Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 1
TUM School of Management
Operations Research
Prof. Dr. Martin Moog
Lehrstuhl für Forstliche Wirtschaftslehre
Wer vom Ziel nicht weiß, kann den Weg nicht haben.Christian Morgenstern
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 2
TUM School of Management
Gliederung
(1) Allgemeine Einführung– Literatur– Modellbildung
(2) Logistische Prozesse– Reihenfolgeprobleme
• Rundreise• Postkutsche
– Zuordnungsprobleme• Transportproblem• Chinese-Postman Problem
(3) Produktionsplanung und -steuerung
– Optimierung von Losgrößen– Optimierung von Mischungen
– Optimierung der Kapazitätsauslastung
– Optimierung der Maschinenbelegung
– Optimierung des Werkzeugwechsels
– Sonderfall: Ganzzahlige Optimierung
(4) Standortentscheidung und Warteschlangenmodell
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 3
TUM School of Management
(1) Allgemeine Einführung
• Literatur
• Modellbildung
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 4
TUM School of Management
Übersetzungen von OR ins Deutsche
• Unternehmensforschung
• Operationsforschung
• Optimierungsrechnung
• Planungsforschung
• Planungsrechnung
• Optimalplanung
• mathematische Entscheidungsvorbereitung
haben sich nicht durchgesetzt
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 5
TUM School of Management
OR-Lehrbücher• Domschke und Drexl (2007): Einführung in Operations Research, Springer-Lehrbuch
• Zimmermann, Werner (1992) Operations Research – Quantitative Methoden zur Entscheidungsvorbereitung, 6. Auflage, Oldenbourg
• Heinrich, Gert: Operations Research, Oldenbourg, 2007
• Werners, Brigitte (2006) Grundlagen des Operations Research. Springer
• Zimmermann, Hans-Jürgen (2008): Operations-Research. 2. Auflage, Vieweg
• Gohout, Wolfgang (2009): Operations Research. 4. Auflage, Oldenbourg
• Hillier, Frederick S. und Lieberman, Gerald J.: Operations Research, 4. Auflage, 1988, Oldenbourg(übersetzt)
• Henn, R. und Künzi, H. P.: Einführung in die Unternehmensforschung Band I und II, Springer Verlag, 1968
• Müller-Merbach, H.: Operations-Research, 2. Auflage, Vahlen, 1971 (es gibt viele neuere Auflagen)
• Gritzmann, Peter und Brandenberg, René: Das Geheimnis des kürzesten Weges, 3. Auflage, Springer Verlag, 2005
• Ellinger, Beuermann, Leisten: Operations Research, 6. Auflage, Springer, 2003
eine kleine Auswahl
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 6
TUM School of Management
Gliederungsschemata in OR Lehrbüchern (1/2)
• Netzplantechnik• Lineare Optimierung• Transport und
Zuordnungsoptimierung• Ganzzahlige Optimierung• Kombinatorische Optimierung• Dynamische Optimierung• Nichtlineare Optimierung• Wahrscheinlichkeitstheoretische
Grundlagen• Entscheidungstheoretische
Grundlagen• Theorie der Spiele• Simulationstechnik• Warteschlangensysteme• Optimale Lagerhaltung
• Lineare Optimierung• Graphentheorie• Lineare Optimierungsprobleme mit
spezieller Struktur• Netzplantechnik• Ganzzahlige und kombinatorische
Optimierung• Dynamische Optimierung• Nichtlineare Optimierung• Warteschlangentheorie• Simulation
Zimmermann, W., 1992 Domschke und Drexl 1991, 2007
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 7
TUM School of Management
Gliederungsschemata in OR Lehrbüchern (2/2)
• Lineare Optimierung• Spieltheorie• Transportprobleme• Ganzzahlige Optimierung• Binäre Optimierung• Graphentheorie• Netzplantechnik• Simulation
• Grundlagen linearer Optimierung• Modellerweiterungen, Dualität,
Sensitivitätsanalyse• Anwendungen linearer Optimierung• Graphentheorie• Projektplanung• Simulation und
Warteschlangensystem• Lösungen der Aufgaben
Heinrich 2007 Werners 2006
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 8
TUM School of Management
Wissenschaftliche Gesellschaften und Zeitschriften
• Deutsche Gesellschaft für Operations Research DGOR• Gesellschaft für Mathematik, Ökonomie und Operations Research GMÖOR• International Federation of OR-Societies IFORS• Operations Research Society of America ORSA
• Annals of OR• European Journal of OR• Journal of the Operational Research Society• Management Science• Mathematical Programming• Operations Research• OR Spektrum• Zeitschrift für OR
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 9
TUM School of Management
OR in forstlichen Lehrbüchern
• Kangas, Kangas, Kurttila: Decision Support for Forest Management, Springer 2008
• Bettinger, Boston, Siry, Grebner: Forest Management and Planning, Elsevier Academic Press, 2009
nur eine Auswahl
Kannst Du mir Dein Ziel nicht sagen,brauchst nach Rat Du nicht zu fragen.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 10
TUM School of Management
Literatur zu OR-Anwendungen in der ForstwirtschaftHÖFLE und SCHÖPFER (1970 und 1971) haben eine Bibliographie der Anwendung der Methoden des Operations Research in der Forst- und Holzwirtschaft zusammengestellt (Mitteilungen der Baden-Württembergischen Forstlichen Versuchs- und Forschungsanstalt, Heft 25, Freiburg/Br.). In dieser Bibliographie sind rund 500 Titel erfaßt, von denen aber viele im angelsächsischen Sprachraum erschienen sind.
Ein Beispiel für eine Darstellung von LP-Modellen für landw. Fragestellungen
Mußhoff, Oliver u. Hirschauer, Norbert: Modernes Agrar-Management. Vahlen 2010
Ein Beispiel für eine Arbeit mit forstlichen Fragestellungen:
Rose, Dietmar: Quantitative Modelle in der strategischen Planung am Beispielder Forstwirtschaft, Hochschulverlag, Freiburg, 1992
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 11
TUM School of Management
OR-Modell für die Flurbereinigung
TUM Faszination Forschung, Dez 2012, S. 22
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 12
TUM School of Management
OR-Modellbildung
Entwicklung vonAlgorithmen
OR im engeren Sinne
OR im weiteren Sinne
Modellbildung und Lösungsfindung
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 13
TUM School of Management
Erste OR-Anwendungen
Zusammenstellung vonSchiffskonvois im WKII
Optimierung derRadarerfassung derFlugbewegungen an derenglischen Küste
kommerzielle Anwendungen nach dem 2. Weltkrieg
unzählige Rechenknechte
Der Krieg ist Vater aller Dinge.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 14
TUM School of Management
Computereinsatz notwendig
Konrad Zuse
Museum in Hünfeld (Rhön)
Logo der Konrad Zuse Gesellschaft
Z1 – 1938, ein mechanischer RechnerZ2 – 1938 der erste Versuch mit ElektronikZ3 – 1941 der erste funktionsfähige RechnerZ4 – noch in Berlin gebaut, im Allgäu
wiederaufgebaut, an die ETH vermietet.Plankalkül – die erste Programmiersprache (1945)
Konrad Zuse war auch künstlerisch begabt.Bill Gates ließ sich von ihm porträtieren.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 15
TUM School of Management
Exkurs: MuseenHünfeldPaderborn – Heinz Nixdorf Museums ForumMünchen – Deutsches MuseumBletchley Park (UK)
Fehlt´s Deinem Tun an einem Ziel,nutzt auch ein Rat Dir nicht sehr viel.
Computer Land binär elektronisch
programmierbar
Zuse Z 3 D 5 / 1941 ja nein Lochstreifen
Atanasoff-Berry
USA Sommer 1941 ja ja nein
Colossus UK 1943 ja ja Neuverkabelung
Mark I USA 1944 nein nein Lochstreifen
Zuse Z 4 D 3 / 1945 ja nein Lochstreifen
ENIAC USA 1946 nein nein Neuverkabelung
Quelle: Wikipedia- Stichwort Colossus
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 16
TUM School of Management
Realität(objektiv)
PerceptionBewusstsein
Anspruchsniveaus(subjektiv)
Problem(im Bewusstsein eines
Menschen)
Entschluss
Nicht-quantifizierterelevante Probleme
TatbeständeLösung des
Problems
akzeptabel?
Anpassung der An-Sprüche, Änderung
des Realitätsaus-schnitts
Lösung des Real-Modelles
Lösung des Rechenmodelles
Rechenmodell
Mathematisches Real-Modell
Verbales Modell
Formale Sprache, Abstraktion
Interpretation
Algorithmus
Interpretation
Zusam
men
hän
ge zwisch
en P
rob
lemen
, Mo
dellen
un
d A
lgorith
men
(Zimm
erman
n, 1
99
2, S. 1
)
ja
natürliche Sprache
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 17
TUM School of Management
Improvisation Planung
Fehlen Ziele Deinen Taten,kann man Dir nicht wirklich raten.
Nach einem gängigen Bonmotist Planung das Ersetzen desZufalls durch den Irrtum.
Planungen sind bedingteEntscheidungen. Es gibt nochdie Möglichkeit der Planrevision,wenn die Umweltbedingungennicht so eintreten wie erwartet.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 18
TUM School of Management
Grundsätzliche Vorgehensweise des OR
reales Problem
mathematisches Modell
Modell-Lösung
Lösungsvorschlagfür das reale Problem
Abstraktion
Rechnung
Interpretation
nach Zimmermann, W., 1992, S. 3
Die gewählte Lösung mußnicht die Modell-Lösung sein.
Berücksichtigung weitererUmstände ist sinnvoll.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 19
TUM School of Management
Modelltypen
Modelle
Beschreibungs-modelle
Erklärungs-modelle
oderPrognosemodelle
Entscheidungs-oder
Optimierungs-modelle
Restriktionenin Optimierungs-modellen
Schwerpunkt des OR
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 20
TUM School of Management
Optimierungsmodelle
Optimierungsmodell = Zielfunktion + Nebenbedingungen
maximiere den Deckungsbeitrag
minimiere die Kosten beachte die zur Verfügung stehendenProduktionskapazitäten
bei vorgegebenen Produktionsmengen
Modelle zur Maximierung oder Minimierung
manchmal werden auch Zielwerte vorgegeben
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 21
TUM School of Management
Charakterisierung von Optimierungsmodellen
Informationsgraddeterministische Modelle
stochastische Modelle
Typ der Zielfunktion
und der
Nebenbedingungen
lineare, nichtlineare, ganzzahlige
Zielfunktion(en)
eine oder mehrere Zielfunktionen
bei letzteren nur „Optimierung“, wenn
Effizienzkriterien angegeben werden können
(Beurteilungsmaßstäbe für den Grad der Erreichung
der Ziele)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 22
TUM School of Management
Ein Unternehmen besitzt an mehreren Orten Fabrikhallen.
Es stellt sich die Frage, wie die Abteilungen auf diese Orte verteilt werden sollen.
Die Abteilungen müssen untereinander Güter austauschen. Dadurch entstehenTransportkosten.
Je mehr Güter getauscht werden müssen und je größer die Distanzen sind,desto höher sind die Transportkosten.
C.E. Nugent, Th.E. Vollmann und J. Ruml haben 1968 einen Satz von Beispielenformuliert für 5, 6, 7, 8, 12, 15, 20 und 30 Standorte (Nug5 bis Nug30).
An diesen Beispielen werden Optimierungsprogramme getestet.
Nug12 wurde erstmals 1978 gelöst, Nug15 1979
Nug30 hat 2,65 x 1032 Lösungen. Es wurde mit einem Algorithmus gelöst,der die Lösungen aussondert, unter denen das Optimum nicht sein kann.Gerechnet wurde mit mehr als 1.000 zusammengeschalteten Computern.
FAZ vom 25. 10. 2000
Nug30 – gelöst im Jahr 2000
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 23
TUM School of Management
Vier wichtige Merkmale des OR
• Optimalitätsstreben
• Modellanalytische Vorgehensweise
• Problemquantifizierung
• Entscheidungsvorbereitung
Zimmermann, W., 1992, S. 4
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 24
TUM School of Management
Einteilung der Lösungsverfahren
• analytische Verfahren
• Näherungs-Verfahren
• heuristische Verfahren
• Simulations-Verfahren
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 25
TUM School of Management
Teilgebiete des OR
• Lineare Optimierung• Graphentheorie und Netzplantechnik• Ganzzahlige (lineare) und kombinatorische Optimierung• Dynamische Optimierung• Nichtlineare Optimierung• Warteschlangentheorie• Simulation
nach Domschke u. Drexl, 2. Aufl. 1991
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 26
TUM School of Management
Typische Fragestellungen
• Losgrößen
• Reihenfolgeprobleme
• Rundreiseprobleme
• Zuordnungsprobleme
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 27
TUM School of Management
(2) Logistische Prozesse
• Reihenfolgeproblem– Rundreise
– Postkutsche
• Zuordnungsproblem– Transportproblem
– Chinese-Postman Problem
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 28
TUM School of Management
Einfache Reihenfolgeprobleme
• Das bekannteste Lehrbuch-Reihenfolgeproblem ist das sogen. Travelling-Salesman-Problem oder Rundreiseproblem.
• Das Rundreiseproblem kann in der Forst- und Holzwirtschaft z.B. in Form einer Minimierung von Umsetzzeiten oder Umsetzkosten auftreten.
• Die Reihenfolge der Bearbeitung von Losen kann aber auch ein Reihenfolgeproblem sein, bei dem es darum gehen kann, die Rüstzeiten oder die Rüstkosten zu minimieren.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 29
TUM School of Management
Start
1
2
3
3
2
2
1
3
3
1
3
1
2
2
1
Das Reihenfolgeproblem als Ereignisbaum (3 Stationen)
Kombinatorik – kombinatorische Explosion
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 30
TUM School of Management
Ein Beispiel für ein Rundreiseproblem
Die Reihenfolge, in der mit einem Bohr-Roboter Löcherin ein Werkstück gebohrt werden.
Der Bohrkopf beginnt mit dem ersten Loch, bohrt dannnacheinander die Löcher in das Werkstück und mußin die Ausgangsposition zurück, um beim nächstenWerkstück mit demselben Loch anzufangen.
Durch Optimierung der Reihenfolge läßt sich dieProduktivität der Maschine ggf. stark steigern.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 31
TUM School of Management
Die Geschichte der gelösten Rundreiseprobleme
Jahr Art des Problems und Größe Autor, Algorithmus
1954 49 Städte, Hauptstädte der 48
Staaten der USA + Washingtonwww.math.princeton.edu/tsp/history.html
George Dantzig, Ray Fulkerson, Selmer
Johnson,
Branching and Bounding
1962 Wettbewerb von Proctor &
Gamble
1977 120 Knoten Martin Grötschel
1987 666 Knoten (world tour) Martin Grötschel und Olaf Holland
1991 3.038 Knoten David Applegate, Robert Bixby, Vasek
Chvátal
Die 15.112 Gemeinden in
Rheinland-Pfalz
2004 24.978 Orte in Schweden
vgl. Gritzmann und Brandenberg, 2005, S. 346 ff.
Stark symmetrische Probleme sind mit viel höherem Rechenaufwand verbunden.Ein Problem mit 225 Städten wurde erst 1995 geknackt.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 32
TUM School of Management
Rundreise-Spiel
Internetseite von Herrn Kollegen Gritzmann, Fakultät für Mathematik
https://www-m9.ma.tum.de/Allgemeines/TravelingSalesman
Wer nicht weiß, wohin zu gehen,bleibt am besten einfach stehen.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 33
TUM School of Management
E
F
C
D
A
Start undZiel
B
Rundreiseproblem (1/2)
Wie findet man intuitiv eine Lösung?
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 34
TUM School of Management
E
F
C
D
A
Start undZiel
B
Einfach zur jeweilsnächstgelegenen Station!
Algorithmus des besten Nachfolgers
führt tendenziell zulangen Rückwegen
Rundreiseproblem (2/2)
Dieser Algorithmus gehört zu den sog. Greedy-Heuristiken. Die zeichnen sich
dadurch aus, daß ohne Vorausschau die nächstbesten Lösungen gewählt werden.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 35
TUM School of Management
Start/Ziel A B C
Start/Ziel 11 5 9
A 11 3 4
B 5 3 12
C 9 4 12
Start/Ziel
A
B
C
Es können auch Reisezeiten oderReisekosten sein.
11
9
5
3 4
12
Rundreiseproblem - Beispiel
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 36
TUM School of Management
Algorithmus des besten Nachfolgers (1/5)
Start/Ziel A B C
Start/Ziel 11 5 9
A 11 3 4
B 5 3 12
C 9 4 12
Es wird eine Entfernungsmatrix benötigt,diese ist symmetrisch, wenn Hin- und Rückwege gleichlang sind;die Felder auf der Hauptdiagonalen sind leer bzw. Null.
Bei der Rundreise liegt Start/Ziel fest, die erste Zeile und die erste Spalte sind dadurch bestimmt.
Die Reihenfolge der Spalten und Zeilen gibt die Reihenfolge der Stationen an;die Summe der grünen Felder folglich die Länge der Rundreise, hier 35 = 11+3+12+9.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 37
TUM School of Management
Algorithmus des besten Nachfolgers (2/5)
Start/Ziel A B C
Start/Ziel 11 5 9
A 11 3 4
B 5 3 12
C 9 4 12
Um im Sinne des Algorithmus des besten Nachfolgers den Weg zu bestimmen,muß die Spalte A gegen die Spalte getauscht werden, in der in der ZeileStart/Ziel der kleinste Wert steht.
Es muß also Spalte B gegen Spalte A getauscht werden, dann die Zeilen entsprechend.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 38
TUM School of Management
Start/Ziel A B C
Start/Ziel 11 5 9
A 11 3 4
B 5 3 12
C 9 4 12
Start/Ziel B A C
Start/Ziel 5 11 9
A 11 3 0 4
B 5 3 12
C 9 12 4
nach Tausch derSpalten A und B
Algorithmus des besten Nachfolgers (3/5)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 39
TUM School of Management
Start/Ziel B A C
Start/Ziel 5 11 9
B 5 3 12
A 11 3 4
C 9 12 4
Start/Ziel B A C
Start/Ziel 5 11 9
A 11 3 0 4
B 5 3 12
C 9 12 4
nach Tausch derSpalten A und B
nach Tausch derZeilen A und B
Die Summe derDistanzen beträgtnun 21 = 5+3+4+9
Algorithmus des besten Nachfolgers (4/5)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 40
TUM School of Management
Start/Ziel B A C
Start/Ziel 5 11 9
B 5 3 12
A 11 3 4
C 9 12 4
nach Tausch derSpalten A und Bund der Zeilen A und B
Es muß jetzt in der Zeile B rechts der Spalte B der kleinste Wert gesuchtwerden. Die Spalte müßte dann an die Position rechts neben Bgetauscht werden, dann entsprechend die Zeilen.
Hier steht aber schon der kleinste Wert an der richtigen Stelle.
Die Lösung lautet also: Start - B – A – C – Ziel
Algorithmus des besten Nachfolgers (5/5)
Bei symmetrischen Matrizenist der umgekehrte Weg eine
gleichgute Lösung.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 41
TUM School of Management
E
F
C
D
AStart und
Ziel
B
Das Rundreiseproblem
Verfahren des sukzessiven Einbausvon Stationenoder des geringsten Umwegs
ersterWegbzw .Schleife
Verfahren des Sukzessiven Einbaus (1/7)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 42
TUM School of Management
E
F
C
D
AStart und
Ziel
B
Verfahren des sukzessiven Einbausvon Stationenoder des geringsten Umwegs
ersterWeg
ersterUmweg
Verfahren des Sukzessiven Einbaus (2/7)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 43
TUM School of Management
E
F
C
D
AStart und
Ziel
B
Verfahren des sukzessiven Einbausvon Stationenoder des geringsten Umwegs
ersterWeg
ersterUmweg
zweiter Umweg
Verfahren des Sukzessiven Einbaus (3/7)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 44
TUM School of Management
E
F
C
D
AStart und
Ziel
B
Verfahren des sukzessiven Einbausvon Stationenoder des geringsten Umwegs
ersterWeg
ersterUmweg
zweiter Umweg
dritter Umweg
Verfahren des Sukzessiven Einbaus (4/7)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 45
TUM School of Management
E
F
C
D
AStart und
Ziel
B
Verfahren des sukzessiven Einbausvon Stationenoder des geringsten Umwegs
ersterWeg
ersterUmweg
zweiter Umweg
dritter Umweg
vierter Umweg
Verfahren des Sukzessiven Einbaus (5/7)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 46
TUM School of Management
E
F
C
D
AStart und
Ziel
B
Verfahren des sukzessiven Einbausvon Stationenoder des geringsten Umwegs
ersterWeg
ersterUmweg
zweiter Umweg
dritter Umweg
vierter Umweg
fünfter Umweg
Verfahren des Sukzessiven Einbaus (6/7)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 47
TUM School of Management
Wenn man mit diesem Algorithmus Lösungen für jede mögliche Ausgangsschleife (Start- Station – Ziel) berechnet, erhält manje eine Lösung.Aus diesen Lösungen kann man die beste auswählen.
Das wird wahrscheinlich eine relativ gute Lösung sein, vielleicht kommt sie dem Optimum nahe oder ist das Optimum.
Verfahren des Sukzessiven Einbaus (7/7)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 48
TUM School of Management
• Das Rundreiseproblem kann dadurch gelöst werden, daß alle möglichen Wege berechnet werden (vollständige Enumeration)
• Die Zahl der möglichen Wege ist sehr groß, der Rechenaufwand dadurch ggf. zu hoch.
• Rechentechnisch erfolgt eine vollständige Enumeration dadurch, daß die Entfernungsmatrix vollständig durchgetauscht wird (vollständige Permutation).
Dabei wird nach jedem Tausch einer Spalte/Zeile die Rundreisestrecke berechnet.
Aus allen Rundreisestrecken wird schließlich die geringste ausgesucht. Deren Stationenfolge ist optimal.
Vollständige Enumeration (1/8)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 49
TUM School of Management
Start/Ziel A B C
Start/Ziel
A
B
C Rückweg
Tausch Reihenfolge
A gegen B S/Z-B-A-C
A gegen C S/Z-B-C-A
B gegen C S/Z-C-B-A
B gegen A S/Z-C-A-B
C gegen A S/Z-A-C-B
der nächste Tausch C gegen B
würde die Ausgangssituation A-B-C
wiederherstellen.
Die Zeile/Spalte Start/Ziel soll an erster Position bleiben, die anderen sollen vollständig durchgetauscht werden. Also tauschen wir:
in der quadratischen Matrixmit je 3 Zeilen und Spaltengibt es 6 mögliche Reihenfolgender Zeilen bzw. Spalten.
6 = 3!
Die Zahl der Lösungen bei einemRundreiseproblem ist also immer:Zahl der Stationen ohne Start/ZielFakultät.
Vollständige Enumeration (2/8)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 50
TUM School of Management
Tausch Reihenfolge Länge
Ausgangssituation 21
A gegen B S/Z-B-A-C 32
A gegen C S/Z-B-C-A
B gegen C S/Z-C-B-A
B gegen A S/Z-C-A-B
C gegen A S/Z-A-C-B
Start/Ziel A B C
Start/Ziel 9 11 5
A 9 4 12
B 11 4 3
C 5 12 3
Start/Ziel B A C
Start/Ziel 11 9 5
B 11 4 3
A 9 4 12
C 5 3 12
Weglänge: 21 Weglänge: 32
erster Tausch
Rückweg
Vollständige Enumeration (3/8)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 51
TUM School of Management
Start/Ziel B C A
Start/Ziel 11 5 9
B 11 3 4
C 5 3 12
A 9 4 12
Start/Ziel B A C
Start/Ziel 11 9 5
B 11 4 3
A 9 4 12
C 5 3 12
Weglänge: 32 Weglänge: 35
zweiter Tausch
Vollständige Enumeration (4/8)
Tausch Reihenfolge Länge
Ausgangssituation 21
A gegen B S/Z-B-A-C 32
A gegen C S/Z-B-C-A 35
B gegen C S/Z-C-B-A
B gegen A S/Z-C-A-B
C gegen A S/Z-A-C-B
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 52
TUM School of Management
Start/Ziel B C A
Start/Ziel 11 5 9
B 11 3 4
C 5 3 12
A 9 4 12
Start/Ziel C B A
Start/Ziel 5 11 9
C 5 3 12
B 11 3 4
A 9 12 4
Weglänge: 35 Weglänge: 21
dritter Tausch
Vollständige Enumeration (5/8)
Tausch Reihenfolge Länge
Ausgangssituation 21
A gegen B S/Z-B-A-C 32
A gegen C S/Z-B-C-A 35
B gegen C S/Z-C-B-A 21
B gegen A S/Z-C-A-B
C gegen A S/Z-A-C-B
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 53
TUM School of Management
Start/Ziel C A B
Start/Ziel 5 9 11
C 5 12 3
A 9 12 4
B 11 3 4
Start/Ziel C B A
Start/Ziel 5 11 9
C 5 3 12
B 11 3 4
A 9 12 4
Weglänge: 35 Weglänge: 32
vierter Tausch
Vollständige Enumeration (6/8)
Tausch Reihenfolge Länge
Ausgangssituation 21
A gegen B S/Z-B-A-C 32
A gegen C S/Z-B-C-A 35
B gegen C S/Z-C-B-A 21
B gegen A S/Z-C-A-B 32
C gegen A S/Z-A-C-B
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 54
TUM School of Management
Start/Ziel C A B
Start/Ziel 5 9 11
C 5 12 3
A 9 12 4
B 11 3 4
Start/Ziel A C B
Start/Ziel 9 5 11
A 9 12 4
C 5 12 3
B 11 4 3
Weglänge: 32 Weglänge: 35
fünfter Tausch
Vollständige Enumeration (7/8)
Tausch Reihenfolge Länge
Ausgangssituation 21
A gegen B S/Z-B-A-C 32
A gegen C S/Z-B-C-A 35
B gegen C S/Z-C-B-A 21
B gegen A S/Z-C-A-B 32
C gegen A S/Z-A-C-B 35
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 55
TUM School of Management
Start/Ziel C B A
Start/Ziel 5 11 9
C 5 3 12
B 11 3 4
A 9 12 4
Start/Ziel A B C
Start/Ziel 9 11 5
A 9 4 12
B 11 4 3
C 5 12 3
Es gibt zwei gleichwertige Lösungen:
A-B-C und C-B-A
mit je einer Rundreisestrecke von 21
Vollständige Enumeration (8/8)
Wenn alle Wege zweiseitig befahrbar sind,(keine Einbahnstraßen und gleich lang), muß es
mindestens zwei gleichgute Lösungen geben.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 56
TUM School of Management
Das Rundreiseproblem läßt sich auch mit dem sogenannten Ameisen-Algorithmuslösen. Das ist allerdings nur eine Heuristik.
Die Lösungsidee ist den Ameisen abgeschaut, die den Weg vom Bau zur Nahrungmit Pheromonen markieren. Günstige Wege bekommen viele Markierungen.
Der Ameisen-Algorithmus
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 57
TUM School of Management
Reihenfolgeprobleme, bei denen die erste und/oder letzte Stationnicht festliegt, haben n! Lösungen.
Ist die Reihenfolge von 3 Losen so zu bestimmen, dass die Rüstzeitenminimiert werden, ist eine Matrix mit den Zeiten für das jeweiligeUmrüsten aufzustellen
Latten Dielen Balken
Latten 4 3
Dielen 2 4
Balken 5 6
Die gesamte Zeit zum Umrüsten ergibt sich aus der Summe der Felderüber der Hauptdiagonalen.
Ereignisbaum (1/2)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 58
TUM School of Management
Das Reihenfolgeproblem als Ereignisbaum
(3 Lose: Latten, Dielen, Balken)Start
Latten Dielen Balken
Dielen Balken
Balken
Latten Balken Dielen Latten
Dielen Balken Latten Latten Dielen
4 3 2 4 6 5
Latten Dielen Balken
Latten 4 3
Dielen 2 4
Balken 5 6
4 6 3 5 2 4
8 9 5 9 8 9Summe der Umrüstzeiten
Ereignisbaum (2/2)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 59
TUM School of Management
Bei Müller-Merbach (1971) findet sich eine Lösung des Rundreiseproblemsmit Hilfe der Dynamischen Programmierung.
Das nachfolgend vorgestellten Postkutschenproblem findet man auch im OR-Lehrbuchvon Ellinger, Beuermann und Leisten, 6. Auflage, S. 249 ff., anschließend ein Problemder Produktionsplanung.
Dynamische Programmierung
Beispiel für die Einsparung von Rechenzeit: Ein Reihenfolgeproblem
der Dimension 10x10 hat 1010
Lösungen, die bei einer vollständigen Enumeration berechnet werden
müßten. Gelingt es, dieses Problem in drei Stufen zu fassen, dann sind nur noch 103 Lösungen zu berechnen.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 60
TUM School of Management
Reduzierung der Problemgröße durch Bildung von Stufen
A B C D E F G H I Ziel
A
B
C
D
E
F
G
H
I
Ziel
Beispiel für die Einsparung von Rechenzeit: Ein Reihenfolgeproblem
der Dimension 10x10 hat 1010
Lösungen, die bei einer vollständigen Enumeration berechnet werden
müßten. Gelingt es, dieses Problem in drei Stufen zu fassen, dann sind nur noch 103 Lösungen zu berechnen.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 61
TUM School of Management
Ein Reisender will mit der Postkutsche vom Osten in den Westen der USA reisen. Er sucht die sicherste Strecke. Es gibt jeweils Lebensversicherungs-Policen für die Teilstrecken. Die Gesamtstrecke mit den geringsten Lebensversicherungs-Kostensei die sicherste Strecke.Der Graph teilt das Problem in Stufen und zeigt die möglichen Wegevon Stufe zu Stufe.
vgl. Hillier u. Lieberman, 1988, S. 316 ff.
Die Aufteilung in Stufen ist wichtig.Sie vermindert die Zahl möglicher Wege.
Das Postkutschenproblem (1/3)
Stufe 1 Stufe 2 Stufe 3 Stufe 4Stufe 0
ZA C
B
D G
E
F
H
I
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 62
TUM School of Management
B C D
A 2 4 3
E F G
B 7 4 6
C 3 2 4
D 4 1 5
H I
E 1 4
F 6 3
G 3 3
Z
H 3
I 4
Die Kosten der Lebensversicherungen von Stufe zu Stufe
Das sind unsere Daten vgl. Hillier u. Lieberman, 1988, S. 316 ff.
Das Postkutschenproblem (2/3)Stufe 1 Stufe 2 Stufe 3 Stufe 4Stufe 0
ZA C
B
D G
E
F
H
I
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 63
TUM School of Management
B C D
A 2 4 3
E F G
B 7 4 6
C 3 2 4
D 4 1 5
H I
E 1 4
F 6 3
G 3 3
Z
H 3
I 4
Die Wahl des jeweils besten Nachfolgers führt zu A B F I Z
mit Kosten von:
Das Postkutschenproblem (3/3)
Stufe 1 Stufe 2 Stufe 3 Stufe 4Stufe 0
ZA C
B
D G
E
F
H
I
2 + 4 + 3 + 4 = 13
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 64
TUM School of Management
Berechnung der Wege der Stationen der letzten Stufe
zum Ziel
Berechnung der Wege von denStationen der vorletzten Stufe
über die Stationen der letzten Stufezum Ziel
Berechnung der Wege von denStationen der drittletzten Stufe
über die Stationen der vorletzten Stufezum Ziel
usw. bis zum Erreichen des Starts
Der Ablauf ist auch vom Start aus in Richtung Zielmöglich.
Das Postkutschenproblem – dyn. Programmierung (1/8)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 65
TUM School of Management
B C D
A 2 4 3
E F G
B 7 4 6
C 3 2 4
D 4 1 5
H I
E 1 4
F 6 3
G 3 3
Z
H 3
I 4
Wir suchen den Weg mit den geringsten Kosten1 A x1 x2 x3 x4
wobei x4 = Z
Das Postkutschenproblem – dyn. Programmierung (2/8)
Stufe 1 Stufe 2 Stufe 3 Stufe 4Stufe 0
ZA C
B
D G
E
F
H
I
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 66
TUM School of Management
Wir suchen den Weg mit den geringsten Kosten.Dabei suchen wir vom Ziel aus.Es wird auf jeder Stufe der Weg gesucht, der die Kosten für den Rest der Strecke minimiert.Von Stufe 3 nach Stufe 4 sind die Kosten 3 oder 4,die niedrigsten Kosten also 3.
derzeitiger Ort
s
Kosten
f*4(s)
Zielort
x4*
H 3 Z
I 4 Z
Das Postkutschenproblem – dyn. Programmierung (3/8)Stufe 1 Stufe 2 Stufe 3 Stufe 4Stufe 0
ZA C
B
D G
E
FH
I
B C D
A 2 4 3
E F G
B 7 4 6
C 3 2 4
D 4 1 5
H I
E 1 4
F 6 3
G 3 3
Z
H 3
I 4
Wie erreiche ich die Orte der 3. Stufemit geringsten Kosten?
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 67
TUM School of Management
Wir gehen eine Stufe in Richtung Startund berechnen für die Orte E, F und Gdie günstigsten Wege. derzeitiger Ort
s
Kosten
f*4(s)
Zielort
x4*
H 3 Z
I 4 ZKosten bei nächstem Ort
derzeitiger
Ort x3
s
Ort H Ort I geringste
Kosten
also über Ort
E 1+3 = 4 4 + 4 = 8 4 H
F 6+3 = 9 3 + 4 = 7 7 I
G 3 + 3 = 6 3 + 4 = 7 6 H
jeweils + 3
jeweils + 4
Das Postkutschenproblem – dyn. Programmierung (4/8)Stufe 1 Stufe 2 Stufe 3 Stufe 4Stufe 0
ZA C
B
D G
E
FH
I
H I
E 1 4
F 6 3
G 3 3
Wie erreiche ich die Orteder 2. Stufe zu geringsten Kosten?
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 68
TUM School of Management
derzeitiger
Ort x3
s
Kosten bei nächstem Ort
Ort H Ort I geringste
Kosten
also über
Ort
E 1+3 = 4 4 + 4 = 8 4 H
F 6+3 = 9 3 + 4 = 7 7 I
G 3 + 3 = 6 3 + 4 = 7 6 H
Wir gehen eine Stufe in Richtung Start und berechnen für die Orte B, C und D die günstigsten Wege.
derzeitiger
Ort x2
s
Kosten bei dem Weg über
E
je + 4
F
je + 7
G
je + 6
geringste
Kosten
also über
Ort
B 7 + 4 = 11 4 + 7 = 11 6 + 6 = 12 11 E oder F
C 3 + 4 = 7 2 + 7 = 9 4 +6 = 10 7 E
D 4 + 4 = 8 1 + 7 = 8 5 + 6 = 11 8 E oder F
die zusätzlichen Kostenstehen in dieser Spalte
die Kosten der Stufe kommen aus dieser Matrix
Das Postkutschenproblem – dyn. Programmierung (5/8)
Stufe 1 Stufe 2 Stufe 3 Stufe 4Stufe 0
ZA C
B
D G
E
FH
I
E F G
B 7 4 6
C 3 2 4
D 4 1 5
Wenn ich über E nach B fahre,dann auf dem kürzesten Wegnach E. Andere wären ineffizient.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 69
TUM School of Management
derzeitiger
Ort x2
s
Kosten bei dem Weg über
E
je + 4
F
je + 7
G
je + 6
geringste
Kosten
also über
Ort
B 7 + 4 = 11 4 + 7 = 11 6 + 6 = 12 11 E oder F
C 3 + 4 = 7 2 + 7 = 9 4 +6 = 10 7 E
D 4 + 4 = 8 1 + 7 = 8 5 + 6 = 11 8 E oder F
Wir gehen eine Stufe in Richtung Start und berechnen nun wie vor für den Start selbst
derzeitiger
Ort x2
s
Kosten bei dem Weg über
B C D geringste
Kosten
also über
Ort
A 2 + 11 = 13 4 + 7 = 11 3 + 8 = 11 11 C oder D
die zusätzlichen Kostenstehen in dieser Spalte
die Kosten der Stufe kommenaus dieser Matrix
Das Postkutschenproblem – dyn. Programmierung (6/8)Stufe 1 Stufe 2 Stufe 3 Stufe 4Stufe 0
ZA C
B
D G
E
FH
I
B C D
A 2 4 3
Wenn ich über B nach A fahre,dann auf dem kürzesten Wegzwischen B und Z.Andere Wege wären ineffizient.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 70
TUM School of Management
Wir gehen eine Stufe in Richtung Start und berechnen nun wie vor für den Start selbst
derzeitiger
Ort x2
s
Kosten bei dem Weg über
B C D geringste
Kosten
also über Ort
A 2 + 11 = 13 4 + 7 = 11 3 + 8 = 11 11 C oder D
Jetzt ergibt sich der optimale Weg bzw. die optimalen Wege, die jeweils Kosten von 11 verursachen:
Man startet über C oder über Dbei Wahl von C muß die Reise über E fortgesetzt werden und dann über H
bei Wahl von D kann auch über E und H fortgesetzt werden, oder über F und I
Das Postkutschenproblem – dyn. Programmierung (7/8)Stufe 1 Stufe 2 Stufe 3 Stufe 4Stufe 0
ZA C
B
D G
E
FH
I
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 71
TUM School of Management
Jetzt ergibt sich der optimale Weg bzw. die optimalen Wege, die jeweils Kosten von 11 verursachen:
Man startet über C oder über Dbei Wahl von C muss die Reise über E fortgesetzt werden und dann über Hbei Wahl von D kann auch über E und H fortgesetzt werden, oder über F und I
A D E H ZA C E H Z
A D F I Z
oder4 3 1 3 = 11 3 4 1 3 = 11
3 1 3 4 = 11
Das Postkutschenproblem – dyn. Programmierung (8/8)Stufe 1 Stufe 2 Stufe 3 Stufe 4Stufe 0
ZA C
B
D G
E
FH
I
B C D
A 2 4 3
E F G
B 7 4 6
C 3 2 4
D 4 1 5
H I
E 1 4
F 6 3
G 3 3
Z
H 3
I 4
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 72
TUM School of Management
0
150
10100
1. Durchforstung 2. DurchforstungBestandesbegründung Endnutzung
490
3100
2110
1170
9110
8140
7160
6170
5240
110
Nummer
verbleibendeGrundfläche
In Anhalt an Bettinger u.a. 2009, S. 117
Durchforstungsoptimierung alsdynamische Programmierung
35 Jahre 45 Jahre 55 Jahre
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 73
TUM School of Management
Von der ersten zur zweiten Stufeoder die erste Durchforstung
Ernte in Festmetern diskontierter Erlös
keine Durchforstung ---- ---
schwache Durchforstung 3.378 244.96
mittlere Durchforstung 4.360 316.17
starke Durchforstung 5.352 388.11
Im Lehrbuch von Bettinger sind bei der ersten Durchforstung noch die Kulturkosten abgezogen (250.00 GE). Das ist jedoch nicht nötig, da hier ja die Kulturkosten konstant sind. Die Kulturkosten ändern also am Kapitalwert oder Endwert der Durchforstungen nichts. Daher sind die Zahlen hier zur Vereinfachung leicht verändert. Die Berücksichtigung der Kulturkosten ist aber nötig, wenn auch die Umtriebszeit variabel gestaltet wird. Dann muß
der Beitrag zum Bodenertragswert berechnet werden – darin sind auch die Kulturkosten enthalten.
0 1
0 2
30
0 4
In Anhalt an Bettinger u.a. 2009, S. 117
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 74
TUM School of Management
Von der zweiten zur dritten Stufe oder die zweite Durchforstung
Ernte in Festmetern diskontierter Erlös
keine Durchforstung --- ---
keine Durchforstung --- ---
mittlere Durchforstung 7.931 353.08
starke Durchforstung 9.343 415.94
keine Durchforstung --- ---
schwache Durchforstung 6.188 275.48
mittlere Durchforstung 7.638 339.94
keine Durchforstung --- ---
schwache Durchforstung 4.347 193.52
mittlere Durchforstung 5.762 256.52
1 5
2 6
2 9
2 10
3 7
3 9
3 10
4 8
4 9
4 10
In Anhalt an Bettinger u.a. 2009, S. 117
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 75
TUM School of Management
Von der dritten zur vierten Stufeoder die Endnutzung
Ernte in Festmetern diskontierter Erlös
Endnutzung 44.858 1,225.99
Endnutzung 36.620 1,000.85
Endnutzung 33.804 923.88
Endnutzung 31.031 848.09
Endnutzung 24.500 669.60
Endnutzung 23.000 628.60
5 11
6 11
7 11
8 11
9 11
10 11
In Anhalt an Bettinger u.a. 2009, S. 117
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 76
TUM School of Management
Optimale Durchforstung mit dynamischer ProgrammierungEin Beispiel von Bettinger u.a. (2009 S. 116 ff.)
Es geht um einen Douglasienbestand, der mit gegebener Umtriebszeit undzwei Durchforstungen bewirtschaftet werden soll, wobei die Durchforstungenunterbleiben können.
Die Durchforstungen können unterschiedlich stark sein.Sie werden hinsichtlich ihrer Stärke als Absenkung der Grundfläche auf einenbestimmten Wert (Quadratfuß/Hektar) definiert.
Voraussetzung einer solchen Optimierung ist naturgemäß ein vergleichsweiseleistungsfähiges Modell zur Prognose des Wachstums
Eingriffsstärke 1. Durchforstung 2. Durchforstung
schwach Absenkung um 60 GF/ha Absenkung um 60 GF/ha
mittel Absenkung um 70 GF/ha Absenkung um 70 GF/ha
stark Absenkung um 80 GF/ha Absenkung um 80 GF/ha
In Anhalt an Bettinger u.a. 2009, S. 117
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 77
TUM School of Management
Die Durchforstungsmöglichkeiten in Baumstruktur
Kultur
ohneGF=170
ohneGF= 240
schwacheGF=170
mittlereGF=110
starkeGF=100
schwacheGF= 110
ohneGF=170
schwacheGF=110
mittlereGF=100
mittlere
GF=100
ohneGF=160
schwacheGF=110
mittlereGF=100
starke
GF= 90
ohneGF=140
schwacheGF=110
mittlereGF=100
GF die jeweils verbleibende Grundfläche (Quadratfuß/Hektar)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 78
TUM School of Management
Rekursive Lösung, 1. Schritt
Erlös 1. Df. Erlös 2. Df. Erlös der EN Summe
1,225.99
1,000.85
923.88
848.09
669.60
628.60
Wir lösen das Problem jetzt rekursiv, also von der Endnutzung her.Dazu beginnen wir mit der Tabelle, die die diskontierten Endnutzungserlöse auflistete.
Betrachtet man nur diesen Schritt, dann ist natürlich der Weg 5-11 der vorteilhafteste.Aber das berücksichtigt die Stufe vorher nicht – das wollen wir in der nächsten Folie tun.
Man könnte es so ausdrücken:von 5 her kommend wird man
bei der EN mit 1.225 GE belohnt.
5 11
6 11
7 11
8 11
9 11
10 11
In Anhalt an Bettinger u.a. 2009, S. 117
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 79
TUM School of Management
Rekursive Lösung, 2. Schritt
1. Df. 2. Df. Erlös EN Summe
--- 1,225.99 1,225.99
--- 1,000.85 1,000.85
353.08 669.60 1,022.68
415.94 628.60 1,044.54
--- 923.88 923.88
275.48 669.60 945.08
339.94 628.60 968.54
--- 848.09 848.09
193.52 669.60 863.12
256.52 628.60 885.12
Wir betrachten jetzt die Wege von Stufe 2 über Stufe 3 zur Endnutzung (Stufe 4)
1 5 11
1 6 11
2 9 11
2 10 11
3 7 11
3 9 11
3 10 11
4 8 11
4 9 11
4 10 11
In A
nh
alt an B
ettinger u
.a. 20
09
, S. 11
7
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 80
TUM School of Management
Rekursive Lösung, 3. Schritt
1. Df. 2. Df. Erlös EN Summe
--- 1,225.99 1,225.99
--- 1,000.85 1,000.85
353.08 669.60 1,022.68
415.94 628.60 1,044.54
--- 923.88 923.88
275.48 669.60 945.08
339.94 628.60 968.54
--- 848.09 848.09
193.52 669.60 863.12
256.52 628.60 885.12
Wir betrachten jetzt die Wege von Stufe 1 über die Stufen 2 u. 3 zur Endnutzung (Stufe 4)markiert jeweils den besten Weg, der für den nächsten Schritt ausgewählt wird
1 5 11
2 6 11
2 9 11
2 10 11
3 7 11
3 9 11
3 10 11
4 8 11
4 9 11
4 10 11
In A
nh
alt an B
ettinger u
.a. 20
09
, S. 11
7
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 81
TUM School of Management
Rekursive Lösung, 3. Schritt
1. Df. 2. Df. Erlös EN Summe
--- --- 1,225.99 1225.99
244.96 415.94 628.60 1289.50
316.17 339.94 628.60 1284.71
388.11 256.52 628.60 1273.23
Wir betrachten jetzt die Wege von Stufe 1 über die Stufen 2 u. 3 zur Endnutzung (Stufe 4)
Wir verlängern nur die jeweils besten Wege nun nach rückwärts weiter.Das sind die mit dem Stern markierten in der vorherigen Folie.So wird das Problem eingegrenzt.Jetzt wird das Ergebnis der ersten Durchforstung hinzugefügt.
Die Kulturkosten müssen, wie oben gesagt, hier nicht berücksichtigt werden.Damit kann aus den die 1. Df. einbeziehenden Lösungen nun die beste Gesamtlösungherausgesucht werden. Es ist die rechts mit dem Stern gekennzeichnete.
0 1 5 11
0 2 10 11
110 3 10
0 4 10 11
In Anhalt an Bettinger u.a. 2009, S. 117
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 82
TUM School of Management
Rekursive Rechnung zusammengefasstrekursive Lösung1. Schritt 2. Schritt 3. Schritt
Weg Erlös EN Weg Erlös 2. Df. Zw.-Su. Weg Erlös 1. Df. Summe5 - 11 1.225,99
1 - 5 -11 0,00 1.225,99 *0 - 1 - 5 - 11 0,00 1.225,99
6 - 11 1.000,852 - 6 -11 0,00 1.000,85
7 -11 923,883 - 7 - 11 0,00 923,88
8 -11 848,094 - 8 - 11 0,00 848,09
9 -11 669,602 - 9 -11 353,08 1.022,683 - 9 - 11 275,48 945,084 - 9 - 11 193,52 863,12
10 -11 628,602 - 10 -11 415,94 1.044,54 *
0 - 2 -10 - 11 244,96 1.289,503 - 10 - 11 339,94 968,54 *
0 - 3 -10 - 11 316,17 1.284,714 - 10 -11 256,52 885,12 *
0 - 4 - 10 - 11 388,11 1.273,23
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 83
TUM School of Management
Vorwärtsrechnung
Das Problem muß nicht rekursiv gelöst werden, es kann auch von der Kultur beginnend die günstigste Lösung gesucht werden.
In diesem Fall wird zuerst die erste Durchforstung betrachtet, dann erste und zweite zusammen.Es werden die Wege gesucht, auf dem die „Stationen“ der 3. Stufe (Nrn. 5 bis 10) mit dem jeweils höchsten Erlös erreicht werden.Dann wird zur 4. Stufe (Endnutzung) für diese Wege weitergerechnet.
Es gibt aber Konstellationen, in denen die Vorwärtsrechnung nicht zum Optimum führt.
SensitivitätsanalysenEine naheliegende Erweiterung besteht darin, die zusätzlichen
Kosten zu berechnen, die dadurch entstehen, daß der Weg durch
einen bestimmten Knoten genommen wird.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 84
TUM School of Management
Vorwärtsrechnung für dasselbe Problem
Vorwärtsrechnung1. Schritt 2. Schritt 3. Schritt
Weg Erlös 1. Df. Weg Erlös 2. Df. Zw.-Su. Weg Erlös EN Summe0 - 1 0,00
0 - 1 - 5 0,00 0,00 *0 - 1 - 5 - 11 1.225,99 1.225,99
0 - 2 244,960 - 2 - 6 0,00 244,96 *
0 - 2 - 6 - 11 1.000,85 1.245,810 - 2 - 9 353,08 598,04 *
0 - 2 - 9 - 11 669,60 1.267,640 - 2 - 10 415,94 660,90 *
0 - 2 - 10 - 11 628,60 1.289,500 - 3 316,17
0 - 3 - 7 0 316,17 *0 – 3 – 7 - 11 923,88 1.240,05
0 - 3 - 9 275,48 591,650 - 3 - 10 339,94 656,11
0 - 4 388,110 - 4 - 8 0 388,11 *
0 - 4 - 8 - 11 848,09 1236,200 - 4 - 9 193,52 581,63
0 - 4 - 10 256,52 644,63
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 85
TUM School of Management
Übungsaufgabe: maximiere die Erntemenge über 3 Durchforstungen(nur Holzmenge)
von nach Holzmenge
0 1 0
0 2 40
1 3 0
1 4 44
2 5 28
3 6 0
3 7 55
4 7 27
4 8 47
5 8 29
6 9 246
7 9 206
8 9 185
1. Durchforstung 1, 2
2. Durchforstung 3, 4, 5
3. Durchforstung 6, 7, 8
Endnutzung 9
In Anhalt an Bettinger u.a. 2009, S. 117
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 86
TUM School of Management
98520
3
41
6
7
Stufe 1 Stufe 2 Stufe 3 Stufe 4 Stufe 5
Alter 30 Alter 40 Alter 50 Alter 60 Alter 70
von nach Holzmenge
0 1 0
0 2 40
1 3 0
1 4 44
2 5 28
3 6 0
3 7 55
4 7 27
4 8 47
5 8 29
6 9 246
7 9 206
8 9 185
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 87
TUM School of Management
98520
3
41
6
7
Stufe 1 Stufe 2 Stufe 3 Stufe 4 Stufe 5
Verbale Formulierung der Lösungsidee (Vorwärtsrechnung für Reisekosten):Es wird für jeden Knoten auf jeder Stufe kalkuliert, welche Kosten für die möglichen Wege von allen Knoten der vorherigen Stufe entstehen.Da die niedrigsten möglichen Kosten zur Erreichung der Knoten der vorherigenStufe bereits bekannt sind, sind auch für jeden Knoten der aktuellen Stufe die niedrigsten Kosten leicht zu ermitteln.So werden sukzessive für alle Knotenvon Stufe zu Stufe die Wege bestimmt,auf denen sie mit den geringstenKosten erreicht werden,schließlich der Weg (oder dieWege), auf denen das Zielmit den geringstenKosten erreicht wird.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 88
TUM School of Management
Transportproblem
Von den Ausgangsorten Ai sollen bestimmte Mengen zu denBestimmungsorten Bj transportiert werden.
A1
A3
A2
Z1 Z2 Z3
Die Kosten sind zu minimieren.
als Lösungsverfahren geeignet:der Simplex-Algorithmus
aber die Rechen-zeiten erfordern
effizientereAlgorithmen
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 89
TUM School of Management
Prinzipielle Vorgehensweise der effizienteren Algorithmen
Ermittlung einer Ausgangslösung
Ermittlung einer optimalen Lösung durchein iteratives Verfahren
BeispieleNordwest-Ecken-RegelVogelsches ApproximationsverfahrenSpalten-Minimum-Verfahren
zur Suche der optimalen LösungStepping-Stone-Methode
MODI-Methode
vgl. Heinrich, S. 65 ff.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 90
TUM School of Management
Das Transportproblem als spezielles Zuordnungsproblem
Es sind n Elemente (Mittel, Personen) so auf k Aufgaben bzw. Stellenoder Orte zu verteilen, daß die Gesamtwirksamkeit maximiert wird.
E1
E3
E2
Z1 Z2 Z3
Ein Spezialfall ist das Stundenplanproblem.Es sind die Lehrer den Klassen und denRäumen zuzuteilen.Ähnlich bei Dienstplänen.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 91
TUM School of Management
Ein nicht ganz ernstgemeintes Zuordnungsproblem
Töchter Jünglinge
Jakob Joachim Jens Jan Johann Joseph
Tina
Tiziana
Tirolia
Thea
Scheich Schuleiman möchte seine Töchter so verheiraten, daß die Zahlder Kamele maximiert wird.
vgl. Zimmermann, W., 1992, S. 120
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 92
TUM School of Management
Anzahl der Lösungen beim Zuordnungsproblem
Die Anzahl der Lösungen bei einem Zuordnungsproblem von n Sachenzu n Aufgaben ist n! (n Fakultät)
Bei n = 20 sind n! = 20x19x18x17 ....x2x1 = 2.432.902.008.176.640.000 Möglichkeiten
Ein Computer mit einer Arbeitsgeschwindigkeit von 10-6 Sekunden pro Operation(1 Mio. Operationen pro Sekunde) würde bei ununterbrochenem Einsatzfür die Berechnung aller Lösungen 80.000 Jahre benötigen.
kombinatorische Explosion
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 93
TUM School of Management
Ein einfaches Zuordnungsproblem
Ausgangsorte Bestimmungsorte
P1 P2 P3 P4 P5
A1 8 3 11 13 16
A2 2 8 17 2 7
A3 12 9 4 4 6
A4 5 11 9 7 14
A5 6 8 9 3 13
Ein Forstdienstleistungsunternehmen hat 5 Wartungsfahrzeuge mit denStandorten A1, ....., A5.5 Forstmaschinen an den Standorten P1, ...., P5 sind am nächsten Tagzu warten. Welcher Wartungstrupp fährt zu welchem Einsatzort?Gesucht sei die minimale Fahrtstrecke
Die Matrix enthält die Entfernungen zwischen allen Orten
Zimmermann, W., 1992, S. 112
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 94
TUM School of Management
Lösung des einfachen Zuordnungsproblems
Ausgangs-
orte
Bestimmungsorte
P1 P2 P3 P4 P5
A1 8 3 11 13 16
A2 2 8 17 2 7
A3 12 9 4 4 6
A4 5 11 9 7 14
A5 6 8 9 3 13
Fahrtstrecke 3+7+4+5+3 = 22 km
Zimmermann, W., 1992, S. 112
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 95
TUM School of Management
Lösungsmöglichkeiten für Zuordnungsprobleme
• Distributions-Methode• Stepping-Stone-Verfahren (auch Zyklusmethode)• Modi-Verfahren• Ungarische Methode• vollständige Enumeration
Methoden nach Zimmermann, W., 1992, S. 112ff
Die Vorgehensweise (außer bei der vollständigen Enumeration) besteht darin, im ersten Schritt eine Ausgangslösung zu suchen, die dann im zweiten Schritt verbessert wird.Eine gute Ausgangslösung findet man z.B. mit der Vogel´schen Methode.Alternativen sind das Nordwest-Ecken-Verfahren, das Matrixminimumverfahren,die Russel´sche Approximationsmethode, das Zeilen- oder Spaltenfolgeverfahren.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 96
TUM School of Management
Transportkostenproblem - Vogel‘sches Verfahren (1/11)
Ausgangs-
orte
BestimmungsorteProduktion geliefert Rest
I II III IV V
1 30 50 45 80 75 120
2 25 90 50 70 60 80
3 100 60 35 75 25 150
4 20 35 110 90 85 100
Bedarf 70 90 130 60 100
gedeckt
Rest
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Die Felder der Matrix enthalten die Transportkosten je Mengeneinheit.
Wir suchen eine gute Ausgangslösung.
Im Beispiel entsprechen die Liefermengen genau den Bedarfsmengen.Das nennt man den Standardfall.
Ist die Summe der Liefermengen größer als der Bedarf, muß man eine Spalte für die überschüssigen Mengen einfügen.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 97
TUM School of Management
Ausgangs-
orte
Bestimmungsorte Pro-
duktion
ge-
liefertRest
I II III IV V
1 30 50 45 80 75 120
2 25 90 50 70 60 80
3 10
0
60 35 75 25 150
4 20 35 110 90 85 100
Bedarf 70 90 130 60 100
gedeckt
Rest
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir suchen eine gute Ausgangslösung
Die Lösungsidee ist, zuerst das Feld mit den niedrigsten Transportkosten zu suchen und dort möglichst viele Mengeneinheiten einzusetzen.Dann geht man zum Feld mit den zweitniedrigsten Transportkosten und setztdort möglichst viele Mengeneinheiten ein; u.s.f……..
Transportkostenproblem - Vogel‘sches Verfahren (2/11)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 98
TUM School of Management
Aus-
gangs-
orte
BestimmungsortePro-
duktion
ge-
liefertRest
I II III IV V
1 30 50 45 80 75 120
2 25 90 50 70 60 80
3 100 60 35 75 25 150
4 20 x 70 35 110 90 85 100 70 30
Bedarf 70 90 130 60 100
gedeckt 70
Rest 70-70 =
0
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir suchen eine gute Ausgangslösung
Feld 4,I ist das Feld mit den niedrigsten Transportkosten.
Transportkostenproblem - Vogel‘sches Verfahren (3/11)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 99
TUM School of Management
Aus-
gangs-
orte
BestimmungsortePro-
duktion
ge-
liefertRest
I II III IV V
1 30 50 45 80 75 120
2 25 90 50 70 60 80
3 100 60 35 75 25 x 100 150 100 50
4 20 x 70 35 110 90 85 100 70 30
Bedarf 70 90 130 60 100
gedeckt 70 100
Rest 0 0
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir suchen eine gute Ausgangslösung
Feld 3,V ist das Feld mit den zweitniedrigsten Transportkosten.
Transportkostenproblem - Vogel‘sches Verfahren (4/11)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 100
TUM School of Management
Aus-
gangs-
orte
BestimmungsortePro-
duktion
ge-
liefertRest
I II III IV V
1 30 50 45 80 75 120
2 25 90 50 70 60 80
3 100 60 35 75 25 x 100 150 100 50
4 20 x 70 35 x 30 110 90 85 100 70+30 0
Bedarf 70 90 130 60 100
gedeckt 70 30 100
Rest 0 90-30
=60
0
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir suchen eine gute AusgangslösungFeld 2,I ist das Feld mit den drittniedrigsten Transportkosten, aber der Bedarf istschon gedeckt. Das Feld mit den viertniedrigsten Transportkosten ist 4,II, dort können 30 Einheiteneingeplant werden. Damit sind die Lieferungen aus Ort 4 ausgelastet.
Transportkostenproblem - Vogel‘sches Verfahren (5/11)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 101
TUM School of Management
Aus-
gangs-
orte
BestimmungsortePro-
duktion
ge-
liefertRest
I II III IV V
1 30 50 45 80 75 120
2 25 90 50 70 60 80
3 100 60 35 x 50 75 25 x 100 150 100+50 0
4 20 x 70 35 x 30 110 90 85 100 70+30 0
Bedarf 70 90 130 60 100
gedeckt 70 30 50 100
Rest 0 60 130-50
=80
0
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir suchen eine gute AusgangslösungFeld 3,III ist das Feld mit den fünftniedrigsten Transportkosten.Vom Ausgangsort 3 sind noch 50 Einheiten lieferbar, die werden dort eingeplant. Damit ist auch Ort 3 nicht mehr lieferfähig.
Transportkostenproblem - Vogel‘sches Verfahren (6/11)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 102
TUM School of Management
Aus-
gangs-
orte
BestimmungsortePro-
duktion
ge-
liefertRest
I II III IV V
1 30 50 45 x 80 80 75 120 80 40
2 25 90 50 70 60 80
3 100 60 35 x 50 75 25 x 100 150 100+50 0
4 20 x 70 35 x 30 110 90 85 100 70+30 0
Bedarf 70 90 130 60 100
gedeckt 70 30 50+80
=130
100
Rest 0 60 80-80=0 0
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir suchen eine gute AusgangslösungFeld 1,III ist das Feld mit den sechstniedrigsten Transportkosten.Am Bestimmungsort III werden noch 80 Einheiten benötigt, die werden dort eingeplant. Damit ist der Bedarf an Ort III gedeckt
Transportkostenproblem - Vogel‘sches Verfahren (7/11)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 103
TUM School of Management
Aus-
gangs-
orte
BestimmungsortePro-
duktion
ge-
liefertRest
I II III IV V
1 30 50 x 40 45 x 80 80 75 120 80+40 0
2 25 90 50 70 60 80
3 100 60 35 x 50 75 25 x 100 150 100+50 0
4 20 x 70 35 x 30 110 90 85 100 70+30 0
Bedarf 70 90 130 60 100
gedeckt 70 30+40
=70
50+80 100
Rest 0 60-40
=20
0 0
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir suchen eine gute AusgangslösungFeld 1,II ist das Feld mit den siebtniedrigsten Transportkosten.Am Bestimmungsort II werden noch 60 Einheiten benötigt, von Ort 1 könnennoch 40 Einheiten geliefert werden. Die werden dort eingeplant Damit ist die Lieferfähigkeit von Ort 1 erschöpft.
Transportkostenproblem - Vogel‘sches Verfahren (8/11)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 104
TUM School of Management
Aus-
gangs-
orte
BestimmungsortePro-
duktion
ge-
liefertRest
I II III IV V
1 30 50 x 40 45 x 80 80 75 120 80+40 0
2 25 90 50 70 x 60 60 80 60 20
3 100 60 35 x 50 75 25 x 100 150 100+50 0
4 20 x 70 35 x 30 110 90 85 100 70+30 0
Bedarf 70 90 130 60 100
gedeckt 70 30+40
=70
50+80 60 100
Rest 0 20 0 60-60=0 0
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir suchen eine gute AusgangslösungFeld 2,IV ist das Feld mit den siebtniedrigsten Transportkosten.Dort können 60 Einheiten eingeplant werden. Damit ist der Bedarf an Ort IV gedeckt.
Transportkostenproblem - Vogel‘sches Verfahren (9/11)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 105
TUM School of Management
Aus-
gangs-
orte
BestimmungsortePro-
duktion
ge-
liefertRest
I II III IV V
1 30 50 x 40 45 x 80 80 75 120 80+40 0
2 25 90 x 20 50 70 x 60 60 80 60+20 0
3 100 60 35 x 50 75 25 x 100 150 100+50 0
4 20 x 70 35 x 30 110 90 85 100 70+30 0
Bedarf 70 90 130 60 100
gedeckt 70 30+40 +
20=90
50+80 60 100
Rest 0 0 0 0 0
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir suchen eine gute AusgangslösungNun sind von Ort 2 noch 20 Einheiten zu liefern, und in Ort II werden noch 20 Einheitenbenötigt.Diese werden in Feld 2,II eingeplant.
Transportkostenproblem - Vogel‘sches Verfahren (10/11)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 106
TUM School of Management
Ausgangs-
orteBestimmungsorte
ProduktionI II III IV V
1 30 50 x 40 45 x 80 80 75 120
2 25 90 x 20 50 70 x 60 60 80
3 100 60 35 x 50 75 25 x 100 150
4 20 x 70 35 x 30 110 90 85 100
Bedarf 70 90 130 60 100
Kosten
1.400
2.000
+1.800
+1.050
= 4.850
3.600
+1.250
=4.850 4.200 2.500 17.800
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir berechnen die Transportkosten der guten Ausgangslösung:
Transportkostenproblem - Vogel‘sches Verfahren (11/11)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 107
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 30 50 45 80 75 120
2 25 90 50 70 60 80
3 100 60 35 75 25 150
4 20 35 110 90 85 100
Bedarf 70 90 130 60 100
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Die Felder der Matrix enthalten die Transportkosten je Mengeneinheit
Wir suchen eine zulässige Ausgangslösung.Diese wird als Start einer Optimierungsrechnung benötigt.
Transportkostenproblem – Nordwest-Ecken-Regel (1/8)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 108
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 30 50 45 80 75 120
2 25 90 50 70 60 80
3 100 60 35 75 25 150
4 20 35 110 90 85 100
Bedarf 70 90 130 60 100
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir suchen eine zulässige Ausgangslösung mit der Nord-West-Ecken-Regel
Die Lösungsidee ist, im Feld 1,I anzufangen und dort möglichst viele Mengeneinheiten einzusetzen.Dann nach rechts fortzuschreiten, bis Ort 1 nicht mehr lieferfähig ist.Dann kann man mit dem Feld 2,II weitermachen und so fortfahren.
Transportkostenproblem – Nordwest-Ecken-Regel (2/8)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 109
TUM School of Management
Transportkostenproblem – Nordwest-Ecken-Regel (3/8)
Quell-
orte
Zielorte
I II III IV
1 Wenn 1 mehr
liefern kann als
Zielort I braucht
2 Wenn der Bedarf
von Zielort I
größer ist als die
Lieferfähigkeit
von Quellort 1
Man beginnt in Feld 1,I im Nordwesten und trägt soviele Einheiten wie möglich ein.Ist die Lieferfähigkeit des Quellortes 1 größer als der Bedarf des Zielortes I, trägt man in Feld 1,II soviel Einheiten wie möglich ein – u.s.f. bis Quellort 1nicht mehr lieferfähig ist. Dann geht es in Zeile 2 mit der Spalte weiter, in derder Bedarf noch nicht gedeckt ist.Ist der Bedarf von Zielort I mit der Lieferfähigkeit von Quellort 1 nicht zu decken, geht man in Zeile 2 und trägt möglichst viele Einheiten ein, u.s.f.
Start
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 110
TUM School of Management
Ausgan
gs-orte
Bestimmungsorte Produkti
on
ge-
liefertRest
I II III IV V
1 30 x 70 50 x 50 45 80 75 120 70+50 0
2 25 90 50 70 60 80
3 100 60 35 75 25 150
4 20 35 110 90 85 100
Bedarf 70 90 130 60 100
gedeckt 70 50
Rest 0 40
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir suchen eine zulässige Ausgangslösung mit der Nord-West-Ecken-Regel
Die Lösungsidee ist, im Feld 1,I anzufangen und dort möglichst viele Mengeneinheiten einzusetzen.Dann nach rechts fortzuschreiten, bis Ort 1 nicht mehr lieferfähig ist.Dann kann man mit dem eine Zeile tiefer liegenden Feld weitermachen und so fortfahren.
Transportkostenproblem – Nordwest-Ecken-Regel (4/8)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 111
TUM School of Management
Aus-
gangs-
orte
BestimmungsorteProdukti
on
ge-
liefertRestI II III IV V
1 30 x 70 50 x 50 45 80 75 120 70+50 0
2 25 90 x 40 50 x 40 70 60 80 40+40 0
3 100 60 35 75 25 150
4 20 35 110 90 85 100
Bedarf 70 90 130 60 100
gedeckt 70 50+40 40
Rest 0 0 90
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir suchen eine zulässige Ausgangslösung mit dem Nordwest-Ecken-Regel Die Lösungsidee ist, im Feld 1,I anzufangen und dort möglichst viele Mengeneinheiten einzusetzen.Dann nach rechts fortzuschreiten, bis Ort 1 nicht mehr lieferfähig ist.Dann kann man mit dem eine Zeile tiefer liegenden Feld weitermachen und so fortfahren.
Transportkostenproblem – Nordwest-Ecken-Regel (5/8)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 112
TUM School of Management
Aus-
gangs-
orte
BestimmungsorteProdukti
on
ge-
liefertRestI II III IV V
1 30 x 70 50 x 50 45 80 75 120 70+50 0
2 25 90 x 40 50 x 40 70 60 80 40+40 0
3 100 60 35 x 90 75 x 60 25 150 90+60 0
4 20 35 110 90 85 100
Bedarf 70 90 130 60 100
gedeckt 70 50+40 40+90 60
Rest 0 0 0 0
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir suchen eine zulässige Ausgangslösung mit der Nordwest-Ecken-Regel Wir machen mit Feld 3,III weiter. Dort setzen wir 90 ein.Dann in Feld 3,IV 60 Mengeneinheiten.
Transportkostenproblem – Nordwest-Ecken-Regel (6/8)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 113
TUM School of Management
Aus-
gangs-
orte
BestimmungsorteProdukti
on
ge-
liefertRestI II III IV V
1 30 x 70 50 x 50 45 80 75 120 70+50 0
2 25 90 x 40 50 x 40 70 60 80 40+40 0
3 100 60 35 x 90 75 x 60 25 150 90+60 0
4 20 35 110 90 x 0 85 x100 100 100 0
Bedarf 70 90 130 60 100
gedeckt 70 50+40 40+90 60 100
Rest 0 0 0 0 0
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir suchen eine zulässige Ausgangslösung mit dem Nord-West-Ecken-Regel Wir machen mit Feld 4,IV weiter. Dort können wir aber nichts einsetzen, weil der Bedarfan Ort IV schon gedeckt ist.Wir gehen also zu Feld 4,V weiter und setzen dort die fehlenden 100 Mengeneinheiten ein.
Transportkostenproblem – Nordwest-Ecken-Regel (7/8)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 114
TUM School of Management
Aus-
gangs-
orte
BestimmungsorteProdukti
on
ge-
liefertRestI II III IV V
1 30 x 70 50 x 50 45 80 75 120 70+50 0
2 25 90 x 40 50 x 40 70 60 80 40+40 0
3 100 60 35 x 90 75 x 60 25 150 90+60 0
4 20 35 110 90 x 0 85 x100 100 100 0
Bedarf 70 90 130 60 100
gedeckt 70 50+40 40+90 60 100
Rest 0 0 0 0 0
Kosten 2.100 2.500
+3.600
= 6.100
2.000
+3.150
=5.150 4.500 8.500 26.350
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir berechnen die Transportkosten für die mit dem Nordwest-Ecken-Regel gefundene Ausgangslösung.
Transportkostenproblem – Nordwest-Ecken-Regel (8/8)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 115
TUM School of Management
Transportkostenproblem – Spalten-Minimum-Verfahren
Man beginnt in der linken Spalte.Dort sucht man den Weg mit den geringsten Kosten. Auf diesen setzt man die größtmögliche Menge.Dann sucht man den Weg mit den zweitgeringsten Kosten.Auf diesen setzt man die größtmögliche Menge.So arbeitet man die Spalte ab, bis der Bedarf gedeckt ist.Dann geht man eine Spalte weiter.Dort wiederholt man die Prozedur.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 116
TUM School of Management
Transportkostenproblem – Spalten-Minimum-Verfahren
Aus-
gangs-
orte
BestimmungsortePro-
duktion
ge-
liefertRestI II III IV V
1 30 50 45 80 75 120
2 25 90 50 70 60 80
3 100 60 35 75 25 150
4 20 35 110 90 85 100
Bedarf 70 90 130 60 100
gedeckt
Rest
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 117
TUM School of Management
Aus-
gangs-
orte
BestimmungsortePro-
duktion
ge-
liefertRestI II III IV V
1 30 50 45 80 75 120
2 25 90 50 70 60 80
3 100 60 35 75 25 150
4 20x70 35 110 90 85 100 70 30
Bedarf 70 90 130 60 100
gedeckt 70
Rest 0
Transportkostenproblem – Spalten-Minimum-Verfahren
In Spalte I betragen die minimalen Transportkosten 20 GE/ME.Da der Ort 4 mehr als den Gesamtbedarf von 70 ME liefern kann,ist der Bedarf von I völlig aus 4 zu decken. Spalte I scheidet aus der weiteren Betrachtung aus.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 118
TUM School of Management
Aus-
gangs-
orte
BestimmungsortePro-
duktion
ge-
liefertRestI II III IV V
1 30 50x60 45 80 75 120 60 60
2 25 90 50 70 60 80
3 100 60 35 75 25 150
4 20x70 35x30 110 90 85 100 70+30 0
Bedarf 70 90 130 60 100
gedeckt 70 30+60
Rest 0 0
Transportkostenproblem – Spalten-Minimum-Verfahren
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 119
TUM School of Management
Aus-
gangs-
orte
BestimmungsortePro-
duktion
ge-
liefertRestI II III IV V
1 30 50x60 45 80 75 120 60 60
2 25 90 50 70 60 80
3 100 60 35x130 75 25 150 130 20
4 20x70 35x30 110 90 85 100 70+30 0
Bedarf 70 90 130 60 100
gedeckt 70 30+60 130
Rest 0 0 0
Transportkostenproblem – Spalten-Minimum-Verfahren
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 120
TUM School of Management
Aus-
gangs-
orte
BestimmungsortePro-
duktion
ge-
liefertRestI II III IV V
1 30 50x60 45 80 75 120 60 60
2 25 90 50 70x60 60 80 60 20
3 100 60 35x130 75 25 150 130 20
4 20x70 35x30 110 90 85 100 70+30 0
Bedarf 70 90 130 60 100
gedeckt 70 30+60 130 60
Rest 0 0 0 0
Transportkostenproblem – Spalten-Minimum-Verfahren
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 121
TUM School of Management
Aus-
gangs-
orte
BestimmungsortePro-
duktion
ge-
liefertRestI II III IV V
1 30 50x60 45 80 75x60 120 60+60 0
2 25 90 50 70x60 60x20 80 60+20 0
3 100 60 35x130 75 25x20 150 130+20 0
4 20x70 35x30 110 90 85 100 70+30 0
Bedarf 70 90 130 60 100
gedeckt 70 30+60 130 60 20+20+
60
Rest 0 0 0 0 0
Kosten 1.400 3.000
+1.050
= 4.050
4.550 4.200 4.500
+1.200
+ 500
= 6.200
Summe der Kosten: 20.400
Transportkostenproblem – Spalten-Minimum-Verfahren
Die Lösung ist weniger gut als die nach dem
Vogel´schen Verfahren, aber besser als die nach
der NW-Ecken-Regel.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 122
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 30 x 70 50 x 50 45 80 75 120
2 25 90 x 40 50 x 40 70 60 80
3 100 60 35 x 90 75 x 60 25 150
4 20 35 110 90 x 0 85 x 100 100
Bedarf 70 90 130 60 100
Kosten 2.100 6.100 5.150 4.500 8.500 26.350
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir wollen uns im Hinblick auf die Optimierung nun fragen, ob es sich lohnt,Mengeneinheiten in noch freie Felder zu verschieben.Wir demonstrieren die Überlegung an Feld 2,I
Transportkostenproblem – Stepping Stone Verf. (1/15)
Das Stepping-Stone-Verfahren wird auch Zyklusmethode genannt, weil nach einerzyklischen Tauschmöglichkeit gesucht wird, mit der die Transportkosten vermindert
werden können.Ein Beispiel findet man auch in Wikipedia.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 123
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 30 x 69 50 x 51 45 80 75 120
2 25 x 1 90 x 39 50 x 40 70 60 80
3 100 60 35 x 90 75 x 60 25 150
4 20 35 110 90 x 0 85 x 100 100
Bedarf 70 90 130 60 100
Kosten 2.070
25
2.095
2.550
3.510
6.060
5.150 4.500 8.500 26.305
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir wollen uns im Hinblick auf die Optimierung nun fragen, ob es sich lohnt,Mengeneinheiten in noch freie Felder zu verschieben, wobei die Summen in Zeilen und Spalte n konstant bleiben müssen.Wir demonstrieren die Überlegung an Feld 2,IWenn von 2,II eine Einheit nach 2,I verschoben wird, muß von 1,I eine nach 1,IIverschoben werden. Es entstehen die folgenden Kostendifferenzen:c2,I - c2,II + c1,II - c1,I in Zahlen: 25-90+50-30=-45Wir tragen diese Kostendifferenzen nun in alle freien Felder ein.
Transportkostenproblem – Stepping Stone Verf. (2/15)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 124
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 70 50 +35 +30 +30 120
2 -45 40 40 -20 -25 80
3 +45 -15 90 60 -45 150
4 -50 -55 +60 0 100 100
Bedarf 70 90 130 60 100
Kosten 26.350
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Die Matrix enthält nun in allen Feldern, die nicht mit Mengen belegt sind, dieKostenwirkung bei Verschiebung einer Mengeneinheit in das bisher unbelegte Feld.
Felder, in die eine Verschiebung zu Mehrkosten führt, enthalten rote Zahlen.Felder, in die eine Verschiebung zu Einsparungen führt, enthalten grüne Zahlen.Die fetten schwarzen Zahlen sind die Mengen der Ausgangslösung.
Transportkostenproblem – Stepping Stone Verf. (3/15)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 125
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 70 50 +35 +30 +30 120
2 -45 40 40 -20 -25 80
3 +45 -15 90 60 -45 150
4 -50 -55 +60 0 100 100
Bedarf 70 90 130 60 100
Kosten 26.350
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Die Lösungsidee besteht nun darin, mit Verschiebungen möglichst viele Mengeneinheitenauf die Felder mit den grünen negativen Zahlen zu bringen.
Man muß nicht mit dem Feld beginnen, das die höchsten Einsparungen erbringt.
Die Operation wird solange fortgesetzt, bis keine Einsparungen mehr zu erzielen sind.Dann ist das Optimum gefunden.
Transportkostenproblem – Stepping Stone Verf. (4/15)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 126
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 70 50 +35 +30 +30 120
2 -45 40 40 -20 -25 80
3 +45 -15 90 60 -45 150
4 -50 -55 +60 0 100 100
Bedarf 70 90 130 60 100
Kosten 26.350
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 70 50 +35 +30 +30 120
2 -45 40 40 -20 -25 80
3 +45 -15 90 0+45=+45 60 150
4 -50 -55 +60 0 100 100
Bedarf 70 90 130 60 100
Kosten
He
nn
un
d K
ün
zi, Einfü
hru
ng in
die U
ntern
ehm
ensfo
rschu
ng II, S. 2
2 ff.1
96
8
Wir wählen das Feld 3,V als erstes.
60
Transportkostenproblem – Stepping Stone Verf. (5/15)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 127
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 70 50 +35 +30+45
= +75
+30+45
=+75
120
2 -45 40 40 -20+45
=+25
-25+45
= +20
80
3 +45 -15 90 +45 60 150
4 -50-45
= -95
-55-45
= -100
+60-45
= +15
60 40 100
Bedarf 70 90 130 60 100
Kosten
Hen
n u
nd
Kün
zi, Einfü
hru
ng in
die U
ntern
ehm
ensfo
rschu
ng II, S. 2
2 ff.1
96
8
Wir wählen das Feld 3,V als erstes.Wenn 60 ME von 3,IV nach 3,V verschoben werden, müssen zum Ausgleich 60 MEvon 4,V nach 4,IV verschoben werden.Dadurch entstehen für die Lieferungen des Ortes 4 zwar keine Mehrkosten,aber die Rückverschiebung würde in Zeile 3 Mehrkosten von 45 GE verursachen.Deshalb müssen die Verschiebungskosten in Zeile 4 um je 45 GE gemindert werden.Das erhöht die Vorteile einer Verschiebung in diese Felder. In den Spalten IV und Verhöhen sich die Verschiebungskosten um 45 GE/ME.Wir suchen daher als nächstes das Feld 4,II aus.
60
60
Transportkostenproblem – Stepping Stone Verf. (6/15)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 128
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 70 50 +35 +75 +75 120
2 -45 40 40 +25 +20 80
3 +45 -15 90 +45 60 150
4 -95 -100 +15 60 40 100
Bedarf 70 90 130 60 100
Kosten
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 70 50 +35 +75 +75 120
2 -45 40 40 +25 +20 80
3 +45 -15 90 +45 60 150
4 -95 -100 +15 60 40 100
Bedarf 70 90 130 60 100
Kosten
Hen
n u
nd
Kün
zi, Einfü
hru
ng in
die U
ntern
ehm
ensfo
rschu
ng II, S. 2
2 ff.1
96
8
Wir wählen das Feld 4,2 als nächstes. Aus Feld 4,5 lassen sich 40 ME verschieben
40
Transportkostenproblem – Stepping Stone Verf. (7/15)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 129
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 70 50 +35 +75-100
= -25
+75 120
2 -45 40-40=0 40+40=80 +25-100
=-75
+20 80
3 +45 -15 90-40=50 +45-100
=-55
60+40=100 150
4 -95+100
= +5
40 +15 +100
= +115
60 +100 100
Bedarf 70 90 130 60 100
Kosten 19.650
Hen
n u
nd
Kün
zi, Einfü
hru
ng in
die U
ntern
ehm
en
sforsch
un
g II, S. 22
ff.19
68
Wir wählen das Feld 4,II als nächstes. Aus Feld 4,V lassen sich 40 ME verschieben.Zum Ausgleich müssen 40 ME aus Spalte II in die Spalte V verschoben werden.Dies geschieht in zwei Schritten durch Verschiebung von Spalte II in Spalte III und dann in Vohne Mehrkosten.
In Zeile 4 sind die Verschiebungskosten jeweils um die 100 GE/ME zu vermindern.In Spalte IV sind die Verschiebungskosten um 100 GE/ME zu vermindern.
40
40
40
Transportkostenproblem – Stepping Stone Verf. (8/15)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 130
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 70 50 +35 -25 +75 120
2 -45 0 80 -75 +20 80
3 +45 -15 50 -55 100 150
4 +5 40 +115 60 +100 100
Bedarf 70 90 130 60 100
Kosten 19.650
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir wählen das Feld 2,I als nächstes. Die Verschiebung von 0 aus Feld 2,II nach Feld 2,I verändert allerdings die Gesamtkostennicht.
Transportkostenproblem – Stepping Stone Verf. (9/15)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 131
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 70 50 +35-45
=-10
-25 +75-45
=+30
120
2 0 +45 80 -75+45
=-30
+20 80
3 +45+45
= 90
-15+45
=30
50 -55+45
=-10
100 150
4 +5 40 +115-45
=+70
60 +100-45
=+55
100
Bedarf 70 90 130 60 100
Kosten 19.650
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir wählen das Feld 2,I als nächstes. Die Verschiebung von 0 aus Feld 2,II nach Feld 2,I verändert allerdings die Gesamtkostennicht.Sie führt allerdings zu Veränderungen der Verschiebungskosten.
Transportkostenproblem – Stepping Stone Verf. (10/15)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 132
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 70 50 -10 -25 +30 120
2 0 +45 80 -30 +20 80
3 90 30 50 -10 100 150
4 +5 40 +70 60 +55 100
Bedarf 70 90 130 60 100
Kosten
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir wählen das Feld 1,III als nächstes.
Transportkostenproblem – Stepping Stone Verf. (11/15)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 133
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 +10 50 70 -25 +40 120
2 70 +35 10 -40 +20 80
3 90 20 50 -20 100 150
4 +15 40 +80 60 +65 100
Bedarf 70 90 130 60 100
Kosten
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir wählen das Feld 2,IV als nächstes.
Transportkostenproblem – Stepping Stone Verf. (12/15)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 134
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 -30 40 80 -25 +40 120
2 70 +75 +40 10 +60 80
3 50 20 50 -20 100 150
4 -25 50 +80 50 +65 100
Bedarf 70 90 130 60 100
Kosten
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir wählen das Feld 1,I als nächstes.
Transportkostenproblem – Stepping Stone Verf. (13/15)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 135
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 40 +30 80 +5 +40 120
2 30 +75 +10 50 +30 80
3 80 50 50 +10 100 150
4 -25 90 +50 10 +35 100
Bedarf 70 90 130 60 100
Kosten
Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Wir wählen das Feld 4,I als nächstes, das als einziges eine Kostenminderung ermöglicht.
Transportkostenproblem – Stepping Stone Verf. (14/15)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 136
TUM School of Management
Ausgangs-
orte
BestimmungsorteProduktion
I II III IV V
1 40 +5 80 +5 +40 120
2 20 +50 +10 60 +30 80
3 +80 +25 50 +10 100 150
4 10 90 +75 +25 +60 100
Bedarf 70 90 130 60 100
Kosten 17.100
vgl. Henn und Künzi, Einführung in die Unternehmensforschung II, S. 22 ff.1968
Nun weist kein Feld mehr negative Verschiebungskosten auf, so daß eine optimaleLösung erreicht sein muß.
Transportkostenproblem – Stepping Stone Verf. (15/15)
Die Lösung mit dem Vogel´schen Verfahren war: 17.800
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 137
TUM School of Management
Schema der Vorgehensweise des Stepping Stone-Verfahrens
Start
Berechnung einer gültigen Ausgangslösung
Berechnung der Vorteilhaftigkeit von Tausch
Durchführung eines vorteilhaften Tauschs
vorteilhaftmöglich
nein Ende
ja
Das etwas einfachere Modi-Verfahrenfunktioniert nach demselben Schema
Ein Optimum ist gefunden,wenn eine Verbesserungnicht mehr möglich ist.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 138
TUM School of Management
Transportkostenproblem
Mit dem Excel-Solver läßt sich das Transportkosten-Beispiel aus dem Buch von Henn&Künzi auch lösen.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 139
TUM School of Management
Die Lösung des Transportkostenproblems
mit dem Excel-Solver
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 140
TUM School of Management
Besonders beeindruckende logistische Leistungen
Umzug des Flughafens München in der Nacht vom 16./17. Mai 1992von Riem nach Erding.
Austausch aller Schilder auf dem Flugfeld des Rhein-Main-Flughafensin einer Nacht (FAZ vom 12.6. 2010).
Umzug der Ministerien von Bonn nach Berlin
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 141
TUM School of Management
Das Problem des Postboten unterscheidet sich vom Problem desHandlungsreisenden dadurch, dass es nicht darum geht, eine Reihe vonOrten zu besuchen, sondern ein Netz auf einem möglichst kurzen Wegvollständig abzulaufen.
Im Graphen kommt es also darauf an, alle Kanten zu durchlaufen, wobeimöglichst wenige (nur kurze) unproduktive Strecken vorkommen sollen.
Praktische Anwendungen könnten z.B. sein:
• eine optimierte Strecken für die Schneeräumung auf den Waldwegen• eine optimierte Strecke für die Begutachtung der Randbäume an Wegen• eine optimierte Strecke für die Prüfung der Wege nach einem Sturm• ein Plan für die Räumung der Gräben der Waldwege mit einem Grader
oder einer Grabenfräse (nicht alle Kanten müssen durchlaufen werden – diese Variante wird auch als rural chinese postman problem bezeichnet)
Das Chinese Postman Problem
eigenes Foto
behandelt u.a. von Dempe u. Schreier: Operations Research, Teubner, 2006, S. 271 ff.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 142
TUM School of Management
(3) Produktionsplanung und -steuerung
• Optimierung von Losgrößen
• Optimierung von Mischungen
• Optimierung der Kapazitätsauslastung
• Optimierung der Maschinenbelegung
• Optimierung des Werkzeugwechsels
• Sonderfall: Ganzzahlige Optimierung
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 143
TUM School of Management
Optimierung der Bearbeitungsreihenfolge von Losen
• Reihenfolgeprobleme ergeben sich in der industriellen Produktion besonders dann, wenn zur Bearbeitung von Losen mehrere Kapazitätseinheiten nacheinander in Anspruch genommen werden müssen und die Bearbeitung der Lose jeweils unterschiedliche Zeit in Anspruch nimmt. Die Optimierung der Reihenfolge der Bearbeitung führt dann zur Minimierung der Leerzeiten der Kapazitätseinheiten.
• In der Sägeindustrie ist z.B. vorstellbar, dass Einschnitt und Trocknung hintereinandergeschaltet sind. Durch Optimierung der Reihenfolge könnten dann Leerzeiten der Trocknungsanlage vermieden werden.
• Ein solches Reihenfolgeproblem lässt sich mit Johnson´s-Algorithmus elegant lösen.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 144
TUM School of Management
Es sei ein Reihenfolgeproblem aus 8 Losen betrachtet.
Die Zahl der möglichen Lösungen ist 8! = 40.320
Es liegt eine zweistufige Bearbeitungsfolge vor, wie sie in der Holzindustriebeispielsweise beim Sägen und Trocknen vorkommen könnte, oder bei einemBearbeitungs- und einem Verleimungsprozeß.
Dabei soll es Ziel der Optimierung sein, die Leerzeiten des zweiten Prozesseszu minimieren (Zielfunktion). Bei einem Trockner, einem Brennofen, einer beheizten Presse etc. ist der Zweck offensichtlich (Energieeinsparung).
Es kann aber auch darum gehen, die Arbeitszeit der zweiten Bearbeitungs-stufe zu minimieren, weil diese noch für einen anderen Produktionsprozeßbenötigt wird und daher ein Engpaßfaktor ist.
der vorgestellte Algorithmusfunktioniert auch bei 3 Maschinen
(OR Handbook, in unserem Bestand)
Ein Beispiel (fahrende Künstler) findetman bei Kaufmann u. Faure, Methoden
des OR, Walter de Gruyter, S 231 ff.
Johnson‘s Algorithmus (1/13)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 145
TUM School of Management
Los Nr. 1 2 3 4 5 6 7 8
Stufe 1 20 10 14 12 12 18 25 15
Stufe 2 25 8 11 10 15 12 20 20
Die Tabelle zeigt die Zeiteinheiten, die für die Bearbeitung der Lose nötig sind.
grafische Darstellung der Leerzeiten, zufällige Reihenfolge
Stufe 12 6 3 8 7 1 4 5
Stufe 2 8 12 11 20 20 25
10 18 14 15 25 20 12 12
10 10 2 4 5 Leerzeiten
Johnson‘s Algorithmus (2/13)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 146
TUM School of Management
Los 1 2 3 4 5 6 7 8
Stufe 1 20 10 14 12 12 18 25 15
Stufe 2 25 8 11 10 15 12 20 20
Nun suchen wir uns das Los mit der kürzesten Bearbeitungszeit.
Das ist Los 2, mit 8 Minuten in Stufe 2.
Wenn diese kürzeste Bearbeitungszeit auf Stufe 1 fällt, reihen wir dieses Losan den Anfang.
Wenn die kürzeste Bearbeitungszeit auf die Stufe 2 fällt, reihen wir dieses Losan das Ende.
Wir wiederholen diesen Schritt und tragen das Ergebnis in eine Matrix ein, die in der Waagerechten die Reihenfolge zeigt und in der Senkrechten dieAuswahlschritte (Iterationen).
also an das Ende
Johnson‘s Algorithmus (3/13)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 147
TUM School of Management
Los 1 2 3 4 5 6 7 8
Stufe 1 20 10 14 12 12 18 25 15
Stufe 2 25 8 11 10 15 12 20 20
Position in der Reihenfolge
1. 2. 3. 4. 5. 6. 7. 8.
Au
sw
ah
lsch
ritt
1 2
2
3
4
5
6
7
8
Johnson‘s Algorithmus – 1. Auswahlschritt (4/13)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 148
TUM School of Management
Los 1 2 3 4 5 6 7 8
Stufe 1 20 10 14 12 12 18 25 15
Stufe 2 25 8 11 10 15 12 20 20
Position in der Reihenfolge
1. 2. 3. 4. 5. 6. 7. 8.
Au
sw
ah
lsch
ritt
1 2
2 4
3
4
5
6
7
8
Johnson‘s Algorithmus – 2. Auswahlschritt (5/13)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 149
TUM School of Management
Los 1 2 3 4 5 6 7 8
Stufe 1 20 10 14 12 12 18 25 15
Stufe 2 25 8 11 10 15 12 20 20
Position in der Reihenfolge
1. 2. 3. 4. 5. 6. 7. 8.
Au
sw
ah
lsch
ritt
1 2
2 4
3 3
4
5
6
7
8
Johnson‘s Algorithmus – 3. Auswahlschritt (6/13)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 150
TUM School of Management
Los 1 2 3 4 5 6 7 8
Stufe 1 20 10 14 12 12 18 25 15
Stufe 2 25 8 11 10 15 12 20 20
Position in der Reihenfolge
1. 2. 3. 4. 5. 6. 7. 8.
Au
sw
ah
lsch
ritt
1 2
2 4
3 3
4 (5) 6
5
6
7
8
2 Möglichkeiten
Johnson‘s Algorithmus – 4. Auswahlschritt (7/13)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 151
TUM School of Management
Los 1 2 3 4 5 6 7 8
Stufe 1 20 10 14 12 12 18 25 15
Stufe 2 25 8 11 10 15 12 20 20
Position in der Reihenfolge
1. 2. 3. 4. 5. 6. 7. 8.
Au
sw
ah
lsch
ritt
1 2
2 4
3 3
4 (5) 6
5 5 (6)
6
7
8
Johnson‘s Algorithmus – 5. Auswahlschritt (8/13)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 152
TUM School of Management
Los 1 2 3 4 5 6 7 8
Stufe 1 20 10 14 12 12 18 25 15
Stufe 2 25 8 11 10 15 12 20 20
Position in der Reihenfolge
1. 2. 3. 4. 5. 6. 7. 8.
Au
sw
ah
lsch
ritt
1 2
2 4
3 3
4 (5) 6
5 5 (6)
6 8
7
8
Johnson‘s Algorithmus – 6. Auswahlschritt (9/13)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 153
TUM School of Management
Los 1 2 3 4 5 6 7 8
Stufe 1 20 10 14 12 12 18 25 15
Stufe 2 25 8 11 10 15 12 20 20
Position in der Reihenfolge
1. 2. 3. 4. 5. 6. 7. 8.
Au
sw
ah
lsch
ritt
1 2
2 4
3 3
4 (5) 6
5 5 (6)
6 8
7 1 (7)
8 (1) 7
2 Möglichkeiten
Johnson‘s Algorithmus – 7. und 8. Auswahlschritt (10/13)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 154
TUM School of Management
Position 1. 2. 3. 4. 5. 6. 7. 8.
LOS Nr. 5 8 1 7 6 3 4 2
Position in der Reihenfolge
1. 2. 3. 4. 5. 6. 7. 8.
Au
sw
ah
lsch
ritt
1 2
2 4
3 3
4 (5) 6
5 5 (6)
6 8
7 1 (1)
8 (7) 7
Die Reihenfolge
ist eine optimale Lösung
Johnson‘s Algorithmus – Ergebnis (11/13)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 155
TUM School of Management
Fräsen
Ai
Schleifen
Bi
Lackieren
Ci
P1 7 6 4
P2 11 5 12
P3 8 3 7
P4 7 5 8
P5 6 3 3
Ai + Bi Bi + Ci
P1 13 10
P2 16 17
P3 11 10
P4 12 13
P5 9 6
Johnsons Algorithmus gibt es auch für eine dreistufige Produktion,Bedingung ist, dass entweder min Ai >= max Bi oder min Ci >= max Bi
Ein Beispiel findetman bei Kaufmann u. Faure, Methoden
des OR, Walter de Gruyter, S 239.
min Ai = 6, max Bi = 6 min Ci = 3, die erste Bedingung ist erfüllt.Es ergeben sich zwei gleichwertige Reihenfolgen:p4, p2, p3, p1 p5 und p4, p2, p1, p3, p5
Johnson‘s Algorithmus – dreistufige Produktion (12/13)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 156
TUM School of Management
Position in der
Reihenfolge
1. 2. 3. 4. 5.
Au
sw
ah
lsch
ritt
1 P5
2 P1
3 P3
4 P4
5 P2
Ai + Bi Bi + Ci
P1 13 10
P2 16 17
P3 11 10
P4 12 13
P5 9 6 Wird als erste Zeile gestrichen, nach hinten
Wird als zweite Zeile gestrichen, nach hinten
Wird als dritte Zeile gestrichen, nach hinten
Wird als vierte Zeile gestrichen, nach vorne
Ein Beispiel findetman bei Kaufmann u. Faure, Methoden
des OR, Walter de Gruyter, S 239.
Johnson‘s Algorithmus – dreistufige Produktion (13/13)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 157
TUM School of Management
• Mit der Optimierung von Losgrößen wird versucht, Leerkosten zu vermeiden.
• Leerkosten entstehen oft, wenn zwei Produktionsprozesse aufeinander aufbauen bzw. aneinander anschließen (mehrstufige Produktion) sowie bei Kuppelproduktion.
• Optimierung von Losgrößen besitzt in Forst- und Holzwirtschaft gleichermaßen Bedeutung.
• Sehr anschaulich ist der Sinn von Losgrößen-Optimierung an Produktionsprozessen mit anschließenden Transportvorgängen zu zeigen. Beispielsweise bei der Holzernte, wenn die eingeschlagene Menge bei der Abfuhr den letzten Lastwagen nur zu einem Bruchteil auslastet. Die Transportkosten können dadurch erheblich höher liegen als notwendig.
• Auch wenn Rüstkosten (Einstellung von Maschinen, Werkzeugwechsel) eine Rolle spielt, ist es offensichtlich, daß die Zusammenfassung von Aufträgen zu größeren Losen sinnvoll ist, die gerade so groß sein sollen, daß die Rüstkosten minimal sind.
Optimierung von Losgrößen
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 158
TUM School of Management
• Bei manchen Produktionen ist eine Veränderung des Einsatzes von Produktionsfaktoren in Grenzen möglich. Dadurch stellt sich die Frage der optimalen Mischung dieser Produktionsfunktionen.
• Ein anschauliches Beispiel aus dem Bereich der Holznutzung ist der Betrieb von Holzfeuerungsanlagen, bei denen die Brennstoffzusammensetzung in (teilweise durch vertragliche Vereinbarungen oder rechtliche Vorschriften gegebenen) Grenzen variiert werden kann (Waldhackschnitzel, Altholz, Sägerestholz).
• Die einzelnen Brennstoffe zeichnen sich durch unterschiedliche Preise, unterschiedlichen Heizwert und unterschiedliche Transportkosten aus. Ggf. fallen noch unterschiedliche Kosten der Entsorgung von Reststoffen an.
• Gesucht ist regelmäßig eine kostenminimale Mischung.
• Eine geeignete Methode ist regelmäßig die lineare Programmierung.
Optimierung von Mischungen (1/5)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 159
TUM School of Management
Restriktionen
Sortiment 1
Sortiment 2
max.Menge
min.Menge
min.Menge
Kapazität
Sortiment 1
Sortiment 2
Zielfunktion undProduktionsmöglichkeiten
Zielfunktion
Optimum
Optimierung von Mischungen – graf. Lösung LP-Modell (2/5)
Ausführliche Darstellung der Linearen Programmierung in Ellinger, Beuermann, Leisten: Operations Research, Springer, 6. Auflage 2003
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 160
TUM School of Management
Zielfunktion undProduktionsmöglichkeiten Die Neigung der Zielfunktion
bestimmt, welche Eckegetroffen wird
Sortiment 1
Sortiment 2 Zielfunktion
Sortiment 1
Zielfunktion
Optimierung von Mischungen – graf. Lösung LP-Modell (3/5)
Sortiment 1 ist relativ zu Sortiment 2 preisgünstig, die Zielfunktion ist steil, die
rechte untere Ecke wird getroffen.
Sortiment 2 ist relativ zu Sortiment 2 preisgünstig, die Zielfunktion ist flach, die
linke obere Ecke wird getroffen.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 161
TUM School of Management
Start
0 1 2
0 1
3
0 1 0 1
2 2 1 1
2
3
3
1
2
Stoff 1
Stoff 2
Stoff 3
Es ist eine Mischung aus drei Stoffen und drei Teilen herzustellen
Optimierung von Mischungen – Baumstruktur (4/5)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 162
TUM School of Management
Optimierung einer Brennstoffmischung
Brennstoffe
Energie-
gehalt Preis
Transport-
kosten
Ent-
fernung Kosten Kosten Menge Kosten
relativ GE/t GE/t/km km GE/t
GE/Energie-
einheit
Waldhackschnitzel 0,8 25 0,20 15 28,00 35,00 65 2.275
Sägemehl 0,9 20 0,15 25 23,75 26,39 10 264
Pellets 1 30 0,15 35 35,25 35,25 0 0
Altholz 0,85 18 0,17 40 24,80 29,18 15 438
Rinde 0,5 6 0,25 20 11,00 22,00 10 220
100 3.197
Bedarf Energieeinheiten
100
Restriktionen
Mindest-
mengen
Höchst-
mengen
Waldhackschnitzel 25
Sägemehl 10
Pellets
Altholz 15
Rinde 10
Optimierung von Mischungen (5/5)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 163
TUM School of Management
• Wenn ein Betrieb Kapazitäten vorhält, die grundsätzlich dieselben Leistungen erbringen, aber eine unterschiedliche Kostenstruktur aufweisen, stellt sich bei schwankender Kapazitätsauslastung die Frage, welche Kapazitätseinheiten zuerst in Betrieb genommen werden sollen, bzw. welche zuerst abgeschaltet werden sollen, wenn die Produktion zurückgefahren werden muß.
• In Forstbetrieben können dies beispielsweise unterschiedliche Holzerntemaschinen sein, in der Holzindustrie Sägelinien mit unterschiedlicher Technologie
• Es gilt grundsätzlich, daß die Kapazitätseinheiten mit der höchsten Fixkostenbelastung zuerst in Betrieb genommen werden müssen (also die Einheiten mit den höchsten variablen Kosten zuerst abgeschaltet werden müssen).
Maschinenbelegung bei steigender Kapazitätsauslastung (1/2)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 164
TUM School of Management
Fixkosten
Kosten
Auslastung
Maschine I
Maschine II
Maschine III Gesamtkosten
Maschinenbelegung bei steigender Kapazitätsauslastung (2/2)
alle Maschinen
var. Kosten Maschine I
var. Kosten Maschine II
var. Kosten Maschine III
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 165
TUM School of Management
• Bei Maschinen, deren Geschwindigkeit variiert werden kann, sind die Kosten oft abhängig von der Geschwindigkeit (Gutenberg-Produktionsfunktion)
• Von der Geschwindigkeit abhängig sind i.d.R. die Energiekosten, die Ausschußproduktion, ggf. der Kühlmittelverbrauch.
• In der Sägeindustrie sind insbesondere die Sägemaschinen selbst in der Geschwindigkeit variierbar.
• Die Verbrauchsfunktionen können in Kostenkurven überführt werden, um die optimale Geschwindigkeit zu ermitteln.
• Die Geschwindigkeit, bei der die Kosten der Zunahme um eine Einheit gleich den zusätzlichen Erlösen sind, darf nicht überschritten werden.
Optimierung der Maschinengeschwindigkeit (1/2)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 166
TUM School of Management
Geschwindigkeit
KostenErlöse
Erlöse der zusätzlichenProduktion
Kosten derErhöhung derGeschwindigkeit
OptimaleGeschwindigkeit
Optimierung der Maschinengeschwindigkeit (2/2)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 167
TUM School of Management
Zu berücksichtigen sind insbesondereKosten des Werkzeugwechsels (Stillstand)Kosten des Schärfens Energiekosten in Abhängigkeit von der Schärfe des WerkzeugsMaterialverluste in Abhängigkeit von der Schärfe des Werkzeugs
Es ist eine Minimierung der Kosten in der Periode vorzunehmen
Optimierung des Werkzeugwechsels (1/3)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 168
TUM School of Management
Kosten in der Periode
Häufigkeit desWerkzeugwechsel
Stillstand + Schärfen
Energiekostenund Materialverlust
Optimierung des Werkzeugwechsels (2/3)
Gesamtkosten
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 169
TUM School of Management
KostenWerkzeugwechsel nach
1 Los 2 Losen 3 Losen 4 Losen
Schärfen
Energie
Material-
verlust
Stillstand u.
Wechseln
Gesamt-
kosten17 12 10 13
Optimierung des Werkzeugwechsels (3/3)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 170
TUM School of Management
Ganzzahlige lineare Optimierung als Lösungsansatz (1/7)
Es gibt Probleme, bei denen die Variablen nur Werte aus der Mengeder natürlichen Zahlen (einschließlich 0) annehmen können.
Diese Probleme lassen sich mit dem Simplex-Algorithmus i.d.R. nicht lösen.
Bei grafischer Darstellung bedeutet die Beschränkung auf die Mengenatürlicher Zahlen, daß der Lösungsraum aus einer Menge von Gitternetzpunkten besteht, statt im zweidimensionalen Fall aus einer Fläche.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 171
TUM School of Management
Einige ganzzahlige Probleme:
Aus den 30 Mitarbeitern der Forstdirektion sind 2 Teams zu je 5 Mitarbeitern als Nothilfe-Teams zur Unterstützung einer befreundetenForstverwaltung auszuwählen.
Das Jagdgatter „Hubertushohn“ will 7 Erntehirsche so an drei Weidmännerverkaufen, daß der Deckungsbeitrag maximiert wird.
Ein neu ausgewiesenes Stück Bauland ist so in Grundstücke zu 400 m2
und 700 m2 aufzuteilen, daß der Erlös maximiert wird.
Bei einer Organisationsänderung ist das Personal auf die neu gebildetenOrganisationseinheiten zu verteilen.
Zuschnitt-Optimierungen (Weil halbe Sitzflächen nichts nutzen.)
Bestimmung optimaler Investitionsprogramme
Ganzzahlige lineare Optimierung als Lösungsansatz (2/7)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 172
TUM School of Management
Hütte Villa zusammen
maximale Anzahl 5 keine Restriktion 7
Fertigungszeit (Tage) 4 20
Deckungsbeitrag 7.000 GE 22.000 GE
Ein Fertighaus-Unternehmen fertigt zwei Produkte, Haus „Hütte“ und Haus „Villa“.
Es gelten folgende Restriktionen
Der Deckungsbeitrag soll maximiert werden.
Ganzzahlige lineare Optimierung als Lösungsansatz (3/7)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 173
TUM School of Management
Hütte Villa zusammen
maximale Anzahl 5 keine Restriktion 7
Fertigungszeit (Tage) 4 20
Deckungsbeitrag 7.000 GE 22.000 GE
Wir formulieren das lineare Ungleichungssystem
Hütte + Villa <= 7Hütte <= 54 x Hütte + 20 x Villa <= 85
Zielfunktion7.000 x Hütte + 22.000 x Villa = max Das folgende Schaubild zeigt
die Lösungsmöglichkeiten
Ganzzahlige lineare Optimierung als Lösungsansatz (4/7)
Es stehen 85 Tage zur Verfügung
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 174
TUM School of Management
Zielfunktion7000 x Hütte + 22000 x Villa = max
wir lösen die Ungleichungennach Villa auf
nach Villa aufgelöst
R1 Hütte + Villa <= 7 Villa <= – Hütte + 7
R2 4 x Hütte + 20 x Villa <= 85 Villa <= – 1/5 Hütte + 17/4
R3 Hütte <= 5 bleibt so
Z Villa = – 7/22 Hütte
Nach Villa aufgelöst sind die Ungleichungen als Restriktionen inden Graphen einzuzeichnen.
Ganzzahlige lineare Optimierung als Lösungsansatz (5/7)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 175
TUM School of Management
Anzahl der Häuser Typ Hütte
An
zah
l de
r H
äuse
r Ty
p V
illa
Zielfunktion: Gerade mit der Steigung -7/22
Ganzzahlige lineare Optimierung als Lösungsansatz (6/7)
5
10
5 10 15 20
Z
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 176
TUM School of Management
Anzahl der Häuser Typ Hütte
An
zah
l de
r H
äuse
r Ty
p V
illa
Durch Verschieben einer Gerade mit der Steigung -7/22 von oben an den Bereich der Gitternetzpunkte erhält man als Lösung den Punkt 1 Hütte, 4 Villa
Ganzzahlige lineare Optimierung als Lösungsansatz (7/7)
5
10
5 10 15 20
P(1/4)
nach Villa aufgelöst
R1 Villa <= – Hütte + 7
R2 Villa <= – 1/5 Hütte + 17/4
R3 Hütte <= 5
Z – 7/22 Hütte
R3
R1 R2
17/4 = 4,25
Z
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 177
TUM School of Management
(4) Standortentscheidungen
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 178
TUM School of Management
Standortwahl mit LP-Modellen
• Wahl der Standorte für Feuerlöschteiche
• Wahl der Standorte für Feuerwachttürme
• Wahl der Standorte für Holzlagerplätze
Ähnlich läßt sich auch eine Naturschutz-Fragestellungbearbeiten: Es sollen x Prozent der Fläche als Naturschutzflächeausgewiesen werden. Es ist zu entscheiden, wie groß dieeinzelnen Flächen gewählt werden sollen. Ähnlich wie bei den Feuerlöschteichen geht es um ein „Netz“von Naturschutzflächen.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 179
TUM School of Management
Standortwahl für Feuerlöschteiche (1/4)
Das Waldgebiet wird in Teilbereiche eingeteilt, die durch ihre Mittelpunkterepräsentiert werden.Die Fahrtzeiten (oder Distanzen) zwischen den Knoten werden ermittelt.
Manche Bereiche können dabei herausgenommen werden, z.B. vomWald umschlossene landwirtschaftliche Flächen.
Die Feuerlöschteiche können an jedem Knoten positioniert werden.
Das Problem ist damit als 1-0-Problem formuliert. Die Knoten werdendurch die Variablen FT1 .... FTn repräsentiert. Diese können jeweils den Wert 1 oder 0 annehmen.
Für jeden Knoten gibt es eine Menge benachbarter Knoten, diein 10 Minuten erreicht werden können. Die Menge dieser Knoten seimit N1 ... Nn bezeichnet.
vgl. Werners, 2006, S. 129 ff.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 180
TUM School of Management
Nummer des
Knotens
Nummern der innerhalb
von 10 Minuten
erreichbaren Knoten
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
n
j
jxz1
n
Nj
ij
i
Ix 1
Die Anzahl der Löschteichesoll minimal gehalten werden.
Die Restriktion gewährleistet,daß jeder Standort in höchstens10 Minuten von mind. einem Teicherreicht werden kann.
min
vgl. Werners, 2006, S. 129 ff.
Standortwahl für Feuerlöschteiche (2/4)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 181
TUM School of Management
Die Lösung ist:an den Knoten 2, 3 und 5 sind Löschteiche zu bauen.
Werners gibt den Lösungsweg nicht an, sondern verweist auf Standardsoftware
Standortwahl für Feuerlöschteiche (3/4)
Das Problem ist ein Bool´sches kombinatorisches Problem.Es kann in eine Baumstruktur gebracht werden. Dann kann es gelöst werden wie untengezeigt wird (Bau von Fabriken, 5 Standorte).
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 182
TUM School of Management
F1 F2 F3 F4 F5 F6 F7 F8 Summe
F1 x1 x2
F2 x1 x2 x4 x5
F3 x3 x6
F4 x2 x4 x5 x7 x8
F5 x2 x4 x5 x6 x7 x8
F6 x3 x5 x6
F7 x4 x5 x7 x8
F8 x4 x5 x7 x8
alle Variablen sind entweder 0 oder 1
vgl. Werners, 2006, S. 129 ff.
Standortwahl für Feuerlöschteiche (4/4)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 183
TUM School of Management
• Es sind x Rundholzlose gegeben, die in den y Sägewerken des Unternehmens eingeschnitten werden sollen.
• Die Einschnittkosten in den einzelnen Sägewerken sind unterschiedlich.
• Die Transportkosten zu den einzelnen Sägewerken sind bekannt.
• Die Kapazitäten der Sägewerke sind gegeben (Mindestauslastung 1 Schicht, Obergrenze 3 Schichten).
• Es ist zu berechnen, welche Lose in welchem Werk eingeschnitten werden.
Wahl des Sägewerks – einfache Optimierung (1/6)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 184
TUM School of Management
Hafen
Meer
Werk 1
Werk 2
Holzeinschläge
Wahl des Sägewerks – einfache Optimierung (2/6)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 185
TUM School of Management
Holznutzungen Werk 1 Werk 2 Mengen Kosten
Menge
Ent-
fernung
Trans-
port
Ein-
schnitt Kosten
Ent-
fern
ung
Tran-
sport
Ein-
schnitt Kosten
Werk
1
Werk
2 Summe
Fm km €/km €/Fm €/Fm km €/km €/Fm €/Fm Fm Fm Fm €
Goldberg 340 20 0,12 40 42,4 35 0,1 38 41,5 260 80 340 14.344
Weiltal 570 80 0,11 45 53,8 40 0,18 34 41,2 0 570 570 23.484
Siebental 780 60 0,1 35 41 100 0,12 45 57 780 0 780 31.980
Rotrücken 234 10 0,15 41 42,5 70 0,1 41 48 234 0 234 9.945
Sonnhang 550 50 0,16 37 45 30 0,2 36 42 0 550 550 23.100
Summe 2474 1274 1200 2474 102.853
Kapazität Werk 1 1800
Kapazität Werk 2 1200
Beispiel für eine optimale Zuordnung der an mehreren Waldortenanfallenden Holzmengen zu zwei Sägewerken – Minimierung der Kostenaus Transport und Einschnitt
Wahl des Sägewerks – einfache Optimierung (3/6)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 186
TUM School of Management
• Zuordnung von in der Fläche anfallendem Holz zu Verarbeitungsorten (Sägewerken) zur Minimierung der Transportkosten
• Bestimmung optimaler Verarbeitungskapazitäten bei gegebenen Standorten
• Auswahl eines Standortes bei schon bestehenden Standorten und mehreren Alternativen
Wahl des Sägewerks – alternative Fragestellungen (4/6)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 187
TUM School of Management
• Für die bestehenden Standorte und Holzquellen ist das Modell zu formulieren
• Dann sind die alternativen neuen Werksstandorte und ggf. Holzquellen hinzuzufügen
• Es wird dann geschaut, welcher der alternativen Standorte die insgesamt geringste Erhöhung der Produktionskosten bewirkt.
Wahl des Sägewerks – Neuer Standort (5/6)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 188
TUM School of Management
• Wie zuvor können Einschlagsorte in einem ersten Schritt Sägewerken zugeordnet werden, wobei die Transportkosten zu den Sägewerken minimiert werden.
• In einem zweiten Schritt können dann die Einschlagsorte mehreren Harvestern zugeordnet werden, wobei die Einschlagskosten minimiert werden.
• In einem dritten Schritt kann für jeden Harvester die Reihenfolge der Schläge optimiert werden, wobei die Umsetzkosten minimiert werden.
Andere sinnvolle Kombinationen, z.B. die Suche nach einer optimalen Reihenfolge zur zeitgerechten Auslieferung bestimmter Aufträge sind genausomöglich.
Wahl des Sägewerks – mehrstufige Optimierung (6/6)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 189
TUM School of Management
Binäre lineare OptimierungDie binäre lineare Optimierung zeichnet sich dadurch aus, daß alle Variablen nur die Werte 0 und 1 annehmen dürfen.
Probleme mit dieser Struktur sind beispielweise:Das Rucksackproblem des Wanderers:Der Wanderer hat die Wahl, welche Gegenstände er jeweils einmal inden Rucksack packen soll, wobei das Gewicht nicht über 10 kg erreichen darf.Welche Gegenstände müssen eingepackt werden, um den Nutzen zu maximieren?
Der Manager darf sich ein Dienstfahrzeug mit Extras aussuchen, derPreis darf aber € 50.000 nicht überschreiten. Er will den Nutzen maximieren.
Der Waldbesitzer kann jeweils nur ganze Bestände durchforsten.Es gelten Restriktionen hinsichtlich der Durchforstungsflächen.Der Deckungsbeitrag soll maximiert werden.
Zur Aufforstung großer Sturmflächen stehen nicht genügend Pflanzen zurVerfügung. Welche Flächen werden aufgeforstet, welche bleiben liegen?
Bool´sche Probleme
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 190
TUM School of Management
Entscheidungsbaumverfahren - Grundgedanke
Es sollen nicht alle möglichen Lösungen berechnet werden.
Dadurch sind die Verfahren relativ effizient.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 191
TUM School of Management
Entscheidungsbaum – „1-0-Problem“
Start
erste Ebenehier wird die Variable 1variiert (=0 oder = 1)
zweite Ebenehier wird zusätzlichdie Variable 2 variiert
dritte Ebenehier wird zusätzlichdie Variable 3 variiert
alle Variablen sind 1 oder alle Variablen sind 0
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 192
TUM School of Management
Start
Sobald sich eine Varianteentweder als unzulässig(nicht mit den Restriktionenverträglich) oder alsunwirtschaftlich (schlechterals eine schon berechnete)erweist, braucht der Astdes Baumes nichtweiterverfolgt zu werden.
unzulässig oderunwirtschaftlichAst kann „abgeschnitten“werden
müssen nichtberechnet werden
Entscheidungsbaum
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 193
TUM School of Management
EntscheidungsbaumverfahrenBranching and Bounding – Vorgehen bei Minimierung
Als Branching wird das Zuweisen von Werten für die Variablen bezeichnet.Bei Bool´schen Problemen sind das nur 0 und 1, wodurch die grafischeDarstellung erleichtert wird.Als Bounding bezeichnet man das Abschneiden von Ästen.
Wichtig ist, dass man eine gute Priorisierung vornimmt.
Wenn bei einem 0-1-Problem von Anfang an einigen Variablen die richtigen Werte zugewiesen werden, sinkt die Zahl der insgesamt zu berechnenden Lösungen stark.
Das liegt daran, dass man dadurch bei einem Minimierungsproblem gleichüber eine relativ tief liegende untere Schranke verfügt, die als Kriterium für den Abbruch der Berechnung eines Astes verwendet wird.
Die untere Schranke kann man beispielsweise mit einer Heuristik schätzen.Im Laufe der Berechnung kann sie dann ggf. abgesenkt werden, wenn manLösungen findet, die günstiger sind.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 194
TUM School of Management
EntscheidungsbaumverfahrenBranching and Bounding – Vorgehen bei Maximierung
Die Schranke muss bei Maximierung so gewählt werden, dass man Äste abschneiden kann, für die das Ergebnis unter der Schranke liegt.
Im Laufe der Berechnung kann sie dann ggf. erhöht werden, wenn manLösungen findet, die günstiger sind.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 195
TUM School of Management
Beispiel für Branching und BoundingZimmermann, W. 1992, S. 134 ff.
Standorte Baukosten Produktionskapazitäten
Produkt 1 Produkt 2
1 7 15 10
2 8 20 12
3 3 10 8
4 6 18 10
5 2 6 4
Mindestmengen der Produktion 30 24
Ein Unternehmen kann an 5 Standorten eine Fabrik bauen.In den zu bauenden Fabriken sollen 2 Güter parallel hergestellt werden.
Es sind die Standorte zu bestimmen, an denen kostenminimal gebaut werdenkann, wobei die Mindestmengen produziert werden können.Da an jedem Standort entweder gebaut oder nicht gebaut werden kann,ist es ein 1-0-Problem
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 196
TUM School of Management
Koeffizientenmatrix und Festlegung der Priorität
Standorte s1 s2 s3 s4 s5 Summe Restriktion
Baukosten 7 8 3 6 2 26
Kapazität
Produkt 115 20 10 18 6 69 >=30
Kapazität
Produkt 210 12 8 10 4 44 >=24
Summe
Kapazität25 32 18 28 10
Kosten pro
K.-Einheit.28 .25 .17 .22 .20
Priorität 1 2 5 3 4
Der Standort mit den relativ höchsten Kosten bekommt die höchste Priorität. So kann man
wahrscheinlich relativ früh Äste streichen.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 197
TUM School of Management
Mathematische Formulierung des Modells
Zielfunktion 7s1 + 8s2 + 3s3 + 6s4 + 2s5 = min
Restriktion für Produkt 1 15s1 + 20s2 + 10s3 + 18s4 + 6s5 >= 30
Restriktion für Produkt 2 10s1 + 12s2 + 8s3 + 10s4 + 4s5 >= 24
0si =
1
Die Variablenwerte für die Standorte sindentweder 0 oder 1
bei gleichem Wert der Zielfunktionist eine Variante mit höherer Kapazität besser
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 198
TUM School of Management
Berechnung des Baumes (1/9)
Bei der Berechnung des Baumeswerden erst alle Variablen =1 gesetzt.
Die erste Verzweigung besteht dannaus der Variation s1=0 und s1=1,weil s1 mit hoher Wahrscheinlichkeit= 0 ist (Standort 1 nicht gebaut wird).
Start
s1=0z=19
RP1= 54RP2=34
s1=1z=26
RP1= 69RP2=44
Für die Berechnung der Werte der Zielfunktionund der Restriktionen gilt also hier: Alle Standorte außer S1 werden gebaut.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 199
TUM School of Management
Start
s1=0z=19
RP1= 54RP2=34
s1=1z=26
RP1= 69RP2=44
erste Ebenes1 = 0 oder =1
zweite Ebenes2 = 0 oder = 1
s2=0z=11
RP1= 34RP2=22
s2=1z=19
RP1= 54RP2=34
s2=0z=18
RP1= 49RP2=32
s2=1z=26
RP1=69 RP2=44
da RP2 < 24ist die Variante
unzulässig
Berechnung des Baumes (2/9)Start: Alle Variablen = 1
Liegt die Zielfunktion über einem Wert (Schranke), der sicher unterschritten wird (oder das Optimum ist), dann kann man den Ast wegen Unzweckmäßigkeit
abschneiden.Der in der vorherigen Stufe günstigste Zielwert kann
jeweils verwendet werden.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 200
TUM School of Management
Erste Ebene - von links
s1=0 Konstanten Variablen Wert
s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 0 1 1 1 1 19
Restriktion Produkt 1 15 20 10 18 6 0 1 1 1 1 54
Restriktion Produkt 2 10 12 8 10 4 0 1 1 1 1 34
Konstanten Variablen Wert
s1=1 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 1 1 1 1 1 26
Restriktion Produkt 1 15 20 10 18 6 1 1 1 1 1 69
Restriktion Produkt 2 10 12 8 10 4 1 1 1 1 1 44
kleinster zulässiger Zielwert = 19
Berechnung des Baumes – Ebene 1 (3/9)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 201
TUM School of Management
zweite Ebene von links
Konstanten Variablen Wert
s1=0, s2=0 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 0 0 1 1 1 11
Restriktion Produkt 1 15 20 10 18 6 0 0 1 1 1 34
Restriktion Produkt 2 10 12 8 10 4 0 0 1 1 1 22
unzulässig wegen Verletzung von RP2
s1=0,s2=1 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 0 1 1 1 1 19
Restriktion Produkt 1 15 20 10 18 6 0 1 1 1 1 54
Restriktion Produkt 2 10 12 8 10 4 0 1 1 1 1 34
zulässig
s1=1, s2=0 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 1 0 1 1 1 18
Restriktion Produkt 1 15 20 10 18 6 1 0 1 1 1 49
Restriktion Produkt 2 10 12 8 10 4 1 0 1 1 1 32
zulässig
s1=1,s2=1 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 1 1 1 1 1 26
Restriktion Produkt 1 15 20 10 18 6 1 1 1 1 1 69
Restriktion Produkt 2 10 12 8 10 4 1 1 1 1 1 44
unzweckmäßig, schon bessere Lösung, beste der 1. Ebene war 19
kleinster zulässiger Zielwert = 18
Berechnung des Baumes – Ebene 2 (4/9)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 202
TUM School of Management
dritte Ebene
Konstanten Variablen Wert
s1=0, s2=1, s4=0 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 0 1 1 0 1 13
Restriktion Produkt 1 15 20 10 18 6 0 1 1 0 1 36
Restriktion Produkt 2 10 12 8 10 4 0 1 1 0 1 24
zulässig
s1=0,s2=1,s4=1 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 0 1 1 1 1 19
Restriktion Produkt 1 15 20 10 18 6 0 1 1 1 1 54
Restriktion Produkt 2 10 12 8 10 4 0 1 1 1 1 34
unzweckmäßig, schon bessere Lösung, beste der 2. Ebene war 18
s1=1, s2=0,s4=0 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 1 0 1 0 1 12
Restriktion Produkt 1 15 20 10 18 6 1 0 1 0 1 31
Restriktion Produkt 2 10 12 8 10 4 1 0 1 0 1 22
unzulässig wegen Verletzung von RP2
s1=1,s2=0,s4=1 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 1 0 1 1 1 18
Restriktion Produkt 1 15 20 10 18 6 1 0 1 1 1 49
Restriktion Produkt 2 10 12 8 10 4 1 0 1 1 1 32
zulässig
kleinster zulässiger Zielwert = 13
Berechnung des Baumes – Ebene 3 (5/9)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 203
TUM School of Management
vierte Ebene
Konstanten Variablen Wert
s1=0, s2=1, s4=0,s5=0 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 0 1 1 0 0 11
Restriktion Produkt 1 15 20 10 18 6 0 1 1 0 0 30
Restriktion Produkt 2 10 12 8 10 4 0 1 1 0 0 20
unzulässig wegen Verletzung von RP2
s1=0, s2=1, s4=0,s5=1 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 0 1 1 0 1 13
Restriktion Produkt 1 15 20 10 18 6 0 1 1 0 1 36
Restriktion Produkt 2 10 12 8 10 4 0 1 1 0 1 24
zulässig, aber keine Verbesserung
s1=1, s2=0,s4=1,s5=0 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 1 0 1 1 0 16
Restriktion Produkt 1 15 20 10 18 6 1 0 1 1 0 43
Restriktion Produkt 2 10 12 8 10 4 1 0 1 1 0 28
unzweckmäßig, denn der kleinste Wert in Stufe 3 war 13
s1=1,s2=0,s4=1,s5=1 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 1 0 1 1 1 18
Restriktion Produkt 1 15 20 10 18 6 1 0 1 1 1 49
Restriktion Produkt 2 10 12 8 10 4 1 0 1 1 1 32
unzweckmäßig, denn der kleinste Wert in Stufe 3 war 13
kleinster zulässiger Zielwert = 13
Berechnung des Baumes – Ebene 4 (6/9)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 204
TUM School of Management
fünfte Ebene – von links
Konstanten Variablen Wert
s1=0, s2=1, s4=0,s5=1,s3=0 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 0 1 0 0 0 8
Restriktion Produkt 1 15 20 10 18 6 0 1 0 0 0 20
Restriktion Produkt 2 10 12 8 10 4 0 1 0 0 0 12
unzulässig wegen Verletzung von RP2 und RP1
s1=0, s2=1, s4=0,s5=1,s3=1 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 0 1 1 0 1 13
Restriktion Produkt 1 15 20 10 18 6 0 1 1 0 1 36
Restriktion Produkt 2 10 12 8 10 4 0 1 1 0 1 24
zulässig
s1=1, s2=0,s4=1,s5=0,s3=0 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 1 0 0 1 0 13
Restriktion Produkt 1 15 20 10 18 6 1 0 0 1 0 33
Restriktion Produkt 2 10 12 8 10 4 1 0 0 1 0 20
unzulässig wegen Verletzung von RP2
s1=1, s2=0,s4=1,s5=0,s3=1 s1 s2 s3 s4 s5 s1 s2 s3 s4 s5
Zielfunktion 7 8 3 6 2 1 0 1 1 0 16
Restriktion Produkt 1 15 20 10 18 6 1 0 1 1 0 43
Restriktion Produkt 2 10 12 8 10 4 1 0 1 1 0 28
unzweckmäßig, denn der kleinste Zielwert in Stufe 4 war 13
kleinster zulässiger Zielwert = 13
Berechnung des Baumes – Ebene 5 (7/9)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 205
TUM School of Management
Start
1 10
11 182 3
4 9 12 13
5 6 14 17
7 8 15 16
Variation von s1
Variationvon s2
Variationvon s4
Variationvon s5
Variationvon s3
Variation nachPriorität
unzulässig
zulässig
unzweckmäßig
Entscheidungsbaum – Beispiel (8/9)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 206
TUM School of Management
Start
0 1
7
0 1
8
0 1
8
0 1 0 1
6
0 1
2
0 1
2
0 1
3
0 1
3
Variation von s1
Variationvon s2
Variationvon s4
Variationvon s5
Variationvon s3
Variation nachPriorität
unzulässig
zulässig
unzweckmäßig
Entscheidungsbaum – Beispiel (8/9)
1613
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 207
TUM School of Management
Entscheidungsbaum Beispiel (9/9)
Standorte Zielfunktion Kapazitäten
S1 S2 S3 S4 S5 Baukosten Produkt 1 Produkt 2
nein 20 - 12 10 - 8 nein 6 - 4 36 24
8 3 2 13
15 - 10 nein 10 - 8 18 - 10 nein 43 28
7 3 6 16
15 - 10 nein 10 - 8 18 - 10 6 - 4 49 32
7 3 6 2 18
Auswertung – die drei besten Ergebnisse
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 208
TUM School of Management
Beispiel Holzernte
Aufträge Deckungsbeiträge Ernte-Kapazität Transportkapazität
A1 20 10 12
A2 17 11 8
A3 15 8 8
A4 11 6 6
A5 8 7 9
verfügbar 26 20
Entscheidungsbaum Beispiel Holzernte
Welche Aufträge sollen angenommen werden?
Die Aufgabe besteht darin, den Deckungsbeitrag zu maximieren, unter Einhaltung der beiden Kapazitätsrestriktionen als Nebenbedingung.
Da es eine Maximierungsaufgabe ist, wird man in einer Baumstruktur zuerst alle Variablen auf 0 setzen.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 209
TUM School of Management
Aufträge
Deckungs-
beiträge
Ernte-
Kapazität DB/EK Priorität
Transport-
kapazität DB/TK Priorität
A1 20 10 2 1 12 1,667 4
A2 17 11 1,545 4 8 2,125 1
A3 15 8 1,875 2 8 1,875 2
A4 11 6 1,833 3 6 1,833 3
A5 8 7 1,143 5 9 0,889 5
Entscheidungsbaum Beispiel Holzernte
Priorisierung
Priorisierung ist nicht einfach. A5 bekommt eindeutig geringe Priorität.A1 und A2 sind hinsichtlich der Kapazitäts-Effizienz sehr unterschiedlichzu beurteilen. A3 ist eher günstig und A4 liegt eindeutig im Mittelfeld.
Die heuristische Lösung, die Aufträge nach der Priorität zu reihen und bis zur Ausschöpfung der Kapazität abzuarbeiten, ist hier eher nicht zu empfehlen.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 210
TUM School of Management
Das RucksackproblemGegenstand a b c d e f g h Su.Gewicht 3 4 4 6 6 8 8 9 48Wert 3 5 5 10 10 11 11 13 68Wert/Gewicht 1 1,25 1,25 1,67 1,67 1,38 1,38 1,44Priorität 8 6 6 1 1 4 4 3
Es dürfen 5 Dinge in den Rucksack gepackt werden, und der Wert ist zu maximieren.Das Gewicht darf 20 nicht überschreiten.
Einen Schätzwert für die Wert-Schranke erhält man, indem man die wertvollstenDinge aufaddiert, bis das Gewicht von 20 erreicht ist (G = 17 = 9 (h) + 8 (f/g))
Quelle: Petra Mutzel, TU Dortmund, DAP2 SS08
Dinge d e h
Wert 10 10 13
Gewicht 6 6 9
Gewicht kumuliert 6 12 5 von 9 würden noch hineinpassen
Wert kumuliert 10 20 5/9 von 13 = 7,3 also 7 also kumuliert 27
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 211
TUM School of Management
Gegenstand a b c d e f g h Su.
Gewicht 3 4 4 6 6 8 8 9 48
Wert 3 5 5 10 10 11 11 13 68
Wert/Gewicht 1 1,25 1,25 1,67 1,67 1,38 1,38 1,44
Priorität 8 6 6 1 1 4 4 3
Start
1
3
3a
b
c
f
g
0
0
0
0
0
1
3
3
1
4
5
1
4
5
1
8
11
1
8
11
0
0
0
0
0
0
1
3
3
1
4
5
2
7
8
0
0
0
1
4
5
1
3
3
2
7
8
1
4
5
2
8
10
2
7
8
3
11
13
0
0
0
1
4
5
2
8
10
1
3
3
2
7
8
3
11
13
1
4
5
1
8
11
2
12
16
2
12
16
3
16
21
2
11
14
3
12
16
3
15
19
4
19
24
0
0
0
1
8
11
1
4
5
2
12
16
1
4
5
2
12
16
2
8
10
3
16
21
1
3
3
2
11
14
3
12
16
2
7
8
3
15
19
4
11
13
4
19
24
2
7
8
2
7
8
1
8
11
2
16
22
2
12
16
3
20
27
2
12
16
3
20
27
3
16
21
4
24
32
3
19
25
3
15
19
4
20
27
3
15
19
4
23
30
4
19
24
5
27
35
2
11
14
Ist G >=17 erreicht,würde bei der nächstenIteration 20 überschritten.
Ist N=5 erreicht,muß abgebrochen werden.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 212
TUM School of Management
(5) Warteschlangen-Modelle
Bis wir dran sind, dauert es mindestens ....
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 213
TUM School of Management
Anwendung von Warteschlangen-Modellen
Die Warteschlangen-Theorie ist recht alt.Telefonsysteme
Die Anwendungen sind vielfältig.
Warteschlangen sind ein wichtiges Anwendungsgebiet für Simulationen.
In der Forst- und Holzwirtschaft liegt es besonders nahe, denAufbau und Abbau von Lagerbeständen und Pufferbeständen zu simulieren.
Bedienstation
Zur Zeit sind alle Leitungen belegt!
Bitte haben Sie einen Moment Geduld.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 214
TUM School of Management
A. K. Erlang (1878 – 1929)
Mathemathiker der Danish Telephone Company
The Theory of Probabilities and Telephone Conversations (1909)
Erste Modelle zur Optimierung einfacher Telefonnetze
Erlang-B-Formel (Erlang-Verlustformel)Wahrscheinlichkeit, daß in einem System ohne Warteraum (z.B. Telefonleitungen)ein Kunde nicht bedient werden kann
Erlang-C-FormelWahrscheinlichkeitsverteilung für die Wartezeit in einem System mit Warteraum und c parallelen Servern.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 215
TUM School of Management
Die Welt ist voller Warteschlangen
Elemente Servicestelle
Post Kunden Postschalter
Mensa Studenten Essenausgabe
Personenverkehrsunternehmen Fahrgäste Taxis
EDV-System Druckaufträge Drucker
Bürogebäude Fahrgäste Fahrstuhl
Wartung Maschinen Wartungsmechaniker
Gericht Klagen Richter
Krankenhaus Patienten Computertomograph
Autobahn Autos verengte Fahrbahn
Fuhrbetrieb Waren LKW
Forstbehörde Aufforstungsantrag Forstamtsleiter
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 216
TUM School of Management
Warteschlange vor einem Sägewerk
eigenes Foto
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 217
TUM School of Management
Warum Warteschlangen optimieren?
Kunde Service-Anbieter
Wie lange muß ich hier
warten?
Wieviel Wartezeit erträgt mein
Kunde?
Kunden stellen sich nicht an.Kunden springen ab.Kunden wählen beim nächsten Mal einen Konkurrenten
Er kann das Systemgestalten.
Er ist vom Systemabhängig.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 218
TUM School of Management
Grundelemente von Warteschlangen
Ausgang
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 219
TUM School of Management
Beispiele für Warteschlangen in der Forst- und Holzwirtschaft
Der Auftragsbestand eines Holzernte-Unternehmens. Der Auftragseingang
erfolgt unregelmäßig. Die Aufträge sind unterschiedlich groß. Die Abarbeitung
unterliegt zufälligen Unterbrechungen.
Das Holzlager im Hafen. Der Beitransport des Holzes schwankt merklich. Das
Schiff kommt fast regelmäßig (diskontinuierlich). Die Beladungszeit ist
konstant.
Das Holzlager eines Sägewerkes. Der Beitransport schwankt etwas. Der
Einschnitt erfolgt ziemlich kontinuierlich. Das Lager soll insgesamt gering
gehalten werden, aber Betriebsunterbrechungen sind zu vermeiden.
Das Schnittholz-Lager eines Eichenparkett-Werkes. Eine Mindest-Lagerzeit
von x Monaten soll eingehalten werden.
Bearbeitung von Anträgen auf Aufforstungs-Subventionen in einem
zweistufigen Verfahren.
Aus den umliegenden Wäldern wird Holz zu einem Zwischenlager transportiert
und dort stark diskontinuierlich abgefahren (Zug, Schiff). Wie groß muss der
Lagerplatz sein?
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 220
TUM School of Management
Der prinzipielle Warteschlangen-Kalkül
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 221
TUM School of Management
z.B. c.p. höhereKerosinpreise
altes Optimum
In Warteschleifen wirdviel Treibstoff verbraucht.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 222
TUM School of Management
1,0
mittlereWartezeit
Auslastung
Welches System ist besser?
Warum stehen wir immer in der falschen Schlange?
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 223
TUM School of Management
Bedienstation
Wie verteiltsich der Output überdie Zeit?
Ankunft Warteschlange Bedienung Abgang
Wie hoch ist dieAuslastung derBedienstation?
Wieviele Stationenwerden gebraucht, damit die Schlangenicht länger wird als ..?
Wie lang ist dieWarteschlange?
maximale Wartezeitminimale Wartezeitmittlere Wartezeit
Mit welcher Wahrschein-lichkeit kommt es zu einerWarteschlange länger als ...?
Wie verteilensich die Ankünfteüber die Zeit?
Reicht der Platzfür die Wartenden?
Fragestellungen für Warteschlangenmodelle
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 224
TUM School of Management
Kennzahlen von Warteschlangen-Modellen
Wie viele Kunden sind insgesamt im System?
sind in der Warteschlange?
sind im Bedienprozeß?
Wie lang müssen die Kunden warten bis sie bedient werden?
bis sie abgefertigt sind?
Mit welcher Wahrscheinlichkeit ist die Wartezeit länger als ... ?
ist die gesamte Zeit länger als ...?
ist die Warteschlange länger als ...?
ist das System unbeschäftigt (leer)?
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 225
TUM School of Management
Wie beschreiben wir den Ankunftsprozeß?
Zwischenankunftszeiten
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 226
TUM School of Management
Der Klassiker: Postschalter
Kunde
Nr.
Ankunft
zufällig
Abstand zw.
den Kunden
Zeitpunkt,
zu dem
der
Kunde
das
System
betritt
Bediendauer
zufällig
Summe
Bedienzeit
Zeitpunkt,
zu dem der
Kunde das
System
verläßt
Wartezeit
des Kunden
i ai ti bi Summe bj fi wi
Beispiel bei Werners, S. 268
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 227
TUM School of Management
Einfache Simulationsrechnungen
Die Anzahl der ankommenden Kundenkann mit der Funktion
Zufallsbereich(Untergrenze;Obergrenze)
modelliert werden. Hier wurden 0 und 4als Unter- bzw. Obergrenze eingesetzt).
Auch die Bearbeitungszeit kann ggf. sosimuliert werden.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 228
TUM School of Management
Postschalter-Beispiel von Werners (2008, S. 276)
Bediendauer Summe Zeitpunkt des WartezeitKunde ai ti bi Bedienzeit Verlassens
Nummer (zufällig) (zufällig) fi wi1 1 1 1 1 2 0
2 3 4 3 4 7 0
3 2 6 2 6 9 1
4 5 11 2 8 13 0
5 4 15 3 11 18 0
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 0
11 4 32 2 25 34 0
12 1 33 1 26 35 1
13 3 36 2 28 38 0
14 3 39 2 30 41 0
15 1 40 1 31 42 1
16 1 41 1 32 43 1
17 4 45 2 34 47 0
18 5 50 2 36 52 0
19 3 53 3 39 56 0
20 5 58 2 41 60 0
21 4 62 3 44 65 0
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
25 52 22
Abstand zumKunden
bi + Maximum aus ti oder fi - 1
fi –(ti + bi)
Summen
Auslastung = 52/73 = 0,712 = 71%
mittlere Wartezeit= 22/25= 0,88 Minuten pro Kunde
mittlere Schlangenlänge= 22/73 = 0,30 Personen
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 229
TUM School of Management
Simulation mit normalverteilten ZufallswertenDie Monte Carlo-Simulation mit Excel läßt sich realisieren mit Hilfe der Funktion
NORMINV (Arg. 1, Arg. 2, Arg. 3)
Die Funktion NORMINV gibt den Wert der Inversen der Standardnormalverteilung.
Es muss als erstes Argument die Funktion ZUFALLSZAHL ( ) eingesetzt werden.Dann müssen der Mittelwert und die Standardabweichung eingesetzt werden.
Man erhält dann einen mit der eingesetzten Standardabweichung um den eingesetzten Mittelwert streuenden Wert.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 230
TUM School of Management
Simulations-Software
ARENA
SIMAN
Systems Dynamics
ist prinzipiell gut geeignet,weil auf Levels and Rates basierendund über diskrete Zeitschrittedie Levels ändernd.
Beispiel für eine umfangreichere Simulation:
Seminararbeit von Christoph Kahle
Skilifte in einem Gletscher Skigebiet
Lehrstuhl von Prof. Dr. Klaus G. TroitzschUniversität Koblenz, Fachbereich Informatik
(im Internet verfügbar)
Es gibt (Demo-)Programmeim Internet und auch freie
Software.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 231
TUM School of Management
Typen der Simulation von Warteschlangen
stochastischeSimulation
kontinuierlich diskret
intervallorientiert ereignisorientiert
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 232
TUM School of Management
(homogene) Markov-KettenDie Simulationen basieren regelmäßig auf sogenannten Markov-Ketten.
Dabei geht es um Zustände und die Übergangswahrscheinlichkeiten, mit denendie Elemente ihre Zustände verändern. Die Zeit wird als diskret behandelt.
1 2 3
Wahrscheinlichkeit = 1 Wahrscheinlichkeit = 1
Wahrscheinlichkeit = 1
Wichtig ist, daß die Überganswahrscheinlichkeiten über die Zeit konstant sind.
Zustände
Für den jeweiligen Übergang sinddie Zustände des Elements in derVergangenheit unerheblich.(stochastischer Prozeß ohne Gedächtnis).
0 1 0
0 0 1
1 0 0
Übergangsmatrix dazu
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 233
TUM School of Management
Exkurs: Markov-Ketten zur Simulation von Altersklassenwald
Akl. IAkl.
IIAkl. III
Wahrscheinlichkeit = 1,0 Wahrscheinlichkeit = 0,9
Wahrscheinlichkeit = 1
Kalamitäts-Wahrscheinlichkeit = 0,1
Altersklassen-flächen
planmäßigeEndnutzung
Kalamitäts-Nutzung
Alterung
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 234
TUM School of Management
„Normierte“ Beschreibung von einstufigen Warteschlangen-Systemen (Kendall-Notation)
Warteschlangen-Systeme lassen sich durch drei bzw. fünf Eigenschaftenbeschreiben:
Bedien-station
Warteschlange
Ankunftsprozeß x
Bedienprozeß y
Zahl der Kanäle zSchlangenkapazität a
Anzahl der relevantenendlich vielen Input-Elemente b
oft alsunendlich
angenommen
können dannvernachlässigt werden
die dreizur Analyse
notwendigenEigenschaften
Angabe von 3 oder fünf Kenngrößenx / y / z / a / bwobei für die Verteilungen Kennungenverwendet werden.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 235
TUM School of Management
Verteilungen für den Ankunfts- und Abfertigungsprozess
• Markov-Verteilung (M)• Erlang-Verteilung (E)• beliebige Verteilung (G)• deterministisch (D)
Warteschlangen können nicht nur simuliert, sondern auch analytischbehandelt werden.
Bei einfachen Warteschlangen können so Kennzahlen recht einfach berechnet werden.
Das einfache System M / M / 1 behandelt Zimmermann, H.-J. S. 415 ff. ausführlich.
Etwas kürzer, aber mit Beispiel findet man es bei Werners, S. 285 ff. behandelt.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 236
TUM School of Management
Bedienstrategien
FIFOLIFO
SIRO (Selection in Random Order)
relative Priorität Bevorzugung mancher Kunden, aber ohneUnterbrechung der laufenden Bedienung.
absolute PrioritätBevorzugung mit Unterbrechung derlaufenden Bedienung
RR (Round Robin)jeder Kunde wird eine Zeiteinheit bedient,dann muß er sich wieder anstellen.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 237
TUM School of Management
Abarbeitung von Warteschlangen
FIFO first in first out
LIFO last in first out
SIRO zufällige Auswahl des nächsten Kunden (selection in random order)
relative Priorität
Bevorzugung mancher Kunden, aber ohne Unterbrechung der laufenden Abfertigung
absolute Priorität
Bevorzugung mancher Kunden mit Unterbrechung laufender Abfertigungen
RoundRobin (RR)
Jedem Kunden wird die gleiche Zeit zugeteilt, danach muß er sich wieder anstellen
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 238
TUM School of Management
Analytische Analyse einfacher Warteschlangen-Systeme
Für ein einfaches Warteschlangen-System (M,M,1, Markov, Markov, 1 Bedieneinheit)gibt Werners (S. 286 ff.) die Formeln an und stellt ein Zahlenbeispiel vor.
Formeln für mehrere Systeme auch bei Zimmermann, W. 1992, S. 366 ff.
Berechnen Sie die Kennzahlen auch für das Brennholz-Beispiel (2 Bediener).
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 239
TUM School of Management
Das Warteschlangensystem M / M / 1
durchschnittliche Verkehrsdichte je
Zeiteinheit
durchschnittliche Leerzeit einer
Bedieneinheit je Zeiteinheit
durchschnittliche Länge der
Warteschlange (ohne Bedienung)
mittlere Zahl der Elemente im System
mittlere Wartezeit in der Schlange
durchschnittliche Kunden je Zeiteinheit
durchschnittliche Abfertigung je Zeiteinheit
1 – durchschnittliche Verkehrsdichte je Zeiteinheit
(Durchschnittliche Verkehrsdichte je Zeiteinheit)²
Durchschnittliche Leerzeit je Zeiteinheit
Durchschnittliche Verkehrsdichte je Zeiteinheit
Durchschnittliche Länge der Warteschlange ohne Bedingung+
durchschnittliche Kunden je Zeiteinheit
durchschnittliche Abfertigung je
Zeiteinheit
durchschnittliche Abfertigung je
Zeiteinheit
durchschnittliche Kunden je Zeiteinheit
* -
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 240
TUM School of Management
Beispiel Postschalter M / M / 1 (nach Werners, S. 287 f.)mittlere Zwischenankunftszeit = 3 Minuten (durchschnittlich alle 3 Minuten kommt ein Kunde)
Durchschnittliche Kunden je Zeiteinheit => 10 Kunden pro halbe Stunde (Zeiteinheit ½ Stunde)
Durchschnittliche Abfertigungszeit = 2 min => 15 Kunden pro halbe Stunde
durchschnittliche Verkehrsdichte =10/15 = 66,66%
durchschnittliche Leerzeit = 1- 10/15 = 1/3 = 33,33%
durchschnittliche Länge der Warteschlange
(ohne Bedienung)(2/3)²/(1-2/3) = 4/3 = 1,33
mittlere Wartezeit in der Schlange= 15/[10/(10-15)] = 2/15 (Zeiteinheiten)
(2/15) * 30 Min = 4 min
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 241
TUM School of Management
Das Warteschlangensystem M / M / s
Wahrscheinlichkeit für ein leeres System
Wahrscheinlichkeit, daß gewartet werden
muß, daß also s oder mehr Elemente im
System sind
mittlere Schlangenlänge, bezogen auf alle
Einheiten
mittlere Anzahl der Einheiten im System
(unendlich, FIFO)Mehr-Kanal-System mit parallelen Kanälen undunendlichem Warteraum bei FIFO-Abarbeitung
Zimm
erman
n, 1
99
2, S. 3
70
f.)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 242
TUM School of Management
Das Warteschlangensystem M / M / s
mittlere Wartezeit in der Schlange
mittlere Verweilzeit im System
mittlere Länge der nicht-leeren Schlange
mittlere Wartezeit in der nicht-leerenSchlange
(unendlich, FIFO)
Mehr-Kanal-System mit parallelen, identisch leistungsfähigen Kanälen undunendlichem Warteraum bei FIFO-Abarbeitung
Zimmermann, 1992, S. 370 f.)
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 243
TUM School of Management
Ankunftsrate und Bedienzeit
Wie viele Kunden kommen pro Zeiteinheit?
Das Forstamt gibt im Rathaus am Freitag von 8 bis 12 Uhr Brennholz-Sammelscheineaus. Der Förster rechnet mit 5 Kunden pro Stunde
Die Ankunftsrate Lamda (λ) beträgt also :
5 Kunden/Stunde oder 5/60 Kunden pro Minute.
Wie viele Kunden werden pro Zeiteinheit bedient?
Es ist zu erwarten, daß die Bedienung eines Brennholz-Kunden 15 Minuten dauert.
Bedienzeit (b) = 15 Minuten pro Kunde
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 244
TUM School of Management
Durchsatz
Wie viele Kunden werden pro Zeiteinheit bedient?
Der Durchsatz (μ) ist der Kehrwert der Bedienzeit.
Bedienzeit im Beispiel 15 Minuten pro Kunde.
Durchsatz (μ) = 1 Kunde pro 15 Minuten = 1/15
Kehrwert von 15 ist 0,066, also ist der Durchsatz (μ) 0,066 Kunden pro Minuteoder 4 Kunden pro Stunde.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 245
TUM School of Management
Auslastung (ρ) (Rho)
Wie stark ist das System ausgelastet?
Ist das System leistungsfähig genug? Können alle Kunden bedient werden?
Im Beispiel ist offensichtlich: 20 Kunden werden erwartet, aber nur 16 können abgefertigt werden, wenndie Ausgabe mit einem Bediener besetzt wird.
Die Auslastung ρ berechnet sich als Ankunftsrate/Abfertigungsrate = λ / μ
Im Beispiel ρ = 5 / 4 = 1,25
Es gibt also bei nur einem Bediener einen Stau; um 12 Uhr stehen noch Kunden an(falls sie nicht abgesprungen sind).
Bei Auslastungen < 1 gibt es zwar auch ggf. Stau, aber alle Kunden könnten bedientwerden.
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 246
TUM School of Management
Wann werden Warteschlangen unendlich lang?
Wenn in der betrachteten Zeiteinheit durchschnittlich mehr Bearbeitungsfälleankommen als bedient werden können.
Ankunftsrate > Abfertigungsrate
Bedienstation
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 247
TUM School of Management
Beispielaufgabe - Dienstleistungsförster
• Im Forstamt Hirschwald ist die Aufgabe der Betreuung der Privatwaldbesitzer dem Förster Fritz Faulpelz übertragen.
• Fritz Faulpelz ist seiner Meinung nach überlastet, und die Kunden klagen über lange Wartezeiten.
• Im Mittel nimmt Fritz Faulpelz im Monat (20 Arbeitstage) 15 Anfragen entgegen.
• Er benötigt im Mittel 1 Arbeitstag zur Bedienung der Kunden.
Wie sind die Klagen im Lichte dieser Informationen zu beurteilen?
Kann es Fritz Faulpelz zugemutet werden, im Monat im Revier„Alte Tanne“ in der Zeit, in der er keine Anfragen bearbeitet,5 Rehe zu erlegen?
vgl. Zimmermann, 1992, S. 368
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 248
TUM School of Management
Beispielaufgabe - DienstleistungsförsterKennzahl Formel und Berechnung Ergebnis
mittlere Ankunftsrate 15/Monat
mittlere Abfertigungsrate 20/Monat
mittlere Auslastung 0,75
Wahrscheinlichkeit, daß kein Kunde wartet
Wahrscheinlichkeit daß ein Kunde anwesend ist
Wahrscheinlichkeit, daß zwei Kunden anwesend sind
Wahrscheinlichkeit, daß drei Kunden anwesend sind
Wahrscheinlichkeit für die Anwesenheit von max. 3 Kunden
Wahrscheinlichkeit für die Anwesenheit von mehr als 3 Kunden
mittlere Schlangenlänge
mittlere Länge der nicht leeren Schlange
mittlere Wartezeit
mittlere Wartezeit in der nicht leeren Schlange
mittlere Verweilzeit
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 249
TUM School of Management
Beispielaufgabe Skiwettkampf
Sie organisieren die Europameisterschaft der Förster im Skilaufen.
Es werden am Ankunftstag 500 Teilnehmer erwartet, die sich an Schalternanmelden sollen. Sie rechnen mit 10 Minuten Anmeldezeit pro Sportler.
Die Schalter sollen von 8 Uhr bis 18 Uhr geöffnet sein.
Wie viele Schalter brauchen Sie, damit kein Sportler mehr als 20 Minuten warten muß?
Wie viele Schalter brauchen Sie, damit die Wartezeit im Durchschnitt 30 Minuten beträgt?
M/M/s/ unendlich/FIFO
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 250
TUM School of Management
Beispielaufgabe Weihnachtsbaumverkauf
Bei dem vom Forstamt Hirschwald geplanten Weihnachtsbaumverkauf dürfendie Kunden sich den stehenden Baum aussuchen. Wenn sie sich entschieden haben,rufen sie Wilhelm Waldarbeiter, der den Baum absägt und ihnen zur Vermessung trägt. Der Baum wird von Fritz Förster gemessen und genetzt. Dann müssen die Kunden den Baum selbst in ihr Auto verladen.
Es stellt sich die Frage, wieviel Parkplätze bei gegebenen Ankunftsraten benötigt werden.
Zeit von der Ankunft bis zur Entscheidung
Wartezeit auf Wilhelm Waldarbeiter
Arbeitszeit von WW
Wartezeit auf Fritz Förster
Arbeitszeit von FF
Zeit zum Verladen
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 251
TUM School of Management
Psychologie des Wartens
Forstliche Wirtschaftslehre - Prof. Dr. Martin Moog 271
TUM School of Management
Warteschlangenmodelle