper 2003). Variable Kosten
ändern sich bei Variation einer Kosteneinflussgröße, fixe Kosten dagegen nicht.
Hier werden die beschäftigungsvariablen Kosten betrachtet, die mit zunehmender
Produktionsmenge steigen, beispielsweise Materialkosten.
Unter kurzfristigen Wirtschaftlichkeitsgesichtspunkten sollten diejenigen Pro-
dukte produziert werden, welche einen positiven Deckungsbeitrag aufweisen.
Dieser errechnet sich aus dem Erlös abzüglich der variablen Kosten. Fixe Kosten
sind kurzfristig nicht zu beeinflussen, daher hier nicht entscheidungsrelevant und
somit nicht zu berücksichtigen. Für Produkt A ergibt sich der Deckungsbeitrag mit
8 − 5 = 3, für Produkt B mit 9 − 7 = 2. Damit ist kurzfristig die Produktion beider
Produkte wirtschaftlich und es sollte soviel wie absetzbar von beiden Produkten
produziert werden, falls ausreichende Produktionskapazitäten verfügbar sind. Da
Produkt A einen höheren Deckungsbeitrag aufweist, ist zu vermuten, dass in einer
Knappheitssituation nur Produkt A produziert wird.
Bei Optima hat sich nun gezeigt, dass die Produktionskapazität nicht ausreicht,
den Bedarf zu erfüllen. Daher erfolgt eine eingehende Betrachtung der Produktion.
Es handelt sich um einen dreistufigen Produktionsprozess, der von beiden Produk-
ten A und B durchlaufen wird. Die jeweiligen Bearbeitungsdauern für die ver-
schiedenen Produkte auf den Anlagen in Zeiteinheiten (ZE) je ME, also die
Produktionskoeffizienten, und die Verfügbarkeit der Anlagen der Produktionsstu-
fen 1 bis 3 sind Tabelle 2.1 zu entnehmen.
34 Grundlagen linearer Optimierung
Produktionsstufen
1 2 3
Produkt A 2 1 4
Produkt B 1 2 1
Anlagenverfügbarkeit 22 ZE 23 ZE 40 ZE
Bei der Kapazität der Anlage der zweiten Stufe von 23 ZE ist der günstigste
Vorschlag unter ausschließlicher Berücksichtigung dieser Stufe, 23 ME von
Produkt A und nichts von Produkt B zu produzieren mit einem Gesamtdeckungs-
beitrag von 69 GE.
Die Betrachtung der dritten Produktionsstufe zeigt, der Deckungsbeitrag je in
Anspruch genommene ZE der Anlage beträgt für
Produkt A: 3 [GE/ME] : 4 [ZE/ME] = 0, 75 [GE/ZE] und für
Produkt B: 2 [GE/ME] : 1 [ZE/ME] = 2 [GE/ZE].
Beispiel kurzfristige Produktionsprogrammplanung 35
Hier sollte nichts von Produkt A und 40 ME von Produkt B produziert werden,
um mit 80 GE den für diese Stufe günstigsten Gesamtdeckungsbeitrag zu erzielen.
Bei genauer Betrachtung zeigt sich, dass die Vorschläge für jeweils eine Pro-
duktionsstufe auf den anderen überwiegend nicht durchgeführt werden können, da
sie dort unzulässig viel Zeit in Anspruch nehmen. Etwa die 23 ME von Produkt A
aus Stufe 2 beanspruchen auf Stufe 3 92 ZE, jedoch steht die Anlage nur 40 ZE
zur Verfügung. Die 40 ME von Produkt B auf Stufe 3 benötigen auf Stufe 1
40 ZE, verfügbar sind nur 23 ZE. Um das optimale Produktionsprogramm zu
ermitteln, müssen alle Produktionsstufen gleichzeitig betrachtet werden.
Der technische Leiter von Optima ist ohnehin der Ansicht, dass ohne Kapazi-
tätserweiterung die bisherige Produktion nicht erhöht werden kann, da mit dem
derzeitigen Produktionsprogramm von 9 ME des Produktes A und 4 ME des
Produktes B die Anlagenkapazitäten von zwei Produktionsstufen bereits zu 100 %
ausgeschöpft sind. Dies zeigt auch die folgende Darstellung der bisherigen Anla-
genbelegung und Kapazitätsauslastung. Damit stellt aus seiner Sicht dieses Pro-
duktionsprogramm, mit dem ein Gesamtdeckungsbeitrag von 35 GE erzielt wird,
eine optimale Ausnutzung der vorhandenen Produktionskapazität dar.
22 23 40
B
B
B
A
A
Auch für die Restriktionen sind die Dimensionen stimmig, z. B. gilt für die ers-
te Restriktion:
2 [ZE/ME] ⋅ x A [ME] + 1 [ZE/ME] ⋅ xB [ME] ≤ 22 [ZE]
max z = 3 x A + 2 xB
x A ,xB ≥ 0 Nichtnegativitätsbedingung
xB
R1 R3
12
10
6
R2
4
z = 37
2
0 xA
0 2 4 6 8 10 12
Abb. 2.2. Zulässigkeitsbereich Optima
Produktionsstufe 3 : 4 x A + 1 xB + s3 = 40
⎛ xA ⎞
⎜ ⎟
⎜ xB ⎟
max ( 3 2 0 0 0 ) ⎜ s1 ⎟
⎜ ⎟
⎜ s2 ⎟
⎜s ⎟
⎝ 3⎠
⎛ xA ⎞
⎜ ⎟
⎛2 1 1 0 0 ⎞ ⎜ xB ⎟ ⎛ 22 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟
s.d . ⎜ 1 2 0 1 0 ⎟ s1 = ⎜ 23 ⎟
⎜4 1 0 0 ⎜ ⎟
⎝ 1 ⎟⎠ ⎜ s2 ⎟ ⎜⎝ 40 ⎟⎠
⎜s ⎟
⎝ 3⎠
x A , xB , s1 , s2 , s3 ≥ 0
Simplexalgorithmus
Aufgrund der mathematischen Struktur eines derartigen linearen Optimierungs-
modells ist bekannt: Wenn eine optimale Lösung existiert, ist mindestens eine
Ecke des Zulässigkeitsbereichs optimal. Gibt es mehrere optimale Lösungen, ist
mindestens eine davon eine Ecke. Folglich reicht es aus, nur die Ecken des Zuläs-
sigkeitsbereichs zu untersuchen, um eine optimale Lösung zu finden.
Die Ecken in der Grafik entsprechen gerade den Basislösungen des linearen
Gleichungssystems, also werden nur Basislösungen untersucht. Basislösungen
sind einer Basis zugeordnet und haben die Eigenschaft, dass die Werte der so
genannten Nichtbasisvariablen gleich null gesetzt und die zu einer Basis gehören-
den Variablen dann aus dem Gleichungssystem ermittelt werden. Das Gleichungs-
system wird gegebenenfalls jeweils so transformiert, dass die Lösung für die
Basisvariablen direkt ablesbar ist, wenn Nichtbasisvariable den Wert null anneh-
men. Beispielsweise entsprechen dem Punkt (10, 0 ) die Basisvariablen x A = 10,
s1 = 2 und s2 = 13 , die Nichtbasisvariablen sind xB = s3 = 0 . Eine detaillierte
Darstellung folgt in Kapitel 2.2.
Als Ausgangsbasis wird die Einheitsmatrix mit den zugehörigen Basisvariablen
s1 , s2 und s3 gewählt. Die Nichtbasisvariablen x A und xB werden gleich null
gesetzt. Dann gilt etwa, dass für die erste Gleichung
2 x A + 1 xB + s1 = 22
aktuelle Basis-
variablen mit aktuelle aktuelle
Zielfunktion- Koeffizientenmatrix rechte Seite
skoeffizienten
Werte der Basisvariablen in der rechten Spalte ( RS ) ablesbar. Die Werte der
Δ z -Zeile beziehen sich auf die Zielfunktion. Mit ( −1) multipliziert geben sie die
Erhöhung des Zielfunktionswertes an, wenn die zugehörige Variable um eine
Einheit erhöht wird. Der rechte Wert in der Δ z -Zeile entspricht dem aktuellen
Zielfunktionswert.
Dem folgenden Tableau 1 ist ein erstes zulässiges Produktionsprogramm ent-
nehmbar. Die Strukturvariablen sind nicht in Basis, haben folglich den Wert null.
So wird nichts produziert, die freien Kapazitäten der drei Produktionsstufen sind
mit s1 = 22 , s2 = 23 und s3 = 40 ablesbar. Der mit diesem zulässigen Produk-
tionsprogramm erzielbare Deckungsbeitrag ist null.
Simplextableau 1
3 2 0 0 0
xA xB s1 s2 s3 RS
0 s1 2 1 1 0 0 22
0 s2 1 2 0 1 0 23
0 s3 4 1 0 0 1 40
Δz -3 -2 0 0 0 0
Nach Multiplikation mit (−1) ist in der Δ z -Zeile ablesbar, welche Verbesse-
rungen des Deckungsbeitrags möglich sind. Wird ausgehend von der vorliegenden
Lösung eine zusätzliche Einheit von Produkt A produziert, erhöht sich der De-
ckungsbeitrag um 3 Einheiten, wird eine zusätzliche Einheit von Produkt B
produziert, steigt der Deckungsbeitrag um 2 Einheiten. Da die Erhöhung des
Deckungsbeitrags bei zusätzlicher Produktion von Produkt A größer als bei B ist,
sollte die Produktion von Produkt A möglichst weit erhöht werden. Daher wird
x A neu in die Basis aufgenommen, um einen Wert größer als null anzunehmen.
Aufnahmekriterium
Von allen bisherigen Nichtbasisvariablen, die zu einer Erhöhung der Zielfunktion
führen, erkennbar am negativen Wert in der Δ z -Zeile, wird jeweils diejenige mit
niedrigstem Wert zur Aufnahme in die Basis ausgewählt. Die zugehörige Spalte
im Tableau wird Pivotspalte genannt.
Von Produkt A wird nun möglichst viel produziert, jedoch sind die Produk-
tionskapazitäten zu berücksichtigen. Wie der Pivotspalte zu entnehmen ist, bean-
sprucht eine Einheit Produkt A in der ersten Produktionsstufe 2 ZE. Hier können
folglich maximal 22 : 2 = 11 Einheiten produziert werden, dann ist diese Kapazität
ausgeschöpft. In der zweiten Produktionsstufe können höchstens 23 :1 = 23 und
in der dritten Produktionsstufe höchstens 40 : 4 = 10 Einheiten von Produkt A
produziert werden. Also kann x A nun höchstens den Wert min {11, 23, 10} = 10
Beispiel kurzfristige Produktionsprogrammplanung 41
annehmen. Dann ist die freie Kapazität der dritten Produktionsstufe auf null
gesunken, d. h. s3 = 0 . Damit wird s3 aus der Basis entfernt und ist im nächsten
Tableau Nichtbasisvariable mit Wert null. x A wird im nächsten Schritt den Wert
10 annehmen.
3 2 0 0 0
xA xB s1 s2 s3 RS Θ
0 s1 2 1 1 0 0 22 11
0 s2 1 2 0 1 0 23 23
0 s3 4 1 0 0 1 40 10 min
Δz -3 -2 0 0 0 0
min
Eliminationskriterium
Diejenige Variable ist aus der Basis zu eliminieren, die bei Erhöhung der aufzu-
nehmenden Variablen als erstes auf den Wert null absinkt, also den kleinsten Θ -
Wert besitzt.
Die zugehörige Zeile im Tableau wird als Pivotzeile bezeichnet. Das Element
im Schnittpunkt von Pivotzeile und Pivotspalte ist das Pivotelement.
Um die Basistransformation durchzuführen, werden erlaubte Transformatio-
nen, d. h. Additionen von je zwei Zeilen oder Multiplikationen mit einer reellen
Zahl ungleich null, angewandt, sodass die Pivotspalte entsprechende Einheitsspal-
te mit „1“ an der Stelle des Pivotelements wird, die neue Basislösung ist wieder
der rechten Seite zu entnehmen.
Simplextableau 2
xA xB s1 s2 s3 RS Θ
0 s1 0 1/ 1 0 -1/2 2 4
2
0 s2 0 7/ 0 1 -1/4 13 52/
4 7
3 xA 1 1/ 0 0 1/ 10 40
4 4
Δz 0 -5/4 0 0 3/
4 30
Simplextableau 3
xA xB s1 s2 s3 RS Θ
2 xB 0 1 2 0 -1 4 -
0 s2 0 0 -7/2 1 3/
2 6 4
3 xA 1 0 -1/2 0 1/
2 9 18
Δz 0 0 5/ 0 - 1 /2 35
2
0 s3 0 0 -7/3 2/
3 1 4
3 xA 1 0 2/ -1/3 0 7
3
Δz 0 0 4/ 1/ 0 37
3 3
Eine weitere Verbesserung ist nicht möglich, denn für alle Nichtbasisvariable
hat aufgrund der positiven Werte in der Δ z-Zeile die Aufnahme in die Basis
negative Auswirkungen auf die Zielfunktion. Damit liegen das optimale End-
tableau und eine optimale Lösung vor.
Optimalitätskriterium
Sind alle Werte in der Δ z -Zeile nichtnegativ, ist eine optimale Lösung gefunden.
Es gibt keine zulässige Lösung, die einen höheren Zielfunktionswert erreicht.
Es wird vorgeschlagen, 7 Einheiten von Produkt A und 8 Einheiten von Pro-
dukt B zu produzieren. Damit kann der maximale Deckungsbeitrag in Höhe von
37 GE erzielt werden. Engpässe stellen die ersten und zweiten Produktionsstufen
dar, da s1 = s2 = 0 . In der dritten Produktionsstufe wird die Kapazität bis auf
4 Einheiten genutzt, sie ist damit zu (40 − 4) : 40 = 90 % ausgelastet. Es zeigt sich
also, dass trotz ausgelasteter Kapazitäten auf zwei Produktionsstufen das de-
ckungsbeitragsoptimale Produktionsprogramm entgegen der Annahme des techni-
schen Leiters mit der gegenwärtigen Produktion von 9 ME von Produkt A und
4 ME von Produkt B noch nicht erreicht ist, sondern auch ohne Kapazitätserweite-
rung durch optimale Produktion der Gesamtdeckungsbeitrag um 2 GE auf 37 GE
gesteigert werden kann.
Die Anlagenbelegung des optimalen Produktionsprogramms zeigt Abb. 2.3.
22 23 40
B B
B
A A
max z = ct x
s.d . Ax ≤ b
(P)
x ≥ 0
c,x ∈ R n , b ∈ R m , b ≥ 0, A ∈ R mxn
Statt mit dieser sehr kompakten Matrixdarstellung kann das gleiche Modell
etwas ausführlicher beschrieben werden mit x j , c j , aij , bi ∈ R, bi ≥ 0 :
n
max z = ∑j =1
cj xj
n
(P)
s.d . ∑j =1
aij x j ≤ bi i = 1,..., m
xj ≥ 0 j = 1,..., n
Die Indizes j = 1,..., n werden meist für die Variablen und zugeordneten Pa-
rameter, die Indizes i = 1,..., m für die Restriktionen und zugehörigen Parameter
1 Transponiert bedeutet Spiegelung einer Matrix an der Hauptdiagonalen bzw. hier Zei-
lenvektor statt Spaltenvektor und wird mittels hochgestelltem t kenntlich gemacht. Ein
Vektor ohne weitere Angabe ist stets als Spaltenvektor zu verstehen. c t bezeichnet also
einen Zeilenvektor.
46 Grundlagen linearer Optimierung
verwendet. Die ganz detaillierte folgende Form findet insbesondere dann Verwen-
dung, wenn die Parameter ci , bi und aij mittels Zahlen konkretisiert werden.
max z = c1 x1 + c2 x2 + ... + cn xn
s.d . a11 x1 + a12 x2 + ... + a1n xn ≤ b1
( P)
am1 x1 + am 2 x2 + ... + amn xn ≤ bm
x1 ,x2 ,...,xn ≥ 0
L ( P ) = { x ∈ Rn | A x ≤ b, x ≥ 0} = X
xB xB
xA xA
2 Eine Menge ist abgeschlossen genau dann, wenn alle Randpunkte zu dieser Menge
gehören.
3 Eine Menge M ⊂ Rn ist konvex genau dann, wenn für je zwei beliebige Elemente aus
x j , si ≥ 0 j = 1,..., n i = 1,..., m
Wird mit I m die mxm -Einheitsmatrix, mit 0t die Nullzeile und mit A die
mxn -Koeffizientenmatrix des Ausgangsmodells bezeichnet, lautet die entspre-
chende Matrixform
max ct x + 0t s
s.d . A x + Im s = b
x,s ≥ 0
Ist für eine Lösung des Gleichungssystems der Wert einer Schlupfvariablen
si = 0 , ist die Restriktion mit Gleichheit erfüllt, d. h., die Restriktion ist bindend.
Beispiel
Das folgende lineare Optimierungsmodell weist alle Eigenschaften auf, die das
Grundmodell charakterisieren. Zu ermitteln sind die optimalen Werte der drei
Strukturvariablen x1 , x2 und x3 .
48 Grundlagen linearer Optimierung
max x1 + 2 x2 + x3
s.d . x1 + x2 ≤ 12
4 x1 + x2 + 2 x3 ≤ 24
x1 ,x2 ,x3 ≥ 0
⇔ max x1 + 2 x2 + x3
s.d . x1 + x2 + s1 = 12
4 x1 + x2 + 2 x3 + s2 = 24
x1 ,x2 ,x3 ,s1 ,s2 ≥ 0
⎛ x1 ⎞
⎜ ⎟ ⎛ s1 ⎞
max (1 2 1) ⎜ x2 ⎟ + ( 0 0 ) ⎜ s ⎟
⎜x ⎟ ⎝ 2⎠
⎝ 3⎠
⎛ x1 ⎞
⎛1 1 0⎞ ⎜ ⎟ ⎛1 0 ⎞ ⎛ s1 ⎞ ⎛12 ⎞
s.d . ⎜ ⎟ ⎜ x2 ⎟ + ⎜ 0 1 ⎟ ⎜ s ⎟ = ⎜ 24 ⎟
⎝4 1 2⎠ ⎜x ⎟ ⎝ ⎠⎝ 2⎠ ⎝ ⎠
⎝ 3⎠
⎛ x1 ⎞
⎜ ⎟ ⎛ s1 ⎞
⎜ x2 ⎟ ≥ 0, ⎜ s ⎟ ≥ 0
⎜x ⎟ ⎝ 2⎠
⎝ 3⎠
Grundmodell und zugehöriges lineares Optimierungsmodell mit Gleichheitsre-
striktionen sind zwar nicht identisch, jedoch bezüglich des Lösungsraums und der
optimalen Lösungen äquivalent, da allgemein gilt:
Ist ( x 0t , s 0t ) zulässige bzw. sogar optimale Lösung des Modells mit Gleich-
heitsrestriktionen, dann ist x 0 zulässige bzw. optimale Lösung von ( P ) . Ist x 0
zulässige bzw. optimale Lösung von ( P ) , dann lässt sich s 0 bestimmen, sodass
( x0t , s 0t ) zulässige bzw. optimale Lösung des Modells mit Gleichheitsrestriktio-
nen ist. Die Zielfunktionswerte stimmen jeweils überein.
Im Folgenden werden die Schlupfvariablen nicht immer gesondert hervorgeho-
ben, sondern ebenfalls die anschließende allgemeine Darstellung verwendet,
wobei x dann neben den Strukturvariablen auch Schlupfvariable enthalten kann
und die Matrix A gegebenenfalls auch die Einheitsmatrix als Teilmatrix enthält.
Simplexalgorithmus zur Lösung des Grundmodells 49
max z = ct x
s.d . A x = b (1)
x≥0
Diese Darstellungsform wird in der Literatur auch als Standardform oder Nor-
malform bezeichnet, jedoch ist diese Terminologie nicht einheitlich.
Die zulässigen Lösungen dieses Modells sind also gerade alle Lösungen des
Gleichungssystems, die zusätzlich die Nichtnegativitätsbedingungen erfüllen.
Für das Gleichungssystem
x1 + x2 + s1 = 12
4 x1 + x2 + 2 x3 + s2 = 24
x1 ,x2 ,x3 ,s1 ,s2 ≥ 0
Eine andere Lösung erhält man, wenn das Gleichungssystem mit erlaubten
Transformationen so umgeformt wird, dass die Einheitsmatrix zu den ausgewähl-
ten Variablen x3 und s1 gehört und die Variablen x1 , x2 und s2 gleich null
gesetzt werden. Erlaubte Transformationen eines Gleichungssystems, wie Multi-
plikation einer Zeile mit einer reellen Zahl ungleich null oder Addition zweier
Zeilen, ändern die Lösungsmenge nicht. Das folgende Ergebnis kann dann abgele-
sen werden:
x1 + x2 + s1 = 12
2 x1 + 1
2 x2 + x3 + 1
2 s2 = 12
x1 ,x2 ,x3 ,s1 ,s2 ≥ 0
⎛1 1 0 1 0 12 ⎞
⎜ 1 1 ⎟
⎝2 2 1 0 2 12 ⎠
Eine Lösung eines Gleichungssystems lässt sich einfach ablesen, falls die Ein-
heitsmatrix I in der Koeffizientenmatrix enthalten ist.
y Ein Gleichungssystem D x = b mit x ∈ Rn , b ∈ Rm und D ∈ R mxn hat kanoni-
sche Form, falls die Einheitsmatrix I Teilmatrix von D ist. Ausgehend von
dem Grundmodell linearer Optimierung liegt nach Hinzufügung der Schlupfva-
riablen das äquivalente Gleichungssystem stets in kanonischer Form vor.
y Lösungen des Gleichungssystems lassen sich mittels Basen bzw. deren Inver-
sen darstellen. Jede nichtsinguläre 4 mxm -Teilmatrix B von A ist eine Basis
des Modells (1). Der Nichtbasisteil von A wird hier mit N bezeichnet.
Da zu jeder Basis B die Inverse B −1 existiert, lässt sich durch Linksmultipli-
kation mit der Basisinversen das Gleichungssystem in kanonischer Form darstel-
len.
Beispiel
Zu dem Gleichungssystem mit
⎛1 1 0 1 0⎞ ⎛12 ⎞
A=⎜ ⎟, b=⎜ ⎟
⎝4 1 2 0 1⎠ ⎝ 24 ⎠
kann die Basis
⎛0 1 ⎞
B=⎜ ⎟
⎝ 2 0⎠
als nichtsinguläre Teilmatrix gewählt werden. Die Spalten sind den Variablen x3
und s1 zugeordnet. Basisinverse zu B ist
⎛0 1 ⎞
2
B −1 = ⎜ ⎟.
⎝1 0⎠
4 Eine quadratische Matrix D ist nichtsingulär genau dann, wenn ihre Determinante
ungleich null ist. Genau dann existiert die Inverse D −1 der Matrix, sodass gilt
D -1D = D D −1 = I .
Simplexalgorithmus zur Lösung des Grundmodells 51
⎛2 1
2 1 0 1 ⎞
2
mit B −1 A = ⎜ ⎟
⎝1 1 0 1 0⎠
⎛ xB ⎞
max z = ( cBt cNt ) ⎜ ⎟
⎝ xN ⎠
⎛x ⎞
s.d . ( B N )⎜ B ⎟ = b
⎝ xN ⎠
xB , x N ≥ 0
cB xB B -1 A B -1 b
Δz -c t + c Bt B -1 A c Bt B -1 b
bzw.
c Bt c Nt
x Bt x Nt RS
cB xB I B -1 N B -1 b
Δz -c t + c Bt B -1 A c Bt B -1 b
Bei dem Grundmodell der linearen Optimierung enthält das erste Gleichungs-
system die Einheitsmatrix I , deren Inverse I −1 wieder I ist. Damit ist auch
I −1 ⋅ A = IA = A und I −1 ⋅ b = Ib = b, das Ausgangstableau lässt sich folglich
einfach angeben.
⎛x ⎞
y Eine Lösung ⎜ B ⎟ des Gleichungssystems heißt Basislösung, falls alle Nicht-
⎝ xN ⎠
basisvariable gleich null gesetzt sind. Dann gilt xB = B −1b und xN = 0 .
Beispiel
Folgende 2x2 -Teilmatrizen Bk , k = 1,...,9 sind bis auf Spaltenvertauschung alle
Basen der Matrix A
⎛1 1 0 1 0⎞
A=⎜ ⎟
⎝4 1 2 0 1⎠
Simplexalgorithmus zur Lösung des Grundmodells 53
⎛1 0⎞ ⎛1 1⎞ ⎛1 0⎞
B1 = ⎜ ⎟ B2 = ⎜ ⎟ B3 = ⎜ ⎟
⎝0 1⎠ ⎝4 1⎠ ⎝4 2⎠
⎛1 1⎞ ⎛1 0⎞ ⎛1 0⎞
B4 = ⎜ ⎟ B5 = ⎜ ⎟ B6 = ⎜ ⎟
⎝4 0⎠ ⎝4 1⎠ ⎝1 2⎠
⎛1 1⎞ ⎛1 0⎞ ⎛0 1⎞
B7 = ⎜ ⎟ B8 = ⎜ ⎟ B9 = ⎜ ⎟
⎝1 0⎠ ⎝1 1⎠ ⎝2 0⎠
⎛ 0 0⎞
Die Teilmatrix D = ⎜ ⎟ ist keine Basis, da die Spalten linear abhängig sind
⎝ 2 1⎠
und somit die Determinante gleich null ist und keine Inverse existiert.
Zu den übrigen Matrizen lauten die Inversen wie folgt.
⎛ 1 0⎞ ⎛− 1 1 ⎞ ⎛ 1 0⎞
B1−1 = ⎜ ⎟ B2−1 = ⎜ 4 3 3
1 ⎟
B3−1 = ⎜ 1 ⎟
⎝ 0 1⎠ ⎝ 3 − 3⎠ ⎝ −2 2 ⎠
⎛ 0 14 ⎞ ⎛ 1 0⎞ ⎛ 1 0⎞
B4−1 = ⎜ −1
⎟ B5 = ⎜ ⎟ B6−1 = ⎜ 1 1 ⎟
⎝ −4 1 ⎠
1
⎝1 − 4⎠ ⎝ − 2 2⎠
⎛0 1
⎛ 0 1⎞ ⎛ 1 0⎞ 2⎞
B7−1 = ⎜ ⎟ B8−1 = ⎜ ⎟ B9−1 = ⎜ ⎟
⎝ 1 −1⎠ ⎝ −1 1 ⎠ ⎝1 0⎠
Werden jeweils die Nichtbasisvariablen gleich null gesetzt, errechnen sich die
⎛12 ⎞
Basisvariablenwerte mit B −1 ⋅ ⎜ ⎟ für die unterschiedlichen Basen zu
⎝ 24 ⎠
⎛ s ⎞ ⎛ 12 ⎞ ⎛ x ⎞ ⎛4⎞ ⎛ x ⎞ ⎛ 12 ⎞
B1 : ⎜ 1 ⎟ = ⎜ ⎟ B2 : ⎜ 1 ⎟ = ⎜ ⎟ B3 : ⎜ 1 ⎟ = ⎜ ⎟
s
⎝ 2⎠ ⎝ ⎠ 24 x
⎝ 2⎠ ⎝ ⎠ 8 ⎝ x3 ⎠ ⎝ −12 ⎠
⎛ x1 ⎞ ⎛ 6 ⎞ ⎛ x1 ⎞ ⎛ 12 ⎞ ⎛ x2 ⎞ ⎛12 ⎞
B4 : ⎜ ⎟ = ⎜ ⎟ B5 : ⎜ ⎟ = ⎜ ⎟ B6 : ⎜ ⎟ = ⎜ ⎟
s
⎝ 1⎠ ⎝ ⎠ 6 s
⎝ 2⎠ ⎝ −24 ⎠ ⎝ x3 ⎠ ⎝ 6 ⎠
⎛ x ⎞ ⎛ 24 ⎞ ⎛ x2 ⎞ ⎛12 ⎞ ⎛ x3 ⎞ ⎛ 12 ⎞
B7 : ⎜ 2 ⎟ = ⎜ ⎟ B8 : ⎜ ⎟ = ⎜ ⎟ B9 : ⎜ ⎟ = ⎜ ⎟
s
⎝ 1⎠ ⎝ − 12 ⎠ s
⎝ 2⎠ ⎝ ⎠ 12 ⎝ s1 ⎠ ⎝ 12 ⎠
Zulässige Basen mit zulässigen Basislösungen sind folglich B1 , B2 , B4 , B6 , B8
und B9 . Die erreichbaren Zielfunktionswerte sind:
B1 : 0 B2 : 20 B4 : 6 B6 : 30 B8 : 24 B9 : 12
Die Theorie und Lösung linearer Gleichungssysteme ist Gegenstand der linea-
ren Algebra und wird in Einführungen in die Mathematik behandelt, besonders in
solchen, die sich an Wirtschaftswissenschaftler wenden (z. B. Jaeger u. Wäscher
1998, Luderer u. Würker 2005, Ohse 2005, Schwarze 2005, Sydsaeter u. Ham-
mond 2007, Tietze 2007). Entsprechende Kenntnisse werden genutzt, um darauf
aufbauend das Vorgehen des Simplexalgorithmus zu erläutern.
5 Ein Polytop ist die konvexe Hülle einer endlichen Punktmenge, also ein beschränktes
Polyeder.
Simplexalgorithmus zur Lösung des Grundmodells 55
Die Eliminationsregel stellt sicher, dass die nächste Basislösung zulässig ist.
Mittels Optimalitätskriterium wird geprüft, ob eine weitere Verbesserung möglich
ist oder ob eine optimale Lösung gefunden wurde.
Aufnahme
Ausgehend von einem Simplextableau wird die Δ z -Zeile daraufhin überprüft, ob
eine Verbesserung der Zielfunktion möglich ist. Im Einzelnen sind die Werte der
Δ z -Zeile wie folgt bezeichnet:
m
Δ z j = −c j + ∑ cBi a*ij Kriteriumswert der Variablen x j
i =1
cBi ist der Zielfunktionskoeffizient der i-ten Basisvariablen. a*ij das Element im
aktuellen Tableau. * bezeichnet die bereits durchgeführte Multiplikation mit der
aktuellen Basisinversen bzw. die durchgeführte Transformation.
-Δ z j , also der mit ( −1) multiplizierte Δ z j -Wert, gibt an, um wie viele Ein-
heiten sich der Zielfunktionswert erhöht, wenn die Nichtbasisvariable x j um eine
Einheit erhöht wird. Das Ausmaß der möglichen Erhöhung der Nichtbasisvariab-
len x j ist gemäß Eliminationskriterium begrenzt und kann null betragen. Eine
Verbesserung der Zielfunktion ist nur durch Aufnahme solcher Nichtbasisvariab-
len x j möglich, für die Δ z j < 0 gilt. Wird das Minimum für mehrere Variable
angenommen, wird eine beliebige davon ausgewählt.
y Aufnahmekriterium
xl wird in Basis aufgenommen, falls gilt
Kann in einem Schritt keine weitere Verbesserung erreicht werden, ist eine op-
timale Lösung gefunden.
y Optimalitätskriterium
Gilt für alle (Nichtbasis-) Variable x j
Δ z j ≥ 0, ∀ j = 1,..., n ,
dann ist die zulässige Basis optimal und die zugehörige Basislösung ist eine
optimale Basislösung bzw. optimale Lösung des Modells.
Elimination
Wird die Variable xl in Basis aufgenommen, muss eine bisherige Basisvariable
aus der Basis eliminiert werden. xl beansprucht ebenfalls Anteile der knappen
„Kapazitäten“, und zwar ail* Einheiten der i-ten Kapazität, von der aktuell bi*
Einheiten verfügbar sind. xl wird gegen diejenige Basisvariable xk ausgetauscht,
deren „Kapazität“ als erstes ausgeschöpft ist.
56 Grundlagen linearer Optimierung
bk*
xl wird im nächsten Schritt dann den Wert annehmen.
akl*
Achtung: Ist a*il ≤ 0 , wird keine Kapazität verbraucht, sondern eventuell sogar
freigesetzt. In diesem Fall könnte xl beliebig erhöht werden, ohne dass es hier zu
einem Engpass kommt. Die zugehörige Basisvariable sinkt nicht auf null ab und
kann somit nicht aus der Basis entfernt werden.
y Eliminationskriterium
xk wird aus der Basis eliminiert, falls gilt
bk* ⎧ bi* ⎫
*
= min ⎨ * | i = 1,...,m,ail > 0 ⎬ .
*
akl ⎩ ail ⎭
Wird das Minimum für mehrere Basisvariable angenommen, wird davon eine
beliebige als Nichtbasisvariable gewählt. Die übrigen sind dann mit Wert null in
Basis. Nimmt mindestens eine der Basisvariablen den Wert null an, spricht man
von primaler Entartung. Ein Austausch gegen eine Nichtbasisvariable würde zu
einer neuen Basis und gegebenenfalls einem anderen Tableau, aber der gleichen
Lösung führen.
Basistausch
Durch Aufnahme- und Eliminationskriterium ist die neue Basis bestimmt. Die l-te
Spalte wird neu in die Basis aufgenommen an der Position, an der die zu eliminie-
rende Spalte steht. Es bleibt, den Basistausch im Gleichungssystem zu realisieren.
Das bedeutet, dass eine Transformation des Gleichungssystems so vorgenommen
wird, dass die l-te Spalte Einheitsspalte wird mit der Eins in der k-ten Zeile. Dies
geschieht zweckmäßig durch Pivotisierung im Simplextableau, wie im Folgenden
beschrieben wird. Pivot bezeichnet einen Drehpunkt bzw. „sich drehen“.
Bezeichnungen:
a*ij Element der i-ten Zeile und j-ten Spalte
*
a il i-tes Element der Pivotspalte l
*
a kj j-tes Element der Pivotzeile k
*
a kl Pivotelement
*
b i i-tes Element der rechten Seite
neu
Die entsprechenden Elemente des nächsten Tableaus werden jeweils durch
gekennzeichnet, z. B. a*ij neu .
Simplexalgorithmus zur Lösung des Grundmodells 57
c1 … ci … ck … cm … cm+1 … cj … cl …
x1 … xi … xk … xm … xm+1 … xj … x … RS
l
Pivot-
ck xk 1 ak* ,m +1 … ak* , j … ak* ,l … bk*
zeile
cm xm 1 *
am *
a*
, m +1 … am , j … m , l
*
bm
Δz Δ zm+1 … Δ zj Δ zl z*
Pivot-
spalte
y Transformation
akl∗ ist Pivotelement.
Die Pivotspalte wird Einheitsspalte:
⎧1 i=k
a*il neu = ⎨ i = 1,...,m Δzineu = 0
⎩0 sonst
Nach Durchführung der Transformation liegt ein neues Tableau vor und eine
Iteration des Simplexalgorithmus ist abgeschlossen. Nach einer endlichen Zahl
von Iterationen bricht der Simplexalgorithmus ab mit einer optimalen Lösung oder
der Information, dass keine optimale Lösung existiert, da beliebige Verbesserun-
gen möglich sind (vgl. Kap. 2.2.3).
Beispiel
Nach Hinzufügung der Schlupfvariablen enthält A eine Einheitsmatrix und
wegen I −1 ⋅ A = A und I −1 ⋅ b = b kann das erste Simplextableau direkt aufgestellt
werden:
1 2 1 0 0
x1 x2 x3 s1 s2 RS Θ
0 s1 1 1 0 1 0 12 12
0 s2 4 1 2 0 1 24 24
Δz -1 -2 -1 0 0 0
Basisvariable sind s1 und s2 mit den aktuellen Werten 12 bzw. 24. Die Nicht-
basisvariablen sind gleich null. Der aktuelle Zielfunktionswert ist
0 ⋅12 + 0 ⋅ 24 = 0 und die Δ z -Werte bestimmen sich mit
Δ z j = − c j + cBt B −1a j = −c j + cBt ⋅ a*j
und wegen cBi = 0 für die beiden Basisvariablen jeweils zu −c j für die Struk-
turvariablen bzw. 0 für die Schlupfvariablen.
j =1
Damit wird x2 in die Basis aufgenommen, die zugehörige Spalte ist Pivotspal-
te. So wird sichergestellt, dass die nächste Lösung einen höheren Zielfunktions-
wert aufweist als die vorliegende. Aufgrund des Eliminationskriteriums mit
m ⎧ b∗ ⎫ ⎧12 24 ⎫
min ⎨ ∗i ,ai∗2 > 0 ⎬ = min ⎨ , ⎬ = 12
i =1 a
⎩ i2 ⎭ ⎩1 1 ⎭
wird s1 aus der Basis eliminiert. Die erste Zeile ist Pivotzeile und a12∗ ist Pivot-
element.
Simplexalgorithmus zur Lösung des Grundmodells 59
Durch Pivotisieren erhält man das transformierte Tableau mit der aktuellen Lö-
sung x2 = 12 und s2 = 12 sowie dem Zielfunktionswert 24. Die aktuelle Basis
⎛1 0 ⎞
findet sich im Ausgangstableau unter den Basisvariablen mit B8 = ⎜ ⎟ , die
⎝1 1 ⎠
zugehörige aktuelle Basisinverse steht im aktuellen Tableau dort, wo im Aus-
⎛ 1 0⎞
gangstableau die Einheitsspalte stand, also unter s1 und s2 mit B8−1 = ⎜ ⎟.
⎝ −1 1 ⎠
x1 x2 x3 s1 s2 RS Θ
2 x2 1 1 0 1 0 12 -
0 s2 3 0 2 -1 1 12 6
Δz 1 0 -1 2 0 24
Nur die Aufnahme von x3 führt zu einer weiteren Verbesserung der Zielfunkti-
on, daher wird x3 in Basis aufgenommen. x3 beansprucht keine Kapazität hin-
sichtlich der ersten Restriktion, wohl jedoch 2 Einheiten je Einheit von der aktuel-
len rechten Seite der zweiten Restriktion. Damit können maximal 6 Einheiten von
x3 in Lösung sein, s2 nimmt dann genau den Wert null an und wird Nichtbasisva-
riable.
x1 x2 x3 s1 s2 RS
2 x2 1 1 0 1 0 12
1 x3 1,5 0 1 -0,5 0,5 6
Da alle Δ z -Werte größer oder gleich null sind, ist das Optimalitätskriterium
erfüllt und die vorliegende Basislösung ist optimal. Also wird der optimale Ziel-
funktionswert 30 erreicht mit x2 = 12 , x3 = 6 und x1 = s1 = s2 = 0 . Für die
optimale Lösung sind alle Restriktionen mit Gleichheit erfüllt, da die Schlupfvari-
ablen sämtlich den Wert null annehmen. Damit sind alle Restriktionen bindend.
Eine andere optimale Lösung gibt es für dieses Beispiel nicht, da die Erhöhung
eines Wertes einer anderen, d.h. einer Nichtbasisvariablen, jeweils zu einer Ver-
ringerung des Zielfunktionswertes führt. Der optimale Lösungsvektor stellt die
optimale Lösung als Vektor dar und lautet in transponierter Form
( x1 , x2 , x3 , s1 , s2 )t = (0,12, 6, 0, 0)t .
60 Grundlagen linearer Optimierung
2.2.3 Lösungsbesonderheiten
Bei den bisher behandelten Beispielen war stets die Situation gegeben, dass genau
eine optimale Lösung existierte, die dann mittels Simplexalgorithmus ermittelt
wurde. Dies ist jedoch nicht immer so, wie im Folgenden gezeigt wird.
Beispiel
max z = 2 x1 + 4 x2
s.d . −2 x1 + 3 x2 ≤ 12
− x1 + 3 x2 ≤ 18
x1 ,x2 ≥ 0
Zielfunktionswert 54.
x2
z = 54
12 R1
R2
10
z = 44
8
0 x1
0 2 4 6 8 10 12
Abb. 2.5. Unbeschränkter Zulässigkeitsbereich
Bei Anwendung des Simplexalgorithmus lässt sich dieser Fall daran erkennen,
dass die Optimalitätsbedingung nicht erfüllt werden kann: In einem Tableau tritt
mindestens ein Δ zl < 0 auf, jedoch ist die Elimination einer bisherigen Basisvari-
ablen nicht möglich, da ail∗ ≤ 0 für alle i = 1,..., m gilt. Der Simplexalgorithmus
bricht ab mit der Information, dass zulässige, jedoch keine optimalen Lösungen
existieren.
Beispiel
Das Modell wird um die Schlupfvariablen erweitert, das Ausgangstableau aufge-
stellt und der Simplexalgorithmus angewandt.
2 4 0 0
x1 x2 s1 s2 RS Θ
0 s1 -2 3 1 0 12 4
0 s2 -1 3 0 1 18 6
Δz -2 -4 0 0 0
62 Grundlagen linearer Optimierung
x1 x2 s1 s2 RS Θ
4 x2 - 2 /3 1 1/
3 0 4 -
0 s2 1 0 -1 1 6 6
Δz -14/3 0 4/
3 0 16
x1 x2 s1 s2 RS Θ
4 x2 0 1 -1/3 2/
3 8 -
Keine Pivotzeile
2 x1 1 0 -1 1 6 - bestimmbar
Δz 0 0 -10/ 14/ 44
3 3
Keine der beiden Variablen nimmt bei wachsendem s1 den Wert null an. Der
Zielfunktionswert kann also beliebig hoch steigen.
Ist es in einem Simplextableau möglich, eine Pivotspalte l zu bestimmen, je-
doch keine Pivotzeile, da alle ail∗ ≤ 0 sind, so zeigt dies, dass der Lösungsraum in
Richtung Zielfunktionsverbesserung unbeschränkt ist und keine optimale Lösung
existiert. Das Aufnahmekriterium zeigt hier an, welche Variable zusätzlich zu den
Basisvariablen beliebige positive Werte annehmen und so die Zielfunktion unend-
lich verbessern kann.
Da in der Praxis unendlich hohe Zielfunktionswerte üblicherweise nicht zu er-
reichen sind, ist ein derartiges Ergebnis meist ein Zeichen dafür, dass begrenzende
Bedingungen der Realität in dem Modell noch nicht ausreichend berücksichtigt
sind.
Simplexalgorithmus zur Lösung des Grundmodells 63
Beispiel Optima
Bei Optima hat sich herausgestellt, dass der Deckungsbeitrag für Produkt B nur
1,5 statt 2 GE pro Stück beträgt. Optima modifiziert daher die Zielfunktion aus
dem ersten Beispiel.
xB
R1 R3
12
z = 33
10
8 Menge der
optimalen Lösungen
6
R2
4
0 xA
0 2 4 6 8 10 12
3 3/ 0 0 0
2
xA xB s1 s2 s3 RS Θ
0 s1 2 1 1 0 0 22 11
0 s2 1 2 0 1 0 23 23
0 s3 4 1 0 0 1 40 10
Δz -3 - 3 /2 0 0 0 0
xA xB s1 s2 s3 RS Θ
0 s1 0 1/ 1 0 - 1 /2 2 4
2
0 s2 0 7/ 0 1 - 1 /4 13 52/
4 7
3 xA 1 1/ 0 0 1/ 10 40
4 4
Δz 0 - 3 /4 0 0 3/
4 30
Optimales Endtableau:
xA xB s1 s2 s3 RS
3/ x 0 1 2 0 -1 4
2 B
0 s2 0 0 - 7 /2 1 3/
2 6
3 xA 1 0 - 1 /2 0 1/
2 9
Δz 0 0 3/ 0 0 33
2
kann, ohne den Zielfunktionswert zu verändern. Für die Aufnahme von s3 ist s2
zu eliminieren und das neue Tableau zu berechnen.
Weiteres optimales Endtableau:
xA xB s1 s2 s3 RS
3/ x 0 1 - 1 /3 2/ 0 8
2 B 3
0 s3 0 0 - 7 /3 2/
3 1 4
3 xA 1 0 2/ - 1 /3 0 7
3
Δz 0 0 3/ 0 0 33
2
Dieses zweite optimale Endtableau zeigt die zweite optimale Basislösung mit
x A = 7, xB = 8, s3 = 4 und s1 = s2 = 0, auch diese wieder mit dem Zielfunkti-
onswert 33. Außerdem sind alle Punkte auf der Strecke dazwischen optimal,
sodass die Menge der optimalen Lösungen für dieses Modell lautet
⎧⎛ x A ⎞ ⎛ xA ⎞ ⎛9⎞ ⎛7⎞ ⎫
⎪⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎪
⎪⎜ xB ⎟ ⎜ xB ⎟ ⎜ 4⎟ ⎜8 ⎟ ⎪
⎪⎜ ⎟ ⎜ s1 ⎟ = λ ⎜ 0 ⎟ + (1 − λ ) ⎜ 0 ⎟ , λ ∈ [ 0, 1]⎬⎪
L = ⎨ s1
⎪⎜ s ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎪
⎪⎜ 2 ⎟ ⎜ s2 ⎟ ⎜6⎟ ⎜0⎟ ⎪
⎪⎩⎜⎝ s3 ⎟⎠ ⎜s ⎟ ⎜0⎟ ⎜ 4⎟ ⎪⎭
⎝ 3 ⎠ ⎝ ⎠ ⎝ ⎠
⎧ k k
⎫
L = ⎨ x ∈ Rn | x = ∑ λi x i , λi ∈ [ 0, 1] mit ∑λ i = 1⎬
⎩ i =1 i =1 ⎭
66 Grundlagen linearer Optimierung
R1
12 R4
z = 37 R3
10
6 R2
0 xA
0 2 4 6 8 10 12
max z = 3 x A + 2 xB
s.d . 2 xA + 1 xB ≤ 22 Produktionsstufe 1
1 xA + 2 xB ≤ 23 Produktionsstufe 2
4 xA + 1 xB ≤ 40 Produktionsstufe 3
2 xA + 3
4 xB ≤ 21 zusätzliche Restriktion 4
x A ,xB ≥ 0 NNB
3 2 0 0 0 0
xA xB s1 s2 s3 s4 RS Θ
0 s1 2 1 1 0 0 0 22 11
0 s2 1 2 0 1 0 0 23 23
0 s3 4 1 0 0 1 0 40 10
0 s4 2 3/ 0 0 0 1 21 21/
4 2
Δz -3 -2 0 0 0 0 0
xA xB s1 s2 s3 s4 RS Θ
0 s1 0 1/ 1 0 - 1 /2 0 2 4
2
0 s2 0 7/ 0 1 - 1 /4 0 13 52/
4 7
3 xA 1 1/ 0 0 1/ 0 10 40
4 4
0 s4 0 1/ 0 0 - 1 /2 1 1 4
4
Δz 0 - 5 /4 0 0 3/
4 0 30
Aufzunehmen ist die Variable xB , das Eliminationskriterium ist für mehrere
Basisvariable erfüllt. Bei Aufnahme von xB mit 4 Einheiten nehmen sowohl s1
als auch s4 den Wert null an. Eine beliebige der beiden Variablen, hier s1 , wird
aus der Basis eliminiert. Die andere bleibt dann in Basis mit Wert null, wie das
nächste Tableau zeigt. In einem weiteren Simplexschritt erhält man das optimale
Endtableau.
68 Grundlagen linearer Optimierung
xA xB s1 s2 s3 s4 RS Θ
2 xB 0 1 2 0 -1 0 4 -
0 s2 0 0 -7/2 1 3/
2 0 6 4
3 xA 1 0 -1/2 0 1/
2 0 9 18
0 s4 0 0 -1/2 0 1
- /4 1 0 -
Δz 0 0 5/ 0 -1/2 0 35
2
xA xB s1 s2 s3 s4 RS
2 xB 0 1 -1/3 2/
3 0 0 8
0 s3 0 0 -7/3 2/3 1 0 4
3 xA 1 0 2/ -1/3 0 0 7
3
0 s4 0 0 -13/12 1/6 0 1 1
Δz 0 0 4/ 1/ 0 0 37
3 3
Beispiel Optima IV
Ausgehend von dem Grundmodell wird eine andere zusätzliche Restriktion 4
hinzugefügt, die den Lösungsraum in der optimalen Ecke schneidet.
max z = 3 x A + 2 xB
s.d . 2 xA + 1 xB ≤ 22 Produktionsstufe 1
1 xA + 2 xB ≤ 23 Produktionsstufe 2
4 xA + 1 xB ≤ 40 Produktionsstufe 3
3 xA + 3,5 xB ≤ 49 zusätzliche Restriktion 4
x A ,xB ≥ 0 NNB
xB
14
R1 R3
12
10
6 R2
4 R4
2
z = 37
0 xA
0 2 4 6 8 10 12
Abb. 2.8. Zulässigkeitsbereich Optima IV
70 Grundlagen linearer Optimierung
3 2 0 0 0 0
xA xB s1 s2 s3 s4 RS Θ
0 s1 2 1 1 0 0 0 22 11
0 s2 1 2 0 1 0 0 23 23
0 s3 4 1 0 0 1 0 40 10
0 s4 3 7/ 0 0 0 1 49 49/
2 3
Δz -3 -2 0 0 0 0 0
xA xB s1 s2 s3 s4 RS Θ
0 s1 0 1/ 1 0 - 1 /2 0 2 4
2
0 s2 0 7/ 0 1 - 1 /4 0 13 52/
4 7
3 xA 1 1/ 0 0 1/ 0 10 40
4 4
0 s4 0 11/ 0 0 - 3 /4 1 19 76/
4 11
Δz 0 - 5/ 4 0 0 3/
4 0 30
xA xB s1 s2 s3 s4 RS Θ
2 xB 0 1 2 0 -1 0 4 -
0 s2 0 0 - 7 /2 1 3/
2 0 6 4
3 xA 1 0 - 1 /2 0 1/
2 0 9 18
0 s4 0 0 -11/2 0 2 1 8 4
Δz 0 0 5/ 0 - 1 /2 0 35
2
Simplexalgorithmus zur Lösung des Grundmodells 71
xA xB s1 s2 s3 s4 RS
2 xB 0 1 - 1 /3 2/
3 0 0 8
0 s3 0 0 - 7 /3 2/
3 1 0 4
3 xA 1 0 2/ - 1 /3 0 0 7
3
0 s4 0 0 - 5 /6 - 4 /3 0 1 0
Δz 0 0 4/ 1/ 0 0 37
3 3
xA xB s1 s2 s3 s4 RS
2 xB 0 1 -3/4 0 0 1/
2 8
0 s2 0 0 5/ 1 0 -3/4 0
8
3 xA 1 0 7/ 0 0 -1/4 7
8
0 s3 0 0 11
- /4 0 1 1/ 4
2
Δz 0 0 9/ 0 0 1/ 37
8 4
Beide optimale Endtableaus zeigen die primale Entartung der optimalen Lö-
sung, d. h. dass eine andere Basisdarstellung dieser Ecke möglich ist. Da in beiden
Fällen für alle Nichtbasisvariable die Δ z -Werte ungleich null sind, wird auch
angezeigt, dass die ermittelte optimale Lösung die einzige ist. Die Menge aller
Lösungen besteht nur aus einem Element.
L= {( 7, 8, 0, 0, 4 ) }
t
Initialisierung: Ausgangsgleichungssystem Ax = b, x ≥ 0
Zielfunktion ct x, j = 1,…,n Variablenindizes
Existiert mindestens
ein Δ zj < 0?
Ja Nein
Aufnahmeregel: Aktuelle
Bestimme Index l Basislösung
n ist optimal
mit Δ zl = min {Δ z j }
j =1
l-te Spalte: Pivotspalte
Ein weiteres Beispiel behandelt die Aufstellung und Lösung eines Modells zur
Entscheidungsunterstützung im primären Wirtschaftssektor, in Kapitel 4 werden
vielfältige weitere Einsatzgebiete linearer Optimierungsmodelle vorgestellt.
Beispiel Landwirtschaft
Ein Landwirt beabsichtigt, seinen 1 ha = 10.000 qm großen Acker teils mit Blu-
men und teils mit Gemüse zu bestellen. Er erwartet, pro qm Blumen einen De-
ckungsbeitrag von 2,5 GE zu erzielen, pro qm Gemüse 1 GE. Die Beschaffung des
Simplexalgorithmus zur Lösung des Grundmodells 73
2,5 1 0 0
x1 x2 s1 s2 RS Θ
0 s1 1 1 1 0 10000 10000
Δz -2,5 -1 0 0 0
x1 x2 s1 s2 RS
0 s1 0 0,5 1 -1 2000
erhöht werden, würde ein weiterer Teil der verfügbaren Fläche mit Blumen
bepflanzt und pro Einheit ein zusätzlicher Deckungsbeitrag von 2,5 erzielt werden.
Der Schattenpreis der knappen Ressource Budget beträgt also 2,5 GE. Wird ein
qm mit Gemüse bepflanzt, reduziert sich wegen des dadurch notwendigen Ver-
zichts auf Blumen der Deckungsbeitrag um 0,25 GE, die Opportunitätskosten für
das Pflanzen von Gemüse, welche der Δ z -Zeile zu entnehmen sind. Dass diese
Kosten so gering sind, ist darauf zurückzuführen, dass ein zusätzlicher qm Gemü-
se nicht nur -noch freie- Fläche beansprucht, sondern auch 0,5 Einheiten knappes
Budget, also auf 0,5 qm Blumen verzichtet werden muss.
x2
R2 z = 20000
10000
8000
6000
4000
2000
R1
0 x1
0 2000 4000 6000 8000 10000
Abb. 2.9. Zulässigkeitsbereich Beispiel Landwirtschaft
Wird verlangt, dass die gesamte Fläche bepflanzt wird, reduziert sich der Zu-
lässigkeitsbereich erheblich auf die Linie von ( 6000, 4000 ) bis ( 0, 10000 ) . Die
t t
optimale Bepflanzung besteht dann aus 6.000 qm Blumen und 4.000 qm Gemüse.
Das zugehörige lineare Optimierungsmodell lautet:
max z = 2,5 x1 + x2
s.d . x1 + x2 = 10.000
x1 + 0,5 x2 ≤ 8.000
x1 ,x2 ≥ 0
2.2.4 Aufgaben
Aufgabe 2.2.1
Bei der Krümelmonster GmbH soll für die beiden Produkte klassische Butterkek-
se, Variable x1, und Butterkekse mit Schokoladenüberzug, Variable x2, das de-
ckungsbeitragsmaximale Produktionsprogramm ermittelt werden. Das zugehörige
lineare Programm ist bereits formuliert:
max z = 8 x1 + 28 x2
s.d . x1 + 2 x2 ≤ 54
x1 ≤ 21
x2 ≤ 33
x1 , x2 ≥ 0
Ermitteln Sie die Menge aller optimalen Lösungen mit Hilfe des Simplexalgo-
rithmus. Wie hoch ist der erzielbare Gesamtdeckungsbeitrag?
Ist es vorteilhaft, die Kapazität der ersten Produktionsstufe zu erhöhen? Welche
Konsequenzen hat die Produktion einer weiteren Einheit klassischer Butterkekse?
Aufgabe 2.2.2
Der Betreiber eines mobilen Heißgetränkeverkaufs beabsichtigt vor der Mensa
einer Universität Kaffee und Espresso anzubieten. Da sein Mini Cooper nur über
begrenzte Kapazität verfügt und sehr viele Studierende die Mensa täglich aufsu-
chen, kann er davon ausgehen, dass seine Absatzzahlen nur von seinen Vorräten
an Wasser, Bechern und Plätzchen begrenzt werden.
a) Lohnt sich der Verkauf, wenn das folgende Modell seine tägliche Situation
beschreibt und gleichzeitig die Universität 20 € Standgebühr pro Tag erhebt? Wie
viel Kaffee x1 und Espresso x2 sollte pro Tag verkauft werden, um den Deckungs-
beitrag zu maximieren?
max z = 0, 2 x1 + 0, 4 x2 Deckungbeitrag
s.d . 0, 2 x1 + 0,1 x2 ≤ 50 Wasser
x1 + x2 ≤ 300 Becher
x2 ≤ 100 Plätzchen
x1 , x2 ≥ 0
76 Grundlagen linearer Optimierung
b) Wie lautet das beste Angebot, falls Wasser, Becher und Plätzchen in beliebiger
Kombination bis zur Erreichung der Mini Cooper-Kapazität mitgenommen wer-
den, wobei der Platzbedarf für 1 Liter Wasser dem von 10 Bechern bzw. 20
Plätzchen entspricht?
Aufgabe 2.2.3
Ein Unternehmen bietet vier Produkte an, die sämtlich drei Produktionsstufen
durchlaufen. Aufgrund knapper Produktionskapazitäten ist zu entscheiden, wie
viel von welchem Produkt in der nächsten Periode zur Erzielung eines möglichst
hohen Gesamtdeckungsbeitrags zu fertigen ist. Ermitteln Sie alle optimalen
Lösungen des folgenden Modells:
max z = 20 x1 + 40 x2 + 35 x3 + 80 x4
s.d . x1 + 4 x2 + 2 x3 + 5 x4 ≤ 60
3 x1 + 6 x2 + 3 x3 + 3 x4 ≤ 72
3 x1 + x2 + 2 x3 + 2 x4 ≤ 76
x1 , x2 , x3 , x4 ≥ 0
Aufgabe 2.2.4
Lösen Sie die folgenden linearen Optimierungsmodelle zunächst grafisch, an-
schließend mittels Simplexalgorithmus. Geben Sie alle optimalen Lösungen an
und erläutern Sie die Lösungen. Gehen Sie auf Besonderheiten ein. Sollte der
Simplexalgorithmus keine optimale Lösung ermitteln, geben Sie die beste festge-
stellte Lösung an.
a) b)
max z = x1 + 2 x2 max z = x1 + 2 x2
s.d . x1 + 2 x2 ≤ 10 s.d . 2 x1 + x2 ≤ 15
x1 + 4 x2 ≤ 16 −0,5 x1 + x2 ≤ 2,5
x1 ≤ 5 x2 ≤ 5
x1 , x2 ≥ 0 x1 , x2 ≥ 0
c) d)
max z = x1 + 2 x2 max z = x1 − x2
s.d . x2 ≤ 10 s.d . 2 x1 − 2 x2 ≤ 4
− 2 x1 + x2 ≤ 5 x1 , x2 ≥ 0
−2 5 x1 + x2 ≤ 8
x1 , x2 ≥ 0
3 Modellerweiterungen, Dualität und
Sensitivitätsanalyse
Nicht immer weist das lineare Optimierungsmodell, welches eine reale Entschei-
dungssituation adäquat abbildet, die für das Grundmodell charakteristischen
Eigenschaften auf. Damit ist der bisher vorgestellte Simplexalgorithmus zur
Lösung nicht unmittelbar einsetzbar. Mittels welcher Maßnahmen dennoch effi-
zient eine optimale Lösung ermittelt werden kann, wird im Folgenden behandelt.
R1 R3 R5
14
12
10
8
Zulässige
6 Lösungen
R2
4 R4
z = 36
2
0 xA
0 2 4 6 8 10 12 14
Abb. 3.1. Zulässigkeitsbereich Optima V
Zur Ermittlung einer optimalen Lösung wird auch für dieses Modell zunächst
durch Hinzufügung von Schlupfvariablen ein äquivalentes Gleichungssystem
aufgestellt. Alle Schlupfvariablen müssen die Nichtnegativitätsbedingung erfüllen,
daher ist die Kundendienst-Schlupfvariable s4 mit negativem Vorzeichen einzu-
fügen und erfasst die Produktionsmenge, die über die Mindestanforderung des
Kundendienstes von 5 ME hinausgeht.
x A + x B − s4 = 5
Lösung allgemeiner linearer Optimierungsmodelle 79
Hinweis: Aus didaktischen Gründen wird hier für ein Problem mit nur zwei
Strukturvariablen ein Lösungsalgorithmus angewandt, welcher für eine beliebige
Variablenanzahl geeignet ist. In diesem kleinen Beispiel ließe sich die Gleich-
heitsrestriktion R5 nach einer Variablen auflösen und dann das Problem unmittel-
bar lösen. Dieses Vorgehen ist jedoch bei mehreren Variablen nicht möglich.
Die fünfte Restriktion ist bereits als Gleichung formuliert, sodass das resultie-
rende äquivalente Gleichungssystem lautet:
2 xA + 1 xB + s1 = 22
1 x A + 2 xB + s2 = 23
4 xA + 1 xB + s3 = 40
1 x A + 1 xB − s4 = 5
1 x A − 13 xB = 6
x A , xB , s1 , s2 , s3 , s4 ≥ 0
Groß-M-Methode
Auch für das Auffinden einer ersten zulässigen Lösung lässt sich der Simplexalgo-
rithmus einsetzen. Zunächst wird ein Hilfsmodell formuliert, zu welchem eine
Ausgangslösung einfach angegeben werden kann. Zu diesem wird eine optimale
Lösung durch Einsatz des Simplexalgorithmus ermittelt. Falls diese zulässig
bezüglich des Ausgangsmodells ist, ist sie auch optimale Lösung des ursprüngli-
chen Modells. Das Hilfsmodell wird aufgestellt, indem der Zulässigkeitsbereich
durch das Hinzufügen von Hilfsvariablen zunächst künstlich vergrößert wird,
sodass im Nullpunkt gestartet werden kann. Diese Hilfsvariablen werden in der
Zielfunktion mit sehr hohen Strafkosten (Groß-M) versehen, da diese Variablen
unbedingt sämtlich den Wert null annehmen sollen. Durch schrittweise Verbesse-
rung der Zielfunktion bei Anwendung des Simplexalgorithmus wird erreicht, dass
die Hilfsvariablen aus der Basis entfernt werden, d. h. den Wert null annehmen,
und damit der Zulässigkeitsbereich wieder reduziert wird. Lässt sich die Entfer-
nung der Hilfsvariablen aus der Basis auf diese Weise nicht erreichen, dann ist sie
überhaupt nicht möglich. Das bedeutet dann, dass zu dem ursprünglichen Modell
keine zulässige Lösung existiert, die Anforderungen folglich nicht alle gleichzeitig
erfüllbar sind.
Im Beispiel wird nun für die vierte und fünfte Gleichung jeweils eine Hilfsvari-
able eingefügt, die ebenfalls die Nichtnegativitätsbedingung erfüllen müssen. Die
80 Modellerweiterungen, Dualität und Sensitivitätsanalyse
Die Hinzufügung der Hilfsvariablen h4 hat denselben Effekt wie eine Ver-
schiebung der ≥ -Restriktion. Beispielsweise für h4 = 5 lautet die resultierende
Anforderung an die Strukturvariablen x A + xB ≥ 0 und lässt damit den Nullpunkt
zu. Positive Werte von h5 lassen entsprechende Unterschreitungen der rechten
Seite zu. Damit wird der Zulässigkeitsbereich der fünften Restriktion künstlich auf
einen Halbraum, also wie bei einer ≤ -Restriktion, ausgedehnt. Abb. 3.2 zeigt den
gegenüber dem Ausgangsmodell wesentlich vergrößerten Zulässigkeitsbereich des
Hilfsmodells.
xB
R1 R3 R5≤
14
12
10
6
R2
4
2
R4
0 xA
0 2 4 6 8 10 12 14
R4′
Zu beachten ist, dass nicht alle Lösungen des Hilfsmodells zulässig für das
Ausgangsmodell, jedoch alle Lösungen des Ausgangsmodells zulässig bezüglich
des Hilfsmodells sind. Der ursprüngliche Zulässigkeitsbereich stellt also eine
Teilmenge des Zulässigkeitsbereichs des Hilfsmodells dar.
Dieses Hilfsmodell besitzt kanonische Form, sodass die erste zulässige Basislö-
sung unmittelbar ablesbar ist. Sie lautet x A = xB = s4 = 0 , s1 = 22 , s2 = 23 ,
s3 = 40 , h4 = 5 , h5 = 6 . Diese positiven Werte der Hilfsvariablen weisen auf das
Ausmaß der Verletzung der ursprünglichen Restriktionen hin.
Die Δ z -Werte werden unter Verwendung der Hilfszielfunktionsparameter
nach der bekannten Formel Δ z j = −c j + cB B −1 a j ermittelt, wobei mit M wie mit
einer sehr großen Zahl gerechnet wird. Beispielsweise gilt
Δ z xA = −3 + 0 ⋅ 2 + 0 ⋅1 + 0 ⋅ 4 + (− M ) ⋅1 + (− M ) ⋅1 = −2M − 3 und aktueller Ziel-
funktionswert ist cBt b* = 0 ⋅ 22 + 0 ⋅ 23 + 0 ⋅ 40 + ( − M ) ⋅ 5 + ( − M ) ⋅ 6 = −11M .
3 2 0 0 0 0 -M -M
xA xB s1 s2 s3 s4 h4 h5 RS Θ
0 s1 2 1 1 0 0 0 0 0 22 11
0 s2 1 2 0 1 0 0 0 0 23 23
0 s3 4 1 0 0 1 0 0 0 40 10
-M h4 1 1 0 0 0 -1 1 0 5 5
-M h5 1 - 1/ 3 0 0 0 0 0 1 6 6
Der Zielfunktionswert mit −11M zeigt ebenso wie die in der Basis enthaltenen
Hilfsvariablen an, dass diese Lösung bezüglich des ursprünglichen Modells nicht
zulässig ist. Da −2M viel kleiner ist als − 2 3 M , gilt dies auch für Δ z x A im
Vergleich zu Δ z xB , unabhängig von dem zusätzlichen Wert ( −3) bzw. ( −2) .
Also wird x A gemäß Aufnahmekriterium im nächsten Schritt in die Basis aufge-
nommen. Wie bisher werden die Δ z -Werte der folgenden Tableaus mittels
Pivotisierens bestimmt. Eine Ermittlung mit obiger Formel ist ebenfalls stets
möglich.
82 Modellerweiterungen, Dualität und Sensitivitätsanalyse
xA xB s1 s2 s3 s4 h4 h5 RS Θ
0 s1 0 -1 1 0 0 2 -2 0 12 6
0 s2 0 1 0 1 0 1 -1 0 18 18
0 s3 0 -3 0 0 1 4 -4 0 20 5
3 xA 1 1 0 0 0 -1 1 0 5 -
-M h5 0 -4 /3 0 0 0 1 -1 1 1 1
Die Hilfsvariable h4 wurde aus der Basis eliminiert und hat als Nichtbasisvari-
able den Wert null. Die Mindestanforderung des Absatzbereichs wird nun mit der
Produktion von 5 Einheiten Produkt A erfüllt. Damit ist die Ausweitung des
Lösungsraums durch „Verschiebung von Restriktion 4“ nicht mehr notwendig und
wird auch später nicht wieder vorgenommen. Folglich wird die Hilfsvariable h4
nie mehr aufgenommen und die Spalte könnte aus dem Tableau gestrichen wer-
den. Dies wird deshalb hier nicht vorgenommen, um auch weiterhin die aktuelle
Basisinverse ablesen zu können. Diese ist dort zu entnehmen, wo im Aus-
gangstableau die Einheitsmatrix steht, was für die Hilfsvariablen gerade gilt.
Da weiterhin h5 mit einem Wert 1, also größer als null, in Basis ist, ist die Zu-
lässigkeit noch nicht erreicht. Dies belegt auch der Zielfunktionswert, der noch
mit Strafkosten von M den Gesamtdeckungsbeitrag von 15 GE schmälert, der bei
dieser Lösung mit Produkt A erzielt wird. Eine Verbesserung der Zielfunktion
wird durch Aufnahme von s4 in Basis erreicht, zu eliminieren ist h5 .
xA xB s1 s2 s3 s4 h4 h5 RS Θ
0 s1 0 5/ 1 0 0 0 0 -2 10 6
3
0 s2 0 7/ 0 1 0 0 0 -1 17 51/
3 7
0 s3 0 7/ 0 0 1 0 0 -4 16 48/
3 7
3 xA 1 -1 / 3 0 0 0 0 0 1 6 -
0 s4 0 -4 /3 0 0 0 1 -1 1 1 -
Δz 0 -3 0 0 0 0 M M+3 18
Sämtliche Hilfsvariablen sind aus der Basis entfernt. Sie sind nun überflüssig,
da die erste zulässige Basislösung für das Ausgangsmodell gefunden wurde und
der Zulässigkeitsbereich des Ausgangsmodells nicht mehr verlassen wird. Die
Lösung allgemeiner linearer Optimierungsmodelle 83
xA xB s1 s2 s3 s4 h4 h5 RS
2 xB 0 1 3/ 0 0 0 0 -6 /5 6
5
0 s2 0 0 -7 /5 1 0 0 0 9/
5 3
0 s3 0 0 -7 /5 0 1 0 0 -6 /5 2
3 xA 1 0 1/ 0 0 0 0 3/ 8
5 5
0 s4 0 0 4/ 0 0 1 -1 -3 /5 9
5
Δz 0 0 9/ 0 0 0 M M-3/5 36
5
Die optimale Lösung für das Hilfsmodell ist gefunden. Da diese für das ur-
sprüngliche Modell ebenfalls zulässig ist, liegt somit auch die optimale Lösung für
das ursprüngliche Modell vor. Es sind 8 Einheiten von Produkt A und 6 Einheiten
von Produkt B zu produzieren, der erzielbare Deckungsbeitrag beträgt 36 GE.
Diese Reduktion des Zielfunktionswertes erklärt sich aus den zusätzlichen Anfor-
derungen, welche zu einer Verkleinerung des Zulässigkeitsbereichs führen. Insbe-
sondere der Produktionszusammenhang, modelliert mittels = -Restriktion, wirkt
hier einschränkend. Freie Kapazitäten sind in der zweiten und dritten Produktions-
stufe vorhanden, während die erste Produktionsstufe vollständig ausgelastet ist.
Mit s4 = 9 wird die Forderung des Kundendienstes um 9 Einheiten überschritten.
≥ -Restriktionen
Zur Lösung eines linearen Optimierungsmodells, welches nicht in Standardform
vorliegt, da ≥ -Restriktionen zu berücksichtigen sind, führt das folgende Vorgehen
zu einer optimalen Lösung, falls diese existiert. Ausgehend von dem Modell
max z = c t x
s.d . A x ≥b
x ≥0
mit b ≥ 0 wird durch Hinzufügen von Schlupfvariablen s ≥ 0 ein äquivalentes
System mit Gleichheitsrestriktionen aufgestellt. Da die Schlupfvariablen die
Nichtnegativitätsbedingung erfüllen sollen, ist die entsprechende Koeffizienten-
matrix nicht die Einheitsmatrix I , sondern − I .
Das äquivalente Modell mit Gleichheitsrestriktion lautet
84 Modellerweiterungen, Dualität und Sensitivitätsanalyse
max z = ct x + 0t s
⎛ x⎞
s.d . ( A, −I ) ⎜ ⎟ = b
⎝s⎠
x, s ≥ 0
Um als Ausgangsbasis die Einheitsmatrix zu erhalten, werden zusätzliche
Hilfsvariablen eingefügt und ein Hilfsmodell formuliert, in welchem die Hilfsvari-
ablen mit sehr hohen negativen Werten in der Zielfunktion berücksichtigt werden.
Das zugehörige Hilfsmodell liegt in kanonischer Form vor. M bezeichnet den
geeignet dimensionierten Vektor, dessen Komponenten sämtlich gleich M sind.
max z = c t x + 0t s − M t h
⎛ x⎞
⎟
s.d . ( A, − I , I ) ⎜⎜ s ⎟ = b
⎜ h⎟
⎝ ⎠
x, s , h ≥ 0
Anschließend wird der Simplexalgorithmus auf das Hilfsmodell zur Optimie-
rung der Hilfszielfunktion bis zur Erreichung des optimalen Endtableaus ange-
wandt. Sind in der optimalen Lösung Hilfsvariablen mit Wert echt größer als null
in Basis, existiert keine zulässige Lösung des ursprünglichen Modells. Dessen
Zulässigkeitsbereich ist leer. Andernfalls ist die optimale Lösung des Hilfsmodells
– reduziert um die Hilfsvariablen – optimale Lösung des ursprünglichen Modells.
Diese Vorgehensweise wird als Groß-M-Methode bezeichnet, nach den sehr hohen
Strafkosten M für die Hilfsvariablen.
= -Restriktionen
Bei Gleichheitsrestriktionen sind keine Schlupfvariablen erforderlich, da Glei-
chungen bereits vorhanden sind. Es werden nur entsprechende Hilfsvariablen zur
Formulierung des Hilfsmodells eingeführt, um eine Einheitsmatrix als Ausgangs-
basis wählen zu können. Diese werden wie bei ≥ -Restriktionen mittels Groß-M-
Methode berücksichtigt und durch den Simplexalgorithmus eliminiert, falls das
möglich ist, d. h. mindestens eine zulässige Lösung des Ausgangsmodells exis-
tiert.
2-Phasen-Methode
Eine vergleichbare Vorgehensweise zum Auffinden zunächst einer zulässigen
Basislösung und dann einer optimalen Lösung sowohl für ≥ - wie für = -
Restriktionen ist die 2-Phasen-Methode. Hier wird gleichermaßen der durch
Hilfsvariable vergrößerte Zulässigkeitsbereich behandelt, das Vorgehen gliedert
sich jedoch in zwei Phasen. In der ersten Phase wird eine Hilfszielfunktion maxi-
miert, die nur auf die Elimination der Hilfsvariablen aus der Basis abstellt.
Lösung allgemeiner linearer Optimierungsmodelle 85
m
max z h = ∑ −h
i =1
i
Die erste Phase endet mit Erreichen der optimalen Lösung bezüglich der Hilfs-
zielfunktion. Ist der erreichte Zielfunktionswert gleich null, enthält die Basis keine
Hilfsvariablen mit Wert größer als null mehr und die erste zulässige Lösung des
Ausgangsmodells ist gefunden. Andernfalls können die Hilfsvariablen nicht
eliminiert werden und folglich existiert keine einzige zulässige Lösung des Aus-
gangsmodells. Dessen Zulässigkeitsbereich ist also leer, da nicht alle Anforderun-
gen erfüllbar sind.
Wurde die erste Phase mit Auffinden einer zulässigen Basislösung des Aus-
gangsmodells abgeschlossen, werden in der zweiten Phase die Hilfsvariablen nicht
mehr beachtet und die ursprüngliche Zielfunktion wird zugrunde gelegt. Konkret
werden die aktuellen Δ z -Werte ermittelt und der Simplexalgorithmus weiter
angewandt bis zum Auffinden einer optimalen Lösung.
Die Groß-M-Methode und die Zwei-Phasen-Methode stimmen nicht nur hin-
sichtlich der ermittelten Lösung überein. Vielmehr sind in der Regel auch sämtli-
che Schritte und sämtliche Tableaus bis auf die Δ z - bzw. Δ zh -Zeile gleich.
Unterschiedliche Iterationen können dann vorkommen, wenn in der ersten Phase
der 2-Phasen-Methode die aufzunehmende Variable nicht eindeutig festgelegt ist.
0 0 0 0 0 0 -1 -1
xA xB s1 s2 s3 s4 h4 h5 RS Θ
0 s1 2 1 1 0 0 0 0 0 22 11
0 s2 1 2 0 1 0 0 0 0 23 23
0 s3 4 1 0 0 1 0 0 0 40 10
-1 h4 1 1 0 0 0 -1 1 0 5 5
-1 h5 1 -1 /3 0 0 0 0 0 1 6 6
Δ zH -2 - 2 /3 0 0 0 1 0 0 -11
86 Modellerweiterungen, Dualität und Sensitivitätsanalyse
xA xB s1 s2 s3 s4 h4 h5 RS Θ
0 s1 0 5/ 1 0 0 0 0 -2 10 6
3
0 s2 0 7/ 0 1 0 0 0 -1 17 51/
3 7
0 s3 0 7/ 0 0 1 0 0 -4 16 48/
3 7
0 xA 1 -1/ 3 0 0 0 0 0 1 6 -
0 s4 0 -4 /3 0 0 0 1 -1 1 1 -
Δ zH 0 0 0 0 0 0 1 1 0
Die erste zulässige Lösung des Ausgangsmodells ist gefunden und es wird mit
der zweiten Phase begonnen. Nun wird die ursprüngliche Zielfunktion verwendet.
Dazu werden die aktuellen Δ z -Werte ermittelt, z. B. Δ z xB = − 2 + 3 ⋅ (− 13 )
= − 3 und in das Tableau aufgenommen. Anschließend wird der Simplexalgo-
rithmus angewandt. Die Hilfsvariablen können gestrichen werden, ihre Aufnahme
würde zu Unzulässigkeit führen. Sie werden nur noch mitgeführt, um Informatio-
nen bezüglich der Basis zu erhalten.
3 2 0 0 0 0 0 0
xA xB s1 s2 s3 s4 h4 h5 RS Θ
0 s1 0 5/ 1 0 0 0 0 -2 10 6
3
0 s2 0 7/ 0 1 0 0 0 -1 17 51/
3 7
0 s3 0 7/ 0 0 1 0 0 -4 16 48/
3 7
3 xA 1 - 1 /3 0 0 0 0 0 1 6 -
0 s4 0 - 4 /3 0 0 0 1 -1 1 1 -
Δz 0 -3 0 0 0 0 0 3 18
Lösung allgemeiner linearer Optimierungsmodelle 87
xA xB s1 s2 s3 s4 h4 h5 RS
2 xB 0 1 3/ 0 0 0 0 - 6 /5 6
5
0 s2 0 0 - 7 /5 1 0 0 0 9/
5 3
0 s3 0 0 - 7 /5 0 1 0 0 - 6 /5 2
3 xA 1 0 1/ 0 0 0 0 3/ 8
5 5
0 s4 0 0 4/ 0 0 1 -1 - 3 /5 9
5
Δz 0 0 9/ 0 0 0 0 - 3 /5 36
5
Das optimale Endtableau stimmt mit dem der Groß-M-Methode bis auf die
Δ z -Werte der Hilfsvariablen überein, die jetzt lauten Δ zh = 0 und Δ zh = − 35 . 4 5
Für die Optimalität der Lösung ist dieser negative Wert ohne Bedeutung, da die
Hilfsvariable nicht mehr aufgenommen werden darf. Er liefert jedoch eine Infor-
mation über die zugehörige Dualvariable, wie im Abschnitt über die Dualität
gezeigt wird.
Beispiel Landwirtschaft
Mit einer der beiden vorgestellten Vorgehensweisen kann das Landwirtschaftsbei-
spiel gelöst werden, wobei im Modell zu gewährleisten ist, dass die Gesamtfläche
bestellt wird, d. h. die erste Restriktion mit Gleichheit zu erfüllen ist. Hier wird die
Groß-M-Methode eingesetzt.
max z = 2,5 x1 + x2
s.d . x1 + x2 = 10.000
x1 + 1
2 x2 ≤ 8.000
x1 , x2 ≥ 0
2,5 1 -M 0
x1 x2 h1 s2 RS Θ
-M h1 1 1 1 0 10000 10000
x1 x2 h1 s2 RS Θ
Δz -2000M
0 -0,5M+0,25 0 M+2,5
+20000
x1 x2 h1 s2 RS
1 x2 0 1 2 -2 4000
2,5 x1 1 0 -1 2 6000
Δz 0 0 M-0,5 3 19000
Optimal ist es, 6.000 qm mit Blumen und 4.000 qm mit Gemüse zu bepflanzen.
Ist eine Brachfläche aus landwirtschaftlichen Gründen nicht zulässig, sinkt der
andernfalls erzielbare Deckungsbeitrag um 1.000 GE, also um 5 %.
Hinweis: Bei der Abbildung der Realität in einem Modell wirkt die Formulie-
rung von = -Restriktionen stark einschränkend auf den Zulässigkeitsbereich. Da-
durch verringert sich unter Umständen der andernfalls erreichbare Zielfunktions-
wert beträchtlich oder es existiert möglicherweise keine zulässige Lösung. Daher
sollte stets geprüft werden, ob zwingend die Gleichheit verlangt werden muss.
Wird im Beispiel die Brachfläche deshalb nicht zugelassen, weil deren Pflege
Kosten verursacht, die 0,1 Einheiten pro qm Brache betragen, ist dies im Modell
durch Aufnahme einer Variablen x3 mit negativem Deckungsbeitrag abzubilden.
Entsprechen den Kosten Auszahlungen, sind diese in der Budgetrestriktion eben-
falls zu berücksichtigen. So lautet das modifizierte Modell
max z = 2,5 x1 + x2 − 0,1 x3
s.d . x1 + x2 + x3 = 10.000
x1 + 0,5 x2 + 0,1 x3 ≤ 8.000
x1 , x2 , x3 ≥ 0
2,5 1 --0,1 -M 0
x1 x2 x3 h1 s2 RS Θ
-M h1 1 1 1 1 0 10000 10000
0 s2 1 0,5 0,1 0 1 8000 8000
Δz -M-2,5 -M-1 -M+0,1 0 0 10000M
2,5 1 -
-0,1 -M 0
x1 x2 x3 h1 s2 RS Θ
2,5 1 -
-0,1 -M 0
x1 x2 x3 h1 s2 RS
-0,1 x3 0 5
/9 1 10
/9 - 10/9 2222 2/9
2,5 x 1 1 4
/9 0 - 1/9 10
/9 7777 7/9
26 19222 2/9
Δz 0 1
/18 0 M- 7/18 /9
Die optimale Lösung besteht darin, 2.222 2 9 qm als Brachfläche vorzusehen und
7.777 7 9 qm mit Blumen zu bestellen. Der Gesamtdeckungsbeitrag beträgt
19.222 2 9 Einheiten, also 222 2 9 Einheiten mehr als bei Verzicht auf die Brache.
Beachtenswert ist, dass es trotz des negativen Deckungsbeitrags optimal ist, einen
Teil der Fläche brach liegen zu lassen. Durch die gesamten simultan zu beachten-
den Anforderungen ermöglichen positive Ausprägungen von x3 hier höhere
Werte von x1 . Die Opportunitätskosten für 1 qm Gemüse betragen hier 118 GE,
der Schattenpreis für 1 GE Budget beträgt 2 8 9 . Steht 1 qm mehr Fläche zur
Verfügung, reduziert sich der Gesamtdeckungsbeitrag um 718 GE, wäre die
Fläche um 1 qm geringer, könnte ein um 718 GE höherer Gesamtdeckungsbeitrag
erzielt werden.
Minimierungszielfunktion
In realen Problemstellungen kann die Situation eintreten, dass bestimmte Anforde-
rungen mit minimalen Kosten zu erfüllen sind, beispielsweise wenn die vorhande-
ne Nachfrage mit minimalen Beschaffungs- und Produktionskosten zu erfüllen ist.
Ein entsprechendes Modell wird mit Minimierungs- statt der bisher betrachteten
Maximierungszielfunktion formuliert und der Simplexalgorithmus ist nicht unmit-
telbar anwendbar. Jedoch lässt sich der bekannte Zusammenhang zwischen Mini-
mierung und Maximierung ausnutzen, ein modifiziertes Modell anzugeben, dieses
mit dem Standardsimplexalgorithmus zu lösen und das optimale Ergebnis für das
Minimierungsproblem davon abzuleiten.
Für eine beliebige Funktion f : X ⊂ Rn → R gilt die folgende Übereinstim-
mung:
min f ( x ) = − max − f ( x )
x∈ X x∈ X
Lösung allgemeiner linearer Optimierungsmodelle 91
Wird das Minimum von f über X für x 0 ∈ X angenommen, wird auch das
Maximum von − f für x 0 angenommen. Der umgekehrte Zusammenhang gilt
ebenfalls.
Statt ein Minimierungsmodell
min z = ct x
s.d . A x =b
x≥0
max − z = − ct x
s.d . Ax =b
x≥0
Beispiel 3.1
Gelöst werden soll das Minimierungsmodell
min z = 2 x1 − 3 x2
s.d − x1 + x2 ≤ 1
x1 + x2 ≤ 8
x1 , x2 ≥ 0
Die Lösung erfolgt nicht direkt, stattdessen wird die Zielfunktion mit ( −1)
multipliziert und das entsprechende Maximierungsmodell gelöst.
max − z = −2 x1 + 3 x2
s.d − x1 + x2 ≤ 1
x1 + x2 ≤ 8
x1 , x2 ≥ 0
-2 3 0 0
x1 x2 s1 s2 RS Θ
0 s1 -1 1 1 0 1 1
0 s2 1 1 0 1 8 8
Δz 2 -3 0 0 0
x1 x2 s1 s2 RS Θ
3 x2 -1 1 1 0 1 -
0 s2 2 0 -1 1 7 3,5
Δz -1 0 3 0 3
x1 x2 s1 s2 RS
Vorzeichenunbeschränkte Variable
Wird von einer bestehenden Situation ausgegangen und beispielsweise eine
Erhöhung oder eine Reduktion der gegenwärtigen Produktion erwogen, können
Variable sowohl positive als auch negative Werte annehmen. Die im Standardmo-
dell vorausgesetzte Nichtnegativitätsbedingung x ≥ 0 für alle Variablen ist aus
algorithmischen Gründen notwendig. Auf ihr basiert das Eliminationskriterium
des Simplexalgorithmus.
Um den Simplexalgorithmus zur Lösung auch derartiger Modelle einsetzen zu
können, wird ein geeignet modifiziertes Modell entwickelt, welches nur Variable
enthält, die die Nichtnegativitätsbedingung erfüllen. Dies gelingt, indem eine Va-
Lösung allgemeiner linearer Optimierungsmodelle 93
xi = xi+ − xi−
mit xi+ = max { xi , 0} ≥ 0
xi− = max {− xi , 0} ≥ 0
max z = ct x
s.d . A x ≤b
(x unbeschränkt )
max z = ct x + − ct x −
s.d . A x+ − A x− ≤ b
x+ , x− ≥ 0
Beispiel 3.2
Gelöst werden soll ein lineares Optimierungsmodell, für welches die Variable x1
unbeschränkt ist, also die Nichtnegativitätsbedingung nicht erfüllen muss.
max z = − x1 + x2
s.d . x1 + x2 ≤ 4
−0,5 x1 + x2 ≤ 2
− x1 ≤ 2
x2 ≥ 0
Abb. 3.3 zeigt den Zulässigkeitsbereich und diejenige Isozielfunktion, die die
optimale Ecke (−2; 1) berührt.
94 Modellerweiterungen, Dualität und Sensitivitätsanalyse
x2
R3 R1 z=3 R2
x1
-4 -2 2 4
-1 1 1 0 0 0
x1 + x1 - x2 s1 s2 s3 RS Θ
0 s1 1 -1 1 1 0 0 4 -
0 s2 -0,5 0,5 1 0 1 0 2 4
0 s3 -1 1 0 0 0 1 2 2
Δz 1 -1 -1 0 0 0 0
Lösung allgemeiner linearer Optimierungsmodelle 95
x1 + x1 - x2 s1 s2 s3 RS Θ
0 s1 0 0 1 1 0 1 6 6
0 s2 0 0 1 0 1 -0,5 1 1
1 x1- -1 1 0 0 0 1 2 -
Δz 0 0 -1 0 0 1 2
x1 + x1 - x2 s1 s2 s3 RS
0 s1 0 0 0 1 -1 1,5 5
1 x2 0 0 1 0 1 -0,5 1
1 x1 - -1 1 0 0 0 1 2
Δz 0 0 0 0 1 0,5 3
Modellstruktur Maßnahmen
Zielfunktion
max ct x Grundmodell
min ct x −max − c t x
rechte Seite
bi ≥ 0 Grundmodell
bi < 0 Multiplikation der Zeile mit ( −1)
Restriktionen
≤ Schlupfvariable, Grundmodell
≥ Schlupf- und Hilfsvariable
= Hilfsvariable
Hilfsvariablen müssen entfernt
werden!
Variablen
xi ≥ 0 Grundmodell
xi ≤ 0 xi = − xi− , xi− ≥ 0
xi unbeschränkt xi = xi+ − xi− , xi+ , xi− ≥ 0
3.1.3 Aufgaben
Aufgabe 3.1.1
Ermitteln Sie alle optimalen Lösungen der folgenden linearen Optimierungsmo-
delle. Geben Sie jeweils an, in welchem Tableau eine erste zulässige Lösung des
Ausgangsproblems erreicht ist. Weisen Sie auf Besonderheiten hin. Lösen Sie die
Modelle c) und d) auch grafisch.
a) min z = −3 x1 + 4 x2 − 6 x3
s.d . 2 x1 + x2 + 4 x3 ≤ 120
x1 + x2 + x3 ≥ 20
2 x1 + x2 + 3 x3 = 48
x1 , x2 , x3 ≥ 0
b) max z = 2 x1 + 3 x2 + 4 x3
s.d . x1 + 2 x2 + 2 x3 ≤ 45
2 x2 + x3 ≥ 20
− x1 + x2 + x3 = 30
x1 ∈ R, x2 , x3 ≥ 0
c) max z = x1 + x2
s.d . x1 + x2 ≥ 15
x1 + 3 x2 ≤ 25
2 x1 + x2 ≤ 20
x1 , x2 ≥ 0
d) max z = x1 + x2
s.d . x1 + x2 ≥ 12
x1 + 3 x2 ≤ 25
2 x1 + x2 ≤ 20
x1 , x2 ≥ 0
Aufgabe 3.1.2
Die Chemo AG stellt die Produkte A, B und C her, wobei A und B Kuppelproduk-
te sind, die auf der ersten Anlage durch Aufspaltung im Verhältnis 2:1 entstehen.
Alle Produkte durchlaufen zwei Anlagen. Das entsprechende lineare Optimie-
rungsmodell zur Ermittlung des deckungsbeitragsoptimalen Produktionspro-
gramms liegt vor, wobei die Variablen x A , xB und xC die jeweils zu produzie-
renden Mengen bezeichnen. Ermitteln Sie alle optimalen Lösungen und geben Sie
98 Modellerweiterungen, Dualität und Sensitivitätsanalyse
die Schattenpreise der beiden Anlagen an. Ist auch eine andere Modellformulie-
rung möglich, die effizienter zu berechnen ist?
max z = 5 x A + 8 xB + 4 xC
s.d . 2 xA + xB + xC ≤ 20
x A + 2 xB + 2 xC ≤ 25
x A − 2 xB = 0
x A , xB , xC ≥ 0
Typisch für Optimierungsmodelle ist, dass sehr konsequent die Maximierung bzw.
Minimierung der Zielfunktion angestrebt wird. Das Optimum wird stets in einer
Ecke des Lösungsraums angenommen, das bedeutet, dass stets einige der Restrik-
tionen bis an die Grenze ausgeschöpft werden. Aufgrund der speziellen Struktur
werden nur Basislösungen ermittelt. Damit ist die Anzahl derjenigen Variablen,
die Werte ungleich null annehmen, durch die Zahl der Restriktionen beschränkt.
Dies ist bei der Modellierung zu berücksichtigen. Sobald das Modell formuliert
ist, steht die optimale Lösung fest, auch wenn sie noch nicht bekannt ist und erst
durch Anwendung eines Algorithmus zu ermitteln ist.
Beispiel Opti-Shop
Ein Einzelhändler kauft Blusen und Hosen für seinen Jeans Shop. Unterschiedli-
che Ausführungen werden ihm zu verschiedenen Preisen angeboten. Er kennt
seine Kunden gut und entwickelt unmittelbar Preisvorstellungen, zu denen er
problemlos die eingekaufte Ware absetzen kann. Die entsprechenden Daten sind
übersichtlich zusammengestellt.
Blusen Bw Br Bb Bg Bs Bk
Einkaufspreis 20 22 22 22 24 24
Verkaufspreis 42 45 45 45 49 49
Interpretation, Dualität und Sensitivität 99
Jeans Js Jb Jw
Einkaufspreis 32 30 32
Verkaufspreis 67 62 65
Außerdem möchte er nicht mehr Hosen als Blusen einkaufen, sein Budget von
8.000 € nicht überschreiten und einen optimalen Einkauf tätigen.
Der Einzelhändler strebt die Maximierung seines Deckungsbeitrags an und
formuliert ein lineares Optimierungsmodell, wobei die Variablen Bw die Anzahl
zu beschaffender weißer Blusen, J s die Anzahl zu beschaffender schwarzer Jeans
usw. bezeichnen. Alle Variablen genügen der Nichtnegativitätsbedingung. Da die
sonstigen variablen Kosten für Beschaffung und Verkauf von Blusen und Jeans
übereinstimmen, wählt der Einzelhändler die Differenz zwischen Verkaufs- und
Einkaufspreis als entscheidungsrelevante Parameter der Zielfunktion. Eine Ganz-
zahligkeitsbedingung wird bei den folgenden Betrachtungen nicht berücksichtigt.
Das lineare Optimierungsmodell für Opti-Shop lautet damit
max 22 Bw + 23 Br + 23 Bb + 23 Bg + 25 Bs + 25 Bk + 35 J s + 32 J b + 33 J w
s.d . 20 Bw + 22 Br + 22 Bb + 22 Bg + 24 Bs + 24 Bk + 32 J s + 30 J b + 32 J w ≤ 8000
Bw + Br + Bb + Bg + Bs + Bk − Js − Jb − Jw ≥ 0
Bw , Br , Bb , Bg , Bs , Bk , J s , J b , J w ≥ 0
Da die rechte Seite der ≥ -Restriktion null beträgt, vereinfacht hier die Multi-
plikation dieser Zeile mit ( −1) das Modell, für das folgendes Ausgangstableau
aufgestellt wird.
22 23 23 23 25 25 35 32 33 0 0
Bw Br Bb Bg Bs Bk Js Jb Jw s1 s2 RS Θ
0 s1 20 22 22 22 24 24 32 30 32 1 0 8000 250
0 s2 -1 -1 -1 -1 -1 -1 1 1 1 0 1 0 0
Nach vier Iterationen: 1. Aufnahme von J s mit Wert null, 2. Aufnahme von
Bs , 3. Aufnahme von Bw , Elimination von Bs , 4. Elimination von J s , Aufnahme
s2 , erhält man das folgende optimale Endtableau.
100 Modellerweiterungen, Dualität und Sensitivitätsanalyse
B w Br Bb Bg Bs Bk Js Jb Jw s1 s2 RS
22 Bw 1 1,1 1,1 1,1 1,2 1,2 1,6 1,5 1,6 0,05 0 400
0 s2 0 0,1 0,1 0,1 0,2 0,2 2,6 2,5 2,6 0,05 1 400
Δz 0 1,2 1,2 1,2 1,4 1,4 0,2 1,0 2,2 1,1 0 8800
Die optimale Lösung besteht für den Einzelhändler darin, trotz des geringen
Deckungsbeitrags von nur 22 € pro Stück 400 weiße Blusen zu verkaufen. Dies ist
darin begründet, dass der relative Deckungsbeitrag in Bezug auf die knappe
Kapazität Budget bei den Blusen mit 22 : 20 = 1,1 pro Einheit Budget am höchsten
ist. Jeans werden nicht eingekauft. Der Händler kann so einen maximalen Ge-
samtdeckungsbeitrag von 8.800 € erzielen. Die zweite Restriktion ist nicht bin-
dend.
Dieses Beispiel demonstriert überspitzt die extreme Lösung, die bei Optimie-
rung eines Zielkriteriums insbesondere in Verbindung mit einer geringen Anzahl
weiterer Anforderungen zwangsläufig resultiert. Diese Tatsache ist unabhängig
von dem verwendeten Lösungsalgorithmus und gilt allgemein bei linear be-
schreibbaren Zusammenhängen. Dies sollte daher stets berücksichtigt werden,
wenn ein Ziel zur Verhaltenssteuerung vorgegeben wird, das mit knappem finan-
ziellem und zeitlichem Budget zu erreichen ist. Dann zeichnet sich effizientes
Verhalten durch den ausschließlichen Fokus auf die Engpassfaktoren aus. Bei
einem linearen Optimierungsmodell ist zu beachten, dass die Anzahl der Variab-
len und damit insbesondere auch die der Strukturvariablen in Basis, also mit Wert
größer oder gleich null, höchstens gleich der Zahl der Restriktionen sein kann.
Aus dem optimalen Endtableau ist weiterhin ersichtlich, welchen zusätzlichen
Deckungsbeitrag der Händler erwirtschaften könnte, wenn er sein Budget margi-
nal erhöhen würde. Der Δ z -Wert in der s1 -Spalte beträgt 1,1. Dies bedeutet, dass
eine Erhöhung seines Budgets um 1 € eine Erhöhung des Deckungsbeitrags um
1,1 € nach sich zieht. Dies gilt jedoch in der Regel nicht unbegrenzt, d. h. für
beliebige Budgeterhöhungen, da möglicherweise andere Beschränkungen relevant
werden, die im Rahmen einer Sensitivitätsanalyse festgestellt werden, auf die
später näher eingegangen wird.
Ein Anstieg des Verkaufspreises der weißen Blusen hat keine Auswirkung auf
die optimale Einkaufsmenge, jedoch erhöht sich der Deckungsbeitrag entspre-
chend. Sinkt hingegen der Verkaufspreis der weißen Blusen, so kann direkt keine
Aussage über die Konsequenzen getroffen werden. Auch hierzu ist eine Sensitivi-
tätsanalyse durchzuführen. Würde der Einzelhändler eine rote Bluse einkaufen,
verringerte sich wegen der notwendigen Reduktion weißer Blusen sein Deckungs-
beitrag um 1,2 €, den zu Br gehörenden Opportunitätskosten. Die Beschaffung
einer schwarzen Jeans ist mit Opportunitätskosten von 0,2 € verbunden.
Interpretation, Dualität und Sensitivität 101
Beispiel Opti-Shop II
Da das gesamtdeckungsbeitragsoptimale Sortiment dem Einzelhändler zu einför-
mig ist, stellt er die zusätzliche Anforderung, dass mindestens zwanzig farbige
Blusen und mindestens zehn Jeans zu beschaffen sind. Dies wird mittels zweier
zusätzlicher Restriktionen abgebildet. Die eine lautet etwa J s + J b + J w ≥ 10 . Das
neue Modell wird unter Anwendung des Simplexalgorithmus gelöst. Da zusätzli-
che Anforderungen den Zulässigkeitsbereich im Allgemeinen einschränken,
jedoch auf keinen Fall vergrößern, wird das optimale Ergebnis im günstigsten Fall
gleich gut, vermutlich jedoch geringer als das ohne diese zusätzlichen Anforde-
rungen erzielbare Ergebnis ausfallen.
Das optimale Endtableau für das Modell mit zusätzlichen Restriktionen wird
ermittelt zu
22 23 23 23 25 25 35 32 33 0 0 0 -M 0 -M
Bw Br Bb Bg Bs Bk Js Jb Jw s1 s2 s3 h3 s4 h4 RS
35 Js 0 0 0 0 0 0 1 1 1 0 0 0 0 -1 1 10
23 Br 0 1 1 1 1 1 0 0 0 0 0 -1 1 0 0 20
M- M-
Δz 0 0 0 0 0,2 0,2 0 0,8 2 1,1 0 1,2 0,2 8774
1,2 0,2
Die optimale Lösung besteht in der Beschaffung von 362 weißen Blusen, 20
roten Blusen und 10 schwarzen Jeans. Es wird wiederum eine optimale Lösung
ermittelt, die konsequent den Gesamtdeckungsbeitrag unter strikter Einhaltung der
Restriktionen maximiert und jetzt 8.774 € erreicht. Beide zusätzlichen Restriktio-
nen sind bindend. Dem Tableau ist in der Δ z -Zeile beispielsweise zusätzlich zu
entnehmen, dass eine Aufnahme von s3 in Basis den Zielfunktionswert um 1,2
reduziert. Das bedeutet, eine Lockerung der zugehörigen Restriktion, mindestens
20 farbige Blusen zu beschaffen, um eine Einheit auf die Forderung nach 19
farbigen Blusen erhöht den Gesamtdeckungsbeitrag um 1,2 €. Die Reduktion des
Gesamtdeckungsbeitrags gegenüber dem vorherigen Modell beträgt gerade
10 ⋅ 0, 2 + 20 ⋅1, 2 = 26 und ist aufgrund der Opportunitätskosten im optimalen
Endtableau Opti Shop I auch ohne Neuberechnung bereits ableitbar. Dies gilt
jedoch nur in diesem Beispiel Opti Shop I aufgrund der Tatsache, dass nur die
Kapazitätsrestriktion bindend ist.
In der Δ z -Zeile finden sich Nullelemente bei den Nichtbasisvariablen Bb und
Bg . Das bedeutet, dass diese Variablen alternativ in Basis aufgenommen werden
können und ebenfalls zu einer optimalen Lösung führen. Der entsprechende Basis-
102 Modellerweiterungen, Dualität und Sensitivitätsanalyse
Damit ist neben den 362 weißen Blusen und 10 schwarzen Jeans jede Kombi-
nation von 20 farbigen Blusen außer gestreift und kariert ebenfalls optimale
Lösung. Aus diesem Spektrum kann nun eine gewünschte Zusammenstellung
gewählt werden.
3.2.2 Dualität
Über die optimale Lösung eines Modells hinaus können dem optimalen End-
tableau des Simplexalgorithmus weitere Informationen wie Opportunitätskosten
und Schattenpreise entnommen werden. Dies ist durch die Dualitätstheorie be-
gründet, die hier kurz angesprochen wird. Zu einem linearen Optimierungsmodell
kann stets ein entsprechendes duales lineares Optimierungsmodell angegeben
werden.
• Das dem primalen linearen Optimierungsmodell
max z = ct x
s.d . A x ≤ b
x≥0
mit x, c ∈ R und A mxn − Matrix, b ∈ Rm
n
Beispiel Optima
Das Produktionsplanungsprogramm Optima wird als primales Modell aufgefasst.
Es liegt in Grundform vor.
max z = 3 x A + 2 xB
s.d. 2 x A + 1 xB ≤ 22
1 x A + 2 xB ≤ 23
4 x A + 1 xB ≤ 40
x A , xB ≥ 0
Zur Lösung wird das Modell umformuliert und mit dem bereits behandelten
Simplexalgorithmus, dem primalen Simplexalgorithmus, gelöst. Alternativ könnte
der duale Simplexalgorithmus zur Lösung verwendet werden, der an anderer Stelle
beschrieben wird (z. B. Zimmermann 2008).
-max −22 y1 − 23 y2 − 40 y3
s.d . 2 y1 + 1 y2 + 4 y3 ≥ 3
1 y1 + 2 y2 + 1 y3 ≥ 2
y1 , y2 , y3 ≥ 0
Zu diesem Modell ermittelt man das optimale Endtableau, dessen Lösung bis
auf den Zielfunktionswert, der mit ( −1) zu multiplizieren ist, mit der Lösung des
dualen Modells übereinstimmt.
y1 y2 y3 s1 h1 s2 h2 RS
y1 1 0 7/ - 2 /3 2/ 1/ - 1 /3 4/
3 3 3 3
y2 0 1 - 2 /3 1/
3 - 1 /3 -2/3 2/
3
1/
3
xA xB s1 s2 s3 RS
2 xB 0 1 -1/3 2/
3 0 8
0 s3 0 0 -7/3 2/
3 1 4
3 xA 1 0 2/ -1/3 0 7
3
Δz 0 0 4/ 1/ 0 37
3 3
Beispiel Optima
Im primalen Modell haben die Zielfunktionskoeffizienten die Dimension De-
ckungsbeitrag pro Stück, diese bilden im dualen Modell die rechte Seite. Die
Koeffizienten der Matrix A sind mit Zeit pro Stück dimensioniert. Damit eine
duale Restriktion, z. B. 2 y1 + 1 y2 + 4 y3 ≥ 3 inhaltlich sinnvoll ist, müssen die
Variablen yi die Dimension Deckungsbeitrag pro Zeiteinheit der knappen Kapa-
zität besitzen
2[ZE/St] ⋅ y1 [DB/ZE]+1[ZE/St] y 2 [DB/ZE]+ 4[ZE/St] y3 [DB/ZE] ≥ 3[DB/St]
Da das duale des dualen Modells das primale Modell ist, kann beispielsweise
bei der Dualisierung eines Minimierungsmodells mit ≥ -Restriktionen und Nicht-
negativitätsbedingung für alle Variablen dieses als das duale eines Maximie-
rungsmodells mit ≤ -Restriktionen und Nichtnegativitätsbedingung für alle Vari-
ablen, also dem primalen Modell, aufgefasst werden. So ist eine schrittweise
Vereinfachung nicht erforderlich und das duale Modell direkt angebbar.
• Für optimale Lösungen x 0 des primalen und y 0 des dualen Modells gilt
ct x 0 = bt y 0 . Damit stimmen die optimalen Zielfunktionswerte überein.
• Komplementaritätsbedingung:
Sind x eine zulässige Lösung des primalen und y eine zulässige Lösung des
dualen Modells und xs und ys die zugehörigen Schlupfvariablen, dann gilt:
x und y sind jeweils optimal, genau dann wenn gilt
x j ⋅ ys j = 0 für alle j = 1,..., n und
yi ⋅ xsi = 0 für alle i = 1,..., m
Ist der optimale Wert einer Strukturvariablen positiv, die Variable folglich in
Basis, dann ist die zugehörige duale Schlupfvariable, die unter entsprechenden
Voraussetzungen den Opportunitätskosten entspricht, gleich null. Ist eine Struk-
turvariable nicht in der optimalen Basis und besitzt somit den optimalen Wert null,
kann der zugehörige optimale Wert der Dualvariablen positiv sein. Damit wäre in
einem Produktionsprogramm die Produktion dieses Produkts mit Opportunitäts-
kosten verbunden. Ist eine primale Schlupfvariable mit positivem Wert in Basis,
die Restriktion folglich nicht bindend, muss die zugehörige duale Strukturvariable
gleich null sein, die ggf. dem Schattenpreis für die Kapazität entspricht. Positive
Schattenpreise für Restriktionen können nur dann auftreten, wenn die zugehörige
Schlupfvariable gleich null ist, die Restriktion also einen Engpass für die optimale
Lösung darstellt.
• Ist das primale Modell in Richtung der Zielfunktion unbeschränkt, besitzt das
duale keine zulässige Lösung. Besitzt das primale Modell keine zulässige Lö-
sung, ist das duale in Richtung der Zielfunktion unbeschränkt.
Liegt das primale Modell in Grundform vor, dann gelten weiterhin die folgen-
den Zusammenhänge, die bei Abweichungen vom Grundmodell entsprechend zu
modifizieren sind.
• Ist x eine beliebige zulässige Lösung des primalen Modells und y beliebig
zulässig für das duale, dann gilt
c t x ≤ bt y .
Folglich ist der Zielfunktionswert einer beliebigen zulässigen Lösung des dua-
len Modells eine obere Schranke für die Zielfunktionswerte aller primal zulässigen
Lösungen.
Interpretation, Dualität und Sensitivität 107
• Die optimale Lösung des dualen Modells ist dem optimalen Endtableau des
primalen Modells zu entnehmen. Die dualen Strukturvariablenwerte sind die
Δ z -Werte der primalen Schlupfvariablen, die dualen Schlupfvariablenwerte
sind die Δ z -Werte der primalen Strukturvariablen.
Da die optimale Lösung des dualen Modells im optimalen primalen Endtableau
enthalten ist und umgekehrt, reicht die Optimierung eines der beiden Modelle zur
Ermittlung beider optimaler Lösungen aus. Es kann folglich das einfacher zu
lösende Modell ausgewählt werden, auch wenn man an dessen Lösung selbst nicht
interessiert ist.
Zu einem beliebigen linearen Optimierungsmodell lässt sich das zugehörige
duale Modell ermitteln, indem das primale zunächst auf Grundform gebracht wird,
anschließend dualisiert und dann umgeformt wird, bis die Matrix At vorliegt.
Beispiel
Das primale Modell aus Beispiel 3.2 soll dualisiert und die optimale Lösung des
dualen Modells angegeben werden.
max z = − x1 + x2
s.d . x1 + x2 ≤ 4
−0,5 x1 + x2 ≤ 2
− x1 ≤ 2
x2 ≥ 0
Nun kann unter Anwendung der Regeln hinsichtlich des Grundmodells dieses
primale Modell dualisiert werden:
min Z = 4 y1 + 2 y2 + 2 y3
s.d . y1 − 0,5 y2 − y3 ≥ −1
− y1 + 0,5 y2 + y3 ≥ 1
y1 + y2 ≥ 1
y1 , y2 , y3 ≥ 0
108 Modellerweiterungen, Dualität und Sensitivitätsanalyse
Für dieses Bespiel und auch allgemein gilt, dass zu einer unbeschränkten Vari-
ablen im primalen Modell eine Gleichheitsrestriktion im dualen Modell gehört.
Die optimale Lösung dieses dualen Modells ist dem optimalen Endtableau in
Beispiel 3.2 zu entnehmen: y1 = 0 , y2 = 1 und y3 = 0,5 . Der optimale Schlupf-
variablenwert ist s2 = 0 . Ein positiver Schlupf ist für die Gleichheitsrestriktion
nicht zulässig, eine Schlupfvariable wird nicht eingeführt. Die Δ z -Werte zu x1+
und x1− im primalen Endtableau sind entsprechend jeweils gleich null.
Beispiel Optima V
Zu dem linearen Optimierungsmodell Optima V, welches gegenüber dem Grund-
modell um eine ≥ -Restriktion und eine = -Restriktion erweitert ist, wird das duale
Modell ermittelt und gelöst. Dazu wird ein äquivalentes Modell in Grundform
aufgestellt.
max z = 3 x A + 2 xB
s.d. 2 xA + 1 xB ≤ 22
1 x A + 2 xB ≤ 23
4 xA + 1 xB ≤ 40
−1 x A − 1 xB ≤ −5
1 xA − 1
3 xB ≤ 6
−1 x A + 1
3 xB ≤ −6
xA , xB ≥ 0
Interpretation, Dualität und Sensitivität 109
Dieses Modell wird dualisiert zu dem folgenden dualen Modell, wobei zunächst
die Variablen mit yi′ bezeichnet werden, um später ein passendes Modell zu
formulieren.
min Z = 22 y1′ + 23 y2′ + 40 y3′ − 5 y4′ + 6 y5′ − 6 y6′
s.d . 2 y1′ + 1 y2′ + 4 y3′ − 1 y4′ + 1 y5′ − 1 y6′ ≥ 3
1 y1′ + 2 y2′ + 1 y3′ − 1 y4′ − 13 y5′ + 13 y6′ ≥ 2
y1′, y2′ , y3′ , y4′ , y5′ , y6′ ≥ 0
3.2.3 Sensitivitätsanalyse
Zum Zeitpunkt der Planung ist nicht immer genau bekannt, welche exakten Daten
zukünftig eintreten werden. Lineare Optimierungsmodelle setzen eine Entschei-
dungssituation unter Sicherheit voraus, bei der der eintretende Umweltzustand und
die daraus resultierenden Zusammenhänge, die Werte für die Zielkoeffizienten,
die Aktivitätenmatrix und die rechte Seite exakt angegeben werden können. Die so
resultierenden Festlegungen zulässiger Lösungen werden im Rahmen der Optimie-
rung teilweise extrem ausgeschöpft. Daher ist es häufig sinnvoll zu untersuchen,
ob geringfügige Änderungen einzelner Parameter zu anderen als den vorgeschla-
genen optimalen Lösungen führen. Wichtige Hinweise hierzu liefert die Sensitivi-
110 Modellerweiterungen, Dualität und Sensitivitätsanalyse
xA xB s1 s2 s3 RS
2 xB 0 1 -1/3 2/
3 0 8
0 s3 0 0 -7/3 2/
3 1 4
3 xA 1 0 2/ -1/3 0 7
3
Δz 0 0 4/ 1/ 0 37
3 3
In der Produktionsbesprechung stellt sich heraus, dass die Daten der Verkaufs-
abteilung hinsichtlich des erzielbaren Preises von Produkt B möglicherweise nicht
zutreffen. Es ist nicht ausgeschlossen, dass der erzielbare Preis etwas niedriger,
aber eventuell auch etwas höher festgelegt wird als 2 GE, was direkte Auswirkun-
gen auf den Stückdeckungsbeitrag hat. Ist das vorgeschlagene Produktionspro-
gramm auch bei Preisänderungen noch optimal? Wie wird der Gesamtdeckungs-
beitrag beeinflusst?
Angenommen, der Stückdeckungsbeitrag weicht um den noch unbekannten
Wert λ ∈ R vom bisher berücksichtigten Wert 2 ab, d. h. c ′xB = 2 + λ . Diese
Änderung hat bezüglich des optimalen Endtableaus zunächst nur Auswirkungen
auf die linke Spalte, die Basisvariablen-Zielkoeffizienten, und auf die Δ z -Zeile.
Die sonstigen Parameter, wie die rechte Seite des optimalen Endtableaus, bleiben
durch diese Modifikation unverändert. Die neuen Δ z ′ -Werte errechnen sich
gemäß Definition zu Δ z ′ = −c ′t + cB′t B −1 A und der neue Zielfunktionswert zu
z ′ = cB′ t B −1b .
Um die Werte der Δ z - bzw. Δ z ′ -Zeile einzeln benennen zu können, wird fol-
gende Schreibweise vereinbart: Δ z ( x A ) bzw. Δ z′( x A ) entsprechen dem Wert von
Δ z bzw. Δ z ′ in der zu xA gehörenden Spalte.
Nach Änderung von c xB in c ′xB = 2 + λ berechnen sich die neuen Werte wie
folgt:
Für die Basisvariablen ergibt sich keine Änderung, die Werte lauten weiterhin
Δ z ′( x A ) = Δ z ′( xB ) = Δ z ′( s3 ) = 0 .
Für die übrigen Werte gilt:
Interpretation, Dualität und Sensitivität 111
Δ z ′( s1 ) = − 0 + (2 + λ ) ⋅ (− 13) + 0 ⋅ (− 7 3) + 3 ⋅ 2 3
= − 0 + 2 ⋅ ( − 13) + 0 ⋅ ( − 7 3) + 3 ⋅ 2 3 + λ ⋅ ( − 1 3)
= Δ z ( s1 ) + λ ⋅ (− 13) = 4
3 −λ⋅ 1
3
Δ z ′( s2 ) = Δ z ( s2 ) + λ ⋅ 2 3 = 1
3+ λ ⋅ 3
2
⎛ 22 + λ ⎞ ⎛ λ ⎞ ⎛ 8 ⎞ ⎛ − 13 2 3 0 ⎞ ⎛ λ ⎞ ⎛ 8 ⎞ ⎛ − 13 λ ⎞
⎜ ⎟ −1 ⎜ ⎟ ⎜ ⎟ ⎜ 7 2 ⎟⎜ ⎟ ⎜ ⎟ ⎜ 7 ⎟
⎟ = B b + B ⎜ 0 ⎟ = ⎜ 4 ⎟ + ⎜ − 3 3 1⎟ ⎜ 0 ⎟ = ⎜ 4 ⎟ + ⎜ − 3 λ ⎟
−1 −1
B ⎜ 23
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 40 ⎠ ⎝ 0 ⎠ ⎝ 7 ⎠ ⎝ 2 3 − 13 0 ⎠ ⎝ 0 ⎠ ⎝ 7 ⎠ ⎝ 2 3 λ ⎠
B −1 ist die aktuelle, also optimale Basisinverse. Sie ist im optimalen Tableau
an der Position ablesbar, an der im Ausgangstableau die Einheitsmatrix steht, also
hier unter den Schlupfvariablen. Weiterhin ändert sich der Gesamtdeckungsbeitrag
zu 2 ⋅ (8 − 13 λ ) + 0 ⋅ (4 − 7 3 λ ) + 3 ⋅ (7 + 2 3 λ ) = 37 + 4 3 λ . Es bleibt zu prüfen, für
welche Werte für λ die rechte Seite größer oder gleich null bleibt, d. h. die
vorgeschlagene Lösung zulässig ist. Da die Δ z -Zeile durch die Modifikation der
rechten Seite nicht beeinflusst ist, bleibt dann auch für die ermittelten Lösungen
die Optimalität erhalten.
112 Modellerweiterungen, Dualität und Sensitivitätsanalyse
Die rechte Seite ist größer oder gleich null, falls die drei folgenden Bedingun-
gen sämtlich erfüllt sind.
8 − 13 λ ≥ 0 ⇔ λ ≤ 24 und
4− 3λ≥0 ⇔
7 λ≤ 12
7 und
7 + 23 λ ≥ 0 ⇔ λ≥ − 21 2
Für alle λ mit − 21 2 ≤ λ ≤ 12 7 und folglich 11,5 ≤ b1′ ≤ 23 5 7 bleibt die Opti-
malität der Basis erhalten, d. h., es ist weiterhin optimal, gerade die vorgeschlage-
nen Produkte und keine anderen zu produzieren. Die Mengen müssen jedoch der
verringerten bzw. erweiterten Kapazität angepasst werden und lauten 7 + 2 3 λ von
Produkt A und 8 − 13 λ von Produkt B, mit dem Gesamtdeckungsbeitrag von
37 + 4 3 λ . Eine Reduktion der Kapazität auf der ersten Produktionsstufe um 3 ZE,
also λ = −3 , führt folglich zu dem neuen optimalen Produktionsprogramm
5 Einheiten von Produkt A und 9 Einheiten von Produkt B mit einem Gesamtde-
ckungsbeitrag von 33 GE. Ist die Reduktion höher als 10,5 Einheiten, also
λ < −10,5 , kann die Konsequenz nicht aus dem vorliegenden Tableau abgeleitet
werden, da zunächst eine andere, für die geänderte Situation optimale Basis zu
ermitteln ist.
Sensitivitätsanalysen können sich auf die Änderung eines oder mehrerer Para-
meter eines linearen Optimierungsmodells beziehen. Hier werden nur die Variati-
on eines Zielfunktionskoeffizienten bzw. eines Parameters der rechten Seite in
ihren Auswirkungen untersucht. In einem ersten Schritt wird geprüft, welches der
beiden Kriterien, Zulässigkeit oder nichtnegative Δ z -Zeile, eventuell durch die
Modifikation betroffen ist. Dieses wird anschließend detaillierter betrachtet.
⎧⎪ Δ z j ∗ ⎫⎪
λ ≥ max ⎨− ∗ j = 1,..., n, für akj > 0 ⎬ und
⎩⎪ akj ⎪⎭
j
⎪⎧ Δ z j ∗ ⎪⎫
λ ≤ min ⎨− ∗ j = 1,..., n, für akj < 0 ⎬ gelten.
j
⎪⎩ akj ⎪⎭
114 Modellerweiterungen, Dualität und Sensitivitätsanalyse
Beispiel Opti-Shop
Ausgehend von dem Endtableau Opti-Shop 1 lassen sich gewünschte Sensitivi-
tätsuntersuchungen durchführen.
22 23 23 23 25 25 35 32 33 0 0
Bw Br Bb Bg Bs Bk Js Jb Jw s1 s2 RS
22 Bw 1 1,1 1,1 1,1 1,2 1,2 1,6 1,5 1,6 0,05 0 400
0 s2 0 0,1 0,1 0,1 0,2 0,2 2,6 2,5 2,6 0,05 1 400
Δz 0 1,2 1,2 1,2 1,4 1,4 0,2 1,0 2,2 1,1 0 8800
Der Einzelhändler interessiert sich dafür, welchen Preis für schwarze Jeans die
Kunden mindestens akzeptieren müssten, damit er aufgrund des Deckungsbeitrags
auch schwarze Jeans beschaffen sollte.
Der Deckungsbeitrag für schwarze Jeans beträgt 35 GE, eine Aufnahme in die
Basis ist nur optimal, wenn der Deckungsbeitrag um mindestens λ = Δ z ( J s ) =
0, 20 , die Opportunitätskosten, steigt, der Verkaufspreis also mindestens 67,20 €
beträgt.
Außerdem möchte der Einzelhändler wissen, ab welcher Änderung des Ver-
kaufspreises weißer Blusen besser andere Teile beschafft werden sollten.
Ändert sich der Verkaufspreis und damit der Deckungsbeitrag der weißen Blu-
sen um λ , hat dies ggf. Auswirkungen auf die Δ z -Werte der Nichtbasisvariab-
len.
Δ z ′( Br ) = Δ z ′( Bb ) = Δ z ′( Bg ) = 1, 2 + λ ⋅1,1 ≥ 0 ⇔ λ ≥ −1, 09
Δ z ′( Bs ) = Δ z ′( Bk ) = 1, 4 + λ ⋅1, 2 ≥ 0 ⇔ λ ≥ −1,17
Δ z ′( J s ) = 0, 2 + λ ⋅1, 6 ≥ 0 ⇔ λ ≥ −0,125
Δ z ′( J b ) = 1, 0 + λ ⋅1, 5 ≥ 0 ⇔ λ ≥ −0, 67
Δ z ′( J w ) = 2, 2 + λ ⋅1, 6 ≥ 0 ⇔ λ ≥ −1, 375
Wie bereits dargestellt, führt die Erhöhung des Budgets pro € zu einer Erhö-
hung des Gesamtdeckungsbeitrags um 1,1 €. Bis zu welcher Erhöhung gilt diese
Tatsache?
Unter der Annahme, dass das Modell die Realität zutreffend beschreibt und
keine weiteren Restriktionen, wie beispielsweise Absatzrestriktionen, zu berück-
sichtigen sind, kann dies mittels Sensitivitätsanalyse festgestellt werden. Die
aktuelle Basis bleibt optimal, solange die aktualisierte rechte Seite größer oder
gleich null ist.
⎛ 400 ⎞ ⎛ 0, 05 0 ⎞⎛ λ ⎞ ⎛ 400 + 0, 05 ⋅ λ ⎞
⎜ ⎟+⎜ ⎟⎜ ⎟ = ⎜ ⎟ ≥ 0 für λ ≥ 0
⎝ 400 ⎠ ⎝ 0, 05 1 ⎠⎝ 0 ⎠ ⎝ 400 + 0, 05 ⋅ λ ⎠
Da für beliebig große positive Werte von λ die Zulässigkeit nicht verletzt ist,
gilt in diesem Fall die entsprechende Erhöhung des Gesamtdeckungsbeitrags bei
Erhöhung des Budgets unbegrenzt, was hier auf das etwas konstruierte Beispiel
zurückzuführen ist, da nur ein geringer Teil der realen Bedingungen im Modell
Berücksichtigung findet.
⎛ ⎛0 ⎞⎞
⎜ ⎜ ⎟⎟
⎜ ⎜# ⎟ ⎟
B b′ = B b + ⎜ λ ⎟ ⎟ = B −1b + λ ⋅ ( B −1 ) ≥ 0
−1 −1 ⎜
⎜ ⎜ ⎟⎟ k
⎜ ⎜# ⎟ ⎟
⎜ ⎜0 ⎟⎟
⎝ ⎝ ⎠⎠
gilt, wobei ( B −1 ) k die k-te Spalte der Inversen von B −1 bezeichnet. Ist bi∗ die i-te
Komponente der rechten Seite im optimalen Endtableau und bik−1 die i-te Kompo-
nente der k-ten Spalte der Inversen von B , dann muss gelten:
bi∗ + λ ⋅ bik−1 ≥ 0 für alle 1≤ i ≤ m
und damit
116 Modellerweiterungen, Dualität und Sensitivitätsanalyse
⎧ bi∗ ⎫
λ ≥ max ⎨− −1
i = 1,..., m, bik−1 > 0 ⎬
b
⎩ ik ⎭
⎧ bi∗ ⎫
λ ≤ min ⎨− −1
i = 1,..., m, bik−1 < 0 ⎬ .
⎩ bik ⎭
Für alle λ ∈ R , die diese Bedingungen erfüllen, bleibt die Basis B optimal.
Die optimale Lösung ist anzupassen und lautet
xB′ (0) = b* + λ ⋅ ( B −1 ) k bzw. xi′ = bi∗ + λ bik−1 .
Beispiel Optima
Ändert sich das optimale Produktionsprogramm von Optima, falls die Kapazität
der zweiten Produktionsstufe von 23 ZE abweicht?
Die ursprüngliche rechte Seite ist gleich (22, 23, 40)t . Die optimale rechte Sei-
te b∗ ist (8, 4, 7)t mit der optimalen Lösung x A = 7 , xB = 8 und s3 = 4 .
⎛ − 13 2
3 0⎞
⎜ ⎟
Mit der aktuellen Basisinversen B −1 = ⎜ − 7 3 2
3 1 ⎟ ist
⎜ 2 1
− 3 0 ⎟⎠
⎝ 3
⎛ 23 ⎞
⎜ ⎟
λ ⋅ ( B −1 ) 2 = λ ⋅ ⎜ 2 3 ⎟ .
⎜− 1 ⎟
⎝ 3⎠
Zu untersuchen bleibt
b1* + b12−1 ⋅ λ = 8 + 2 3 λ ≥ 0 ⇔ λ ≥ −12 und
b2* + b22−1 ⋅ λ = 4 + 2 3 λ ≥ 0 ⇔ λ ≥ −6 und
b + b ⋅λ = 7 −
*
3
−1
32
1 λ
3 ≥ 0 ⇔ λ ≤ 21 .
Ergebnis: Die Optimalität der Basis bleibt für alle Modifikationen λ auf der
zweiten Produktionsstufe mit −6 ≤ λ ≤ 21 und 17 ≤ b2′ ≤ 44 erhalten. Die opti-
male Lösung ist dann
⎛ xB ⎞ ⎛ 8 + 2 3 λ ⎞
⎜ ⎟ ⎜ ⎟
⎜ s3 ⎟ = ⎜ 4 + 3 λ ⎟ und s1 = s2 = 0
2
⎜ x ⎟ ⎜7 − 1 λ ⎟
⎝ A⎠ ⎝ 3 ⎠
Interpretation, Dualität und Sensitivität 117
⎛ 0 ⎞ ⎛8 ⎞ ⎛ 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
B b + B ⎜ 0 ⎟ = ⎜ 4⎟ + ⎜ λ ⎟ ≥ 0
−1 −1
⎜λ ⎟ ⎜7⎟ ⎜0 ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
Somit bleibt das optimale Produktionsprogramm mit 7 Einheiten Produkt A
und 8 Einheiten Produkt B unverändert, nur die nicht ausgeschöpfte Kapazität der
dritten Produktionsstufe erhöht sich. Dieses Ergebnis ist unmittelbar dem optima-
len Endtableau zu entnehmen, da s3 mit Wert 4 in Basis ist. Diese Produktions-
stufe stellt folglich keinen Engpass dar und eine Erhöhung dieser Kapazität kann
keine positive Wirkung haben. Auch die Reduktion der Kapazität um bis zu
4 Einheiten ändert nur die zugehörige Schlupfvariable, erst größere Reduktionen
beeinflussen das optimale Produktionsprogramm. Die ausführliche Berechnung
wäre folglich hier zur Sensitivitätsanalyse nicht erforderlich gewesen.
Wenn mehrere Parameter gleichzeitig schwanken, sind umfangreichere Sensiti-
vitätsanalysen möglich, auf die Darstellung wird hier verzichtet. Für die Ermitt-
lung von Konsequenzen bei größeren Abweichungen ist etwa mittels dualem
Simplexalgorithmus, der unter Beibehaltung der dualen Zulässigkeit zusätzlich die
primale Zulässigkeit und damit die Optimalität anstrebt, eine neue optimale
Lösung zu ermitteln. Eine Beschreibung des dualen Simplexalgorithmus geben
beispielsweise Hadley (1980), Zimmermann (2008).
3.2.4 Aufgaben
Aufgabe 3.2.1
Die SuperOpt GmbH wurde beauftragt, mehrere lineare Entscheidungsmodelle
mittels Simplexalgorithmus zu lösen. Bei der Datenübertragung ist jedoch ein Teil
der Daten verloren gegangen und es sind nur noch die unvollständigen optimalen
Endtableaus verfügbar. Da eine erneute Berechnung zu viel Zeit in Anspruch
nimmt, werden Sie gebeten, mit Ihren Kenntnissen die Endtableaus ohne Berech-
nung zu vervollständigen.
118 Modellerweiterungen, Dualität und Sensitivitätsanalyse
a) Modell:
max z = x1 − 2 x2 + 1, 5 x3
s.d . 2 x1 + 4 x2 ≤ 12
2 x2 − x3 ≤ 9
−1, 5 x1 + 3 x3 ≤ 21
x1 , x2 , x3 ≥ 0
Endtableau:
x1 x2 x3 s1 s2 s3 RS
1
x1 2 /2 0 6
1 1
s2 3 /4 /3 19
1 1
x3 1 /4 /3 10
Δz
b) Modell:
max z = 2 x1 + 3 x2 + 1, 5 x3
s.d . x1 + 3 x2 + 2 x3 ≤ 6
3 x1 + x2 ≤ 9
2 x1 + x2 + 3 x3 ≤ 12
x1 , x2 , x3 ≥ 0
Endtableau:
x1 x2 x3 s1 s2 s3 RS
3 -1 9
x2 /8 /8 /8
x1 -1/8 3
/8 21
/8
s3 -1/8 -5/8 45
/8
Δz
Interpretation, Dualität und Sensitivität 119
c) Modell:
max z = 2 x1 + x2
s.d . − x1 + 2 x2 ≤ 5
x1 + x2 ≥ 2
− x2 ≤ 5
x1 ≥ 0, x2 ∈ \
Endtableau:
x1 x 2+ x 2- s1 s2 h2 s3 RS
s1 -3 1
x1 -1 1
s3 1 0
Δz -1 2+M
Aufgabe 3.2.2
Ermitteln Sie zu folgenden linearen Optimierungsmodellen jeweils das zugehörige
duale Modell.
a) max z = x1 + 2 x2
s.d . 2 x1 + x2 = 10
x1 + 3 x2 ≤ 12
x1 ,x2 ≥ 0
b) min z = x1 − 2 x2 + 2 x3 + 6 x4
s.d . 4 x1 − 7 x2 − x3 + x4 = 2
x1 + 4 x2 + x3 + 3 x4 ≥ 3
x3 + x4 ≥ 5
x1 , x2 , x3 , x4 ≥ 0
Aufgabe 3.2.3
Die Garibaldi GmbH stellt Schnellkochtöpfe aus Edelstahl in den drei unterschied-
lichen Varianten „Single“, „Standard“ und „Silberpfeil“ her. Da der Stahlpreis
derzeit auf hohem Niveau schwankt, möchte die Geschäftsleitung gerne wissen, in
welchem Preisintervall das aktuelle Produktionsprogramm optimal bleibt.
120 Modellerweiterungen, Dualität und Sensitivitätsanalyse
x1 x2 x3 s1 s2 s3 s4 RS
x2 0 1 4 1 -4 0 0 20
x1 1 0 -3 -1 5 0 0 200
s3 0 0 -3 -1 3 1 0 40
s4 0 0 2 1 -7 0 1 35
Δz 0 0 1 2 10 0 0 4000
Aufgabe 3.2.4
Für den kommenden Monat liegen für die drei Produkte A, B und C Aufträge in
Höhe von 100 Einheiten, 50 Einheiten und 70 Einheiten vor, die mit minimalen
Kosten zu erfüllen sind. Die Produktion erfolgt auf einer Produktionsstufe, auf der
200 Einheiten pro Monat hergestellt werden können. Durch Überstunden sind
weitere Einheiten zu realisieren, die zusätzliche Kosten in Höhe von 150 Geldein-
heiten pro Produkteinheit erfordern. Alternativ können Produkte gleicher Qualität
kurzfristig zugekauft werden, dafür entstehen Kosten in Höhe von 150 Geldein-
heiten für A, 170 Geldeinheiten für B und 165 Geldeinheiten für C. Die Einsatz-
faktoren für A, B und C kosten 20, 25 bzw. 30 Geldeinheiten, die variablen
Produktionskosten betragen jeweils 5 Geldeinheiten.
Schlagen Sie vor, welche Produkte in welchem Umfang selbst gefertigt bzw.
fremdbezogen werden sollen und ermitteln Sie das optimale Ergebnis. Wie weit
sind die zusätzlichen Überstundenkosten pro Produkteinheit zu reduzieren, damit
aus Kostengründen ausschließlich selbst gefertigt werden sollte? Welche Kosten-
reduktion ist mit einer Erweiterung der monatlichen Kapazität um eine Einheit
verbunden?
4 Anwendungen linearer Optimierung
4.1 Rechnereinsatz
Für die bisherigen Beispiele war eine manuelle Ermittlung der optimalen Lösung
möglich. Selbstverständlich ist bei realistischen Problemgrößen eine Rechnerun-
terstützung notwendig. Vielfältige Entwicklungen von Hard- und Software und
von Algorithmen haben dazu beigetragen, dass heute sehr effiziente LP-Standard-
software-Systeme zur Lösung linearer Optimierungsmodelle selbst für den PC
verfügbar sind. Diese sind teilweise mit für den Anwender komfortablen Benut-
zeroberflächen versehen.
Die in den vorherigen beiden Kapiteln behandelten Problemstellungen verlang-
ten stets, dass die Variablen unter Berücksichtigung der Restriktionen und ggf.
Nichtnegativitätsbedingungen beliebige reelle Werte annehmen können. Dann
führt der Simplexalgorithmus zu einer optimalen Lösung, sofern diese existiert.
Dürfen Variablen nur ganzzahlige, natürliche oder binäre Werte annehmen, z. B.
wenn über die Beschaffung von zwei, drei oder vier zusätzlichen Maschinen ent-
schieden werden soll, müssen im Allgemeinen andere Algorithmen zur Lösung
eingesetzt werden, auf die hier nicht näher eingegangen wird. Sind Zielfunktion
und alle Restriktionen linear, spricht man dann von (rein-) ganzzahliger oder
gemischt-ganzzahliger linearer Programmierung (mixed-integer linear program-
ming, MILP). Solche Probleme sind wesentlich aufwändiger zu lösen und kom-
men in der Praxis sehr häufig vor. Moderne Standardsoftware zur linearen Pro-
grammierung umfasst meist die Berücksichtigung von gemischt-ganzzahligen
Optimierungsmodellen und auch einigen nichtlinearen Modellstrukturen, wie qua-
dratische Optimierungsmodelle, deren Lösung sich auf die Verwendung spezieller
linearer Optimierungsmodelle stützt. Sind die Variablen kontinuierlich wie in den
bisherigen Beispielen, sind fast beliebig große Probleme lösbar. Jedoch auch
Problemstellungen mit mehreren hundert ganzzahligen Variablen sind häufig
selbst mittels PC optimierbar.
Aus dem Internet frei herunterladbar ist die Studentenversion von ClipMOPS®,
ein von Suhl, FU Berlin, entwickeltes System zur Lösung linearer und gemischt-
ganzzahliger Optimierungsmodelle, welches ein Add-In zu Excel® ist (Suhl 2000).
Mit dieser Version lassen sich Probleme mit maximal 50 stetigen Variablen und
30 Restriktionen lösen. Eine Kurzeinführung dazu ist verfügbar (Werners 2008).
Beispiel Optima
Die folgenden Abbildungen zeigen Eingabe und Ergebnisausgabe in Anlehnung
an die ClipMOPS®–Bildschirmausgaben am Beispiel der Produktionsprogramm-
planung von Optima. Ein derartiges MPS-Format (MPS = Mathematical Pro-
gramming System) ist weitgehend für Optimierungssoftware standardisiert. Die
Variablen sind kontinuierlich (Typ: CON), d. h. nehmen reelle Werte an, und nicht
nach oben beschränkt (UB: INF), d. h., die obere Schranke ist unendlich. Die
Nichtnegativitätsbedingungen gelten (LB: ), d. h., die unteren Schranken sind
null. Standardmäßig wird Nichtnegativität unterstellt, sodass die Einträge leer
bleiben können und als 0 interpretiert werden.
ced Cost der Restriktionen korrespondieren mit den dualen Strukturvariablen und
geben Hinweise auf die Schattenpreise etwa der Kapazitäten. Der den Restriktio-
nen zugeordnete Status signalisiert, ob die Restriktion bindend UB, nicht bindend
BS oder mit Gleichheit FX erfüllt ist. Die Definition der reduced Cost ist nicht
einheitlich, insbesondere werden teilweise positive, teilweise negative Vorzeichen
in unterschiedlichen Systemen für denselben Sachverhalt ausgewiesen, was bei
der Interpretation zu berücksichtigen ist. Bei Beschränkung von Variablen durch
die Angabe von Schranken weichen die reduced Cost von denen bei Modellierung
mittels expliziter Restriktionen ab, dies ist ebenfalls zu beachten. Im Beispiel sind
für die erste und die zweite Produktionsstufe die Kapazitäten ausgeschöpft, er-
kennbar am Status UB. Eine marginale Erhöhung der Kapazität der ersten Stufe
führt zur Erhöhung des Deckungsbeitrags um 1 13 , die der zweiten Stufe um 13 .
Auch mittels des standardmäßig in Excel® verfügbaren Solvers lassen sich line-
are Optimierungsmodelle geringerer Größe lösen. Er ist jedoch hinsichtlich des
Laufzeitverhaltens, der Lösungsermittlung, der Ergebnisgenauigkeit und der Be-
nutzerunterstützung mit spezialisierten Solvern wie MOPS®, CPLEX®, XPRESS-
MP®, LINDO® oder anderen nicht vergleichbar. Für verschiedene dieser Systeme
sind ebenfalls Kurzeinführungen verfügbar (z. B. Werners 2007), teilweise sind
Studentenversionen erhältlich, z. B. für XPRESS-Ive®.
Zu den weiterentwickelten Programmen sind häufig integrierte oder zusätzliche
Modellierungssprachen vorhanden. Sie erlaubt beispielsweise Daten und Modell
zu trennen. Dies ermöglicht die Formulierung eines an die Belange eines Unter-
nehmens angepassten Modells etwa zur Produktionsplanung, für das die Daten,
wie Deckungsbeiträge und Anlagenverfügbarkeit, über Schnittstellen nach Bedarf
aktuell eingelesen werden. Zu erwähnen sind besonders AMPL®, GAMS®, MPL®
und die integrierten Sprachen Mosel® in XPRESS-Ive® und OPL® in ILOG OPL
Studio® mit CPLEX.
Für vielfältige Anwendungsbereiche sind lineare oder gemischt-ganzzahlige
Modelle im Einsatz, über die umfangreiche Literatur verfügbar ist. In den folgen-
den Abschnitten werden einige Gebiete beispielhaft angesprochen. Bei der Model-
lierung größerer Problemstellungen empfiehlt es sich, sich an bekannten Modellen
für ähnliche Fragestellungen zu orientieren und dann situationsbezogene Anpas-
sungen und Ergänzungen vorzunehmen.
4.2.1 Produktionsprogrammplanung
In Produktion und Logistik werden Modelle und Methoden des Operations Re-
search vielfältig eingesetzt. Klassisch ist die Produktionsprogrammplanung, die
bereits am Beispiel Optima vorgestellt wurde. Bei dieser operativen Problemstel-
lung sind die Art und Menge der innerhalb einer bzw. mehrerer Betrachtungsperi-
oden zu fertigenden Güter unter Beachtung der Produktionskapazitäten, der Nach-
128 Anwendungen linearer Optimierung
Die Variable x jt bezeichnet die Menge von Produkt j , j = 1,..., n , die in Peri-
ode t produziert wird. Mit l jt wird die Lagermenge erfasst, die sich von Pro-
dukt j am Ende von Periode t im Lager befindet. Anfangs- und Endlagerbestän-
de der Produkte werden mit l aj und l ej modelliert. y jt erfasst die abgesetzte
Menge von Produkt j in Periode t . Es wird davon ausgegangen, dass die Produk-
tionsmenge bereits in der Produktionsperiode verfügbar ist. Weitere Parameter
sind die Kapazität des Lagers L , der Lagerkapazitätsbedarf a j von Produkt j , die
Lagerkosten k ljt für die Lagerung und die Produktionskosten k jtp für die Produkti-
on von einer Einheit Produkt j in Periode t und die Nachfrage Ajt nach Pro-
dukt j in Periode t .
Das lineare Optimierungsmodell zur Maximierung des Gesamtdeckungsbei-
trags lässt sich wie folgt formulieren:
T n
max DB ( x , y , l ) = ∑∑ ( p
t =1 j =1
jt ⋅ y jt − k jtp ⋅ x jt − k ljt ⋅ l jt ) (4.2.5)
∑a
j =1
ij ⋅ x jt ≤ K it für i = 1,..., m; t = 1,..., T (4.2.7)
n
∑a
j =1
j ⋅ l jt ≤ L für t = 1,..., T (4.2.8)
Zunehmend wird die Produktion nicht separat für einen Standort betrachtet, son-
dern das gesamte Produktions- und Logistiknetzwerk vom Einsatzmaterial über
mehrere Produktionsstufen bis zum Endkunden wird simultan berücksichtigt. Dies
führt zu komplexen Informationsverarbeitungs-, Planungs- und Koordinationsauf-
gaben, die im Rahmen des Supply Chain Managements zu erfüllen sind. Quantita-
tive Methoden kommen vielfältig zur Entscheidungsunterstützung zum Einsatz,
wie zahlreiche Veröffentlichungen belegen (u. a. Corsten u. Gössinger 2008,
Freiwald 2005, Günther et al. 2005, Knolmayer et al. 2000, Stadtler u. Kil-
ger 2005, Steven 2004, Thorn 2002, Werners et al. 2003a, Werners u. Thorn 2003,
Werners u. Thorn 2002). Beispielhaft wird eine kleine Problemstellung des Supply
Chain Plannings behandelt, die von einer zentralen Entscheidungsinstanz ausgeht.
Beispiel OptiMasch AG
Die OptiMasch AG möchte eine standortübergreifende Planung für Produktion
und Logistik ihrer beiden Werke, ihrer beiden Distributionslager und ihrer beiden
Kundengebiete durchführen.
i j k
Kunden-
Werk 1 Lager 1 gebiet 1
1 2,5 1
4
2
2,3
2,1
Kunden-
Werk 2 Lager 2 3
gebiet 2
1,1 1,2
5 2,3
Es wird eine Periode und eine Produktart betrachtet, wobei das Produkt zu-
nächst in einem der beiden Werke hergestellt und anschließend über eines der
beiden Lager zu dem Kundengebiet transportiert werden soll. Zusätzlich wird
Produktion und Logistik 131
gefordert, dass jedes Kundengebiet nur von je einem Lager aus beliefert wird und
die Nachfrage vollständig zu erfüllen ist. Die Kosten für Produktion, Lagerum-
schlag sowie Transport pro Einheit des betrachteten Produkts sind in Abb. 4.3
dargestellt.
Die Transportkapazitäten sind unbeschränkt, die der Werke und Lager sind an-
gegeben, auch die Nachfrage wird als bekannt vorausgesetzt:
Kundengebiet 1 Kundengebiet 2
Zur Ermittlung des optimalen Produktions-, Lager- und Transportplans wird ein
gemischt-ganzzahliges lineares Optimierungsmodell formuliert, welches die Kos-
ten für die betrachtete Periode minimiert. Eine derartige Zielfunktion kann ge-
wählt werden, da die Kundennachfragen sämtlich zu erfüllen sind, was durch Res-
triktionen sichergestellt wird.
Entscheidungsvariable:
xijk Menge, die im Werk i hergestellt und über Lager j zum Kundengebiet k
transportiert wird, i, j , k = 1, 2
y jk Binärvariable, die den Wert 1 annimmt, wenn Kundengebiet k von La-
ger j aus beliefert wird, j , k = 1, 2
Parameter:
ai Kosten je Einheit für die Herstellung in Werk i , i = 1, 2
bij Kosten je Einheit für den Transport von Werk i zu Lager j , i, j = 1, 2
cj Kosten je Einheit für den Lagerumschlag in Lager j , j = 1, 2
d jk Kosten je Einheit für den Transport von Lager j zum Kundengebiet k ,
j , k = 1, 2
Ki Kapazität Werk i , i = 1, 2
Lj Kapazität Lager j , j = 1, 2
Ak Nachfrage im Kundengebiet k , k = 1, 2
132 Anwendungen linearer Optimierung
In der Zielfunktion werden die mit einer Menge xijk verbundenen Kosten für
Herstellung, Transport und Lagerumschlag berücksichtigt und die Minimierung
angestrebt.
2 2 2
(
min z = ∑∑∑ ai + bij + c j + d jk ⋅ xijk ) (4.2.12)
i =1 j =1 k =1
xijk ≥ 0 i, j , k = 1, 2 (4.2.17)
y jk ∈ {0,1} j , k = 1, 2 (4.2.18)
Die Lösung des Beispiels ist mit ClipMOPS® möglich. Die konkrete Modell-
formulierung, die Variablenvereinbarungen und die optimale Lösung sind ables-
bar. Insgesamt entstehen für die Erfüllung der Nachfrage minimale Kosten von
insgesamt 4.631 Geldeinheiten. Kundengebiet 1 wird von Lager 1 aus beliefert,
Produktion und Logistik 133
die Produktion dafür erfolgt mit 235 Einheiten in Werk 1. Kundengebiet 2 wird
aus Lager 2 beliefert, die Produktion erfolgt mit 65 Einheiten in Werk 1 und
210 Einheiten in Werk 2.
x111 x112 x121 x122 x211 x212 x221 x222 y11 y12 y21 y22 TYPRHS
4.2.3 Standortplanung
orte bei einer reduzierten Anzahl von Wachen gewählt werden müssen, um eine
höchstmögliche Versorgung der Bevölkerung zu erzielen, wurde untersucht. Im
Folgenden wird beispielhaft eine Version des Set Covering Location Problems
(SCLP) vorgestellt, welches die minimal erforderliche Anzahl von Standorten zur
Bedarfsdeckung an allen Nachfrageknoten bestimmt.
2
Park
5 4
6 7
8
N
W O
Tabelle 4.3. Standorte, von denen aus i innerhalb der Frist erreichbar ist
i N i (8 Minuten)
1 1, 2
2 1, 2, 4, 5
3 3, 6
4 2, 4, 5, 7, 8
5 2, 4, 5, 6, 7, 8
6 3, 5, 6
7 4, 5, 7, 8
8 4, 5, 7, 8
Diese Liste gibt für jeden Knoten i die Menge N i aller Standorte j für Wa-
chen an, die jeweils die rechtzeitige Erreichung von i sicherstellen. Diese werden
als Nachbarn bzw. Nachbarschaft von i bezeichnet, die Gesamtliste als Nach-
barn- bzw. Nachbarschaftsliste. Da auch eine Wache i zum rechtzeitigen Errei-
chen eines Notfalls in i geeignet ist, gehört hier jedes i selbst zu seiner Nachbar-
schaft. Nachbarschaftsliste ist ein graphentheoretischer Begriff und wird in
Kapitel 5 näher behandelt.
Das Set Covering Location Problem (SCLP) zur Ermittlung einer minimalen
Anzahl von Standorten lautet:
min z = ∑ xj
j∈J
s.d . ∑ xj ≥ 1 ∀i ∈ I (4.2.19)
j∈Ni
x j ∈ {0; 1} ∀j ∈ J
tionen gewährleisten, dass Wachen so platziert werden, dass jeder Standort i von
mindestens einer Wache aus in höchstens 8 Minuten erreichbar ist. Dazu sind die
geeigneten Standorte in der Menge N i erfasst.
2
Park
5 4
6 7
8
N
W O
4.2.4 Aufgaben
Aufgabe 4.2.1
Die OptiWasch AG stellt das Waschpulver Megaclean Color in Paketen mit 2,5 kg
und Paketen mit 5 kg Waschpulver her. Das Waschpulver wird ausschließlich auf
Paletten mit je 100 Paketen produziert und verkauft. Die Abfüllanlage steht in der
kommenden Planungsperiode maximal 60 Stunden für das Produkt Megaclean
Color zur Verfügung. Die Abfüllung von 100 Paketen mit 2,5 kg Inhalt bean-
sprucht die Abfüllanlage 30 Minuten, die Abfüllung von 100 Paketen mit 5 kg
Inhalt 40 Minuten. Von dem abzufüllenden Waschpulver können maximal
35 Tonnen (=35.000 kg) bereitgestellt werden. Es ist davon auszugehen, dass von
Paketen mit 5 kg Inhalt maximal 50 Paletten abgesetzt werden können. Der De-
ckungsbeitrag beträgt 0,25 € je 2,5 kg Paket und 0,40 € je 5 kg Paket.
Formulieren Sie ein geeignetes LP-Modell, welches den Gesamtdeckungsbei-
trag der Planungsperiode maximiert. Wie viele und welche Pakete mit Megaclean
Color sollte die OptiWasch AG unter den beschriebenen Voraussetzungen herstel-
len? Welcher Gesamtdeckungsbeitrag kann maximal erreicht werden? Stellen Sie
Zulässigkeitsbereich und optimale Lösung grafisch dar.
138 Anwendungen linearer Optimierung
Aufgabe 4.2.2
Die OptiTech AG hat im Rahmen eines Forschungsprojektes den neuen Nah-
rungsmittelzusatzstoff Vitatech entwickelt. Vitatech kann aus einem Vorprodukt
entweder in dem Werk in Kanada oder in Polen gefertigt werden. Für die Herstel-
lung einer Tonne des Produktes wird eine Tonne des Vorproduktes benötigt. Für
die Vorprodukte stehen zwei Lieferanten A und B zur Verfügung. Die OptiTech
wird im kommenden Jahr mit der Produktion beginnen und möchte zunächst die
Märkte in Asien, Nordamerika und Europa versorgen. Die Einkaufspreise je Ton-
ne des Vorproduktes, die Transportkosten sowie die Produktionskosten je Tonne
sind in der nachfolgenden Abbildung dargestellt.
Asien
Zulieferer A Kanada
1.400 € 3.100 €
3.800 € 1.
90
13.000 € 0
€
Nordamerika
2.90
2.50
0€
0€
€
0€
0
2.50
Zulieferer B Polen
3.30
€
0
20
2. Europa
3.200 € 1.400 €
4.100 €
16.000 €
Kapazität 40 t 65 t 50 t 40 t
Produktion und Logistik 139
Stellen Sie zur Ermittlung des optimalen Einkaufs-, Produktions- und Trans-
portplans ein mathematisches Optimierungsmodell auf, welches für die betrachtete
Periode die gesamten Kosten minimiert unter der Voraussetzung, dass die Nach-
frage erfüllt wird.
Aufgabe 4.2.3
Die MaschBau AG möchte eine Standort übergreifende Produktionsplanung über
ihre beiden Werke und ihre beiden Distributionslager bis zu ihren vier Kunden
durchführen.
Kunde 1
Werk 1 Lager 1
1€
1€
2,5 € 1,2 € Kunde 2
4€ 2,3 €
2€ 2,7 €
2,1 € Kunde 3
3€
Werk 2 Lager 2
2,7 €
1,2 €
1,1 €
2,3 € Kunde 4
1€
5€
Es wird eine Periode und eine Produktart betrachtet, wobei die Produkte zu-
nächst in einem der beiden Werke hergestellt und anschließend über eines der
beiden Lager zu den Kunden transportiert werden. Jeder Kunde wird jeweils nur
von einem Lager aus bedient und die Nachfragemengen der Kunden sind vollstän-
dig zu erfüllen. Die Kosten für Produktion, Lagerhalten sowie Transport pro Ein-
heit des betrachteten Produktes sind in Abb. 4.7 dargestellt. Die Transportkapazi-
täten können als unbeschränkt angesehen werden, hinsichtlich der Produktions-
und Lagerkapazitäten und der Kundennachfragen liegen folgende Daten vor:
Aufgabe 4.2.4
Sie wurden gebeten, eine Standortplanung für Rettungshubschrauber-Basen im
Ruhrgebiet vorzunehmen. Ziel ist es, möglichst wenige Basen einzurichten. Um
eine höchstmögliche Versorgung der Bevölkerung zu gewährleisten, sollen die
Rettungshubschrauber innerhalb von 5 Minuten den Unfallort erreichen können.
Nehmen Sie an, dass die eingesetzten Hubschrauber mit einer durchschnittli-
chen Geschwindigkeit von 250 km/h fliegen. Ermitteln Sie zunächst mit Hilfe der
angegebenen Entfernungsmatrix eine Nachbarschaftsliste und stellen Sie anschlie-
ßend ein geeignetes Optimierungsmodell auf.
T
C0 = ∑ zt (1 + i ) .
−t
(4.3.1)
t =0
Beispiel Investition I1
Es besteht die Möglichkeit, eine Maschine zum Preis von 2.100 GE zu beschaffen.
Diese kann drei Jahre zur Produktion eingesetzt werden, um Einzahlungsüber-
schüsse von jeweils 1.000 GE pro Jahr zu erzielen. Am Ende des dritten Jahres
wird die Maschine zum Preis von 30 GE abgegeben. Ist diese Investition vorteil-
haft? Die Zahlungsreihe dieser Investition lautet:
Damit ist die Investition vorteilhaft, die Maschine sollte also beschafft werden.
Der Kapitalwert entspricht dem Vermögenszuwachs zum Zeitpunkt null, der durch
die Ergänzungsinvestitionen und Finanzierungen, die in beliebiger Höhe zum
Kalkulationszinssatz durchführbar sind, aufgrund der zu beurteilenden Investition
erreicht werden kann.
Investition I1 t =0 t =1 t=2 t =3
409,39 0 0 0
Eine Einzelinvestition ist vorteilhaft, falls die Annuität positiv ist. Errechnet
werden kann die Annuität bei einheitlichem Kalkulationszinssatz durch Multipli-
kation des Kapitalwerts mit dem Wiedergewinnungs- oder Annuitätenfaktor:
g = C0 ⋅
(1+ i) ⋅i
T
(4.3.4)
(1 + i )T − 1
Die Annuität der Investition I1 beträgt 164,62 GE.
144 Anwendungen linearer Optimierung
C0 ⋅ (1 + i ) = CT
T
(4.3.5)
Beispiel Investition I 2
Eine alternative Investitionsmöglichkeit I 2 besteht in der Beschaffung der Ma-
schine M2 mit gleichem Preis von 2.100 GE, die wesentlich mehr pro Zeiteinheit
produzieren kann, jedoch sehr schnell verschleißt. Nach einem Jahr werden Ein-
zahlungsüberschüsse von 3.000 GE erzielt, jedoch fallen aufgrund umfangreicher
Reparaturmaßnahmen am Ende des zweiten Jahres Auszahlungsüberschüsse von
960 GE an, im dritten Jahr betragen die Einzahlungsüberschüsse 800 GE. Ist In-
vestition I 2 gegenüber der vorherigen Investition I1 vorzuziehen?
Da jede der Kennzahlen der Investition I 2 besser ist als die der Investition I1 ,
ist Alternative I2 vorzuziehen. Wie erwartet, ist das Ergebnis unabhängig von der
gewählten Kennzahl.
Investition und Finanzierung 145
Stimmen Soll- und Habenzins nicht überein, wird also von einem unvollkom-
menen Kapitalmarkt ausgegangen, können aufgrund der dann notwendigen fein
abzustimmenden Ergänzungsinvestitionen und Finanzierungen die verschiedenen
Kennzahlen zu unterschiedlichen Ergebnissen führen. Dann muss der Entschei-
dungsträger zunächst seine Präferenz hinsichtlich der Entnahmezeitpunkte ermit-
teln, bevor er sich für eine Investitionsalternative entscheiden kann.
Zahlungsreihen t =0 t =1 t=2 t =3
Die Kennzahlen zur Beurteilung der Vorteilhaftigkeit sind in Tabelle 4.7 zu-
sammengestellt.
Dieses Beispiel zeigt, dass bei voneinander abweichendem Soll- und Habenzins
die Vorteilhaftigkeit verschiedener Investitionsalternativen von der gewählten
Kennzahl abhängt, zwischen denen ein Zielkonflikt auftritt. Daher ist es erforder-
lich, zur Ermittlung der optimalen Alternative zusätzlich Präferenzinformationen
des Entscheidungsträgers zu berücksichtigen. Ist er in diesem Fall an einer regel-
mäßigen Ausschüttung interessiert, entspricht die Annuität seinen Zielvorstellun-
gen. Die optimale Alternative mit der höchsten Annuität ist I2. Strebt der Ent-
scheidungsträger eine maximale Endausschüttung an, ist die für ihn optimale
Alternative I1 mit maximalem Endwert.
Auch die Vorteilhaftigkeit einer einzelnen Investition kann bei differierendem
Soll- und Habenzins von dem gewählten Kriterium, also der Zeitpräferenz, abhän-
gig sein. Unternehmen umgehen bei der Beurteilung ihrer Investitionsvorhaben
dieses Problem häufig dadurch, dass sie davon ausgehen, dass innerhalb eines
Unternehmens eine bestimmte Rentabilität erzielt wird, die den Kalkulationszins
bestimmt und damit Soll- und Habenzins ggf. über Opportunitätsbetrachtungen
übereinstimmen. Ist über konkrete Investitions- und Finanzierungsmöglichkeiten
mit unterschiedlichen Konditionen zu entscheiden, ist eine differenzierte Betrach-
tung erforderlich, die die Zeitpräferenz berücksichtigen sollte.
Investition und Finanzierung 147
Variablen x1 x2 x3 x4 x5 x6 x7
Bar Bar Spar Spar Spar Kredit Kredit
Zeitpunkte 1. Jahr 2. Jahr 1. Jahr 2. Jahr 2 Jahre 1. Jahr 2. Jahr
t=0 -1 -1 -1 1
t=1 1 -1 1,02 -1 0,03 -1,03 1
mit einer Zinseinzahlung von 3 Cent zum Zeitpunkt 1 und Rückzahlung mit Zins
von 1,03 Euro beschreibt.
Aufgrund des geplanten Urlaubs ist Ihr Ziel die Endvermögensmaximierung.
Für jedes Jahr ist das finanzielle Gleichgewicht sicherzustellen, d. h., es kann nur
so viel investiert werden, wie unter Berücksichtigung von verfügbaren Mitteln und
aufgenommenem Kredit vorhanden ist. Außerdem ist die Kreditaufnahme be-
grenzt. In diesem Beispiel erscheint offensichtlich, dass die einzige interessante
Anlagemöglichkeit der Sparbrief mit einer zweijährigen Laufzeit ist. Daher wird
der Gesamtbetrag von 5.000 € entsprechend investiert: x5 = 5.000 . Die Variablen
x1 , x3 und x6 werden gleich null gewählt. Dann ist im Zeitpunkt null das finan-
zielle Gleichgewicht sichergestellt:
−1 ⋅ 0 − 1 ⋅ 0 − 1 ⋅ 5.000 + 1 ⋅ 0 + 5.000 ≥ 0
⇔ 1 ⋅ 0 + 1 ⋅ 0 + 1 ⋅ 5.000 − 1 ⋅ 0 ≤ 5.000
als Konkretisierung von:
1 ⋅ x1 + 1 ⋅ x3 + 1 ⋅ x5 − 1 ⋅ x6 ≤ 5.000
Nach einem Jahr werden Zinsen in Höhe von 0, 03 ⋅ 5.000 = 150 ausgeschüttet.
Diese werden möglichst günstig, d. h. in einem einjährigen Sparbrief, angelegt.
Das finanzielle Gleichgewicht zum Zeitpunkt 1 ist dann ebenfalls sichergestellt:
−1 ⋅ 0 + 1 ⋅ 0 − 1, 02 ⋅ 0 + 1 ⋅150 − 0, 03 ⋅ 5.000 + 1, 03 ⋅ 0 − 1 ⋅ 0 ≤ 0
als Konkretisierung von:
−1 ⋅ x1 + 1 ⋅ x2 − 1, 02 ⋅ x3 + 1 ⋅ x4 − 0, 03 ⋅ x5 + 1, 03 ⋅ x6 − 1 ⋅ x7 ≤ 0
Damit ist das ermittelte Endvermögen 7.303 €, welches für die Reise nach 2 Jah-
ren zur Verfügung steht. Nicht unmittelbar erkennbar ist, dass es noch günstiger
wäre, die Zinsen, die man im Zeitpunkt 1 aus dem zweijährigen Sparbrief erhält,
zur Rückzahlung eines einjährigen Kredits zu verwenden, der im Zeitpunkt 0
aufgenommen wird. Durch diesen Kredit kann ein noch höherer Betrag für zwei
Jahre angelegt werden. Die optimale Lösung erhalten Sie, wenn Sie das folgende
lineare Optimierungsmodell lösen:
Investition und Finanzierung 149
max x8
s.d. x1 + x3 + x5 − x6 ≤ 5.000
− x1 + x2 − 1,02 x3 + x4 − 0,03 x5 + 1,03 x6 − x7 ≤ 0
− x2 − 1,02 x4 − 1,03 x5 + 1,03 x7 + x8 ≤ 2.000 (4.3.6)
x6 ≤ 2.500
x7 ≤ 2.500
xi ≥ 0 i = 1,...,7
Es ist optimal, 5.150 EUR für den zweijährigen Sparbrief vorzusehen. Die Zin-
sen in Höhe von 154,50 EUR reichen aus, den einjährigen Kredit zum Zeitpunkt 1
über 150 EUR nebst Zinsen zu tilgen. Das optimale Endvermögen beträgt
7.304,50 EUR.
Für Sie könnte auch interessant sein, nach dem 1. und nach dem 2. Jahr eine
Reise zu unternehmen, für die Sie jeweils gleich viele Mittel einsetzen möchten.
Wie sollten Ihre Investitions- und Finanzierungsmaßnahmen dann optimal gestal-
tet werden?
Zur Beantwortung dieser Frage stellen Sie ein modifiziertes lineares Optimie-
rungsmodell auf. Die Variablen entsprechen den jeweiligen anzulegenden bzw.
aufzunehmenden Beträgen, die Variable x8 wird für den gleich hohen, nach einem
bzw. nach 2 Jahren zu entnehmenden Betrag verwendet, der zu maximieren ist.
Für jeden Zeitpunkt ist das finanzielle Gleichgewicht sicherzustellen. Die Variable
x8 kann wiederum mit oder ohne Nichtnegativitätsbedingung berücksichtigt wer-
den.
max x8
s.d . x1 + x3 + x5 − x6 ≤ 5.000
− x1 + x2 −1, 02 x3 + x4 − 0, 03 x5 +1, 03 x6 − x7 + x8 ≤ 0
− x2 − 1, 02 x4 −1, 03 x5 + 1, 03 x7 + x8 ≤ 2.000 (4.3.7)
x6 ≤ 2.500
x7 ≤ 2.500
xi ≥ 0 i = 1,...,8
Die optimale Lösung dieses Modells ergibt: Wenn Sie heute 952,97 € in den
einjährigen Sparbrief und 4.047,03 GE in den zweijährigen Sparbrief investieren
und außerdem nach einem Jahr einen Kredit von 2.500 € aufnehmen, können Sie
nach einem und nach zwei Jahren über jeweils 3.593,44 € verfügen.
Hinweis: Im Beispiel tritt die Situation ein, dass die Alternative, Barbestände
zu halten, modelliert mit x1 und x2 , nicht im Modell berücksichtigt werden muss,
da stets eine bessere Möglichkeit der Übertragung von Mitteln von einer in die
nächste Periode, nämlich der einjährige Sparbrief, existiert. Andernfalls sind der-
artige Variablen für die etwaige Übertragung von Kassenbeständen aufzunehmen,
um eine angemessene Modellierung sicherzustellen.
-abflüsse nur zu Beginn eines Jahres auftreten und Investitions- und Finanzie-
rungsmaßnahmen nur zu diesen Zeitpunkten durchgeführt werden.
Der aktuelle Kassenbestand beträgt 10 GE. Für eine neue Maschine sind direkt
60 GE zu zahlen. Aus Verkäufen resultiert zu Beginn des 2. Jahres eine Einzah-
lung von 60 GE und zu Beginn des 3. Jahres von weiteren 20 GE.
Optima kann in jedem Jahr Finanzinvestitionen über ein Jahr in beliebiger Hö-
he tätigen, für die ein Zinssatz von 3 % gezahlt wird. Weiter besteht die Möglich-
keit, einen Kredit mit einer Laufzeit von einem Jahr und Zinsen von 10 % sofort
oder später aufzunehmen. Außerdem kann ein Kredit mit zweijähriger Laufzeit
vereinbart werden, für den nach einem Jahr Zinsen von 5 % fällig werden und
nach zwei Jahren die Rückzahlung zuzüglich 5 % Zinsen erfolgen muss. Empfeh-
len Sie Optima eine optimale Kombination von Investitions- und Finanzierungs-
maßnahmen.
Zur Lösung dieses Entscheidungsproblems sind zunächst die vorhandenen In-
formationen sowie die Entscheidungssituation zu strukturieren. Die zu den drei
Zeitpunkten verfügbaren Mittel sind in Tabelle 4.9 zusammen gestellt.
t=0 t =1 t=2
Zahlungsein-/-ausgang -60 60 20
Barvermögen 10
-50 60 20
Zeitpunkte
t=0 -1 1 1
t =1 1,03 -1 -1,10 1 -0,05
Für jeden der drei Zeitpunkte ist das finanzielle Gleichgewicht sicherzustellen,
z. B. mit
− INV1 + FIN1 + FIN3 − 50 ≥ 0 ⇔ INV1 − FIN1 − FIN3 ≤ −50
Der Einfachheit halber wird die Variable ENDV ebenfalls ≥ 0 gesetzt. Sollte
wider Erwarten kein positives Endvermögen erzielbar sein, resultiert ein leerer
Zulässigkeitsbereich, d. h., es kann keine zulässige Lösung gefunden werden.
Wäre das Ergebnis dennoch von Interesse, wäre eine entsprechende Neuberech-
nung mit einer unbeschränkten bzw. negativen Variablen ENDV erforderlich.
Um eine kanonische Ausgangsform zu erhalten, wird durch Multiplikation der
ersten Restriktion mit ( −1) und Ergänzung um Schlupf- und Hilfsvariablen das
zugehörige Hilfsmodell formuliert. M kann in diesem Beispiel gleich 1.000 gesetzt
werden, da 1.000 hier ausreichend groß ist.
Investition und Finanzierung 153
0 0 0 0 0 1 0 -1000 0 0
0 FIN3 -1 0 1 0 1 0 -1 1 0 0 50
⎛ 1 0 0 ⎞⎛ 50 ⎞ ⎛ 50 ⎞ ⎛ 0 ⎞
−1
′ ⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ ⎟
B b = ⎜ −0, 05 1 0 ⎟⎜ 60 + λ ⎟ = ⎜ 57,5 ⎟ + ⎜ λ ⎟
⎜ −1,10 1, 03 1 ⎟⎜ 20 ⎟ ⎜ 26,8 ⎟ ⎜1, 03λ ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠ ⎝ ⎠
Die Abweichung in der manuellen Berechnung des Wertes 26,8 von dem Wert
26,73 im Tableau ist auf das Runden zurückzuführen. In einer Realsituation ist
möglichst genau zu rechnen. Zum Zeitpunkt 0 ändert sich nichts. Zum Zeitpunkt 1
sollte entsprechend der Mehr- bzw. Mindereinnahmen mehr oder weniger festver-
zinslich angelegt werden. Zum Zeitpunkt 2 erhöht bzw. verringert sich der verfüg-
154 Anwendungen linearer Optimierung
bare Endbetrag bei positivem λ um 1, 03 λ . Dies gilt für alle λ , für die B −1 b ′ ≥ 0
ist, also λ ≥ −57,5 und insbesondere
26,8
λ≥− ≈ −26, 02 .
1, 03
Solange die Einzahlungen zum Zeitpunkt 1 also mindestens den Betrag von
33,98 (= 60 – 26,02) GE erreichen, ändert sich die Anlagestrategie nicht. Interes-
siert nur die Änderung des Zielfunktionswerts bei marginaler Änderung der rech-
ten Seite, so ist diese direkt der Δz -Zeile des optimalen Endtableaus zu entneh-
men. s2 ist die Schlupfvariable der zweiten Restriktion zur Beschreibung des
finanziellen Gleichgewichts zum Zeitpunkt 1. Eine marginale Erhöhung der Ein-
zahlung zum Zeitpunkt 1 führt damit zu einer Erhöhung der Zielfunktion um
Δz ( s2 ) = 1, 03 je Einheit.
4.3.3 Aufgaben
Aufgabe 4.3.1
Aus einer Ausbildungsversicherung, die Ihre Eltern für Sie abgeschlossen haben,
verfügen Sie über 7.500 € auf Ihrem Girokonto, für das Sie keine Zinsen erhalten.
Beliebige Beträge können Sie bei Ihrer Hausbank fest anlegen. Mit einer Laufzeit
von einem Jahr erzielen Sie eine Verzinsung von 2 %, mit einer Laufzeit von zwei
Jahren eine am Jahresende ausgezahlte, jährliche Verzinsung von 3 %. Auf Grund
eines regelmäßigen Einkommens aus Ihrer Tätigkeit als studentische Hilfskraft an
der Universität ist Ihre Hausbank bereit, Ihnen in jedem Jahr einen Kredit mit
Tilgung und Zinszahlung nach einem Jahr in Höhe von maximal 2.500 € zu ge-
währen. Der Zinssatz für diesen Kredit beträgt 4,5 %.
a) Stellen Sie die Zahlungsreihen für den zweijährigen Planungshorizont tabella-
risch auf.
Investition und Finanzierung 155
b) Sie planen, nach zwei Jahren einen Sprachkurs in New York mit anschließen-
dem Urlaub durchzuführen. Wie lautet ein lineares Modell, welches Ihr Endver-
mögen unter Berücksichtigung obiger Möglichkeiten nach zwei Jahren maximiert?
c) Sie überlegen abweichend von Teilaufgabe b) den Sprachkurs bereits nach
einem Jahr zu besuchen und veranschlagen dafür 4000 €. In zwei Jahren möchten
Sie von zu Hause ausziehen und zu diesem Termin über möglichst hohe finanziel-
le Mittel verfügen. Wie ist das Modell aus Teilaufgabe b) geeignet zu modifizie-
ren?
d) Wie ändert sich das Modell aus Teilaufgabe b), wenn Sie für Ihre neue Woh-
nung nach zwei Jahren doppelt so viel Geld zur Verfügung haben möchten wie für
einen ggf. kleineren Sprachkurs, den Sie nach einem Jahr durchführen wollen?
Aufgabe 4.3.2
Zum Beginn Ihres Studiums schenkt Ihnen Ihre Tante 7.500 €. Da Sie das Geld
zurzeit nicht benötigen, denken Sie über eine Anlage bis zum geplanten Abschluss
in drei Jahren nach. Als Anlagemöglichkeit steht eine Unternehmensanleihe zur
Verfügung. Diese wird im ersten Jahr mit acht Prozent und im zweiten und dritten
Jahr mit je vier Prozent verzinst. Außerdem bietet Ihre Hausbank ein Festgeldkon-
to mit einjähriger Laufzeit und drei Prozent Zinsen an. Kredite mit einjähriger
Laufzeit werden Ihnen mit fünf Prozent Zinsen bis zu einer Höhe von 10.000 €
angeboten. Zudem vertraut ein Verwandter auf Ihre Sachkenntnis in Sachen Geld-
anlage und stellt Ihnen maximal 3.000 € zur Verfügung, die er in drei Jahren mit
einmalig zehn Prozent Zinsen zurückfordert. Zur Maximierung Ihres Vermögens
in drei Jahren stellen Sie das folgende lineare Optimierungsmodell auf:
max x9
s.d . x1 + x2 − x5 − x8 ≤ 7500
− 0, 08 x1 −1, 03 x2 + x3 +1, 05 x5 − x6 ≤ 0
− 0, 04 x1 −1, 03 x3 + x4 +1, 05 x6 − x7 ≤ 0
− 1, 04 x1 −1, 03 x4 +1, 05 x7 +1,1 x8 + x9 ≤ 0
x5 ≤ 10000
x6 ≤ 10000
x7 ≤ 10000
x8 ≤ 3000
x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 ≥ 0
x9 kann durch null nach unten beschränkt, also bei den Nichtnegativitätsbedin-
gungen aufgeführt werden. Die Beschränkungen der Variablen x5 bis x8 werden
mittels Bounds formuliert, dann erhalten Sie nach Lösung des Modells mit Clip-
MOPS® folgenden Report:
156 Anwendungen linearer Optimierung
Wie lautet die optimale Lösung? Wie hoch ist das Vermögen nach drei Jahren?
Beschreiben Sie ausführlich alle optimalen Transaktionen und die mit jedem Jahr
verbundenen Zinszahlungen. Welche Konsequenzen hat eine Reduktion des Geld-
geschenks um 1 € auf das Endvermögen? Wäre es für Sie vorteilhaft, einen höhe-
ren Betrag für Ihren Verwandten anzulegen?
Aufgabe 4.3.3
Als Finanzverantwortlicher der CashFloh AG sind Sie für die Investitionen ver-
antwortlich. Zur Auswahl stehen derzeit drei Projekte unterschiedlicher Laufzeit,
deren auf 1 € normierte Zahlungsreihen in der Tabelle dargestellt werden. Da die
Durchführung der Projekte von einem Konsortium übernommen wird, können Sie
beliebige Summen investieren.
Die unterschiedlichen Vorzeichen der reduced cost der Variablen sind dadurch zu
begründen, dass diese an ihrer unteren bzw. oberen Grenze sind. Wird eine Geld-
einheit zum Zeitpunkt 0 auf dem Girokonto gehalten, LB, reduziert sich das End-
vermögen um 0,35 Geldeinheiten. Kann der langfristige Kredit um eine Geldein-
heit erhöht werden, UB, erhöht sich das Endvermögen um 0,32 Geldeinheiten.
Werden die Beschränkungen der Variablen durch Restriktionen explizit model-
liert, sind diejenigen, die an der oberen Schranke sind, in Basis mit reduced cost 0.
Die zugehörigen Restriktionen sind bindend und weisen die entsprechenden redu-
ced cost der Variablen mit Bounds auf.
a) Geben Sie die absoluten Zahlungsreihen der drei Projekte aus Sicht Ihres Un-
ternehmens an. Zu welchen Zeitpunkten weist das Girokonto ein Guthaben auf
und wie hoch ist das zum Zeitpunkt 4 verfügbare Endvermögen?
b) Welchen Effekt hat eine Erhöhung des langfristigen Kreditrahmens auf das
Endvermögen? Um wie viel steigt es, wenn stattdessen zum Zeitpunkt 2 weitere
158 Anwendungen linearer Optimierung
Eigenmittel aus anderen Projekten zur Verfügung stehen? Gelten diese Aussagen
für zusätzliche Investitionen in beliebiger Höhe?
Beispiel AirOpt AG
Für die AirOpt AG ist eine Ermittlung des optimalen Kontingents von Sitzplatz-
kapazitäten auf dem Flug Düsseldorf über München nach Rom durchzuführen. Es
stehen 320 Plätze zur Verfügung und auf Überbuchung wird verzichtet. Abb. 4.10
zeigt die Preis-Absatzfunktion für den Teilabschnitt Düsseldorf-München mit
Erlösen bei Preisdifferenzierung in zwei Preisklassen. Weiter zu berücksichtigen
sind die Sitzplatzkapazität, die zu einem reduzierten realisierbaren Erlös führt, und
die Nachfrage nach Flügen Düsseldorf-Rom über München.
Weitere wirtschaftswissenschaftliche Anwendungen 159
Preis in €
600
500
Kapazität (320)
400
300
200
100
Absatz Sitzplätze
100 200 300 400 500 600
Düsseldorf - München
Die Zielfunktion maximiert den Gesamtumsatz, der durch die verkauften Flug-
scheine erreicht wird. Die erste Restriktion stellt sicher, dass das Sitzplatzkontin-
gent von 320 Plätzen auf der Teilstrecke Düsseldorf-München von den Passagie-
ren von Düsseldorf nach München und denen von Düsseldorf nach Rom nicht
überschritten wird. Entsprechend modelliert die zweite Restriktion die Einhaltung
der Sitzplatzkapazität auf dem Teilstück von München nach Rom. Die weiteren
Restriktionen sind obere Schranken für die Variablen und erfassen die jeweilige
Nachfrage.
Dieses Modell lässt sich mit MILP-Software lösen. Die Studentenversion von
ClipMOPS® erlaubt keine Forderung nach Ganzzahligkeit der Variablen, sodass
diese Version nur ausreicht, wenn die optimale Lösung für stetige Variablen be-
reits die Ganzzahligkeitsbedingung erfüllt. Die Studentenversion von XPRESS-
Ive® berücksichtigt auch ganzzahlige und binäre Variablen.
Eine optimale Lösung, mit der der maximale Umsatz von 252.800 € erreicht
wird, besteht darin, folgende Sitzplatzkontingente anzubieten:
In der optimalen Lösung wird die Nachfrage nach Flügen der Klasse E mög-
lichst erfüllt, jedoch reichen die Sitzplätze nicht aus, sodass 30 Interessenten kein
Ticket Düsseldorf-Rom erhalten. Flugscheine für diesen Flug werden gar nicht an
Interessenten der Klasse K abgegeben. Jedoch werden alle Interessenten von
Weitere wirtschaftswissenschaftliche Anwendungen 161
München nach Rom befördert, außerdem fliegen 50 Passagiere der Klasse K von
Düsseldorf nach München.
Weiterführende Ansätze berücksichtigen auch Nachfrageunsicherheit und las-
sen bspw. Überbuchungen in geplantem Umfang zu. Sie werden dynamisch der
Nachfrageentwicklung angepasst. Quantitative Modelle des Revenue Manage-
ments findet man beispielsweise bei Corsten u. Gössinger (2005), De Boer et al.
(2002), Kimms u. Klein (2005), Klein (2001), Klophaus (1998), Wiggershaus
(2008).
Personaleinsatzplanung
Auch im Bereich der Personalplanung gibt es verschiedene Möglichkeiten der
Unterstützung durch quantitative Modelle. So lassen sich umfangreiche, schwieri-
ge Personaleinsatzpläne unter Einsatz gemischt-ganzzahliger linearer Optimie-
rungsmodelle erstellen, bei denen für Personal unterschiedlicher Qualifikation
unter Berücksichtigung ausreichender Ruheperioden und individueller Anforde-
rungen geeignete Schichtpläne erstellt werden. Zur Illustration wird ein verein-
fachtes Beispiel näher betrachtet.
Beispiel Warenverteilzentrum
Aufgrund der im Wochenverlauf schwankenden Bestellungen ist der Personalbe-
darf im Warenverteilzentrum an den verschiedenen Wochentagen sehr unter-
schiedlich.
Wochentag Mo Di Mi Do Fr Sa So
Personalbedarf 12 10 9 12 14 9 6
Zielfunktion: min x1 + x2 + x3 + x4 + x5 + x6 + x7
Mo : x1 + x4 + x5 + x6 + x7 ≥ 12
Dienstbeginn Mo Di Mi Do Fr Sa So
Personen 5 2 2 2 0 4 2 1 2 0
3 3 3 3
Dienstbeginn Mo Di Mi Do Fr Sa So
Personen 5 3 0 4 2 1 0
Dies ist nicht die einzige optimale Lösung. Auch die folgende Schichteinteilung
benötigt 15 Personen und ist somit ebenfalls optimal.
Dienstbeginn Mo Di Mi Do Fr Sa So
Personen 6 3 0 5 1 0 0
Fallmix-Optimierung im Krankenhaus
In Deutschland wird, ähnlich wie bereits in anderen Ländern, ein Fallpauschalen-
System zur Vergütung der Krankenhausbehandlung eingeführt. Dazu werden
Patienten gemäß ihrer Krankheit einer Diagnosis Related Group (DRG) zugeord-
net. Die Krankenhäuser erhalten von den Krankenkassen bei Behandlung eines
Patienten einen Festpreis, der von der Gruppenzugehörigkeit des Patienten zu
einer DRG abhängt und unabhängig von den im Einzelfall erforderlichen Behand-
lungsmaßnahmen oder den dem Krankenhaus für die einzelne Behandlung entste-
henden Kosten ist. Das bei einer derartigen, DRG-basierten Vergütung von einem
Krankenhaus erzielbare wirtschaftliche Ergebnis hängt wesentlich von den Kosten
des Krankenhauses für die Behandlung von Patienten der unterschiedlichen DRGs
ab, die möglichst zu reduzieren sind. Sind die variablen Kosten für die Behand-
lung in den verschiedenen Fallgruppen ermittelt, lassen sich mit den Festpreisen
164 Anwendungen linearer Optimierung
n
max ∑ d j ⋅ x j
j =1
n
s.d . ∑ aij ⋅ x j ≤ K i i = 1,..., m
i =1
n
∑ ej ⋅ xj ≤ B
j =1
xj ≥ 0
Das folgende Beispiel ist eng angelehnt an die Ausführungen von Vera (2005).
In der konkreten Anwendungssituation wird davon ausgegangen, dass in dem
Krankenhaus Patienten dreier unterschiedlicher DRGs behandelt werden können.
Die Krankenkassen zahlen für jeden Patienten einer DRG einen festgelegten Preis,
außerdem kennt das Krankenhaus die pro Patient einer DRG durchschnittlich
anfallenden Kosten, sodass die Deckungsbeiträge ermittelt werden können.
Weitere wirtschaftswissenschaftliche Anwendungen 165
Das Krankenhaus verfügt über eine Bettenkapazität, die für den Betrachtungs-
zeitraum 3000 Pflegetage umfasst. Außerdem ist die Operationszeit auf maximal
1800 Stunden beschränkt. Die Inanspruchnahme der Kapazitäten ist für die ver-
schiedenen Fallgruppen folgender Zusammenstellung zu entnehmen.
Pflegetage 10 4 4
OP-Stunden 5 4 6
Δz 0 0 20 40 160 408000
Könnte das Krankenhaus also frei über die aufzunehmenden Patienten ent-
scheiden, wäre es optimal, 240 Patienten der DRG 1, 150 Patienten der DRG 2
166 Anwendungen linearer Optimierung
und niemanden der DRG 3 aufzunehmen. Damit beträgt der maximal erzielbare
Deckungsbeitrag 408.000 und sowohl die Betten- wie auch die OP-Kapazität sind
vollständig ausgeschöpft.
Die Behandlung eines DRG 3-Patienten verschlechtert den Gesamtdeckungs-
beitrag um 20, wie die Opportunitätskosten zeigen. Ließe sich die OP-Zeit um
eine Stunde erhöhen, hätte dies die Steigerung des Gesamtdeckungsbeitrags um
160 zur Folge, dem Schattenpreis der zweiten Restriktion. Die Krankenkasse
müsste 240 ⋅ 3000 + 150 ⋅ 2000 = 1.020.000 zahlen.
Üblicherweise wird zwischen Krankenkasse und Krankenhaus ein Budget ver-
einbart, welches auf den bisherigen Fallzahlen basiert. In diesem Beispiel wurde
auf Grundlage von 135 Patienten der DRG 1, 122 Patienten der DRG 2 und
102 Patienten der DRG 3 ein Budget von 904.000 festgelegt. Das bedeutet, das
Krankenhaus erhält keine über dieses Budget hinausgehenden Zahlungen von der
Krankenkasse, auch wenn höhere Leistungen erbracht werden. Auf dieser Grund-
lage würde das Krankenhaus einen Deckungsbeitrag von 371.800 erzielen.
Eine neuerliche Optimierung mit der zusätzlichen Budgetrestriktion
3000 x1 + 2000 x2 + 2500 x3 ≤ 904.000
liefert ein wesentlich geändertes Ergebnis. Nun ist es optimal, 168 Patienten der
DRG 1 und 160 Patienten der DRG 3 und keinen Patienten der DRG 2 aufzuneh-
men. Der erzielbare Gesamtdeckungsbeitrag ist auf 377.600 reduziert, jedoch um
1,56 % höher als für die bisherigen Fallzahlen. Engpässe sind nun die OP-Zeit und
das Budget, nicht mehr die Bettenkapazität. Das Krankenhaus erhält eine Zahlung
in Höhe des Budgets.
Da Krankenhäuser verpflichtet sind, Patienten zu behandeln, können sie nicht
aus Wirtschaftlichkeitsaspekten Patienten zurückweisen. Außerdem wird die Zahl
der Patienten einer bestimmten Fallgruppe beschränkt sein. Mit einer weiteren
Differenzierung des Modells und Ergänzung beispielsweise realistischer unterer
und oberer Schranken für Patientenzahlen in den einzelnen DRGs kann ein Kran-
kenhaus jedoch zusätzliche Kenntnisse über seine wirtschaftliche Struktur gewin-
nen und seine besonderen Stärken im Vergleich zu anderen Häusern besser identi-
fizieren und auch zum Wohl der Patienten nutzen. Generell zeigt sich, dass bei
optimaler Verwendung knapper Ressourcen eine Spezialisierung auf eine geringe
Zahl unterschiedlicher DRGs bei gleichzeitiger Erhöhung der Patientenzahl für
diese ausgewählten Fallgruppen erstrebenswert ist (Meyer u. Harfner 1999).
Die optimale Projektkombination lässt sich dann durch Maximierung des Gesamt-
kapitalwertes unter Einhaltung der Budgetrestriktion ermitteln.
n
max ∑K
i =1
i ⋅ xi
n
s.d . ∑B ⋅x
i =1
i i ≤ B
xi ∈ {0, 1}
Die Binärvariable xi nimmt den Wert 1 an, wenn das i -te Projekt durchge-
führt wird, und 0 sonst, für i = 1,..., n . Bi ist der Budgetbedarf des i -ten Projek-
tes, B das verfügbare Budget. K i ist der Kapitalwert des i -ten Projektes.
P1 P2 P3 P4 P5
Ki 20 25 40 20 50
Bi 200 400 500 300 600
Mit diesem Budget und den wählbaren Projekten lässt sich ein maximaler Ge-
samtkapitalwert von 110 erzielen, wenn die Projekte P1 , P3 und P5 durchgeführt
werden. Aufgrund der Ganzzahligkeit der Variablen wird das Budget nicht ausge-
schöpft, sondern um 100 Einheiten unterschritten. Etwas komplexer ist der Sach-
verhalt, wenn nicht einzelne Projekte, sondern nur komplette Programme, die
jeweils aus mehreren Projekten bestehen, zur Erzielung eines Kapitalwertes füh-
ren. Sind etwa die Projekte P1 , P2 und P3 für das Programm 1 erforderlich und
wird die Durchführung des Programms mit der Binärvariablen y1 beschrieben,
dann wird durch eine zusätzliche Restriktion dieser technische Zusammenhang
abgebildet.
x1 + x2 + x3 ≥ 3 y1
x1 , x2 , x3 , y1 ∈ {0, 1}
Nur wenn alle drei Variablen x1 , x2 , x3 den Wert 1 annehmen, kann auch y1
den Wert 1 erhalten. Somit ist das Programm 1 nur durchführbar, wenn alle zuge-
hörigen Projekte durchgeführt werden.
168 Anwendungen linearer Optimierung
In Fortsetzung des Beispiels wird nun davon ausgegangen, dass über drei For-
schungs- und Entwicklungsprogramme entschieden wird, einschließlich der dafür
erforderlichen Projekte, welche wie in Abb. 4.10 dargestellt zusammenhängen.
P1 P2 P3 P4 P5
B1=200 B2=400 B3=500 B4=300 B5=600
Die hier erreichte optimale Lösung erzielt einen Kapitalwert von 130 über die
Durchführung der Programme 1 und 2 mit den Projekten 1, 2, 3 und 4. Das Budget
wird vollständig in Anspruch genommen. Wie in einem derartigen Ansatz ein
Ausgleich zwischen der Budgethöhe und dem erzielbaren Kapitalwert erreicht
werden kann, beschreiben Weber et al. (1990).
4.4.3 Aufgaben
Aufgabe 4.4.1
Die Deutsche FlussHansa AG verkehrt regelmäßig auf der Strecke Hamburg –
Copenhagen mit Zwischenhalt in Kiel. Auf dem Schiff stehen 456 Sitzplätze für
die Passagiere zur Verfügung, die entweder die Gesamtstrecke oder auch nur eines
der beiden Teilstücke buchen können. Neben normalen Tickets (N) mit hoher
Flexibilität bietet die Gesellschaft auch besonders günstige Angebote für Urlauber
und Ausflügler (U) an. Diese müssen für einen festen Termin gebucht und im
Voraus bezahlt werden. Eine Befragung der Zielgruppen hat folgendes Nachfra-
geverhalten ergeben:
Typ Preis (€) Nachfrage Preis (€) Nachfrage Preis (€) Nachfrage
N 40 20 80 440 100 70
Aufgabe 4.4.2
Die Animal Event GmbH organisiert Feiern und Promotionaktionen. Auf dem
nächsten Unifest sollen einige „Tiere“ für Stimmung sorgen. Angeboten werden
“Der lustige Glückshase“ (1 Person) und „Das schielende Zebra“ (2 Personen).
Für jeden Glückshasen zahlt die Uni 125 €, für jedes Zebra 250 €. Jedes der „Tie-
re“ soll mit einem Werbeschild der Animal Event GmbH ausgestattet werden,
wovon zurzeit 7 Stück im Lager liegen. Um die Mitarbeiter zu versorgen, steht
eine Kiste Wasser mit 12 Flaschen zur Verfügung. Jeder Hase bekommt pro Ver-
anstaltung eine und jedes Zebra 3 Flaschen Wasser. Zusätzlich erhält jedes Zebra
Weitere wirtschaftswissenschaftliche Anwendungen 171
eine von drei Tuben Salbe gegen Rückenschmerzen. Es stehen 8 Mitarbeiter zur
Verfügung. Wenn diese eingesetzt werden, erhalten sie für die Arbeit auf dem
Unifest jeweils 80 €.
Das zugehörige lineare Modell zur Personaleinsatzplanung ( x1 für die Anzahl
auftretender Glückshasen, x2 für die Anzahl auftretender Zebras), welches den
Gesamtdeckungsbeitrags maximiert, lautet:
max 45 x1 + 90 x2
s.d . x1 + x2 ≤ 7
x1 + 3 x2 ≤ 12
x2 ≤ 3
x1 + 2 x2 ≤ 8
x1 , x2 ≥0
Wie viele Glückshasen und Zebras sollte die Animal Event GmbH einsetzen,
um ihren Gesamtdeckungsbeitrag zu maximieren? Ermitteln Sie die Lösung mit
Hilfe des Simplexalgorithmus und geben Sie alle optimalen Lösungen an, wenn
die Variablen als stetig angenommen werden. Welche optimalen Lösungen sind in
der Realität möglich (Ganzzahligkeit)?
5 Graphentheorie
Jede Straßenkarte ist ein Modell eines Ausschnitts der Realität, in welchem
interessierende Sachverhalte wie Orte, Straßen, Gewässer, Bebauungsgebiete und
ihre geografische Lage abgebildet sind und die zur Entscheidungsunterstützung,
z. B. für die Auswahl von Routen, herangezogen werden können. Eine automati-
sierte Entscheidungsunterstützung setzt eine höhere Abstraktionsebene voraus, die
beispielsweise in Abb. 5.1 mit der Hervorhebung des Autobahnnetzes zwischen
den angegebenen Städten erfolgt.
174 Graphentheorie
Ham
He
C
Bo
E
W
D
Dieser Ausschnitt der Realität, die ausgewählten Städte mit ihren Autobahn-
verbindungen, ist als Graph modelliert, der Knoten und die verbindenden Kanten
enthält. Die Knoten repräsentieren die Orte CentrO, Herne, Hamm, Essen, Bo-
chum, Düsseldorf und Wuppertal. Kanten zwischen den Knoten entsprechen den
direkten Verbindungen und sind bezeichnet mit e1 = {C , He} , e2 = {C , E} ,
e3 = { Ham, He} , e4 = { Bo, He} , e5 = { D, E} , e6 = { D, W } , e7 = { Bo, W } ,
e8 = { Ham,W } , e9 = { Bo, Ham} und e10 = { Bo, E} . So sind jeder Kante zwei
Knoten zugeordnet. Über diese Gleichungen ist eine Abbildung, die Inzidenzab-
bildung des Graphen, definiert, die jeder Kante eine Menge mit zwei Knoten
zuordnet.
Die Struktur des realen Autobahnnetzes wird mittels eines Graphen abgebildet,
wobei dieser Graph durch die entsprechende grafische Darstellung, aber genauso
auch durch die Angabe der Knoten- und der Kantenmengen mit der Inzidenzab-
bildung beschrieben werden kann. In diesem Modell lassen sich strukturelle
Eigenschaften untersuchen und die Modellergebnisse auf die Realität übertragen.
Beispielsweise ist zu entnehmen, dass vier Städte Nachbarn von Bochum sind in
dem Sinn, dass Bochum mit vier der Städte direkt über Autobahnen verbunden ist.
Zu beachten ist, dass ein solcher Graph zunächst keine Informationen hinsichtlich
der Entfernungen der Städte voneinander repräsentiert, d. h., die Länge der Kanten
und die Positionierung der Knoten hat keine Bedeutung. Derselbe Graph kann also
auch wie in Abb. 5.2 dargestellt gezeichnet werden.
Strukturmodellierung mittels Graphen 175
D Ham
Bo
E He
Die Modellierung von Entfernungen erfolgt abstrakt durch die Zuordnung reel-
ler Zahlen zu den Kanten. Bewertet man die Kanten mit Entfernungen in Kilome-
tern oder Fahrzeiten, lassen sich kürzeste Verbindungen zwischen je zwei Orten
feststellen. Ebenfalls ermittelbar ist, welche Orte etwa von Bochum aus innerhalb
einer vorgegebenen Zeit erreicht werden können oder von welchen Orten aus
Bochum innerhalb vorgegebener Zeit erreichbar ist.
Zur Ermittlung kürzester Entfernungen auch für sehr umfangreiche Graphen
stehen leistungsfähige Algorithmen zur Verfügung, der bekannteste wird im
weiteren Verlauf vorgestellt. Zur systematischen Behandlung graphentheoreti-
scher Modelle und Algorithmen werden zunächst grundlegende Begriffe formal
definiert.
e7
2 5
e1 e4 e5
e6
e2
1 4
e3
3 6
e7
2 5
e1 e2 e6
e8
e5
1 4
e3
e4
3 6
Φ ( e ) = {i, j} Φ ( e ) = ( i, j )
Beispiel G1 und G2
Für beide vorherigen Graphen G1 und G2 ist die Menge aller Nachbarn von Kno-
ten 2 N ( 2 ) = {1, 4} und von Knoten 4 N ( 4 ) = {1, 2,5} . Knoten 6 besitzt keine
Nachbarn, N ( 6 ) = ∅ , und ist daher isoliert. Kante bzw. Pfeil e1 verbindet 1 und 2.
e7 verbindet Knoten 5 mit sich selbst und ist eine Schlinge.
Einige Eigenschaften sind nur für gerichtete Graphen sinnvoll angebbar. So
sind für Pfeile weiterhin die folgenden Begriffe definiert:
i ist Anfangsknoten von e.
e ist mit Knoten i positiv inzident.
j ist Endknoten von e.
e ist mit Knoten j negativ inzident.
e geht von i aus und mündet in j ein.
i heißt (unmittelbarer, direkter) Vorgänger von j (predecessor).
Die Menge der direkten Vorgänger eines Knotens j ist P ( j ) .
j heißt (unmittelbarer, direkter) Nachfolger von i (successor).
Die Menge der direkten Nachfolger eines Knotens i ist S ( i ) .
Der Ausgangsgrad g + ( k ) eines Knotens k ist die Zahl der mit k positiv inzi-
denten Pfeile.
Der Eingangsgrad g − ( k ) eines Knotens k ist die Zahl der mit k negativ
inzidenten Pfeile.
Manche Knoten weisen besondere Eigenschaften auf.
Ein Knoten eines gerichteten Graphen mit mindestens einem Nachfolger,
jedoch ohne Vorgänger heißt Quelle von G, ein Knoten ohne Nachfolger, je-
doch mit mindestens einem Vorgänger heißt Senke von G.
Strukturmodellierung mittels Graphen 179
Zwischen zwei Kanten kann eine besondere Beziehung bestehen, die aus algo-
rithmischen Gründen später ausgeschlossen wird.
Zwei Kanten bzw. Pfeile e1 und e2 sind parallel, wenn Φ ( e1 ) = Φ ( e2 ) gilt, sie
also dieselben beiden Knoten verbinden, bei Pfeilen gilt dies nur im Falle über-
einstimmender Richtung, wie in Abb. 5.5 gezeigt wird.
i j i j i j
Beispiel G3
Der in Abb. 5.6 dargestellte ungerichtete Graph G3 = (V3 , E3 ) ist endlich, schlin-
genfrei und ohne parallele Kanten. Auf die explizite Angabe der Inzidenzabbil-
180 Graphentheorie
dung kann verzichtet werden, da die Kanten mittels der zugehörigen Knoten
bezeichnet sind.
V3 = {1, 2,3, 4,5, 6, 7,8}
E3 = {{1, 2} , {1,3} , {2, 4} , {3, 4} , {4,5} , {5, 6} , {5, 7} , {5,8} , {6, 7} , {6,8} , {7,8}}
2 6
1 4 5 8
3 7
Finanz-
Südland Nord-Bank Streubesitz
Holding AG
81 % 10 % 2% 7%
BANK
GESELLSCHAFT
ZENTRAL
100 % 89,9 %
Landesbank Süd
Zentral Hyp
Süd Sparkasse Süd Bank
Ein Graph wird vollständig genannt, wenn für zwei beliebige, verschiedene
Knoten die verbindende Kante zum Graphen gehört. In einem vollständigen
Graphen ist also jeder Knoten mit jedem anderen durch eine Kante verbunden.
1 3
2 4
Ein gerichteter Graph heißt symmetrisch, wenn zu jedem Pfeil ( i, j ) der Pfeil-
menge E auch der Umkehrpfeil ( j , i ) zu der Pfeilmenge gehört.
ge gleich bleibt und jeder Kante {i, j} ∈ Eu die beiden Pfeile ( i , j ) ∈ Es und
( j, i ) ∈ Es entsprechen.
He Ham
C E Bo
D W
Werden nicht nur einzelne Knoten und ihre direkten Verbindungen betrachtet,
lassen sich weitere Eigenschaften von Graphen angeben, wozu eine entsprechende
Terminologie einzuführen ist.
Eine Kantenfolge ist eine Folge von Knoten und Kanten ( i0 , e0 , i1 , e1 ,..., es −1 , is )
mit Φ (ek ) = {ik , ik +1} . Verkürzt kann diese Kantenfolge beschrieben werden
durch die alleinige Angabe der Knoten ( i0 , i1 ,..., is ) . Gilt i0 ≠ is , heißt die Kan-
tenfolge offen. Gilt i0 = is , handelt es sich um eine geschlossene Kantenfolge.
Eine Kette ist eine offene Kantenfolge mit sämtlich verschiedenen Knoten.
1 2 3 Kette
Ein Kreis ist eine geschlossene Kantenfolge mit sämtlich verschiedenen Kno-
ten. Ein Graph wird als kreisfrei bezeichnet, wenn er keinen Kreis enthält.
Strukturmodellierung mittels Graphen 183
1 2
Kreis
1 2 4
3 5
1 2 3 Weg
1 2 3 Semiweg
Ein Zyklus ist eine geschlossene Pfeilfolge mit sämtlich verschiedenen Knoten.
Ein Graph wird als zyklenfrei bezeichnet, wenn er keinen Zyklus enthält.
184 Graphentheorie
1 2 3
Zyklus
1 2 3
Semikreis
Beispiel Digraph G5
Durch Abb. 5.12 wird Digraph G5 definiert.
1 2 4
3 5
Die Pfeilfolge (1, (1, 2 ) , 2, ( 2,3) ,3) ist ein Weg, (1, (1, 2 ) , 2, ( 3, 2 ) ,3, ( 5,3) ,5 ) ein
Semiweg. ( 2, ( 2, 4 ) , 4, ( 4,5 ) ,5, ( 5,3) ,3, ( 3, 2 ) , 2 ) bildet einen Zyklus, daher ist
Graph G5 nicht zyklenfrei. (1, (1, 2 ) , 2, ( 2,3) ,3, ( 3, 2 ) , 2, ( 2, 4 ) , 4 ) ist eine offene
Pfeilfolge, die kein Weg ist, da Knoten 2 mehrfach enthalten ist.
Ein gerichteter Graph ist topologisch sortiert, wenn für alle Pfeile mit ( i, j )
gilt i < j .
Jeder zyklenfreie Digraph ist topologisch sortierbar, indem die Knoten geeignet
umbenannt werden. Der umnummerierte Graph ist zu dem vorherigen isomorph,
das bedeutet, dass er die gleichen strukturellen Eigenschaften besitzt.
Digraph G5 lässt sich nicht topologisch sortieren, da er einen Zyklus
( 2, ( 2,3) ,3, ( 3, 2 ) , 2 ) enthält.
Obiger Digraph, der den Weg veranschaulicht, ist
topologisch sortiert. Der folgende Graph, der einen Semiweg zeigt, lässt sich
durch Umnummerierung der Knoten topologisch sortieren. Ein isomorpher Graph,
Strukturmodellierung mittels Graphen 185
der nur Pfeile von Knoten mit niedrigerer zu höherer Knotennummer besitzt, kann
angegeben werden mit
1 3 2
Zwei Knoten i und j sind verbunden, wenn es eine Kantenfolge bzw. Semipfeil-
folge mit Endknoten i und j gibt. In einem gerichteten Graphen ist j von i aus
erreichbar, wenn eine Pfeilfolge von i nach j existiert.
Ein ungerichteter Graph heißt zusammenhängend, wenn je zwei beliebige
Knoten verbunden sind. Ein Digraph heißt schwach zusammenhängend, wenn
je zwei beliebige Knoten verbunden sind, stark zusammenhängend, wenn für
beliebige Knoten i und j gilt, dass j von i aus und i von j aus erreichbar sind.
Beispielsweise ist G3 zusammenhängend, G1 jedoch nicht. G2 ist nicht schwach
zusammenhängend und damit insbesondere nicht stark zusammenhängend, da ein
isolierter Knoten existiert. G5 ist schwach zusammenhängend, da je zwei Knoten
verbunden sind, jedoch nicht stark zusammenhängend, da z. B. Knoten 1 nicht von
Knoten 2 aus erreichbar ist. Der gerichtete Graph zum Autobahnnetz NRW ist
stark zusammenhängend, jeder Knoten ist von jedem anderen aus zu erreichen.
Ein Graph heißt Baum, wenn er zusammenhängend und kreisfrei bzw. semi-
kreisfrei ist.
Ein gerichteter Graph heißt Wurzelbaum mit der Wurzel r, wenn r Quelle von G
ist und jeder andere Knoten durch genau einen Weg von r aus mit r verbunden
ist. Die Senken werden als Endknoten des Wurzelbaums oder als Blätter be-
zeichnet. In einem Wurzelbaum wird ein Vorgängerknoten auch als Vater, ein
Nachfolger als Sohn bezeichnet.
8
6 1 7 6
4
5
2 5
1 3 7
3
8
4
Abb. 5.13 zeigt zwei verschiedene Darstellungen desselben Baums, wobei die
rechte eher Ähnlichkeit zu Stamm und Verästelung hat und damit den Bezug zur
Natur erkennen lässt. Abb. 5.14 zeigt einen Wurzelbaum mit Wurzel 1 und den
Blättern 3, 5, 6, 7, 8 und 9.
5
2
6
1 3
7
4 8
Ein endlicher, ungerichteter bzw. gerichteter Graph ohne parallele Kanten bzw.
Pfeile kann durch seine Adjazenzmatrix beschrieben werden. Die Strukturinfor-
mation ist äquivalent zu der der Mengendarstellung bzw. der grafischen Darstel-
lung.
Ist G = (V , E ) ein ungerichteter Graph, dann ist die zugehörige Adjazenzmatrix
( )
A = aij definiert mit
Nachbarn N ( k ) eines Knotens k der k-ten Zeile bzw. der k-ten Spalte zu entneh-
men. Die Zahl der Nachbarn N ( k ) 1 ist folglich ermittelbar mittels
n n
N ( k ) = ∑ akj = ∑ aik .
j =1 i =1
Für einen schlichten Graphen entspricht die Zahl der Nachbarn der Zahl der
inzidenten Kanten und damit dem Grad g ( k ) des Knotens k.
Beispiel G3
Die Adjazenzmatrix zu Graph G3, dem Modell der Kommunikationsbeziehungen,
lautet
⎛0 1 1 0 0⎞
0 0 0
⎜ ⎟
⎜1 0 0 1 0
0⎟ 0 0
⎜1 0 0 1 0⎟
0 0 0
⎜ ⎟
⎜0 1 1 0 1
0⎟ 0 0
⎜0 0 0 1 1⎟
0 1 1
⎜ ⎟
⎜0 0 0 0 1 0 1 1⎟
⎜0 0 0 0 1 1 0 1⎟
⎜ ⎟
⎜0 0 0 0 1 1 1 0 ⎟⎠
⎝
Die Nachbarn, etwa von Knoten 5, sind mittels der Einträge in Zeile 5 bzw.
aufgrund der Symmetrie mittels der Einträge in Spalte 5 zu ermitteln. Da
a54 = a56 = a57 = a58 = 1 und ebenso a45 = a65 = a75 = a85 = 1 gilt und die übri-
gen Zeilen- bzw. Spaltenelemente gleich null sind, lautet N ( 5 ) = {4, 6, 7,8} . Die
Anzahl der Personen, die mit P5 in einer Kommunikationsbeziehung stehen, ist
N ( 5 ) = 4 . Person P1 pflegt dagegen nur mit zwei Personen Kontakt.
Für einen gerichteten Graphen G = (V , E ) ist die Adjazenzmatrix A = aij ( )
bestimmt durch
⎧1 falls ( i, j ) ∈ E
aij = ⎨ .
⎩0 sonst
Den Zeilen der Adjazenzmatrix eines Digraphen sind die Nachfolger eines
Knotens zu entnehmen, den Spalten die Vorgänger. So sind z. B. auch Quellen
und Senken einfach identifizierbar, da die zugehörigen Spalten bzw. Zeilen nur
Nullen enthalten.
Die Zahl der Vorgänger P ( k ) eines Knotens k beträgt
1 Für eine Menge M bezeichnet M die Anzahl der Elemente dieser Menge.
188 Graphentheorie
n
P ( k ) = ∑ aik ,
i =1
Für einen schlichten Graphen stimmen diese Zahlen mit dem Eingangsgrad
g − ( k ) bzw. dem Ausgangsgrad g + ( k ) überein.
Die Adjazenzmatrix eines topologisch sortierten Graphen ist eine obere Drei-
ecksmatrix, d. h. von null abweichende Einträge befinden sich ausschließlich
oberhalb der Hauptdiagonalen.
1 2 3 4
6 7
⎛0 0 0 0 1 0 0⎞
⎜ ⎟
⎜0 0 0 0 1 0 0⎟
⎜0 0 0 0 1 0 0⎟
⎜ ⎟
⎜0 0 0 0 1 0 0⎟.
⎜0 0 0 0 0 1 1⎟
⎜ ⎟
⎜0 0 0 0 0 0 0⎟
⎜0 0 0 0 0 0 0 ⎟⎠
⎝
Erkennbar sind die Quellen 1, 2, 3 und 4, die jeweils den Nachfolger 5, aber
keinen Vorgänger haben, und die Senken 6 und 7, die jeweils den Vorgänger 5,
jedoch keinen Nachfolger besitzen.
Strukturmodellierung mittels Graphen 189
Ein gerichteter Graph kann außerdem als Vorgänger- oder auch als Nachfolger-
liste repräsentiert werden, ein ungerichteter Graph als Nachbarnliste. In der
Vorgängerliste werden zu jedem Knoten sämtliche direkten Vorgänger angege-
ben, in der Nachfolgerliste sämtliche direkten Nachfolger, in der Nachbarnliste
alle Nachbarn.
Grafische Darstellung, Mengendarstellung, Adjazenzmatrix, Vorgänger- und
Nachfolgerliste bzw. Nachbarnliste repräsentieren jeweils die gleichen Strukturin-
formationen eines Digraphen bzw. Graphen unter der Voraussetzung, dass der
Graph schlicht ist. Welche Form der Darstellung ausgewählt wird, hängt von der
jeweiligen Nutzung des Modells ab. Zur Veranschaulichung kleinerer Modelle ist
meist die grafische Darstellung am geeignetsten. Zur Behandlung komplexer
Probleme insbesondere mittels Rechnereinsatz sind dagegen Matrizen oder Tabel-
len bzw. Listen vorzuziehen.
Beispiele
Im Folgenden sind für verschiedene Graphen äquivalente Repräsentationsformen
angegeben, aus denen sich jeweils die Struktureigenschaften ableiten lassen.
Ungerichteter Graph G6
Mengendarstellung
Da Mengen nicht geordnet sind, könnte E6 auch wie folgt angegeben werden:
2
⎛0 1 0 0⎞
⎜ ⎟
⎜1 0 1 1⎟
1 4 ⎜0 1 0 1⎟
⎜⎜ 0 ⎟
1 1 0 ⎟⎠
⎝
3
190 Graphentheorie
Nachbarnliste
Knoten Nachbarn
1 2
2 1, 3, 4
3 2, 4
4 2, 3
Gerichteter Graph G7
Mengendarstellung
V7 = {1, 2,3, 4} E7 = {(1, 2 ) , ( 2,3) , ( 2, 4 ) , ( 3, 4 )}
2
⎛0 1 0 0⎞
⎜ ⎟
⎜0 0 1 1⎟
1 4 ⎜0 0 0 1⎟
⎜⎜ ⎟
⎝0 0 0 0 ⎟⎠
Vorgängerliste Nachfolgerliste
direkte direkte
Knoten Knoten
Vorgänger Nachfolger
1 - 1 2
2 1 2 3, 4
3 2 3 4
4 2, 3 4 -
Dieser Graph ist schwach, jedoch nicht stark zusammenhängend. Knoten 1 ist
einzige Quelle, Knoten 4 einzige Senke und der Graph ist topologisch sortiert.
Strukturmodellierung mittels Graphen 191
Gerichteter Graph G8
Mengendarstellung
V8 = {1, 2,3, 4,5} E7 = {(1, 2 ) , ( 2,3) , ( 2, 4 ) , ( 3,1)}
Vorgängerliste Nachfolgerliste
direkte direkte
Knoten Knoten
Vorgänger Nachfolger
1 3 1 2
2 1 2 3, 4
3 2 3 1
4 2 4 -
5 - 5 -
Damit ist der Graph nicht schwach zusammenhängend. Der Graph ist nicht to-
pologisch sortiert, da ein Pfeil von Knoten 3 nach Knoten 1 führt. Da Pfad
(1, (1, 2 ) , 2, ( 2,3) ,3, ( 3,1) ,1) einen Zyklus bildet, ist eine topologische Sortierung
nicht möglich.
Beispiel Feuerwehrwachen
Die Nachbarschaftsliste der Standorte in Tabelle 4.3 definiert einen ungerichteten
Graphen, der angibt, zwischen welchen Knoten die maximale Entfernung von
8 Minuten nicht überschritten wird. Da jeweils i ∈ N i gilt, existiert für jeden
Knoten eine Schlinge. Gesucht wird eine minimale Anzahl von Knoten, die den
192 Graphentheorie
5.1.4 Aufgaben
Aufgabe 5.1.1
Geben Sie zu folgenden Graphen jeweils die Vorgänger- bzw. Nachbarnliste und
die Adjazenzmatrix an und beschreiben Sie die Eigenschaften der Graphen.
a) 2
1 3
b) 2 4
1 3
c)
1 2 3
5 6 7
9
Strukturmodellierung mittels Graphen 193
d)
2
4 5
1 3
Aufgabe 5.1.2
Zeichnen Sie die durch folgende Adjazenzmatrizen beschriebenen Graphen und
sortieren Sie diese topologisch, sofern dies möglich ist.
⎛0 0 0 0 0 0⎞
⎛0 1 0 1 1⎞ ⎜ ⎟
⎛0 1 0 0⎞ ⎜ ⎟ ⎜0 0 1 1 0 0⎟
⎜ ⎟ ⎜1 0 1 0 1⎟
⎜0 1⎟
a) ⎜0 0 1 1⎟
b) ⎜0 1 0 0 0⎟ c) ⎜
0 0 0 0
⎟
⎜1 0 0 1⎟ ⎜ ⎟ ⎜0 0 0 0 1 1⎟
⎜⎜ ⎟ ⎜1 0 0 0 0⎟
⎝0 0 0 0 ⎟⎠ ⎜1
⎜1 0 0 0 0 0⎟
⎝ 1 0 0 0 ⎟⎠ ⎜⎜ ⎟
⎝1 0 0 0 0 0 ⎟⎠
Aufgabe 5.1.3
Folgende Darstellung gibt die Unternehmensstruktur der RuhrgebietsUnterneh-
mensBeteiligungsAG an. Modellieren Sie diese Struktur als Graphen und geben
Sie sowohl die Mengendarstellung als auch eine grafische Darstellung an. Welche
Eigenschaften weist der Graph auf?
Rohöl-
Bochumer Gesellschaft Eisenwerke Innovative Maritime
Wasser-
Maschinen- für Energie- Osnabrück- Windkraft- Transport
Erdgas
werke AG system- und Nienburg anlagen AG Union
Handelsge-
Anlagenbau
sellschaft
194 Graphentheorie
Sind Knoten und/oder Kanten bzw. Pfeile von Graphen bewertet, dann spricht
man von einem bewerteten Graphen. Ein Beispiel ist das Modell der Eigentümer-
struktur der Bankgesellschaft Zentral, welches quantitative Angaben über den
Anteil an der jeweiligen Gesellschaft ausweist. Je nach inhaltlichem Zusammen-
hang können die Bewertungen sehr unterschiedliche Bedeutungen wie Dauer,
Entfernung, Kapazität haben, die bei der Interpretation von Modellergebnissen
entsprechend zu berücksichtigen sind.
Ein bewerteter Graph verfügt zusätzlich über eine Bewertungsfunktion, die
jedem Knoten bzw. jeder Kante eine reelle Zahl zuweist. Im Folgenden werden
nur Kantenbewertungen betrachtet. Diese sind festgelegt über die Bewertungs-
funktion
sinnvoll abbilden. Dies ist abhängig von dem mit dem Modell verfolgten Auswer-
tungszweck und dem dazu anzuwendenden Algorithmus.
14 22
C E Bo
48
26
39
34
D W
C E D He Bo W Ham
C 0 14 ∞ 20 ∞ ∞ ∞
E 14 0 39 ∞ 22 ∞ ∞
D ∞ 39 0 ∞ ∞ 34 ∞
.
He 20 ∞ ∞ 0 17 ∞ 33
Bo ∞ 22 ∞ 17 0 26 51
W ∞ ∞ 34 ∞ 26 0 48
Ham ∞ ∞ ∞ 33 51 48 0
Die Bewertung ∞ modelliert hier, dass keine direkte Autobahnverbindung zwi-
schen den Städten besteht, also aufgrund der im Modell betrachteten unendlich
hohen Fahrtdauer diese Verbindung nicht gewählt wird, wenn ein Ausweichen
möglich ist.
Für bewertete Graphen lässt sich die Länge der Kantenfolge F = ( i0 , i1 ,..., is )
bzw. Pfeilfolge F = ( i0 , i1 ,..., is ) ermitteln zu
s s
c ( F ) = ∑ c {ir −1 , ir } bzw. c ( F ) = ∑ c ( ir −1 , ir ) .
r =1 r =1
Die Entfernung d {i, j} bzw. d ( i, j ) der Knoten i und j ist die kürzeste Kan-
ten- bzw. Pfeilfolge mit den Endknoten i und j bzw. von i nach j.
Nach Ermittlung der jeweils kürzesten Kanten- bzw. Pfeilfolgen mit den End-
( )
knoten i und j kann die Entfernungsmatrix D ( G ) = dij angegeben werden mit
⎧0 für i = j
⎪
d ij := ⎨ d {i, j} falls eine Kantenfolge zwischen i und j existiert
⎪∞ sonst
⎩
⎧0 für i = j
⎪
bzw. d ij := ⎨ d ( i, j ) falls eine Pfeilfolge von i nach j existiert .
⎪∞ sonst
⎩
Beispiel Netzwerk
1
1 3
-2 3 2
4
2 4
Bewertungsmatrix Entfernungsmatrix
⎛ 0 −2 1 ∞ ⎞ ⎛ 0 −2 1 2⎞
⎜ ⎟ ⎜ ⎟
3 0 ∞ 4⎟ 3 0 4 4⎟
C =⎜ D=⎜
⎜∞ ∞ 0 2 ⎟ ⎜∞ ∞ 0 2⎟
⎜⎜ ⎟⎟ ⎜⎜ ⎟
⎝∞ ∞ ∞ 0 ⎠ ⎝∞ ∞ ∞ 0 ⎟⎠
Beispiel
2 5
2 5
1 2 3 1 2 3
2 5
Für beide Graphen stimmen Adjazenz-, Bewertungs- und Entfernungsmatrix
jeweils überein.
lage ist die Bewertungsmatrix. Der dem Startknoten nächstgelegene Knoten wird
endgültig festgelegt und der Wegknoten angegeben, von dem aus er erreicht
wurde. Für die direkten Nachfolger dieses Knotens wird nun geprüft, ob der Weg
über den gerade festgelegten Knoten kürzer ist als der kürzeste bisher bekannte
Weg. In diesem Fall wird die vorläufige Markierung des Knotens modifiziert. Von
allen erreichbaren Knoten wird nun der mit der vom Startknoten kürzesten Entfer-
nung endgültig festgelegt. Dieses Vorgehen wird solange fortgesetzt, bis die
Entfernungen zu allen Knoten feststehen. Durch Rückwärtsverfolgung der Mar-
kierungen werden die kürzesten Wege vom Startknoten zu jedem anderen Knoten
ermittelt.
Markierungsalgorithmus: Ein Knoten j wird vorläufig markiert, sobald eine
obere Schranke kleiner als unendlich für die Entfernung bestimmt ist. Knoten j
wird endgültig markiert, wenn ein kürzester Weg zu j gefunden ist. In jeder
Iteration wird genau einer der vorläufig markierten Knoten endgültig markiert.
Das Verfahren bricht ab, sobald alle Knoten endgültig markiert sind oder vorzei-
tig, wenn eine weitere Markierung nicht möglich ist, da die verbleibenden Knoten
nicht erreicht werden können.
Initialisierung
d j := ∞, q j := 0, j = 1,..., n
k := a, L := {a} , M := S ( a )
d a := 0, qa := 0
solange M ≠ ∅
für alle j ∈ S ( k ) ∩ M
d k + ckj < d j
ja nein
d j := d k + ckj
q j := k
L := L ∪ {k } , M := ( M ∪ S ( k ) ) \ L
Bewertete Graphen und kürzeste Wege 199
Bezeichnungen
L Menge der endgültig markierten Knoten
M Menge der vorläufig markierten Knoten
n Anzahl der Knoten, Startknoten a
k aktuell betrachteter Knoten
dj kürzeste, bislang bekannte Weglänge von a nach j
qj direkter Vorgänger von j auf kürzest bekanntem Weg
S ( j ) Menge der direkten Nachfolger von j
2
4 1
2
1 4 5
1 1
3
5
Gesucht sind die kürzesten Verbindungen von Knoten 1 zu allen anderen Knoten.
Ersichtlich ist, dass die kürzesten Entfernungen von 1 nach 2 über die Knoten 3
und 4 insgesamt 3 E beansprucht. Von 1 nach 3 besteht die direkte Verbindung
mit 1 E. Von 1 nach 4 gelangt man in 2 E über Knoten 3 und Knoten 5 ist über 3
und 4 in 4 E erreichbar.
Zu dem abgebildeten bewerteten Graphen lässt sich unmittelbar der äquivalente
gerichtete Digraph ableiten, dessen Bewertungen sämtlich nichtnegativ sind. Da-
her ist der Algorithmus von Dijkstra anwendbar.
Es sind n = 5 Knoten zu berücksichtigen, deren kürzeste Entfernungen von
Knoten a = 1 aus zu ermitteln sind. In der Initialisierungsphase werden zunächst
alle d j auf ∞ und alle q j auf 0 gesetzt für j = 1,...,5 . k wird mit 1 festgesetzt.
Die Menge der endgültig markierten Knoten ist somit L := {1} , die der vorläufig
markierten Knoten enthält die Nachfolger von 1 M := S (1) = {2,3,5} . Weiterhin
gilt d1 := 0 und q1 := 0 .
In der ersten Iteration wird zunächst geprüft, ob in der Menge M der vorläufig
markierten Knoten Elemente enthalten sind. Beim ersten Durchgang stimmen M
und S (1) überein. Die Bewertungen d 2 = d3 = d5 sind bislang ∞ , sodass jeweils
die Aktualisierung erfolgt zu
d 2 := d1 + c12 = 0 + 4 = 4
d3 := d1 + c13 = 0 + 1 = 1
d5 := d1 + c15 = 0 + 5 = 5
200 Graphentheorie
Tabelle 5.1. Iterationen des Algorithmus von Dijkstra für den Graphen G9
Initialisie- 1 2 3 4
rung
Knoten dj qj dj qj dj qj dj qj dj qj
1 0 0
2 ∞ 0 4 1 4 1 3 4
3 ∞ 0 1 1
4 ∞ 0 ∞ 0 2 3
5 ∞ 0 5 1 5 1 4 4 4 4
{1, 2, 3, 4,
L {1} {1, 3} {1, 3, 4} {1, 2, 3, 4}
5}
M {2, 3, 5} {2, 4, 5} {2, 5} {5} ∅
Die Festlegungen durch den Algorithmus lassen sich gut mittels einer tabellari-
schen Darstellung verfolgen, die die Daten in jeder Iteration enthält, wobei auf die
Angabe der Initialisierungsspalte üblicherweise verzichtet wird.
In der zweiten Iteration wird für die Elemente aus M, die Nachfolger des gerade
endgültig markierten Knotens 3 sind, geprüft, ob die Verbindung vom Startknoten
über den Knoten 3 kürzer als die bisher bekannte kürzeste Entfernung ist. Dies ist
nur für den Knoten 4 mit d3 + c34 = 1 + 1 = 2 < ∞ der Fall, sodass d 4 := 2 und
q4 := 3 gesetzt werden. Die kürzeste Entfernung besteht nun zu Knoten 4, der in L
aufgenommen wird, M wird entsprechend angepasst.
Die Überprüfung in der dritten Iteration zeigt, dass Knoten 2 von Knoten 4 aus
besser zu erreichen ist als von Knoten 1 aus, daher wird die Markierung aktuali-
siert und wegen der nun minimalen Entfernung endgültig festgelegt.
In der vierten Iteration erfolgt keine Modifikation der Bewertung von Knoten 5,
da 5 kein direkter Nachfolger von 2 ist. Als letzter Knoten, der nun minimale
Entfernung zu Knoten 1 aufweist, wird Knoten 5 endgültig markiert. Da nun
M = ∅ ist, bricht der Algorithmus ab.
Bewertete Graphen und kürzeste Wege 201
j wj dj
2 (1, 3, 4, 2) 3
3 (1, 3) 1
4 (1, 3, 4) 2
5 (1, 3, 4, 5) 4
Der Algorithmus von Dijkstra ist ein so genannter Baumalgorithmus. Durch die
schrittweise Festlegung von Knoten mit den verbindenden Pfeilen wird ein Teil-
graph bestimmt, der möglichst alle Knoten enthält und ein Baum ist.
Im Beispiel mit Graph G9 wird dieser Baum schrittweise aufgebaut:
1. Iteration 2. Iteration
1 1 4
3 3
3. Iteration 4. Iteration
2 2
1 4 1 4 5
3 3
He 33 Ham
20 17 51
115
C 14 E Bo
22 48
39 26
D 34 W
Die Anwendung des Algorithmus von Dijkstra zur Bestimmung der schnellsten
Verbindungen von Bochum zu allen übrigen Orten, unter Berücksichtigung der
aktuellen Verkehrslage ist Tabelle 5.3 zu entnehmen. Es empfiehlt sich beispiels-
weise aufgrund der Verkehrslage an diesem Tag, von Bochum über Herne und
CentrO nach Essen zu fahren. Wie Tabelle 5.4 zeigt, sind innerhalb von
30 Minuten bei der aktuellen Verkehrslage von Bochum aus nur Herne und
Wuppertal zu erreichen.
Mit dem Algorithmus von Dijkstra werden die kürzesten Entfernungen von
einem gewählten Knoten aus zu allen übrigen Knoten ermittelt. Die kürzesten
Entfernungen von den verschiedenen Orten aus bis zu dem gewählten Knoten
erhält man nur dann direkt, falls der Graph ungerichtet bzw. symmetrisch ist. Da
dies in dem Autobahnbeispiel nicht gegeben ist, kann z. B. die kürzeste Entfer-
nung von Essen nach Bochum nicht direkt aus der Tabelle entnommen werden.
Sie beträgt nur 22 Minuten im Vergleich zu den ermittelten 51 Minuten in umge-
kehrter Richtung.
Bewertete Graphen und kürzeste Wege 203
1 2 3 4 5 6
Knoten dj qj dj qj dj qj dj qj dj qj dj qj
1C ∞ 0 37 4 37 4
3D ∞ 0 ∞ 0 60 6 60 6 60 6 60 6
4 He 17 5
5 Bo
6W 26 5 26 5
7 Ham 51 5 50 4 50 4 50 4
j Ort wj dj
1 CentrO (5, 4, 1) 37
2 Essen (5, 4, 1, 2) 51
3 Düsseldorf (5, 6, 3) 60
4 Herne (5, 4) 17
6 Wuppertal (5, 6) 26
7 Hamm (5, 4, 7) 50
Der Algorithmus von Dijkstra ermittelt nur die kürzesten Entfernungen von 1
zu allen übrigen Knoten. Um ihn dennoch ohne Modifikation auch auf das folgen-
de Problem anwenden zu können, wird das Modell geeignet modifiziert, sodass
der Algorithmus die Ergebnisse nach entsprechender Interpretation liefert. Zum
gerichteten Graphen in Abb. 5.21 sollen die kürzesten Entfernungen und kürzesten
Wege aller Knoten zum Knoten 1 ermittelt werden.
204 Graphentheorie
2 6 2 6
1 3 5 1 3 5
1 2 1 2
1 4 1 1 4 1
4 4
2 2 2 2
2 4 6 2 4 6
u
Abb. 5.21. Graph G10 Abb. 5.22. Modifizierter Graph G10
Um den Algorithmus von Dijkstra anwenden zu können, wird statt des Gra-
u
phen G10 ein anderer Graph G10 aufgestellt, indem die Knoten und die Bewer-
tungen übernommen und die Pfeilrichtungen umgekehrt werden. Der neue Graph
ist Abb. 5.22 zu entnehmen. In diesem Graphen werden nun mittels Dijkstra-
Algorithmus die kürzesten Wege von 1 zu allen übrigen Knoten ermittelt.
1 2 3 4 5
Knoten dj qj dj qj dj qj dj qj dj qj
2 ∞ 0 3 3
3 2 1
4 ∞ 0 6 3 5 2
5 ∞ 0 8 3 8 3 7 4
6 ∞ 0 ∞ 0 ∞ 0 7 4 7 4
Hierzu lassen sich nun alle kürzesten Wege von 1 zu allen übrigen Knoten im
u
Graphen G10 ableiten.
Bewertete Graphen und kürzeste Wege 205
u
Tabelle 5.6. Entfernungen von Knoten 1 aus für Graph G10
j wj dj
2 (1, 3, 2) 3
3 (1, 3) 2
4 (1, 3, 2, 4) 5
5 (1, 3, 2, 4, 5) 7
6 (1, 3, 2, 4, 6) 7
Bezüglich Graphen G10 sind daraus die kürzesten Wege und Entfernungen von
allen Knoten zu Knoten 1 abzuleiten.
j wj dj
2 (2, 3, 1) 3
3 (3, 1) 2
4 (4, 2, 3, 1) 5
5 (5, 4, 2, 3, 1) 7
6 (6, 4, 2, 3, 1) 7
Treten auch negative Pfeilbewertungen auf, kann der Algorithmus von Dijkstra
nicht angewendet werden, es sei denn, spezielle Strukturvoraussetzungen sind
erfüllt. Für die in der Praxis durchaus vorkommende allgemeine Situation stehen
andere Algorithmen, wie etwa der Kürzeste-Wege-Algorithmus von Ford, zur
Verfügung, auf die hier nicht weiter eingegangen wird. Die Ermittlung längster
Wege in einem Graphen lässt sich auf ein Problem kürzester Wege zurückführen,
indem die Pfeilbewertungen jeweils mit ( −1) multipliziert werden. Alternativ
lassen sich Kürzeste-Wege-Algorithmen entsprechend modifizieren und dann als
Längste-Wege-Algorithmen direkt anwenden. Ein Algorithmus zur Ermittlung
längster Wege von einem Startknoten aus wird bei der Ermittlung frühester
Ereigniszeiten in einem Netzplan eingesetzt und im Kapitel Projektplanung ver-
wendet.
Anwendungsbezogene Einführungen in die Graphentheorie sind in vielen Ope-
rations Research-Lehrbüchern enthalten und umfassen teilweise sogar einen
eigenen Band (z. B. Gal 1992). Werden spezielle graphentheoretische Probleme
oder Einsatzbereiche behandelt, so wird häufig auf die Grundlagen eingegangen.
206 Graphentheorie
5.2.3 Aufgaben
Aufgabe 5.2.1
In dem folgenden bewerteten Digraphen ist der kürzeste Weg von Knoten 1 zu
allen anderen Knoten zu bestimmen. Verwenden Sie dazu den Algorithmus von
Dijkstra.
3
4 5
4 2
1 3
2
1 3 6
3 1 3
4
2 7
5
Aufgabe 5.2.2
In dem vorliegenden Digraphen sollen die kürzesten Wege von Knoten 1 zu allen
anderen Knoten mit Hilfe des Algorithmus von Dijkstra ermittelt werden. Geben
Sie die kürzesten Wege bitte explizit an.
3
1 5
11 3
11 3 2
2 5
2
2 4
3
Bewertete Graphen und kürzeste Wege 207
Aufgabe 5.2.3
Das Institut für Sicherheit (IfS) mit Sitz im Technologiepark der Ruhr-Universität
Bochum betreut die Flughafengesellschaft des Airport Frankfurt/Main in Sicher-
heitsfragen. Zur Präsentation hochbrisanter Forschungsergebnisse und der Über-
gabe vertraulicher Dokumentationen möchte das Projektteam von Bochum (BO)
aus im Safety-Car des IfS auf dem kürzesten Weg nach Frankfurt (F) fahren. Auf
der Fahrt dorthin könnten die Städte Hagen (HA), Leverkusen (LE), Siegen (SI)
sowie Montabaur (MT) potenzielle Zwischenstationen sein. Der folgende Graph
stellt die möglichen Routen von Bochum nach Frankfurt dar.
Geben Sie die Adjazenzmatrix dieses Digraphen an und überprüfen Sie (mit
Begründung), ob der Graph topologisch sortierbar ist. Wie lang ist der kürzeste
Weg von Bochum (BO) nach Frankfurt (F) und wie lautet er? Verwenden Sie zur
Ermittlung den Algorithmus von Dijkstra.
99
LE MT
60 82
BO 88 F
30 129
HA SI
72
Aufgabe 5.2.4
Bestimmen Sie in folgendem Digraphen die kürzesten Wege von allen Knoten zu
Knoten 1.
3
2 4
2 1
1 4 2 6
1
5 3
3 5
6 Projektplanung
2 4
1 6
3 5
6.1.2 Strukturanalyse
Beispiel Klausurtraining
Sie beabsichtigen, vor Ihrem Klausurtraining einige wichtige Literaturstellen in
der Bibliothek auszuwählen und diese anschließend zu kopieren. Außerdem
besuchen Sie die Fachschaft und holen die dort vorhandenen Skripte ab. Sobald
Sie alle Unterlagen gesammelt haben, beginnen Sie Ihr Training. Zur Einstim-
mung auf alle prüfungsvorbereitenden Aktivitäten gönnen Sie sich zunächst einen
Kurzurlaub.
Um einen vorgangsorientierten Netzplan zur Modellierung dieses Projektes zu
erstellen, sind zunächst Vorgänge und deren Abhängigkeitsbeziehungen festzu-
stellen. Dies geschieht hier mittels einer Vorgangsliste, in der die Vorgänge je-
weils mit ihren direkten Vorgängern aufgeführt sind.
direkte
Bezeichnung Vorgangsbezeichnung
Vorgänger
T Klausurtraining K, S
A Auswahl der Literatur U
S Skripte U
U Kurzurlaub –
Nach Erfassung der erforderlichen Vorgänge und der Struktur kann die Model-
lierung des Projektes mittels Netzplan erfolgen. Aufgrund der vorgangsorientier-
ten Betrachtung sind sowohl ein Vorgangspfeil- als auch ein Vorgangsknoten-
netzplan geeignet.
Vorgangspfeilnetzplan Klausurtraining
Die Vorgänge werden Pfeilen zugeordnet, die Knoten entsprechen dann Anfangs-
und Endereignissen. Mit geeigneter Knotennummerierung kann der Netzplan wie
folgt grafisch dargestellt werden.
U S T
1 2 4 5
A K
3
Die Bezeichnung der Vorgänge als Paare der inzidenten Knoten ergibt dann
den Netzplan in grafischer Darstellung in Abb. 6.3.
(2, 3) (3, 4)
3
⎛0 1 0 0 0⎞ direkte direkte
⎜ ⎟ Knoten Knoten
⎜0 0 1 1 0⎟ Vorgänger Nachfolger
⎜0 0 0 1 0⎟
⎜ ⎟ 1 - 1 2
⎜0 0 0 0 1⎟
⎜0 0 0 0 0 ⎟⎠
2 1 2 3, 4
⎝
3 2 3 4
4 2, 3 4 5
5 4 5 -
Vorgangsknotennetzplan Klausurtraining
Jeder Vorgang wird einem Knoten zugeordnet und diese gemäß den Abhängigkei-
ten miteinander verbunden.
U T
A K
2
(1, 2) (2, 5)
1 5
(1, 3) (4, 5)
3 4
(3, 4)
Abb. 6.5. Vorgangsknotennetzplan 2 Klausurtraining
Die äquivalente Mengendarstellung ist NVKN (VVKN , EVKN ) mit VVKN = {1, 2,
3, 4 ,5} und EVKN = {(1, 2 ) , (1,3) , ( 2,5 ) , ( 3, 4 ) , ( 4,5 )} , zugehörige Adjazenzmatrix
oder Vorgänger- bzw. Nachfolgerliste lauten:
direkte direkte
Knoten Knoten
Vorgänger Nachfolger
⎛0 1 1 0 0⎞
⎜ ⎟ 1 - 1 2, 3
⎜0 0 0 0 1⎟
⎜0 0 0 1 0⎟ 2 1 2 5
⎜ ⎟
⎜0 0 0 0 1⎟ 3 1 3 4
⎜0 0 0 0 0 ⎟⎠
⎝ 4 3 4 5
5 2, 4 5 -
Auch dieser Digraph ist ein Netzplan, da er ebenfalls die entsprechenden Ei-
genschaften aufweist. Knoten 1 ist Quelle und Knoten 5 Senke, jedoch entspre-
chen diese Knoten nun Vorgängen im realen Projekt, während es sich im vorheri-
gen Modell um Ereignisse handelt. Dieser Netzplan, obwohl unterschiedlich,
modelliert ebenfalls adäquat dasselbe reale Projekt. Die Interpretation von Mo-
dellergebnissen ist entsprechend anzupassen.
genau eine Quelle und eine Senke vorhanden sein und parallele Pfeile dürfen nicht
auftreten.
Bei der Modellierung mittels Darstellung von Vorgangspfeilnetzplänen wird
ein Vorgang A abgebildet auf einen Pfeil, der mit einem Anfangsknoten i und
einem Endknoten j versehen ist.
A
i j
Da ein Digraph keine parallelen Pfeile besitzt, wird Vorgang A durch den
Pfeil ( i, j ) eindeutig repräsentiert. Knoten i und j entsprechen Ereignissen im
Projektablauf.
Ist Vorgang B abhängig von Vorgang A, wird folgende Darstellung verwendet
A B
1 2 3
Ist C abhängig sowohl von A als auch von B, ist folgendes Modell geeignet
1 A
C
3 4
B
2
Dies stellt keinen Netzplan dar, da zwei Quellen existieren. Die Darstellung mit
genau einer Quelle und einer Senke ist bei Vorgangspfeilnetzplänen meist durch
Zusammenziehung der Knoten möglich. Jedoch ist weiter zu berücksichtigen, dass
in einem Netzplan keine parallelen Pfeile auftreten dürfen, da ein Netzplan
schlicht ist. Sind zwei Aktivitäten wie hier unabhängig voneinander durchführbar
und können jeweils zu einem Ereignis beginnen und enden, ist zur Erstellung
eines geeigneten mathematischen Modells, das keine parallelen Pfeile aufweist,
ein zusätzlicher Pfeil einzuführen, dem kein realer Vorgang entspricht. Dieser
Pfeil wird Scheinvorgang genannt und üblicherweise gestrichelt gezeichnet. Bei
späteren Zeit- und Kapazitätsbetrachtungen werden einem Scheinvorgang bezüg-
lich Dauer, Betriebsmittelbeanspruchung und Kosten jeweils null zugewiesen.
1 A
C
S 3 4
B
2
216 Projektplanung
A 2 C
1 S 4
B D
3
A B
Dies ist kein Netzplan, da B und C Senken sind und somit mehr als eine Senke
existiert. Daher wird im Modell ein Knoten für den fiktiven Vorgang Ende einge-
führt, der nun die einzige Senke ist und das Projektende modelliert. Auf diese
Weise wird gewährleistet, dass das Modell ein Netzplan ist und entsprechende
Methoden anwendbar sind.
A Ende
C
Modellierung der Projektstruktur 217
Anfang C
Die Aufstellung von Vorgangsknotennetzplänen ist meist einfacher als die von
Vorgangspfeilnetzplänen und findet sich häufig in Standardsoftware zur Unter-
stützung der Projektplanung.
Beispiel Uni-Party
Zur Vorbereitung einer Uni-Party, die jedes Semester von Studierenden veranstal-
tet wird, sind verschiedene Vorbereitungen zu treffen, die im Folgenden einzeln
angegeben sind.
direkte
Bezeichnung Vorgangsbezeichnung
Vorgänger
E Plakat entwerfen –
F Plakat drucken C, E
G Plakat aufhängen F
Auswahl und Vertragsabschluss Getränke und
H C, D
Musikanlage
A D H
Anfang Ende
B C
E F G
D
2 5
A H
B
C S1
1 E 3 4 8
S2 G
F
6 7
Aufbauend auf der Strukturanalyse erfolgt die Untersuchung des zeitlichen Ab-
laufs des Projektes einschließlich der Bestimmung des frühestmöglichen Projekt-
endes und der Planung von Flexibilitätsreserven im Rahmen der Zeitanalyse.
Weiterführend lassen sich auch knappe Kapazitäten berücksichtigen, Gesamtkos-
ten optimieren und risikobehaftete Projekte erfolgreich unterstützen.
6.1.3 Aufgaben
Aufgabe 6.1.1
Modellieren Sie zu folgenden Vorgangslisten, die alle für ein Projekt erforderli-
chen Vorgänge mit ihren gegenseitigen Abhängigkeitsbeziehungen aufweisen, die
zugehörigen Netzpläne. Verwenden Sie sowohl eine Vorgangspfeil- wie eine
Vorgangsknotendarstellung und geben Sie jeweils eine grafische Darstellung, die
Vorgänger- und die Nachfolgerliste und die Adjazenzmatrix an. Achten Sie
darauf, dass Ihr Modell tatsächlich die erforderlichen Eigenschaften aufweist, die
einen Netzplan charakterisieren.
Modellierung der Projektstruktur 219
A -
B -
C -
D B, C
E A
F A
G D, E, F
H D, E
A -
B A, D
C B
D C
Aufgabe 6.1.2
Sie planen für die kommenden Semesterferien mit zwei Kommilitonen eine
Rundreise mit dem Wohnmobil durch Indien und setzen sich zusammen um zu
überlegen, welche Vorbereitungen für die Reise zu treffen sind.
Für die Visabeschaffung planen Sie 28 Tage ein, für die Festlegung der endgül-
tigen Reiseroute 21 Tage. Die Buchung der Flüge inklusive der Ticketausstellung
beansprucht 14 Tage. Die Anmietung des Wohnmobils über Internet erfordert 2
Tage. Die Planung, welche Ausrüstung Sie mitnehmen, dauert 14 Tage. Die
Beschaffung der fehlenden Visa und die Festlegung der Reiseroute können ohne
weitere Abstimmung ab sofort erfolgen. Die Buchung der Flüge und die Anmie-
tung des Wohnmobils sind möglich, sobald die endgültige Reiseroute festgelegt
ist. Die Überprüfung und Ergänzung der Ausrüstung soll im Anschluss an die
Buchung des Wohnmobils geschehen.
220 Projektplanung
Aufgabe 6.1.3
Die Studentin Mona Toya möchte in den nächsten Semesterferien ihre Großmutter
in Gorleben mit dem Fahrrad besuchen. Als Erstes muss sie dafür ihr Fahrrad
gründlich säubern, was einen Tag in Anspruch nimmt. Anschließend sind Defekte
zu reparieren, wofür aufgrund des Materialeinkaufs drei Tage eingeplant werden
müssen. Nach der Reparatur ist auf jeden Fall eine halbtägige Probefahrt erforder-
lich. Ebenfalls nach der Reparatur will Monas Vater die Strecke heraussuchen
(2 Tage) und Monas Schwester La bei einer Freundin eine Satteltasche leihen
(1 Tag). Für die eigentliche Fahrt nach Gorleben hat Mona acht Tage eingeplant.
a) Erstellen Sie zu obiger Fahrradtour eine Vorgangsliste mit den direkten Abhän-
gigkeitsbeziehungen und Dauern der Vorgänge.
b) Entwickeln Sie einen Vorgangspfeil- und einen Vorgangsknotennetzplan und
stellen Sie diese grafisch dar.
Aufgabe 6.1.4
Der private Bahnbetreiber Corex plant, einen regelmäßigen Zugverkehr zwischen
dem Ruhrgebiet und Berlin in Konkurrenz zur Deutschen Bahn AG mit eigenen
Hochgeschwindigkeitszügen einzurichten. Die Produktion der Corex-Züge erfolgt
ähnlich wie die des ICE der Deutschen Bahn AG durch ein Konsortium von
mehreren Unternehmen. Die Fahrgastzelle wird in Thüringen hergestellt, wobei
jedoch der Innenausbau in Augsburg durchgeführt wird. Dort werden ebenso
Fahrgestell und Räder gefertigt und zusammengebaut. In München werden Motor
und Triebkopf gefertigt und in Erlangen die vollständige Elektronik eingebaut.
Nach dem Zusammenbau in Augsburg werden die Corex-Züge auf der Teststrecke
in Niedersachsen getestet, abgenommen und bereitgestellt. Corex hat einen Auf-
trag über drei Züge an das Konsortium erteilt und bittet um Angabe des frühest-
möglichen Auslieferungstermins des ersten Zuges.
Die einzelnen Produktionsschritte zur Herstellung eines Corex-Zuges vom Ein-
gang der Bestellung bis zur Abnahme des fertigen Zuges sind mit ihren jeweiligen
Fertigungsdauern und Abhängigkeitsbeziehungen in der folgenden Tabelle aufge-
listet. Kapazitäten sind ausreichend vorhanden, sodass zu keiner Zeit Engpässe
auftreten werden.
Modellierung der Projektstruktur 221
Dauer direkte
Bezeichnung Vorgangsbezeichnung
(Tage) Vorgänger
Stellen Sie die Herstellung eines Corex-Zugs grafisch mittels eines Vorgangs-
pfeilnetzplans dar. Begründen Sie die Notwendigkeit der ggf. verwendeten
Scheinvorgänge.
222 Projektplanung
Von besonderer Bedeutung für die Planung und Steuerung von Projekten sind
Informationen über den zeitlichen Ablauf und die Gesamtprojektdauer, die sowohl
vor Projektbeginn als auch während der Projektdurchführung Voraussetzung für
die Ergreifung verschiedener Maßnahmen und die Entscheidungsfindung sind.
Grundlage der Zeitanalyse von Projekten ist die Bestimmung der Dauern aller
einzelnen Vorgänge. Voraussetzung dafür ist die genaue Beschreibung der zur
Ausführung einer Tätigkeit vorgesehenen Verfahren, die Berücksichtigung von
Art und Anzahl der einzusetzenden Arbeitskräfte, Produktionsmittel usw. Damit
wird die für die Durchführung erforderliche Zeit geplant, wobei meist eine einheit-
liche Zeitdimension, wie Tag oder Woche, für das Gesamtprojekt empfehlenswert
ist, um eine vergleichbare Detaillierung zu erzielen. Die hier behandelte determi-
nistische Planung setzt voraus, dass diese Angaben mit ausreichender Genauigkeit
festgestellt werden können. Mit Berücksichtigung der Pfeilbewertungen lassen
sich nun die Abhängigkeitsbeziehungen präzisieren. Ist Vorgang B abhängig von
Vorgang A, ist dies für einen bewerteten Vorgangspfeilnetzplan zu interpretieren
als „Vorgang B kann frühestens beginnen, wenn Vorgang A abgeschlossen ist“.
Unter Berücksichtigung der Projektstruktur lassen sich darauf aufbauend wichtige
Zeiten des Projektablaufs planen, die mittels graphentheoretischer Algorithmen
ermittelt werden. Dazu erfolgt die Bewertung der Pfeile des Netzplans mit den
Vorgangsdauern. Durch zunächst eine progressive und anschließend eine retro-
grade Zeitrechnung werden je zwei charakteristische Zeitpunkte für alle Ereignis-
se festgestellt:
y FZi: Der frühestmögliche Zeitpunkt, zu dem Ereignis i eintreten kann,
y SZi: Der spätestzulässige Zeitpunkt, zu dem Ereignis i stattfinden muss, unter
der Voraussetzung, dass ein geplantes Projektende eingehalten wird.
Üblicherweise wird als geplantes Projektende λ der vorher ermittelte frühest-
mögliche Endtermin gewählt, alternativ kommt z. B. auch ein vertraglich festge-
legter Termin in Betracht. Der spätestzulässige Zeitpunkt wird auch als spä-
testmöglicher oder spätestnotwendiger Zeitpunkt bezeichnet.
FZ1 := 0
for i := 2 to n do
FZ i := max ( FZ k + d ki )
k∈P ( i )
Beispiel Projekt 1
Im folgenden topologisch sortierten Netzplan entsprechen die Pfeilbewertungen
den Vorgangsdauern und die frühestmöglichen Ereigniszeiten und das frühest-
mögliche Projektende wurden ermittelt. Wird beispielsweise der frühestmögliche
Zeitpunkt von Ereignis 5 bestimmt, sind aufgrund der topologischen Sortierung
und des Algorithmus die frühesten Ereigniszeitpunkte der Vorgängerknoten
P ( 5 ) = {2,3, 4} , die sämtlich eine niedrigere Nummer tragen, bereits bekannt mit
FZ 2 = 5 , FZ 3 = 12 und FZ 4 = 14 . Nach diesen Ereigniszeitpunkten müssen
jeweils noch die entsprechenden Vorgänge ( 2,5 ) , ( 3,5 ) bzw. ( 4,5 ) durchgeführt
werden. Damit ist der frühestmögliche Zeitpunkt von Ereignis 5 die maximale
dieser drei Zeiten.
max { FZ 2 + d 25 , FZ 3 + d35 , FZ 4 + d 45 } = max {16, 20, 27} = 27
3
12
7 8
1 5 2 11 5 4 6
0 5 27 31
9 13
4
14 i dij j
FZi SZi FZj SZj
Der spätestzulässige Zeitpunkt SZi für jedes Ereignis i wird durch den zeitlängs-
ten Weg vom Zielereignis zurück zum Ereignis i errechnet. Es ist vom gewünsch-
ten Projektendtermin auszugehen und die spätestzulässigen Zeitpunkte sind so zu
ermitteln, dass dieser Termin eingehalten wird. Für die Planung wird häufig
zunächst von dem frühestmöglichen Endtermin ausgegangen. Die Ermittlung
geschieht retrograd vom Endereignis aus und kann bei topologischer Sortierung in
umgekehrter Reihenfolge der Nummerierung geschehen.
SZ n := λ
for i := n − 1 downto 1 do
(
SZ i := min SZ j − d ij
j∈S ( i )
)
3
12 19
7 8
1 5 2 11 5 4 6
0 0 5 5 27 27 31 31
9 13
4
14 14
(1, 2 ) 0 5 0 5
( 2,3) 5 12 12 19
( 2, 4 ) 5 14 5 14
( 2,5) 5 16 16 27
( 3,5) 12 20 19 27
( 4,5) 14 27 14 27
( 5, 6 ) 27 31 27 31
(1, 2 )
( 2,3)
( 2, 4 )
( 2,5)
( 3,5)
( 4,5)
( 5, 6 )
5 10 15 20 25 30 t
Abb. 6.10. Projekt 1, Gantt-Diagramm, Vorgänge möglichst früh
(1, 2 )
( 2,3)
( 2, 4 )
( 2,5)
( 3,5)
( 4,5)
( 5, 6 )
5 10 15 20 25 30 t
Abb. 6.11. Projekt 1, Gantt-Diagramm, Vorgänge möglichst spät
Zeitliche Planung des Projektablaufs 227
Die Zeitanalyse für Vorgangsknotennetzpläne setzt ebenfalls auf den Dauern der
einzelnen Vorgänge auf. Da Ereignisse in Vorgangsknotennetzplänen nicht
explizit modelliert werden, werden im Unterschied zu Vorgangspfeilnetzplänen
unmittelbar charakteristische Vorgangszeitpunkte ermittelt und zwar jeweils
frühester und spätestzulässiger Anfangszeitpunkt jedes Vorgangs. Die Dauer eines
Vorgangs wird zunächst als Pfeilbewertung allen Pfeilen, die den Vorgangsknoten
direkt mit seinen Nachfolgern verbinden, zugewiesen. Zu beachten ist, dass das
Projekt erst beendet ist, wenn alle Vorgänge abgeschlossen sind. Selbst wenn
bereits ein Vorgangsknoten die einzige Senke des Netzplans ist, sollte dieser noch
mit einem fiktiven Endknoten der Dauer null verbunden werden. Den Vorgangs-
knoten werden im Rahmen der Zeitanalyse frühestmögliche und spätestzulässige
Anfangszeitpunkte der Vorgänge zugeordnet.
Beispiel
Vorgang A dauert 5 Zeiteinheiten, Vorgang B kann erst beginnen, wenn A abge-
schlossen ist.
5
A B
Mit einer derartigen Modellierung kann für jedes Projekt die Zeitanalyse, die
adäquat mittels eines Vorgangspfeilnetzplans modellierbar und durchführbar ist,
auch mittels eines Vorgangsknotennetzplans erfolgen.
Beispiel Projekt 1
Zu Projekt 1 ist der entsprechende mit Dauern bewertete Vorgangsknotennetzplan
in Abb. 6.12 dargestellt. Die Knoten enthalten neben der Knotennummer die
Dauer des Vorgangs. Die positiv inzidenten Pfeile sind mit den Vorgangsdauern
bewertet.
228 Projektplanung
2 7 5
7 8
5 8
1 5 3 11 7 4 E
5 11 4 0
5 13
4 9 6 i
9 13 di
FA1 := 0
for i := 2 to n do
Es ist zu beachten, dass der geplante späteste Anfang von Vorgang n FAn, das
geplante Projektende folglich FAn + d n ist. Wird ein fiktives Ende mit dn gleich
null eingesetzt, ist FAn + 0 = FAn dann gleich dem frühestmöglichen Projektende.
Zeitliche Planung des Projektablaufs 229
SAn := λ
for i := n − 1 downto 1 do
Die Berechnung für das Beispiel ergibt dann jeweils den frühestmöglichen und
den spätestzulässigen Anfang der Vorgänge, durch Addition der Dauern lassen
sich die übrigen charakteristischen Vorgangszeiten, die frühestmöglichen und
spätestzulässigen Endtermine, berechnen. Das gewählte λ stimmt nicht mit dem
geplanten Projektende überein, falls Vorgang n eine positive Dauer besitzt.
Da der Vorgangsknotennetzplan in Abb. 6.12 um einen fiktiven Endvorgang
erweitert wurde, entspricht der früheste Anfang von E dem frühesten Projektende.
Die ermittelten frühesten und spätesten Anfangstermine aller Vorgänge sind Abb.
6.13 zu entnehmen.
2 5 7 5 12
7 12 8 19
5 8
1 0 5 3 5 11 7 27 4 E 31
5 0 11 16 4 27 0 31
5 13
4 5 9 6 14 i FAi
9 5 13 14 di SAi
3
12 19
7 8
1 5 2 11 5 4 6
0 0 5 5 27 27 31 31
9 13
4
14 14
Pufferzeiten
Pufferzeiten sind Zeitreserven, um die ein Vorgang unter bestimmten Bedingun-
gen verschoben oder verzögert werden kann, ohne dass der Endtermin des Projek-
tes beeinflusst wird. Sie geben Hinweise auf das Flexibilitätspotenzial in dem
Projekt.
y Gesamtpuffer: GPij = SZ j − FZ i − dij
Der Gesamtpuffer wird als Differenz der maximal verfügbaren Zeit und der
Vorgangsdauer ermittelt.
Die Verzögerung bzw. Verschiebung eines einzigen Vorgangs im Umfang sei-
nes Gesamtpuffers führt nicht zu einer Verlängerung des Projektes. Wenn der
Gesamtpuffer eines Vorgangs gleich null ist, handelt es sich um einen kritischen
Vorgang. Dieser kann sich nicht ohne Konsequenzen für das Projektende verspä-
ten. Verfügt ein Vorgang über einen positiven Gesamtpuffer und nimmt diesen
oder auch Teile davon in Anspruch, steht für die übrigen Vorgänge möglicherwei-
se keine Zeitreserve mehr zur Verfügung. Damit können zwei oder sogar mehrere
Vorgänge ihre Gesamtpuffer meist nicht ohne Auswirkungen in Anspruch neh-
men.
y Freier Puffer: FPij = FZ j − FZ i − dij
Der freie Puffer ist die Zeitreserve eines Vorgangs, die zur Verfügung steht,
wenn alle nachfolgenden Vorgänge zu ihren frühestmöglichen Anfangstermi-
nen beginnen.
Der freie Puffer kann folglich ausgeschöpft werden, ohne die frühestmöglichen
Anfangstermine der nachfolgenden Vorgänge zu beeinträchtigen. Nachteilig ist,
dass der freie Puffer tendenziell am Ende eines Pfades anfällt, was unter dem
Gesichtspunkt einer sinnvollen Projektsteuerung willkürlich erscheint.
232 Projektplanung
dV dij dN
GPij
dV dij dN
FPij
dV dij dN
FRPij
dV dij dN
UPij
Ist ein Vorgang kritisch, sind somit sämtliche Puffer gleich null.
(1, 2 ) 0 0 0 0
( 2,3) 7 0 7 0
( 2, 4 ) 0 0 0 0
( 2,5) 11 11 11 11
( 3,5) 7 7 0 0
( 4,5) 0 0 0 0
( 5, 6 ) 0 0 0 0
(1, 2 )
( 2, 3 )
( 2, 4 )
( 2, 5 )
( 3, 5 )
( 4, 5 )
( 5, 6 )
5 10 15 20 25 30 t
Vorgangs-
Bezeichnung Vorgangsbezeichnung
dauer
E Plakat entwerfen 5
F Plakat drucken 7
G Plakat aufhängen 14
Auswahl und Vertragsabschluss Getränke und
H 5
Musikanlage
2 6 5
8 8 23 39
8 1 5
3 14 4
1 8
9 9 23 23
0 0 44 44
5 14
6 7 7
23 23 30 30
A 8 Tage
B 1 Tag
C 14 Tage
D 6 Tage
E 5 Tage
G 14 Tage
H 5 Tage
Zeitliche Planung des Projektablaufs 237
Zur Unterstützung der Planung wird in Abb. 6.18 ein Gantt-Diagramm mit Ka-
lendertagen entwickelt, wobei zusätzlich festgelegt wird, dass an Wochenenden
nicht gearbeitet wird, jedoch begonnene Vorgänge unterbrochen werden dürfen.
Projektbeginn ist Dienstag. Die Darstellung erfolgt in Anlehnung an Projektpla-
nungssoftware, die gelegentlich in Gantt-Diagrammen zusätzlich zu den Balken
auch die Abhängigkeitsbeziehungen zwischen den Aktivitäten visualisiert. Der
dargestellte Projektausschnitt lässt erkennen, dass hier davon ausgegangen wird,
dass Samstag und Sonntag nicht gearbeitet wird, da der achttägige Vorgang A über
das Wochenende mit insgesamt 10 Tagen abgebildet wird. Die minimale Gesamt-
dauer beträgt für dieses Projekt unter Berücksichtigung der Wochenenden 60
Kalendertage.
Beispiel Projekt 2
Zu Projekt 2, welches durch den Netzplan in Abb. 6.19 dargestellt ist, sollen die
frühesten und spätesten Ereigniszeitpunkte und die charakteristischen Vorgangs-
zeitpunkte ermittelt werden. Das früheste Projektende ist festzustellen, außerdem
die durch die Pufferzeiten gegebenen Flexibilitätsreserven.
14
2 6
5 15
3 4 11
10
1 18 7 9
4
6 15 5 8 12
3 8
(1, 2) 0 5 7 12 7 0 7 0
(1, 3) 0 6 0 6 0 0 0 0
(1, 4) 0 3 17 20 17 2 17 2
(1, 5) 0 18 3 21 3 3 3 3
(2, 6) 5 19 12 26 7 0 0 0
(3, 5) 6 21 6 21 0 0 0 0
(4, 7) 5 16 20 31 15 9 0 0
(5, 7) 21 25 27 31 6 0 6 0
(5, 8) 21 29 21 29 0 0 0 0
(6, 9) 19 34 26 41 7 7 0 0
(7, 9) 25 35 31 41 6 6 0 0
(8, 9) 29 41 29 41 0 0 0 0
S = (2, 4) 5 5 20 20 15 0 8 0
Flexibilitätsreserven in Vorgangsknotennetzplänen
Auch in Vorgangsknotennetzplänen lassen sich Flexibilitätsreserven ermitteln.
y Vorgänge, für die frühester und spätester Anfang zusammenfallen, können
nicht verschoben oder verzögert werden, ohne dass das Projektende gefährdet
wird. Sie sind kritisch. Ein kritischer Pfad bzw. kritischer Weg ist eine Folge
kritischer Vorgänge mit den sie verbindenden Kanten von Projektanfang bis
Projektende.
Im Beispiel ist der einzige kritische Pfad die Vorgangsfolge (1, 4, 6, 7, E ) . Sie
ist in Abb. 6.20 hervorgehoben.
Aus der Differenz zwischen spätestem Ende SEi und frühestem Anfang FAi ist
die für einen Vorgang i verfügbare maximale Zeitspanne ableitbar. Wird davon
die Dauer subtrahiert, erhält man den Gesamtpuffer, der auch direkt aus der
Differenz zwischen spätestem und frühestem Anfang resultiert.
Zeitliche Planung des Projektablaufs 239
2 5 7 5 12
7 12 8 19
5 8
1 0 5 3 5 11 7 27 4 E 31
5 0 11 16 4 27 0 31
5 13
4 5 9 6 14
9 5 13 14
⎛ ⎞
y Unabhängiger Puffer: UPi = max ⎜ 0; min FA j − max ( SA j + d j ) − di ⎟
⎝ j∈S ( i ) j∈P ( i ) ⎠
Im Beispiel sind etwa für Vorgang 2 GP2 = FRP2 = 7 und FP2 = UP2 = 0 , für
Vorgang 5 GP5 = FP5 = 7 und FRP5 = UP5 = 0 und für Vorgang 3 GP3 = FP3 =
FRP3 = UP3 = 11 . Die Vorgangspuffer stimmen folglich für die Vorgänge eines
240 Projektplanung
Beispiel Projekt 2
Der bewertete Vorgangsknotennetzplan zu Projekt 2 ist Abb. 6.21 zu entnehmen,
die zusätzlich die ermittelten frühesten und spätesten Anfangszeitpunkte der
Vorgänge enthält. Diese und die Pufferzeiten stimmen mit denen aus Tabelle 6.6
überein, der kritische Weg ist hervorgehoben.
1 0 5 6 5
5 7 14 12 14
5 10 19
0
15 26
2 0 7 5 15
3
0 3 17 11 20 11
A 0 11 25 10 E 41
0 0 0 4 10 31 0 41
3 0 18 8 21
12
0 18 3 4 27
12 29
15 18 8 12 29
4 0 6 5 6 15 9 21
6 0 15 6 8 21
Tabelle 6.7 gibt den Zusammenhang zwischen den Bezeichnungen der Vorgän-
ge im Vorgangspfeilnetzplan und im Vorgangsknotennetzplan zu Projekt 2 an.
Vorgang
(VPN)
(1, 2 ) (1,3) (1, 4 ) (1,5) ( 2, 6 ) ( 3,5) ( 4, 7 ) ( 5, 7 ) ( 5,8) ( 6,9 ) ( 7,9 ) (8,9 )
Vorgang 1 4 2 3 6 5 7 8 9 10 11 12
(VKN)
Zeitliche Planung des Projektablaufs 241
Bei den bisherigen Betrachtungen wurde stets davon ausgegangen, dass ein
Vorgang frühestens beginnen kann, wenn der vorherige Vorgang vollständig
abgeschlossen ist. Dies ist der Zusammenhang, der sich sowohl mittels Vorgangs-
pfeil- als auch mittels Vorgangsknotennetzen gut modellieren lässt. Vorgangskno-
tennetze erlauben darüber hinaus die Abbildung weiterer Abhängigkeitsbeziehun-
gen. So wurde bisher im Netzplan für zwei Vorgänge i und j mit den Dauern di
bzw. dj die Abhängigkeit j von i wie folgt dargestellt:
i cij = di j
di dj
6.2.4 Aufgaben
Aufgabe 6.2.1
Bearbeiten Sie die folgenden Teilaufgaben für Aufgabenstellung 6.1.2.
a) Führen Sie jeweils eine Zeitanalyse auf Basis des Vorgangsknoten- bzw. des
Vorgangspfeilnetzplans durch und ermitteln Sie sowohl die charakteristischen
Vorgangszeiten als auch die Pufferzeiten. Berechnen Sie das früheste Projektende.
Wie viele Tage vor Urlaubsbeginn müssen Sie spätestens mit den Vorbereitungen
beginnen?
b) Welche Vorgänge sind kritisch?
242 Projektplanung
Aufgabe 6.2.2
Setzen Sie Aufgabe 6.1.3 mit folgenden Teilaufgaben fort.
a) Führen Sie jeweils eine Zeitanalyse auf Basis des Vorgangsknoten- bzw. des
Vorgangspfeilnetzplans durch und ermitteln Sie sowohl die charakteristischen
Vorgangszeiten als auch die Pufferzeiten. Kann Mona mit ihrer Großmutter
zusammen feiern, wenn diese in 12 Tagen Geburtstag hat?
b) Zeichnen Sie zur Unterstützung Ihrer Planung ein geeignetes Gantt-Diagramm
und erläutern Sie die Darstellung.
Aufgabe 6.2.3
Bearbeiten Sie die weiteren Teilaufgaben für die Aufgabe 6.1.4.
a) Ermitteln Sie früheste und späteste Ereigniszeitpunkte.
b) Nach wie vielen Tagen kann der erste Zug frühestens bereitgestellt werden?
Welche Aktivitäten sind kritisch?
c) Welche maximale Zeitreserve steht für den Einbau von Motor und Elektronik in
den Triebkopf in Erlangen zur Verfügung und welche für die Überführung des
Triebkopfs nach Augsburg? Kann ein um 60 Tage verzögerter Start dieses Ein-
baus durch eine geeignete Verschiebung des Überführungstermins kompensiert
werden?
Aufgabe 6.2.4
Die Produktion des europäischen Verkehrsflugzeuges AIRTRAIN 007 geschieht
dezentral in Deutschland, England und Frankreich. In Schwerin werden Rumpf
und Fahrgestell gefertigt und zusammengebaut. In Bremen wird das Cockpit mit
allen Instrumenten gefertigt. Alle Antriebskomponenten (Triebwerk) werden bei
London produziert. Die Herstellung der Tragflächen und des Hecks geschieht
direkt in Toulouse. Dort erfolgt auch der spätere Zusammenbau des gesamten
Flugzeugs. Die internationale Fluggesellschaft OR-Line hat einen Auftrag über 20
AIRTRAIN 007 getätigt und bittet um Angabe des frühestmöglichen Ausliefe-
rungstermins der ersten Maschine.
Die einzelnen Produktionsschritte zur Herstellung eines AIRTRAIN 007 vom
Eingang der Bestellung bis zur Abnahme des fertigen Flugzeugs sind mit ihren
Zeitliche Planung des Projektablaufs 243
Dauer direkte
Bezeichnung Vorgangsbezeichnung
(Tage) Vorgänger
C Herstellung Fahrgestell 10 A
D Herstellung Cockpit 30 A
E Herstellung Triebwerk 30 A
F Herstellung Tragflächen 14 A
G Herstellung Heck 14 A
a) Stellen Sie die Herstellung eines AIRTRAIN 007 grafisch mittels eines Vor-
gangsknotennetzplans dar.
b) Ermitteln Sie alle frühesten und spätesten Anfangszeitpunkte der Vorgänge.
c) Nach wie vielen Tagen kann die erste Maschine frühestens an den Besteller
übergeben werden? Welche Vorgänge sind kritisch?
244 Projektplanung
Ist die Zeitanalyse abgeschlossen, können daraus Informationen über die Kapazi-
tätsbedarfe im zeitlichen Verlauf abgeleitet werden. Aus der zeitlichen Festlegung
der Vorgangsdurchführung und der Bedarfe pro Vorgang, die bei der Vorgangs-
dauerangabe zugrunde liegen, lassen sich das notwendige Personal, die einzuset-
zenden Anlagen usw. ermitteln und übersichtlich präsentieren.
Dies wird standardmäßig von Projektmanagement-Software unterstützt. Zu be-
rücksichtigen ist, dass die zeitliche Lage der nichtkritischen Vorgänge nicht
determiniert ist, sondern im Rahmen der Flexibilitätsreserven darüber entschieden
werden kann. Werden die Vorgänge zu ihrem frühestmöglichen Zeitpunkt einge-
plant, kann ein möglicher Kapazitätsbedarf im Zeitablauf ermittelt werden. Eine
andere Einplanung, z. B. zu den spätestzulässigen Zeitpunkten, führt zu einem
abweichenden Kapazitätsbedarfsverlauf.
Anzahl der
Arbeitskräfte
5 10 15 20 25 30 t
Abb. 6.22. Kapazitätsbedarf bei frühestem Beginn der Vorgänge Projekt 1
Kapazitäts- und Kostenplanung 245
Ein Spitzenbedarf von drei Arbeitskräften ergibt sich für die Zeitspanne von 5
bis 16. Bei spätestem Beginn ist ein abweichender Verlauf des Arbeitskräftebe-
darfs festzustellen mit dem Spitzenbedarf im Zeitraum von 16 bis 27.
Anzahl der
Arbeitskräfte
5 10 15 20 25 30 t
Abb. 6.23. Kapazitätsbedarf bei spätestem Beginn der Vorgänge Projekt 1
Durch geschickte Einlastung der Vorgänge kann versucht werden, den erforder-
lichen Spitzenkapazitätsbedarf zu minimieren. Nachfolgende Zuordnung reduziert
die Anzahl der Zeiteinheiten, zu denen 3 Personen benötigt werden, von 11 auf
nur noch 4 Zeiteinheiten. Der Spitzenbedarf von 3 konnte jedoch unter Beibehal-
tung des frühestmöglichen Projektendes nicht reduziert werden. Selbstverständlich
ändert sich durch eine Verschiebung der Vorgänge der insgesamt erforderliche
Arbeitsaufwand nicht.
(1, 2 )
( 2,3)
( 2, 4 )
( 2,5)
( 3,5)
( 4,5)
( 5, 6 )
5 10 15 20 25 30 t
Abb. 6.24. Gantt-Diagramm zur Reduzierung der Zeit mit Spitzenbedarf
246 Projektplanung
Anzahl der
Arbeitskräfte
5 10 15 20 25 30 t
Abb. 6.25. Kapazitätsbedarf zu Gantt-Diagramm in Abb. 6.24
Stehen nur zwei Arbeitskräfte zur Verfügung, kann das Projekt nicht innerhalb
von 31 ZE abgeschlossen werden, sondern die Projektdauer verlängert sich. In
diesem Beispiel kann mit zwei Arbeitskräften das Projekt frühestens nach 35 Zeit-
einheiten abgeschlossen werden.
Mit Methoden des Operations Research lässt sich ein optimaler Ablaufplan er-
mitteln, der knappe Kapazitäten einhält und dann das frühestmögliche Projektende
bestimmt. Diese mathematischen Modelle zum Scheduling entsprechen weitge-
hend denen, die zur Produktionsablaufplanung bzw. Maschinenbelegungsplanung
etwa in Leitständen verwendet werden. Zur Lösung werden sowohl optimierende
Ansätze als auch Heuristiken verwendet, wie weiterführender Literatur zu ent-
nehmen ist (bspw. Brucker 2007, Demeulemeester u. Herroelen 2002, Klein 2000,
Kolisch 1995). In Projektplanungs-Software sind meist nur einfache Heuristiken
implementiert, die üblicherweise nicht bekannt gegeben werden.
6.3.2 Projektkostenoptimierung
Im Rahmen der Zeitplanung wurde unterstellt, dass die Dauern der einzelnen
Vorgänge feststehen und damit ebenfalls das frühestmögliche Projektende be-
stimmt ist und nur berechnet werden muss. Durch zusätzliche Maßnahmen,
beispielsweise Durchführung von Überstunden, Einsatz zusätzlichen Personals,
leistungsfähigere Anlagen, Wechsel von Normal- auf Expresstransport u. a.
können Vorgänge teilweise mit kürzerer Dauer durchgeführt werden. Auf diese
Weise ist häufig das Projektende beeinflussbar, jedoch ist eine Verkürzung von
Vorgängen i. d. R. nur mit zusätzlichen Kosten erreichbar. Eine Verkürzung der
Gesamtprojektdauer kann auch positive Kostenwirkungen haben, indem bspw. die
Kapazitäts- und Kostenplanung 247
Kosten
K1 + K2
K2
K1
Optimale Dauer
Minimaldauer Normaldauer
Dauer
Abb. 6.26. Zusammenhang zwischen Projektkosten und Projektdauer
2
3 4
3 2
1 6 3 2 4
0 0 6 6 8 8
Abb. 6.27 zeigt den Netzplan des Projektes 3 mit Normaldauer. Die folgende
Tabelle gibt für jeden Vorgang die Minimaldauer und die mittleren Beschleuni-
gungskosten an.
( i, j ) Minimaldauer MBKij
(1, 2 ) 1 10
(1,3) 3 20
( 2,3) 1 30
( 3, 4 ) 1 40
Werden alle Vorgänge auf ihre Minimaldauer beschleunigt, resultiert der Netz-
plan mit Minimaldauer in Abb. 6.28.
Kapazitäts- und Kostenplanung 249
2
1 2
1 1
1 3 3 1 4
0 0 3 3 4 4
2
3 4
3 2
1 5 3 2 4
0 0 5 5 7 7
Sämtliche Vorgänge sind nun kritisch. Eine weitere Verkürzung ist nur erreich-
bar, wenn entweder ( 3, 4 ) oder (1, 2 ) und (1,3) oder (1,3) und ( 2,3) gekürzt
werden. Das günstigste Ergebnis wird für die Kombination (1, 2 ) und (1,3) mit
Beschleunigungskosten von 10 + 20 = 30 pro Zeiteinheit erreicht, die durchge-
führt wird. Da nach einer Kürzung um 2 Einheiten beide Vorgänge ihre Minimal-
dauer erreicht haben und keine weiteren Vorgänge vorher kritisch werden, erfolgt
250 Projektplanung
2
1 1
1 2
1 3 3 2 4
0 0 3 3 5 5
Eine weitere Verkürzung ist nur noch für Vorgang ( 3, 4 ) sinnvoll, und zwar um
eine Einheit mit Beschleunigungskosten von 40. So erhält man den Projektplan
mit minimaler Dauer in Abb. 6.31, der jedoch hinsichtlich der Dauer von Aktivität
( 2,3) von dem in Abb. 6.28 abweicht.
2
1 1
1 2
1 3 3 1 4
0 0 3 3 4 4
Kosten
120 K1 + K2
K1
100
K2
80
50
10
4 5 6 7 8 Dauer
Minimaldauer Optimale Normal-
Dauer dauer
Abb. 6.32. Zusammenhang zwischen Projektdauer und Kosten
y Eine Kombination von kritischen Vorgängen, die verkürzbar sind, deren Be-
schleunigung um eine Einheit zu einer Reduktion der Projektdauer um eine
Einheit führt und für die jede echte Teilkombination keine Projektbeschleuni-
gung bewirkt, stellt einen Schnitt dar.
y Ein minimaler Schnitt ist ein Schnitt mit minimaler Summe der mittleren
Beschleunigungskosten aller Vorgänge.
Zur Ermittlung einer möglichst günstigen Beschleunigung ist daher ein mini-
maler Schnitt zu ermitteln und die zugehörigen Vorgänge gleichermaßen mög-
lichst stark zu verkürzen. Eine Verkürzung ist nur möglich, bis der erste Vorgang
seine Minimaldauer erreicht oder bis mindestens ein weiterer Vorgang kritisch
wird. In beiden Fällen ist ein neuer, im Allgemeinen erweiterter und daher mit
höherer Kostensumme verbundener minimaler Schnitt zu ermitteln, um eine
weitere Projektbeschleunigung zu erreichen. Für die Ermittlung eines minimalen
Schnitts in umfangreichen Projekten ist der Algorithmus von Ford-Fulkerson
einsetzbar, der einen maximalen Fluss in einem Netzwerk erzeugt und darüber den
minimalen Schnitt und seine Kapazität erhält, die den Projektbeschleunigungskos-
ten für eine Einheit Verkürzung entspricht.
Die Anwendung einer kostenminimalen Verkürzung der Projektdauer ist auch
dann ratsam, wenn sich während der Projektdurchführung zeigt, dass es aufgrund
von aufgetretenen Verzögerungen erforderlich ist, die verbleibenden Aktivitäten
schneller als ursprünglich geplant durchzuführen, um das vereinbarte Projektende
252 Projektplanung
6.3.3 Aufgaben
Aufgabe 6.3.1
i dij / bij j
2 2/1 4
1 6 3 8
1/2
1/1
1/2
1 2/2 5 1/1 7
0 0 2 8 9 9
4/1
2/1
3 3/2 6
4 4 7 7
Kapazitäts- und Kostenplanung 253
Für das mit dem dargestellten Netzplan modellierte Projekt soll der Personal-
bedarf im zeitlichen Ablauf ermittelt werden. Stellen Sie den Personalbedarf
zunächst für die Situation dar, dass alle Vorgänge möglichst früh durchgeführt
werden, anschließend für eine möglichst späte Einplanung. Ist eine Planung derart
möglich, dass über die drei verfügbaren Personen hinaus niemand zusätzlich
angefordert werden muss? Die Dauern dij und die Personalbedarfe bij für die
Vorgänge sind in vorangehendem Netzplan jeweils angegeben.
Aufgabe 6.3.2
Für die Vorbereitung der Uni-Party werden die Aufgaben auf verschiedene Studie-
rende verteilt. Informieren Sie Iris, Andreas, Björn und Julia, wann sie für die
Party-Vorbereitung zur Verfügung stehen müssen. Es ist zu beachten, dass die
Beteiligten nicht zwei Aufgaben gleichzeitig übernehmen können.
Julia kann aufgrund eines Praktikums erst nach 20 Tagen die ihr zugewiesenen
Aufgaben in Angriff nehmen. Können ihre Einsätze so verschoben werden, dass
sie diese mit ihrem Praktikum vereinbaren kann?
Vorgangs-
Eingeteilte
Bezeichnung Vorgangsbezeichnung dauer
Personen
(in Tagen)
Vorgangspfeilnetzplan Uni-Party
2 D/6 5
8 8 23 39
A/8 H/5
B/1
C / 14
3 4
1 8
9 9 23 23
0 0 44 44
E/5 G / 14
F/7
6 7
23 23 30 30
Aufgabe 6.3.3
Verkürzen Sie schrittweise kostenoptimal den folgenden Netzplan und stellen Sie
die Abhängigkeit zwischen Beschleunigungskosten und Projektdauer grafisch dar.
3
7 7
4 3
1 3 2 5 4 2 5
0 0 3 3 10 10 12 12
Die Tabelle gibt die Minimaldauern der Vorgänge und die mittleren Beschleu-
nigungskosten an. Da Vorgang (4, 5) nicht gekürzt werden kann, werden seine
mittleren Beschleunigungskosten mit unendlich festgesetzt. Welche Projektdauer
ist kostenoptimal, wenn jede Verlängerung über die Minimaldauer hinaus 10
Einheiten zusätzlich kostet?
( i, j ) Minimaldauer MBKij
(1, 2 ) 1 50
( 2,3) 2 30
( 2, 4 ) 2 10
( 3, 4 ) 1 20
( 4,5) 2 ∞
7 Simulation und Warteschlangensysteme
Modell
Bildlich- Mathe-
Natürliches Künstliches
verbales matisches
Modell Modell
Modell Modell
Modelle, die zur Simulation Verwendung finden, lassen sich wie in Abb. 7.1.
hinsichtlich des Modellcharakters differenzieren. So sind Flugsimulatoren und
Konstruktionsmodelle reale, künstliche Modelle. Im medizinischen Bereich
werden aus Untersuchungen an Tieren, den natürlichen Modellen, Ergebnisse
hinsichtlich der Verträglichkeiten von Medikamenten für Menschen abgeleitet. Im
Unterschied dazu sind abstrakte Modelle entweder nur bildlich oder verbal be-
256 Simulation und Warteschlangensysteme
Umwelt Umwelt
Material
System: Produktionsbereich
Zu-
lieferer Fertigteile
Kunden
Beispiel Maschinenbelegung
Die Aufträge A1 ,..., A4 sind jeweils nacheinander auf zwei Maschinen
M1 und
M 2 zu bearbeiten. Vor und hinter den Maschinen befinden sich Eingangs-,
Zwischen- bzw. Endlager. Die Bearbeitungsdauern der Aufträge auf den Maschi-
nen differieren und sind Tabelle 7.1 zu entnehmen.
Aufträge
A1 A2 A3 A4
Maschinen
M1 2 1 3 4
M2 4 2 1 2
Es kann jeweils nur ein Auftrag auf einer Maschine bearbeitet werden, Unter-
brechungen begonnener Bearbeitungen sind nicht zulässig. Der Ablauf ist in Abb.
7.3 skizziert, Lager und Maschinen sind feste Elemente, die Aufträge durchlaufen
diese Elemente der Reihe nach. Eine Lagerung der vorliegenden Aufträge erfolgt
vor Beginn im Eingangslager und nach Fertigstellung im Endlager.
Aufträge L1 M1 L2 M2 L3
Untersucht wird das dynamische Verhalten dieses Systems, welches sich je-
weils ändert, wenn ein Auftrag eingelastet wird oder die Maschine verlässt. Von
besonderem Interesse ist hier die Gesamtdurchlaufzeit aller Aufträge, die Auslas-
260 Simulation und Warteschlangensysteme
tung der Maschinen und die durchschnittliche Wartezeit eines Auftrags vor einer
Maschine. Tabelle 7.2 zeigt das dynamische Systemverhalten im Zeitablauf, falls
die Aufträge stets in der Reihenfolge ihrer Nummerierung bearbeitet werden.
Periode L1 M1 L2 M2 L3
A1 ,..., A4
1 A2 , A3 , A4 A1 - -
2 A2 , A3 , A4 A1 - -
3 A3 , A4 A2 - A1 -
4 A4 A3 A2 A1 -
5 A4 A3 A2 A1 -
6 A4 A3 A2 A1 -
7 A4 A3 A2 A1
8 A4 A3 A2 A1
9 A4 - A3 A1 , A2
10 A4 - - A1 , A2 , A3
11 - - A4 A1 , A2 , A3
12 - - A4 A1 , A2 , A3
- - - A1 ,..., A4
Dauer 11 10 5 9 13
einem Zeitpunkt t , z. B. am Ende der zweiten Periode zum Zeitpunkt 2 ist Auf-
trag A1 auf M1 fertig gestellt und belegt direkt M2, sodass Auftrag A2 ohne Zeitver-
zug Maschine M1 belegen kann. Die Auswertung dieser Simulation der Auftrags-
bearbeitung zeigt, dass die Gesamtdurchlaufzeit 12 Perioden beträgt, zum Zeit-
punkt 12 folglich auch die Bearbeitung des letzten Auftrags abgeschlossen ist. Die
letzte Zeile gibt die kumulierte Dauer von Aufträgen auf den Maschinen bzw. in
den Lagern an. Die Auslastungen der Maschinen M1 und M2 berechnen sich zu
10 = 83 1 % bzw. 9 = 75% . Die durchschnittliche Wartezeit pro Auftrag vor
12 3 12
Maschine 1 ergibt sich aus der Summe der Wartezeiten aller Aufträge vor M1
dividiert durch die Zahl der Aufträge zu 114 = 2, 75 Perioden. Zustandsänderun-
gen dieses Systems erfolgen zu den Zeitpunkten 2, 3, 6, 8, 9, 10 und 12. Visuali-
sierungen einiger Ergebnisse im Zeitablauf sind das Balkendiagramm zur Maschi-
nenbelegung und die Lagerbestandskurve im zeitlichen Verlauf, beide für die
Reihenfolge gemäß Nummerierung. Auch hier sind jeweils die Zustandsänderun-
gen im Zeitverlauf zu erkennen.
M2 A1 A2 A3 A4
M1 A1 A2 A3 A4
0 1 3 5 7 9 11 12 t
Auftragsbearbeitung Leerstand
Lager-
bestand
4
3
2
1
0 1 3 5 7 9 11 12 t
Lager 1 Lager 2 Lager 3
Es stellt sich die Frage, ob diese Maschinenbelegung optimal ist. Zur Beant-
wortung ist die Entscheidungssituation zu untersuchen. Dazu ist zu ermitteln,
262 Simulation und Warteschlangensysteme
leistet werden. Dies ist etwa der Fall, wenn die Zahl der möglichen Alternativen
gering ist und für jede Alternative mittels Simulation die Zielausprägung hinsicht-
lich des einzigen vorliegenden Ziels bestimmt wird. Eine derartige vollständige
Enumeration verbietet sich meist aus Aufwandsgründen. Sind mathematische
Eigenschaften des Zielkriteriums über dem relevanten Alternativenraum bekannt,
wie etwa Monotonie, lässt sich unter Umständen auch aus vielen Alternativen eine
optimale mittels Simulation feststellen. Beispiel einer derartigen Optimierung ist
die Ermittlung der minimalen Anzahl von Kassen, mit der ein vorgegebenes
Serviceniveau, z. B. durchschnittliche Wartezeit höchstens 5 Minuten, erreicht
wird. Jede Simulation analysiert eine Alternative, also eine bestimmte Kassenan-
zahl, hinsichtlich ihrer Erreichung des Servicegrades. Die geringste Zahl von
Kassen, die das Kriterium gerade noch erfüllt, ist optimal. Diese kann durch
Simulation weniger Alternativen ermittelt werden, die geschickt aufgrund der
Monotonie des Zielkriteriums gewählt werden können. Sind viele Handlungsalter-
nativen zulässig, wird Simulation häufig in Verbindung mit Heuristiken einge-
setzt, die die zu untersuchenden Alternativen bestimmen. Auf die Optimalität wird
zugunsten einer Reduktion des Rechenaufwands verzichtet, wobei durch ein
geeignetes Vorgehen möglichst gute Ergebnisse angestrebt werden. Mittels
Simulation werden für die durch die Heuristik festgelegten Handlungsalternativen
die relevanten Ergebnisse ermittelt. Teilweise lässt sich durch weitere Untersu-
chungen feststellen, wie groß die Abweichung von einem optimalen Ergebnis
höchstens sein kann.
M2 A2 A1 A3 A4
M1 A2 A1 A3 A4
0 5 10 12 t
M2 A2 A3 A1 A4
M1 A2 A3 A1 A4
0 5 10 12 t
Für eine derartige Anwendung kann die Qualität des erreichten Ergebnisses
abgeschätzt werden. Die Gesamtdurchlaufzeit ist mindestens so lang wie die
Summe der Bearbeitungsdauern auf einer Maschine zuzüglich der kürzesten
Bearbeitungsdauer eines Auftrags auf der anderen Maschine. Im Beispiel ist die
Bearbeitungsdauer auf M 1 10 ZE, zuzüglich 1 ZE von A3 auf M 2 , also mindes-
tens 11 ZE. Für die zweite Maschine ist die Bearbeitungsdauer aller Aufträge
9 ZE, dazu kommt mindestens 1 ZE für A2 auf M1 . Damit sind 11 ZE eine untere
Schranke für die Gesamtdurchlaufzeit, die jedoch häufig nicht erreichbar ist. In
diesem Beispiel weist die Reihenfolge A2 , A1 , A4 , A3 eine Gesamtdurchlaufzeit
von 11 ZE auf. Da aufgrund der Abschätzung mit Sicherheit keine kürzere Ge-
samtdurchlaufzeit existieren kann, ist diese Maschinenbelegung optimal.
M2 A2 A1 A4 A3
M1 A2 A1 A4 A3
0 5 10 12 t
Eine so ermittelte untere Schranke kann nicht in jedem Fall durch die optimale
Lösung erreicht werden, wie das folgende Beispiel zeigt.
Beispiel Auftragseinlastung
Vier Aufträge sind auf zwei Maschinen nacheinander zu produzieren. Die Produk-
tionszeiten sind folgender Übersicht zu entnehmen:
Deterministische Simulation 265
A1 A2 A3 A4
M1 2 1 5 3
M2 2 4 3 3
M2 A2 A1 A4 A3
M1 A2 A1 A4 A3
0 5 10 14 t
Homo- Silo
geni- Trock-
Versand LKW
sierungs- ner
bunker
Reaktor
Verpackung
Extruder
Absack- (Absack-
bunker straße/Abfüll-
anlage)
einige Stunden lang getrocknet. Die Teilanlagen der Polymerisation und der
Konfektionierung sind vielfältig miteinander verknüpft.
In der Stufe Lager/Verpackung/Versand besteht die Möglichkeit, die erzeugten
Produkttypen in einem von 56 Silos zu lagern und anschließend direkt aus den
Silos an den Kunden per Silo-LKW zu versenden. Wünscht ein Kunde seine Ware
dagegen verpackt in Blocksäcken oder Achteckbehältern, wird das Granulat im
Anschluss an die Konfektionierung in einen der 26 Absackbunker und danach
über eine der drei Absackstraßen für Blocksäcke oder eine der drei Abfüllanlagen
für Achteckbehälter geleitet. Die Umstellung der Absackstraßen und der Abfüllan-
lagen auf einen anderen Produkttyp erfordert eine nur geringe Umrüstzeit. Jedoch
können aufgrund technischer und personeller Restriktionen nicht alle Absackstra-
ßen und Abfüllanlagen zeitgleich betrieben werden. Zudem besteht die Möglich-
keit, das Granulat zunächst in einem der 56 Silos zu lagern und zu späteren Zeit-
punkten in der Absackstraße oder Abfüllanlage zu verpacken. Reichen die Silos
kapazitiv oder aufgrund der Produkttypenvielfalt für eine lose Lagerung der
Granulate nicht aus, sind diese zu verpacken, zwischenzulagern und vor dem
Versand wieder in die Silos zu füllen, was auf Grund der entstehenden Kosten
möglichst zu vermeiden ist.
Alle Kundenaufträge sollten erfüllt werden, wobei die Kapazitätsauslastung zu
maximieren ist und die Lagerbestände und die Terminabweichungen zu minimie-
ren sind. Diese Ziele stehen in Konflikt miteinander, sodass ein geeigneter Kom-
promiss gefunden werden muss.
Insbesondere aufgrund der Problemkomplexität erwies sich ein optimierender
Ansatz als nicht geeignet. Vielmehr wurde ein simulationsbasiertes Produktions-
planungssystem entwickelt, dessen Kern die zeitdynamische Nachbildung des
realen Produktionssystems ist. Das Wissen über das reale Produktionssystem mit
seiner komplexen Struktur und den erfolgreichen Vorgehensweisen, welches in
der Unternehmung in den Köpfen verschiedener Experten verteilt vorhanden ist,
wurde in einem iterativen Prozess ermittelt und in einem Simulationsmodell mit
Visualisierung zusammengefasst. Mit Hilfe der Visualisierung kann das Modell
jederzeit von Anwendungsexperten auf Übereinstimmung mit der Realität nach-
vollzogen werden und es ergeben sich neue Einblicke in das Produktionssystem
und die ablaufenden Produktionsprozesse.
Dieses System unterstützt den Disponenten bei der Bestimmung einer guten
Anlagenbelegungsplanung über alle Produktionsstufen hinweg, indem Teilbele-
gungen umgesetzt und regelbasiert Vorschläge für weitere Produktionsstufen
entwickelt und hinsichtlich Kapazitätsauslastung, Lagerbeständen und Durchlauf-
zeit bewertet werden.
Die Entwicklung des Simulationsmodells erfolgte unter Verwendung der Simu-
lationssoftware WITNESS®, einem ereignisorientierten Simulationssystem zur
Erstellung von diskreten oder kontinuierlichen Modellen, das mit vorgefertigten
Modellkomponenten ausgestattet ist, die hauptsächlich auf den Bereich Produkti-
on und Logistik zugeschnitten sind. Diese Modellkomponenten wurden an die
vorgegebenen Bedingungen angepasst und geeignet miteinander verbunden. Auf
Deterministische Simulation 269
diese Weise lässt sich auf einem PC der gesamte Produktionsablauf modellieren
und untersuchen. Ein Simulationslauf für die Bestimmung eines Produktionspro-
zessplans für einen Monat benötigt etwa 15 min. auf einem PC. Meist sind mehre-
re Simulationsläufe mit geänderter Auftragsreihenfolge erforderlich, bis hinsicht-
lich der verschiedenen Zielkriterien ein akzeptabler Kompromiss gefunden wird.
Durch den Einsatz dieses Produktionsplanungssystems lassen sich erhebliche
Verbesserungen der operativen Planung erzielen, so konnte auf Auslagerungen
weitgehend verzichtet und eine Produktionssteigerung erreicht werden. Bei den
strategischen Erweiterungsentscheidungen wurde wertvolle Unterstützung geleis-
tet, indem das Zusammenwirken verschiedener Anlagenkonfigurationen unter-
sucht und die Ergebnisse quantifiziert wurden. Selbst Auswirkungen von Absatz-
strategien sind mit einem derartigen Simulationssystem ermittelbar. Weiter-
führende Untersuchungen konnten eindrucksvoll belegen, dass generelle Lagerre-
striktionen wie „die maximale Lagermenge darf den zweifachen Monatsabsatz
nicht übersteigen“ aufgrund der dadurch bedingten hohen Rüstkosten nicht zu
optimalen Gesamtlösungen führen. Eine detaillierte Beschreibung dieses Projekts
geben Werners et al. (1999) und Werners (2002), weiterführende Verbesserungen
mittels evolutionärer Algorithmen, also speziellen, naturanalogen Heuristiken,
führt Garus (2000) aus, während Steude (2003) allgemein den Einsatz von Pro-
duktionsplanungssystemen auf Basis von Simulationen behandelt.
Die Verbesserung von Optimierungsalgorithmen und fortgeschrittenen Heuris-
tiken führt zu einer zunehmenden Verbreitung quantitativer Methoden auch in der
Prozessindustrie. Weitere Anwendungsbeispiele dort beschreiben etwa Grunow et
al. (2002), Neumann et al. (2002), Kallrath (2002) und Gracia-Flores u. Wang
(2002).
7.1.3 Aufgaben
Aufgabe 7.1.1
Der Produktionsunternehmung OptiProd AG liegen derzeit 5 Aufträge vor, denen
vom Vertrieb die jeweiligen Kundenprioritäten (1 höchste, 5 niedrigste) zugeord-
net wurden. Die Aufträge werden zunächst auf Anlage 1 und dann auf Anlage 2
bearbeitet. Auf jeder Anlage kann zeitgleich nur jeweils ein Auftrag gefertigt
werden. Vor und zwischen den Anlagen sind ausreichende Lagerkapazitäten
vorhanden.
Führen Sie eine zeitorientierte Simulation der Auftragsbearbeitung durch. Ver-
wenden Sie für die Reihenfolgeplanung der Bearbeitung die Kundenprioritätsre-
gel, bei der jeweils derjenige Auftrag mit der höchsten Kundenpriorität als nächs-
tes bearbeitet wird. Geben Sie alle Zeitpunkte an, zu denen sich der Systemzu-
stand ändert. Ermitteln Sie die Gesamtdurchlaufzeit der Aufträge sowie die
Auslastung der Anlagen.
Die Bearbeitungsdauern sowie die Kundenprioritäten sind der folgenden Tabel-
le zu entnehmen:
270 Simulation und Warteschlangensysteme
A1 A2 A3 A4 A5
Anlage 1 3 1 4 1 2
Anlage 2 1 1 1 4 4
Kundenpriorität 1 4 2 3 5
Aufgabe 7.1.2
In einem Stahlwalzwerk liegen vier Aufträge A1 ,..., A4 vor, deren Bearbeitung
einzuplanen ist. Zunächst werden die aus dem Stahlwerk kommenden heißen
Brammen zu dünnen Blechen gewalzt und anschließend mit einer Zinkschicht
legiert. Als besondere Dienstleistung bietet die Unternehmung ihren Kunden an,
die verzinkten Bleche mit einem Farblack zu versehen. Die Dauern der Arbeits-
vorgänge in der Walzstraße hängen von der Dicke des Bleches ab. Je länger ein
Blech gewalzt wird, desto dünner wird es. Die für die Lackierung notwendige Zeit
ist von der gewünschten Farbe abhängig. Der Vorgang für die Verzinkung dauert
immer eine Zeiteinheit. Die Anforderungen der anstehenden Aufträge enthält die
folgende Übersicht:
A1 3 Weiß
A2 1 Schwarz
A3 2 Grün
A4 3 Rot
Bearbeitungsdauer Bearbeitungsdauer
Dicke Farbe
Walzstraße (ZE) Lackiererei (ZE)
1 4 Schwarz 2
2 3 Weiß 3
3 2 Rot 1
Grün 1
Deterministische Simulation 271
Aufgabe 7.1.3
Einer Produktionsunternehmung liegen fünf Aufträge A1 ,..., A5 mit den jeweils
vereinbarten Lieferterminen LT vor. Die Bearbeitung der Aufträge erfolgt zu-
nächst auf Maschine M 1 , anschließend auf Maschine M 2 . Die Bearbeitungsdauern
sowie die Liefertermine sind der folgenden Übersicht zu entnehmen. Die Ausliefe-
rung erfolgt zum Liefertermin oder bei Verzögerung unmittelbar nach Fertigstel-
lung.
A1 A2 A3 A4 A5
Maschine M 1 3 4 3 1 1
Maschine M 2 2 2 2 1 2
Liefertermin 8 12 9 7 5
Aufgabe 7.1.4
Der Schreinerei Optisäg liegen vier Aufträge vor. Zur Durchführung der Aufträge
ist zunächst die Bereitstellung und Vorbehandlung der Materialien durch den Aus-
272 Simulation und Warteschlangensysteme
zubildenden und anschließend die Fertigstellung und Montage durch den Meister
erforderlich. Sowohl Meister als auch Auszubildender wollen jeweils nicht mehre-
re Aufträge gleichzeitig bearbeiten. Eine Zwischenlagerung der Aufträge zwi-
schen den beiden Arbeitsschritten ist hingegen möglich. Die Dauern der Tätigkei-
ten sind der folgenden Tabelle zu entnehmen:
Auftrag
A1 A2 A3 A4
Arbeitsschritte
Bereitstellung + Vorbehandlung 3 2 4 1
Fertigstellung + Montage 1 2 2 3
Aufgabe 7.1.5.
Vorliegende 5 Aufträge A1 ,..., A5 sind jeweils zunächst auf Maschine 1, dann auf
Maschine 2 zu fertigen. Folgende Daten stehen zur Verfügung:
Bearbeitungszeiten
A1 2 2
A2 3 1
A3 1 3
A4 1 1
A5 3 1
dann:
A1 A2 A3 A4 A5
erst:
A1 - 1 2 3 4
A2 4 - 1 2 3
A3 4 4 - 1 2
A4 4 4 4 - 1
A5 4 4 4 4 -
Führen Sie je eine zeitorientierte Simulation zum Vergleich der beiden heuristi-
schen Vorgehensweisen durch. Ermitteln Sie daraus die Gesamtdurchlaufzeiten
und die gesamten Rüstzeiten im Vergleich.
a) Verwenden Sie die Heuristik “kürzeste Operationszeit“ auf der jeweiligen
Maschine. Bei gleicher Bearbeitungsdauer wird der Auftrag mit der kleineren
Auftragsnummer (z. B. A3 vor A4 ) vorgezogen.
b) Bearbeiten Sie, beginnend mit A1 , den Auftrag mit der geringsten Rüstzeit.
Beispiel Roulette
An einem Roulette in Monte Carlo kann die Kugel in eines der 37 Felder fallen,
sodass die entsprechende Zahl und die Kombinationen wie gerade, schwarz usw.
gewinnen. Die Wahrscheinlichkeit für jedes Feld ist gleich und beträgt 137 . Jedes
Spiel ist ein Zufallsexperiment, bei dem eine Realisation eintritt. Bei vielen
274 Simulation und Warteschlangensysteme
Spielen nähert sich die beobachtete relative Häufigkeit des Eintreffens der jeweili-
gen Zahl bzw. Kombination zunehmend der theoretischen Wahrscheinlichkeit an.
Ausreichend häufige Beobachtungen der zufallsabhängigen Ereignisse lassen
Aussagen über die zugrunde liegende Verteilung zu. Im Rahmen einer Simulation
werden derartige Experimente am Modell durchgeführt.
Beispiel Postschalter
Es ist zu untersuchen, ob die durchschnittliche Wartezeit an einem Postschalter
ausreichend kundenfreundlich ist. In einer vorhergehenden Untersuchung ist
festgestellt worden, dass die Zeit zwischen den ankommenden Kunden zufällig
von 1 bis 5 Minuten schwankt, wobei jede der (gerundeten) Zwischenankunftszei-
ten gleich wahrscheinlich ist. Die Bedienung nimmt im Mittel 2 Minuten in
Anspruch, auch hier sind Schwankungen zu beobachten, sodass sich die Kunden
mit jeweils gleicher Wahrscheinlichkeit 1, 2 oder 3 Minuten am Schalter aufhal-
ten. Ist der Schalter besetzt, warten die neu ankommenden Kunden in einer Warte-
schlange, aus der der jeweils nächste Kunde aufgerufen wird. Die Bedienung
erfolgt also in der Reihenfolge des Eintreffens nach dem FIFO-Prinzip „first in –
first out“. Die beschriebene Situation ist ein spezielles Warteschlangensystem und
kann durch ein entsprechendes Modell abgebildet werden.
Bedienstation
Wahrschein- Verteilung
lichkeit f (x) F (X)
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
Abstand Abstand
0 1 3 5 in min 0 1 3 5 in min
Wahrschein- Verteilung
lichkeit f (x) F (x)
1 1
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
Bediendauer Bediendauer
in min 0 1 3 5 in min
0 1 3 5
1 1 1 1 1 2
2 3 4 3 4 7
3 2 6 2 6 9 1
4 5 11 2 8 13
5 4 15 3 11 18
6 1 16 3 14 21 2
7 3 19 1 15 22 2
8 2 21 3 18 25 1
9 2 23 3 21 28 2
10 5 28 2 23 30
11 4 32 2 25 34
12 1 33 1 26 35 1
13 3 36 2 28 38
14 3 39 2 30 41
15 1 40 1 31 42 1
16 1 41 1 32 43 1
17 4 45 2 34 47
18 5 50 2 36 52
19 3 53 3 39 56
20 5 58 2 41 60
21 4 62 3 44 65
22 1 63 3 47 68 2
23 2 65 2 49 70 3
24 2 67 1 50 71 3
25 1 68 2 52 73 3
Tabelle 7.3 enthält die zufällig erzeugten Daten von zges = 25 Kunden. ai be-
zeichnet die Zeit, die zwischen dem Eintreffen von Kunden i − 1 und Kunden i
verstreicht, bi die Bediendauer für Kunden i . Diese Zeiten werden gemäß der
abzubildenden Verteilung zufällig generiert, die anderen Daten werden daraus
abgeleitet. ti wird errechnet als Zeitpunkt, zu dem Kunde i das System betritt
und sich ggf. der Warteschlange anschließt, ti = ti −1 + ai . Zur späteren Ermittlung
der gesamten Bedienzeit bges wird für jeden Kunden i seine Bedienzeit zu der
bisherigen Bedienzeitsumme addiert. Der Zeitpunkt, zu dem Kunde i den Post-
schalter verlässt, wird mit fi = max {ti ; fi −1} + bi angegeben. Nachdem 25 Kunden
die Bedienstation verlassen haben, ist f 25 = t ges die gesamte beobachtete Zeit. wi
gibt die Wartezeit des Kunden i an, wges die summierte Wartezeit.
Die durchgeführte Simulation ergibt, dass die beobachtete Auslastung ρ des
Postschalters als Quotient der gesamten Bedienzeit durch die Gesamtzeit
bges gesamte Bedienzeit
ρ= = = 0, 712
t ges Gesamtzeit
beträgt. Eine Auslastung von hier 71,2 % bedeutet, dass der Postschalter nur
während 71,2 % der betrachteten Zeit die 52 Kunden bediente bzw. während
28,8 % der Zeit nicht tätig war. Damit ist die Auslastung relativ gering. Jedoch ist
der Servicegrad sehr hoch, denn die meisten Kunden warten nur kurz, wie folgen-
de Ergebnisse zeigen. Die mittlere Wartezeit pro Kunde w und die mittlere
Schlangenlänge s ergeben sich zu
wges
w= = 0,88 [ min ./ Pers.] bzw.
z ges
wges
s= ≈ 0,30 [ Pers.]
t ges
lauf beobachtet und ihre Konsequenzen festgehalten. Die Dynamik des Modells ist
durch die Kette von Ereignissen E1 , E2 ,... und die zwischen diesen liegenden
Zeiten beschrieben. Der Ablauf dieser Ereignisse ist für eine Simulation zu steu-
ern. Die Ablaufsteuerung kann zeitorientiert erfolgen, d. h., in festen Zeitabstän-
den wird festgestellt, welche Ereignisse inzwischen eingetreten sind und welche
Konsequenzen sich daraus ergeben.
E1 E2 E3 E4 E5 E6
Modellzeit
T1 T2 T3 T4 T5 T6 T7
Bei kurzen zeitlichen Abständen ist der Aufwand hoch, bei langen zeitlichen
Abständen sinkt die Genauigkeit und evtl. ist die korrekte Abfolge von Ereignis-
sen nicht sichergestellt. Eine weitere Möglichkeit stellt die ereignisorientierte
Ablaufsteuerung dar. Hier ist zu prüfen, welches Ereignis als nächstes eintritt, was
zu einer aufwändigen Ereignisverwaltung führen kann.
E1 E2 E3 E4 E5 E6
Modellzeit
T1 T2 T3 T4 T5 T6
Beispiel Postschalter
Die festen Elemente beschreiben die Struktur des Warteschlangensystems gemäß
Abb. 7.16.
Die Kunden als bewegliche Elemente durchlaufen dieses System. Die festen
Elemente wirken auf die Kunden ein, so erzeugt die Ankunft Kunden, die Warte-
schlange sammelt sie, der Schalter bedient sie und der Abgang entfernt sie aus
dem System. Da Ankunft und Bedienzeit zufällig schwanken, sind auch z. B. die
Länge der Warteschlange und der Zeitpunkt des Verlassens des Schalters zufällig.
Dazu werden jeweils umfangreiche Daten gesammelt.
Beispiel Maschinenbelegung
Die festen Elemente des Auftragsdurchlaufs sind Abb. 7.3 zu entnehmen. Die
beweglichen Elemente sind die Aufträge, die Lager und Maschinen durchlaufen.
Hier sind alle Daten bekannt, die Aufträge liegen vor. Bei vorgegebener Reihen-
folge stehen alle Ergebnisse, wie die Gesamtdurchlaufzeit, nach der Modellierung
bereits fest und müssen nur noch ermittelt und geeignet ausgegeben werden.
Linearer Kongruenzgenerator
y Mit der Berechungsvorschrift
xi +1 = (a ⋅ xi + c) mod m
1 Eine Division durch m würde dazu führen, dass der Wert 1 nicht angenommen wird.
Stochastische Simulation 281
Startwert x0 = 7 :
x1 = (3 ⋅ 7 + 2) mod 8 = 7...
Bei anderer Wahl der Parameter kann die maximal mögliche Anzahl unter-
schiedlicher Zahlen, nämlich m , tatsächlich angenommen werden und zwar un-
abhängig vom Startwert.
Parameter a = 5, c = 3, m = 23 = 8
Startwert x0 = 4:
x1 = (5 ⋅ 4 + 3) mod 8 = 7
x2 = (5 ⋅ 7 + 3) mod 8 = 6
x3 = (5 ⋅ 6 + 3) mod 8 = 1
x4 = (5 ⋅1 + 3) mod 8 = 0
x5 = (5 ⋅ 0 + 3) mod 8 = 3
x6 = (5 ⋅ 3 + 3) mod 8 = 2
x7 = (5 ⋅ 2 + 3) mod 8 = 5
x8 = (5 ⋅ 5 + 3) mod 8 = 4
Die Qualität von Zufallszahlengeneratoren wird bestimmt durch die Güte der
statistischen Eigenschaften der erzeugten Pseudozufallszahlenfolge und dem mit
ihrer Erzeugung verbundenen Aufwand. Wesentliche Anforderungen sind im
Folgenden zusammenfassend aufgeführt (siehe z. B. Law u. Kelton 2007, Liebl
1995):
y Da die Zufallszahlen einer in [ 0, 1] definierten Gleichverteilung entsprechen
sollen, sollte die Folge als Realisation einer Verteilung mit dieser Eigenschaft
auffassbar sein. Dies gilt nicht nur für die Folge in ihrer gesamten Länge, son-
dern auch jeweils einzelne Abschnitte der Folge sollten diese Eigenschaft besit-
zen.
y Die Zufallszahlenfolge sollte in dem Intervall [ 0, 1] eine möglichst hohe Beset-
zungsdichte aufweisen. Das bedeutet, dass zwischen den verschiedenen Zahlen
nur möglichst geringe Abstände auftreten sollten und zwar sowohl im Durch-
schnitt als auch maximal.
y Die Folge sollte sich wie zufällig erzeugt verhalten und aufeinander folgende
Elemente sollten voneinander unabhängig wirken. Insbesondere sollten keine
seriellen Autokorrelationen nachweisbar sein.
y Die Periodenlänge der erzeugten Zufallszahlenfolge sollte ausreichend groß
sein, dies hat auch Einfluss auf die Besetzungsdichte.
y Der Generator sollte effizient sein, d. h., die Zahlenfolge sollte schnell und mit
geringem Speicherbedarf erzeugbar sein.
282 Simulation und Warteschlangensysteme
y Die erzeugte Folge sollte einfach reproduzierbar sein. Dies ist besonders
bedeutsam zur Programmverifikation, jedoch auch für den Einsatz einiger vari-
anzreduzierender Methoden zum Vergleich unterschiedlicher Systeme von Inte-
resse. Bei Pseudozufallszahlenfolgen ist die Reproduzierbarkeit bei Kenntnis
der Parameter und des Startwertes grundsätzlich gegeben.
y Der Zufallszahlengenerator sollte portabel sein, damit auf verschiedenen
Rechnern identische Folgen erzeugt werden können.
y Es sollte die Möglichkeit bestehen, mehrere unterschiedliche Zufallszahlenfol-
gen zu erzeugen, zwischen denen keine Korrelationen bestehen.
Das Vorliegen der geforderten Eigenschaften kann zum Teil durch Anwendung
statistischer Tests überprüft werden. Insbesondere Tests auf Vorliegen einer
Gleichverteilung und die Tests auf Unabhängigkeit sind von Bedeutung. Außer-
dem sind der Literatur viele Ergebnisse zu entnehmen, die über die Qualität der
Zufallszahlengeneratoren bzw. der verwendeten Algorithmen informieren.
Aussagen über die Periodenlänge einer Zufallszahlenfolge lassen sich aus den
theoretischen Ergebnissen über die Eigenschaften des verwendeten Generators
ableiten. So gilt der folgende Satz (Knuth 2007, Mathar u. Pfeifer 1990).
y Die Periodenlänge der Zufallszahlenfolge eines linearen Kongruenzgenerators
xi +1 = (a ⋅ xi + c ) mod m ist gleich dem Modul m genau dann, wenn gilt
c und m sind teilerfremd,
a mod p = 1 für alle Primfaktoren2 p von m und
a mod 4 = 1 , wenn 4 Teiler von m ist.
Beispiel
Der lineare Kongruenzgenerator mit den Parametern a = 5, c = 3, m = 23 = 8
erfüllt diese Bedingungen, da 3 und 8 teilerfremd sind, 5 mod 2 = 1 für den
einzigen Primfaktor 2 von 8 ist und 5 mod 4 = 1 gilt. Letzteres ist zu prüfen, da 4
Teiler von 8 ist. Wie die Berechnungen zeigen, ist die Periodenlänge 8 = m .
Wählt man a und c wie vorher und m = 2 k für beliebiges k , sind die Eigen-
schaften ebenfalls erfüllt und eine entsprechend große Periodenlänge ist erreich-
bar, z. B. für 210 = 1.024 oder 220 = 1.048.576
Verteilungen
Für die Modellierung von Zufallsphänomenen sind einige Standardverteilungen
besonders geeignet, da sie bestimmte Gegebenheiten repräsentieren und nach
Ermittlung weniger charakteristischer Parameter angebbar sind. Im Zusammen-
2 Ein Primfaktor von m ist eine Primzahl, die Teiler von m ist.
Stochastische Simulation 283
Diskrete Zufallsvariable
Eine diskrete Zufallsvariable X liegt dann vor, wenn X nur endlich oder abzähl-
bar unendlich viele Werte {x1 ,..., xn ,..} annehmen kann, jeweils mit einer Wahr-
scheinlichkeit pi , i = 1,...,n,..., wobei die Summe aller pi gleich 1 ist. Man nennt
X dann auch diskret verteilt. Die zugehörige Verteilungsfunktion weist an den
Stellen xi Sprünge der Höhe pi auf und ist dazwischen konstant. Daher wird sie
gelegentlich auch als Treppenfunktion beschrieben.
Die Funktion f : R → [0,1] mit
⎧ p falls x = xi
f ( x) = P ( X = x) = ⎨ i
⎩0 sonst
F(x) = P( X ≤ x) = ∑ f (x ) = ∑ p
i
i
i
i .
xi ≤ x xi ≤ x
Beispiel
Beim Würfeln mit einem gleichmäßigen Würfel kann jede der Augenzahlen von 1
bis 6 mit gleicher Wahrscheinlichkeit 1/6 eintreffen. Dies lässt sich durch eine
diskrete Zufallsvariable X abbilden, die durch folgende Wahrscheinlichkeits-
funktion charakterisiert ist:
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0.0 0.0
0 1 2 3 4 5 6 0 1 2 3 4 5 6
f (x) F (x)
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
-2 -1 0 1 2 3 -2 -1 0 1 2 3
∑ [ xi − E ( x)] ∑[ x − E ( x) ] pi .
2 2
V (X ) = f ( xi ) = i
i =1 i =1
Direkte Transformation
Durch direkte Transformation lässt sich eine endliche, diskrete Verteilung, für die
die Ausprägungen xi , i = 1,...,k jeweils mit Wahrscheinlichkeit pi angenommen
werden, aus einer in [ 0, 1] gleichverteilten Zufallszahlenfolge generieren. Der
funktionale Zusammenhang wird hier durch die folgende, stückweise definierte
Funktion g hergestellt:
⎧ x1 für 0 ≤ u < p1
⎪x für p1 ≤ u < p1 + p2
⎪ 2
⎪ .
g (u ) = ⎨ .
⎪ .
⎪ k −1 k
⎪ xk
⎩
für ∑p
i =1
i ≤ u ≤ ∑p
i =1
i = 1.
Beispiel
Die Schulnoten 1 bis 5 werden in einer Klausur erfahrungsgemäß mit folgenden
Wahrscheinlichkeiten erreicht:
3 Betrachtet wird hier nicht die Ausnahmesituation, dass die Summenfolge nicht kon-
vergiert.
286 Simulation und Warteschlangensysteme
Note 1 2 3 4 5
In Abb. 7.19 ist die Aufteilung des Intervalls [ 0 ,1] in entsprechende Abschnitte
dargestellt. Jeder Standardzufallszahl u wird eine Schulnote entsprechend der
zugrunde liegenden diskreten Verteilung zugeordnet.
x=4
xi: 1 2 3 4 5
⎧0 x<a
⎧ 1 ⎪x−a
⎪ a≤ x≤b ⎪
f ( x) = ⎨ b − a F ( x) = ⎨ a≤ x≤b
⎪⎩0 sonst ⎪b − a
⎩⎪1 sonst
Stochastische Simulation 287
f (x) F (x)
1 1
0,8
0,6
1 0,4
b-a
0,2
x x
0 a b 0 a b
Beispiel
Die Kunden treffen gleichverteilt alle 1 bis 5 Minuten an einer Bedienstation ein.
Die „zufällige“ Ankunftszeit der nächsten 6 Kunden ist zu generieren. Mittels des
linearen Kongruenzgenerators mit den Parametern a = 5 , c = 3 , m = 8 werden die
Zahlen 6, 1, 0, 3, 2, 5 erzeugt. Division durch 7 ergibt die Pseudozufalls-
zahlenfolge 6 7 , 17 , 0, 37 , 2 7 , 5 7 im Intervall [ 0 ,1] . Die Zuordnungsvorschrift
g (u ) = 1 + (5 − 1) ⋅ u liefert die auf eine Nachkommastelle gerundeten Zwischenan-
kunftszeiten a1 = 4 , 4 , a2 = 1, 6 , a3 = 1 , a4 = 2 ,7 , a5 = 2,1 , a6 = 3,9 . Daraus
ergeben sich die „zufälligen“ Ankunftstermine t1 = 4, 4 , t2 = 6 , t3 = 7 , t4 = 9, 7 ,
t5 = 11,8 und t6 = 15, 7 .
Normalverteilung N ( μ , σ 2 )
Die Normalverteilung modelliert Situationen, in denen geringe Abweichungen
von einem Erwartungswert häufig und große Abweichungen selten sind. Sie ist
durch die beiden Parameter μ und σ eindeutig bestimmt, die Erwartungswert
bzw. Standardabweichung der Normalverteilung sind. Die Dichtefunktion lautet
288 Simulation und Warteschlangensysteme
2
1 ⎛ x−μ ⎞
1 − ⎜ ⎟
2⎝ σ ⎠
f ( x) = e für alle x ∈ R .
σ 2π
Die Dichtefunktionen lassen sich in Form von so genannten Glockenkurven
darstellen, die für unterschiedliche Erwartungswerte und Standardabweichungen
durch Lage und „Breite“ voneinander abweichen. Abb. 7.21 zeigt die Dichtefunk-
tion der Normalverteilungen N (1,1) , N (1,22 ) und N (1,32 ) im Vergleich.
0.5 N (1, 1)
N (1, 22)
N (1, 3 2)
-7 -5 -3 -1 1 3 5 7
11 1
1
0.5
0,5
N(0, 1) 0.5
5
0,
0
-4 -3 -2 -1 0 1 2 3 4 -4 -3 -2 -1 0 1 2 3 4
⎛ x−μ ⎞
FN ( μ ,σ 2 ) ( x) = Φ ⎜ ⎟.
⎝ σ ⎠
Tabelle 7.4 enthält die Werte der Verteilungsfunktion Φ , die mittels Mathema-
tica 3.01® ermittelt wurden. Beispielhaft wird das Ablesen eines Wertes erläutert.
Soll die Wahrscheinlichkeit ermittelt werden, dass die Realisation einer standard-
normalverteilten Zufallsvariablen kleiner oder gleich dem Wert 1,42 ist, also der
Wert der Verteilungsfunktion an der Stelle 1,42, wird dieser als Schnittpunkt der
Zeile 1,4 mit der Spalte 0,02 abgelesen: Φ (1, 42 ) = 0, 9221 . Die Wahrscheinlich-
keit, dass der Wert 1,42 unterschritten wird, ist demnach 92,21 %.
Umgekehrt lässt sich der Wert ermitteln, der durch eine Realisation der Stan-
dardnormalverteilung mit Wahrscheinlichkeit 0,9515 unterschritten wird. 0,9515
steht im Schnittpunkt von 1,6 und 0,06, also ist Φ(1,66)=0,9515. Der Wert, der
mit einer Wahrscheinlichkeit von 95,15 % unterschritten wird, ist folglich 1,66.
Auf Grundlage einer Normalverteilung lassen sich Ergebnisse von Simulations-
studien bei Vorliegen entsprechender Voraussetzungen hinsichtlich ihrer Genau-
igkeit abschätzen.
Exponentialverteilung Ex(λ)
Mit der Exponentialverteilung kann häufig die Wartezeit zwischen je zwei Ereig-
nissen oder eine technische Lebensdauer beschrieben werden. Sie ist eindeutig
durch ihren Erwartungswert bestimmt.
Die Dichte- und die Verteilungsfunktion lauten
⎧λ ⋅ e − λ x x≥0 ⎧1 − e − λ x x≥0
f ( x) = ⎨ F ( x) = ⎨
bzw.
⎩0 sonst ⎩0 sonst
1 1
Erwartungswert und Varianz sind μ = bzw. σ 2 = 2 .
λ λ
6 1
Ex(6) λ =6
5 0,8
4
0,6
3
2 0,4 λ =3
Ex(3)
1 0,2
0 0
0 0,2 0,4 0,6 0,8 1 0 0,2 0,4 0,6 0,8 1
Poissonverteilung P(λ)
Die Poissonverteilung ist eine diskrete Verteilung und zur Beschreibung des
Auftretens seltener Ereignisse geeignet. Sie ist ebenfalls eindeutig durch ihren
Erwartungswert bestimmt.
Stochastische Simulation 291
Intervallschätzung
Da ein unbekannter Parameter einer Grundgesamtheit aufgrund einer Stichproben-
erhebung nicht exakt ermittelbar ist, was entsprechend auch für die Ergebnisse
einer Simulationsstudie gilt, soll mittels einer Intervallschätzung ein Intervall
bestimmt werden, in dem der unbekannte Parameter der Grundgesamtheit mit
einer vorgegebenen Wahrscheinlichkeit liegt. Ein derartiges Intervall wird als
Konfidenzintervall bezeichnet. Die Wahrscheinlichkeit, dass der wahre Wert in
292 Simulation und Warteschlangensysteme
⎡x − c ⋅σ , x + c ⋅σ ⎤.
⎣ n n⎦
Man kann dann davon ausgehen, dass der unbekannte Erwartungswert mit
Wahrscheinlichkeit 1 − α in diesem Intervall liegt. Eine Verschärfung des Inter-
valls bei gegebenem Vertrauensniveau ist durch eine geeignete Erhöhung des
Stichprobenumfangs n möglich. Soll die Länge des Intervalls oder die Abwei-
chung vom Erwartungswert einen bestimmten vorgegebenen Wert L bzw. A nicht
überschreiten, kann der hierzu erforderliche Stichprobenumfang ermittelt werden
mit
2 2
⎛ 2 cσ ⎞ ⎛ cσ ⎞
n ≥ ⎜ ⎟ bzw. n ≥ ⎜ ⎟ .
⎝ L ⎠ ⎝ A ⎠
Direkt ableitbar ist, dass eine Halbierung der Länge des Konfidenzintervalls,
damit folglich eine Verdoppelung der Genauigkeit des Ergebnisses, mit dem
vierfachen Stichprobenumfang erreichbar ist.
Soll ein Konfidenzintervall für den Erwartungswert ermittelt werden, wenn die
Grundgesamtheit normalverteilt, die Varianz jedoch nicht bekannt, sondern
ebenfalls aus der Stichprobe zu schätzen ist, ist obiges Vorgehen zu modifizieren,
indem im zweiten Schritt das (1 − α 2 ) -Fraktil der Student-t-Verteilung mit
n − 1 Freiheitsgraden zu ermitteln ist. Weiterhin wird die unbekannte Standard-
abweichung σ der Grundgesamtheit durch die Schätzung s der Standardabwei-
chung aus der Stichprobe in allen betroffenen Formeln σ ersetzt mit
n
1
s =
n −1
∑ (x
i =1
i − x )2 .
et al. 2008). Daher wird hier auf die Student-t-Verteilung nicht weiter eingegan-
gen. Ist die Verteilung der Grundgesamtheit nicht bekannt, erhält man für n > 30
bei obigem Vorgehen für praktische Fälle meist ausreichend genaue Ergebnisse,
da aufgrund des zentralen Grenzwertsatzes dann mit ausreichender Genauigkeit
angenommen werden kann, dass der Mittelwert entsprechend normalverteilt ist.
Solche allgemeinen statistischen Aussagen werden zur Auswertung von Simu-
lationsstudien eingesetzt. Realisationen entsprechen Zufallsstichproben, sodass
Schätzungen und Tests damit durchgeführt werden können. Sollen mittels einer
Simulationsstudie Aussagen über einen unbekannten Erwartungswert abgeleitet
werden, kann dieser durch den Mittelwert der Ergebnisse der Realisationen
geschätzt und die Genauigkeit über das Konfidenzintervall angegeben bzw. gezielt
durch weitere Simulationsläufe gesteigert werden. Sollen zwei Alternativen, z. B.
drei oder vier Kassen, miteinander verglichen werden, ist die Abweichung der
beobachteten Ergebnisse, wie z. B. durchschnittliche Wartezeit der Kunden, zum
einen durch die unterschiedliche Kassenzahl und zum anderen durch die Zufällig-
keit der generierten Realisationen bedingt. Um aussagekräftige Ergebnisse mit
möglichst geringem Simulationsaufwand zu erzielen, sollten die für die Simulati-
on geeigneten Methoden zum Simulationsdesign und zur Auswertung eingesetzt
werden (u. a. Banks 1998, Bratley et al. 1987, Fishman 2001, Kleijnen 1987, Law
u. Kelton 2007, Liebl 1995, Pidd 2004 und Watson u. Blackstone 1989)
Die stochastische Simulation lässt sich sehr vielfältig in den verschiedenen An-
wendungsbereichen einsetzen. So kann die Untersuchung eines Produktionspro-
zesses zusätzlich stochastische Einflüsse berücksichtigen. Die vorgestellte An-
wendung in der Kunststoff verarbeitenden Industrie ließe sich etwa um zufällig
eintretende Störungen der Anlagen erweitern, für die dann Konsequenzen für den
Produktionsablauf ermittelt werden könnten, um den Kapazitätsreduktionen
begegnen zu können. Geschäftsprozesse lassen sich mittels stochastischer Simula-
tion untersuchen und verbessern (Völkner 1998, Völkner u. Werners 2000). Die
Projektsteuerung kann in risikobehafteten Situationen durch simulationsbasierte
Ansätze untersucht werden (Werners u. Wolf 2004, Wolf 2005). Eine Fülle
weiterer Anwendungen ist der Simulationsliteratur zu entnehmen.
Die Simulation wird häufig zur Untersuchung des Verhaltens von Warteschlan-
gensystemen verwendet, die in verschiedensten Anwendungssituationen zu finden
sind, wie etwa bei Callcentern, in der Produktion, in Service-Einrichtungen oder
im Gesundheitswesen. Zwischenankunft der Kunden und Bedienung durch die
Station in realen Warteschlangensystemen lassen sich oft durch Exponentialvertei-
lungen angemessen modellieren. Für solche und weitere Systeme wurden im Rah-
men der Warteschlangentheorie umfangreiche analytische Ergebnisse entwickelt,
von denen im Folgenden einige grundlegende vorgestellt werden. Vor Durchfüh-
rung einer Simulationsstudie sollte stets geprüft werden, ob analytische Methoden
294 Simulation und Warteschlangensysteme
verfügbar sind, die eine geschlossene, exakte Untersuchung erlauben. Diese sind
dann vorzuziehen, da Simulationsuntersuchungen sehr aufwändig sind, besonders
wenn präzise Ergebnisse mit ausreichender Genauigkeit gewünscht werden. Nur
wenn die Realität sich als so komplex erweist, dass analytische Modelle nicht
geeignet sind, sollte Simulation eingesetzt werden. Selbst dann sind Abschätzun-
gen aus analytischen Untersuchungen gröberer Modelle häufig wertvoll, um
sinnvolle Alternativen auszuwählen und durchzuführende Simulationsstudien
festzulegen.
Warteschlangensysteme
Warteschlangenmodelle werden in der Literatur klassifiziert, indem die jeweiligen
Eigenschaften in der Reihenfolge Ankunftsprozess, Bedienprozess, Anzahl der
Kanäle, Größe des Warteraums und Abfertigungsregel angegeben werden. Häufig
wird von einem beliebig großen Warteraum und der Abfertigungsregel FIFO
ausgegangen. Dies wird nicht extra angegeben und nur die drei ersten Merkmale
explizit erwähnt.
Praxisrelevant sind besonders (M, M, s) Systeme, wobei M für Markov-Prozess
steht und s die Anzahl der Bedieneinheiten darstellt. Ein Markov-Prozess ist durch
diskrete Zustände charakterisiert, deren Änderungen in exponentialverteilten
Zeitdauern erfolgen, die unabhängig von früheren Änderungen sind. Damit ist die
Zahl der Zustandsänderungen pro Zeiteinheit poissonverteilt. Im Folgenden
werden die Ergebnisse für s = 1 angegeben. Analytische Aussagen beziehen sich
auf den stationären Zustand des Systems, d. h. auf ein langfristig gleichmäßiges
Verhalten. Die Warteschlange vor einem Postschalter ist bei Eintreffen des ersten
Kunden leer und wird sich erst allmählich aufbauen. Nach einiger Zeit wird die
übliche Warteschlangenlänge zu beobachten sein, vorausgesetzt, die Bedienung
erfolgt ausreichend zügig. Nur dieses durchschnittliche Verhalten ist analytisch
erfasst. Mittels Simulation kann auch das Einschwingverhalten beobachtet wer-
den, jedoch ist ebenso zu beachten, dass diese erste Phase die durchschnittlichen
Ergebnisse beeinflusst.
Mit
Ankunftsrate λ
ρ= =
Abfertigungsrate μ
Leerzeiten können nur auftreten, wenn ρ < 1 ist. Nur in diesem Fall kann das
Warteschlangensystem (M, M, 1) einen stationären Zustand erreichen, anderen-
falls wird die Schlange immer länger. Für den stationären Zustand lassen sich u. a.
folgende Ergebnisse ermitteln. Die mittlere Zahl der Elemente im System ist
ρ λ
n= = .
1− ρ μ −λ
Die durchschnittliche Länge der Warteschlange (ohne Bedienung) ist
ρ2
nq = = ρ ⋅n.
1− ρ
Die durchschnittliche Anzahl nb der in Bedienung befindlichen Einheiten ist
nb = n − nq = ρ .
( 23 )
2
nq = = 4 3 = 1,33 .
1 − 23
15 ⋅ 30 min = 4 min .
2
Obwohl also der Postschalter nur zu ca. 67% ausgelastet ist, müssen die Kun-
den recht lange warten.
Hinsichtlich weiterer analytischer Ergebnisse der Warteschlangentheorie wird
auf die Literatur verwiesen (z. B. Chen und Yao 2001, Hillier und Lieberman
2002, Zimmermann und Stache 2001).
Risikoanalyse
Weit verbreitet ist die Simulation bei Untersuchungen im Rahmen des Risikoma-
nagements. Bekannt ist die von Hertz (1964) vorgeschlagene Risikoanalyse, für
die die Simulation zur Ermittlung des Risikoprofils eines Investitionsvorhabens
eingesetzt wird. Dazu werden die zufälligen Einflüsse, die die zukünftigen Ein-
und Auszahlungen des Investitionsprojekts beeinflussen, durch Expertenbefragun-
gen ermittelt und dann entsprechende zufällige Realisationen generiert. Daraus
werden jeweils die Zahlungsreihen und daraus die Realisationen der Kapitalwerte
berechnet und die Ergebnisse mittels des Risikoprofils der Investitionsalternativen
grafisch dargestellt. Das Risikoprofil entspricht 1 − F ( x) , wenn F ( x) die Vertei-
lungsfunktion des unsicheren Kapitalwertes ist, und ist für Nichtexperten anschau-
licher als die Verteilungsfunktion.
Stochastische Simulation 297
1-F (x)
1
0,8
0,6
0,4
0,2
Kapitalwert
0 1000 2000 3000 4000
Die Werte des Risikoprofils geben jeweils die Wahrscheinlichkeit an, einen
bestimmten Kapitalwert mindestens zu erreichen. So ist das Projekt, zu dem
obiges Risikoprofil ermittelt wurde, mit Sicherheit erfolgreich, da mit Wahr-
scheinlichkeit 1 der Kapitalwert größer oder gleich null ist. Mit 50%iger Wahr-
scheinlichkeit liegt der Kapitalwert sogar über 2.100. Zur Beurteilung der Vorteil-
haftigkeit mehrerer mit Risiko behafteter Investitionsalternativen im Vergleich
zueinander sind weiterführende, entscheidungstheoretisch fundierte Ansätze zu
berücksichtigen.
Beispiel Risikoprofil I1
Die Anlageninvestition I1 ist mit einer Zahlungsreihe beschreibbar, jedoch sind die
Einzahlungsüberschüsse zu den Zeitpunkten 1 bis 3 mit Unsicherheit behaftet. Es
kann davon ausgegangen werden, dass sie unabhängig voneinander gleichverteilt
in den angegebenen Intervallen schwanken, sodass die Zahlungen Z1 , Z 2 und Z 3
in den angegebenen Intervallen gleichverteilte Zufallsvariable sind.
Zeitpunkt t =0 t =1 t=2 t =3
Unter Einsatz der Simulation soll das Risikoprofil für diese Investition ermittelt
werden. Zur Illustration wird das Vorgehen wieder manuell mit sehr wenigen
Werten durchgeführt.
Zunächst werden 30 Zufallszahlen in [ 0 ,1] generiert mit dem linearen Kon-
gruenzgenerator
xi = (5 ⋅ xi −1 + 3) mod 64 .
298 Simulation und Warteschlangensysteme
Diese Folge wirkt wie zufällig auf den Zahlen von 0 bis 63 gleichmäßig ver-
teilt. Nach Division durch 63 resultiert eine gleichverteilte Pseudozufallszahlen-
folge in [ 0 ,1] . Alle folgenden Angaben sind auf 2 Stellen gerundet, die Berech-
nungen wurden sämtlich mit den exakten Werten durchgeführt:
0, 06; 0, 37; 0,86; 0, 27; 0,38; 0, 94; 0, 67; 0, 33; 0, 70; 0, 49;...
Reali-
Z1 Z2 Z3 K 01
sation
1 912,70 992,86 1083,97 364,67
2 973,02 969,05 899,84 261,49
3 1071,43 850,00 1198,25 476,77
4 953,97 864,29 1064,92 281,62
5 976,19 935,71 1210,95 470,57
6 1087,30 988,10 1128,41 552,86
7 1033,33 945,24 1122,06 463,61
8 966,67 1035,71 1090,32 453,92
9 1039,68 878,57 931,59 271,17
10 998,41 1007,14 950,63 354,22
Stochastische Simulation 299
Für jeweils eine Kombination von Ausprägungen zu den drei Zeitpunkten wird
nun der Kapitalwert mit einem Kalkulationszins von 10 % ermittelt. Eine Über-
sicht ist in Tabelle 7.5 zu finden:
K 01 = −2.100 + 912, 70 ⋅ (1,1) −1 + 992,86 ⋅ (1,1) −2 + 1083,97 ⋅ (1,1) −3 = 364, 67
1 - F (x)
0,8
0,6
0,4
0,2
Kapital-
wert
100 200 300 400 500
Da die Annäherung aufgrund der geringen Zahl der Simulationsläufe noch sehr
grob ist, werden die tatsächlichen Werte nicht unbeträchtlich von diesen abwei-
chen. Der mittels Simulation bestimmte durchschnittliche Kapitalwert für dieses
Vorhaben beträgt 395,09, die geschätzte Standardabweichung 56,96. Eine sehr
grobe Abschätzung des Konfidenzintervalls zeigt, dass der beobachtete mittlere
Wert von 395,09 mit 95 %iger Wahrscheinlichkeit nicht mehr als 35,30 vom
tatsächlichen Erwartungswert des Kapitalwertes abweicht. Dazu wurde eine
bekannte Standardabweichung vorausgesetzt, die tatsächlich geschätzt wurde, was
die mögliche Abweichung noch vergrößert.
Eine Fülle weiterer Einsatzgebiete der Simulation findet man in unterschied-
lichsten Anwendungsbereichen. So wird die Risikoanalyse auch in anderen
Einsatzgebieten häufig simulationsbasiert durchgeführt. Simulation wird auch zur
300 Simulation und Warteschlangensysteme
7.2.4 Aufgaben
Aufgabe 7.2.1
Der Pharmakonzern NitroBey beabsichtigt die Einführung eines neuartigen Medi-
kamentes zur Blutdrucksenkung. Die Forschungs- und Entwicklungsvorhaben im
Bereich der Pharmaindustrie unterliegen jedoch einem hohen Risiko, da sowohl
die technische Realisierung als auch die spätere Markteinführung sowie die
Akzeptanz des Produktes mit Unsicherheit behaftet sind. Daher verfolgt das
Management ein dreistufiges Vorgehen. Sobald eine Stufe nicht zufrieden stellend
abgeschlossen wurde, wird das gesamte Projekt abgebrochen. Die erreichten
Erkenntnisse sind dennoch von Wert für das Unternehmen. Die erste Stufe stellt
das Ende der Forschungstätigkeit dar und wird mit einer Wahrscheinlichkeit von
50 % positiv beendet. Daraus resultiert eine Wertsteigerung von 60.000 € ± 10 %.
Mit dem Ende der zweiten Stufe ist die Entwicklung des Medikamentes abge-
schlossen. Hierbei kommt es mit einer Wahrscheinlichkeit von 60 % zu einem
positiven Ergebnis und einer weiteren Wertsteigerung von 80.000 € ± 25 %. Nach
positiver Forschungs- und Entwicklungstätigkeit werden als dritte Stufe die
Markteinführung und der Absatz des Medikamentes während des ersten Jahres
betrachtet. Ein zufrieden stellendes Ergebnis wird mit einer Wahrscheinlichkeit
von 75 % erwartet, welches zu zusätzlichen Wertsteigerungen in Höhe von
450.000 € ± 25 % führen wird. Die voraussichtlichen Wertsteigerungen sind mit
Unsicherheit behaftet und liegen jeweils zwischen den Minimal- und Maximal-
werten. Sie sind durch eine stetige Gleichverteilung beschreibbar.
a) Geben Sie analytisch die Wahrscheinlichkeit für eine erfolgreiche Markteinfüh-
rung an.
b) Führen Sie manuell mehrere Simulationsläufe durch. Geben Sie zunächst die zu
verwendenden Transformationsfunktionen an. Verwenden Sie zur Bestimmung
der Eintrittswahrscheinlichkeiten bzw. Ergebnisverbesserungen der Reihe nach
sämtliche folgende in [0; 1] gleichverteilte, gerundete Pseudozufallszahlen:
0,3; 0, 7; 0, 6; 0,1; 0, 4; 0,8; 0,5; 0, 2; 0,9; 0,8; 0,3; 0, 7
Aufgabe 7.2.2
Der Student Felix Vorms beginnt mit der Literaturrecherche für seine Diplom-
arbeit im Fach Operations Research. Er wählt sich von zu Hause über das Internet
in den Katalog der Universitätsbibliothek ein und gibt die Daten der benötigten
Bücher ein. In 80 % der Fälle findet das System das gesuchte Buch und Felix
Stochastische Simulation 301
erhält die Information, wo das Buch verfügbar ist. Mit einer Wahrscheinlichkeit
von 40 % befindet sich das Buch in der Fakultätsbibliothek, zu 10 % in der Uni-
versitätsbibliothek und zu 50 % in einer Universität einer anderen Stadt. Als
nächstes prüft er die Verfügbarkeit der angezeigten Bücher an den jeweiligen
Standorten. Dabei stellt sich heraus, dass er 60 % der Bücher sofort ausleihen bzw.
einsehen kann, 35 % der Bücher bereits ausgeliehen sind und 5 % der Bücher
nicht aufzufinden und daher mit einem Vermisst-Vermerk versehen sind.
Erzeugen Sie sechs unterschiedliche, in dem Intervall [ 0, 1] gleichverteilte
(Pseudo-) Zufallszahlen unter Anwendung eines linearen Kongruenzgenerators.
Geben Sie für die drei Stufen des Suchprozesses eines Buches je eine geeignete
Transformationsfunktion an und setzen Sie die erzeugten Zufallszahlen ein, um
Realisationen der Literaturrecherche zu bestimmen. Führen Sie hierbei zwei
Simulationsläufe durch und geben Sie die Ergebnisse explizit an.
Wie groß ist die Wahrscheinlichkeit, dass Felix Vorms das gesuchte Buch in
der Fakultätsbibliothek findet und dort einsehen kann? Vergleichen Sie das analy-
tisch ermittelte Ergebnis mit dem der Simulation.
Aufgabe 7.2.3
Die Landesregierung in NRW plant, auf der Strecke Dortmund-Düsseldorf für ca.
3,5 Mrd. € den Metrorapid zu bauen. Dadurch soll die Reisezeit zwischen Dort-
mund und Düsseldorf von 57 Minuten mit bisherigen Zügen auf 39 Minuten
verkürzt werden. Gleichzeitig sollen jedoch die Regionalexpress-Linien RE 1 und
RE 11 Bielefeld-Düsseldorf sowie die Interregio-Linie IR 20 Erfurt-Düsseldorf
statt bis Düsseldorf nur noch bis Dortmund geführt werden. Kritiker bemängeln,
dass Zeitgewinne für diejenigen Fahrgäste, die aus der Richtung Bielefeld bzw.
Erfurt nach Düsseldorf reisen, aufgrund erforderlicher Umsteigezeiten in Dort-
mund nur marginal sind und daher eine derartige Investition nicht zu rechtfertigen
ist. Für Vorabüberlegungen zur Beratung politischer Gremien über die Reisezeiten
betrachten Sie den Zeitraum zwischen 12.00 h und 13.00 h eines beliebigen
Wochentags. Die Zahl der Fahrgäste, die pro Zug, RE 1, RE 11 oder IR 20, in
Dortmund ankommen und nach Düsseldorf weiterfahren, kann als diskret gleich-
verteilt im Intervall [50, 54] angesehen werden. Aussteiger für andere Städte, die
der Metrorapid bedienen soll, und Einsteiger in Dortmund werden nicht berück-
sichtigt.
Bielefeld
d RE 1
ur
g
n u m un
i sb se ch or tm RE 11
Du Es Bo D
Metrorapid
bisheriger Endbahnhof
für RE 1, RE 11, IR 20 geplanter Endbahnhof IR 20
für RE 1, RE 11, IR 20 Erfurt
Düsseldorf
302 Simulation und Warteschlangensysteme
Aufgabe 7.2.4
Die Simulation des folgenden Netzplans mit stochastischen, in den angegebenen
Intervallen gleichverteilten Dauern soll durchgeführt werden.
[ 2,3] [3, 4]
[5, 6]
Geben Sie die minimal bzw. maximal mögliche Dauer des zugrunde liegenden
Projektes an.
Ermitteln Sie ausgehend von den auf [ 0,1] gleichverteilten Zufallszahlen
0,4; 0,7; 0,5; 0,2; 0,3; 0,1; 0,9
eine Realisation des Projektes und die zugehörige Dauer.
Nach der Durchführung von 100 Simulationsläufen erhalten Sie für die Pro-
jektdauer den beobachteten Mittelwert 6,12 und die beobachtete Standardabwei-
chung 0,2. Wie genau ist der beobachtete Mittelwert? Sie wollen mit 95%iger
Sicherheit eine maximale Abweichung des unbekannten Erwartungswertes der
Projektdauer von Ihrem Simulationsergebnis von 0,01 erreichen. Geben Sie an,
wie viele Simulationsläufe dazu durchzuführen sind.
Stochastische Simulation 303
Aufgabe 7.2.5
Das Bahnbetriebswerk in Dortmund ist für die Wartung kompletter Hochge-
schwindigkeitszüge verantwortlich. Da teilweise sehr lange Wartezeiten bei der
Wartung entstehen, obwohl das Betriebswerk durchgehend arbeitet, werden
Untersuchungen zur Ermittlung möglicher Verbesserungsmaßnahmen durchge-
führt. Das Ankunftsverhalten der Züge kann durch eine Exponentialverteilung mit
einem Erwartungswert von 15 Stunden für die Zwischenankunftszeiten beschrie-
ben werden. Die Wartung je eines kompletten Zuges wird als exponentialverteilt
mit einer erwarteten Dauer von 12 Stunden angesehen. Es kann zeitgleich nur ein
Zug gewartet werden. Die Opportunitätskosten für einen Zug, der außer Betrieb
ist, betragen 250 GE je Stunde. Ermitteln Sie mit Hilfe warteschlangentheoreti-
scher Untersuchungen, wie hoch die mittlere Schlangenlänge und die mittlere
Wartezeit ist. Wie hoch sind die durchschnittlichen Opportunitätskosten pro Zug,
die allein aufgrund der Wartezeit anfallen?
Aufgabe 7.2.6
Beim Einwohnermeldeamt einer Kleinstadt im Sauerland bildet sich regelmäßig
eine Schlange vor der Personalausweisbearbeitungsstelle. Die Öffnungszeiten sind
vormittags von 10.00 Uhr bis 12.00 Uhr. Eine erste Untersuchung zeigt, dass das
Ankunftsverhalten der Kunden durch eine Poissonverteilung mit einer mittleren
Ankunftsrate von 1,5 Bürgern je 10 Minuten annähernd beschrieben werden kann.
Die Antragsbearbeitungsdauer durch den einzigen Sachbearbeiter kann als expo-
nential verteilt angenommen werden mit einem Mittelwert von 5 Minuten.
Geben Sie auf Grund warteschlangentheoretischer Überlegungen an, wie hoch die
Auslastung der Halbtagskraft ist, wie viele Bürger im Mittel warten müssen und
wie lang die mittlere Wartezeit ist.
Aufgabe 7.2.7
Der Supermarkt OptiSpar möchte die Servicefreundlichkeit an der Wursttheke
weiter erhöhen. Untersuchungen haben ergeben, dass das Ankunftsverhalten der
Kunden an der Wursttheke durch eine Poissonverteilung mit einer mittleren
Ankunftsrate von 3 Kunden je 15 Minuten annähernd beschrieben werden kann.
Der gesamte Bedienvorgang durch die einzige Fleischfachverkäuferin kann als
exponential verteilt angenommen werden mit einem Mittelwert von 3 Minuten.
Bestimmen Sie den prozentualen Anteil der Zeit, in der die Verkäuferin unbe-
schäftigt ist. Geben Sie die durchschnittliche Länge der Warteschlange vor der
Wursttheke und die durchschnittliche Wartezeit der Kunden an.
Aufgabe 7.2.8
Für ein Investitionsvorhaben wurde mittels Risikoanalyse in 400 Simulationsläu-
fen ein durchschnittlicher Kapitalwert von 350 GE beobachtet, die Standardab-
304 Simulation und Warteschlangensysteme
weichung der beobachteten Kapitalwerte beträgt 45. In welchem Bereich wird der
Erwartungswert des Kapitalwertes mit 95 %iger Wahrscheinlichkeit liegen? In
welchem mit 99 %iger Wahrscheinlichkeit? Müssen zur Sicherstellung einer
maximalen Abweichung von 1 % weitere Simulationsläufe durchgeführt werden?
8 Lösungen
1.2.1
1.2.2
a2 a1 , a2 a4 , a2 a3 , a4 a3 , d. h., die Alternative a2 wird von allen
anderen dominiert. Alternative a4 wird von a3 dominiert. Alternative a1 ist weder
mit a3 noch mit a4 vergleichbar. a1 und a3 sind undominiert, also effizient bez.
der betrachteten Menge von vier Alternativen, und kommen für eine Auswahl in
Betracht. Dennoch kann nicht argumentiert werden, dass a1 besser sei als a4 .
1.2.3
Als Ergebnis wird jeweils der Erlös abzüglich der fixen und variablen Kosten
bestimmt.
306 Lösungen
Nachfrage
100 200 400
Auflage
0 0 0 0
100 0 0 0
200 -100 100 100
400 -300 -100 300
Die Alternativen, nicht zu produzieren oder eine Auflagenhöhe von 100 festzu-
legen, sind vergleichbar und führen mit Sicherheit weder zu einem Gewinn noch
zu einem Verlust. Beide Alternativen sind mit den anderen beiden und diese auch
gegenseitig zunächst jeweils unvergleichbar. Da bekannt ist, dass der Verleger
risikoneutral ist, kann der Erwartungswert der Ergebnisse als Kriterium zur
Beurteilung der Handlungsalternativen herangezogen werden.
Beträgt die Wahrscheinlichkeit 1 3 für jeden Umweltzustand, so ist der erwar-
tete Gewinn des Verlegers für die Handlungsalternativen:
E (0) = 0, E (100) = 0, E (200) = 33, 3, E (400) = −33, 3
Damit sollte der risikoneutrale Verleger als Auflagenhöhe 200 wählen mit ei-
nem erwarteten Gewinn von 33, 3 GE. Es ist jedoch zu beachten, dass später trotz
guter Planung die ungünstige Situation eintreten kann, dass „Der Ring“ vorher
erscheint und der Verleger einen Verlust von 100 GE hinnehmen muss.
1.2.4
Zielvorstellungen beschreiben die Präferenzen bez. der mit der Wahl des Urlaubs-
ziels verbundenen Handlungskonsequenzen. Beispielsweise kann ein minimaler
Reisepreis und eine maximale Urlaubsbräune angestrebt werden.
Alle konkret buchbaren bzw. organisierbaren Urlaubsreisen während der Weih-
nachtszeit, wie z. B. achttägiger Aufenthalt auf Mallorca oder Gran Canaria mit
Flug und konkretem Hotel, stellen die zu wählenden Handlungsalternativen dar.
Umweltzustände haben einen Einfluss auf das Ergebnis, allerdings hat der Ent-
scheidungsträger keinen Einfluss auf die Umweltzustände. Mögliche Umweltzu-
stände sind in dieser Entscheidungssituation beispielsweise gutes bzw. schlechtes
Wetter auf Mallorca bzw. Gran Canaria und Verfügbarkeit günstiger Last-Minute-
Angebote.
Ergebnisse in der Entscheidungssituation sind die Konsequenzen je einer Hand-
lungsalternative bei Eintreten je eines Umweltzustands. Im Folgenden wird ein
Ausschnitt der Ergebnismatrix dargestellt. Da das Wetter auf Mallorca und Gran
Canaria voneinander abweichen kann, sind alle möglichen Kombinationen zu
berücksichtigen, also vier Umweltzustände. Die Preise für die Last-Minute-
Angebote werden als abhängig von der Nachfrage, die auch von den Wetterbedin-
Quantitative Entscheidungsunterstützung 307
Um eine gute Entscheidung treffen zu können, müssen der Nutzen der Ergeb-
nisse, die Artenpräferenz hinsichtlich der beiden Zielvorstellungen niedriger
Reisepreis und tiefe Bräune und die Unsicherheitspräferenz des Entscheidungsträ-
gers bekannt sein.
1.2.5
Wolfgang Optimax kann einen Betrag von x auf sein Sparbuch legen mit
0 ≤ x ≤ 10.000 . Den restlichen Betrag investiert er in optinische Staatsanleihen
mit 0 ≤ y ≤ 10.000 . Da ihm keine weiteren Alternativen zur Verfügung stehen,
muss gelten x + y = 10.000 bzw. x = 10.000 − y . Es sind zwei Umweltzustände
zu berücksichtigen: Optinische Staatsanleihen behalten ihren Wert mit 90 %iger
Wahrscheinlichkeit oder haben einen Wert von 0 mit 10 %iger Wahrscheinlich-
keit. Die „Ergebnismatrix“ lautet für die möglichen Handlungsalternativen
x ∈ [ 0;10.000] :
max
x∈[ 0, 10.000]
{0,9 ⋅ ( x ⋅1, 02 + (10.000 − x ) ⋅1,1) + 0,1⋅ ( x ⋅1, 02 )}
308 Lösungen
= max
x∈[ 0, 10.000]
{ x ⋅1, 02 + 0,9 ⋅1,1⋅ (10.000 − x )}
= max
x∈[ 0, 10.000]
{ x (1, 02 − 0,99 ) + 9.900}
Das Maximum wird für x = 10.000 angenommen, d. h., der gesamte Betrag sollte
auf das Sparbuch eingezahlt werden.
2.2.1
Die Anwendung des Simplexalgorithmus führt zu folgenden Tableaus:
8 28 0 0 0
x1 x2 s1 s2 s3 RS Θ
0 s1 1 2 1 0 0 54 27
0 s2 1 0 0 1 0 21 -
0 s3 0 1 0 0 1 33 33
Δz -8 -28 0 0 0 0
x1 x2 s1 s2 s3 RS
28 x2 0,5 1 0,5 0 0 27
0 s2 1 0 0 1 0 21
0 s3 -0,5 0 -0,5 0 1 6
Δz 6 0 14 0 0 756
Alle Werte der Δ z-Zeile im Endtableau sind nichtnegativ, das Endtableau lie-
fert also für dieses Modell eine optimale Lösung. Da alle Nichtbasisvariable echt
positive Werte aufweisen, ist diese Lösung die einzige optimale. Der erzielbare
Gesamtdeckungsbeitrag von 756 Geldeinheiten wird erreicht, wenn 27 Einheiten
des Produkts Butterkekse mit Schokoladenüberzug hergestellt werden. Klassische
Butterkekse werden nicht hergestellt.
Grundlagen linearer Optimierung 309
Die erste Produktionsstufe stellt einen Engpass dar, da s1 = 0 gilt. Eine Kapazi-
tätserhöhung der ersten Produktionsstufe ist sinnvoll, da so die Produktionsmenge
vergrößert und der Gesamtdeckungsbeitrag um 14 Geldeinheiten pro Einheit
Kapazitätserhöhung gesteigert werden kann, wie der s1 zugeordnete Schattenpreis
zeigt. Die Produktion einer weiteren, d. h. hier überhaupt einer Einheit klassischer
Butterkekse reduziert den Gesamtdeckungsbeitrag um 6 Geldeinheiten, den
Opportunitätskosten, entnehmbar der Δ z-Zeile unter x1. Wie in Kapitel 3 ausführ-
licher dargestellt wird, gelten diese Aussagen nur für marginale Erhöhungen und
unter der hier vorliegenden Voraussetzung, dass das Ausgangsmodell die Grund-
modellstruktur aufweist.
2.2.2
a) Die Anwendung des Simplexalgorithmus liefert folgende Tableaus:
0,2 0,4 0 0 0
x1 x2 s1 s2 s3 RS Θ
0 s1 0,2 0,1 1 0 0 50 500
0 s2 1 1 0 1 0 300 300
0 s3 0 1 0 0 1 100 100
Δz -0,2 -0,4 0 0 0 0
x1 x2 s1 s2 s3 RS Θ
x1 x2 s1 s2 s3 RS
Die Δ z-Zeile weist nur positive Werte auf, daher ist die gefundene Lösung op-
timal. Der maximale Deckungsbeitrag von 80 Geldeinheiten lässt sich erzielen,
wenn täglich 200 Becher Kaffee und 100 Becher Espresso verkauft werden. Der
Stand lohnt sich eventuell, da der Deckungsbeitrag auch nach Abzug der fixen
Kosten von 20 Geldeinheiten mit 60 Geldeinheiten noch positiv ist. Zu berück-
sichtigen sind jedoch noch weitere Kosten wie kalkulatorischer Unternehmerlohn,
Kosten für die Bereitstellung und Betrieb des Mini Coopers u. a., bevor eine nicht
nur auf das kurzfristige Produktionsprogramm abstellende Wirtschaftlichkeitsaus-
sage getroffen werden kann.
Da s2 mit Wert null in Basis ist, also eine primale Entartung vorliegt, existiert
ein weiteres optimales Endtableau. Dieses wäre nach Elimination von s2 im
vorherigen Tableau erzielt worden. Die zugehörigen Basisvariablen sind s1 , x1
und x2 , wobei s1 mit Wert null in Basis ist. Die beiden optimalen Lösungen
stimmen überein, folglich ist die optimale Lösung eindeutig.
b) Zunächst ist aus den vorherigen Angaben die Kapazität des Mini Coopers zu
ermitteln:
50 l Wasser + 300 Becher + 100 Plätzchen:
50 l + 30 l +5l = 85 l
Als nächstes wird der Platzbedarf in Litern für eine Einheit Kaffee bzw. Es-
presso bestimmt:
Kaffee: 0,2 l + 0,1 l = 0,3 l
Espresso: 0,1 l + 0,1 l + 0,05 l = 0,25 l
Das neue Optimierungsmodell lautet dann:
max z = 0, 2 x1 + 0, 4 x2
s.d . 0,3 x1 + 0, 25 x2 ≤ 85
x1 , x2 ≥ 0
Da nur ein Engpass besteht, ist es optimal, möglichst viel Espresso, also 340
Tassen, zu verkaufen, da Espresso mit 0,4/0,25 = 1,6 gegenüber Kaffee mit 0,2/0,3
= 0,67 den höheren relativen Deckungsbeitrag aufweist. Der Simplexalgorithmus
liefert dieselbe optimale Lösung mit dem optimalen Endtableau:
x1 x2 s3 RS
2.2.3
Unter Anwendung des Simplexalgorithmus ergeben sich folgende Tableaus:
Grundlagen linearer Optimierung 311
20 40 35 80 0 0 0
x1 x2 x3 x4 s1 s2 s3 RS Θ
0 s1 1 4 2 5 1 0 0 60 12
0 s2 3 6 3 3 0 1 0 72 24
0 s3 3 1 2 2 0 0 1 76 38
x1 x2 x3 x4 s1 s2 s3 RS Θ
80 x4 1/ 4/ 2/ 1 1/ 0 0 12 60
5 5 5 5
0 s2 12/ 18/ 9/ 0 -3/ 1 0 36 15
5 5 5 5
0 s3 13/ -3/ 6/ 0 -2/ 0 1 52 20
5 5 5 5
Δz -4 24 -3 0 16 0 0 960
x1 x2 x3 x4 s1 s2 s3 RS Θ
80 x4 0 1/ 1/ 1 1/ -1/ 0 9 36
2 4 4 12
20 x1 1 3/ 3/ 0 -1/ 5/ 0 15 20
2 4 4 12
0 s3 0 -9/ -3/ 0 1/ -13/ 1 13 -
2 4 4 12
Δz 0 30 0 0 15 5/ 0 1020
3
x1 x2 x3 x4 s1 s2 s3 RS
80 x4 -1/ 0 0 1 1/ -2/ 0 4
3 3 9
35 x3 4/ 2 1 0 -1/ 5/ 0 20
3 3 9
0 s3 1 -3 0 0 0 -2/ 1 28
3
Δz 0 30 0 0 15 5/ 0 1020
3
312 Lösungen
2.2.4
a) Anwendung des Simplexalgorithmus:
1 2 0 0 0
x1 x2 s1 s2 s3 RS Θ
0 s1 1 2 1 0 0 10 5
0 s2 1 4 0 1 0 16 4
0 s3 1 0 0 0 1 5 -
Δz -1 -2 0 0 0 0
x1 x2 s1 s2 s3 RS Θ
0 s1 0,5 0 1 -0,5 0 2 4
2 x2 0,25 1 0 0,25 0 4 16
0 s3 1 0 0 0 1 5 5
Δz -0,5 0 0 0,5 0 8
x1 x2 s1 s2 s3 RS Θ
1 x1 1 0 2 -1 0 4 -
2 x2 0 1 -0,5 0,5 0 3 6
0 s3 0 0 -2 1 1 1 1
Δz 0 0 1 0 0 10
Grundlagen linearer Optimierung 313
Alle Werte der Δ z-Zeile sind nichtnegativ, d. h., das optimale Endtableau ist
erreicht. Da jedoch s2 in die Basis aufgenommen werden kann, ohne dass sich der
Zielfunktionswert ändert, existiert eine zweite optimale Basislösung:
x1 x2 s1 s2 s3 RS
1 x1 1 0 0 0 1 5
2 x2 0 1 0,5 0 -0,5 2,5
0 s2 0 0 -2 1 1 1
Δz 0 0 1 0 0 10
⎧⎛ x1 ⎞ ⎛ x1 ⎞ ⎛ 4⎞ ⎛ 5 ⎞ ⎫
⎪⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎪
⎪⎜ x2 ⎟ ⎜ x2 ⎟ ⎜ 3⎟ ⎜ 2,5 ⎟ ⎪
⎪⎜ ⎟ ⎜ ⎟ ⎪
L = ⎨ s1 | s1 = λ ⎜ 0 ⎟ + (1 − λ ) ⎜ 0 ⎟ , λ ∈ [ 0, 1]⎬
⎪⎜ s ⎟ ⎜ s ⎟ ⎜ ⎟ ⎜ ⎟ ⎪
⎪⎜ 2 ⎟ ⎜ 2 ⎟ ⎜ 0⎟ ⎜ 1 ⎟
⎪
⎪⎩⎜⎝ s3 ⎟⎠ ⎜⎝ s3 ⎟⎠ ⎜1⎟ ⎜ 0 ⎟⎠
⎝ ⎠ ⎝ ⎭⎪
Der optimale Zielfunktionswert ist jeweils 10.
x2
R3
6
z = 10
4
Menge der optimalen Lösungen
2 R2
R1
0 x1
0 2 4 6 8 10 12
Die zulässigen Lösungen sind schraffiert dargestellt, die optimalen Lösungen
liegen auf dem Rand von Punkt (4; 3) bis Punkt (5; 2,5) einschließlich.
314 Lösungen
1 2 0 0 0
x1 x2 s1 s2 s3 RS Θ
0 s1 2 1 1 0 0 15 15
0 s2 -0,5 1 0 1 0 2,5 2,5
0 s3 0 1 0 0 1 5 5
Δz -1 -2 0 0 0 0
x1 x2 s1 s2 s3 RS Θ
0 s1 2,5 0 1 -1 0 12,5 5
2 x2 -0,5 1 0 1 0 2,5 -
0 s3 0,5 0 0 -1 1 2,5 5
Δz -2 0 0 2 0 5
x1 x2 s1 s2 s3 RS
1 x1 1 0 0,4 -0,4 0 5
2 x2 0 1 0,2 0,8 0 5
0 s3 0 0 -0,2 -0,8 1 0
Δz 0 0 0,8 1,2 0 15
Es liegt eine primale Entartung vor, da s3 sich mit Wert null in Basis befindet,
in der optimalen Basis sind alle drei Restriktionen bindend. Weitere optimale
Basen sind möglich und führen z. B. zu folgendem Tableau, welches mittels
dualem Simplexalgorithmus ermittelt werden kann, auf den hier nicht eingegangen
wird (siehe dazu z. B. Hadley 1980, Zimmermann 2008).
Grundlagen linearer Optimierung 315
x1 x2 s1 s2 s3 RS
1 x1 1 0 0,5 0 -0,5 5
2 x2 0 1 0 0 1 5
0 s2 0 0 0,25 1 -1,25 0
Δz 0 0 0,5 0 1,5 15
8
R2
6
R3
2 z = 15
0 x1
0 2 4 6 8
316 Lösungen
1 2 0 0 0
x1 x2 s1 s2 s3 RS Θ
0 s1 0 1 1 0 0 10 10
0 s2 -2 1 0 1 0 5 5
0 s3 - 2/5 1 0 0 1 8 8
Δz -1 -2 0 0 0 0
x1 x2 s1 s2 s3 RS Θ
0 s1 2 0 1 -1 0 5 5/2
2 x2 -2 1 0 1 0 5 -
0 s3 8/ 0 0 -1 1 3 15/8
5
Δz -5 0 0 2 0 10
x1 x2 s1 s2 s3 RS Θ
0 s1 0 0 1 1/ - 5 /4 5/ 5
4 4
2 x2 0 1 0 - 1 /4 5/
4
35/
4 -
1 x1 1 0 0 - 5 /8 5/
8
15/
8 -
Δz 0 0 0 - 9 /8 25/
8
155/
8
x1 x2 s1 s2 s3 RS Θ
0 s2 0 0 4 1 -5 5 -
2 x2 0 1 1 0 0 10 -
1 x1 1 0 5/ 0 - 5 /2 5 -
2
Δz 0 0 9/ 0 - 5 /2 25
2
Grundlagen linearer Optimierung 317
Im letzten Tableau sind nicht alle Werte der Δ z-Zeile nichtnegativ, d. h., eine
optimale Lösung ist noch nicht erreicht. Der Simplexalgorithmus bricht hier ab, da
s3 nicht in die Basis aufgenommen werden kann. Eine beliebige Erhöhung von s3
ist möglich, führt zu einer Erhöhung von x1 und verbessert den Zielfunktionswert.
Es gilt:
x1 = 5 + 5 2 s3
x2 = 10
z = 25 + 5 2 s3
x2
R2
12 R3
R1
10
8 z = 30
6
z = 25
0 x1
0 2 4 6 8 10 12
d) Die Anwendung des Simplexalgorithmus liefert:
1 -1 0
x1 x2 s1 RS Θ
0 s1 2 -2 1 4 4
Δz -1 1 0 0
318 Lösungen
x1 x2 s1 RS
x1 1 -1 0,5 2
Δz 0 0 0,5 2
⎧⎛ x1 ⎞ ⎛ x1 ⎞ ⎛ x1 ⎞⎫ ⎧ ⎛ x1 ⎞ ⎛ x1 ⎞⎫
⎪⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎪ ⎪⎜ ⎟ ⎜ ⎟⎪
L = ⎨⎜ x2 ⎟ | ⎜ x2 ⎟ = ⎜ x1 − 2 ⎟ ⎬ kurz L = ⎨ ⎜ x2 ⎟ = ⎜ x1 − 2 ⎟ ⎬ .
⎪⎜ s ⎟ ⎜ s ⎟ ⎜ s ⎟⎪ ⎪⎜s ⎟ ⎜ s ⎟⎪
⎩⎝ 1 ⎠ ⎝ 1 ⎠ ⎝ 1 ⎠⎭ ⎩⎝ 1 ⎠ ⎝ 1 ⎠⎭
x2
6 R1
4
z=2
0 x1
0 2 4 6 8
Modellerweiterungen, Dualität und Sensitivitätsanalyse 319
3.1.1
a) Die Minimierungszielfunktion wird umformuliert zu der äquivalenten Form
− max − z = 3 x1 − 4 x2 + 6 x3
Anschließend wird das Ausgangstableau zu dem Hilfsmodell aufgestellt, in das
zwei Hilfsvariable aufgenommen werden. Die Anwendung des Simplexalgorith-
mus führt zu folgenden Tableaus:
3 -4 6 0 0 -M -M
x1 x2 x3 s1 s2 h2 h3 RS Θ
0 s1 2 1 4 1 0 0 0 120 30
-M h2 1 1 1 0 -1 1 0 20 20
-M h3 2 1 3 0 0 0 1 48 16
-3M -2M -4M
Δz 0 M 0 0 -68M
-3 +4 -6
x1 x2 x3 s1 s2 h2 h3 RS Θ
x1 x2 x3 s1 s2 h2 h3 RS Θ
0 s1 - 1 /2 0 0 1 - 1 /2 1/
2 - 3 /2 58 -
-4 x2 1/ 1 0 0 - 3 /2 3/ - 1 /2 6 12
2 2
6 x3 1/ 0 1 0 1/ - 1 /2 1/ 14 28
2 2 2
Δz -2 0 0 0 9 M-9 M+5 60
320 Lösungen
x1 x2 x3 s1 s2 h2 h3 RS
0 s1 0 1 0 1 -2 2 -2 64
3 x1 1 2 0 0 -3 3 -1 12
6 x3 0 -1 1 0 2 -2 1 8
Δz 0 4 0 0 3 M-3 M+3 84
Im dritten Tableau sind die Hilfsvariablen erstmalig aus der Basis entfernt und
damit ist die erste zulässige Lösung gefunden. Durch Aufnahme von x2 in die
Basis anstelle von x1 ist jedoch noch eine weitere Verbesserung des Zielfunkti-
onswertes möglich. Im Endtableau sind alle Werte der Δ z -Zeile, die zu Nichtba-
sisvariablen gehören, echt positiv, d. h., es liefert die einzige optimale Lösung mit
x1 = 12 , x3 = 8 , s1 = 64 und x2 = s2 = 0 . Der maximale Zielfunktionswert lautet
84.
b) Da die Variable x1 unbeschränkt ist, ist sie im Modell durch x1+ − x1− zu substi-
tuieren. Für das Hilfsmodell sind zwei Hilfsvariable in das Ausgangstableau
aufzunehmen. Der Simplexalgorithmus liefert folgende Tableaus:
2 -2 3 4 0 0 -M -M
x1 + x1- x2 x3 s1 s2 h2 h3 RS Θ
0 s1 1 -1 2 2 1 0 0 0 45 45/
2
-M h2 0 0 2 1 0 -1 1 0 20 10
-M h3 -1 1 1 1 0 0 0 1 30 30
M -M -3M -2M
Δz 0 M 0 0 -50M
-2 +2 -3 -4
x1 + x1 - x2 x3 s1 s2 h2 h3 RS Θ
0 s1 1 -1 0 1 1 1 -1 0 25 -
3 x2 0 0 1 1/ -1/2 1/
2 0 2 0 10 -
-M h3 -1 1 0 1/ 1/ 1
- /2
2 0 2 1 20 20
x1+ x1- x2 x3 s1 s2 h2 h3 RS Θ
0 s1 0 0 0 3/ 1 3/ - 3/2 1 45 30
2 2
3 x2 0 0 1 1/ 0 - 1/2 1/2 0 10 20
2
-2 x1- -1 1 0 1/
2 0 1/
2 - 1/2 1 20 40
M M
Δz 0 0 0 - 7/2 0 - 5/2 -10
+ 5/2 -2
x 1+ x 1- x2 x3 s1 s2 h2 h3 RS Θ
0 s1 0 0 -3 0 1 3 -3 1 15 5
4 x3 0 0 2 1 0 -1 1 0 20 -
-2 x1- -1 1 -1 0 0 1 -1 1 10 10
Δz 0 0 7 0 0 -6 M+6 M-2 60
x1+ x1- x2 x3 s1 s2 h2 h3 RS
0 s2 0 0 -1 0 1/ 1 -1 1/ 5
3 3
4 x3 0 0 1 1 1/ 0 0 1/ 25
3 3
-2 x1- -1 1 0 0 1
- /3 0 0 2/
3 5
Δz 0 0 1 0 2 0 M M 90
Die erste zulässige Lösung ist nach Entfernung der Hilfsvariablen aus der Basis
im dritten Tableau erreicht. Da im dritten Tableau aber noch mehrere Werte der
Δ z -Zeile negativ sind, ist eine weitere Verbesserung des Zielfunktionswertes
möglich. Im Endtableau ist die optimale Lösung erreicht, da alle Werte der Δ z -
Zeile echt positiv sind. Der maximale Zielfunktionswert von 90 wird erreicht,
wenn x3 = 25 , s2 = 5 und x1− = 5 folglich x1 = −5 sind. Zwar ist auch für die
Nichtbasisvariable x1+ der Δ z -Wert gleich null, jedoch ist die Aufnahme in
Basis nicht möglich. Daher existiert nur eine optimale Lösung.
322 Lösungen
1 1 0 0 0 -M
x1 x2 s1 s2 s3 h1 RS Θ
-M h1 1 1 -1 0 0 1 15 15
0 s2 1 3 0 1 0 0 25 25
0 s3 2 1 0 0 1 0 20 10
Δ z -M-1 -M-1 M 0 0 0 -15M
x1 x2 s1 s2 s3 h1 RS Θ
-M h1 0 0,5 -1 0 -0,5 1 5 10
0 s2 0 2,5 0 1 -0,5 0 15 6
1 x1 1 0,5 0 0 0,5 0 10 20
-0,5M 0,5M
Δz 0 M 0 M -5M+10
-0,5 +0,5
x1 x2 s1 s2 s3 h1 RS
-M h1 0 0 -1 -0,2 -0,4 1 2
1 x2 0 1 0 0,4 -0,2 0 6
1 x1 1 0 0 -0,2 0,6 0 7
0,2M 0,4M
Δz 0 0 M 0 -2M+13
+0,2 +0,4
Im letzten Tableau sind alle Werte der Δ z -Zeile nichtnegativ, also kann keine
weitere Verbesserung des Zielfunktionswertes erreicht werden und das Hilfs-
tableau ist optimal gelöst. h1 ist in Basis mit Wert echt größer als null und kann
nicht eliminiert werden. Daher existiert für das ursprüngliche Problem keine
zulässige Lösung, d. h., die mit den Restriktionen modellierten Anforderungen an
eine Lösung sind nicht erfüllbar. In der Abbildung sind die durch die Restriktio-
nen definierten Halbräume durch Schraffur angedeutet. Sie überschneiden sich
nirgends.
Modellerweiterungen, Dualität und Sensitivitätsanalyse 323
x2
10
6
R2
4
2 R1
R3
0 x1
0 2 4 6 8 10 12
1 1 0 0 0 -M
x1 x2 s1 s2 s3 h1 RS Θ
-M h1 1 1 -1 0 0 1 12 12
0 s2 1 3 0 1 0 0 25 25
0 s3 2 1 0 0 1 0 20 10
Δ z -M-1 -M-1 M 0 0 0 -12M
x1 x2 s1 s2 s3 h1 RS Θ
-M h1 0 0,5 -1 0 -0,5 1 2 4
0 s2 0 2,5 0 1 -0,5 0 15 6
1 x1 1 0,5 0 0 0,5 0 10 20
-0,5M 0,5M
Δz 0 M 0 0 -2M+10
-0,5 +0,5
324 Lösungen
x1 x2 s1 s2 s3 h1 RS Θ
1 x2 0 1 -2 0 -1 2 4 -
0 s2 0 0 5 1 2 -5 5 1
1 x1 1 0 1 0 1 -1 8 8
Δz 0 0 -1 0 0 M+1 12
Diesem Tableau ist die erste für das ursprüngliche Modell zulässige Lösung zu
entnehmen, die noch nicht optimal ist.
x1 x2 s1 s2 s3 h1 RS
1 x2 0 1 0 0,4 -0,2 0 6
0 s1 0 0 1 0,2 0,4 -1 1
1 x1 1 0 0 -0,2 0,6 0 7
Δz 0 0 0 0,2 0,4 M 13
x2
10
R1 R3
8
6
R2
4
z = 13
2
0 x1
0 2 4 6 8 10 12
Modellerweiterungen, Dualität und Sensitivitätsanalyse 325
3.1.2
Nach Einfügung einer Hilfsvariablen kann mittels Simplexalgorithmus die Lösung
ermittelt werden.
5 8 4 0 0 -M
xA xB xC s1 s2 h3 RS Θ
0 s1 2 1 1 1 0 0 20 10
0 s2 1 2 2 0 1 0 25 25
-M h3 1 -2 0 0 0 1 0 0
Δz -M-5 2M-8 -4 0 0 0 0
xA xB xC s1 s2 h3 RS Θ
0 s1 0 5 1 1 0 -2 20 4
0 s2 0 4 2 0 1 -1 25 61/4
5 xA 1 -2 0 0 0 1 0 -
Δz 0 -18 -4 0 0 M+5 0
xA xB xC s1 s2 h3 RS Θ
8 xB 0 1 1/ 1/ 0 -2/5 4 20
5 5
0 s2 0 0 1 1 /5 -4/5 1 3/
5 9 7 1 /2
5 xA 1 0 2/ 2/ 0 1/ 8 20
5 5 5
Δz 0 0 -2/5 33/5 0 M-21/ 5 72
xA xB xC s1 s2 h3 RS
4 xC 0 0 1 -2/ 5/ 1/ 71/2
3 6 2
5 xA 1 0 0 2/ -1/3 0 5
3
Δz 0 0 0 1
3 /3 1/ M-2 75
3
326 Lösungen
Es ist optimal, von Produkt A 5 und von Produkt B 2,5 Einheiten zu produzie-
ren, außerdem von Produkt C 7,5 Einheiten. Der erzielbare Gesamtdeckungsbei-
trag beträgt 75 Einheiten. Da s1 = s2 = 0 ist, sind beide Anlagen vollständig
ausgelastet. Die Schattenpreise sind der Δ z -Zeile zu entnehmen und betragen
3 13 für Anlage 1, 13 für Anlage 2.
Ein kleineres Modell für die vorliegende Entscheidungssituation lässt sich auf-
stellen, indem mit dem festen Zusammenhang x A = 2 xB eine Variablensubstituti-
on durchgeführt wird und auf die Gleichheitsrestriktion verzichtet wird.
max 5 ⋅ 2 xB + 8 xB + 4 xC
s.d . 2 ⋅ 2 xB + xB + xC ≤ 20
1 ⋅ 2 xB + 2 xB + 2 xC ≤ 25
xB , xC ≥ 0
⇔ max 18 xB + 4 xC
s.d . 5 xB + xC ≤ 20
4 xB + 2 xC ≤ 25
xB , xC ≥ 0
18 4 0 0
xB xC s1 s2 RS Θ
0 s1 5 1 1 0 20 4
0 s2 4 2 0 1 25 61/4
Δz -18 -4 0 0 0
xB xC s1 s2 RS Θ
18 xB 1 1/ 1/ 0 4 20
5 5
0 s2 0 11/5 -4/5 1 9 71/2
Δz 0 -2/5 33/5 0 72
Modellerweiterungen, Dualität und Sensitivitätsanalyse 327
xB xC s1 s2 RS
18 xB 1 0 1/ -1/6 21/2
3
4 xC 0 1 -2/3 5/
6 71/2
Δz 0 0 31/3 1/
3 75
3.2.1
a) x1 , s2 und x3 befinden sich in Basis, daher sind die entsprechenden Einheits-
spalten aufzunehmen. Die Δ z -Werte können aktuell errechnet werden, ebenfalls
der Zielfunktionswert.
1 -2 1,5 0 0 0
x1 x2 x3 s1 s2 s3 RS
1
1 x1 1 2 0 /2 0 0 6
1 1
0 s2 0 3 0 /4 1 /3 19
1 1
1,5 x3 0 1 1 /4 0 /3 10
Δz 11 7 1
0 /2 0 /8 0 /2 21
⎛ 38 − 18 0⎞ ⎛ 2⎞ ⎛ 34 ⎞
−1 ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
B ⋅ a3 = ⎜ − 18 8
3 0 ⎟ ⋅ ⎜ 0 ⎟ = ⎜ − 14 ⎟
⎜− 1 5 1 ⎟⎠ ⎜3⎟ ⎜ 11 ⎟
⎝ 8 − 8 ⎝ ⎠ ⎝ 4⎠
Die Δ z -Werte können aktuell errechnet werden, ebenfalls der Zielfunktionswert.
328 Lösungen
2 3 1,5 0 0 0
x1 x2 x3 s1 s2 s3 RS
3 3 -1 9
3 x2 0 1 /4 /8 /8 0 /8
2 x1 1 0 -1/4 -1/8 3
/8 0 21
/8
11 -1/8 -5/8 45
0 s3 0 0 /4 1 /8
1 7 3 69
Δz 0 0 /4 /8 /8 0 /8
⎛ 1 1 0⎞ ⎛0 ⎞ ⎛ −1⎞
−1 ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
B ⋅ a5 = ⎜ 0 1 0 ⎟ ⋅ ⎜ −1⎟ = ⎜ −1⎟
⎜ 0 0 1 ⎟⎠ ⎜⎝ 0 ⎟⎠ ⎜ 0⎟
⎝ ⎝ ⎠
Da sich die Spalten zu s2 und h2 in jedem Tableau nur durch Multiplikation mit
-1 unterscheiden, kann man die aktuelle Spalte a5* auch mittels (−1) ⋅ a6* gewin-
nen. Die Δ z -Werte können aktuell errechnet werden, ebenfalls der Zielfunkti-
onswert.
2 1 -1 0 0 -M 0
x1 x2+ x 2- s1 s2 h2 s3 RS
0 s1 0 3 -3 1 -1 1 0 7
2 x1 1 1 -1 0 -1 1 0 2
0 s3 0 -1 1 0 0 0 1 5
Δz 0 1 -1 0 -2 2+M 0 4
3.2.2
a) max z = x1 + 2 x2
s.d . 2 x1 + x2 ≤ 10
− 2 x1 − x2 ≤ −10
x1 + 3 x2 ≤ 12
x1 ,x2 ≥ 0
Modellerweiterungen, Dualität und Sensitivitätsanalyse 329
Das Modell ist zunächst auf die Form des Grundmodells zu bringen. Anschlie-
ßend wird entsprechend der Regeln die Dualisierung durchgeführt.
min Z = 10 y1 + 12 y2
s.d . 2 y1 + y2 ≥ 1
y1 + 3 y2 ≥ 2
y1 ∈ R, y2 ≥ 0
b) Das Modell ist zunächst auf die Form des Grundmodells zu bringen.
-max z = − x1 + 2 x2 − 2 x3 − 6 x4
s.d . 4 x1 − 7 x2 − x3 + x4 ≤ 2
− 4 x1 + 7 x2 + x3 − x4 ≤ −2
− x1 − 4 x2 − x3 − 3 x4 ≤ −3
− x3 − x4 ≤ −5
x1 , x2 , x3 , x4 ≥ 0
Anschließend wird das zum Grundmodell duale Modell ermittelt und der Ziel-
funktion ( −1) vorangestellt:
max Z = 2 y1 + 3 y2 + 5 y3
s.d . −4 y1 − y2 ≥ −1
7 y1 − 4 y2 ≥ 2
y1 − y2 − y3 ≥ −2
− y1 − 3 y2 − y3 ≥ −6
y1 ∈ R, y2 , y3 ≥ 0
Durch Multiplikation einiger Zeilen mit ( −1) erhält man die „passende“ rechte
Seite. Dadurch „passen“ auch die Koeffizienten von A t und das duale Modell
liegt in der angestrebten Form vor.
max Z = 2 y1 + 3 y2 + 5 y3
s.d . 4 y1 + y2 ≤ 1
− 7 y1 + 4 y2 ≤ −2
− y1 + y2 + y3 ≤ 2
y1 + 3 y2 + y3 ≤ 6
y1 ∈ R, y2 , y3 ≥ 0
Der folgende alternative Lösungsweg ist ggf. effizienter. Da bekannt ist, dass
das duale des dualen Modells wieder das primale Modell ergibt, besteht stets die
Möglichkeit, ein Modell als duales Modell aufzufassen und das dazu primale
Modell als sein duales anzugeben. In diesem Beispiel ist nur eine Transformation
notwendig, um das duale Grundmodell zu erreichen. Im Modell der Aufgabenstel-
lung ist die erste Restriktion in zwei ≥ -Restriktionen zu zerlegen.
Modellerweiterungen, Dualität und Sensitivitätsanalyse 331
min z = x1 − 2 x2 + 2 x3 + 6 x4
s.d . 4 x1 − 7 x2 − x3 + x4 ≥ 2
− 4 x1 + 7 x2 + x3 − x4 ≥ −2
x1 + 4 x2 + x3 + 3 x4 ≥ 3
x3 + x4 ≥ 5
x1 , x2 , x3 , x4 ≥ 0
Das zu diesem Modell duale ist sein primales Modell, das im Folgenden ange-
geben und dessen Variablen hier mit yi bezeichnet werden.
3.2.3
a) Es ist optimal, 20 Einheiten des Topfes Modell „Standard“ zu produzieren. Da
x2 im optimalen Endtableau in Basis ist, sind zur Beantwortung der Frage alle
Δ z -Werte der Nichtbasisvariablen hinsichtlich der Nichtnegativität zu untersu-
chen, da es sein könnte, dass bei Preisschwankungen alternative Produkte produ-
ziert werden sollten.
x3 : 1 + 4 λ ≥ 0 <=> λ ≥ − 0, 25
s1 : 2 + λ ≥ 0 <=> λ ≥ − 2
s2 : 10 − 4 λ ≥ 0 <=> λ ≤ 2, 5
Die Δ z -Werte bleiben somit größer oder gleich null für λ ∈ [ −0, 25; 2,5] .
Das aktuelle Produktionsprogramm muss nicht geändert werden, solange der
Deckungsbeitrag des „Standard“-Kochtopfes zwischen 19,75 und 22,5, jeweils
einschließlich, schwankt. Der Gesamtdeckungsbeitrag schwankt dann entspre-
chend zwischen
4000 − 0, 25 ⋅ 20 = 3995 und
4000 + 2,5 ⋅ 20 = 4050
332 Lösungen
b) ⎛ 20 ⎞ ⎛ 1 −4 0 0⎞ ⎛ −20 ⎞ ⎛ 0⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 200 ⎟ + ⎜ −1 5 0 0⎟ ⎜ 0⎟ = ⎜ 220 ⎟
⎜ 40 ⎟ ⎜ −1 3 1 0⎟ ⎜ 0⎟ ⎜ 60 ⎟
⎜⎜ ⎟⎟ ⎜⎜ ⎟ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
⎝ 35 ⎠ ⎝ 1 −7 0 1 ⎟⎠ ⎝ 0⎠ ⎝ 15 ⎠
Eine Reduktion der Rohmaterialmenge um 20 Einheiten führt dazu, dass nur
noch der Kochtopf „Single“ hergestellt wird und dessen Produktionsmenge um 20
Kochtöpfe gesteigert wird. Die Basis bleibt optimal, jedoch liegt eine primale
Entartung vor.
c) Das zugehörige duale Modell ist unmittelbar angebbar, da das primale Modell
bereits in der Grundform vorliegt.
min Z = 900 y1 + 220 y2 + 280 y3 + 675 y4
s.d . 4 y1 + y2 + y3 + 3 y4 ≥ 18
5 y1 + y2 + 2 y3 + 2 y4 ≥ 20
8 y1 + y2 + 2 y3 + y4 ≥ 25
y1 , y2 , y3 , y4 ≥ 0
Die optimale Lösung ist dem optimalen primalen Endtableau zu entnehmen:
y1 = 2 , y2 = 10 , y3 = y4 = 0 mit Zielfunktionswert 4000 und Schlupfvariablen
ys1 = ys2 = 0 und ys3 = 1 .
d) Die Komplementaritätsbedingung besagt für die optimalen Lösungen des
primalen und dualen Problems, dass jeweils das Produkt der einander zugeordne-
ten optimalen Variablen den Wert null ergibt. Dies ist im Beispiel erfüllt.
x1 ⋅ ys1 = 200 ⋅ 0 = 0 s1 ⋅ y1 = 0⋅ 2 = 0
x2 ⋅ ys2 = 20 ⋅ 0 = 0 s2 ⋅ y2 = 0 ⋅10 = 0
x3 ⋅ ys3 = 0 ⋅1 =0 s3 ⋅ y3 = 40 ⋅ 0 = 0
s4 ⋅ y4 = 35 ⋅ 0 = 0
3.2.4
Zunächst ist das Problem zu modellieren und das lineare Optimierungsmodell
aufzustellen. Dazu werden die folgenden Variablen verwendet:
0 s1 1 0 1 0 1 0 -1 1 0 0 0 0 0 0 200 200
-M h2 1 1 0 0 0 0 0 0 -1 0 0 1 0 0 100 100
-M h3 0 0 1 1 0 0 0 0 0 -1 0 0 1 0 50 -
-M h4 0 0 0 0 1 1 0 0 0 0 -1 0 0 1 70 -
-M -M -M -M -M -M
Δz 150 0 M M M 0 0 0 -220M
+25 +150 +30 +170 +35 +165
0 s1 0 -1 1 0 1 0 -1 1 1 0 0 -1 0 0 100 100
-M h3 0 0 1 1 0 0 0 0 0 -1 0 0 1 0 50 50
-M h4 0 0 0 0 1 1 0 0 0 0 -1 0 0 1 70 -
-M -M -M -M M -120M
Δz 0 125 150 0 25 M M 0 0
+30 +170 +35 +165 -25 -2500
334 Lösungen
0 s1 0 -1 0 -1 1 0 -1 1 1 1 0 -1 -1 0 50 50
-30 x2s 0 0 1 1 0 0 0 0 0 -1 0 0 1 0 50 -
-M h4 0 0 0 0 1 1 0 0 0 0 -1 0 0 1 70 70
-M -M M M -70M
Δz 0 125 0 140 150 0 25 30 M 0
+35 +165 -25 -30 -4000
-35 x3s 0 -1 0 -1 1 0 -1 1 1 1 0 -1 -1 0 50 -
-25 x1s 1 1 0 0 0 0 0 0 -1 0 0 1 0 0 100 100
-30 x2s 0 0 1 1 0 0 0 0 0 -1 0 0 1 0 50 -
-M h4 0 1 0 1 0 1 1 -1 -1 -1 -1 1 1 1 20 20
-M -M -M -M M M M -20M
Δz 0 0 0 M 10 5 0
+160 +175 +165 +185 -35 -10 -5 -5750
-35 x3s 0 0 0 0 1 1 0 0 0 0 -1 0 0 1 70
-25 x1s 1 0 0 -1 0 -1 -1 1 0 1 1 0 -1 -1 80
-30 x2s 0 0 1 1 0 0 0 0 0 -1 0 0 1 0 50
-150 x1f 0 1 0 1 0 1 1 -1 -1 -1 -1 1 1 1 20
M M M
Δz 0 0 0 15 0 5 25 125 150 155160 -8950
-150 -155 -160
4.2.1
Als Variable werden x1 und x2 gewählt in den Bedeutungen
x1 : Menge an 2,5-kg-Paketen in Einheiten von 100 Stück,
x2 : Menge an 5-kg-Paketen in Einheiten von 100 Stück.
max 25 x1 + 40 x2
s.d . 0,5 x1 + 2
3 x2 ≤ 60
250 x1 + 500 x2 ≤ 35.000
x2 ≤ 50
x1 , x2 ≥ 0
25 40 0 0 0
x1 x2 s1 s2 s3 RS Θ
0 s1 1/ 2/ 1 0 0 60 90
2 3
0 s2 250 500 0 1 0 35.000 70
0 s3 0 1 0 0 1 50 50
Δz -25 -40 0 0 0 0
336 Lösungen
x1 x2 s1 s2 s3 RS Θ
40 x2 0 1 0 0 1 50 -
Δz -25 0 0 0 40 2.000
x1 x2 s1 s2 s3 RS Θ
40 x2 0 1 0 0 1 50 50
Δz 0 0 0 1/ -10 3.000
10
x1 x2 s1 s2 s3 RS
0 s3 0 0 3 - 6/1000 1 20
25 x1 1 0 6 - 8/1000 0 80
40 x2 0 1 -3 6/ 0 30
1000
Δz 0 0 30 4/ 0 3.200
100
x2
100
R1
R3
50
Optimale Lösung
10 R2
x1
10 50 100
Abb. 8.1. Optimale Waschpulverproduktion
Anwendungen linearer Optimierung 337
4.2.2
Als Entscheidungsvariable werden xijk mit folgender Bedeutung und Indizierung
gewählt:
xijk Menge des Vorproduktes, die von Zulieferer i beschafft, in Werk j wei-
terverarbeitet und an Markt k geliefert wird
i = 1: Zulieferer A, i = 2 : Zulieferer B,
j = 1: Kanada, j = 2 : Polen,
k = 1: Asien, k = 2 : Nordamerika, k = 3: Europa
bij j =1 j=2
i =1 1.400 2.900
i=2 2.500 3.200
d jk k =1 k =2 k =3
j =1 3.100 1.900 2.500
j=2 3.300 2.200 1.400
also
338 Lösungen
∑∑
j =1 k =1
xijk ≤ pi i = 1, 2
∑∑
i =1 k =1
xijk ≤ q j j = 1, 2
∑∑
i =1 j =1
xijk = d k k = 1, 2, 3
4) Nichtnegativitätsbedingung
xijk ≥ 0 i = 1, 2 j = 1, 2 k = 1, 2, 3
Die Lösung dieses Modells mittels ClipMops ergibt die in Abb. 8.2 dargestellte
Bildschirmausgabe. Demnach sollten 7 Einheiten des Vorproduktes von Zuliefe-
rer A produziert, in Kanada weiterverarbeitet und in Asien abgesetzt werden,
33 Einheiten des Vorproduktes sollten von Zulieferer A produziert, in Kanada
weiterverarbeitet und in Nordamerika abgesetzt werden, 10 Einheiten des Vorpro-
duktes sollten von Zulieferer A produziert, in Polen weiterverarbeitet und nach
Europa abgesetzt werden, 16 Einheiten des Vorproduktes sollten von Zulieferer B
produziert, in Polen weiterverarbeitet und in Asien abgesetzt werden und
19 Einheiten des Vorproduktes sollten von Zulieferer B produziert, in Polen
weiterverarbeitet und in Europa abgesetzt werden. Die minimalen Kosten, die mit
dieser Lösung erreicht werden, betragen 1.921.300 €.
Anwendungen linearer Optimierung 339
SCM x111 x112 x113 x121 x122 x123 x211 x212 x213 x221 x222 x223 TYP RHS
MAX 21300 20100 20700 23300 22200 21400 25400 24200 24800 26600 25500 24700
LB
UB INF INF INF INF INF INF INF INF INF INF INF INF
TYP CON CON CON CON CON CON CON CON CON CON CON CON
KapZul1 1 1 1 1 1 1 0 0 0 0 0 0 <= 50
KapZul2 0 0 0 0 0 0 1 1 1 1 1 1 <= 40
KapWerk1 1 1 1 0 0 0 1 1 1 0 0 0 <= 40
KapWerk2 0 0 0 1 1 1 0 0 0 1 1 1 <= 65
Nachfrage1 1 0 0 1 0 0 1 0 0 1 0 0 = 23
Nachfrage2 0 1 0 0 1 0 0 1 0 0 1 0 = 33
Nachfrage3 0 0 1 0 0 1 0 0 1 0 0 1 = 29
4.2.3
Wählt man für das Modell zweifach indizierte Entscheidungsvariable zur Erfas-
sung der zu transportierenden Mengen, muss durch eine zusätzliche Restriktion
sichergestellt werden, dass alles, was am Produktionsort ankommt, von dort wei-
tertransportiert wird.
Entscheidungsvariable:
xij1 Transportmenge von Werk i nach Lager j
2
x jk Transportmenge von Lager j zu Kunden k
y jk Entscheidungsvariable für die Belieferung des Kunden k von La-
ger j ausgehend
Parameter:
a1i Produktionskosten in Werk i
1
aj Lagerkosten in Lager j
1 2
bij , b jk entsprechende Transportkosten
Pi Produktionskapazität in Werk i
Pj Lagerkapazität in Lager j
Dk Bedarf des Kunden k
340 Lösungen
Optimierungsmodell:
I J J K
min z = ∑∑ ( a
i =1 j =1
1
i + bij1 + a 2j ) ⋅ xij1 + ∑∑ bj =1 k =1
2
jk ⋅ x 2jk
J
s.d . ∑x
j =1
1
ij ≤ Pi ∀i
∑x
i =1
1
ij ≤ Pj ∀ j
I K
∑x
i =1
1
ij − ∑x
k =1
2
jk = 0 ∀ j
x 2jk = Dk ⋅ y jk ∀ j, k
J
∑y
j =1
jk =1 ∀k
xij1 , x 2jk ≥ 0 ∀ i, j , k
y jk ∈ {0,1} ∀ j, k
Nach Konkretisierung mit den angegebenen Daten wird die Lösung beispiels-
weise mittels XPress-Ive® ermittelt. Der optimale Zielfunktionswert z = 4620
liefert die minimalen Kosten. Die optimal zu transportierenden Mengen und die
Zuordnung der Kunden zu den Lagern sind der folgenden Aufstellung zu entneh-
men.
1
x11 = 235 x112 = 115 y11 = 1
x12 = 65
1
x12 = 120
2
y12 = 1
x21 = 0
1
x13 = 0
2
y13 = 0
x22 = 210
1
x14 = 0
2
y14 = 0
2
x21 = 0 y21 = 0
x22 = 0
2
y22 = 0
x23 = 100
2
y23 = 1
x24 = 175
2
y24 = 1
Ein anderes Modell kann mit dreifach indizierten Entscheidungsvariablen, wie
im zugehörigen Kapitel beschrieben, formuliert werden, indem gewählt wird
Entscheidungsvariable:
xijk Transportmenge von Werk i über Lager j zu Kunden k
y jk Liefermenge für Kunden k von Lager j ausgehend
Das Optimierungmodell weist etwas mehr Variablen auf, besitzt jedoch eine
Restriktion je Lager weniger.
Anwendungen linearer Optimierung 341
K
min z = ∑ ⎡⎣( a
k =1
1
i + bij1 + a 2j + b 2jk ) ⋅ xijk ⎤⎦
J K
s.d . ∑ ∑x
j =1 k =1
ijk ≤ Pi ∀i
I K
∑ ∑x
i =1 k =1
ijk ≤ Pj ∀ j
I
∑x
i =1
ijk = Dk ⋅ y jk ∀ j, k
J
∑y
j =1
jk = 1 ∀k
xijk ≥ 0 ∀ i, j , k
y jk ∈ {0, 1} ∀ j, k
4.2.4
Mit einer durchschnittlichen Geschwindigkeit von 250 km/h können innerhalb von
5 Minuten 20,8 km zurückgelegt werden.
Nachbarschaftsliste:
i N i (5 Minuten)
1=DU 1, 2, 3, 4
2=OB 1, 2, 3, 4, 5
3=BOT 1, 2, 3, 4, 5
4=E 1, 2, 3, 4, 5, 7, 8
5=GE 2, 3, 4, 5, 6, 7, 8
6=RE 5, 6, 7, 8
342 Lösungen
i N i (5 Minuten)
7=HER 4, 5, 6, 7, 8, 9
8=BO 4, 5, 6, 7, 8, 9
9=DO 7, 8, 9
Restriktionen 2 und 3 bzw. 7 und 8 stimmen jeweils überein, sodass je eine ge-
strichen werden kann.
4.3.1
a) Die Variablen x1 ,..., x5 modellieren den jeweils anzulegenden oder aufzunehmen-
den Betrag. Dazu werden die Zahlungsreihen, hier bezogen auf je 1 €, aufgestellt.
Alternativen x1 x2 x3 x4 x5
Spar Spar Spar Kredit Kredit
Zeitpunkte 1. Jahr 2. Jahr 2 Jahre 1. Jahr 2. Jahr
t=0 -1 -1 1
t=1 1,02 -1 0,03 -1,045 1
t=2 1,02 1,03 -1,045
Anwendungen linearer Optimierung 343
Da zu jedem Zeitpunkt Mittel beliebiger Höhe für eine Periode angelegt werden
können, müssen keine Variablen für die Übertragung von Mitteln in die nächste
Periode als Barbestand berücksichtigt werden.
b) Das lineare Optimierungsmodell mit der Variablen x6 für das zu maximierende
Endvermögen lautet:
max x6
s.d . x1 + x3 − x4 ≤ 7.500
− 1, 02 x1 + x2 − 0, 03 x3 + 1, 045 x4 − x5 ≤ 0
− 1, 02 x2 − 1, 03 x3 + 1, 045 x5 + x6 ≤ 0
x4 , x5 ≤ 2.500
x1 , x2 , x3 , x4 , x5 , x6 ≥ 0
Wird das obige Modell mittels ClipMops gelöst, erhält man folgende Lösungs-
übersicht:
x1 x2 x3 x4 x5 x6 TYP RHS
MAX 0 0 0 0 0 1
LB
UB INF INF INF 2500 2500 INF
TYP CON CON CON CON CON CON
Zeitpunkt 0 1 0 1 -1 0 0 <= 7500,00
Zeitpunkt 1 -1,02 1 -0,03 1,045 -1 0 <= 0,00
Zeitpunkt 2 0 -1,02 -1,03 0 1,045 1 <= 0,00
Daraus lässt sich die optimale Lösung ableiten. Zu Beginn des ersten Jahres
sollten Sie 7.500 € für zwei Jahre bei Ihrer Hausbank anlegen. Im zweiten Jahr
344 Lösungen
erhalten Sie aus dieser Anlage Zinsen in Höhe von 225 €, die Sie unmittelbar in
der einjährigen Anlage investieren. Als maximales Endvermögen nach zwei Jah-
ren erzielen Sie so 7.954,50 €.
c) Zur Berücksichtigung der 4000 € für den Sprachkurs reduzieren Sie das zum
Zeitpunkt 1 verfügbare Budget um 4000. Die zweite Restriktion ist folglich zu
ändern zu
− 1, 02 x1 + x2 − 0,03 x3 + 1,045 x4 − x5 ≤ −4.000.
Unter diesen Voraussetzungen erzielen Sie das maximale Endvermögen von
3797,47 €, wenn Sie zu Beginn des ersten Jahres 3686,87 € bei Ihrer Hausbank für
2 Jahre anlegen und eine einjährige Anlage von 3813,13 € vornehmen.
d) Sie berücksichtigen die Entnahme zum Zeitpunkt 1 durch die Variable x6 . Zum
Zeitpunkt 2 entnehmen Sie doppelt so viel, also 2 ⋅ x6 . Insgesamt entnehmen Sie
einen Betrag von 3 ⋅ x6 , den Sie mittels Optimierung bestimmen.
Die zweite und die dritte Restriktion ändern sich zu
− 1, 02 x1 + x2 − 0, 03 x3 + 1, 045 x4 − x5 + x6 ≤ 0
− 1, 02 x2 − 1, 03 x3 + 1, 045 x5 + 2 x6 ≤ 0
Ob Sie die Zielfunktion 3x6 oder x6 maximieren, bringt zwar für die Interpre-
tation des Ergebnisses, nicht jedoch für die optimale Lösung einen Unterschied.
Sie sollten 5083,06 € zu Beginn des ersten Jahres bei Ihrer Hausbank und
2416,94 € in der einjährigen Anlage anlegen. Das maximale Endvermögen beträgt
dann 5.235,54 €, nachdem Sie zum Ende des ersten Jahres 2.617,77 € entnommen
haben.
4.3.2
Die optimale Lösung ist abzulesen unter „Activity“ bei den „Variablen“ und
lautet:
x1 = 20.500, 00 x6 = 8.860, 00
x2 = 0, 00 x7 = 8.483, 00
x3 = 0, 00 x8 = 3.000, 00
x4 = 0, 00 x9 = 9.112,85
x5 = 10.000, 00
0,00 €
t=1 Zinsen Anleihe 1.640,00 €
0,00 €
0,00 €
4.3.3
a) Die Zahlungsreihen werden aus der Investitionssumme des optimalen Tableaus,
multipliziert mit dem normierten Zahlungsstrom, berechnet.
Das Girokonto weist nur in Periode 3 ein Guthaben auf, sonst ist der Saldo
gleich null. Das optimale verfügbare Endvermögen beträgt 46.082,20 €.
b) Bei einer Erhöhung des langfristigen Kreditrahmens erhöht sich das Endver-
mögen für jeden marginalen Euro um 0,3169 €. Weitere Eigenmittel in Periode 2
erhöhen das Endvermögen um 1,104 € pro Einheit. Diese Aussagen gelten nur für
solche Änderungen, die die Optimalität der Basis nicht verletzen, dies kann
mittels Sensitivitätsanalyse untersucht werden.
4.4.1
Die Variablen werden nach Klassen N und U definiert, Start- und Endpunkt stellen
die Indizes dar. N H − C bezeichnet folglich das Kontingent für Buchungsklasse
(Typ) N auf der Strecke Hamburg – Copenhagen. Das Modell lautet somit:
max 40 N H − K + 80 N K − C + 100 N H − C + 10 U H − K + 60 U K − C + 75 U H − C
s.d . NH −K + + N H −C + U H −K + + U H − C ≤ 456
+ N K −C + N H −C + + U K −C + U H − C ≤ 456
NH −K ≤ 20
N K −C ≤ 440
N H −C ≤ 70
U H −K ≤ 360
U K −C ≤ 280
U H − C ≤ 210
N H − K , N K − C , N H − C , U H − K , U K − C , U H − C ≥ 0,
ganzzahlig
Anwendungen linearer Optimierung 347
N H − K N K − C N H − C U H − K U K − C U H − C TYP RHS
MAX 40 80 100 10 60 75
LB
Name N H − K N K −C N H −C U H − K U K −C U H −C
Status IV IV IV IV IV IV
450 Kapazität 1 BS 0
456 Kapazität 2 UB 80
348 Lösungen
4.4.2
Die Lösung wird mittels Simplexalgorithmus ermittelt.
45 90 0 0 0 0
x1 x2 s1 s2 s3 s4 RS Θ
0 s1 1 1 1 0 0 0 7 7
0 s2 1 3 0 1 0 0 12 4
0 s3 0 1 0 0 1 0 3 3
0 s4 1 2 0 0 0 1 8 4
Δz -45 -90 0 0 0 0 0
x1 x2 s1 s2 s3 s4 RS Θ
0 s1 1 0 1 0 -1 0 4 4
0 s2 1 0 0 1 -3 0 3 3
90 x2 0 1 0 0 1 0 3 -
0 s4 1 0 0 0 -2 1 2 2
Δz -45 0 0 0 90 0 270
x1 x2 s1 s2 s3 s4 RS Θ
0 s1 0 0 1 0 1 -1 2 2
0 s2 0 0 0 1 -1 -1 1 -
90 x2 0 1 0 0 1 0 3 3
45 x1 1 0 0 0 -2 1 2 -
Δz 0 0 0 0 0 45 360
Ein optimales Endtableau ist erreicht, für das eine duale Entartung vorliegt.
Folglich kann ein weiteres optimales Endtableau ermittelt werden mit einer ande-
ren Basislösung:
Graphentheorie 349
x1 x2 s1 s2 s3 s4 RS
0 s3 0 0 1 0 1 -1 2
0 s2 0 0 1 1 0 -2 3
90 x2 0 1 -1 0 0 1 1
45 x1 1 0 2 0 0 -1 6
Δz 0 0 0 0 0 45 360
⎧⎛ x1 ⎞ ⎛ 2⎞ ⎛6⎞ ⎫
⎪⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎪
⎪⎜ x2 ⎟ ⎜3⎟ ⎜1 ⎟ ⎪
⎪⎪⎜ s1 ⎟ ⎜ 2⎟ ⎜0⎟ ⎪⎪
L = ⎨⎜ ⎟ = λ ⎜ ⎟ + (1 − λ ) ⎜ ⎟ , λ ∈ [ 0;1]⎬ , z = 360.
opt
⎪⎜ s2 ⎟ 1
⎜ ⎟ 3
⎜ ⎟ ⎪
⎪⎜ s3 ⎟ ⎜0⎟ ⎜ 2⎟ ⎪
⎪⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ⎪
⎩⎪⎝ s4 ⎠ ⎝0⎠ ⎝0⎠ ⎭⎪
In der Realität sind nur ganzzahlige Lösungen möglich, man sollte also entwe-
der 2 Hasen und 3 Zebras, 4 Hasen und 2 Zebras oder 6 Hasen und 1 Zebra einset-
zen. Alle drei Lösungen sind umsetzbar und optimal.
8.5 Graphentheorie
5.1.1
a) Nachbarnliste
⎛0 1 1⎞ Knoten Nachbarn
⎜ ⎟
⎜1 0 1⎟ 1 2, 3
⎜1 1 0⎟
⎝ ⎠ 2 1, 3
3 1, 2
Der vorliegende ungerichtete Graph ist ein Kreis und damit nicht kreisfrei. Da
je zwei Knoten benachbart sind, ist der Graph vollständig, also insbesondere
zusammenhängend.
350 Lösungen
b) Nachbarnliste
⎛0 1 0 0⎞ Knoten Nachbarn
⎜ ⎟
⎜1 0 1 0⎟ 1 2
⎜0 1 0 0⎟
⎜⎜ ⎟ 2 1, 3
⎝0 0 0 0 ⎟⎠
3 2
4 -
Dieser ungerichtete Graph ist nicht kreisfrei, da er einen Kreis mit den Knoten
1 und 2 enthält. Die beiden Kanten, die Knoten 1 und 2 verbinden, sind parallel.
Ferner ist Knoten 4 isoliert, der Graph ist also nicht zusammenhängend.
c) Vorgängerliste
⎛0 0 0 0 0 0 0 0 0⎞ Knoten Vorgänger
⎜ ⎟
⎜0 0 0 0 0 0 0 0 0⎟ 1 4
⎜0 0 0 0 0 0 0 0 0⎟ 2 4
⎜ ⎟
⎜1 1 1 0 1 1 1 0 0⎟ 3 4
⎜0 0 0 0 0 0 0 1 1⎟
⎜ ⎟ 4 -
⎜0 0 0 0 0 0 0 0 0⎟
⎜0 5 4
0 0 0 0 0 0 0 0⎟
⎜ ⎟ 6 4
⎜0 0 0 0 0 0 0 0 0⎟
⎜ ⎟ 7 4
⎝0 0 0 0 0 0 0 0 0⎠
8 5
9 5
Dieser gerichtete Graph ist nicht topologisch sortiert. Da er zyklenfrei ist, ist
eine topologische Sortierung möglich. Er ist semikreisfrei und zusammenhängend
und daher Baum. Knoten 4 ist die einzige Quelle, also ist dieser Baum ein Wur-
zelbaum mit Wurzel 4. Die Blätter sind die Senken, nämlich Knoten 1, 2, 3, 6, 7, 8
und 9.
Vorgängerliste
Knoten Vorgänger
⎛0 1 0 0 0⎞
⎜ ⎟ 1 3
⎜0 0 1 0 0⎟
⎜1 0 0 0 0⎟ 2 1
⎜ ⎟
⎜0 0 0 0 0⎟ 3 2
⎜0 0 0 1 0 ⎟⎠ 4 5
⎝
5 -
5.1.2
a) 2 3
1 4
Der zugrunde liegende Graph ist wegen des vorhandenen Zyklus nicht topolo-
gisch sortierbar.
b) 1 2
4 5 3
Da dieser Graph nicht gerichtet ist, ist eine topologische Sortierung nicht defi-
niert.
c) 4 5
2 1
3 6
Dieser gerichtete Graph ist topologisch sortierbar, da er keine Zyklen enthält.
Durch Umnummerierung der Knoten erhält man beispielsweise folgenden isomor-
phen, topologisch sortierten Graphen. Da eine topologische Sortierung nicht
352 Lösungen
eindeutig ist, sind auch andere Möglichkeiten richtig, z. B. die Vertauschung der
Nummern 2 und 3.
2 4
1 6
3 5
5.1.3
Es ist davon auszugehen, dass die hierarchische Darstellung eine Richtung aus-
drückt, als Modell folglich ein gerichteter Graph geeignet ist. Die Zuordnung der
Knotennummern erfolgt von oben nach unten, auf einer Stufe von links nach
rechts. Damit erhält man die folgende Mengendarstellung.
Knotenmenge V = {1, 2,3, 4,5, 6, 7,8,9}
Kantenmenge E = {(1, 2);(1,3);(2, 4); (2,5); (2, 6); (2, 7);(3,8);(3,9)}
Da der gerichtete Graph schlicht ist, muss die Inzidenzabbildung nicht explizit
angegeben werden.
Grafische Darstellung:
5
2
6
1 7
3 8
Der Graph ist zusammenhängend und semikreisfrei und daher ein Baum. Da er
gerichtet ist und nur eine Quelle aufweist, ist er ein Wurzelbaum mit der Wurzel 1
und den Blättern 4, 5, 6, 7, 8 und 9.
Graphentheorie 353
5.2.1
Die Anwendung des Algorithmus von Dijkstra führt zu folgender Übersicht:
1 2 3 4 5 6
Knoten dj qj dj qj dj qj dj qj dj qj dj qj
2 4 1 4 1 4 1
3 2 1
4 4 1 3 3
5 ∞ 0 ∞ 0 6 4 6 4 6 4
6 ∞ 0 ∞ 0 6 4 5 2
7 ∞ 0 ∞ 0 ∞ 0 9 2 8 6 8 6
Kürzester Weg
Knoten j Weglänge
von 1 nach j
2 (1, 2) 4
3 (1, 3) 2
4 (1, 3, 4) 3
5 (1, 3, 4, 5) 6
6 (1, 2, 6) 5
7 (1, 2, 6, 7) 8
354 Lösungen
5.2.2
Der Algorithmus von Dijkstra liefert folgendes Tableau:
1 2 3 4
Knoten dj qj dj qj dj qj dj qj
2 11 1 11 1 8 3
3 11 1 6 5
4 ∞ 0 ∞ 0 11 3 11 3
5 3 1
{1, 2, 3, {1, 2, 3, 4,
L {1, 5} {1, 3, 5}
5} 5}
M {2, 3} {2, 4} {4} ∅
Kürzester Weg
Knoten j Entfernung
von 1 nach j
2 (1, 5, 3, 2) 8
3 (1, 5, 3) 6
4 (1, 5, 3, 4) 11
5 (1, 5) 3
Knoten 4 kann auch über (1, 5, 3, 2, 4) von 1 aus mit Entfernung 11 erreicht
werden. Der Algorithmus liefert nur eine optimale Alternative, auch wenn mehre-
re existieren.
Graphentheorie 355
5.2.3
Adjazenzmatrix:
Bo ⎛ 0 1 1 0 0 0⎞
⎜ ⎟
Le ⎜ 0 0 0 1 1 0⎟
Ha ⎜ 0 0 0 0 1 0⎟
⎜ ⎟
Mt ⎜ 0 0 0 0 0 1⎟
Si ⎜ 0 0 0 0 0 1⎟
⎜ ⎟
F ⎜⎝ 0 0 0 0 0 0 ⎟⎠
Die Adjazenzmatrix ist eine obere Dreiecksmatrix, somit ist der Graph topolo-
gisch sortiert. Sollten Sie eine andere Reihenfolge der Knoten gewählt haben, lässt
sich die obere Dreiecksmatrix durch Umsortierung erreichen.
Ergebnisse des Algorithmus von Dijkstra:
1 2 3 4 5
Knoten dj qj dj qj dj qj dj qj dj qj
BO 1
LE 2 60 1 60 1
HA 3 30 1
MT 4 ∞ 0 ∞ 0 159 2 159 2
SI 5 ∞ 0 102 3 102 3
F 6 ∞ 0 ∞ 0 ∞ 0 231 5 231 5
Der kürzeste Weg ist 1-3-5-6 mit der Länge 231, man muss also von Bochum
über Hagen und Siegen nach Frankfurt fahren, wenn man den kürzesten Weg
wählt.
5.2.4
Zur Anwendung des Algorithmus von Dijkstra ist zunächst ein neues Modell zu
formulieren, in welchem die kürzesten Wege zu allen Knoten bestimmt werden.
356 Lösungen
Dazu wird für sämtliche Pfeile die Orientierung geändert und man erhält Gu .
3
2 4
2 1
1 4 2 6
1
5 3
3 5
1 2 3 4 5
Knoten dj qj dj qj dj qj dj qj dj qj
1
2 2 1 2 1
3 1 1
4 ∞ 0 ∞ 0 5 2 5 2
5 ∞ 0 6 3 4 2
6 ∞ 0 ∞ 0 ∞ 0 7 5 6 4
Das Ergebnis kann nun bez. G uminterpretiert werden und man erhält folgende
kürzeste Entfernungen von allen Knoten zu Knoten 1.
Kürzester Weg
Knoten j Entfernung
von j nach 1
2 (2, 1) 2
3 (3, 1) 1
4 (4, 2, 1) 5
5 (5, 2, 1) 4
6 (6, 4, 2, 1) 6
Projektplanung 357
8.6 Projektplanung
6.1.1
a) Vorgangspfeilnetzplan:
F
2 6
A G
1 C E S2
3 7
S1
B H
D
4 5
1 - 1 2, 3, 4
2 1 2 5, 6
3 1 3 4
4 1, 3 4 5
5 2, 4 5 6, 7
6 2, 5 6 7
7 5, 6 7 -
358 Lösungen
Adjazenzmatrix:
⎛0 1 1 1 0 0 0⎞
⎜ ⎟
⎜0 0 0 0 1 1 0⎟
⎜0 0 0 1 0 0 0⎟
⎜ ⎟
⎜0 0 0 0 1 0 0⎟
⎜0 0 0 0 0 1 1⎟
⎜ ⎟
⎜0 0 0 0 0 0 1⎟
⎜0 0 0 0 0 0 0 ⎟⎠
⎝
Da es sich um eine obere Dreiecksmatrix handelt, ist der Netzplan topologisch
sortiert und daher zyklenfrei.
Vorgangsknotennetzplan:
A/2 F/7
G/8
H/9
C/4 D/5
Knoten direkte
(Vorgang) Nachfolger
Anfang 1 2, 3, 4
A 2 6, 7
B 3 5
C 4 5
D 5 8, 9
Projektplanung 359
Knoten direkte
(Vorgang) Nachfolger
E 6 8, 9
F 7 8
G 8 10
H 9 10
Ende 10 -
Adjazenzmatrix:
⎛0 1 1 1 0 0 0 0 0 0⎞
⎜ ⎟
⎜0 0 0 0 0 1 1 0 0 0⎟
⎜0 0 0 0 1 0 0 0 0 0⎟
⎜ ⎟
⎜0 0 0 0 1 0 0 0 0 0⎟
⎜0 0 0 0 0 0 0 1 1 0⎟
⎜ ⎟
⎜0 0 0 0 0 0 0 1 1 0⎟
⎜0 0 0 0 0 0 0 1 0 0⎟
⎜ ⎟
⎜0 0 0 0 0 0 0 0 0 1⎟
⎜ ⎟
⎜0 0 0 0 0 0 0 0 0 1⎟
⎜⎜ 0 0 0 0 0 0 0 0 0 0 ⎟⎟⎠
⎝
Da es sich um eine obere Dreiecksmatrix handelt, ist der Netzplan topologisch
sortiert und daher zyklenfrei.
b) Vorgangspfeildarstellung:
A B
1 2 3
D C
Dieser Digraph ist kein Netzplan, da er nicht zyklenfrei ist. Eine topologische
Sortierung ist nicht möglich. Außerdem besitzt dieser Graph keine Senke. Eine
360 Lösungen
Hinzufügung im Modell ist aufgrund des Zyklus nicht sinnvoll. Würde so ein
reales Projekt erfasst, könnte dieses niemals abgeschlossen werden.
Die zugehörige Vorgänger- bzw. Nachfolgerliste lauten:
1 - 1 2
2 1, 4 2 3
3 2 3 4
4 3 4 2
Adjazenzmatrix:
⎛0 1 0 0⎞
⎜ ⎟
⎜0 0 1 0⎟
⎜0 0 0 1⎟
⎜⎜ ⎟
⎝0 1 0 0 ⎟⎠
Vorgangsknotendarstellung:
D/4
Knoten direkte
(Vorgang) Nachfolger
⎛0 1 0 0⎞
⎜ ⎟ A 1 2
⎜0 0 1 0⎟
⎜0 0 0 1⎟
⎜⎜ ⎟ B 2 3
⎝0 1 0 0 ⎟⎠
C 3 4
D 4 2
Projektplanung 361
Aufgrund der Struktur des speziellen Graphen und der gewählten Nummerie-
rung stimmen die beiden Graphen zufällig überein, weichen jedoch hinsichtlich
der Interpretation voneinander ab.
6.1.2
a) Mittels der Vorgangsliste werden alle einzelnen Aktivitäten des realen Projek-
tes auf dem gewählten Abstraktionsniveau identifiziert und die direkten Abhän-
gigkeitsbeziehungen zwischen ihnen ausgewiesen.
direkte
Vorgang Dauer
Vorgänger
V Visabeschaffung - 28
R Reiseroute festlegen - 21
F Flüge buchen R 14
W Wohnmobil buchen R 2
A Ausrüstung planen W 14
b) Die Vorgangsliste dient als Grundlage für die Erstellung eines Netzplans, also
eines geeigneten graphentheoretischen Modells. Für einen Vorgangspfeilnetzplan
werden den Vorgängen Pfeile zugeordnet.
Vorgangspfeilnetzplan:
V
1 4
F
R
2
A
W
3
V - Visabeschaffung: (1, 4)
R - Reiseroute festlegen: (1, 2)
W - Wohnmobil buchen: (2, 3)
F - Flüge buchen: (2, 4)
A – Ausrüstung planen: (3, 4)
362 Lösungen
Die Vorgängerliste bezieht sich auf den Netzplan bzw. ist der Netzplan in ande-
rer Darstellung und beschreibt die Abhängigkeitsbeziehungen zwischen den Kno-
ten.
Vorgängerliste:
Knoten/ direkte
Ereignisse Vorgänger
1 -
2 1
3 2
4 1, 2, 3
Vorgangsknotennetzplan:
V/1
Anfang Ende
F/3
R/2
W/4 A/5
Projektplanung 363
Vorgang
1 Visabeschaffung
2 Reiseroute festlegen
3 Flüge buchen
4 Wohnmobil buchen
5 Ausrüstung planen
Zur Festlegung eines eindeutigen Anfangs und Endes sind zusätzliche Knoten
in das Modell zu integrieren.
Die Vorgängerliste gibt wiederum die Abhängigkeitsbeziehungen zwischen den
Knoten des Netzplans an, die nun den Vorgängen entsprechen.
Vorgangsliste:
Knoten/ direkter
Vorgang Vorgänger
Anfang -
1 Anfang
2 Anfang
3 2
4 2
5 4
Ende 1, 3, 5
364 Lösungen
6.1.3
a) Vorgangsliste:
A 1 Fahrrad säubern - 1
B 2 Fahrrad reparieren A 3
C 3 Probefahrt B 0,5
D 4 Strecke planen B 2
E 5 Satteltasche ausleihen B 1
b) Vorgangspfeilnetzplan:
4
C
A B D F
1 2 3 6 7
Vorgangsknotennetzplan:
C/3
E/5
6.1.4
Scheinvorgang S1 wird aufgrund einer technischen Abhängigkeit eingeführt, denn
H ist unabhängig von C. I hängt dagegen von C und G ab. Da die Vorgänge D und
E parallel durchgeführt werden können und parallele Pfeile in einem Netzplan
nicht zulässig sind, muss ein weiterer Scheinvorgang S2 eingefügt werden.
G H
3 7 10
S1 I N
B
8 11
C
P
A D
1 2 4 12
M
E S2 Q
F 5 9 13
K R
L
6 14
366 Lösungen
6.2.1
a) Das Ergebnis der Zeitanalyse im Vorgangspfeilnetz nach der Ermittlung aller
frühesten und spätesten Ereigniszeiten ist den Knoten zu entnehmen.
1 V/28 4
0 0 37 37
F/14
R/21 A/14
2 3
21 21 W/2 23 23
V 28 0 28 9 37 9 9 9 9
R 21 0 21 0 21 0 0 0 0
F 14 21 35 23 37 2 2 2 2
W 2 21 23 21 23 0 0 0 0
A 14 23 37 23 37 0 0 0 0
0 0 6 37
3 21 14
0 0 0 37
21 14 23
0
2 0 14
21 0
21 4 21 2 5 23 i FAi
2 21 14 23 di SAi
Projektplanung 367
1 0
28 9
0 0 6 37
3 21
0 0 0 37
14 23
2 0
21 0
4 21 5 23
2 21 14 23
Visabeschaffung
Reiseroute festlegen
Flüge buchen
Wohnmobil buchen
Ausrüstung planen
5 10 15 20 25 30 35 t
Die Länge der zu den einzelnen Vorgängen gehörenden Balken entspricht den
Dauern der jeweiligen Vorgänge.
368 Lösungen
d) Verlängert sich die Ausstellung der Visa um 7 Tage auf insgesamt 35 Tage, so
hat dies keine Auswirkungen auf die Projektdauer, da der Vorgang Visabeschaf-
fung in der ursprünglichen Planung einen Gesamtpuffer von 9 Tagen hatte. Dieser
Puffer kann die Verlängerung kompensieren, schrumpft durch die neuen Annah-
men jedoch auf 2 Tage.
Verlängert sich die Buchung der Flüge von 14 auf 21, also um 7 Tage, so ver-
schiebt sich das Projektende um 5 Tage nach hinten. Zwar ist der Vorgang „Bu-
chung der Flüge“ nicht kritisch, jedoch kann der Gesamtpuffer von 2 die Verlän-
gerung nicht in vollem Maße auffangen, sodass eine Verlängerung um 5 Tage
resultiert.
6.2.2
a) Zeitanalyse des Vorgangspfeilnetzplans:
4
4,5 6
C/0,5 S1
E/1 S2
5
5 6
Dieses Projekt kann frühestens innerhalb von 14 Tagen beendet werden, d. h.,
die gemeinsame Feier in 12 Tagen kann so nicht stattfinden.
3 4
0,5 5,5
3 0,5
1 0 1 2 1 3 4 4 2 6 6 8 Ende 14
1 0 3 1 2 4 8 6 0 14
3 1
5 4
1 5
Projektplanung 369
Vorgang d FA FE SA SE GP FP FRP UP
A 1 0 1 0 1 0 0 0 0
B 3 1 4 1 4 0 0 0 0
D 2 4 6 4 6 0 0 0 0
E 1 4 5 5 6 1 0 1 0
F 8 6 14 6 14 0 0 0 0
S2 0 5 5 6 6 1 1 0 0
Fahrrad säubern
Fahrrad reparieren
Probefahrt machen
Strecke planen
Satteltasche ausleihen
5 10 15 t
370 Lösungen
6.2.3
a) Früheste und späteste Ereigniszeitpunkte sind der Grafik zu entnehmen.
Legende: i
FZi SZi 3 G 7 H 10
61 61 7 68 68 120 188188
S1 0 I N 14
30
B 8 11
60 121158 202202
C
120 P 1
M
1 A 2 4 2 12
D
0 0 1 1 1 30 31 144 203203
E S2 0 Q 30
60
5 9 13
61 144 131186 233233
F
90 K 2 L R 7
40
6 14
91 146 240240
b) Der erste Zug kann frühestens nach 240 Tagen bereitgestellt werden. Der
einzige kritische Weg ist fett hervorgehoben, kritische Aktivitäten sind A, B, G, H,
N, P, Q und R.
c) Die maximale Zeitreserve entspricht dem Gesamtpuffer, der
für Vorgang L GPL = SZ 9 − FZ 5 − d L = 186 − 91 − 40 = 55 und
für Vorgang M GPM = SZ10 − FZ 9 − d M = 188 − 131 − 2 = 55
beträgt.
Gemäß Definition des Gesamtpuffers wird bereits der spätestzulässige Beginn
aller nachfolgenden Vorgänge unterstellt, daher ist eine weitere Verschiebung des
Starts von Vorgang M um mehr als 55 Tage nicht möglich, ohne das Projektende
zu gefährden. Eine Kompensation ist also nicht vollständig möglich, vielmehr
Projektplanung 371
6.2.4
a)
i FAi R 56 21 Ende 77
di SAi 21 56 0 77
5
E 1 30 L 31 1 Q 51
30 20 1 50 5 51
1 G 1 14 N 21 3
1 14 31 3 3 45 3
I 18 P 48
B 1
1 14 3 3 31 3 48
14 14 3 14
A 0 H 15 M 34
1 0 1 3 28 14 34
C 1
1 10
10 18
3
D 1 30 K 31
1
30 1 3 31
F 1
14 34 14
6.3.1
Folgendes Balkendiagramm zeigt die Lage aller Vorgänge, wenn sie zum jeweils
frühesten Anfangstermin beginnen, und dahinter den Kapazitätsbedarf der einzel-
nen Vorgänge.
372 Lösungen
(6,7) 1
(5,7) 1
(4,7) 2
(3,6) 2
(2,5) 2
(2,4) 1
(1,5) 2
(1,3) 1
(1,2) 1
5 10
Abb. 8.3. Balkendiagramm, früheste Anfangstermine
Daraus lässt sich unter Beachtung des Kapazitätsbedarfs je Vorgang der Kapa-
zitätsbedarf je Zeiteinheit bei frühesten Anfangsterminen ableiten:
6
5
4
3
2
1
1 2 3 4 5 6 7 8 9
Abb. 8.4. Kapazitätsbedarf Aufg. 6.3.1 bei frühesten Zeitpunkten
(6,7) 1
(5,7) 1
(4,7) 2
(3,6) 2
(2,5) 2
(2,4) 1
(1,5) 2
(1,3) 1
(1,2) 1
5 10
Abb. 8.5. Balkendiagramm, späteste Anfangstermine
6
5
4
3
2
1
1 2 3 4 5 6 7 8 9
Abb. 8.6. Kapazitätsbedarf Aufg. 6.3.1 bei spätesten Zeitpunkten
Sind nur drei Personen verfügbar, lassen sich die Vorgänge zeitlich so planen,
dass das Projekt dennoch rechtzeitig nach neun Zeiteinheiten abgeschlossen
werden kann.
3
2
1
1 2 3 4 5 6 7 8 9
Abb. 8.7. Kapazitätsbedarf Aufg. 6.3.1 bei drei Personen
374 Lösungen
(6,7) 1
(5,7) 1
(4,7) 2
(3,6) 2
(2,5) 2
(2,4) 1
(1,5) 2
(1,3) 1
(1,2) 1
5 10
Abb. 8.8. Balkendiagramm bei Beschränkung auf drei Personen
6.3.2
Das folgende Balkendiagramm veranschaulicht die Einsatzzeiten für die eingeteil-
ten Personen, wenn alle Vorgänge zum frühestmöglichen Zeitpunkt beginnen.
Andreas B G
Björn C F
Iris E G
Julia D H
Marco A H
Olga A C
Patrick E D
Violetta B F
5 10 15 20 25 30 35 40
Julia kommt erst nach 20 Tagen von ihrem Praktikum zurück und kann daher
nicht wie geplant mit Vorgang D zum Zeitpunkt 8 beginnen. Eine Verschiebung
der Aktivität ist ohne Verzögerung des frühesten Projektendes auf den Beginn 20
möglich, jedoch sind von der Verschiebung weitere Vorgänge und damit Studie-
rende betroffen, sodass insgesamt ein neues Balkendiagramm resultiert. Da Julia
nur eine Aufgabe übernehmen kann, muss dann auch H verschoben werden und
beginnt zum Zeitpunkt 26. Marco ist dann ebenfalls verfügbar und die Verschie-
bung von H ist unter Einhaltung des geplanten Projektendes möglich.
Projektplanung 375
Andreas B G
Björn C F
Iris E G
Julia D H
Marco A H
Olga A C
Patrick E D
Violetta B F
5 10 15 20 25 30 35 40
6.3.3
Der kritische Weg führt über 1, 2, 3, 4 und 5, nur die Beschleunigung von Vor-
gängen auf dem kritischen Weg reduziert die Projektdauer. Die günstigsten
mittleren Beschleunigungskosten der kritischen Vorgänge liegen bei (3, 4) mit 20
vor, daher wird (3, 4) um 2 Einheiten auf 1 Einheit gekürzt. Dann hat (3, 4)
Minimaldauer erreicht, d. h., die weiteren Verkürzungskosten werden auf ∞
gesetzt. Vorgang (2, 4) wird zusätzlich kritisch. Die Projektverkürzung auf 10 ist
mit Beschleunigungskosten von insgesamt 2 * 20 = 40 verbunden.
3
7 7
4 1
1 3 2 5 4 2 5
0 0 3 3 8 8 10 10
Vor einer weiteren Verkürzung muss der minimale Schnitt ermittelt werden,
der hier durch die Kombination (2, 3) und (2, 4) mit mittleren Beschleunigungs-
kosten von 30 + 10 = 40 pro Zeiteinheit gegeben ist. Mit 2 Einheiten Verkürzung
erreicht (2, 3) seine Minimaldauer und die Projektdauer kann mit Beschleuni-
gungskosten von 40 + 2 * 20 = 120 auf 8 Zeiteinheiten reduziert werden.
3
5 5
2 1
1 3 2 3 4 2 5
0 0 3 3 6 6 8 8
376 Lösungen
Im nächsten Schritt kann Vorgang (1, 2) auf 1 Zeiteinheit mit 2 * 50 = 100 Kos-
teneinheiten reduziert werden. Damit ist die minimale Projektdauer von 6 Zeitein-
heiten erreicht.
200
150
K1 + K2
100
K1
50
K2
6 7 8 9 10 11 12
Minimaldauer Normaldauer
= optimale Dauer
8.7 Simulation
7.1.1
Die Einlastungsreihenfolge ist durch die Kundenprioritäten vorgegeben. Die Sys-
temzustandsänderungen werden zeitorientiert verfolgt. Die Zustände in den Zeit-
perioden zwischen den Ereignissen sind der Übersicht zu entnehmen.
Simulation 377
A1 ,..., A5
1 A2 ,..., A5 A1 - - -
2 A2 ,..., A5 A1 - - -
3 A2 ,..., A5 A1 - - -
4 A2 , A4 , A5 A3 - A1 -
5 A2 , A4 , A5 A3 - - A1
6 A2 , A4 , A5 A3 - - A1
7 A2 , A4 , A5 A3 - - A1
8 A2 , A5 A4 - A3 A1
9 A5 A2 - A4 A1 , A3
10 - A5 A2 A4 A1 , A3
11 - A5 A2 A4 A1 , A3
12 - - A2 , A5 A4 A1 , A3
13 - - A5 A2 A1 , A3 , A4
14 - - - A5 A1 ,..., A4
15 - - - A5 A1 ,..., A4
16 - - - A5 A1 ,..., A4
17 - - - A5 A1 ,..., A4
- - - - A1 ,..., A5
7.1.2
a) Zunächst ist die Auftragsreihenfolge gemäß Kriterium „kürzeste Operations-
zeit“ aus den gegebenen Daten abzuleiten. Anschließend erfolgen die Einlastung
und die zeitorientierte Simulation mit Beschreibung der Zustände.
378 Lösungen
Bearbeitungsdauern
A1 2 1 3 6 3
A2 4 1 2 7 4
A3 3 1 1 5 2
A4 2 1 1 4 1
A1 ,..., A4
1 A1 , A2 , A3 A4 - - -
2 A1 , A2 , A3 A4 - - -
3 A1 , A2 A3 A4 - -
4 A1 , A2 A3 - A4 -
5 A1 , A2 A3 - - A4
6 A2 A1 A3 - A4
7 - A1 - A3 A4
8 - A2 A1 - A3 , A4
9 - A2 - A1 A3 , A4
10 - A2 - A1 A3 , A4
11 - A2 - A1 A3 , A4
12 - - A2 - A1 , A3 , A4
13 - - - A2 A1 , A3 , A4
14 - - - A2 A1 , A3 , A4
- - - A1 ,..., A4
Simulation 379
A1 ,..., A4
1 A1 , A4 A2 A3 - - - -
2 A1 , A4 A2 A3 - - - -
3 A1 , A4 A2 A3 - - - -
4 A1 A2 A4 A3 - - -
5 - A1 A4 A2 - A3 -
6 - A1 - A4 - A2 A3
7 - - - A1 A4 A2 A3
8 - - - - A1 A4 A2 , A3
9 - - - - - A1 A2 , A3 , A4
10 - - - - - A1 A2 , A3 , A4
11 - - - - - A1 A2 , A3 , A4
A1 ,..., A4
7.1.3
Aus den verfügbaren Daten wird zunächst die Bearbeitungsreihenfolge abgeleitet.
380 Lösungen
Auftrag A1 A2 A3 A4 A5
Bearbeitungsdauer 5 6 5 2 3
Liefertermin 8 12 9 7 5
Differenz 3 6 4 5 2
Ausgeliefert/
Periode L1 M1 L2 M2 L3
Verspätung
A1 ,..., A5
1 A1 ,..., A4 A5 - - -
2 A2 , A3 , A4 A1 - A5 -
3 A2 , A3 , A4 A1 - A5 -
4 A2 , A3 , A4 A1 - - A5
5 A2 , A4 A3 - A1 A5
6 A2 , A4 A3 - A1 A5 / 0
7 A2 , A4 A3 - - A1
8 A2 A4 - A3 A1
9 - A2 A4 A3 A1 / 0
10 - A2 - A4 A3 / 0
11 - A2 - - A4 / 3
12 - A2 - -
13 - - - A2
14 - - - A2
- - - - A2 / 2
Auftrag A1 A2 A3 A4 A5
Erreichter Liefertermin 6 14 9 10 3
Vereinbarter Liefertermin 8 12 9 7 5
Lieferterminüberschreitung - 2 - 3 -
7.1.4
a)
Auszubil-
Periode Lager 1 Lager 2 Meister Endlager
dender
A1 ,..., A4
1 A1 , A2 , A3 A4 - - -
2 A1 , A3 A2 - A4 -
3 A1 , A3 A2 - A4 -
4 A3 A1 A2 A4 -
5 A3 A1 - A2 A4
6 A3 A1 - A2 A4
7 - A3 - A1 A2 , A4
8 - A3 - - A1 , A2 , A4
9 - A3 - - A1 , A2 , A4
10 - A3 - - A1 , A2 , A4
11 - - - A3 A1 , A2 , A4
12 - - - A3 A1 , A2 , A4
- - - - A1 ,.., A4
382 Lösungen
b) Wenn die Aufträge in derselben Reihenfolge durch den Meister wie durch den
Auszubildenden bearbeitet werden sollen, gibt es 4 ⋅ 3 ⋅ 2 ⋅1 = 24 unterschiedliche
Bearbeitungsreihenfolgen für die Aufträge. Diese müssten sämtlich explizit oder
implizit hinsichtlich der Gesamtdurchlaufzeit bewertet werden, um die minimale
Gesamtdurchlaufzeit zu ermitteln.
Eine Abschätzung der mindestens erforderlichen Durchlaufzeit ist möglich. So
stellt die Summe der Bearbeitungsdauern für jeden der beiden Akteure je eine
untere Schranke dar. Die Bearbeitungszeiten des Auszubildenden betragen 10
Zeiteinheiten, die des Meisters 8 Zeiteinheiten. Eine untere Schranke für die
Gesamtdurchlaufzeit ist folglich das Maximum der beiden Werte, also 10 Zeitein-
heiten. Diese untere Schranke kann noch erhöht werden. Nach Abschluss der
Bearbeitung durch den Auszubildenden muss mindestens der letzte Auftrag noch
durch den Meister fertig gestellt werden. Im günstigsten Fall ist das derjenige
Auftrag mit der kürzesten Bearbeitungsdauer auf Stufe 2, also A1 mit Dauer 1.
Diese Zeit kommt mindestens noch zu den 10 Zeiteinheiten der Stufe 1 hinzu.
Somit kann die Gesamtdurchlaufzeit nicht unter 11 Zeiteinheiten betragen. Bevor
der Meister seine Arbeit beginnen kann, muss zumindest der Auftrag mit kürzester
Bearbeitungsdauer auf Stufe 1 durch den Auszubildenden bearbeitet worden sein,
also A4 mit einer Zeiteinheit.
Damit ist eine untere Schranke 8 ZE plus 1 ZE, also 9 ZE, die jedoch niedriger
ist als die bereits festgestellten 11 ZE. Damit kann die mittels Heuristik ermittelte
Reihenfolge mit 12 Zeiteinheiten günstigstenfalls noch um 1 Zeiteinheit verkürzt
werden. Ob dies in diesem Beispiel möglich ist, kann in diesem Fall aufgrund der
geringen Größe des Problems ermittelt werden. Eine weitere Analyse der Alterna-
tiven ergibt, dass die kürzeste Gesamtdurchlaufzeit 11 Zeiteinheiten beträgt und
z. B. mit der Reihenfolge A4 , A3 , A2 , A1 erreicht wird.
7.1.5
a) Folgende Tabelle beschreibt die Systemzustände bei Einlastung gemäß der
kürzesten Operationszeit, Rüstvorgänge werden mit R bezeichnet. Die Gesamt-
durchlaufzeit beträgt 20 Zeiteinheiten, die Rüstzeit auf Maschine 1 dauert
9 Zeiteinheiten.
Simulation 383
Maschine Maschine
Periode Lager Lager 2 Endlager
1 2
A1 ,..., A5
1 A1 , A2 , A4 , A5 A3 - - -
2 A1 , A2 , A4 , A5 R - A3 -
3 A1 , A2 , A5 A4 - A3 -
4 A1 , A2 , A5 R A4 A3 -
5 A1 , A2 , A5 R - A4 A3
6 A1 , A2 , A5 R - - A3 , A4
7 A1 , A2 , A5 R - - A3 , A4
8 A2 , A5 A1 - - A3 , A4
9 A2 , A5 A1 - - A3 , A4
10 A2 , A5 R - A1 A3 , A4
11 A5 A2 - A1 A3 , A4
12 A5 A2 - - A1 , A3 , A4
13 A5 A2 - - A1 , A3 , A4
14 A5 R - A2 A1 , A3 , A4
15 A5 R - - A1 , A2 , A3 , A4
16 A5 R - - A1 , A2 , A3 , A4
- A5 - - A1 , A2 , A3 , A4
17
- A5 - - A1 , A2 , A3 , A4
18
- A5 - - A1 , A2 , A3 , A4
19
- - - A5 A1 , A2 , A3 , A4
20
- - - - A1 ,..., A5
b) Wird jeweils der Auftrag mit kürzester Rüstzeit als nächstes eingeplant, resul-
tiert der folgende Ablauf.
384 Lösungen
Maschine Maschine
Periode Lager Lager 2 Endlager
1 2
A1 ,..., A5
1 A2 , A3 , A4 , A5 A1 - - -
2 A2 , A3 , A4 , A5 A1 - - -
3 A2 , A3 , A4 , A5 R - A1 -
4 A3 , A4 , A5 A2 - A1 -
5 A3 , A4 , A5 A2 - - A1
6 A3 , A4 , A5 A2 - - A1
7 A3 , A4 , A5 R - A2 A1
8 A4 , A5 A3 - - A1 , A2
9 A4 , A5 R - A3 A1 , A2
10 A5 A4 - A3 A1 , A2
11 A5 R A4 A3 A1 , A2
12 - A5 - A4 A1 , A2 , A3
13 - A5 - - A1 , A2 , A3 , A4
14 - A5 - - A1 , A2 , A3 , A4
- - - A5 A1 , A2 , A3 , A4
15
- - - - A1 ,..., A5
Geringste Rüstzeit 15 ZE 4 ZE
Simulation 385
7.2.1
Das Problem lässt sich mittels Zustandsbaum, dieser entspricht einem Entschei-
dungsbaum ohne Handlungsalternative, strukturieren.
0,
0,
5
25
M
M
M
iss
iss
iss
er
er
er
fo
fo
fo
lg
lg
lg
a) Die Wahrscheinlichkeit einer erfolgreichen Markteinführung errechnet sich aus
dem Produkt der Wahrscheinlichkeiten für den erfolgreichen Abschluss aller
Stufen, also: 0, 5 ⋅ 0, 6 ⋅ 0, 75 = 0, 225 = 22, 5%
b) Die Transformationsfunktionen lauten wie folgt:
⎧Stufe1positiv für 0 ≤ u ≤ 0,5
T1 (u ) = ⎨
⎩Stufe1negativ für 0,5 < u ≤1
T2 (u ) = 54.000 + 12.000 u
⎧Stufe 2 positiv für 0 ≤ u ≤ 0, 6
T3 (u ) = ⎨
⎩Stufe 2 negativ für 0, 6 < u ≤ 1
T4 (u ) = 60.000 + 40.000 u
⎧Stufe 3erfolgreich für 0 ≤ u ≤ 0, 75
T5 (u ) = ⎨
⎩Stufe 3negativ für 0, 75 < u ≤ 1
T6 (u ) = 337.500 + 225.000 u
7.2.2
Der folgende lineare Kongruenzgenerator wird hier beispielhaft gewählt:
xi +1 = (5 ⋅ xi + 3) mod 16
7.2.3
Entsprechend der Aufgabe 7.2.2 werden die sechs Zufallszahlen 715 ; 615 ; 1 ;
15
8 ; 11 ; 10
15 15 15 ermittelt.
Die Transformationsfunktion zur Ermittlung der Fahrgastzahlen lautet:
1. Lauf 2. Lauf
Kunden Ersparnis Kunden Ersparnis
RE 1 52 572 52 572
IR 20 51 357 53 371
RE 11 50 650 53 689
Die untersuchte Anzahl an Fahrgästen beträgt 311, insgesamt wurde ein Zeit-
gewinn von 3211 Minuten beobachtet. Dies ergibt einen durchschnittlichen Zeit-
gewinn je Fahrgast von 10,32 Minuten.
388 Lösungen
7.2.4
Die minimale Dauer wird erreicht, wenn sämtliche Vorgänge minimale Vorgangs-
dauern aufweisen. Sie beträgt 5 = min {2 + 3, 5} .
Die maximale Dauer ist 7 = max {3 + 4, 6} Zeiteinheiten. Sie wird angenom-
men, wenn alle Vorgänge ihre maximale Vorgangsdauer benötigen.
Mit den entsprechenden Transformationsfunktionen für
[ a, b ]: g ( u ) = a + ( b − a ) ⋅ u
und der angegebenen Zufallszahlenfolge erhält man für die erste Simulation der
Projektdauer d1 = 2, 4 , d 2 = 3, 7 und d3 = 5,5 . Die Projektdauer ist hierfür 6,1.
d1 ∈[ 2,3] d 2 ∈[3, 4 ]
d 3 ∈[5, 6 ]
Da die maximale Abweichung nur 0,01 betragen soll, ist die Zahl der Simulati-
onsläufe zu ermitteln, für die gilt:
( )
2
1,96 ⋅ 0,2 n ≤ 0,01 ⇔ n ≥ 1,96 ⋅ 0,2 0,01 ≈ 1.537
Damit sind zur Einhaltung der vorgegebenen Genauigkeit 1.537 Simulations-
läufe durchzuführen, also weitere 1.437.
7.2.5
Zunächst ist ein geeignetes Zeitintervall festzulegen, welches konsequent einzu-
halten ist. Unabhängig von dieser Wahl erhält man dann die zutreffenden Ergeb-
nisse. Die Verkehrsdichte wird hier bezogen auf einen Tag:
mittlere Anzahl ankommender Züge λ
ρ = =
Anzahl von Zügen, die im Mittel abgefertigt werden können μ
24
15 1, 6
= = = 0,8
24 2
12
Simulation 389
ρ2 0,82 0,64
ns = = = = 3, 2.
1 − ρ 0, 2 0, 2
Im Mittel wartet jeder Zug zwei Tage, dazu bildet sich eine Warteschlange mit
im Durchschnitt 3,2 Zügen. Die Kosten pro Zug, die aufgrund der Wartezeit
anfallen, betragen 250 GE pro Stunde. Da die mittlere Wartezeit 2 Tage bzw. 48
Stunden beträgt, sind die Opportunitätskosten der durchschnittlichen Wartezeit
48 ⋅ 250 = 12.000 GE pro Zug.
7.2.6
Die Auslastung entspricht der Verkehrsdichte und beträgt bezogen auf je 10
Minuten:
λ 1,5
ρ= = = 0, 75 = 75%
μ 2
Die mittlere Schlangenlänge ist
ρ2 0, 752
ns = = = 2, 25.
1 − ρ 0, 25
Die durchschnittliche Wartezeit errechnet sich zu
ρ 0, 75 ⎡10Minuten Person ⎤
tw = = = 1,5 ⎣ ⎦
μ (1 − ρ ) 2 ⋅ 0, 25
= 15 ⎡⎣ Minuten Person ⎤⎦ .
7.2.7
Die Verkehrsdichte und damit die Auslastung der Fleischfachverkäuferin werden
auf Basis der durchschnittlichen Ankünfte und Bedienung je Stunde ermittelt:
λ 12
ρ= = = 0, 6 = 60%
μ 20
390 Lösungen
ρ2 0, 62
ns = = = 0,9.
1 − ρ 0, 4
Die mittlere Wartezeit beträgt
ρ 0, 6
tw = = = 0,075 ⎡⎣Std. Person ⎤⎦
μ (1 − ρ ) 20 ⋅ 0, 4
= 4,5 ⎡⎣ Min. Person ⎤⎦ .
Im Mittel stehen 0,9 Kunden in der Schlange und warten dort durchschnittlich
4,5 Minuten.
7.2.8
Der Mittelwert der beobachteten Kapitalwerte kann aufgrund des zentralen Grenz-
( )
wertsatzes als annähernd normalverteilt NV 350, 452 angenommen werden. Da
die Stichprobe mit 400 ausreichend groß ist, kann das Konfidenzintervall mit der
geschätzten Standardabweichung und dem Fraktil der Normalverteilung bestimmt
werden. Mit einer Wahrscheinlichkeit von 95 % liegt der Erwartungswert in dem
Konfidenzintervall
⎡ σ σ ⎤
⎢ μ − Φ ( 0,975) ⋅ n , μ + Φ ( 0,975) ⋅ n ⎥ .
−1 −1
⎣ ⎦
Für die konkreten Werte und mit Φ −1 ( 0, 975 ) = 1, 96 ergibt sich mit
⎡ 45 45 ⎤
⎢350 − 1,96 ⋅ , 350 + 1,96 ⋅ ⎥
⎣ 400 400 ⎦
Auswahlordnung 274
A Auszahlung 88
Abbruch 10
B
Abfertigungsrate 294
Abhängigkeitsbeziehung 216, 241 Balkendiagramm 225
Ablaufplan Barbestand 150
optimaler 246 Barwert 143
Ablaufsteuerung 278 Basis 39, 50
ereignisorientierte 278 zulässige 51
zeitorientierte 278 Basisdarstellung 68
Absatzhöchstmenge 128 Basisinverse
Absatzrestriktion 128 optimale 111
adjazent 177 Basislösung 39, 52
Adjazenzmatrix 186, 187, 195, 213 benachbarte 54
Algorithmus 9, 223, 224, 228, 229 erste zulässige 82
Alternative 10, 21 optimale 55
Alternativenraum 21 zulässige 52, 54, 84
Anfangsknoten 178 Basistausch 56
Anfangszeit Basistransformation 41
frühestmögliche 225, 228 Basisvariable 39
spätestzulässige 225, 229 Basiswechsel 112
Ankunftsprozess 294 Baum 185
Ankunftsrate 294 Baumalgorithmus 201
Ankunftsverhalten 274, 291 Bedienprozess 294
Anlagenbelegungsplanung 259, 266 Beschleunigungskosten 248
Annuität 143 Beschreibungsmodell 3
Anordnungsbeziehung 210 Besetzungsdichte 281
Anweisung 10 Bewertungsfunktion 25, 194
Äquivalenzklasse 6, 7 Bewertungsmatrix 194, 197
Artenpräferenz 25 Beziehung 256
Attribut 24 Blatt 185
Aufnahmekriterium 40, 55
Auftragseinlastung 264 C
Ausgangsbasis 39
Ausgangsform ClipMOPS® 125, 149
kanonische 152 Activity 125
Ausgangsgrad 178 Status 126
Ausgangslösung CPM 211
zulässige 77
Auslastung 277
408 Sachverzeichnis
D Entscheidungsmodell 3, 5
Entscheidungsregel 25
Dantzig 54 Entscheidungssituation 22, 262
Deckungsbeitrag 33, 99, 128, 137, 164 unter Risiko 22
gesamter 128 unter Sicherheit 22, 109
relativer 34, 100 Entscheidungstheorie 16, 18
Dichtefunktion 286 deskriptive 16
Digraph 179, 210 präskriptive 16
bewerteter 197 Entscheidungsträger 16
Dijkstra 197 Entscheidungsunterstützung 1, 173
Dilemma der Ablaufplanung 266 Entscheidungsvariable 131, 151
Dominanzprinzip 27 Entscheidungsverhalten 16
Dreiecksmatrix Enumeration
obere 188 vollständige 8, 263
Dualität 102 Ereignis 210, 258, 279
Dualvariable 103 endogenes 258
exogenes 258
E kritisches 230
Ecke 66, 175 Ereignisknotennetzplan 211
des Polyeders 54 Ereigniszeitpunkt
des Zulässigkeitsbereichs 37 frühestmöglicher 223, 242
Effizienz 11, 27 spätestzulässiger 224, 242
Eingabedaten 125 Ergebnis 17, 24
Eingangsgrad 178 Ergebnisanzeige
Einheitsmatrix 39, 50 erweiterte 125
Einzahlungsüberschuss 141 Ergebnismatrix 19
Element 256 Ergebnisraum 24
bewegliches 278 Erklärungsmodell 3
festes 278 Erlös 33
Elimination 56 Erlösmaximierung 158
Eliminationskriterium 41, 56, 67 Erreichbarkeit 185
Ende 218 Erwartungswert 285, 287
Endknoten 178, 185 Experiment 256
Endkunde 130 Exponentialverteilung 290, 293
Endtableau
optimales 43, 87, 107, 110 F
Endtermin Fallmix-Optimierung 163
frühestmöglicher 225, 229 Feuerwehr 133
spätestzulässiger 225, 229 Finanzierungsmaßnahme 142
Endvermögen 155 Fixkostenanteil 158
Endwert 143, 149 Flexibilitätsreserve 230, 238
Engpass 37 Fluss
Entartung maximaler 251
duale 66, 311 Flussdiagramm 9
primale 56, 68, 71, 310 Folge 10
Entfernung 196 Form
Entfernungsmatrix 197 kanonische 50, 79, 84
Entscheidung Freiheitsgrad 292
optimale 25, 262
Entscheidungslogik 16
Entscheidungsmatrix 19, 26
Sachverzeichnis 409
G Investition 141
Investitions- und
Gantt-Diagramm 225, 242 Finanzierungsprogramm 147
Gesamtdeckungsbeitrag 34, 129 Investitionsprojekt 296
Gesamtdurchlaufzeit 259, 271 Investitionsrechnung
Gesetz der großen Zahl 291 dynamische 141
Gleichgewicht inzident 177
finanzielles 148, 151 negativ 178
Gleichheitsrestriktion 108 positiv 178
Gleichungssystem Inzidenzabbildung 174, 175, 176
äquivalentes 47, 79 isoliert 178
Gleichverteilung 281 Isomorphismus 6, 7, 184
stetige 286 Isozielfunktionslinie 36, 64
Glockenkurve 288 Iteration 58, 124, 198, 199
Grad 178
Graph 174
bewerteter 194 K
endlicher 178 Kalkulationszinssatz 141
gerichteter 176, 177, 178 Kante 174, 175
kreisfreier 182 gerichtete 176
schlichter 179 parallele 179
symmetrischer 181 Kantenfolge 182
ungerichteter 175, 177 geschlossene 182
vollständiger 181 Länge 196
zusammenhängender 185 offene 182
zyklenfreier 183 Kapazität 116, 128
Grenzwertsatz freie 37
zentraler 291 Kapazitätenvektor 45
Groß-M-Methode 87 Kapazitätsauslastung 268
Grundform 103 Kapazitätsbedarfsanalyse 244
Grundmodell 18, 54, 72, 96 Kapazitätsplanung 244
der linearen Optimierung 44, 45 Kapazitätsrestriktion 129
Kapitalwert 141, 167, 296
H Kassenbestand 150
Kette 182
Habenzins 145 Knoten 134, 174, 175, 176
Halbraum 46 benachbarte 177
Handlungsalternative 16, 151, 262 verbundene 185
Heuristik 9, 263, 273 Knotenpaar 176
Hilfsmodell 79, 80, 84 Koeffizientenmatrix 45
Hilfsvariable 79, 84, 152 Komplementaritätsbedingung 106
Hilfszielfunktion 84 Komplexität 11
Höhenpräferenz 25 Konfidenzintervall 291
Homomorphismus 6 Konfidenzniveau 292
Kongruenzgenerator
I linearer 280
Index 45 Kontrolle 2
Indifferenz 24 Kosten 88, 132, 163
Information 17 fixe 33
Initialisierung 199 variable 33
Intervallschätzung 291 Kostenanteil
410 Sachverzeichnis
O abgeschlossenes 46
konvexes 46
ökonomisches Prinzip 1 Polytop 54
O-Notation 12 portabel 282
Operations Research 1 Präferenz 24
Operationszeit 263 schwache 24
Opportunitätskosten 60, 89, 100, 102, strikte 24
105, 126 Präferenzfunktional 25
Optimalität 1 Präferenzinformation 18
der Basis 112 Preisdifferenzierung 158
Optimalitätskriterium 43, 55 Primalvariable 103
Optimierung 8, 262 Primfaktor 282
gemischt-ganzzahlige 265 Problemlösungsprozess 2
kombinatorische 265 Produktdifferenzierung 158
lineare 44 Produktionskoeffizient 33
parametrische 112 Produktionskosten 129
Optimierungsalgorithmus 9 Produktionsmenge 129
Optimierungsmodell Produktionsnetzwerk 130
binäres lineares 136 Produktionsplanung 139, 266
duales lineares 102 Produktionsprogramm
gemischt-ganzahliges lineares 131 optimales 35
lineares 152 Produktionsprogrammplanung 33, 125,
primales lineares 102 127
quadratisches 123 Produktionssystem 266
Prognosemodell 3
P Programmablaufplan 9
Parameter 131 Programmierung
Parametermodifikation 112 ganzzahlige 123
pareto-optimal 27 gemischt-ganzzahlige 123
Periodenlänge 281 lineare 44
periodisch 280 Programmierungsmodell
Personalbedarf 161, 253 lineares 46
Personaleinsatzplanung 161, 171 Projekt 209
PERT-Netzplan 211 Projektablauf 209
Pfad Projektanfang 217
kritischer 230, 234, 238 Projektauswahl 166
Pfeil 176 Projektbeginn 217
parallel 179 Projektdauer
Pfeilfolge 183, 196 kostenoptimale 247
geschlossene 183 Projektende 217
offene 183 frühestes 241
Pivotelement 41, 56, 57 Projektkostenoptimierung 246
Pivotisierung 56 Projektlaufzeit 143, 144
Pivotspalte 40, 56, 57 Projektmanagement 209
Pivotzeile 41, 56, 57 Projektplanung 209
Planung 1, 2, 222 Pseudozufallszahlen 279
standortübergreifende 130 Puffer
Planungshorizont 128 freier 231, 239
Planungszeitraum 150 freier Rückwärts- 232, 239
Poissonverteilung 290, 294 Gesamt- 231, 239
Polyeder Pfad- 234
412 Sachverzeichnis
V Z
Validierung 266 Zahlungsbereitschaft 158
Variable 36 Zahlungsreihe 141, 147, 151, 154
ganzzahlige 123 Zeitanalyse 222, 227, 235, 241
kontinuierliche 125 Zeitkomplexität 201
substituierte 124 zeitlich effizient 27
unbeschränkte 93, 108 Zeitpräferenz 25, 146
vorzeichenunbeschränkte 92 Zeitpunkt
Variablensubstitution 93 frühestmöglicher 222
Varianz 285, 287 spätestzulässiger 222, 224
Variation des Zielfunktionskoeffizienten Zeitreserve 231
113 Zeitspanne
Vater 185 maximal verfügbare 230
Verarbeitung 10 Ziel 17, 24
Verkehrsdichte 294 Zielfunktion 45
Verkürzung 249 unbeschränkte 106
414 Sachverzeichnis