Upload
vominh
View
221
Download
0
Embed Size (px)
Citation preview
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Vorlesungsbetreuer:Dipl.-Ing. A. [email protected] 53B, Raum 527Tel.: 80-27382
Produktionsmanagement II- Vorlesung 7 -
Supply Chain Management II
Bild Nr. I
V7 Seite I
Vorlesung 7
Lernziele der Vorlesung:
• Darstellung der Anforderungen an IT-Systeme im Supply Chain Management
• Überblick über Planungsverfahren im SCM sowie grundlegende OR-Verfahren
• Beispielhafte Darstellung von drei Rechenverfahren des OR
• Lineare Optimierung
• Evolutionäre Algorithmen
• Simulated Annealing
• Überblick über Probleme und Herausforderungen im SCM
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
V1 IT im ProduktionsmanagementV2 Customer Relations ManagementV3 Enterprise Resource Planning IV4 Enterprise Resource Planning IIV5 Enterprise Resource Planning IIIV6 Supply Chain Management IV7 Supply Chain Management IIV8 Product Lifecycle Management IV9 Product Lifecycle Management IIV10 Product Lifecycle Management IIIV11 Digitale Fabrikplanung und SimulationV12 Methodik zur Systemauswahl
QualitätsmanagementTechnische Investitions-planung
Kostenmanagement in Produktionsbetrieben
Produktionsmanagement II
Produktionsmanagement I Fertigungs- undmontagegerechte Konstruktion
Fabrikplanung
Innovationsmanagementmit Dr. Wiedeking
• Grundlagen
• Methoden und Hilfsmittel
• Ablauf- & Aufbauorganisation
• Konstruktionsaufgabe in Kleingruppe
• Konstruktionsbeispiele
• Konstruktionsrichtlinien
• Fertigungsmittelplanung
• Lager- & Transportplanung
• Personalplanung
• Integrierte Managementaufgabe
• Produkt- und Produktprogrammplanung
• Organisation und Mitarbeiterverhalten
• Kostenrechnung
• Investitionsrechnung & -bewertung
• Bilanzen
• Qualitätssicherungssysteme
• Qualitätsplanung
• Produkthaftung
• Fertigungsmittelplanung
• Technologieplanung
• Kostenrechnung
Vorlesungslandschaft des Lehrstuhls für Produktionssystematik (SS 2003)
Bild Nr. II
V7 Seite II
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
Literaturverzeichnis Vorlesung 7
Burkard, R.: Heuristische Verfahren zur Lösung quadratischer Zuordnungsprobleme. In: Zeitschrift für Operations Research. 19. Jg., 1975
Burkard, R.: Methoden der ganzzahligen Optimierung. Wien: Springer, 1972
Domschke, W.; Taktische Tabus, Tabu Search - Durch Verbote schneller Klein, R.; Optimieren -. In: Magazin für Computertechnik. 1996, Nr. 12 Scholl,
A.:
Engele, G.: Simultane Standort- und Tourenplanung. Köln: Heymann Verlag, 1980
Eversheim, W.: Prozessorientierte Unternehmensorganisation. Konzepte und Methoden zur Gestaltung „schlanker“ Organisationen. 2. Aufl. Springer, 1996
Eversheim, W.; Gestaltung von Produktionsbetrieben. (Reihe: Produktion und Schuh, G.: Management, Bd. 3). Springer, 1998
Eversheim, W.; Produktion und Management. Springer, 1999 Schuh, G.:
Gallus, G.: Heuristische Verfahren zur Lösung ganzzahliger linearer Optimierungsprobleme. In: Zeitschrift für Operations Research. 20. Jg., 1976
Grauel, A.: Neuronale Netze, Grundlagen und mathematische Modellierung. Mannheim: 1993
Hieber, R.: Supply Chain Management. A Collaborative Performance Measurement Approach. 2. Aufl. vdf Hochschulverlag der ETH Zürich, 2001
Horst, R.: Nichtlineare Programmierung. München: Hanser Verlag, 1979
Kallrath, J.: Gemischt-ganzzahlige Optimierung: Modellierung in der Praxis. Vieweg, 2002, ISBN 3-528-03141-7
Milberg, J.; Erfolg in Netzwerken. 1.Aufl. Springer, 2002 Schuh, G.:
Schöneburg, E.; Heinzmann, F.; Feddersen S.: Genetische Algorithmen und Evolutionsstrategien. Addison-Wesley, 1994
Schönsleben, P.: Integrales Logistikmanagement. Planung und Steuerung von umfassenden Geschäftprozessen. 2. Aufl.: Springer, 2000
Schuh, G.; Produktionskomplexität managen. Hanser Fachbuch, 2001 Schwenk, U.:
Voß, S.: Meta-Heuristics. Advances and Trends in Local search Paradigms for Optimization. Technische Universität Carolo-Wilhelmina zu Braunschweig
Wiendahl, H.-P.: Betriebsorganisation für Ingenieure. München: Hanser Fachbuch, 1989
V7 Seite III
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
Kurzinhalt Vorlesung 7
Im Rahmen dieser Vorlesung PM2 V7 wird zunächst ein kurzer Überblick über IT-Systeme im SCM gegeben. Dabei wird zunächst die historische Entwicklung betrachtet. Anschließend werden Anforderungen im SCM generell und für IT-Systeme im SCM im Besonderen dargelegt sowie offene Punkte und damit Entwicklungsbedarfe aufgezeigt.
Der zweite Teil der Vorlesung beschäftigt sich mit Planungsaspekten im SCM sowie mit Operations Research (OR). In einem grundsätzlichen Überblick werden der Begriff OR erläutert sowie die verschiedenen Anwendungsbereiche, Arten von Optimierungsproblemen und Verfahren strukturiert dargestellt.
Anschließend werden die Rechenverfahren Lineare Optimierung, Evolutionäre Algorithmen und Simulated Annealing auf teils hohem Detaillierungsniveau dargestellt. Auf diese Weise soll ein konkreter Einblick in die mathematischen Verfahren gegeben und damit eine bessere Vorstellung des dargestellten Themenbereiches ermöglicht werden. Ergänzt wird diese Darstellung mit konkreten Anwendungsbeispielen für die präsentierten Verfahren.
Am Ende werden in einer Folie Probleme und Beschränkungen des SCM aufgezeigt.
Vorlesung 7
V7 Seite IV
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
Glossar Vorlesung 7
Dynamische Optimierung liegt vor, wenn Optimierungsprobleme über mehrere Stufen oder Zeitabschnitte betrachtet werden.
Ein Evolutionärer Algorithmus (EA) ist ein Optimierungsverfahren, das als Vorbild die biologische Evolution hat.
Genetische Algorithmen (GA) sind Algorithmen, die eine Lösung zu einem nicht analytisch lösbaren Problem finden, indem sie "Lösungsvorschläge" solange verändern und miteinander kombinieren, bis einer den gestellte Anforderungen entspricht. Genauer sind GA heuristische Optimierungsverfahren und gehören zu den Evolutionären Algorithmen. Sie werden vor allem für Probleme eingesetzt, für die keine geschlossene Lösung vorliegt.
Als Heuristik bezeichnet man eine Strategie, die das Streben nach Erkenntnis und das Finden von Wegen zum Ziel planvoll gestaltet.
Kombinatorische Optimierung wird verwendet für lineare Probleme, die ganzzahlige oder binäre Lösungen erfordern.
Lineare Programmierung/Lineare Optimierung wird verwendet, wenn sowohl die Zielfunktion als auch die als (Un-)Gleichungen formulierten Restriktionen linear sind.
Metaheuristik: Strategie zur Steuerung von Heuristiken.
Nichtlineare Programmierung/Nichtlineare Optimierung liegt vor, wenn die Funktionen und die restriktiven Gleichungen nicht linear sind.
Perlenkette ist ein Begriff aus der Logistik, insbesondere dem Automobilbau, mit dem eine festgelegte Auftrags- bzw. Fertigungsreihenfolge bezeichnet wird. Ziel ist insbesondere, während des Durchlaufs der einzelnen Produktionsschritte die Reihenfolge der Aufträge ("die Perlenkette") beizubehalten, um Anforderungen an den Modellmix einzuhalten.
Als Supply Chain (deutsch: Lieferkette, logistische Kette oder auch Wertschöpfungskette) wird ein unternehmensübergreifendes virtuelles Organisationsgebilde (Netzwerk) bezeichnet, das als gesamtheitlich zu betrachtendes Leistungssystem spezifische Wirtschaftsgüter für einen definierten Zielmarkt hervorbringt. Beispiele für Supply Chains sind etwa die Lieferketten der Automobilindustrie oder die textile Wertschöpfungskette. Das Supply Chain Management (SCM)zielt in diesem Sinne auf eine langfristige (strategische), mittelfristige (taktische) und kurzfristige (operative) Verbesserung von Effektivität und Effizienz industrieller Wertschöpfungsketten ab.
Simulated Annealing (Simulierte Abkühlung) ist ein heuristisches Optimierungsverfahren der Informatik. Die Simulation erfolgt auf dem Computer. Es wird eingesetzt für Optimierungsprobleme, die durch ihre hohe Komplexität das vollständige Ausprobieren aller Möglichkeiten und einfache mathematische Verfahren ausschließen. Grundidee ist die Nachbildung eines Abkühlungsprozesses.
Stochastische Optimierung liegt vor, wenn in den Nebenbedingungen oder in der Zielfunktion Zufallsgrößen auftreten.
V7 Seite V
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Wichtige Begriffe dieser Vorlesung
Bild Nr. VI
• Supply chain (management)
• Lineare Optimierung/Lineare Programmierung
• Evolutionäre Algorithmen
• Genetische Algorithmen
• (Meta)Heuristik
• Simulated annealing
V7 Seite VI
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Einordnung des Vorlesungsabschnitts „SCM“ in den Gesamtkontext
CRMSCM
PL
M
KundenLiefe-ranten
Produkte
Ressourcen
ER
P
Unternehmen
Bild Nr. 1
V7 Seite 1
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
IT-Systeme im SCM: Entwicklung
Bild Nr. 2
MRP, MRPII
ERP
Network ResourcePlanning (NRP) SCM + ERP + CRM
Supply Chain Exzellenz
Zeit
SCM Planning & Execution Software
1975 19951985 2005
Die Entwicklung der Informationstechnologie hat wesentlich zur Innovation im Bereich des Supply Chain Management beigetragen.
Fokus auf einzelne Prozesse
Fokus auf Unternehmen
Fokus auf Wertschöpfungsnetzwerk
MRP, MRP II (Manufacturing Ressource Planning)
Fokus auf einzelne Prozesse: unabhängige Einzellösungen umgeben von einer integrierten Planung
ERP (Enterprise Ressource Planning)
Fokus auf Unternehmen: Aufgabe einiger Einzellösungsfunktionalitäten zugunsten einer höheren Integration
NRP (Network Ressource Planning)
Fokus auf Wertschöpfungsnetzwerk: webbasierte Netzwerke aus verschiedenen ERP- und SCM-Lösungen über alle Wertschöpfungsstufen hinweg
V7 Seite 2
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
IT-Systeme im SCM: Zentrale Erfolgsfaktoren
Bild Nr. 3
Supply Chain strategicalignment
Supply Chain planning
collaboration
Supply Chain execution
collaboration
Supply Chain IT-support
Supply Chain informationavailability
Supply Chain communication
Supply Chain know-How
Supply Chain skill sharing
Supply Chain (re-)
configuration flexibility
1
34
5
2
„Networked“ SCM =
webbasierte, unternehmensübergreifende
Zusammenarbeit in der Supply Chain
� Ziel: Informationsaustausch in Echtzeit zur Koordination und Synchronisation der Bedarfe und Lieferungen über das gesamte Netzwerk
� Folge: Verbindung von Unternehmen zu vernetzten, integrierten Supply Chains
KollaborationReaktionsvermögen
Koordination
Die drei zentralen Erfolgsfaktoren Kollaboration, Koordination und Reaktionsvermögen bilden die Basis für intensive unternehmensübergreifende Zusammenarbeit in der Supply Chain:
Kollaboration
Genaue Abstimmung der Produktion und des Transports zwischen deneinzelnen Stufen
Koordination
Zeitnahe und vollständige Kommunikation der Bedarfe über die gesamte Lieferkette
Reaktionsvermögen
Schnelle Transformation vom Auftragseingang über interne Bedarfsrechnung, Einlastung in die Produktion und davon abhängige Weitergabe an Einkauf oder Lieferant
Networked SCM ist eine Weiterentwicklung des SCM-Konzeptes. Es basiert im Wesentlichen auf Ansätzen des e-enabled Supply Chain Managements (eSCM) sowie des Suppler Relationship Managements (SRM).
Die geschilderten Anforderungen müssen in IT-Systemen im Bereich des SCM umgesetzt werden.
V7 Seite 3
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Praxisbeispiel: Perlenkette
Bild Nr. 4
� Gleichmäßig sequentielle Beschickung der Produktionslinie
� Einsparpotenziale von 25% ausschöpfen
Ziele
� Nähe des Lieferanten zum Hersteller
� Für „pure“ Perlenkette: Fehlen jeglicher Puffer
� Ersatz von Beständen durch Echtzeit-Datenübertragung
� Erhöhung der Vorlaufzeiten erleichtert Umsetzung des Konzeptes
Enabler
� Verwirbelungen
� Zeitspreizung in Linien
� Prozesssicherheit
� Verfügbarkeit
Probleme
� Sequenzausfälle durch Fehlerim Produktionssystem
� Abhilfe durch Lager
� Stabilität der Sequenz
Keine Puffer- bzw. Variationsmöglichkeiten
A1 A2 A3 A4
T_A4
T_A3
T_A2
M_A2
M_A3
M_A1
M_A4Z_A5
Z_A4 Z_A6
TIER 2
TIER 1
TIER 1JIS
JIS
JIS
Keine Puffer- bzw. Variationsmöglichkeiten
A1 A2 A3 A4A1 A2 A3 A4
T_A4
T_A3
T_A2
T_A4
T_A3
T_A2
M_A2
M_A3
M_A1
M_A4
M_A2
M_A3
M_A1
M_A4Z_A5
Z_A4 Z_A6
Z_A5
Z_A4 Z_A6
TIER 2
TIER 1
TIER 1JIS
JIS
JIS
Das Konzept der Perlenkette
Das Grundkonzept der Perlenkette klingt trivial, die Umsetzung ist jedoch kompliziert:
Ziel ist es, möglichst früh zu einer festgelegten Sequenzierung der Produkte zu gelangen, die dann den gesamten Produktionsprozess wie auf eine Perlenkette aufgezogen durchlaufen. Bei der Auftragseinplanung werden sämtliche Anforderungen der Produktionsbereiche sowie verschiedene Sonderabläufe von vornherein berücksichtigt.
Solch eine kontinuierliche sequentielle Beschickung der Produktionslinie ist in der Praxis jedoch sehr schwer zu erreichen. An unterschiedlichen Stellen kommt es immer wieder zu Verwirbelungen in Form von Qualitätsproblemen und Störungen, so dass Produkte aus der Sequenz herausgenommen, nachbearbeitet und schließlich wieder in den Produktionsfluss eingereiht werden müssen. Damit aber wird die Perlenkette zerstört.
Durch eine Erhöhung der Vorlaufzeit ist die Sequenzierung für die Lieferanten besser planbar.
V7 Seite 4
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Praxisbeispiel Perlenkette: smart
Bild Nr. 5
(Quelle: smart)
� Modullieferant beliefert nach Produktionssequenz bis an den Einbauort
� Falsch gelieferte Module werden auf jeden Fall eingebaut
Modularität
� Zulieferer direkt neben den Montagehallen untergebracht
� Frist von 1,5 bis 4 Stunden (für die Herstellung der Module in der geforderten Variante)
Kurze Wege und Zeiten
Smartville - die „Automobilfabrik der Zukunft“
Smartville ist die erste Fabrik im Automobilsektor, die der Vision der logistikfokussierten Fabrik folgt und versucht, das Perlenkettenkonzept umzusetzen. Gekennzeichnet ist diese Logistikfokussierung durch eine Endmontage, die vom Automobilhersteller verantwortet und durchgeführt wird, und ein abgestuftes Teilebelieferungssystem.
Die Prinzipien dieses Fabriktyps sind die Modularität, die Erweiterungsfähigkeit, die kurzen Wege und die Optimierung der Materialströme.
Die Firma sitzt in Hambach im französischen Lothringen. Das Werk hat eine maximale Kapazität von 150.000 Fahrzeugen pro Jahr. Ein SMART ist nach etwa 4,5 bis 5 Stunden produziert.
V7 Seite 5
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
IT-Systeme im SCM: Entwicklungsbedarfe
Bild Nr. 6
Optimierungsbedarf ist weiterhin groß!
� Unzureichende Berücksichtigung von Kapazitäten bzw. Engpässen
� Unzureichende Berücksichtigung aktueller Produktionsgegebenheiten
� Keine gemeinsame Erarbeitung von Prognose-Daten
� Datenverzerrung durch mangelnden Informationsaustausch
� Mangelnde Qualität von Rückmeldungen
� Unzureichende Berücksichtigung veränderter Rahmenbedingungen
� Steigende Abhängigkeit von Lieferanten aufgrund von Outsourcing
� Datenaustausch wegen fehlender Standards schwierig
V7 Seite 6
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Planung im SCM: Vorgehensweise & Anwendungsbereiche
Bild Nr. 7
Vorgehensweise
Problem analysieren
Bestimmung von Zielen Handlungsmöglichkeiten
Formulierung eines mathematischen Modells
Beschaffung benötigter Daten
Ermittlung einer Lösung
Bewertung der Lösung
Anwendungsbereiche (Beispiele)
Produktionsnetzplanung
Produktionsprogrammplanung
Maschinenbelegung
Losgrößenbestimmung
Verteilung von Produktionsaufgaben im Netz
…
Logistik
Bestandsmanagement
Transportplanung
Tourenplanung
Marketing
Finanzierung
Planung allgemein und damit auch OR-gestützte Planung im SCM vollzieht sich in einem komplexen Prozess mit sechs Schritten. Diese Schritte stellen eine Abstraktion realer Planungsprozesse unter Verwendung von OR dar.
Zwischen ihnen gibt es vielfältige Interpendenzen und Rückkopplungen. Sie sind als Zyklus zu verstehen, der i. A. mehrmals vollständig bzw. in Teilen durchlaufen werden muss.
V7 Seite 7
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Arten von Optimierungsproblemen
Bild Nr. 8
Optimierung
Stochastische Optimierung
Kombinatorische Optimierung
Dynamische Optimierung
Lineare Programmierung
Nichtlineare Programmierung
Stochastische Optimierung liegt vor, wenn in den Nebenbedingungen oder in der Zielfunktion Zufallsgrößen auftreten.
Dynamische Optimierung liegt vor, wenn Optimierungsprobleme über mehrere Stufen oder Zeitabschnitte betrachtet werden. Laut Optimalitätsprinzip von Bellman wird das Problem in die Stufen zerlegt und nur dort die relevante Entscheidungssituation gelöst. Es geht um die Realisierung eines globalen Gesamtoptimums, das von allen Teillösungen abhängt, z.B. bei bekannter Nachfrage die Produktion so zu organisieren, dass stets ein Mindestvorrat gesichert und die Lagerbestände nicht zu hoch sind. Bestimmung kürzester Wege, Knapsack-Problem, Lösung Travelling Salesman Problem (siehe unten).
Nichtlineare Programmierung, wenn die Funktionen und die restriktiven Gleichungen nicht linear sind. Lösung anhand von Multiplikatorverfahren von Lagrange, Kuhn-Tucker-Theorem. Lösung sehr komplex, Anwendungsmöglichkeiten nicht zahlreich.
Kombinatorische Optimierung für lineare Probleme, die ganzzahlige oder binäre Lösungen erfordern. Lösung erreichbar z. B. mittels Schnittebenenverfahren, Branch and Bound Methoden. Typische Aufgaben: Zuordnung von Standorten zu Regionen, Personen zu Aufgaben sowie zeit- oder kostenoptimale Reihenfolge von Aufträgen auf Maschinen, Touren- und Losgrößenplanungsprobleme.
Lineare Programmierung, wenn sowohl die Zielfunktion als auch die als (Un-)Gleichungen formulierten Restriktionen linear sind. Lösung z. B. mit Hilfe von Simplexverfahren. Typische Anwendungsbeispiele: gewinnmaximierende Produktion bei Beschränkung von Maschinenzeiten oder Arbeitskräften, kostenminimale Mischung von Rohstoffen/Substanzen, abfallminimaler Zuschnitt von Erzeugnissen.
V7 Seite 8
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Optimierungsverfahren des Operations Research
Bild Nr. 9
Deterministische Verfahren
Lineare Optimierung
Nichtlineare Optimierung
Heuristiken
Metaheuristiken
Evolutionäre Algorithmen
z. B. Genetische Algorithmen
Simulated Annealing
Tabu Search
Sintflut Algorithmus
Ameisenalgorithmen
…
Simulationsverfahren
z. B. Simplex Algorithmus
Constraint Programming
…
…
…
V7 Seite 9
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Lineare Optimierung 1: Grundsätzlicher Lösungsansatz
Bild Nr. 10
∑ ===
n
1jji cxxcF(x)
∑ =−=
n
1jjjiji bxa(x)g
)R(X n
+=
Zielfunktion F(x) ist linear:
Lineare Nebenbedingungen:
Entscheidungsvariablen xj nichtnegativ
Lineare Optimierung ist das wichtigste und und bekannteste Instrument des Operations Research. Unter Linearer Optimierung versteht man die Optimierung - d.h. Maximierung oder Minimierung - einer linearen Zielfunktion, deren Variable einem System von linearen Ungleichungen (so genannten Restriktionen) genügen müssen.
Definition
Beispiel (optimales Produktionsprogramm)
n Produkte
pj Produktpreis
kj direkte Herstellkosten
m Maschinen
aij Produktionskoeffizienten
bji Kapazität Maschine i
: wirdmaximal tragDeckungbei der dass derart,
),...,1( Menge fertigende zu die Bestimme njxj =
n,...,1j für 0xj
,...,m1i für bxa
:gungenNebenbedin den unter
)xk(pF(x)max
n
1j
ijij
n
1j
jjj
=≥
=≤
−=
∑
∑
=
=
Legende:
V7 Seite 10
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Lineare Optimierung 2: Vorgehen (Beispiel: graphische Lösung)
Bild Nr. 11
M: Maschinen
DB/Einheit: Deckungsbeitrag pro Einheit
optimale Lösung:
Deckungsbeitrag = 398
(mit x1=82, x2=78)
0x,0x
792x7x3
320x2x2
600x3x4
x3x2max
21
21
21
21
21
≥≥
≤+
≤+
≤+
+
unter den Nebenbedingungen
(Beispielaufgabe siehe Übung.)
V7 Seite 11
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Lineare Optimierung 3: Anwendungsgebiet Produktionsprogrammplanung
Bild Nr. 12
Bestimmung der optimalen Produktionsprogrammplanung bei Kapazitäts- und sonstigen Beschränkungen unter dem Gesichtspunkt der Kostenminimierung oder Gewinnmaximierung (z.B. optimale Fertigungs-, Schmelz- und Walzprogramme):
� Was soll produziert werden (welche Erzeugnisse)?
� Wie viel soll produziert werden (in welchen Mengen hinsichtlich der beschränkten Kapazität des Maschinenparks und der Arbeitskräfte)?
� Wie soll produziert werden (von welchen Produzenten, durch welches Produktionsverfahren)?
Aufgabe
� Produktions- und Absatzmengen sind (für alle Produkte) identisch; d. h. alle produzierten Produkte werden verkauft.
� Der Preis und die variablen Kosten sind für jedes Produkt konstant.
� Die Produktionskoeffizienten sind konstant.
� Die Kapazitäten sind konstant und im Planungszeitraum bekannt.
� Zwischen den Produkten existiert kein Absatzverbund.
� Rüstkosten und -zeiten werden nicht explizit berücksichtigt.
� Es existieren keine Kuppelprodukte.
� Es bestehen konstante Faktorpreise.
Prämissen
Die zugrunde gelegten Prämissen schränken den Einsatz des Verfahrens in der Praxis stark ein.
V7 Seite 12
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Lineare Optimierung 4: Anwendungsbeispiel
Bild Nr. 13
� Transportnetz umfasst 120 Ausgangsorte und 5000 Zielorte (Transporte von Lieferanten zu Produktionsorten, von Produktionsorten zu Kunden)
� Tägliche Transportplanung erfolgt pro Ausgangsort durch zentrale Planungsstelle
� Transportplanung bestimmt Zuordnung von Transportaufträgen zu Transporteuren
� Vereinbarung mit Transporteuren: Bereitstellung fixer Transportkapazität in bestimmter Höhe, Bereitstellung variabler Transportkapazität in bestimmter Höhe
Zentrale Transportplanung bei einem Metall-Unternehmen in den USA
cij Tarif von Transporteur j für
Transportauftrag i
fi Tarif Transporteur j pro fix
bereitgestelltes Fahrzeug
von Transporteur fix und variable
bereitgestellte Fahrzeugmenge
xij=1 wenn Auftrag i Transporteur j
zugewiesen wird, sonst 0
yi Anzahl nicht genutzter fix
bereitgestellter Fahrzeuge
, C C fj
vj
Parameter und Variablen
j,i,...2,1,0y},1,0{x
Fahrzeuge) zugesagter
fix genuzter nicht Anzahl(definiert jCyx
werden)tenüberschrit nicht darf (Kapazität jCCx
)zuzuordnen ist Auftrag(jeder i1x
yfxcmin
iij
i
fjiij
fj
i
vjij
j
ij
j
jj
i j
ijij
∀=∈
∀≥+
∀+≤
∀=
+
∑
∑
∑
∑∑∑
Lösungsansatz:
V7 Seite 13
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Heuristik
Bild Nr. 14
� Griechisch: heuriskein heißt Finden/Entdecken.
� In der Philosophie: Lehre von Methoden zur Erkenntnisgewinnung.
� In der Optimierung: Satz von häufig aus Plausibilitätsüberlegungen stammenden Regeln zur Konstruktion und Transformation von Lösungen mit dem Ziel der Gewinnung guter zulässiger Lösungen.
� Weder Auffinden optimaler noch zulässiger Lösungen garantiert.
� Nur ein kleiner Teil des Lösungsraums wird untersucht.
� Liegt eine Gütegarantie vor, so spricht man von Approximationsalgorithmen.
Pot(E) I∈
Beispiele für Heuristiken sind „Evolutionäre Algorithmen“.
Heuristische Verfahren
Trotz der Leistungssteigerung moderner EDV-Anlagen ist die exakte Lösung größerer ganzzahliger Optimierungsprobleme auch heute mit einem nicht zu vertretenden Rechenaufwand verbunden.
In Verlauf des Lösungsprozesses müssen im entstehenden Entscheidungsbaum zahlreiche Zweige abgearbeitet werden, die ohne Nutzen für die eigentliche Bestimmung des Optimums sind. Je früher man die Nutzlosigkeit eines solchen Zweiges erkennt, desto geringer ist der Rechenaufwand; es ist also sinnvoll die Zweige des Entscheidungsbaumes schon dann „abzuschneiden“, wenn man ihre Nutzlosigkeit mit bestimmter Wahrscheinlichkeit vermutet.
An diese Überlegungen anknüpfend konnten entsprechende heuristische Modifikationen von Entscheidungsbaumverfahren entwickelt werden.
V7 Seite 14
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
EA 1: Evolutionäre Algorithmen (EA): Übersicht
Bild Nr. 15
� Unter dem Begriff „Evolutionäre Algorithmen“ wird eine Zusammenfassung von verschiedenen Algorithmen verstanden, die ihre Lösungsmethode von der Evolution in der Natur abgeschaut haben. Evolutionäre Algorithmen sind also stochastische Suchverfahren, die sich am Vorbild der natürlichen Evolution orientieren.
� Evolutionäre Algorithmen arbeiten gleichzeitig auf einer Anzahl von potenziellen Lösungen, auf einer Population von Individuen. Auf diese Individuen wird das Prinzip “survival of the fittest“ angewendet, um im Sinne einer Zielfunktion immer bessere Individuen zu erzeugen.
� Die bekanntesten Vertreter der Klasse von Evolutionären Algorithmen (EA) sind:
� das Evolutionäre Programmieren (EP, Lawrence Fogel, San Diego)
� sowie die in Deutschland entwickelten Evolutionsstrategien (ES, Ingo Rechenberg und Hans-Paul Schwefel, Berlin) und
� die in den USA entwickelten Genetischen Algorithmen (GA, John Holland, Ann Arbor, Michigan).
Beispiel: Genetische Algorithmen als eine Gruppe von evolutionären Algorithmen setzen als Suchverfahren Strategien aus der Evolutionstheorie ein, um ein optimales Modell zu erhalten. Sie arbeiten nach dem Prinzip "Veränderung und Auslese". Dieses Prinzip wurde ebenso aus der Biologie übernommen wie die Fachwörter zum Thema GA. Individuen sind die zu optimierenden Einheiten. Mehrere Individuen, die zur gleichen Zeit entstanden sind, bilden eine Generation. Ähnlich wie die Natur arbeiten die genetischen Verfahren jeweils mit einer gewissen Anzahl von mehr oder minder guten Lösungen, die auch Individuen genannt werden und die gemeinsam eine Population darstellen. DieIndividuen in der Natur vermehren sich und sterben; sie paaren sich und passen sich ihrer Umgebung an. Die gleichen Vorgänge ahmt man bei den genetischen Algorithmen nach; starke Individuen überleben, passen sich der Umgebung an ("mutieren sich") und vermehren sich; Schwache sterben aus. Man geht aber in der Regel davon aus, dass die Gesamtbevölkerung konstant bleibt.
V7 Seite 15
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
EA 2: Das Grundprinzip der Genetischen Algorithmen
Bild Nr. 16
Informationsstring = Chromosom Parameter, Eigenschaft = Gen Wert des Parameters oder der Eigenschaft = Allel
Position des Parameters innerhalb des Informationsstrings = LocusDatenstruktur = Genotyp, GenomLösungsalternativen = Phänotyp
Terminologie der Genetischen Algorithmen
11011101 26
00001010 15
00111110 4
01111011 11
00110101 19
11100111 11
01101000 9
10000110 5
Generation k Selektion Crossover Mutation Generation k+1
00110101
11011101
01111011
11011101
11011101
01101000
00110101
01101000
00011101
11010001
11111011
01011101
01001101
11011000
00111100
01100101
00111101
11010101
11111011
01011101
01101101
11011000
00111000
01100101
Individuum Fitness
Selektion Crossover MutationGeneration k Generation k+1
Selektion
Für die Reproduktion werden bevorzugt diejenigen Strings ausgewählt, die eine hohe Fitness besitzen. Die Suche konzentriert sich auf die erfolgversprechenden Bereiche des Modellraums.
Crossover
Zwei Strings werden zu zwei neuen Strings kombiniert, die Erbinformationen beider Elternteile enthalten. Kreuzung ist gemeinsam mit der Selektion für die globale Exploration des Modellraumes wichtig.
Mutation
Zufällige Mutation an einem String mit geringer Wahrscheinlichkeit. Mutation sichert die Diversität innerhalb der Population und bildet zusammen mit der Selektion die lokale Komponente bei der Suche.
V7 Seite 16
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
EA 3: Beispiel aus dem Umfeld SCM
Situation: n Aufträge
Auftrag 1Auftrag 2
Auftrag n-1Auftrag n
…
Parameter 1 (Losgröße)Parameter 2 (Kapazitätsbedarf)Parameter 3 (DLZ, Termintreue)
Auswahl und Reihenfolgen-bestimmung der optimalen Auftragskombination hinsichtlich der Erfüllung bestimmterZielkriterien (z.B. max. Kapa-zitätsauslastung, min. DLZ, etc.)� Bestimmung der „Fitness“
einer Auftragskombination
Lösung: Genetischer Algorithmus
…
Parameter m-1Parameter m
Ziel:
Anzahl möglicher Kombinationen (= 2n) sprengt i.d.R. das Leistungs-volumen heutiger Rechner
Lösungsmenge mit 2n Kombinationen
Zufällige Auswahl der 1. Generation
Bewertung der Fitness
…
010001011
010010011
011010101
001010011
120
30
45
100
…
Mutation, Cross-over, Elimination
…
010001011
010010011
011010101
001010011
ersetzen
mutieren
Crossover
Zusammenstellung der 2. Generation
…
010000011
010011011
11110001
101010011
Bewertung der Fitness
70
50
95
160
…
Bild Nr. 17
Beim Genetischen Algorithmus werden folgende Iterationsschritte solange durchgeführt, bis ein zuvor festgelegtes Abbruchkriterium erfüllt ist:
� Auswahl einer endlichen, überschaubaren Anzahl an Programmalternativen
� (Fitness-) Bewertung der Programmalternativen hinsichtlich zuvor bestimmter Zielgrößen (z. B. DLZ, Termintreue, Kapazitätsauslastung)
� Mutation, Crossover, Elimination der Programmalternativen entsprechend ihrer Fitness sowie Ersetzen der eliminierten Alternativen durch neu generierte Alternativen
� Bewerten der neu entstandenen Generation
V7 Seite 17
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
EA 4: Typisches Anwendungsbeispiel für Heuristiken
Bild Nr. 18
Travelling Salesman Problem
NjNix
nUmitNUx
Nix
Njx
xd
ij
Ui UNj
ij
Nj
ij
Ni
ij
Ni Nj
ijij
∈∀∈∀∈
−≤≤⊂∀≥
∈∀=
∈∀=
∑ ∑
∑
∑
∑∑
∈ ∈
∈
∈
∈ ∈
,}1,0{
221
1
1
min
\
Lösungsansatz:
� Gegeben: n Orte i N={1,…,n} mit Distanzen dij zwischen Ort i und Ort j
� Gesucht: Rundreise über alle n Orte mit minimaler Gesamtlänge
� Formal: min {c(π): π Permutation von N}
� Auf unterschiedliche Weise als gemischt-ganzzahligesProgramm formulierbar, z. B.:
∈
1ni1i ,,
1n
1i
dd)(c πππ
−
=
π +=π +∑
NB:
2
4
3
5
7
61
d25
d12
d13
d24
d14
d47
d43
d54
d37
d56
d76
2
4
3
5
7
61
d25
d12
d13
d24
d14
d47
d43
d54
d37
d56
d76
Die binären Variablen xij nehmen den Wert 1 an, wenn der Pfeil in der Rundreise liegt, und ansonsten nehmen sie den Wert 0 an.
Die ersten beiden Mengen von Nebenbedingungen garantieren, dassjeder Ort genau einmal erreicht und genau einmal verlassen wird.
Die letzte Nebenbedingung gewährleistet, dass die zu bestimmendeRundreise alle Knoten des Graphen enthält.
V7 Seite 18
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
EA 5: Herausforderungen, Vor- und Nachteile
Bild Nr. 19
� Wahl des Codierungsverfahrens
� Fitnessfunktion (insbesondere Detaillierungsgrad)
� Wahl der Populationsgröße
� Wahl der Crossover-Operatoren
� Festlegung der Wahrscheinlichkeiten für Veränderungsoperatoren
Herausforderungen
Einsatz auch möglich, wenn kein spezifisches (deterministisches) Lösungsverfahren bekannt ist.
Schnelles Finden guter Lösungen.
Findet fast nie optimale Lösung. Qualität der gefundenen Lösung unklar.
Kann in lokalen Optima „stecken bleiben“.
Vor- und Nachteile
+
+
-
-
V7 Seite 19
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Metaheuristik
Bild Nr. 20
Metaheuristiken sind heuristische Konzepte und Leitlinien zur Steuerung des Ablaufs untergeordneter (problemspezifischer) Heuristiken zur Lösung eines Optimierungsproblems.
Definition 1
Metaheuristiken sind iterative Verfahren, die untergeordnete Heuristiken einsetzen und Informationen aus den einzelnen Iterationen strukturieren und verarbeiten. Zielsetzung ist die „effiziente“ Bestimmung von Lösungen nahe dem Optimum.
Definition 2
Ein Beispiel für eine Metaheuristik ist das Simulated Annealing.
Im Rahmen von heuristischen Verbesserungsverfahren besteht die Gefahr, dass die Suche in einem lokalen Optimum „stecken bleibt“. Zur Überwindung dieser Problematik dienen übergeordnete Strategien zur Steuerung von Heuristiken, die man als Metaheuristiken bezeichnet.
Heuristik Heuristik
Steuerung durch Metaheuristik
V7 Seite 20
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Beispiel für Metaheuristiken: Simulated Annealing (SA) – Grundidee
Bild Nr. 21
Simulated Annealing
Simulated Annealing (SA) ist die stochastische Variante der lokalen Suche (iterativen Verbesserung):
• Beim SA wird mit einer zulässigen Lösung des kombinatorischen Optimierungsproblems gestartet und eine zufällig gewählte benachbarte Lösung erzeugt.
• Hat diese einen besseren Zielfunktionswert, geht man zu ihr über und iteriert; andernfalls akzeptiert man die neue Lösung nur mit einer gewissen Wahrscheinlichkeit. Diese Wahrscheinlichkeit nimmt mit steigender Iterationszahl ab.
• Das Akzeptieren von schlechteren Zuständen dient dazu, nicht in lokalen Optima zu verharren, sondern zu einem globalen Optimum zu gelangen.
Das Verfahren beruht auf der Analogie zum Prozess des Abkühlens von Material. Das Material wird über den Schmelzpunkt erhitzt und dann langsam abgekühlt; die Anordnung und Bewegung der einzelnen Moleküle ist dabei stochastisch.
Ziel ist die Gewinnung idealer Kristalle (optimaler Energiezustand, niedrige Entropie). Der Kristallisationspunkt wird erreicht, wenn das Material erstarrt.
Im thermischen Gleichgewicht wird der Energiezustand E bei der Temperatur T mit einer
Wahrscheinlichkeit von angenommen, wobei kB die so genannte Boltzmann-
Konstante ist.
Abkühlprozess von Materialien
)TkE
exp()T|EX(P B
−==
Eine Gruppe von Meta-Heuristiken erlaubt neben verbessernden temporär auch verschlechternde Züge. Dabei muss jedoch darauf geachtet werden, dass die Suche nicht ins „Kreisen“ gerät, also immer wieder dieselbe Folge von Lösungen erzeugt.
V7 Seite 21
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Probleme und Herausforderungen im SCM
Bild Nr. 22
� SCM und Marktplatzkonzepte setzen die volle Transparenz aller Beteiligten voraus
� Verschiedene Teilnehmer haben an Transparenz aus unterschiedlichen Gründen kein Interesse
� Intransparenz und Informationsasymmetrien sind die Basis unseres Wirtschaftssystems
� Fungibilität (Wandelbarkeit, Handelbarkeit) von Handlungsgütern (insbesondere Zwischenprodukten) ist oft nicht gegeben: Welchen Mehrwert schafft z. B. das für eine Montage nötige Know-How?
� Marktplätze: Oft werden nur 20% der Teile einer Firma über Marktplätze gehandelt (Ziel: > 50%)
� OR-Modelle und -Methoden sind oft zu begrenzt, um Problemstellungen aus der Praxis und ein turbulentes Umfeld hinreichend genau abzubilden
V7 Seite 22
Vorlesung 7
Produktionsmanagement II (Prof. Schuh)
Supply Chain Management II
WZL©
Lessons learned
Bild Nr. 23
• IT-Systeme sind wichtig für das Supply chain management.
• Es gibt fünf wichtige Arten von Optimierungsproblemen:– dynamische Optimierung,
– lineare Programmierung,
– nichtlineare Programmierung,
– kombinatorische Optimierung und
– stochastische Optimierung.
• Ein wichtiges Optimierungsverfahren ist lineare Programmierung (auch lineare Optimierung genannt).
• Die wichtigsten evolutionären Algorithmen sind genetische Algorithmen und simulated annealing.
• Genetische Algorithmen beginnen mit einer Generation von Individuen. Durch Selektion, Crossoverund Mutation entsteht eine neue (meist, aber nicht immer bessere) Generation.
V7 Seite 23
Vorlesung 7