Das Verfahren von Wagner und Whitin

Größe: px
Ab Seite anzeigen:

Download "Das Verfahren von Wagner und Whitin"

Transkript

1 Das Verfahren von Wagner und Whitin I) Annahmen und Anwendungsgebiete Wann verwendet man typischerweise dynamische Verfahren der estellmengenplanung? Dynamische Verfahren der estellmengenplanung werden typischerweise dann eingesetzt, wenn die Prämissen der statischen estellmengen-planungsverfahren (über die Zeit konstante Periodenbedarfe, Lager- und Fehlmengenkostensätze sowie bestellfixe Kosten) nicht mehr erfüllt sind. Nennen Sie die Charakteristika sowie die Prämissen des Wagner/Whitin- Verfahrens zur Lösung des dynamischen estellmengenproblems! Die Charakteristika des Wagner- Whitin- Modells sind: variabler edarf; d.h. der edarf einer Periode ist zwar deterministisch bestimmt, jedoch von unterschiedlicher Größe, variable Planungszeiträume; d.h. das Unternehmen kann für eine Periode oder aber für mehrere Perioden planen, und in zeitlicher Folge variable bestellfixe Kosten und variable Lagerkostensätze. Des Weiteren gelten folgende Prämissen: Es wird nur ein einzelnes Gut/Produkt betrachtet. Der Lagerbestand des Gutes ist zu eginn der Periode 1 bzw. am Ende der Periode 0 und auch am Ende der letzten Periode des Planungszeitraums gleich Null. Gegebenenfalls ist der jeweilige Periodenbedarf um den abweichenden Lagerbestand zu korrigieren. Die Lieferung des bestellten Gutes erfolgt schlagartig. Der Periodenbedarf tritt in voller Höhe zu eginn der Periode auf, und Fehlmengen sind nicht erlaubt d.h. der Periodenbedarf muss vollständig zu eginn der Periode aus dem Lagerbestand oder aus der Lieferung gedeckt werden. Warum setzt man in der Praxis häufig Heuristiken statt exakter Verfahren zur Lösung des dynamischen estellmengenproblems ein? ei dem exakten Verfahren von Wagner und Whitin wird die optimale estell- und Lagerhaltungspolitik erst mit dem Erreichen der letzten Periode des Planungshorizontes durch anschließendes Zurückrechnen bestimmt. Gerade die edarfe und Kostensätze der letzten Perioden des Planungszeitraums sind jedoch schwer prognostizierbar, so dass man die Planungsergebnisse in nachfolgenden Perioden im Rahmen der rollierenden Planung regelmäßig revidieren müsste. Die ursprünglich ermittelte estellund Lagerhaltungspolitik ist dann jedoch nicht mehr zwangsläufig optimal. Daher setzt man in der Praxis häufig statt der exakten, so genannte heuristische Verfahren der estellmengenplanung ein, die unter Anwendung einer vereinfachten Lösungsprozedur und mit erheblich geringerem Rechenaufwand auf das Auffinden exakter Lösungen verzichten und sich vielmehr mit suboptimalen Lösungen in der Nähe des tatsächlichen Optimums begnügen. Man hofft dabei, dass die mit der Verwendung suboptimaler statt optimaler Lösungen verbundenen Kostenerhöhungen durch den geringeren Rechenaufwand bzw. die einfachere Handhabung (Datenerhebung) heuristischer Verfahren ausgeglichen werden können. Achtung: in dem folgenden eispiel sind die estellfixen Kosten und der Lagerkostensatz in allen Perioden identisch muss nicht sein, dann eben in jeden Periode die entsprechenden Werte benutzen Nachfolgend sind drei verschiedene Lösungsmöglichkeiten aufgeführt, die in den verschiedenen Kursen und üchern des Lehrstuhls Fandel vorgestellt werden: Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 1

2 IIa Rechnerische estimmung der optimalen Lagerhaltungspolitik (sp. 4 der KE1 S.19ff. IL ähnlich eispiel 7.21 uch Rechenalternative uch Produktionsmanagement zusätzlich mit Hilfstabelle) gegeben: Perioden: 6 Monate Rohstoffbedarf pro Periode in Tonnen: (1)100, (2) 120, (3) 80, (4) 110, (5) 80, (6) 40 estellfixe Kosten: 250 GE Lagerkosten pro Tonne und Monat: 2,00 GE Annahmen: edarf zum Monatsbeginn, Lieferung zum Monatsbeginn, estellung für ganze Monate gesucht: optimale estell- und Lagerhaltungspolitik Lösung: Grundüberlegung: edarf kann zu eginn eines jeden Monats durch eine neue estellung für genau eine Periode gedeckt werden (estellfixe Kosten) oder edarf kann durch eine estellung gedeckt werden, die den edarf mehrerer Perioden abdeckt (Reichweite der estellmenge >1; estellfixe Kosten und Lagerkosten) oder Kombination aus beidem (estellfixe Kosten und Lagerkosten) Schritt 1: Um die optimale Politik zu erhalten, müssen erstmal die Lagerhaltungskosten ermittelt werden (ggf. mit der folgenden Hilfstabelle). Hilfstabelle bestellfixe Kosten: 250 Lagerkosten: Perioden Rohstoffbedarf Hilfszahl Lagerkosten erechnung: Rohstoffbedarf x (Periode + negative Hilfszahl) x Lagerkostens=LK eispiel: 120 x (2-1) x 2 = 240 Hinweis: Lesart: ei der Hilfstabelle werden die jeweiligen Lagerkosten für den Rohstoffbedarf einer bestimmten Verbrauchsperiode bezogen auf eine bestimmte Lagerzeit ermittelt. Wird beispielsweise in der Periode 2 (negative Hilfszahl) der Rohstoffbedarf für die Periode 4 mitbestellt, so betragen die Lagerkosten für die Rohstoffe, die in Periode 4 verbraucht werden insgesamt 440 GE= 110 t x (4-2 Perioden) x2 GE/t) Die Periode (Verbrauchperiode) wird mit der negativen Hilfszahl (estellperiode x -1) addiert und entspricht dem Lagerzeitraum. ei Gleichheit der Perioden (sofortiger Verbrauch der bestellten Menge) ergibt sich so annahmegemäß auch ein Wert von Null für die Lagerkosten (sp. estellung erfolgt in estellperiode 2 für Verbrauchsperiode 2). In diesen Fällen ist in der Hilfstabelle jeweils eine Null einzutragen. Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 2

3 Der linke Teil der Matrix bleibt frei, da man am estellzeitpunkt nicht mehr für vergangene Verbrauchperioden bestellt, sondern nur für die aktuelle und/ oder für zukünftige Perioden. Alternative für das Ausfüllen der Tabelle mit weniger Rechenaufwand: Zunächst wird die 0-Diagonale eingetragen, d.h. es werden die Felder mit einer 0 ausgefüllt, in denen estellung und Verbrauch zusammenfallen und daher keine Lagerkosten entstehen. bestellfixe Kosten: 250 Lagerkosten: Danach wird in der Diagonale darüber jeweils die Menge der entsprechenden Periode mit dem Lagerkostensatz multipliziert eingetragen: bestellfixe Kosten: 250 Lagerkosten: eispiel: (Periode 4) 110 x 2 = 220. Dann kann jede Spalte von unten nach oben ausgefüllt werden, indem für jeden Schritt nach oben noch einmal die zuerst berechneten Lagerkosten hinzugezählt werden. bestellfixe Kosten: 250 Lagerkosten: eispiel: (Periode 6) Unterste Zelle: 0 Darüber: Lagerkostensatz x Periodenbedarf = 2 x 40 = 80. Darüber: = 160. Darüber: = 240. usw. Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 3

4 Schritt 2: Die Lagerkosten müssen nunmehr kumuliert werden sowie um die bestellfixen Kosten ergänzt werden, um die Gesamtkosten zu erhalten. Ausgangstabelle: Hilfstabelle bestellfixe Kosten: 250 Lagerkosten: Perioden Rohstoffbedarf Lagerkosten erechnung: kumul. Zeilenmenge (addieren der Lagerkosten und bestelllfixen Kosten) bis zur jew. Verbrauchsperiode eispiel: = = =250 Ergebnistabelle: Endtabelle estellperiode Verbrauchsperiode Hinweis: Lesart: Wird in Periode 2 die gesamte Rohstoffmenge für die Verbrauchsperioden 2 bis 5 bestellt ergeben sich Gesamtkosten (bestellfixe Kosten und Lagerkosten) in Höhe von 1330 GE Die optimale Politik ist an dieser Tabelle noch nicht ablesbar! Schritt 3: Anhand dieser Daten muss nun die optimale Politik ermittelt werden, welche die Gesamtkosten über die sechs Monate minimiert. Dazu erweitert man schrittweise den Planungshorizont und errechnet die für den betrachteten Planungshorizont minimalen Gesamtkosten. Hinweis: Um alle Möglichkeiten zu berücksichtigen, sollte man die Spalten nacheinander abarbeiten. Innerhalb der Spalten werden die Zeilen ebenfalls nacheinander betrachtet. Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 4

5 Die Kosten sind im Folgenden aus der Ergebnistabelle abzulesen K ij Dabei sei der erste Index (i) der Startpunkt der etrachtung und ist demzufolge die estellperiode bzw. in der produziert wird und der zweite Index (j) die Verbrauchsperiode, bis zu der die estellung einschließlich reicht. Die Politiken weisen analoge Indizes auf p ij Die Kosten für die optimalen Politiken der Vorperioden sind aus dem Rechengang zu übertragen Planungshorizont 1 Monat (Spalte 1 der Endtabelle): Die einzige Möglichkeit ist zu eginn des ersten Monats den edarf für den ersten Monat zu decken (bestellfixe Kosten) K1=min K11= 250 optimale Politik p1=p11 Planungshorizont 2 Monate (Spalte 2): Zeile 1) Man kann zu eginn des ersten Monats den edarf für beide Monate bestellen oder Zeile 2) Optimalbestellung für Planungshorizont 1 vornehmen sowie im zweiten Monat für den zweiten Monate bestellen K 12 = 490 K 1 + K 22 = = 500 K2 = min [K12, (K1+K22)] = min [490,500] = 490 optimale Politik p2=p12 Planungshorizont 3 Monate (Spalte 3): Zeile 1) zu eginn des ersten Monats den edarf für alle drei Monate bestellen Zeile 2) Optimalbestellung für Planungshorizont 1 vornehmen sowie im zweiten Monat für die Monate zwei und drei bestellen Zeile 3) Optimalbestellung für den Planungshorizont 2 vornehmen sowie im dritten Monat für den dritten Monat bestellen K 13 = 810 K 1 + K 23 = = 660 K 2 + K 33 = = 740 K3=min [K13, (K1+K23), (K2+K33)]= min [810, 660, 740] = 660 optimale Politik p3=(p1,p23) Die verschiedenen Möglichkeiten analog fortgeführt Planungshorizont 4 Monate (Spalte 4): K 14 = 1470 K 1 + K 24 = = 1100 K 2 + K 34 = = 960 K 3 + K 44 = = 910 K 4 =min [K14, (K1+K24), (K2+K34); (K 3 + K 44 ) ]= min [1470, 1100, 960, 910] = 910 optimale Politik p 4 =(p 3,p 44 ) Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 5

6 Planungshorizont 5 Monate (Spalte 5): K 15 = 2110 K 1 + K 25 = = 1580 K 2 + K 35 = = 1280 K 3 + K 45 = = 1070 K 4 + K 55 = = 1160 K 5 =min [K15, (K1+K25), (K2+K35), (K 3 + K 45 ), (K 4 + K 55 )] = min [2110, 1580, 1280, 1070, 1160] = 1070 optimale Politik p 5 =(p 3,p 45 ) Planungshorizont 6 Monate (Spalte 6): K 16 = 2510 K 1 + K 26 = = 1900 K 2 + K 36 = = 1520 K 3 + K 46 = = 1230 K 4 + K 56 = = 1240 K 5 + K 66 = = 1320 K 6 =min [K16, (K1+K26), (K2+K36), (K 3 + K 46 ), (K 4 + K 56 ), (K 5 + K 66 )] = min [2510, 1900, 1520, 1320, 1240, 1320] = 1230 optimale Politik p 6 =(p 3,p 46 ) Schritt 4: Durch Rückwärtsrechnen ermittelt man nun die optimale Politik für den gesamten Zeitraum: p6= (p3, p46) p3= (p1, p23) p1= p11 p6 entspricht (p11, p23, p46) Es entstehen estell- und Lagerkosten in Höhe von GE Hinweis: Die Gesamtkosten der optimalen Politik lassen sich einerseits beim Planungshorizont 6 Monate und andererseits auch aus der Endtabelle ( = 1230) ablesen. Endtabelle estellperiode Verbrauchsperiode Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 6

7 IIb Rechnerische estimmung der optimalen Lagerhaltungspolitik (sp. 4 der KE 1 IL 759 ähnlich eispiel 7.21 Rechenalternative Materialwirtschaft & Entsorgung wie Übungsaufgabe 6 KE 2) Woche edarf estellfixe Kosten c = 250, Lagerkosten l = 2,0 Schritt 1: Tabelle aufstellen Gegenüberstellung von Periodenbedarfen und möglichen estellzeitpunkten; Auflistung der Kosten der alternativ möglichen Losgrößen (=edarfszusammenfassungen zu Losen) Planungsperiode j edarf estellzeitpunkt i erechnung der Lager- und bestellfixen Kosten für die einzelnen estellzeitpunkte: estellzeitpunkt i=1: ei isolierter etrachtung von Planungsperiode j=1 wird nur der edarf der aktuellen Periode bestellt. Es fallen keine Lagerkosten an, die Gesamtkosten entsprechen den bestellfixen Kosten in Höhe von c=250. Dies wird in das Feld der Tabelle eingetragen. Planungsperioden j=2;3;4: Die jeweilige Losgröße entspricht der Summe der edarfe bis zum Planungszeitpunkt j. D.h. zum eispiel für j=3: =300. Hierfür fallen dann einmal bestellfixe Kosten (i=1) und die entsprechenden Lagerkosten an. Für j=3 belaufen sich die Gesamtkosten dann auf 250 (bestellfixe Kosten) ,01 (Lagerung des edarfs für j=2 für eine Periode) + 802,02 (Lagerung des edarfs für j=3 für 2 Perioden)= 810. estellzeitpunkt i=2: estellungen, die in i=2 erteilt werden, müssen nun auf der günstigsten Losgrößenpolitik aus der Vorperiode aufsetzen. Diese ist für j=1 K min,1 =250. Mögliche Losgrößenermittlung analog zu i=1. Die Gesamtkosten setzen sich aus den Kosten der optimalen Losgrößenpolitik der Vorperiode sowie den anfallenden bestellfixen und Lagerkosten zusammen. Für i=2, j=3 bedeutet das 250 (aus der Vorperiode) (bestellfixe Kosten in j=2) + 802,01 (Lagerkosten für eine Periode) = 660. Für i=2, j=4 bedeutet das ,02 = = 1100 Für i=2, j=5 bedeutet das ,03 = = 1580 Für i=2, j=6 bedeutet das ,04 = = 1900 Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 7

8 estellzeitpunkt i=3: estellungen in i=3 müssen wieder auf der günstigsten Alternative aus j=2 aufsetzen, d.h. K min,2 =490. Für i=3, j=3 ergibt sich dann: 490 (aus der Vorperiode) (bestellfixe Kosten in j=3) + 0 (Lagerkosten fallen nicht an) = 740. Für i=3, j=4 bedeutet das = = 960 Für i=3, j=5 bedeutet das = = 1280 Für i=3, j=6 bedeutet das = = 1520 Analog wird für alle weiteren Perioden verfahren. Schritt 2: Kostenminimum ermitteln Für jede Planungsperiode (d.h. Spalte) wird jetzt das Kostenminimum aus der Tabelle abgelesen. Es beträgt 250 für j=1, 490 für j=2, 660 für j=3, 910 für j=4, 1070 für j=5 und 1230 für j=6. Planungsperiode j edarf estellzeitpunkt i Kostenminimum Schritt 3: Rückwärtsrekursion Ausgehend von Planungsperiode j=6: Das ausgewiesene Kostenminimum von 1230 wird durch eine Zusammenfassung der estellung der edarfe von Periode 4, 5 und 6 erreicht. Im estellzeitpunkt i=4 werden somit =230 Einheiten bestellt. Planungsperiode j edarf estellzeitpunkt i Kostenminimum Da somit auch gleich die optimale Lösung für j=4 bestimmt ist, ist als nächstes die Periode j=3 zu betrachten. Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 8

9 Dort liegt das Minimum durch Zusammenfassung der Perioden 2 und 3 bei 660. Im estellzeitpunkt i=2 werden somit =200 Einheiten bestellt. Planungsperiode j edarf estellzeitpunkt i Kostenminimum Da somit auch gleich die optimale Lösung für j=2 bestimmt ist, ist als letztes die Periode j=1 zu betrachten. Dort ist als einzige Lösung die optimale Lösung 250. Da hiermit auch die optimale Lösung für j=1 bestimmt ist, ist die optimale Politik des Unternehmens für den gesamten Zeitraum gefunden: (p 11, p 23, p 46 ) mit den Gesamtkosten GE Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 9

10 IIc Rechnerische estimmung der optimalen Lagerhaltungspolitik (sp. 4 der KE 1 IL 759 Rechenalternative Materialwirtschaft & Entsorgung wie in KE2 S. 41ff.) Lösungsverfahren nach ELLMAN Das Lösungsverfahren basiert auf der von ELLMAN (1957) entwickelten dynamischen Optimierung und stellt eine problemspezifische Anwendung dieses Ansatzes dar. Die grundsätzliche Idee der dynamischen Programmierung besteht darin, ein Entscheidungsproblem in mehrere, einfacher zu lösende Teilprobleme so zu unterteilen, dass das sequenzielle Lösen dieser Teilprobleme das Optimum des ursprünglichen Entscheidungsproblems liefert. ei der Lösung der Teilprobleme basiert die jeweils nächste Entscheidung auf der bis dorthin optimalen Entscheidung des vorher gelösten Teilproblems. Mathematisch wird diese Idee durch die ELLMANSche Funktionalgleichung, die den Zusammenhang zwischen der optimalen Lösung für das Teilproblem t und das Teilproblem t+1 herstellt, wiedergegeben. Das von WAGNER und WHITIN konzipierte estellmengenverfahren nutzt die besondere Struktur des dynamischen Lagerhaltungsmodells und stellt eine für diese Problemstellung speziell angepasste Vorgehensweise dar, bei der die Anzahl der zu berechnenden eschaffungs- und Lagerhaltungspolitiken und damit der Rechenaufwand der dynamischen Programmierung vermindert wird. WAGNER und WHITIN verwenden zur Lösung des estellmengenproblems eine Vorwärtsrekursion mit anschließender Rückwärtsrechnung. ellmann sches Optimalitätsprinzip: Soll eine Losgrößenpolitik bis zum Planungshorizont die optimale (=kostenminimale) Politik sein, dann muss diese Politik auch in den vorhergehenden Perioden die beste gewesen sein. Theoreme Das oben dargestellte Problem lässt sich unter anderem anhand von Standardsoftware für ganzzahlige Optimierungsprobleme lösen. Im Folgenden wird jedoch die Idee vorgestellt, wie das ursprüngliche, oben aufgeführte Problem als Aufgabe der Dynamischen Optimierung formuliert wird und dann rekursiv aufgrund der gegebenen Stufenstruktur gelöst werden kann. Das Modell besitzt drei spezielle Eigenschaften, die jetzt diskutiert werden: 1. Complementary Slackness 2. Separations-Theorem 3. Entscheidungshorizont-Theorem Zu 1: Complementary Slackness" Es gibt eine optimale Politik p t, auch zu verstehen als optimale Folge von Entscheidungen, die die Eigenschaft besitzt, dass nur produziert bzw. bestellt wird, wenn am Anfang einer neuen Teilperiode t bzw. am Ende einer Teilperiode t-1 kein positiver Lagerbestand vorhanden ist. Es gilt folgende edingung: Entweder: q t = 0b t-1 >0 oder q t > b t-1 = 0 für t = 1,2,...,T. Diese edingung lässt sich sehr schnell nachvollziehen, denn zu einem Zeitpunkt t, in dem ein positiver Lagerbestand b t-1 > 0 existiert, kann es nicht optimal sein, zu bestellen bzw. zu produzieren, da dadurch bestellfixe Kosten k > 0 anfallen würden. Demzufolge muss die letzte getätigte estellung um den edarf q t erhöht werden, da dadurch keine zusätzlichen Kosten k anfallen. Aus der obigen edingung folgt sofort, dass ganzzahlige Reichweiten der Lose vorliegen müssen, da der Anfangsbestand in einer Periode t nicht ausreichen würde, die Nachfrage x t in der Periode t zu befriedigen, so dass in dieser Periode bestellt bzw. produziert werden muss, auch wenn ein positiver Lagerbestand b t-1 vorhanden gewesen ist. Eine weitere Eigenschaft lässt sich direkt aus der edingung der Complementary Slackness folgern: Für eine Periode m mit n < m gilt, dass, falls die Nachfrage x m durch eine estellung in der Periode n befriedigt wird, so wird t=n+1,...,m-1 die Nachfrage x t abgedeckt. Diese Eigenschaften vereinfachen die estimmung einer optimalen Lösung in diesem dynamisch-deterministischen Lagerhaltungsmodell aufgrund der eingeschränkten Anzahl an zu berücksichtigenden Entscheidungsalternativen. Die optimale Politik kann jetzt bestimmt werden, indem die dargestellte Zielfunktion in eine Rekursionsbeziehung umgewandelt wird, in der sowohl die anfallenden Periodenkosten als auch die Folgekosten aufgrund einer optimalen Strategie enthalten sind. Zusammengefasst wird das Minimum über alle zulässigen Losgrößen q t bestimmt. Die Wertfunktion, die man an dieser Stelle erhält, ist die ellman-gleichung des WAGNER/WHITIN-Modells. Diese Funktionalgleichung ist dann entsprechend der Vorgehensweise der Dynamischen Programmierung per Rekursion zu lösen. Auf eine ausführliche Darstellung wird an dieser Stelle verzichtet. Vielmehr soll im Folgenden eine weitere Vereinfachung der erechnung der Lösung aufgrund der Struktur des vorliegenden Modells erläutert werden. Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 10

11 Zu 2: Separations-Theorem" Falls am Ende der Periode t-1 keine Mengen mehr im Lager sind, b t-1 = 0, dann können laut dem Separations-Theorem bei der estimmung der optimalen Politik p t die Perioden vor t, also 1,...,t-1 und die Perioden ab dem Zeitpunkt der etrachtung t, also t,...,t getrennt voneinander betrachtet werden. Diese Eigenschaft kann über die ellman-gleichung gelöst werden, jedoch soll an dieser Stelle die ökonomische Idee dieses Theorems ausreichend sein. Zu 3: Entscheidungshorizont-Theorem" Angenommen es sei optimal, dass in einer Periode i die Nachfrage aus einer estellung/produktion der Periode t i befriedigt werden kann, dann ist es ausreichend, wenn für eine Periode j>i nur die estellung/produktion der Perioden k t erücksichtigung findet. Falls t = i sein sollte, müssen nur Pläne ab dem Zeitpunkt / mit q t > 0 berücksichtigt werden. Dieser Sachverhalt wird in der Literatur auch als Entscheidungshorizont-Theorem bezeichnet. Würde man die Nachfrage in der Periode j durch eine estellung/produktion in einer Periode vor t befriedigen, jedoch sei es optimal die Nachfrage in i durch t zu befriedigen, dann würde die Complementary Slackness verletzt, da obwohl zum Zeitpunkt t ein Lagerbestand für die Periode j zur Verfügung steht, für die Periode i bestellt würde. gegeben: Perioden: 6 Monate Rohstoffbedarf pro Periode in Tonnen: (1)100, (2) 120, (3) 80, (4) 110, (5) 80, (6) 40 estellfixe Kosten: 250 GE Lagerkosten pro Tonne und Monat: 2,00 GE Annahmen: edarf zum Monatsbeginn, Lieferung zum Monatsbeginn, estellung für ganze Monate gesucht: optimale estell- und Lagerhaltungspolitik Lösung: Grundüberlegung: edarf kann zu eginn eines jeden Monats durch eine neue estellung für genau eine Periode gedeckt werden (estellfixe Kosten) oder edarf kann durch eine estellung gedeckt werden, die den edarf mehrerer Perioden abdeckt (Reichweite der estellmenge >1; estellfixe Kosten und Lagerkosten) oder Kombination aus beidem (estellfixe Kosten und Lagerkosten) Rekursionsgleichung WAGNER/ WHITIN k K( t 1) K( t) min t min k ( i j ) xi kl K ( j 1) 0 jt i j1 Planungshorizont 1 Monat (t=1) Hier existiert nur eine Möglichkeit, und zwar: zu eginn des ersten Monats den edarf für den ersten Monat zu bestellen Für die estellperiode (t=1) in die Formel eingesetzt folgt, aufgrund der Annahme, dass in t=0 K(0)=0 gilt: K (1) k K (0) k Die optimale Politik für die Periode 1 werde mit p 1 bezeichnet und sei p 1 =p 11 Dabei sei der erste Index (i) der Startpunkt der etrachtung und demzufolge auch die Periode, in der bestellt bzw. produziert wird und der zweite Index (j) die Periode, zu der die estellung einschließlich reicht. p ij Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 11

12 Planungshorizont 2 Monate (t=2) Es existieren zwei Möglichkeiten 1. zu eginn des ersten Monats den edarf für zwei Monate zu bestellen (p 12 ) 2. zu eginn des ersten Monats den edarf für diesen Monat (p 11 ) und zu eginn des zweiten Monats den edarf für den zweiten Monat (p 22 ) bestellen K (2) min min k 0 j2 k 2 i j1 K(2 1) ( i j) x k i L K ( j 1) p22 p Lagerhaltungskosten für _ edarf _ in _ P.2 K (2) min K (11) min250 (2 1) j2 j1 _ und _ p 12 K (2) 500 min K (2) min 500 ; ( p1, p22 ) ( p12 ) Dies bedeutet, dass als optimale Politik p 2 = p 12 zu eginn der ersten Periode bestellt und der edarf für die zweite Periode durch Lagerung des Gutes in der ersten Periode gedeckt wird. Planungshorizont 3 Monate (t=3) Es existieren drei Möglichkeiten 1. zu eginn des ersten Monats den edarf für drei Monate zu bestellen (p 13 ) 2. zu eginn die optimale Politik für den ersten Monate zu wählen, d.h. den edarf für diesen Monat (p1=p11) und zu eginn des zweiten Monats den edarf für den zweiten und dritten Monat (p 23 ) bestellen 3. zu eginn die optimale Politik für die ersten beiden Monate zu wählen (p 2 =p 12 ) und zu eginn des dritten Monats den edarf nur für den dritten Monat (p 33 ) bestellen K (3) min min k 0 j3 k K(3 1) 3 ( i j) xik L K( j 1) j1 i p33 p Lagerhaltungskosten Lagerhaltungskosten Lagerhaltungskosten für _ edarf _ in _ P.2 für _ edarf _ in _ P.3 (11) für _ edarf _ in _ P.3 K (3) min K K (21) min250 (2 1) (3 1) ;250 (3 2) j3 j1_ und _ p 13 j 2 _ und _ p23 p1 K (3) 740 min min ; Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 12

13 K (3) min 740 ;810; ( p2, p33) ( p13 ) ( p1, p23) Das optimale Verhalten des Unternehmens lautet für die etrachtung von (t=3) Perioden: p 3 = (p 11, p 23 ) = (p 1, p 23 ) Damit wurde festgelegt, dass eine weitere etrachtung der ersten Periode nicht mehr notwendig ist (Separations-Theorem). Planungshorizont 4 Monate (t=4) Es existieren vier Möglichkeiten 1. zu eginn des ersten Monats den edarf für drei Monate zu bestellen (p 14 ) entfällt wegen Separations-Theorem erste Periode wird nicht mehr betrachtet 2. zu eginn die optimale Politik für den ersten Monate zu wählen, d.h. den edarf für diesen Monat (p1=p11) und zu eginn des zweiten Monats den edarf für den zweiten, dritten und vierten Monat (p 24 ) bestellen (p 1, p 24 ) 3. zu eginn die optimale Politik für die ersten beiden Monate zu wählen (p 2 =p 12 ) und zu eginn des dritten Monats den edarf für den dritten und vierten Monat (p 34 ) bestellen - (p 2, p 34 ) 4. zu eginn die optimale Politik für die ersten drei Monate zu wählen (p 3 = p 1, p 23 ) und zu eginn des vierten Monats den edarf nur für den dritten Monat (p 44 ) bestellen - (p 3, p 44 ) K (4) min min k 1 j4 k K(4 1) 4 ( i j) xik L K( j 1) i j1 p44 p Lagerhaltungskosten Lagerhaltungskosten Lagerhaltungskosten für _ edarf _ in _ P.3 für _ edarf _ in _ P.4 (21) für _ edarf _ in _ P.4 K (4) min K K (31) min250 (3 2) 80 2 (4 2) ;250 (4 3) j4 j2 _ und _ p 24 p1 j 3 _ und _ p34 p2 K (4) 910 min min ; K (4) min 910 ; 1100; ( p3, p44 ) ( p1, p24 ) ( p2, p34 ) Die optimale Politik des Unternehmens lautet für die etrachtung von (t=4) Perioden: p 4 = (p 3, p 44 ) = (p 11, p 23, p 44 ) Damit ist festgelegt, dass neben der estellung in der ersten Periode (p 11 ) in der zweiten Periode für die zweite und dritte Periode (p 23 ) bestellt wird und daher nur noch Vergleiche ab der dritten Periode vorgenommen werden müssen (Separations-Theorem). Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 13

14 Planungshorizont 5 Monate (t=5) Daher existieren nur zwei Möglichkeiten 1. zu eginn die optimale Politik für die ersten drei Monate zu wählen (p 3 =p 11, p 23 ) und zu eginn des vierten Monats den edarf für den vierten und fünften Monat (p 45 ) bestellen 2. zu eginn die optimale Politik für die ersten vier Monate zu wählen (p 4 = p 3, p 44 ) und zu eginn des fünften Monats den edarf nur für den fünften Monat (p 55 ) bestellen K (5) min min k 3 j5 k K(5 1) 5 ( i j) xik L K( j 1) j1 i p55 p Lagerhaltungskosten für _ edarf _ in _ P.5 K (5) min K (41) min250 (5 4) j5 j4 _ und _ p 45 p3 K (5) 1160 min K (5) min1160; ( p4, p55 ) ( p3, p45 ) Das optimale Verhalten des Unternehmens lautet für die etrachtung von (t=5) Perioden: p 5 = (p 3, p 45 ) = (p 11, p 23, p 45 ) Planungshorizont 6 Monate (t=6) Es existieren die eingeschränkten drei Möglichkeiten 1. zu eginn die optimale Politik für die ersten drei Monate zu wählen (p 3 =p 11, p 23 ) und zu eginn des vierten Monats den edarf für den vierten, fünften und sechsten Monat (p 46 ) bestellen 2. zu eginn die optimale Politik für die ersten vier Monate zu wählen (p 4 = p 3, p 44 ) und zu eginn des fünften Monats den edarf für den fünften und sechsten Monat (p 56 ) bestellen 3. zu eginn die optimale Politik für die ersten fünf Monate zu wählen (p 5 = p 3, p 45 ) und zu eginn des sechsten Monats den edarf nur für den sechsten Monat (p 66 ) bestellen K (6) min min k 3 j6 k K(6 1) 6 ( i j) xik L K( j 1) i j1 p66 p Lagerhaltungskosten Lagerhaltungskosten Lagerhaltungskosten für _ edarf _ in _ P.5 für _ edarf _ in _ P.6 (41) für _ edarf _ in _ P.6 K (6) min K K (51) min250 (5 4) 80 2 (6 4) ;250 (6 5) j6 j4 _ und _ p 46 p3 j 5 _ und _ p56 p4 K (6) 1320 min min ; Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 14

15 K (6) min1320;1230; ( p5, p66 ) ( p3, p46) ( p4, p56 ) Die optimale Politik des Unternehmens lautet für die etrachtung von (t=6) Perioden: p 6 = (p 3, p 46 ) = (p 11, p 23, p 46 ) Die optimale Politik des Unternehmens für den gesamten Zeitraum lautet also: p11 p23 p46 In der Periode eins wird nur für die gleiche Periode bestellt. In der Periode zwei wird für die zweite und dritte Periode bestellt, wobei der edarf für die dritte Periode zunächst gelagert wird. In der vierten Periode wird der edarf für die vierte Periode bestellt und zusätzlich der edarf für die fünfte und sechste Periode, welche zunächst eingelagert wird. Die Gesamtkosten von 1230 setzen sich wie folgt zusammen: = 750 estellkosten = 160 Lagerkosten für P = 160 Lagerkosten für P = 160 Lagerkosten für P Gesamtkosten Katharina Nuenighoff/Rolf aumanns WS 06/07 Seite 15

4.2.1 Das Verfahren von Wagner und Whitin

4.2.1 Das Verfahren von Wagner und Whitin 4.2.1 Das Verfahren von Wagner und Whitin I) Annahmen und Anwendungsgebiete Wann verwendet man typischerweise dynamische Verfahren der Bestellmengenplanung? Dynamische Verfahren der Bestellmengenplanung

Mehr

Das Verfahren von Wagner und Whitin

Das Verfahren von Wagner und Whitin Materialwirtschaft 41550 KE2 - Dynamische estellmengenplanung - Das Verfahren von Wagner und Whitin Das Verfahren von Wagner und Whitin I) Annahmen und Anwendungsgebiete Wann verwendet man typischerweise

Mehr

Periodenbedarfe, Lagerkostensätze oder bestellfixe Kosten. Deshalb Anwendung der Verfahren der dynamischen Bestellmengenplanung

Periodenbedarfe, Lagerkostensätze oder bestellfixe Kosten. Deshalb Anwendung der Verfahren der dynamischen Bestellmengenplanung Materialwirtschaft 4550 KE - Bestellmengen- und Losgrößenplanung - Heuristien. Dynamische Bestellmengenplanung c x Harris-Formel Q O basiert auf statischem Modell und berücsichtigt nicht unterschiedliche

Mehr

Bestellmengenplanung

Bestellmengenplanung Bestellmengenplanung Ziel: Ermittlung der optimalen Bestellmenge durch Minimierung der Kosten Anstieg der Lagerkosten K L mit zunehmender Bestellmenge, anderseits Abnahme der bestellfixen Kosten K B durch

Mehr

Annahmen des WAGNER-WHITIN-Modells

Annahmen des WAGNER-WHITIN-Modells Annahmen des WAGNER-WHITIN-Modells - Der gesamte Planungszeitraum ist in T Teilzeitintervalle (Perioden) gleicher Länge unterteilt, wobei auch unterschiedliche Periodenlängen möglich sind. - Der Bedarf

Mehr

1. Einführung 2. Lagerhaltungsmodelle bei schwankendem Absatz 3. Heuristische Verfahen 4. Wagner-Whitin-Verfahren

1. Einführung 2. Lagerhaltungsmodelle bei schwankendem Absatz 3. Heuristische Verfahen 4. Wagner-Whitin-Verfahren Entscheidungsprozesse i.d. Lagerhaltung 1. Einführung 2. Lagerhaltungsmodelle bei schwankendem Absatz 3. Heuristische Verfahen 4. Wagner-Whitin-Verfahren 1 Klassisches Lagerhaltungsproblem 700 Lagerhaltungskosten

Mehr

Harris mit Abwandlungen. Materialwirtschaft

Harris mit Abwandlungen. Materialwirtschaft 41 4.1. - Harris mit Abwandlungen Materialwirtschaft Welche Annahmen werden im HARRIS-Modell getroffen? Zeigen Sie, dass im HARRIS-Modell im Optimum der ostenausgleich vollzogen wird, d.h. dass die Beschaffungskosten

Mehr

7.1 Matrizen und Vektore

7.1 Matrizen und Vektore 7.1 Matrizen und Vektore Lineare Gleichungssysteme bestehen aus einer Gruppe von Gleichungen, in denen alle Variablen nur in der 1. Potenz vorkommen. Beispiel Seite 340 oben: 6 x 2 = -1 + 3x 2 = 4 mit

Mehr

Ressourceneinsatzplanung in der Fertigung

Ressourceneinsatzplanung in der Fertigung Fakultät Informatik, Institut für Angewandte Informatik, Professur Modellierung und Simulation Ressourceneinsatzplanung in der Fertigung Dr. Christoph Laroque Sommersemester 2012 Dresden, Ressourceneinsatzplanung

Mehr

Dynamische Optimierung

Dynamische Optimierung Dynamische Optimierung Mike Hüftle 28. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1.................................... 2 2 Dynamisches Optimierungmodell 3 2.1 Grundmodell der dynamischen Optimierung............

Mehr

(Lineare) stochastische Optimierung

(Lineare) stochastische Optimierung (Lineare) stochastische Optimierung Bsp: Aus zwei Sorten Rohöl wird Benzin und Heizöl erzeugt. Die Produktivität sowie der Mindestbedarf (pro Woche) und die Kosten sind in folgender Tabelle angegeben:

Mehr

1. Über stückweise lineare Zielfunktionen bei der Transportmethode

1. Über stückweise lineare Zielfunktionen bei der Transportmethode - 2-1. Über stückweise lineare Zielfunktionen bei der Transportmethode Die Transportkosten entlang eines Transportweges sind stückweise linear, konkret, sie setzen sich aus drei linearen Teilstücken zusammen:

Mehr

Dualitätssätze der linearen Optimierung

Dualitätssätze der linearen Optimierung Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =

Mehr

Teil II Optimierung. Modellgestützte Analyse und Optimierung Kap. 5 Einführung Optimierung. Peter Buchholz 2006

Teil II Optimierung. Modellgestützte Analyse und Optimierung Kap. 5 Einführung Optimierung. Peter Buchholz 2006 Teil II Optimierung Gliederung 5 Einführung, Klassifizierung und Grundlagen 6 Lineare Optimierung 7 Nichtlineare Optimierung 8 Dynamische Optimierung (dieses Jahr nur recht kurz) (9 Stochastische Optimierungsmethoden

Mehr

Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen

Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen Name Straße PLZ, Ort IWW Studienprogramm Vertiefungsstudium 3. Musterklausur Produktionsmanagement

Mehr

Theoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme

Theoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien

Mehr

z = c T x : Ax = b, x 0 }, - die Darstellung der Nichtbasisvektoren durch die Basis ist

z = c T x : Ax = b, x 0 }, - die Darstellung der Nichtbasisvektoren durch die Basis ist Kapitel 5 Die Simplexmethode Es werden folgende Bezeichnungen verwendet: - das untersuchte Problem ist min x R n { z = c T x : Ax = b, x 0 }, - die erste zulässige Basislösung sei x = x 1, x 2,, x m, 0,,

Mehr

Aufgabe des Monats Mai

Aufgabe des Monats Mai Aufgabe des Monats Mai 2013 1 Ein Monopolist produziere mit folgender Kostenfunktion: K(x) = x 3 12x 2 + 60x + 98 und sehe sich der Nachfragefunktion (Preis-Absatz-Funktion) p(x) = 10, 5x + 120 gegenüber.

Mehr

Die duale Simplexmethode

Die duale Simplexmethode Kapitel 0 Die duale Simplexmethode Bei der dualen Simplexmethode ist eine Startlösung oftmals leichter angebbar als bei der Simplexmethode für das ursprüngliche lineare Programm, da man keine Nichtnegativitätsanforderungen

Mehr

Aufgabe 7.1: Wirtschaftsplanung

Aufgabe 7.1: Wirtschaftsplanung Johann Wolfgang Goethe-Universität Frankfurt am Main Lehrst.f.BWL, insb. Quant. Methoden Prof. Dr. Dietrich Ohse LPUE:SQM6 LP und Erweiterungen lpueb07_ 2003s.doc Aufgabe 7.1: Wirtschaftsplanung Eine Volkswirtschaft

Mehr

8. Planung optimaler Bestellmengen ausgewählte praxisrelevante Bedingungen

8. Planung optimaler Bestellmengen ausgewählte praxisrelevante Bedingungen 8. Planung optimaler Bestellmengen ausgewählte praxisrelevante Bedingungen Definitionen, Grundsätzliches Fertigungslos (Fertigungsauftrag) Als Losgröße wird die Menge gleichartiger Materialien (z.b. Rohmaterial,

Mehr

A2.3 Lineare Gleichungssysteme

A2.3 Lineare Gleichungssysteme A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen

Mehr

Hauptsatz und Optimalitätskriterium der Simplexmethode

Hauptsatz und Optimalitätskriterium der Simplexmethode Kapitel 4 Hauptsatz und Optimalitätskriterium der Simplexmethode In diesem Abschnitt wird das wichtigste Verfahren zur Lösung linearer Optimierungsprobleme eingeführt die Simplexmethode Es existiere für

Mehr

Anwendungen dynamischer Programmierung in der Biologie

Anwendungen dynamischer Programmierung in der Biologie Anwendungen dynamischer Programmierung in der Biologie Überblick Algorithmus zum Finden der wahrscheinlichsten Sekundärstruktur eines RNS Moleküls Sequence Alignment Verbesserung von Sequence Alignment

Mehr

Aufgabe 1: Betrachtet werde das Matrixspiel mit der Auszahlungsmatrix a. 1. Für welche Werte von a gibt es ein Nash sches Gleichgewicht?

Aufgabe 1: Betrachtet werde das Matrixspiel mit der Auszahlungsmatrix a. 1. Für welche Werte von a gibt es ein Nash sches Gleichgewicht? Lösungen zu den Übungsaufgaben im Kapitel 7 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe : Betrachtet werde das Matrixspiel mit

Mehr

Aussage: richtig falsch

Aussage: richtig falsch Aufgabe 1: Multiple Choice (10 unkte) Folgende Aussagen sind entweder richtig oder falsch! Kreuzen Sie jeweils direkt hinter der Aussage eines der Kästchen an! Stimmt Ihre Bewertung einer Aussage so gibt

Mehr

Optimieren unter Nebenbedingungen

Optimieren unter Nebenbedingungen Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht

Mehr

1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme. Duales Problem. a i u i + i=1. j=1

1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme. Duales Problem. a i u i + i=1. j=1 1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme Duales Problem Lemma 1.4. Das zum Transportproblem duale Problem lautet: max unter den Nebenbedingungen m a i u i + i=1

Mehr

Klausur zur Modulprüfung ABWL1 SoSe14 2. Termin 13. Oktober 2014

Klausur zur Modulprüfung ABWL1 SoSe14 2. Termin 13. Oktober 2014 Klausur zur Modulprüfung ABWL1 SoSe14 2. Termin 13. Oktober 2014 Name: Vorname: Matrikel-Nr.: Studiengang, Abschluss: Hiermit erkläre ich mich nach 39(10) der AllgStuPO prüfungsfähig. Ein Rücktritt bzw.

Mehr

Beschäftigungsglättung

Beschäftigungsglättung Beschäftigungsglättung Erläutern Sie das Problem der Beschäftigungsglättung. Mit welchen Planungsansätzen kann man es lösen? Gegeben sei folgende prognostizierte Nachfragezeitreihe (40, 80, 60, 110, 30,

Mehr

Die Determinante ist nur für beliebige quadratische Matrizen (n = m) definiert: a 11 a 12 a a 1n a 21 a 22. det. a nn.

Die Determinante ist nur für beliebige quadratische Matrizen (n = m) definiert: a 11 a 12 a a 1n a 21 a 22. det. a nn. Die Determinante ist nur für beliebige quadratische Matrizen (n = m) definiert: Definition 1.2 (Leibniz-Formel) Die Determinante einer n n-matrix ist a 11 a 12 a 13... a 1n a 11 a 12 a 13... a 1n a 21

Mehr

Musterlösung zum 6. Aufgabenblatt Mathematik I (GST1100) WS 2017/2018

Musterlösung zum 6. Aufgabenblatt Mathematik I (GST1100) WS 2017/2018 Musterlösung zum 6. Aufgabenblatt Mathematik I (GST1100) WS 017/018 1. Zuerst werden innerhalb jeder Gleichung mehrfach vorkommende Variablen zusammengefasst und auf die linke Seite gebracht sowie alle

Mehr

3.3 Optimale binäre Suchbäume

3.3 Optimale binäre Suchbäume 3.3 Optimale binäre Suchbäume Problem 3.3.1. Sei S eine Menge von Schlüsseln aus einem endlichen, linear geordneten Universum U, S = {a 1,,...,a n } U und S = n N. Wir wollen S in einem binären Suchbaum

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Dr. H. Macholdt 7. September 2005 1 Motivation Viele Probleme aus dem Bereich der Technik und der Naturwissenschaften stellen uns vor die Aufgabe mehrere unbekannte Gröÿen gleichzeitig

Mehr

Dynamische Optimierung im Dienstleistungsbereich

Dynamische Optimierung im Dienstleistungsbereich Dynamische Optimierung im Dienstleistungsbereich Univ.-Prof. Dr. Jochen Gönsch Universität Duisburg-Essen Mercator School of Management Lehrstuhl für Betriebswirtschaftslehre, insb. Service Operations

Mehr

Übungsaufgaben zur Vorlesung BWL A Produktion:

Übungsaufgaben zur Vorlesung BWL A Produktion: Betriebswirtschaftslehre, insbes. Produktionswirtschaft Prof. Dr. Stefan Betz Übungsaufgaben zur Vorlesung BWL A Produktion: Aufgabe 1 Definieren Sie die folgenden Begriffe, und grenzen Sie diese voneinander

Mehr

Formalstruktur: Zur Abbildung der Struktur eines mehrstufigen Entscheidungsproblems ist der Entscheidungsbaum geeignet (ungerichteter Graph)

Formalstruktur: Zur Abbildung der Struktur eines mehrstufigen Entscheidungsproblems ist der Entscheidungsbaum geeignet (ungerichteter Graph) Investitionsrechnung 1 Entscheidungsbaumverfahren Entscheidungsbaumverfahren Verfahren zur Berücksichtigung der Unsicherheit bei Investitionseinzelentscheidungen Grundidee: für Beginn eines Planungszeitraums

Mehr

= * 281 = : 25 = oder 7x (also 7*x) oder (2x + 3) *9 oder 2a + 7b (also 2*a+ 7*b)

= * 281 = : 25 = oder 7x (also 7*x) oder (2x + 3) *9 oder 2a + 7b (also 2*a+ 7*b) GLEICHUNGEN Gleichungslehre Bisher haben Sie Aufgaben kennen gelernt, bei denen eine Rechenoperation vorgegeben war und Sie das Ergebnis berechnen sollten. Nach dem Gleichheitszeichen war dann das Ergebnis

Mehr

Theoretische Informatik III (Winter 2018/19) Prof. Dr. Ulrich Hertrampf. Noch einmal TSP

Theoretische Informatik III (Winter 2018/19) Prof. Dr. Ulrich Hertrampf. Noch einmal TSP Noch einmal TSP Wir hatten das TSP-Problem (Problem der Handlungsreisenden) schon als Beispiel für die Branch-and-Bound Methode kennengelernt. Nun wollen wir noch einen zweiten Algorithmus angeben, der

Mehr

Investitionsdauerentscheidungen

Investitionsdauerentscheidungen Investitionsdauerentscheidungen Investitionsdauerentscheidungen werden in Nutzungsdauerprobleme und Ersatzzeitpunktprobleme unterteilt. Abbildung 1 soll die Untergliederung der Investitionsdauerentscheidungen

Mehr

Wiederholung. Divide & Conquer Strategie

Wiederholung. Divide & Conquer Strategie Wiederholung Divide & Conquer Strategie Binäre Suche O(log n) Rekursives Suchen im linken oder rechten Teilintervall Insertion-Sort O(n 2 ) Rekursives Sortieren von a[1..n-1], a[n] Einfügen von a[n] in

Mehr

Operations Management. Ulrich Thonemann. Konzepte, Methoden und Anwendungen. 3., aktualisierte Aulage

Operations Management. Ulrich Thonemann. Konzepte, Methoden und Anwendungen. 3., aktualisierte Aulage Operations Management Konzepte, Methoden und Anwendungen 3., aktualisierte Aulage Ulrich Thonemann 5.1 Bestellmengenmodell überprüfen. Diese lautet d 2 dx 2 Z(x) = 2 μ x 3 K und ist für alle positiven

Mehr

Lineare Optimierung: Simplexverfahren Phase Ⅰ

Lineare Optimierung: Simplexverfahren Phase Ⅰ Lineare Optimierung: Simplexverfahren Phase Ⅰ Zur Erinnerung: Die Lineare Optimierungsaufgabe in Standardform lautet z = c T x + c 0 min (.) bei Ax = b, x 0. Revidiertes Simplexverfahren Mit dem Simplexverfahren

Mehr

41550 KE2 - Harris mit Abwandlungen. Materialwirtschaft

41550 KE2 - Harris mit Abwandlungen. Materialwirtschaft 4155 - Harris mit Abwandlungen Materialwirtschaft Welche Annahmen werden im HARRIS-Modell getroffen? Zeigen Sie, dass im HARRIS-Modell im Optimum der ostenausgleich vollzogen wird, d.h. dass die Beschaffungskosten

Mehr

Kapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel:

Kapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel: Kapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel: Eine Firma produziert die Produkte P 1, P 2,..., P q aus den Rohstoffen R 1, R 2,..., R m. Dabei stehen b j Einheiten

Mehr

Skript Lineare Algebra

Skript Lineare Algebra Skript Lineare Algebra sehr einfach Erstellt: 2018/19 Von: www.mathe-in-smarties.de Inhaltsverzeichnis Vorwort... 2 1. Vektoren... 3 2. Geraden... 6 3. Ebenen... 8 4. Lagebeziehungen... 10 a) Punkt - Gerade...

Mehr

Vorlesung: Nicht-kooperative Spieltheorie. Teil 4: 2-Personen-Nullsummenspiele

Vorlesung: Nicht-kooperative Spieltheorie. Teil 4: 2-Personen-Nullsummenspiele Vorlesung: Nicht-kooperative Spieltheorie Teil 4: 2-Personen-Nullsummenspiele Dr. Thomas Krieger Wintertrimester 2009 Dr. Thomas Krieger Vorlesung: Nicht-kooperative Spieltheorie 1 Definition 2-Personen-Nullsummenspiele

Mehr

Lineare Algebra 1. Roger Burkhardt

Lineare Algebra 1. Roger Burkhardt Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 2 Rechenoperationen und Gesetze Gleichheit

Mehr

Algorithmen I - Tutorium 28 Nr. 12

Algorithmen I - Tutorium 28 Nr. 12 Algorithmen I - Tutorium 28 Nr. 12 20.07.2017: Spaß mit Dynamischer und Linearer Programmierung Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR. JÖRN

Mehr

Beschaffung. Prof. Dr. Martin Moog. Lehrstuhl für Forstliche Wirtschaftslehre

Beschaffung. Prof. Dr. Martin Moog. Lehrstuhl für Forstliche Wirtschaftslehre Beschaffung Begriffe des Beschaffungswesens Optimierung der Bestellmenge bei kontinuierlichem Verbrauch (Andler sche Formel) Optimierung der Bestellmenge bei diskontinuierlichem Verbrauch (WILO-Verfahren,

Mehr

11 Grafische Lösung eines linearen Optimierungsproblems 1

11 Grafische Lösung eines linearen Optimierungsproblems 1 Grafische Lösung eines linearen Optimierungsproblems Die grafische Lösung beliebiger Probleme ist zeitaufwendig und ungenau, auch ergeben sich Beschränkungen in der Lösbarkeit solcher Probleme in Folge

Mehr

Dynamische Optimierung

Dynamische Optimierung Dynamische Optimierung Michaela Nettekoven Abteilung für Quantitative Betriebswirtschaftslehre und Operations Research Wirtschaftsuniversität Wien 21. Januar 2005 Unter dynamischer Optimierung versteht

Mehr

Kommentiertes Beispiel für das Gaußsche Eliminationsverfahren

Kommentiertes Beispiel für das Gaußsche Eliminationsverfahren Kommentiertes Beispiel für das Gaußsche Eliminationsverfahren oder: Wie rechnet eigentlich der TI 84, wenn lineare Gleichungssysteme gelöst werden? Hier wird an einem Beispiel das Gaußsche Verfahren zum

Mehr

Algorithmen und Komplexität

Algorithmen und Komplexität Algorithmen und Komplexität Dynamische Programmierung Markus Ullrich Norbert Baum Fachbereich Informatik - IIb07 Hochschule Zittau/Görlitz 28. Mai 2009 1 / 29 Wie sieht es mit langen Ketten aus? A 1 A

Mehr

1 Zahlentheorie. 1.1 Kongruenzen

1 Zahlentheorie. 1.1 Kongruenzen 3 Zahlentheorie. Kongruenzen Der letzte Abschnitt zeigte, daß es sinnvoll ist, mit großen Zahlen möglichst einfach rechnen zu können. Oft kommt es nicht darauf, an eine Zahl im Detail zu kennen, sondern

Mehr

Datenstrukturen & Algorithmen

Datenstrukturen & Algorithmen Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Dynamische Programmierung Einführung Ablaufkoordination von Montagebändern Längste gemeinsame Teilsequenz Optimale

Mehr

Klausur zur Vorlesung Operations Research im Wintersemester 2009/10

Klausur zur Vorlesung Operations Research im Wintersemester 2009/10 Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Sitzplatznr.: Klausur zur Vorlesung Operations Research im Wintersemester 2009/10

Mehr

Quadratische Gleichungen

Quadratische Gleichungen Quadratische Gleichungen Alle aufgezeigten Lösungswege gelten für Gleichungen, die schon vereinfacht und zusammengefasst wurden. Es darf nur noch + vorhanden sein!!! (Also nicht + und auch nicht 3 ; bitte

Mehr

Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme

Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme Kapitel 11 Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme Wir betrachten folgendes Optimierungsproblem z = c T x min! Ax = b (11.1) (11.2) x j ganz für j = 1,..., n 1 n, (11.3)

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

Mehr

757-2 Gonzinto Graph

757-2 Gonzinto Graph 09 / 00 A zu a) Gozinto - Graph Aufbau der Gozinto - Graph besteht wie eder Graph aus einer Menge von Punkten bzw. Knoten, die teilweise durch Linien bzw. Kanten oder auch Pfeile miteinander verbunden

Mehr

1 Einführung Gleichungen und 2 Unbekannte Gleichungen und 3 Unbekannte... 4

1 Einführung Gleichungen und 2 Unbekannte Gleichungen und 3 Unbekannte... 4 Wirtschaftswissenschaftliches Zentrum 3 Universität Basel Mathematik 2 Dr Thomas Zehrt Lineare Gleichungssysteme Inhaltsverzeichnis Einführung 2 2 Gleichungen und 2 Unbekannte 2 2 3 Gleichungen und 3 Unbekannte

Mehr

1 Lineare Optimierung, Simplex-Verfahren

1 Lineare Optimierung, Simplex-Verfahren 1 Lineare Optimierung, Simplex-Verfahren 1.1 Einführung Beispiel: In einer Fabrik werden n Produkte A 1, A 2,..., A n hergestellt. Dazu werden m Rohstoffe B 1, B 2,..., B m (inklusive Arbeitskräfte und

Mehr

Algorithmen und Komplexität Lösungsvorschlag zu Übungsblatt 8

Algorithmen und Komplexität Lösungsvorschlag zu Übungsblatt 8 ETH Zürich Institut für Theoretische Informatik Prof. Dr. Angelika Steger Florian Meier, Ralph Keusch HS 2017 Algorithmen und Komplexität Lösungsvorschlag zu Übungsblatt 8 Lösungsvorschlag zu Aufgabe 1

Mehr

7. Musterlösung zu Mathematik für Informatiker I, WS 2003/04

7. Musterlösung zu Mathematik für Informatiker I, WS 2003/04 7. Musterlösung zu Mathematik für Informatiker I, WS 2003/04 KATHRIN TOFALL Aufgabe 7. (Symmetrischer EEA). (9 Punkte) Ziel dieser Aufgabe ist es zu zeigen, was man gewinnt, wenn man bei der Division mit

Mehr

Grundlagen der Mathematik von Ansgar Schiffler - Seite 1 von 7 -

Grundlagen der Mathematik von Ansgar Schiffler - Seite 1 von 7 - - Seite von 7 -. Wie lautet die allgemeine Geradengleichung? (Mit Erklärung). Ein Telefontarif kostet 5 Grundgebühr und pro Stunde 8 cent. Wie lautet allgemein die Gleichung für solch einen Tarif? (Mit

Mehr

Basistext Determinanten

Basistext Determinanten Basistext Determinanten Definition In der Linearen Algebra ist die Determinante eine Funktion die einer quadratischen Matrix eine Zahl zuordnet. Die Funktion wird mit det abgekürzt. Die runden Matrixklammern

Mehr

Unimodularität. Kapitel 1. Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206

Unimodularität. Kapitel 1. Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206 Kapitel 1 Unimodularität Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206 Inhalt 1 Unimodularität Total unimodulare Matrizen Inzidenzmatrix Optimierungsprobleme auf Graphen Peter

Mehr

Kurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok

Kurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de

Mehr

Technische Hochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 221, Tel

Technische Hochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 221, Tel Technische Hochschule Köln Fakultät für Wirtschafts- und Rechtswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 9 14 jutta.arrenberg@th-koeln.de Übungen zur Vorlesung QM I (Wirtschaftsmathematik) Gleichungssysteme

Mehr

Probeklausur Optimierung

Probeklausur Optimierung Universität Hamburg Fakultät für Mathematik, Informatik und Naturwissenschaften Dr. Nico Düvelmeyer Hamburg, 4. Juli 2011 Probeklausur Optimierung Bitte selber ausfüllen: Name: (darf anonymisiert werden)

Mehr

2.3 ELEMENTARE BERECHNUNGEN 2.3.1 Grundlagen

2.3 ELEMENTARE BERECHNUNGEN 2.3.1 Grundlagen Fabianca BWL III Elementare Berechnungen 2-17 2.3 ELEMENTARE BERECHNUNGEN 2.3.1 Grundlagen Die in diesem Abschnitt vorgestellten grundlegenden Berechnungen werden Ihnen in jeder Klausur wieder begegnen.

Mehr

Fehler in der 3. Auflage, 3.Druck Oktober 2010

Fehler in der 3. Auflage, 3.Druck Oktober 2010 Fehler in der 3. Auflage, 3.Druck Oktober 200 Die Fehler im 3. Druck sind in der Regel auch im 2. und. Druck! Kapitel.6 S. 46, in der Lösung zu Beispiel 2, dort 8. Zeile: Die obere gestrichelte Linie Kapitel

Mehr

Algorithmen und Datenstrukturen (für ET/IT)

Algorithmen und Datenstrukturen (für ET/IT) Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 07 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute Einführung Grundlagen von Algorithmen

Mehr

1 Einführung. 2 Grundlagen von Algorithmen. 3 Grundlagen von Datenstrukturen. 4 Grundlagen der Korrektheit von Algorithmen

1 Einführung. 2 Grundlagen von Algorithmen. 3 Grundlagen von Datenstrukturen. 4 Grundlagen der Korrektheit von Algorithmen Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 0 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Einführung Grundlagen von Algorithmen Grundlagen

Mehr

Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester 2005/2006

Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester 2005/2006 Universität Hannover Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester 005/006

Mehr

Algorithmen und Datenstrukturen (für ET/IT)

Algorithmen und Datenstrukturen (für ET/IT) Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 05 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute Einführung Grundlagen von Algorithmen Grundlagen

Mehr

1 Funktionen einer Variablen

1 Funktionen einer Variablen 1 Funktionen einer Variablen 1.1 Einführende Beispiele Kostenfunktion und Stückkostenfunktion: Das Unternehmen Miel produziert hochwertige Waschmaschinen. Es hat monatliche Fikosten von 170.000. Die sind

Mehr

1 Funktionen einer Variablen

1 Funktionen einer Variablen 1 Funktionen einer Variablen 1.1 Einführende Beispiele Kostenfunktion und Stückkostenfunktion: Das Unternehmen Miel produziert hochwertige Waschmaschinen. Es hat monatliche Fikosten von 170.000. Die sind

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Technische Universität München Christoph Niehoff Ferienkurs Lineare Algebra für Physiker Vorlesung Mittwoch WS 009/00 Die beiden Hauptthemen von diesem Teil des Ferienkurses sind Lineare Gleichungssysteme

Mehr

Die Gewinnermittlung eines Industriebetriebes

Die Gewinnermittlung eines Industriebetriebes Ausgangspunkt ist die Gewinnermittlung eines Handelsbetriebes. Hierfür gilt: (1) Gewinn = Umsatz Wareneinsatz übrige Kosten Dabei ist der Wareneinsatz der mit den Anschaffungskosten pro Stück bewertete

Mehr

Schnittebenenverfahren von Gomory. Stefan Allescher 30. Juni 2005

Schnittebenenverfahren von Gomory. Stefan Allescher 30. Juni 2005 Schnittebenenverfahren von Gomory Stefan Allescher 30. Juni 2005 Inhaltsverzeichnis 1. Grundprinzip 2. Das Verfahren von Gomory 2.1. Vorgehen 2.2. Beweis der Endlichkeit 2.3. Algorithmische Durchführung

Mehr

Klausurrepetitorium ABWL

Klausurrepetitorium ABWL Klausurrepetitorium ABWL Planungs- und Südwestfälische Industrie- und Handelskammer 9. August 5 Dr. Friedhelm Kulmann, Sandra Rudolph 9.8.5 Gliederung. Nichtlineare Optimierungsprobleme.. Quadratisches

Mehr

Der Gaußsche Algorithmus

Der Gaußsche Algorithmus Der Gaußsche Algorithmus Der Gaußsche Algorithmus beinhaltet das Vertauschen der Zeilen der erweiterten Koeffizientenmatrix (A, b) und das Additionsverfahren. Ziel ist es, möglichst viele Nullen unterhalb

Mehr

[A] = c(a) in den Einheiten mol/l (1) Eine tiefgestellte Null wie bei [A] 0 zeigt an, dass es sich um eine Anfangskonzentration

[A] = c(a) in den Einheiten mol/l (1) Eine tiefgestellte Null wie bei [A] 0 zeigt an, dass es sich um eine Anfangskonzentration 1 Ableitung des Massenwirkungsgesetzes Mit dem Umfüllexperiment haben wir herausgefunden, dass die Stoffmengen oder die Stoffmengenkonzentrationen im Gleichgewicht auf einen Grenzwert zulaufen. Außerdem

Mehr

Lineare Algebra 1. Roger Burkhardt

Lineare Algebra 1. Roger Burkhardt Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 1 Einführung Lineare Gleichungen Definition

Mehr

2. Aufgabe Die Berechnung der optimalen Bestellmenge mittels der Andler'schen Formel basiert auf den vier Parametern

2. Aufgabe Die Berechnung der optimalen Bestellmenge mittels der Andler'schen Formel basiert auf den vier Parametern 1. Aufgabe (a) Welches Ziel verfolgt die Berechnung der optimalen Bestellmenge? (b) In welchen betrieblichen Situationen sollte von der optimalen Bestellmenge abgewichen werden? (c) Nennen und erläutern

Mehr

Das Problem des Handlungsreisenden

Das Problem des Handlungsreisenden Seite 1 Das Problem des Handlungsreisenden Abbildung 1: Alle möglichen Rundreisen für 4 Städte Das TSP-Problem tritt in der Praxis in vielen Anwendungen als Teilproblem auf. Hierzu gehören z.b. Optimierungsprobleme

Mehr

Übersicht. Aktivitäten-Auswahl-Problem. Greedy Algorithmen. Aktivitäten-Auswahl-Problem. Aktivitäten-Auswahl-Problem. Datenstrukturen & Algorithmen

Übersicht. Aktivitäten-Auswahl-Problem. Greedy Algorithmen. Aktivitäten-Auswahl-Problem. Aktivitäten-Auswahl-Problem. Datenstrukturen & Algorithmen Datenstrukturen & Algorithmen Übersicht Greedy Algorithmen Einführung Aktivitäten-Auswahl-Problem Huffman Codierung Matthias Zwicker Universität Bern Frühling 2009 2 Greedy Algorithmen Entwurfsstrategie

Mehr

Übung 5, Analytische Optimierung

Übung 5, Analytische Optimierung Übung 5, 5.7.2011 Analytische Optimierung Aufgabe 5.1 Bei der Herstellung von Konserven werden für Boden und Deckel bzw. für den Konservenmantel verschiedene Materialien verwendet, die g 1 = bzw. g 2 =

Mehr

Klausur zur Vorlesung Logistik im Sommersemester 2015

Klausur zur Vorlesung Logistik im Sommersemester 2015 Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Florian Sahling Sitzplatznr.: Klausur zur Vorlesung Logistik im Sommersemester 2015 Hinweise:

Mehr

Aufstellen einer Funktionsgleichung nach vorgegebenen Eigenschaften

Aufstellen einer Funktionsgleichung nach vorgegebenen Eigenschaften Aufstellen einer Funktionsgleichung nach vorgegebenen Eigenschaften W. Kippels 10. April 2016 Inhaltsverzeichnis 1 Grundlagen 2 1.1 Prinzipielle Vorgehensweise.......................... 2 1.2 Lösungsrezepte................................

Mehr

1. Beispiel 1, die Tabelle Daten 1

1. Beispiel 1, die Tabelle Daten 1 Nachdem ich im letzten Newsletter einige Funktionen vorgestellt habe, biete ich im Newsletter vom März praktische Anwendungsbeispiele dazu an. Im ersten Beispiel in der Tabelle Daten1 geht es darum, gezielt

Mehr

a 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:

a 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema: Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag

Mehr

14. Das Minimumprinzip

14. Das Minimumprinzip H.J. Oberle Variationsrechnung u. Optimale Steuerung SoSe 2008 14. Das Minimumprinzip In diesem Abschnitt behandeln wir die Idee der dynamischen Programmierung, die auf Bellmann 31 (1957) zurückgeht und

Mehr

10. Die Berücksichtigung nicht vorzeichenbeschränkter Variablen

10. Die Berücksichtigung nicht vorzeichenbeschränkter Variablen 10. Die Berücksichtigung nicht vorzeichenbeschränkter Variablen Bisher haben wir immer vorausgesetzt, dass alle Variablen eines LOP der Bedingung x i 0 liegen. Im Folgenden wollen wir auch sogenannte freie

Mehr

Effiziente Algorithmen (SS2015)

Effiziente Algorithmen (SS2015) Effiziente Algorithmen (SS205) Kapitel 5 Approximation II Walter Unger Lehrstuhl für Informatik 2.06.205 07:59 5 Inhaltsverzeichnis < > Walter Unger 5.7.205 :3 SS205 Z Inhalt I Set Cover Einleitung Approximation

Mehr

Lineare Optimierung Dantzig 1947

Lineare Optimierung Dantzig 1947 Lineare Optimierung Dantzig 947 Lineare Optimierungs-Aufgaben lassen sich mit Maple direkt lösen: with(simplex): g:= 4*x + x2

Mehr

Wirtschaftsmathematik

Wirtschaftsmathematik Einführung in einige Teilbereiche der Wintersemester 2016 Prof. Dr. Stefan Etschberger HSA Mögliche Fälle für Z Etschberger - WS2016 1 Z =, d.h., es existiert keine zulässige (x 1, x 2 )-Kombination. 2

Mehr