EK Produktion & Logistik

Slides:



Advertisements
Ähnliche Präsentationen
Algorithmen und Datenstrukturen
Advertisements

Simulationsansätze in der BWL: Erstellung eines eigenen Projekts
Christian Scheideler SS 2009
Eulerscher Polyedersatz
Rekursion: Rekurrenz: Algorithmen rufen sich selbst (rekursiv) auf.
Falls Algorithmen sich selbst rekursiv aufrufen, so kann ihr Laufzeitverhalten bzw. ihr Speicherplatzbedarf in der Regel durch eine Rekursionsformel (recurrence,
Datenstrukturen, Algorithmen und Programmierung 2 (DAP2)
Grundzüge der Mikroökonomie (Mikro I) Kapitel 8 P-R Kap. 7
Die 1-Baum-Relaxation des TSP mit der Subgradientenmethode
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.
Simulated Annealing Marco Block & Miguel Domingo Seminar : Maschinelles Lernen und Markov KettenSommersemester 2002.
Verifizieren versus Berechnen
Algorithmentheorie 04 –Hashing
Algorithmentheorie 6 – Greedy-Verfahren
Prof.Dr.S. Albers Prof. Dr. Th. Ottmann
Dynamische Programmierung (2) Matrixkettenprodukt
WS Algorithmentheorie 01 – Divide and Conquer (Segmentschnitt) Prof. Dr. Th. Ottmann.
WS Algorithmentheorie 08 – Dynamische Programmierung (2) Matrixkettenprodukt Prof. Dr. Th. Ottmann.
Informatik II, SS 2008 Algorithmen und Datenstrukturen Vorlesung 4 Prof. Dr. Thomas Ottmann Algorithmen & Datenstrukturen, Institut für Informatik Fakultät.
Geometrisches Divide and Conquer
Universität Dortmund, Lehrstuhl Informatik 1 EINI II Einführung in die Informatik für Naturwissenschaftler und Ingenieure.
Ganzzahligkeit in LP-Modellen
PKJ 2005/1 Stefan Dissmann Zusammenfassung der Vorwoche Variable stehen für (einen) Wert, der sich im Programmablauf ändern kann. Variablen besitzen einen.
PG 520 Intelligence Service – gezielte Informationen aus dem Internet
High Performance = Innovative Computer Systems + Efficient Algorithms Friedhelm Meyer auf der Heide 1 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen.
Algorithmen und Komplexität
Algorithmen des Internets 2005 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen und Komplexität 1 Klausuraufgaben.
Minimum Spanning Tree: MST
Nachholung der Vorlesung vom Freitag
Rechneraufbau & Rechnerstrukturen, Folie 12.1 © W. Oberschelp, G. Vossen W. Oberschelp G. Vossen Kapitel 12.
Approximationsalgorithmen Facility Location K-Median Cheng, Wei 12. Juli.
Kontrollfragen zu Kapitel 1
20:00.
Diskrete Mathe 9 Vorlesung 9 SS 2001
EK Produktion & Logistik
Institut für Kartographie und Geoinformation Prof. Dr. Lutz Plümer Diskrete Mathematik II Vorlesung 1 SS 2001 Algorithmus von Dijkstra.
Effiziente Algorithmen
Flüsse, Schnitte, bipartite Graphen
Hauptproduktionsprogrammplanung (MPS)
32. Kapitel: Externe Effekte
Übungen zu Transportaufgaben
EK Produktion & Logistik
Strategische Planungsprobleme
Effiziente Algorithmen
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Christian Scheideler Institut für Informatik Universität Paderborn
Einführung in die Programmierung Wintersemester 2013/14 Prof. Dr. Günter Rudolph Lehrstuhl für Algorithm Engineering Fakultät für Informatik TU Dortmund.
EK Produktion & Logistik
EK Produktion & Logistik
EK Produktion & LogistikKapitel 7/1 Kapitel 7 Materialbedarfsplanung (MRP)
Analyse von Ablaufdiagrammen
Tutorium Makro- und Mikroökonomik
NIN-Arbeitsblätter Paul-Emile Müller
Vorlesung Mai 2000 Konstruktion des Voronoi-Diagramms II
EK Produktion & Logistik
Analyseprodukte numerischer Modelle
Analyseprodukte numerischer Modelle Tidekennwertanalysen des Schwebstofftransportes.
Schutzvermerk nach DIN 34 beachten 20/05/14 Seite 1 Grundlagen XSoft Lösung :Logische Grundschaltung IEC-Grundlagen und logische Verknüpfungen.
Technische Informatik II Übung 7: Automaten Implementierungsaspekte
Das Traveling Salesman Problem (TSP)
Analyse der Laufzeit von Algorithmen
EK Produktion & Logistik
Institut für Informationssysteme Technische Universität Braunschweig Institut für Informationssysteme Technische Universität Braunschweig Verdrängung von.
Hauptproduktionsprogrammplanung (MPS)
Geoinformationssysteme
Kapitel 4 Traveling Salesman Problem (TSP)
Kapitel 4 Traveling Salesman Problem (TSP)
EK Produktion & Logistik
 Präsentation transkript:

EK Produktion & Logistik Kapitel 3 Design und Analyse von Transportnetzwerken EK Produktion & Logistik

Zuordnung von Kundenregionen zu Standorten Gegeben seien 2 Produktionsstandorte A und B In der Ebene kann man (ohne Kapazitätsbeschränkungen) leicht die Einzugsgebiete der Standorte ermitteln Bei 3 oder mehr Standorten geht es analog: B . A

Voronoi Diagramm Die Gebietszuordnung in der Ebene bei Luftliniendistanzen und ohne Kapazitätsrestriktionen führt zum s.g. Voronoi Diagramm Siehe z.B.: http://de.wikipedia.org/wiki/Voronoi-Diagramm Java Applet: http://www.pi6.fernuni-hagen.de/GeomLab/VoroGlide/

Gebietszuordnung in der Realität Typischerweise sind die Luftliniendistanzen nicht sehr relevant für die tatsächlichen Fahrzeiten bzw. Transportkosten (Berge, Flüsse, Seen, Autobahnen, …) Reale Distanzen in Tabelle angegeben Gegenstücke der Vornoi Diagramme -> GIS systeme ) (

3.1 Motivierendes Beispiel: Transportproblem Eine Firma hat 3 Produktionsstandorte i (Fabriken) und 4 Verkaufsstellen j (Abnahmezentren). Transportkosten pro Stück von i zu j: Verkaufsstelle Produktionsstandort V1 V2 V3 V4 F1 10 5 6 11 F2 1 2 7 4 F3 9 8 Nachfrage 15 20 30 35 EK Produktion & Logistik

Minimierung der Transportkosten Wähle in jeder Spalte den günstigsten Standort um die Kosten zu minimieren! Verkaufsstelle Produktionsstandort V1 V2 V3 V4 Kapazitäts= verbrauch F1 10 5 6 11 F2 1 2 7 4 F3 9 8 Nachfrage 15 20 30 35 15 35 15 + 35 = 50 20 30 20 + 30 = 50 Gesamtkosten = 15 * 1 + 20 * 1 + 30 * 4 + 35 * 4 = 295 EK Produktion & Logistik

Kapazitätsrestriktionen I Jeder Standort hat eine gewisse Produktionskapazität! Achtung: Gesamtnachfrage = Gesamtkapazität (ansonsten müssen Dummy-Verkaufsstellen eingeführt werden – siehe §3.4)  Es können nicht mehr alle Verkaufsstellen vom günstigsten Produktionsstandort beliefert werden! EK Produktion & Logistik

Kapazitätsrestriktionen II Verkaufsstelle Produktionsstandort V1 V2 V3 V4 Kapazität F1 10 5 6 11 25 F2 1 2 7 4 F3 9 8 50 Nachfrage 15 20 30 35 100 100 100 EK Produktion & Logistik

3.2 Lösung mittels Heuristiken einfache Lösungsverfahren (geringer Aufwand, leicht zu verstehen) gute Lösungen Optimalität der Lösung ist nicht gesichert Beispiele: 3.2.1 Spaltenminimim- & Matrixminimummethode (= „Greedy – Verfahren“) 3.2.2 Vogel-Approximation (= „Regret – Verfahren“) EK Produktion & Logistik

3.2.1 Die Spaltenminimummethode Initialisierung: Transporttableau wobei jeweils links oben klein die Kosten eingetragen sind. Zunächst sind keine Zeilen oder Spalten gestrichen. Iteration: 1. Von links beginnend suche man die erste noch nicht gestrichene Spalte 2. In dieser Spalte wähle das kleinste noch nicht gestrichene Kostenelement cij und mache die zugehörige Transportmenge xij maximal. 3. Ist die Spaltenressource aufgebraucht  streiche Spalte j, ODER ist die Zeilenressource aufgebraucht  streiche Zeile i. Ist nur mehr eine Zeile oder eine Spalte nicht gestrichen, trage bei allen nicht-gestrichenen Zellen dieser Zeile oder Spalte die maximal mögliche Transportmenge xij ein. ansonsten weiter mit 1. EK Produktion & Logistik

Die Spaltenminimummethode II i / j 1 2 3 4 Angebot 10 5 6 11 25 7 9 8 50 Nachfrage 15 20 30 35 100 Nur mehr eine Spalte nicht gestrichen 25 10 15 10 30 20 30 Gesamtkosten = 15 * 1 + 20 * 1 + 30 * 4 + 25 * 11 + 10 * 4 + 0 * 8 = 470 EK Produktion & Logistik

Die Matrix-Minimum-Methode Hier ist anstelle von Schritt 1 und 2 das kleinste noch nicht gestrichene Kostenelement cij der gesamten Matrix zu suchen! i / j 1 2 3 4 Angebot 10 5 6 11 25 7 9 8 50 Nachfrage 15 20 30 35 100 25 Nur mehr eine Spalte nicht gestrichen 15 10 10 20 30 30 25 Gesamtkosten = 470 (zufällig gleich wie bei Spaltenminimummethode) EK Produktion & Logistik

EK Produktion & Logistik Greedy - Regret Spaltenminimumverfahren und Matrixminimumverfahren sind einfache Greedy-Verfahren, die versuchen, in jedem Schritt aktuell niedrige Kosten zu verursachen, aber NICHT zukünftige Kosten berücksichtigen Regret-Verfahren ermitteln Opportunitätskosten („regret“-Wert), die die zukünftigen Kostenwirkungen der aktuellen Entscheidung berücksichtigen/abschätzen; Beispiel: Vogel-Approximation EK Produktion & Logistik

3.2.2 Die Vogel-Approximation Initialisierung: Tableau wie bei der Spaltenminimummethode wobei zunächst keine Zeile oder Spalte gestrichen ist. Iteration: 1. In jeder noch nicht gestrichenen Zeile bzw. Spalte berechne man die Differenz (Opportunitäts­kosten, „regret-value“) zwischen dem kleinsten und dem zweitkleinsten noch nicht gestrichenen cij. 2. In jener Zeile oder Spalte, wo diese Differenz am größten ist, wähle man das kleinste noch nicht gestrichene Kostenelement cij und mache die zugehörige Transportmenge xij maximal. Ist die Spaltenressource aufgebraucht  streiche Spalte j, ODER ist die Zeilenressource aufgebraucht  streiche Zeile i. 4. Ist nur mehr eine Zeile oder eine Spalte nicht gestrichen, trage bei allen nicht- gestrichenen Zellen dieser Zeile oder Spalte die maximal mögliche Transportmenge xij ein. ansonsten weiter mit 1. EK Produktion & Logistik

Die Vogel-Approximation II i / j 1 2 3 4 Angebot 10 5 6 11 25 7 9 8 50 Nachfrage 15 20 30 35 100 Wenn Spalte gestrichen  Zeilen-Differenzen neu berechnen 25 1 5 15 10 10 1 2 20 5 25 30 3 4 5 25 8 1 4 2 4 3 Wenn Zeile gestrichen  Spalten-Differenzen neu berechnen Nur mehr eine Zeile nicht gestrichen Gesamtkosten = 15 * 1 + 20 * 1 + 25 * 6 + 5 * 4 + 10 * 4 + 25 * 8 = 445 (besser als 470 zuvor) EK Produktion & Logistik

EK Produktion & Logistik 3.3 Modell als LP Eine allgemeine Formulierung eines Transportproblems lautet: m Produzenten mit dem Angebot si, i = 1, … , m n Abnehmer mit der Nachfrage dj, j = 1, … , n Transportk. cij pro Stück von i nach j, i = 1, … , m; j = 1, … , n LP-Problem: Zur mathematischen Modellformulierung definiert man xij als die pro Zeiteinheit transportierte Menge von i nach j. Transportkosten Angebot i = 1, … , m Nachfrage j = 1, … , n. Nichtnegativität i = 1, … , m; j = 1, … , n. = EK Produktion & Logistik

EK Produktion & Logistik Beispiel K = (10x11 + 5x12 + 6x13 + 11x14) + (x21 + 2x22 + 7x23 + 4x24) + (9x31 + x32 + 4x33 + 8x34)  min Angebotsnebenbedingungen: x11 + x12 + x13 + x14 = 25 (i=1) x21 + x22 + x23 + x24 = 25 (i=2) x31 + x32 + x33 + x34 = 50 (i=3) Nachfragenebenbedingungen: x11 + x21 + x31 = 15 (j=1) x12 + x22 + x32 = 20 (j=2) x13 + x23 + x33 = 30 (j=3) x14 + x24 + x34 = 35 (j=4) Nichtnegativität: xij  0 für i = 1, … , 3; j = 1, … , 4 EK Produktion & Logistik

3.4 Kapazitätsüberschüsse Es sei nun allgemein mehr Kapazität vorhanden als Nachfrage! i / j 1 2 3 4 Angebot 10 5 6 11 50 7 9 8 Nachfrage 15 20 30 35 100 150 100 EK Produktion & Logistik

Einführung eines Dummy-Kunden Da wir Gleichheit von Gesamtkapazität und Gesamtnachfrage annehmen, müssen wir einen künstlichen oder Dummy-Kunden einführen (cij = 0) Lösung Mittel Vogel-Approximation i / j 1 2 3 4 Dummy Angebot 10 5 6 11 50 7 9 8 Nachfrage 15 20 30 35 50 5 15 35 35 1 2 20 30 1 8 1 2 3 4 150 – 100 = 50 Auch die 0 in der Dummyspalte muss bei der Differenzbildung berücksichtigt werden Gesamtkosten = 295 (besser als 445 zuvor) EK Produktion & Logistik

EK Produktion & Logistik LP-Formulierung Im Rahmen der LP- Formulierung ändert sich nur die Angebotsnebenbedingung: Angebot i = 1, … , m EK Produktion & Logistik

3.5 Zusammenhang mit der Standortplanung I Standortproblem: Gegeben: n Kunden deren Nachfrage dj jeweils zu befriedigen ist. Gegeben: m potentielle Standorte für Produktionsstellen mit Kapazitäten si und Fixkosten fi Es sollen jene Standorte realisiert werden, dass die Summe des Kapazitätsangebotes die Gesamtnachfrage mindestens erreicht. Gesucht: optimale Auswahl der realisierten Standorte, sodass die Summe aus Transport- und Fixkosten minimal wird (warehouse location problem, WLP  KFK) EK Produktion & Logistik

3 Standorte Oder nur 2 Standorte Fixkosten für den grünen Standort eingespart aber höhere Transportkosten für die Kunden im grünen Einzugsbereich

3.5 Zusammenhang mit der Standortplanung II LP: Transportkosten Angebot i = 1, … , m Nachfrage j = 1, … , n Nichtnegativität i = 1, … , m; j = 1, … , n Ganzzahligkeit yi  {0, 1} binäre Variablen, i = 1, … , m EK Produktion & Logistik

KFK Transportation Logistics Entscheidung über Standorte + Gebietszuordnung Warehouse Location Probleme (facility location) p-Medianprobleme, Zentrenprobleme Tourenplanung kürzester Weg von A nach B ein LKW hat mehrere Kunden zu versorgen -> kürzeste Rundreise (traveling salesman problem, TSP) Mehrere LKWs nötig (Aufteilung auf Fahrzeuge + kürzeste Rundreisen) -> Tourenplanung (vehicle routing problem, VRP) Etc.