Quantitative Planungsmethoden

Slides:



Advertisements
Ähnliche Präsentationen
Polynomial Root Isolation
Advertisements

Schnelle Matrizenoperationen von Christian Büttner
Projektumfeld Gesellschaftliche Strömungen Strukturen/ Gliederung
Modelle und Methoden der Linearen und Nichtlinearen Optimierung (Ausgewählte Methoden und Fallstudien) U N I V E R S I T Ä T H A M B U R G November 2012.
Ein Modellansatz zur Beschreibung von Vagheiten
Aufgaben der linearen Optimierung für eine 8. Klasse Marcus Schreyer
Einsatz von Excel zur Lösung von Optimierungsaufgaben
Algorithmentheorie 04 –Hashing
Prof.Dr.S. Albers Prof. Dr. Th. Ottmann
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (27 – Kürzeste Wege) Prof. Th. Ottmann.
Genetische Algorithmen
Kapitel 5 Stetigkeit.
Beispiele für Gleichungssysteme
2. Univariate Regressionsanalyse 2.1 Das statische Regressionsmodell
High Performance = Innovative Computer Systems + Efficient Algorithms Friedhelm Meyer auf der Heide 1 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen.
Der Simplexalgorithmus
III: Stochastische Modelle 18. Anwendungen von Markov-Ketten
III: Stochastische Modelle 15. Anwendungen von Markov-Ketten
§14 Basis und Dimension (14.1) Definition: V sei wieder ein K-Vektorraum. Eine Menge B von Vektoren aus V heißt Basis von V, wenn B ist Erzeugendensystem.
§14 Basis und Dimension  (14.1) Definition: V sei wieder ein K-Vektorraum. Eine Menge B von Vektoren aus V heißt Basis von V, wenn B ist Erzeugendensystem.
§8 Gruppen und Körper (8.1) Definition: Eine Gruppe G ist eine Menge zusammen mit einer Verknüpfung, die jedem Paar (a,b) von Elementen aus G ein weiteres.
Wiederholung und Beispiele
Variationsformalismus für das freie Teilchen
Computergrafik – Inhalt Achtung! Kapitel ist relevant für CG-2!
Projektmanagement und Grundbegriffe der Netzplantechnik
Lineare Optimierung mit dem Simplexverfahren
Effiziente Algorithmen
Sensitivitätsanalyse
Hauptproduktionsprogrammplanung (MPS)
Effiziente Algorithmen
Effiziente Algorithmen
Effiziente Algorithmen
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Effiziente Algorithmen
§3 Allgemeine lineare Gleichungssysteme
Mehrkriterielle Optimierung mit Metaheuristiken
Quantitative Methoden der BWL – Lineare Programmierung
Mehrkriterielle Optimierung mit Metaheuristiken
Praktische Optimierung
Gleichungen und Gleichungssysteme
Fuzzymengen – Was ist das?
Interpretation des Simplex
Kapitel 16 Ökonometrische Modelle
EK Produktion & Logistik
Operations Management
EK Produktion & Logistik
IK Ökonomische Entscheidungen und Märkte
Automaten, formale Sprachen und Berechenbarkeit II SoSe 2004 Prof. W. Brauer Teil 3: Potenzreihen und kontextfreie Sprachen (Vgl. Buch von A. Salomaa)
Produktions- programm- entscheidungen
Stetige Kleinste-Quadrate-Approximation
Projektmanagement Graph und Netzplan CPM, Berechnungen
Übung zur Regionalökonomie 24.Juni 2010
Lineare Optimierung Hauptstudium Mathematische Planungsmethoden
Vom graphischen Differenzieren
Nichtlineare Optimierung
Stefan Nolting Andreas Goebels Larissa Timajev
Anwendung der Ellipsoidmethode in der Kombinatorischen Optimierung
Optimierungs- Algorithmen Petra Mutzel Technische Universität Wien Institut für Computergraphik und Algorithmen Algorithmen und Datenstrukturen 2.
Optimierungs- Algorithmen
Auspreisen von Restriktionen
Simplexmethode als Anwendung des Kostenkalküls
Gliederung der Vorlesung
Lineare Gleichungen Allgemeine Einführung Äquivalenzumformungen
Hauptproduktionsprogrammplanung (MPS)
Detaillierte Beschreibung der Vorgehensweise in der Ablaufplanung und Terminplanung Abbildung: Vorgehensweise bei der Ablauf- und Terminplanung.
Univ.-Prof. Dr. L. Müller-HagedornSofia 2007 Marketing 1 Kapitel 4 Nach der Bearbeitung des 4. Kapitels sollten Sie in der Lage sein, q Kennzahlen aufzuzeigen,
Lineare Optimierung Nakkiye Günay, Jennifer Kalywas & Corina Unger Jetzt erkläre ich euch die einzelnen Schritte und gebe Tipps!
Abiturprüfung Mathematik 2012 Baden-Württemberg Allgemeinbildende Gymnasien Pflichtteil Lösungen
Lösung Aufgabe 3 (Programmplanung)
Lösung von Optimierungsaufgaben in der Unternehmensplanung
 Präsentation transkript:

Quantitative Planungsmethoden Allgemeine BWL - Hauptstudium 1-std. Vorlesung = 6 2-std. Veranstaltungen 6 2-std. Übungen freiwillig

Gliederung Einführung Lineare Optimierung Simplex Verfahren Planung, Zielsysteme, Präferenzen Inhalte quantitativer Methoden, Relevanz Lineare Optimierung Fallstudie Berger, graphische Lösung Simplex Verfahren Interpretation, Sensitivität, Dualität Betriebswirtschaftl. Anwendungsbeispiele Transportproblem, Zuordnungsproblem Optimierung unter mehrfacher Zielsetzung

Definition Planung Planung: gedanklich rationale Vorwegnahme zukünftigen Handelns und Geschehens auf die Zukunft gerichtet Treffen von Entscheidungen und nicht deren Durchsetzung

Produktionsfaktoren ausführende Tätigkeit Elementarfaktoren Betriebsmittel Werkstoffe Produktionsfaktoren Leitung/Führung Planung dispositive Faktoren Organisation Kontrolle

Dispositive Faktoren Leitung/Führung: Organisation: Kontrolle: Festlegen des betrieblichen Zielsystems Festlegen der globalen Unternehmenskonzeption Koordination der großen betrieblichen Funktionsbereiche (enthält auch nicht rationale Elemente: Kreativität, Intuition, etc.) Organisation: Realisierung der Planung Verteilung von Aufgaben Übertragung von Befugnissen, etc. Kontrolle: Überprüfung der durch die Planung vorgegebenen und durch die Organisation realisierten Größen

Neuere Ergebnisse empirischer Zielforschung x Leistungsziel Marktziel ª Ertragsziel

Unternehmenssituation - Unternehmensziele

Präferenzen Höhenpräferenz Artenpräferenz Zeitpräferenz Welcher Zielwert wird innerhalb eines Zieles welchem Zielwert gegenüber bevorzugt? vollständige Präordnungsrelation auf Zk Artenpräferenz Welches Ziel wird gegenüber einem anderen Ziel bevorzugt? Zeitpräferenz Wie beurteilt der Entscheidungsträger Ergebnisse zu verschiedenen Zeiten? Risiko-, Unsicherheitspräferenz Wie beurteilt der Entscheidungsträger Ergebnisse bei unvollkommener Information?

Klassifikation von Entscheidungsmodellen eine Zielsetzung mehrere Zielsetzungen Risiko Sicher- heit Unge- wißheit Risiko Sicher- heit Unge- wißheit dynamisch statisch

Planungsmethoden datenanalytische Methoden Clusteranalyse, Optimierung MDS, Faktorenanalyse, Abhängigkeitsanalyse Optimierung lineare, ganzzahlige, nichtlineare, dynamische graphische Modelle NPT, Flußgraphen stochastische Prozesse Warteschlangen, Simulation, Markov-Prozesse

Projektmanagement und Netzplantechnik

Projektmanagement - Charakterisierung Projekt ist charakterisiert durch: relative Neuartigkeit, gewisse Einmaligkeit zeitliche Befristung Komplexität definierter Beginn definiertes Ende Projektmanagement ist die verantwortliche Leitung der Planung, Organisation, Einführung und Kontrolle solcher Vorhaben Einmaligkeit heißt nicht Erstmaligkeit

Projektzeitplanung - Strukturanalyse Die Aufgabe, die Abhängigkeiten zwischen den einzelnen Teilvorgängen zu untersuchen; d.h. für jeden Vorgang sind folgende Fragen zu beantworten: Ist dieser Vorgang in Teilvorgänge zu unterteilen Welche Vorgänge finden unmittelbar vorher statt? Welche Vorgänge finden unmittelbar nachher statt? Welche Vorgänge können gleichzeitig ablaufen?

Erstellung einer DV-Anlage - Zerlegung Zerlegung in Teilaufgaben A Entwurf B Fertigstellung ZE C Bereitstellung Peripherie D Installation des BS E Prüfung der Anlage F Installation des Anwenderprogramms G Funktionsprüfung H Anschluß externer Geräte I Endabnahme

Erstellen einer DV-Anlage - Interdependenzen zeitliche Interdependenzen bestimmen Vorgang Dauer Vorgänger ---------------------------------------------------------------- A Entwurf 10 - B Fertigstellung ZE 5 A C Bereitstellung Pe 2 A D Installation des B 4 A E Prüfung der Anla 4 D F Installation des A 3 D G Funktionsprüfung 2 B, C, E H Anschluß externe 5 C I Endabnahme 1 F, G, H

Fragestellungen der Netzplantechnik Zeitplanung kürzeste Gesamtprojektdauer Anfangstermine aller Vorgänge Endtermine aller Vorgänge Pufferzeiten aller Vorgänge kritische Vorgänge kritische Wege Kostenplanung wie wird kostengünstig das Projekt verkürzt? Kapazitätsplanung Projektdauer unter Berücksichtigung der Resourcen Kosten einerseits durch Dauer des Gesamtprojekts andereseits durch Beschleunigung der einzelnen Vorgänge Vorgänge, die an sich gleichzeitig ablaufen können, können dies möglicherweise wegen Kapazitätsengpässen nicht

EDV-Anlage CPM-Netzplan 3 Aufstellen des Netzplanes D B C 4 5 2 3 E F G H 4 3 5 6 2 A 10 1 2 I 1 7 FZ1 =0 FZ 2=10, 3=14, 4=12, 5=18, 6=20, 7=21 SZ7 =21 SZ 6=20, 5=18, 4=15, 3=14, 2=10, 1=0 GP =0 für A, D, E, G, I GP =3 für B, C, F, H GP =6 für Scheinvorgang 4 Durchrechnen des Netzplanes FZ SZ i [i,j] Dij 5 Interpretation der Ergebnisse

Stochastische Prozesse Betriebswirtschaftliche Fragestellungen “Zufallszahlen”

Marktanteilsentwicklung 5 Waschmittelmarken Ariel, Dash, Persil, Omo, Tandil anfangs gleicher Marktanteil von 20 % nächste Periode kaufen 60 % Ariel-Kunden wieder Ariel und jeweils 10 % Dash, Persil, Omo und Tandil Dash-Käufer entsprechend 10%, 50%, 20%, 10%, 10% Persil-Käufer entsprechend 10%, 10%, 70%, 5%, 5% Omo-Käufer entsprechend 10%, 10%, 0%, 40%, 40% Tandil-Käufer entsprechend 15%, 15%, 15%, 15%, 40% Wie entwickeln sich die Marktanteile?

Entwicklung: Graphische Darstellung

Lagerhaltung Nachfrage nach einem Gut N (100, 30) - verteilt Lieferzeit 5 Tage, Auffüllung sofort wirksam Fehlmengen werden nachgeliefert Fehlmengenkosten 1 GE pro Tag (=ZE) und ME Lagerkosten 0,1 GE pro Tag und ME Bestellkosten 20 GE unabhängig von der Menge Welches ist die optimale (s, S)-Politik?

Lagerbestandsentwicklung

Personaleinsatz 18 Kfz-Mechaniker in einer Autowerkstatt zur Reparatur von Kundenwagen ca. alle 30 min benötigt ein Mechaniker ein Ersatzteil Abfertigung bei der Materialausgabe dauert ca. 5 min Wie viel Beschäftigte sollten in der Materialausgabe eingesetzt werden?

Simulation des Personaleinsatzes

Simulation Bankschalter

Use of operations research in current activities

Relative use of OR techniques (Ledbetter and Cox Survey) Degree of use (%)*

Lineare Entscheidungsmodelle Grundlagen linearer Optimierung Schattenpreise, Sensitivität Lineares Entscheidungsmodell mit EXCEL Voraussetzungen linearer Entscheidungsmodelle Lineare Entscheidungsmodelle bei mehreren Zielen

Fallstudie Berger (1)

Fallstudie Berger (2)

Fallstudie Berger (3) Kapazitätserhöhung Dreherei/Fräserei = 800 Einheiten ergibt 300 DM pro Einheit und somit für

Berger - Entscheidungsblatt

Fallstudie Berger (LP-1) x1 = Menge M-1 x1 + 2x2 £ 2000 Dreherei x2 = Menge M-1 x1 + x2 £ 2500 Bohrerei x1 + x2 £ 2500 Stanzerei Gesamtdeckungsbeitrag 3x1 + 2x2 £ 4800 Spulenwicklerei 300 x1 + 400 x2 x1 £ 1500 Endmontage M-1 x2 £ 900 Endmontage M-2 x1, x2 ³ 0

Lineares Programm LP (1) Entscheidungsvariable x1, ..., xn Zielfunktionskoeffizienten c1, ..., cn Restriktionskoeffizienten aij mit i=1, ..., m und j=1, ..., n Ressourcen - RHS b1, ..., bm

Lineares Programm LP (2) c1x1+ ... +cnxn ® MAX a11x1+ ... +a1nxn £ b1 . . . am1x1+ ... +amnxn £ bm x1, ..., xn ³ 0

Lineares Programm LP (3) cTx ® MAX Ax £ b x ³ 0 Standardform

Fall Berger - Graphische Lösung

Simplex - Verfahren

Definition und Hauptsatz der LP x heißt zulässig <=> Ax £ b, x ³ 0 x heißt optimal <=> (y zulässig => cTy £ cTx) Hauptsatz: Ist die Menge der zulässigen Punkte nicht leer, so enthält die Menge der optimalen Punkte mindestens eine Ecke (des Restriktionspolyeders) oder es existiert keine optimale Lösung

Produktionsplanungsproblem Ein Produkt kann in zwei Qualitäten QI und QII hergestellt werden. Der Stückdeckungsbeitrag von QI beträgt 3, der von QII 2 Geldeinheiten. Zur Her-stellung des Produktes werden zwei Maschinen M1 und M2 benötigt, eine Einheit von QI benötigt 3 Zeiteinheiten auf M1 und 9 auf M2, für QII lauten die Werte 6 Zeiteinheiten auf M1 und 3 Zeiteinheiten auf M2. Insgesamt stehen in der Produktionsperiode 3000 Zeiteinheiten je Maschine zur Verfügung. Gesucht ist das Produktionsprogramm für eine Periode, das den höchsten Gesamtdeckungsbeitrag liefert.

Lineares Modell x1 Menge Qualität I x2 Menge Qualität II Ziel 3x1 + 2x2 ® MAX 3x1 + 6x2 £ 3000 9x1 + 3x2 £ 3000 x1, x2 ³ 0

Graphische Lösung

Ax + y = b mit A Î Âmxn, x Î Ân, y, b Î Âm Basislösung Gegeben sei ein Gleichungssystem der Form Ax + y = b mit A Î Âmxn, x Î Ân, y, b Î Âm Setzt man einige der Variablen {x1, ..., xn, y1, ..., ym} willkürlich auf Null und lassen sich die restlichen Variablen dann eindeutig aus dem obigen Gleichungssystem ermitteln, so heißt die ermittelte Lösung Basislösung; gilt für diese Basislösung xi ³ 0 (i = 1, ..., n) und yi ³ 0 (i = 1, ..., m), so heißt sie zulässige Basislösung.

Ecken und Basislösungen Satz: Bei einem linearen Optimierungssystem mit den Restriktionen Ax £ b, x ³ 0 ist x eine Ecke genau dann, wenn x Teil einer zulässigen Basislösung des zugehörigen Gleichungs-systems Ax + y = b ist.

Simplex Start Basis {y1, y2, z} Nichtbasis {x1, x2} Pivotzeile; d.h. y2 aus der Basis neue Basis {x1, y1, z} neue Nichtbasis {y2, x2} Pivotspalte, d.h. x1 in die Basis

Simplex Umformung B = Basiselement N = Nichtbasiselement -x2 + 1/3y2 + z = 1000 Þ z = 1000 +x2 - 1/3y2 = 1000

Simplex Endtableau z = 1400 - 1/5y1 - 4/15y2 mit y1, y2 ³ 0 maximal möglicher Wert von z ist 1400

Simplex Vorgehensweise 1. Wandle die £ -Gleichungen durch Schlupfvariable in Gleichungen um und stelle das Tableau samt Zielfunktionszeile auf. 2. Suche negativen Wert in der Zielfunktionszeile und bestimme damit die Pivotspalte. Lässt sich kein solcher Wert finden, so ist das Endtableau und damit die optimale Lösung gefunden. 3. Bilde die Quotienten aus der Rechten Seite, dividiert jeweils durch den positiven Wert in der Pivotspalte ohne Berücksichtigung der Zielfunktionszeile. Der kleinste Quotient bestimmt die Pivotzeile. Lässt sich kein Quotient bilden, so ist das Problem unbeschränkt und keine optimale Lösung möglich. 4. Das Element, das sowohl in der Pivotzeile als auch in der Pivotspalte liegt, heißt Pivotelement. 5. Teile die Pivotzeile durch das Pivotelement und ziehe von jeder anderen Zeile des Tableaus ein Vielfaches der so umgeformten Pivotzeile derart ab, dass das Element in der Pivotspalte dieser Zeile Null wird. Schließe die Zielfunktionszeile hierbei ein. 6. (Gehe zu 2).

Voraussetzungen eines LP Zielfunktionswert proportional abhängig von den Entscheidungsvariablen Zielfunktionswert additiv zusammengesetzt aus den einzelnen Größen der Entschei-dungsvariablen Additive Zusammensetzung ebenso für die Restriktionen beliebig unterteilbare Variablen genaue Kenntnis der Koeffizienten

Berger - LP mit EXCEL gelöst

Berger - Scenarios

Fallstudie Berger (LP-2)

Fallstudie Berger (4) höchster Stück-DB bei M-2 ergibt M-1: 200 und M-2: 900 Gesamt-DB: 420 000 DM Engpaßfaktor Dreherei, relativer Stück-DB bei M-1 ergibt M-1: 1500 und M-2: 150 Gesamt-DB: 510 000 DM Berücksichtigung aller Restriktionen simultan ergibt M-1: 1400 und M-2: 300 Gesamt-DB: 540 000 DM

Berger - Handlungsvorschlag

Literatur: Lineare Optimierung Domschke/Drexl: Einführung in Operations Research, 2. Aufl., Springer, 1991 Meyer/Hansen: Planungsverfahren des OR, 3. Aufl., Vahlen, 1985 Neumann: OR-Verfahren, Carl Hanser, 1977 Hillier/Liebermann: Introduction to OR, 4. Aufl., Holden-Day, 1986 Cook/Russel: Introduction to Management Science, 3. Aufl.., Prentice Hall, 1985 Render/Stair: Quantitative Analysis for Management, 3. Aufl., Allyn & Bacon Inc., 1988 Gordon/Pressman: Quantitative Decision Making for Business, Prentice Hall, 1978 Anderson/Sweeney/Williams: Quantitative Methods for Business, West Publishing Company, 1986 Ellinger: OR, 3. Aufl., Springer, 1990 Bol: Lineare Optimierung, Athenäum, 1980 Noltemeier: Graphentheorie, de Gruyter, 1976 Hanssmann: Einführung in die Systemforschung, 3. Aufl., Oldenbourg, 1987

Interpretation der Lösung des Modells Sensitivität Dualität Spieltheorie

Sensitivität-Produktionsplanungsbeispiel 1. In welchem Rahmen darf der DB für QI schwanken, damit die gefundene optimale Lösung weiterhin optimal bleibt. 2. Wenn sich die Kapazität der Maschine M1 verändern ließe, in welchem Maße verändert sich der Gesamtdeckungsbeitrag pro veränderter Kapazitätseinheit? 3. Wie groß ist der Spielraum der Kapazitätsveränderungen in 2)?

Sensitivität 1. In welchem Rahmen kann man den Zielfunktionskoeffizienten ci verändern, ohne daß sich die optimale Basis ändert; d.h. das Endtableau immer noch ein Endtableau ist? 2. In welchen Rahmen kann man die Rechte Seite so verändern, daß das Endtableau immer noch ein Endtableau ist?

Sensitivität Koeffizienten Fall 1: Entscheidungsvariable xk in der Basis Fall 2: Entscheidungsvariable xk nicht in der Basis Variation des Zielfunktionskoeffizienten ck um

Sensitivität Restriktionen Fall 1: Schlupfvariable yk in der Basis Fall 2: Schlupfvariable yk nicht in der Basis Schattenpreis = 0 für Schattenpreis dk für

Duales Problem Sei cTx ® MAX ein lineares Optimierungsproblem (*) A x £ b x ³ 0 dann bezeichnet das zu (*) duale Problem bTy ® MIN (**) ATy ³ c y ³ 0 (*) wird dementsprechend primales Problem genannt Es gilt: Das zu (**) duale Problem ist wieder (*) und besitzen (*) und (**) zulässige Punkte, so gilt für alle zulässigen Punkte x von (*) und y von (**) cTx £ bTy. Insbesondere besitzen in diesem Falle beide Probleme Optimallösungen und die optimalen Zielfunktionswerte beider Probleme sind gleich.

Duales Problem und Schattenpreise Satz: Besitzen das primale als auch das duale Problem zulässige Lösungen, so sind die Schattenpreise im Endtableau des Simplexalgorithmus gerade die Lösung des dualen Problems. Begründung:Durch Veränderung von b verändert sich auch der Zielfunktionswert von (**). Aufgrund der Gleichheit im Optimum von (**) und (*) verändert sich auch der optimale Zielfunk- tionswert des primalen Problems und bei der Veränderung um eine Einheit von z.B. bk genau um yk*, wenn (y1*, ..., ym*) die optimale Lösung von (**) darstellt.

Berger - Schattenpreise

Berger - Lösung

Modellierung linearer Entscheidungsmodelle in verschiedenen Funktionalbereichen

EXCEL - Liquiditätsproblem

EXCEL - Lineares Entscheidungsmodell

EXCEL-Antwortbericht

EXCEL - Empfindlichkeitsbericht

EXCEL - Grenzbericht

Beispiel: Personaleinsatzplanung In einem Krankenhaus besteht durchschnittlich folgender Bedarf an Aufsichts- und Pflegepersonal: Von 0.00 - 4.00 Uhr: 30 Personen Von 4.00 - 8.00 Uhr: 50 Personen Von 8.00 - 12.00 Uhr: 100 Personen Von 12.00 - 16.00 Uhr: 80 Personen Von 16.00 - 20.00 Uhr: 100 Personen Von 20.00 - 0.00 Uhr: 50 Personen Schichtbeginn ist jeweils um 0.00, 4.00, 8.00, 12.00, 16.00, 20.00 Uhr, eine Schicht dauert jeweils 8 Stunden. Wie muß der Schichtplan lauten, damit insgesamt möglichst wenig Aufsichts- und Pflegepersonal benötigt wird?

Transportproblem F1 Fm V1 Vn (c11, ¥) (cij, ¥) (cmn, ¥) (0, ai) (0, bj) F1 Fm V1 Vn (- max cij, ¥) F = Fabriken V = Verbraucher ai = Kapazität der Fabrik Fi bj = Nachfrage des Verbrauchers Vj cij Transportkosten pro Einheit von Fi nach Vj

Zuordnungsproblem K1 Km S1 Sn (0, 1) (- max cij, ¥) (cij, ¥) K = Kandidaten S = Stellen cij = Grad der "Un"-eignung von Kandidat Ki für Stelle Sj

MEHRZIELOPTIMIERUNG

Entscheidung bei mehrfacher Zielsetzung (1) Beispiel: Eine Firma stelle zwei Produkte A und B in den Quantitäten x1 und x2 her (jeweils in 1000 Stück). Die erzielbaren Absatzpreise seien 6 (für A), bzw. 4 (für B) Geldeinheiten pro hergestellter Einheit (= 1000 Stück), wobei aber nur 7 Einheiten von B abgesetzt werden können. Die beiden Produkte durchlaufen drei Abteilungen, wobei folgende Kapazitätsrestriktionen gegeben sind: x1 + 2x2 £ 16 x1 + x2 £ 10 4x1 + x2 £ 28

Entscheidung bei mehrfacher Zielsetzung (2) Die Stückkosten betragen bei Produkt A 5 Geldeinheiten und bei B eine Geldeinheit. Das Management verfolgt zum einen das Ziel eines möglichst hohen Gesamtdeckungsbei-trages, zum anderen das Ziel einer hohen Auslastung sowie aus Marktgründen einen möglichst hohen Absatz und damit eine möglichst hohe Produktion des Produktes A.

Effiziente - Ineffiziente Entscheidungen Eine zulässige Entscheidung heißt effizient bzgl. der Ziele z1,..., zm (funktional effizient), wenn es keine andere zulässige Entscheidung gibt, die bzgl. aller Ziele mindestens gleich gut, bzgl. mindestens eines Zieles aber echt besser ist. x effizient <==> x zulässig und es existiert keine zulässige Entscheidung y mit: zi(y) > zi(x) (i=1,...,m) und zk(y) > zk(x) für ein k (bei Maximierung der zi )

Beispiel a1 ineffizient, da von a2 dominiert

Mehrzieloptimierung - Graphik 4x1+x2<=28 x2 x1 Deckungsbeitrag Auslastung Produktion A x1+x2<=10 x1+2x2<=16 x2<=7

Methoden der Mehrzieloptimierung Einmalige Methoden Zielgewichtung Zielprogrammierung (Goalprograming) Interaktive Methoden Setzen von Anspruchsniveaus (STEM) Tauschratenverfahren (Geoffrion)

Artenpräferenz durch Angabe der Gewichte g1,...,gm ³ 0 mit S gi=1 Zielgewichtung Artenpräferenz durch Angabe der Gewichte g1,...,gm ³ 0 mit S gi=1 Lösen des Problems mit der Zielfunktion z(x)= S gi*zi(x) bei gi > 0 ergibt sich immer eine effiziente Lösung jede effiziente Lösung läßt sich durch geeignete gi als Optimallösung des obigen Problems erreichen Angabe für den Entscheidungsträger zu schwierig

ergibt durch Transformation eine lineare Zielfunktion Goalprogramming Angabe von gewünschten Zielwerten zi* und Wahl der Entscheidung x, die S |zi(x) - zi*| minimiert ergibt durch Transformation eine lineare Zielfunktion führt nicht notwendigerweise zu einer effizienten Entscheidung Präferenzen für den Entscheidungsträger gut angebbar

Setzen von Anspruchsniveaus Aufstellen der Payoff-Matrix, bestimmt durch die Zielwerte zj(xi), wobei xi die optimale Entscheidung für Ziel zi ist. min{zj(xi)|i} und max{zj(xi)|i} geben die Spann-weite der erreichbaren Zielwerte für Ziel zj an Setzen eines Anspruchsniveaus, z.B. durch zj(x) ³ z° als zusätzliche Restriktion und Eliminierung dieses Ziels bis eine akzeptabel Lösung erreicht oder nur noch ein Ziel da ist. ergibt immer eine effiziente Lösung sehr gute Akzeptanz des Verfahrens

Tauschratenverfahren Ausgehend von einer nicht zufriedenstellenden effizienten Lösung werden Tauschraten zum Ziel z1 festgelegt Mit diesen Tauschraten Ñz1/Ñzi wird eine Ziel-gewichtung durchgeführt und es wird in Richtung dieser so ermittelten Entscheidung gegangen, bis die Lösung akzeptabel ist oder neue Tauschraten festgelegt werden u.U. ergibt sich keine effiziente Lösung mit den Tauschraten z1 zu z2 und z3 ergibt sich auch die Tauschrate z2 zu z3, deshalb keine so gute Akzeptanz des Verfahrens

Fall Goldtaler AG - Ausgangssituation

Fallstudie Goldtaler AG (1)

Fallstudie Goldtaler AG (2)

Fallstudie Goldtaler AG (3)