Kapitel 5
Operative Planungsprobleme
Operations Management Kapitel 5 / 2(c) Prof. Richard F. Hartl
5.1. Prognoseverfahren Ziel aus Vergangenheits-Daten Schlüsse über die
zukünftige Nachfrage ziehen
wichtig bei:
bei Endprodukten, wenn man Make to Stock (und nicht Make to Order) betreibt
wenn es sich um geringwertige Güter (Hilfsstoffe, Verschleißteile, C-Produkte, etc.) handelt, bei denen sich der Aufwand für andere Verbrauchsermittlungsverfahren nicht lohnen würde
bei untergeordneten Erzeugnissen, die in sehr vielen übergeordneten Erzeugnissen eingehen, sodass der Bedarf einen sehr regelmäßigen Verlauf annimmt
wenn die Daten für programmorientierte Verfahren nicht zur Verfügung stehen (z.B. Ersatzteilverbrauch)
Operations Management Kapitel 5 / 3(c) Prof. Richard F. Hartl
Verfahren
Erklärende Prognosen:
bringen den zukünftigen Verlauf in Zusammenhang mit anderen Zeitreihen (z.B. Konjunktur)
eher für Branchen, nicht für einzelne Produkte geeignet
u. U. von Interesse für langfristige Planung Regression, OLS
Univariate Prognosen:
ermitteln mutmaßliche Nachfragewerte allein aufgrund vergangener Nachfragwerte des jeweiligen Produktes
besonders wichtig für Mittelfristplanung Zeitreihenprognose
Operations Management Kapitel 5 / 4(c) Prof. Richard F. Hartl
Verfahren II
singuläre Ereignisse:
Kenntnisse über künftige Ereignisse, die man nicht aus den Vergangenheitswerten der Zeitreihe entnehmen kann, die jedoch den Nachfragverlauf nachhaltig beeinflussen.
z.B. Steigerung des Bierverbrauchs aufgrund einer bevorstehenden Milleniumsfeier, Marketingaktionen, Gesetztesänderungen, etc.
werden meist als einfacher Zuschlag berücksichtigt
Wir werden uns hier vorrangig mit Zeitreihenprognosen (II) befassen.
Operations Management Kapitel 5 / 5(c) Prof. Richard F. Hartl
Zeitreihenprognose Gegeben: Zeitreihen {dt: t = 1,…, T}, d.h. Vergangenheitsdaten
dt ,…dT-1 und der gegenwärtige Nachfragewert dT, d.h. der letzte
gemessene Nachfragewert.
Prognoseaufgabe: vom Gegenwartszeitpunkt T aus erstellte Prognosen für Perioden in die Zukunft bezeichnen wir mit pT () mit = 1, 2, …., also die Prognose für die Nachfrage dT+ zum Zeitpunkt T.
Wenn nun für die Perioden T+1 bis T+ Prognosen
pT (1), ... , pT () abgegeben werden, so ergibt sich durch
Vergleich mit der sich dann tatsächlich realisierenden Nachfrage
dT+1, ... , dT+ jeweils ein Prognosefehler ei( )=dt – pi ( ), wobei
i + = t. Vereinfacht dargestellt für = 1:
et-1 (1)= et
Operations Management Kapitel 5 / 6(c) Prof. Richard F. Hartl
Zeitreihenprognose II
Ferner kann man in der gewählten bzw. ermittelten Formel für pT ( ) auch < 0 wählen und so ex-post Prognosen für die Zeitpunkte 1, ... T berechnen, ebenso wie die ex-post Prognosefehler e2, ... , et. Letzteres z.B. um die Güte diverser Prognoseverfahren zu bewerten.
Zeitpunkte 1 2 ... T T+1 ... T+
Beobachtungen d1 d2 ... dT
Prognose pT (1) ... pT ( )
Prognosefehler eT (1) ... eT( )
ex-post Prognosen p2 ... pT
ex-post Prognosefehler e2 ... eT
Operations Management Kapitel 5 / 7(c) Prof. Richard F. Hartl
Zeitreihenprognose III Maßzahlen für die Güte einer Prognose stellen Mittelwert und Streuung der
Prognosefehler dar. Für die ex-post Prognosefehler gilt:
In der betrieblichen Praxis werden häufig die MAD (mean absolute deviation, mittlere absolute Abweichung), MAPD (mean absolute percentage deviation) und MSE (mean squared error) verwendet,
T
ttT e
21
1 bzw.
T
ttT e
2
21)1(
1ˆ
t
kktt TteMAD
21
1 1
Ttt
deMAPD
t
k kkt
1
1
|/|100 2
Ttt
eMSE
t
k kt
2
22
2
sowie auch als Streumaß die Spannweite ( ), die deutlich weniger Information bieten.
)(min)(max kkkk ee
Operations Management Kapitel 5 / 8(c) Prof. Richard F. Hartl
Zeitreihenprognose IV Wir besprechen einige einfache univariate Prognoseverfahren, die auf
Zeitreihen mit: (1) konstantem Verhalten
(2) trendförmigem Verhalten
t
r t
Zeitreihe steigt merkbar über die Zeit
Trend
t
r t
jahreszeitliche Schwankungen
Saisonalität (3) saisonalem Verhalten angewandt werden.
Operations Management Kapitel 5 / 9(c) Prof. Richard F. Hartl
5.1.1 Zeitreihen mit konstantem Verhalten
Zeitreihen mit konstantem Verhalten weisen weder Trend noch Saisonalität auf und sind am einfachsten zu behandeln. Dabei sind folgende Vorgangsweisen denkbar:
5.1.1.1 naive Prognose, Letztwert - Prognose
Man nimmt an, dass sich die Nachfrage in Zukunft wie in der Gegenwart entwickeln wird, d.h. die Vergangenheit wird ignoriert. Falls die Nachfragewerte aber doch um einen Mittelwert schwanken, ist es sinnvoller, Vergangenheitswerte mit einzubeziehen (Mittelbildung).
TT dp 1bzw. TT dp )(
Operations Management Kapitel 5 / 10(c) Prof. Richard F. Hartl
Der gleitende Durchschnitt prognostiziert die Zeitreihe einfach als Mittelwert (Durchschnitt)
der Nachfrage über einem „Träger“ der letzten n Nachfragewerte dT-n+1, ... , dT, wobei der
Schätzwert pT ( ) der Zeitreihe im Zeitpunkt T wie folgt berechnet wird.
5.1.1.2 Gleitender Durchschnitt
„Gleitend“ ist der Durchschnitt insofern, als bei einer Prognose im nächsten Zeitpunkt T+1 der älteste Wert dT-n+1 durch den neuen Wert dT+1 „verdrängt“ wird.
TnT
n
k
kTT dd
nn
dp
...1
)( 1
1
0
für n ≤ T, für n > T, muss n = T gewählt werden
Operations Management Kapitel 5 / 11(c) Prof. Richard F. Hartl
Wesentlich für die Güte der Prognose ist die Wahl des Zeitraums n:
Gleitender Durchschnitt II
n zu groß man kann temporäre systematische Schwankungen nicht mehr erfassen.
Nachteil des Verfahrens ist die Tatsache, dass zunächst alte Vergangenheitswerte als gleich wertig mit dem neuesten Nachfragewert behandelt werden und dann plötzlich überhaupt ignoriert werden. Dieser Nachteil wird im folgenden Verfahren behoben, in dem Vergangenheitswerte „langsam in Vergessenheit geraten“ bzw. ihre Relevanz verlieren.
n zu klein man reagiert zu stark auf nichtsystematische (d.h. stochastische) Schwankungen.
Operations Management Kapitel 5 / 12(c) Prof. Richard F. Hartl
Man prognostiziert:
5.1.1.3 einfache Exponentielle Glättung
wobei der Schätzwert ST das mit gewichtete arithmetische Mittel aus altem Schätzwert ST-1 (aus den Beobachtungen bis zum Zeitpunkt T-1) und neuer Information dT ist.
Der Mittelwert über die ersten n Beobachtungen wird zur Bestimmung eines Startwerts ST-1 heran gezogen, wobei n mithilfe von bestimmt wird.
TT Sp
1,0 )1(: 1 TTT SdSnT
Man kann die Beziehung für T-1 einsetzen:
211 )1( TTT SdS 22
1 11 TTTT SddS usw.
Man erhält auf diese Weise: kTk
kT daS
0
1
Operations Management Kapitel 5 / 13(c) Prof. Richard F. Hartl
Dies gilt sofern die Zeitreihe wirklich lange in die Vergangenheit zurückverfolgt werden kann. Für großes k ist der Faktor (1-)k allerdings verschwindend klein, sodass praktisch kein Fehler begangen wird wenn nur eine endliche Summe betrachtet wird. Der Schätzwert ergibt sich durch "exponentielle" Gewichtung der Vergangenheitswerte. Name "exponentielle Glättung.
„Glättung“ bedeutet, dass die geglättete Zeitreihe {St} weniger Schwankungen aufweist, als die ursprüngliche, {dt}.
Exponentielle Glättung II
d.h. die neue Schätzung unterscheidet sich von der alten um den durch gewichteten (vor herigen) Schätzfehler .
Die Rekursionsformel für die ST läßt sich auch schreiben als:
11 TTTT SdSS
1 TTT Sde
Operations Management Kapitel 5 / 14(c) Prof. Richard F. Hartl
Die Wahl von ist ähnlich kritisch wie die von n beim gleitenden Durchschnitt:
Exponentielle Glättung III
= 0 ST = ST-1 und die Schätzung reagiert überhaupt nicht auf die neue Zeitreiheninformation
In der Praxis wählt man häufig = 0,1 bis = 0,3. Oft wird auch durch Simulation optimiert.
= 1 es zählt nur der Gegenwartswert dT
Wichtig: Achten Sie darauf, dass genügend Vergangenheitswerte vorhanden sind, bzw. dass ein guter Anfangswert ST-1 berechnet werden kann.
Operations Management Kapitel 5 / 15(c) Prof. Richard F. Hartl
Beispiel: α = 0,2
Exponentielle Glättung IV
42,0/)2,01( n
t 1 2 3 4 5 6 7 8
dt 15 21 17 18 22 23 26 24
pt( )
75,174/)18172115(4 S (Mittelwert der ersten vier Werte)
6,1875,178,0222,05 S 6,18)(5 p
48,196,188,0232,06 S 48,19)(6 p
78,2048,198,0262,07 S 78,20)(7 p
43,2178,208,0242,08 S 43,21)(8 p
18,6 19,48 20,78 21,43
Operations Management Kapitel 5 / 16(c) Prof. Richard F. Hartl
5.1.2 Zeitreihen mit trendförmigem Verhalten
t
d t
T+
Trend
T
hT bT 1
pT ( )
Falls ein linearer Trend, aber kein saisonaler Effekt an Hand der bestehenden Daten abgelesen werden kann, basieren die berechneten Prognosewerte auf folgendem Schema:
TTT bhp )( bzw.
)()( TbapT
Operations Management Kapitel 5 / 17(c) Prof. Richard F. Hartl
Lineare Regression (OLS)
Dabei werden und b so bestimmt, dass die Summe der Quadrate der Abweichungen dt - Rt minimal wird:
Methode der kleinsten Quadrate
Man approximiert die Werte dt durch eine möglichst gut passende Gerade Rt = α + bt und die Prognose erfolgt über
)(TbpT
t
d t
Trend
a
1
b
d
t
min)]([1
2
T
tt tbad
Operations Management Kapitel 5 / 18(c) Prof. Richard F. Hartl
Als Ergebnis dieser einfachen Optimierungsaufgabe erhält man (wenn die Beobachtungen zu den Zeitpunkten 1, 2, ... , T vorliegen):
Lineare Regression II
T
t
T
tt
tt
ttdb
1
2
1
)(
)(und tbda wobei
T
ttT dd
1
1
Bei äquidistanten Beobachtungen der erklärenden Variablen (bei Zeitpunkten meist gegeben) gilt: t = (erster Zeitpunkt + letzter Zeitpunkt)/2.
Also: 21211
1
1
TTTtt T
T
tT
Operations Management Kapitel 5 / 19(c) Prof. Richard F. Hartl
Lineare Regression III
Randbemerkung: Bei nicht-äquidistanten Beobachtungen 1, ... n der erklärenden Variablen t bzw. Beobachtungspunkten
(1, d1), ... , (n, dn) ist die Formel leicht abzuändern:
n
ii
n
iiid
b
1
2
1
)(
)(
und bda
wobei
n
iit dd
1
1 und
n
iin
1
1
Operations Management Kapitel 5 / 20(c) Prof. Richard F. Hartl
Klarerweise ist diese Formel für äquivalent mit der Darstellung
Lineare Regression IV
Es wird kein Unterschied gemacht zwischen der Bedeutung der ältesten bekannten Beobachtung und der der letzten Beobachtung.
Angenommen die letzte Beobachtung ist für die Prognose der Zukunft relevanter als länger zurückliegende, kann man wieder das Prinzip der exponentiellen Glättung anwenden, allerdings in einer leicht veränderten Form -> trendbereinigte exponentielle Glättung!
2
11
2
1
)(
n
ii
n
ii
n
iii
n
ddb
in der Literatur.
Operations Management Kapitel 5 / 21(c) Prof. Richard F. Hartl
Diese entspricht der einfachen exponentiellen Glättung wobei ein Korrekturterm für den Trend verwendet wird:
5.1.2.2 Trendbereinigte Exponentielle Glättung
TTT bhp wobei ][1 11 TTTT bhdh
11 )1()( TTTT bhhb und
bT ist der Betrag, um den die Nachfrage im Durchschnitt pro Periode steigt.
bT ist aber zunächst nicht bekannt, also muss ein geeignetes Verfahren zu dessen Schätzung herangezogen werden.
am besten geeignet ist die lineare Regression.
Operations Management Kapitel 5 / 22(c) Prof. Richard F. Hartl
Trendbereinigte Exponentielle Glättung II
Schritt 1 bestimme den neuen Schätzwert für den Absatz:
Schritt 2 bestimme den neuen Schätzwert für den Trend:
Schritt 3 bestimme den Prognosewert für T+ :
bT…Schätzwert für den Trend basierend auf den Daten d0 bis dT
][1 11 TTTT bhdh
11 )1()( TTTT bhhb
TTT bhp
Operations Management Kapitel 5 / 23(c) Prof. Richard F. Hartl
Trendbereinigte Exponentielle Glättung III Beispiel:
t 1 2 3 4 5 6 7 8 9 10 11 12
dt 15 21 17 18 22 27 23 29 32 28 25 32
ht 18,5
bt 0,50
pt 19
Startwerte bestimmen: lineare Regression auf Basis der Perioden 1 bis 4:
75,17d 5,2t b=0,5 (Regression) 5,18)45,2(4 bdh
Startwert für den Trend b4 = 0,5
Startwert für den Schätzwert h4 = 18,5
Somit prognostizieren wir p5 = p4(1) = h4 + b4
Operations Management Kapitel 5 / 24(c) Prof. Richard F. Hartl
Trendbereinigte Exponentielle Glättung IV
58,22)89,058,21(8,0232,07 h
2,0
6,19)5,05,18(8,0222,05 h 62,05,08,0)5,186.19(2,05 b
20,22=,620+6,191 65 pp 20,84=,6202+6,1925 p
58,21)62,06,19(8,0272,06 h 89,062,08,0)6,1958,21(2,06 b 47,2289,058,211 76 pp
91,089,08,0)58,2158,22(2,07 b
23,49=,910+58,221 87 pp
t 1 2 3 4 5 6 7 8 9 10 11 12
dt 15 21 17 18 22 27 23 29 32 28 25 32
ht 18,5
bt 0,50
pt 19
19,6
0,62
21,58
0,89
20,22
22,58
0,91
22,47
24,59
1,13
23,49 25,72
1,38
26,98 28,29
1,37
28,36
28,73
1,18
29,66
30,33
1,27
29,91
und so weiter…
Operations Management Kapitel 5 / 25(c) Prof. Richard F. Hartl
5.1.3 Zeitreihen mit saisonalem Verhalten
Für die mittelfristige Planung von besonderer Bedeutung (Zeitraum von ein bis zwei Jahren): bei vielen Produkten sind jahreszeitliche Schwankungen typisch.
Annahme: Trend ist konstant Wir stellen hier nur eine Methode vor: Gleitender Durchschnitt unter Berücksichtigung der
Saisonalität
Msap TTT ,...,1
aT…ergibt die prognostizierte Nachfrage ohne Berücksichtigung der Saisonalität sT+ …Saisonkoeffizient für Periode T+ Mit Hilfe von aT berechnet man den sog. Saisonkoeffizienten:
1
0
n
k
kTT n
da
Operations Management Kapitel 5 / 26(c) Prof. Richard F. Hartl
Zeitreihe mit Saisonalem Verhalten II
Mitteln von über K+1 Saisonkoeffizienten gleicher Phase (den gegenwärtigen und K vergangene, , wobei M die Länger einer Saison ist):
Ts
MTK /
1
ˆ...ˆˆ
K
ssss KMTMTT
T
So erhält man den Zeitreihenschätzwert:
,....2,1, kkMsap TTT
M…Länge der Saison Prognose:
Msap MTTT ,...,1 bzw.
Mksap kMTTT /,
Operations Management Kapitel 5 / 27(c) Prof. Richard F. Hartl
Zeitreihe mit Saisonalem Verhalten III
Beispiel: folgende Nachfragedaten (halbjährlich, M = 2):
Per. 1/01 2/01 1/02 2/02 1/03 2/03 1/04 2/04
t 1 2 3 4 5 6 7 8
dt 7 10 9 11 8 13 10 13
Offensichtlich ist im ersten Halbjahr die Nachfrage im Normalfall niedriger.
Operations Management Kapitel 5 / 28(c) Prof. Richard F. Hartl
Zeitreihe mit Saisonalem Verhalten IV
1. Schritt: Ermittlung der momentanen Saisonkoeffizienten:
Gemittelte Saisonkoeffizienten über mehrere Jahre (hier über alle):
at 8,5 9,5 10 9 10,5 11,5 11,5
1,18 0,95 1,1 0,89 1,24 0,87 1,13
st 1,18 0,95 1,14 0,92 1,17 0,90 1,16
ts
T
TT a
ds ˆ wobei
1
0
n
k
kTT n
da
Gemittelt über dT-1 und dT, dh gemittelt über n=2 Perioden:
Operations Management Kapitel 5 / 29(c) Prof. Richard F. Hartl
Zeitreihe mit Saisonalem Verhalten V
Oft werden noch die aktuellen (gemittelten) Saisonfaktoren so korrigiert (normalisiert), dass ihre Summe über einen vollen saisonalen Zyklus M (also hier 2) ergibt.
M
ttTT sMss
1
)(
Die Saisonfaktoren for 2004 könnten also wie folgt korrigiert werden:
und,8701,16)2/(0,9*0,97 s 1,131,16)2/(0,9*1,16s8
Aus Gründen der Bequemlichkeit wollen wir das hier aber nicht weiter tun.
Einschrittprognose pT(1)=pT+1=aTsT+1-2
Pt(1) 11,2 9,5 10,3 9,66 13,5 10,4
Zum Beispiel: p3(1)=p4=a3*s2=9,5*1,18=11,2 (Schätzwert für Periode 4)
Operations Management Kapitel 5 / 30(c) Prof. Richard F. Hartl
5.1.4 Zeitreihen mit Trend und Saisonalität
ebenfalls für die mittelfristige Planung von besonderer Bedeutung Grundidee dieses Prognoseverfahrens:
1. Ermittlung der Saisonkoeffizienten
Obiges Beispiel:
2. Saisonbereinigte Zeitreihe: Beobachtung / Saisonkoeffizienten 3. lineare Regression (oder exp. Glättung) der saisonbereinigten Zeitreihe 4. Prognose = Wert der Regressionsgerade * Saisonkoeffizienten
Saisonbereinigte Zeitreihe (Saisonkoeffizienten 0,9 bzw. 1,16)
7,77 8,62 70 9,48 8,88 11,2 11,1 11,2Zt
Operations Management Kapitel 5 / 31(c) Prof. Richard F. Hartl
Zeitreihe mit Trend und Saisonalität II
Diese Werte seien nun die dt, die mittels Regression analysiert werden sollen. Der Mittelwert der Beobachtungen (n=T=8) sowie der Zeitpunkte ist:
= (7,77+8,62+10+9,48+8,88+11,2+11,1+11,2)/8 = 78,25/8 = 9,78d
t = 4,5
Zur Berechnung der Regressionskoeffizienten benötigt man:
T
tt ttd
1
)( = -(7,77*3,5) - (8,62*2,5) - (10*1,5) - (9,48*0,5)
+ (8,88*0,5) + (11,2*1,5) + (11,1*2,5) + (11,2*3,5) = 19,705
T
t
tt1
2)( = (3,52 + 2,52 + 1,52 + 0,52)*2 = 42
Operations Management Kapitel 5 / 32(c) Prof. Richard F. Hartl
Zeitreihe mit Trend und Saisonalität III
Es ist ein Trend nach oben zu erkennen:
b = 19,705/42= 0,47, = 9,78 - 0,47*4,5 = 7,67
kMsp 88 )]8(47,067,7[)(
Zum Beispiel: 10,719,0]947,067,7[)1(8 p
Weitere wichtige Verfahren (z.B.: Box-Jenkins) können hier aus Zeitgründen nicht behandelt werden.
Literatur: (praktisch jedes Lehrbuch der Produktion, des Operations Research bzw. der Prognose) Schneeweiß, Einführung in die Produktionswirtschaft, Springer, 1993 [Kapitel 5.2.1] Günther, Produktionsmanagement, Springer, 1993 [Kapitel C.2] Tempelmeier, Material-Logistik, Springer, 1992 [Kapitel 3] Hillier-Liebermann, Operations Research, Oldenbourg, 1988 [Kapitel 19] Ghiani, Laporte, Musmano, Introduction to Logistics System Planning and Control, Wiley, 2004 [Kapitel 2]
Operations Management Kapitel 5 / 33(c) Prof. Richard F. Hartl
5.2 mittelfristige Produktionsprogrammplanung
dynamische Produktionsprogrammplanung besitzt 2 Stufen:
5.2.1 mittelfristige Produktionsprogrammplanung mittels LP
Beschäftigungsglättung (aggregierte Gesamtplanung), d.h. Ausgleich der Kapazitätsbeanspruchung über das Jahr. Diese mittelfristigen Über-legungen erfolgen auf aggregiertem Niveau (Produktgruppen, Monats-basis) unter Verwendung von Nachfrageprognosen.
kapazitierte Hauptproduktionsprogrammplanung (master production schedule), sprich kurzfristige detaillierte Festlegung der konkreten Produktmengen in den einzelnen Perioden (Hauptprodukte auf Wochen-basis) unter Verwendung der Vorgabe der Beschäftigungsglättung und detaillierterer Nachfrageprognosen.
Operations Management Kapitel 5 / 34(c) Prof. Richard F. Hartl
Mittelfristige PPP mittels LP II
Ziel: Erstellung eines mehrperiodigen Produktionsprogramms auf der Basis eines LP-Modells. In diesem Fall erfolgt der Ausgleich zwischen den einzelnen Perioden durch Lagerbildung.
dadurch wird eine gewisse Unabhängigkeit zwischen Produktion und Nachfrage geschaffen („Emanzipation“).
dabei gilt die Lagerbilanzgleichung:
yjt = yj,t-1 + xjt - djt
wobei:
xjt ... Produktionsmenge von Produkt j in Periode t, (Variable)
yjt ... Lagerbestand des Produktes j am Ende der Periode t, (Variable)
djt ... Bedarf an Produkt j in Periode t (Prognose). (Parameter)
Operations Management Kapitel 5 / 35(c) Prof. Richard F. Hartl
Mittelfristige PPP mittels LP III
Zur Vermeidung von Kapazitätsengpässen kann nicht nur vorproduziert werden, sondern auch Zusatzkapazität in Anspruch genommen werden.
einfachste Kapazitätsrestriktion:
wobei:
uit ... genutzte Zusatzkapazität von Segment i in Periode t, (Variable)
bit ... Produktionskapazität von Segment i in Periode t, (Variable)
aij ... durch Produkt j verursachte Kapazitätsbeslastung von Segement i. (Parameter)
1
n
ij jt it itj
a x b u
Operations Management Kapitel 5 / 36(c) Prof. Richard F. Hartl
Mittelfristige PPP mittels LP IV
Schwieriger ist der Fall, wenn Vorlaufperioden zu betrachten sind, in diesem Fall ist: aijv ... durch Produkt j verursachte Kapazitätsbelastung von Segment i in Vorlaufperiode
ferner definiert man:
T … Anzahl der Perioden
n … Anzahl der Produkte
m … Anzahl der Segmente
Vj ... Anzahl der Vorlaufperioden von Produkt j
Kapazitätsrestriktion: ,1 0
jVn
ijv j t v it itj v
a x b u
hj … Lagerkosten pro Einheit von Produkt j und Periode
zi … Zusatzkosten in Segment i pro Einheit genutzter Zusatzkapazität
Uit … maximal mögliche Zusatz-kapazität in Segment i in Periode t
Operations Management Kapitel 5 / 37(c) Prof. Richard F. Hartl
Mittelfristige PPP mittels LP V
yjt = yj,t-1 + xjt - djt
xjt, yjt, uit 0
uit Uit
yj0 gegeben
K h y z uj jtj
n
t
T
i iti
m
t
T
11 11
min Lager + Zusatzkosten
für j = 1,...,n und t = 1,...,T
,1 0
jVn
ijv j t v it itj v
a x b u
für i = 1,...,m und t = 1,...,T
für j = 1,...,n und t = 1,...,T
für i = 1,...,m, j = 1,...,n und t = 1,...,T
für j = 1,...,n ... Anfangslagerbestände
Operations Management Kapitel 5 / 38(c) Prof. Richard F. Hartl
Beispiel (aus Kapitel 8.3, Günther und Tempelmeier, Produktion & Logistik)
Mittelfristige PPP mittels LP VI
Dabei sind 2 Endprodukte A und B herzustellen, die aus Baugruppen C, D und E bestehen, wobei dort wieder Einzelteile F und G eingehen (jeweils 1 Einheit). Dies ist in nebenstehender Abbildung illustriert:
Im Segment 1 werden also die Endprodukte erzeugt, in Segment 2 die Baugruppen C und D sowie in Segment 3 die übrigen Vorprodukte.
Segment 1
A B
Segment 2
C D
1 1 1
v = 2
v = 1
v = 0
1
Segment 3
F G
E
1 1
Operations Management Kapitel 5 / 39(c) Prof. Richard F. Hartl
Der Kapazitätsbedarf pro Stück im entsprechenden Segment sei aus den Arbeitsplänen bekannt und in folgender Tabelle angegeben (z.B. in Stunden):
Mittelfristige PPP mittels LP VII
Erzeugnis A B C D E F G
Kapazitätsbedarf pro Stück 1 2 1 3 4 2 1
Die beiden Endprodukte verursachen also in den 3 Segmenten folgende Kapazitätsbelastung unter Berücksichtigung der Vorlaufperioden.
Endprodukt A Endprodukt B
Produktionssegment Produktionssegment
Vorlaufperiode
0 1 - - 2 - -
1 - 4 - - 3 4
2 - - - - - 3
Operations Management Kapitel 5 / 40(c) Prof. Richard F. Hartl
Die Kapazitätsrestriktionen für die 3 Segmente lauten also:
Mittelfristige PPP mittels LP VIII
a x b uijv j t vv
V
j
n
it it
j
,
01
4xA,t+1 + 3xB,t+1 - u2t b2t Segment 2 (C und D)
4xB,t+1 + 3xB,t+2 - u3t b3t Segment 3 (E bis G)
1xAt + 2xBt - u1t b1t Segment 1 (A und B)
Hinzu kommen die übrigen Bedingungen aus obigem LP. Um es überschau-bar zu halten, hat es nur 2 Entscheidungsvariablen (Produktions-menge von A und B). Die anderen Mengen sind aus der Endproduktmenge ableitbar.
Im einem (oft computerunterstützten) PPS-Systemen erfolgt nach der Planung des kurzfristigen Produktionsprogrammes (z.B. mit LP wie hier):
Materialbedarfsplanung - wann werden welche Rohstoffe in welcher Menge benötigt?
Auftragsterminierung und Ressourcenbelegung - Belegung der einzelnen Anlagen mit Auf trägen unter Beachtung aller Kapazitätsschranken
Operations Management Kapitel 5 / 41(c) Prof. Richard F. Hartl
5.2.2 mittelfristige Programmplanung ohne LP
Unter der Voraussetzung linearer Produktionszusammenhänge ist das LP ein geeignetes Verfahren, um bereits recht komplexe Situationen der mittelfristigen Planung optimal zu gestalten. Da die Berechnung für mehrere Perioden und Produkte bzw. Produktgruppen allerdings schon aufwendig sein kann, sind noch andere (einfachere) Planungsverfahren üblich.
Die Idee (etwa gleichzeitig mit LP in fünfziger Jahren) stammt aus der Regelungstheorie und beruht im Prinzip auf denselben Überlegungen wie die exponentielle Glättung.
Mittelfristplanung bedeutet, einen prognostizierten Nachfrageverlauf so gut wie möglich zu erfüllen man versucht, die Produktion so „einzuregeln“, dass sie Abweichungen von der Nachfrageprognose zum Anlaß nimmt, die Produktion zu korrigieren.
Operations Management Kapitel 5 / 42(c) Prof. Richard F. Hartl
Im einfachsten Falle folgt man z.B. der linearen Rekursionsbeziehung
Mittelfristige PPP ohne LP II
wobei:
1,1,1, ˆ tjjttjjttjjt yyxrxx
... “Richt-Lagerbestand“
, ... Glättungskonstanten.
jky
Je größer und desto stärker führen Abweichungen zu Korrekturen.
Lineare Entscheidungsregeln sind ähnlich ausbaufähig wie LP-Modelle.
Nachteil: es ist nicht möglich, strikte Ressourcenbeschränkungen zu berücksichtigen (oft kein großes Problem, da nur Grobplanung).
Vorteil: reagieren glatter auf stochastische Schwankungen als LPs aufgrund
der glatteren Periodenverknüpfung geringere Nervosität.
Operations Management Kapitel 5 / 43(c) Prof. Richard F. Hartl
5.3 Losgrößenplanung - Lagerhaltung
deterministische Modelle (Nachfrage wird als bekannt vorausgesetzt) – stochastische Modelle (Wahrscheinlichkeitsverteilungen über die Nachfragemengen bekannt) – z.B. Newsboy, Servicegrade, ...
statische Modelle (konstante Nachfrage - Betrachtung einer typischen Bestellperiode) – z.B. EOQ (Wurzelformel)dynamische Modelle (Nachfrage variiert mit der Zeit) – z.B. Wagner-Whitin
Ein-Produktmodelle - z.B. EOQ, Wagner-Whitin, NewsboyMehr-Produktmodelle, wobei hier zu unterscheiden ist:
– mit unabhängigem Bedarf (aber z.B. gemeinsamer Kapazitäts- beschränkung)
– mit abhängigem Bedarf (z.B. Vorprodukte bei mehrstufiger Produktion)
Bei Lagerhaltungsmodellen unterscheidet man:
Operations Management Kapitel 5 / 44(c) Prof. Richard F. Hartl
5.3.1 Mehrstufige dynamische Mehrproduktmodelle
Die einfachste Vorgangsweise, die in der Praxis weit verbreitet und in vielen PPS-Systemen implementiert ist, ignoriert die Kostenwirkungen der Losgrößenentscheidung für ein Produkt auf die Vorgängerprodukte. Die grundsätzliche Vorgangsweise ist wie folgt.
Beginne mit dem Endprodukt und plane es mittels Einprodukt-Heuristik oder WW-Verfahren. (Allgemeiner wird nach den Dispositionsstufen vorgegangen und mit den Endprodukten begonnen)
5.3.1.1 Erzeugnisorientierte Dekomposition ohne Kostenanpassung
Plane die unmittelbaren Vorgängerprodukte, wobei sich der Bedarf für diese Vorgänger produkte aus den Losgrößenentscheidungen der übergeordneten Produkte ergibt, usw. (Allgemeiner: wenn eine Dispositionsstufe abgearbeitet ist, gehe zur nächsten)
Operations Management Kapitel 5 / 45(c) Prof. Richard F. Hartl
Erzeugnisorientierte Dekomposition II
Beispiel: N = 2 Produkte, T = 4 Perioden, a12 = 1, Bedarf, Rüstkosten und Lagerkosten wie folgt:
Produkt t = 1 t = 2 t = 3 t = 4 Si hi
i = 1 - - - - 120 10
i = 2 10 10 10 10 100 11
Zunächst wird das Endprodukt i = 2 geplant. Nach Silver-Meal ergeben sich folgende Lose:
t = 1: 100/1 < [100 + 1110]/2 = 105 d.h. q21 = 10, u.s.w. also keine Losbildung q22 = 10, q23 = 10, q24 = 10.
Es ergibt sich somit folgender Sekundärbedarf für das Vorprodukt 1:
Produkt t = 1 t = 2 t = 3 t = 4 Si hi
i = 1 10 10 10 10 120 10
Planung über erzeugnisorientierte Dekomposition ohne Kostenanpassung:
21
1
Operations Management Kapitel 5 / 46(c) Prof. Richard F. Hartl
Erzeugnisorientierte Dekomposition III Nach Silver-Meal ergeben sich folgende Lose:
t = 1: 120/1 > [120 + 1010]/2 = 110, aber 110 < [120 + 1010 + 10210]/3 = 140 d.h. Losbildung: q11 = 10 + 10, q12 = 0.
t = 3: 120/1 > 110, d.h. Losbildung: q13 = 10 + 10, q14 = 0.
Die Gesamtkosten sind dann 840: Produkt 2: 4 Rüsten, also 400Produkt 1: 2 Rüsten, 2 Lagern, also 240 + 200 = 440
Zum Vergleich: Losbildung schon beim Endprodukt:
q21 = 20, q22 = 0, q23 = 20, q24 = 0
Dies ergibt Bedarfsmengen für das Vorprodukt 1:
Produkt t = 1 t = 2 t = 3 t = 4 Si hi
i = 1 20 0 20 0 120 10
Operations Management Kapitel 5 / 47(c) Prof. Richard F. Hartl
Erzeugnisorientierte Dekomposition IV Nach Silver-Meal ergeben sich folgende Lose:
t = 1: 120/1 > [120 + 0]/2 = 60, aber 60 < [120 + 0 + 10220]/3 = 173,3d.h. Losbildung: q11 = 20, q12 = 0.
t = 3: analoge Losbildung: q13 = 20, q14 = 0.
Die Gesamtkosten sind dann 660: Produkt 2: 2 Rüsten, 2 Lagern, also 200 + 220 = 420Produkt 1: 2 Rüsten, also 240
Die Lösung aus dem vorigen Abschnitt lässt sich also um über 20% verbessert!
Die Losbildung beim Endprodukt sollte nämlich berücksichtigen, dass die hier getroffenen Entscheidungen die Kosten bei den untergeordneten Produkten beeinflussen. Dies führt zur Idee der Kostenanpassung, d.h. man versucht durch systematische Erhöhung der Lagerkosten und/oder Rüstkosten die Folgekosten bei den untergeordneten Produkten schon bei der Losbildung mittels Einproduktmodell zu berücksichtigen.
Operations Management Kapitel 5 / 48(c) Prof. Richard F. Hartl
5.3.1.3 Erzeugnisorientierte Dekomposition mit Kostenanpassung bei konvergierender
Produktstruktur Annahme: Vorliegen einer konvergierenden Produktstruktur (d.h. jedes
Produkt (bis auf die Endprodukte) hat einen eindeutig bestimmten Nachfolger) Es gibt verschiedene Ansätze die zumeist wie folgt vorgehen:
Bei Ermittlung der modifizierten Kosten wird von konstanten Primär-bedarfsmengen ausgegangen, wobei wir hier nur Primärbedarfsmengen für das Endprodukt n = N zulassen wollen, also
Bedarf/Periode = (Endprodukt); Bedarf pro Periode = 0 sonst.
T
tNtd
T 1
1
Multiplikatoren i ermittelt, die angeben, wie oft (im Schnitt) ein Los des Nachfolgerproduktes n(i) während eines Zyklus von Produkt i aufgelegt wird. Bei geschachtelten Politiken muss also immer i 1 gelten,
Auf Basis von i werden dann (ausgehend von den untergeordneten Produkten) die Lager kosten und/oder Rüstkosten modifiziert.
Operations Management Kapitel 5 / 49(c) Prof. Richard F. Hartl
Varianten
Variante 1: motiviert durch Überlegungen zum ELSP mit konvergierender
Produktstruktur werden folgende Multiplikatoren ermittelt
sodann werden die Rüstkosten korrigiert:
wobei die Lagerkosten hj nicht verändert werden.
ii n i
n i i
S h
S h ( )
( )
( )
S S Sj j i ii V j
Im obigen Beispiel:
1120 11
100 10
1,15 ,S2 100 120 115 204,35
Silver-Meal für Endprodukt 2: q21 = 20, q22 = 0, q23 = 20, q24 = 0, denn204,35/1 > [204,35 + 1110]/2 = 157,18 < [204,35 + 330]/3 = 178,12
Operations Management Kapitel 5 / 50(c) Prof. Richard F. Hartl
Varianten II
Variante 2: ähnlich wie Variante 1, berücksichtigt aber i 1, also
ii n i
n i i
S h
S h
max ,
( )
( )1
Variante 3: berücksichtigt auch noch die Ganzzahligkeit der i, usw.
Es gibt auch Formulierungen über den systemweiten Lagerbestand. All diese Verfahren sind zwar etwas rascher als das folgende Verfahren von Afentakis, liefern aber in der Regel schlechtere Lösungen.
Operations Management Kapitel 5 / 51(c) Prof. Richard F. Hartl
5.3.1.4 Verfahren von Afentakis
Es gibt eine Vielzahl an Heuristiken, die man nach folgendem Gesichtspunkt einteilen kann:
erzeugnisorientierte Dekomposition: man betrachtet unabhängige Einproduktmodelle, die dann eventuell (z.B. durch Kostenanpassung) gekoppelt werden;
periodenorientierte Dekomposition: man betrachtet simultan alle Produkte und erweitert schrittweise den Planungshorizont
Ein typischer Vertreter der letzteren Gruppe ist das Verfahren von Afentakis (1987). Dabei wird schrittweise für t = 1, 2, ... , T eine näherungsweise optimale Lösung Q(t) für das Planungsintervall [1, t] ermittelt.
Operations Management Kapitel 5 / 52(c) Prof. Richard F. Hartl
Afentakis II
Wir gehen davon aus, dass nur für das Endprodukt N ein Primärbedarf dNt vorliegt.
Startlösung
N1NN
N11N
N1
11
dv
dv
=
q
q
=Q(1)
Wir erläutern den Schritt von t-1 t:
Ausgangspunkt:
Ferner sei i,t-1 die letzte Produktionsperiode von Produkt i, also die letzte Periode mit positiver Losgröße.
wobei
)1(
)1(
=1)-Q(t
N
1
t
t
q
q
),...,()1( 1,1i tii qqtq
Operations Management Kapitel 5 / 53(c) Prof. Richard F. Hartl
Afentakis III
Es wird nun die Politik Q(t), also für alle i ermittelt.
Unter allen Politiken, die a) und b) erfüllen, ermittle man die kostengünstigste Variante.
Ferner soll die Politik geschachtelt sein, d.h. es wird nur dann ein Los für i aufgelegt, wenn für alle direkten (und damit auch indirekten) Nachfolger ein Los aufgelegt wird: xit = 1 xn(i),t = 1. Diese Eigenschaft ist bei jeder optimalen Politik erfüllt, sodass es sinnvoll ist, sie auch im Rahmen der Heuristik zu verlangen.
Dabei bleiben alle Produktionsperioden erhalten, und der Bedarf an Produkt i der Periode t wird entweder durch Erhöhung der Produktionsmenge in i,t-1 gedeckt oder durch Neuauflage eines Loses an Produkt i in einer der Perioden i,t-1 + 1, ... , t. Es stehen also t + 1 - i,t-1 mögliche Perioden zur Verfügung, in denen der Bedarf der Periode t produziert werden kann.
),...,()( 1i iti qqt q
Operations Management Kapitel 5 / 54(c) Prof. Richard F. Hartl
Afentakis IV
Beispiel: T = 3, N = 3. Endprodukt 3 und Vorprodukte 1 und 2 wobei a13 = a23 = 1 und aij = 0 sonst.
Rüstkosten S1 = 8, S2 = 10, S3 = 5. Lagerkosten h3 = 3, h1 = h2 = 1 (bzw. systemweite Kosten H1=H2=H3=1).
Primärbedarfsmengen für Endprodukt 3: d31 = 5, d32 = 9, d33 = 8. Zu Beginn und am Ende seien alle Lagerbestände = 0.
Startlösung t=1: jedes Produkt in t=1 produzieren.
1
1
1
)1(
31
21
11
x
x
x
X
5
5
5
)1(
31
21
11
q
q
q
Qalso mit Kosten 8 + 10 + 5 = 23
Operations Management Kapitel 5 / 55(c) Prof. Richard F. Hartl
Afentakis V
Iteration t = 1: Es bestehen 5 potentielle Politiken, wobei nicht geschachtelte bereits weggelassen wurden:
Kosten:
Lösung:
1 0
1 0
1 0
23 + 9(1+1+1)
= 50
1 0
1 0
1 1
23 + 9(1+1) + 5 = 46
1 1
1 0
1 1
23 + 9 + 8 + 5 = 45
1 0
1 1
1 1
23 + 9 + 10 + 5 =
47
11
11
11
23 + 8 + 10 + 5 =
46
32
22
12
1
1
1
)2(
x
x
x
X
Operations Management Kapitel 5 / 56(c) Prof. Richard F. Hartl
Afentakis VI Iteration t = 2: Es bestehen 8 potentielle Politiken:
Kosten:
Lösung:1 1 0
1 0 0
1 1 0
45 +8(1+2+1) = 77
1 1 0
1 0 0
1 1 1
45 + 8(1+2) + 5 = 74
1 1 1
1 0 0
1 1 1
45+ 82 + 8 + 5 = 74
1 1 0
1 0 1
1 1 1
45 + 8 + 10 + 5 = 68
1 1 1
1 0 1
1 1 1
Kosten:
Lösung:
45 + 8+10+ 5 = 68
111
01
011
1
46 + 8(1+1) + 5 = 67
111
01
111
1
46 + 8 + 8 + 5 = 67
1 1 0
1 0
1 1 0
1
46 + 8(1+1+1) = 70
Operations Management Kapitel 5 / 57(c) Prof. Richard F. Hartl
Afentakis VII Näherungsweise optimale Politik für Zeitraum [1, ..., 3]:
Die zugehörigen Losgrößenentscheidungen sind:
111
01
011
)3( 1X
111
01
111
)3( 1X
895
0175
0175
)3(Q
895
0175
895
)3(Q
oder
oder
Operations Management Kapitel 5 / 58(c) Prof. Richard F. Hartl
5.3.2 LP-Modelle für mehrstufige dynamische Modelle ohne Kapazitätsbeschränkungen
5.3.2.1 LP-Modell mit „normalen“ Lagerbeständen
i ... Index für die Vorprodukte (i = 1,...,N-1)
N ... Index des Endproduktes t ... Index für die Perioden (t = 1,...,T)
hi ... Lagerhaltungskostensatz für Produkt i
Si ... Rüstkosten für Produkt i
dit ... Effektive Nachfrage nach Produkt i in Periode t (Primärbedarf)
yit ... Lagerbestand des Produkts i am Ende der Periode t
qit ... Losgröße des Produkts i in Periode t
N(i) ... Menge der direkten Nachfolger des Produktes i
Operations Management Kapitel 5 / 59(c) Prof. Richard F. Hartl
LP-Modell mit „normalen“ Lagerbeständen II aij ... Direktbedarfskoeffizient, d.h. Menge an Produkt i, die direkt
in 1 Einheit Produkt j eingeht (Zahl bei Pfeil i j im Gozintographen)
Weiters sei eine Binärvariable, die Losauflage anzeigt
0q falls 0
0q falls 1
it
ititx
Annahme: die Produktion der Periode t steht zur Befriedigung der Nachfrage t zur Verfügung und dass keine Fehlmengen zugelassen sind. Da die gesamte Nachfrage befriedigt werden muss, ist die gesamte Produktionsmenge vorgegeben, weshalb die konstanten variablen Produktionskosten weggelassen werden können.
Beispiel: N = 3
11 1
2 32
1 Einheit Endprodukt 3 besteht aus 1 Teil Vor-produkt 1 und aus 2 Teilen Vorprodukt 2. In Vor-produkt 1 steckt noch 1 Einheit von Vorprodukt 2.
N(1) = {3}N(2) = {1, 3}N(3) = {}
Operations Management Kapitel 5 / 60(c) Prof. Richard F. Hartl
Kosten
LP-Formulierung
Lager-bilanzen
Rüstkosten-verrechnung:
Nicht-Negativität:
Binärvariable:
1 1
min!i it i itt i
C h y S x
N1,...,=i allefür 0y
T1,...,= t1;-N1,...,=i allefür )(
T1,...,= tallefür
i0
1,
1,
iT
jtijitittiit
NtNttNNt
yiNj
qadqyy
dqyy
T1,...,= tN;1,...,=i allefür itit xq
wobei M eine große Zahl ist.
T1,...,= tN;1,...,=i allefür 0;0 itit yq
T1,...,=tN;1,...,=i allefür 1,0itx
Operations Management Kapitel 5 / 61(c) Prof. Richard F. Hartl
5.3.2.2 LP-Modell mit „systemweiten“ Lagerbeständen
statt den obigen Formulierungen wird der systemweite Lagerbestand verwendet:
)(* iNj
jtijitit yvyY ... systemweiter Lagerbestand des Produkts i am Ende der Periode t, d.h. jene Menge an Bauteil i, die als Bauteil i oder eingebaut in übergeordnete Produkte im Lager vorrätig ist, dabei ist
vij ... Verflechtungs(Gesamt-)bedarfskoeffizient an Produkt i bzgl. Produkt j, d.h. Menge an Produkt i, die direkt oder indirekt in 1 Einheit Produkt j eingeht, und
N*(i) ... Menge aller (auch indirekten) Nachfolger
Die Rückrechnung von Yit zu yit erfolgt über ( )
it it ij jtj N i
y Y a Y
Operations Management Kapitel 5 / 62(c) Prof. Richard F. Hartl
LP mit „systemweiten“ Lagerbeständen II
analog definiert man:
... systemweiter Lagerhaltungs- kostensatz für Produkt i , wobei
V(i) ... Menge aller direkten Vorgänger des Produktes i
)(iVk
kkiii hahH
Obiges Beispiel:
11 1
2 32
N*(i) = N(i) hier z.B.: a23 = 2, v23 = 2 + 1 = 3
Also Y2t = y2t + 1y1t + 3y3t
V(1) = {2}, V(3) = {1, 2} Wenn z.B. h1 =2, h2 = 1, h3 = 6,
dann H2 = 1, H1 = 2 - 1 = 1, H3 = 6 - 12 - 21 = 2
Operations Management Kapitel 5 / 63(c) Prof. Richard F. Hartl
LP - Formulierung
keine Fehlmengen:
Kosten
Lager-bilanzen:
Rüstkosten-verrechnung:
Nicht-Negativität:
Binärvariable:
min!11
itiiti
itxSYHC
N1,...,=i allefür 0Y
T1,...,= tN;1,...,=i allefür )(*
i0
1,
iT
jtijitittiit
YiNj
dvdqYY
)(
0iNj
jtijit YaY
T1,...,= tN;1,...,=i allefür itit xq
T1,...,= tN;1,...,=i allefür 0;0 itit Yq
T1,...,=tN;1,...,=i allefür 1,0itx
wobei M eine große Zahl ist.
Operations Management Kapitel 5 / 64(c) Prof. Richard F. Hartl
5.3.3 konvergierende Produktionsstruktur
Falls jedes Produkt (bis auf das Endprodukt) genau einen Nachfolger besitzt (konvergierende Produktstruktur, Montageprozeß), so vereinfachen sich die obigen Formeln etwas.
In der ersten Formulierung kann man
T1,...,= t1;-N1,...,=i allefür )(
1,
iNj
qadqyy jtijitittiit
durch
ersetzen, wobei n(i) der einzige Nachfolger von i ist, also N(i) = {n(i)}.
T1,...,= t1;-N1,...,=i allefür ),()(,1, tininiitittiit qadqyy
In der Formulierung mit systemweitem Lagerbestand ergibt sich folgende Vereinfachung:
0)(,)(, iniiniit YaYkeine Fehlmengen
Operations Management Kapitel 5 / 65(c) Prof. Richard F. Hartl
konvergierende Produktionsstruktur II
Im Rahmen der Kostenanpassung findet der systemweite Ansatz ebenfalls Verwendung:
Variante 4: hier wird von systemweiten Lagerkosten Hi ausgegangen und die i
werden etwas anders ermittelt: ii n i
n i i
S H
S H ( )
( )
sodann werden die Kosten wie folgt korrigiert:
( )
S S Sj j i ii V j
( )
H H Hj j i ii V j
und
Operations Management Kapitel 5 / 66(c) Prof. Richard F. Hartl
5.3.3 Weiterführende Bemerkungen zu Kapazitätsbeschränkungen
Im Rahmen der LP-Modelle lassen sich Kapazitätsbeschränkungen natürlich leicht formal berücksichtigen. Bei den Heuristiken verursacht die Tatsache Schwierigkeiten, dass man infolge von Kapazitätsengpässen in der Zukunft
eventuell schon jetzt mehr (als scheinbar kostengünstig ist) produzieren muss, und
eventuell auch nur Teile von Periodenbedarfen in einer Vorperiode auf Lager produzieren muss.
Bei einstufigen Problemen nennt man diese Klasse von Problemen CLSP (capacitated lot sizing problem) und das bekannteste Verfahren ist das von Dixon und Silver.
Bei mehrstufigen Problemen (MLCLSP, multi level CLSP) werden oft allgemeine heuristische Ansätze wie Simulated Annealing eingesetzt; siehe z.B. Domschke -Scholl - Voß (1993).
Operations Management Kapitel 5 / 67(c) Prof. Richard F. Hartl
5.4. Maschinenbelegung
Maschinenbelegungsprobleme (scheduling) befassen sich mit der zeitlichen Zuordnung von Aufträgen zu Arbeits trägern bzw. Maschinen und umgekehrt unter Beachtung vorgegebener Zielsetzungen und Restriktionen.
Dabei ist zu beachten, dass zu jedem Zeitpunkt jede Maschine höchstens einen Auftrag bearbeiten und jeder Auftrag nur von höchstens einer Maschine gleich zeitig bearbeitet werden kann.
Operations Management Kapitel 5 / 68(c) Prof. Richard F. Hartl
5.4.1 Begriffe
Bei einem Maschinenbelegungsproblem sind n Aufträge oder Jobs (j = l,...,n) auf m Maschinen (Mi für i = l,...,m) zu bearbeiten. Dazu sind für jeden Auftrag j in der Regel folgende Daten gegeben:
aj Auftragsfreigabe- oder Bereitstellungszeitpunkt bzw. -termin (release date) des Auftrags j
Stehen alle Aufträge zum Zeitpunkt aj = 0 zur Bearbeitung bereit, bezeichnet man das Problem als statisch, ansonsten als dynamisch.
tji Bearbeitungszeit (oder -dauer, processing time) von Auftrag j auf Maschine i
fj gewünschter Fertigstellungstermin (due date) des Auftrags j
Werden alle oben erwähnten Größen als bekannt vorausgesetzt, so liegen deterministische Modelle vor; andernfalls (stochastische Ankunftszeitpunkte oder Bearbeitungszeiten) spricht man von stochastischen Modellen.
Operations Management Kapitel 5 / 69(c) Prof. Richard F. Hartl
Reihenfolgearten Ein Auftrag j läßt sich in gj verschiedene Arbeitsgänge Aj1,...,Ajgj
unterteilen, die in einer fest vorgegebenen Reihenfolge zu bearbeiten sind. Diese Reihenfolge bezeichnen wir als Arbeitsgangfolge. Sie ist in der Regel technologisch determiniert.
Läßt sich jedem Arbeitsgang Ajh eines Auftrags j eindeutig eine Maschine jh zuordnen, so bezeichnet man die zeitliche Reihenfolge, in der die einzelnen Arbeitsgänge von j die Maschinen zu durchlaufen haben, als Maschinenfolge j = (j1,...,jgj)von j. Die Maschinenfolgen sind damit ebenfalls durch technologische Erfordernisse festgelegt.
Die Reihenfolge, in der die einzelnen Aufträge auf einer Maschine i zu bearbeiten sind, heißt Auftragsfolge von i. Dabei können mehrere Aufträge gleichzeitig um dieselben Maschinen konkurrieren. Die Auftragsfolge ist nicht vorgegeben, sondern Gegenstand der Planung.
Eine zeitliche Zuordnung von Arbeitsgängen zu Maschinen heißt (zulässiger) Ablaufplan, falls alle Reihenfolgebedingungen sowie weitere Restriktionen eingehalten werden.
Operations Management Kapitel 5 / 70(c) Prof. Richard F. Hartl
Auftrag 2 wird also zuerst auf M2, dann auf M3 und zuletzt auf M1 bearbeitet
der erste AG (auf M2) nimmt 3 ZE in Anspruch
5.4.2 Darstellungsmöglichkeiten Beispiel: statisches Jobshop-Problem mit 3 Maschinen und 3 Aufträgen:
jeder Auftrag besteht aus gj = 3 Arbeitsgängen diese Aufträge sind in Reihenfolge Aj1, Aj2, Aj3 zu bearbeiten
j\h 1 2 3
1 1 2 3
2 2 3 1
3 2 1 3
j\i 1 2 3
1 3 3 2
2 3 2 3
3 3 4 1
Maschine μj1
Maschinennummer μjh
AuftragAuftrag
Arbeitsgang Ajh
Bearbeitungszeit tji
Operations Management Kapitel 5 / 71(c) Prof. Richard F. Hartl
5.4.2.2 Maschinenfolgegraph, Ablaufgraph Die Vorgaben hinsichtlich der Arbeitsgang- und der Maschinenfolgen lassen
sich in folgendem Maschinenfolgegraphen veranschaulichen. Jede Knotenbezeichnung entspricht der Maschine jh, die den Arbeitsgang h des Auftrags j auszuführen hat.
1 32
Arbeitsgang h=1 h=3h=2
2 13
2 31
j=1
j=2
j=3
Auftrag
Maschinenfolgegraph: Angabe
jeder Knoten entspricht einer Maschine i = jh
Operations Management Kapitel 5 / 72(c) Prof. Richard F. Hartl
Ablaufgraph II
Bei der Bestimmung von Auftragsfolgen ist für jede Maschine i festzulegen, in welcher Reihen folge die einzelnen Aufträge j = 1, 2, 3 auf ihr zu bearbeiten sind. Dabei sind innerhalb des Maschinen folgegraphen jeweils die Knoten mit derselben Maschinenbezeichnung i durch zusätzliche Pfeile, die jeweils genau einen Weg bilden, zu verbinden. Der entstehende Graph heißt Ablaufgraph.
1 32
Arbeitsgang h=1 h=3h=2
2 13
2 31
j=1
j=2
j=3
Auftrag
Ablaufgraph: Entscheidung
Das nebenstehende Bild zeigt den Ablaufgraphen für obiges Problem, wenn die Aufträge auf der Maschine 1 in der Reihenfolge 1, 3, 2, auf der Maschine 2 in der Reihenfolge 3, 2, 1 und auf der Maschine 3 in der Reihenfolge 2, 1, 3 bearbeitet werden.
Operations Management Kapitel 5 / 73(c) Prof. Richard F. Hartl
5.4.2.3 Gantt-Diagramm
Bei Gantt-Diagrammen werden die Bearbeitungszeiten über der Abszisse (Zeitachse) sowie die Maschinen bzw. die Aufträge über der Ordinate aufgetragen. Man unterscheidet eine maschinenorientierte (gebräuchlichere Variante) und eine auftragsorientierte Darstellung.
3
Auftrag 1 3 2
2 1
3 2 1
1 2 3 4 5 6 7 8 9 10 11 12
Leerzeit
3
2
1
maschinenorientiertes Gantt-Diagramm
Operations Management Kapitel 5 / 74(c) Prof. Richard F. Hartl
Gantt-Diagramm II
Hier sind alle Arbeitsgänge unter Berücksichtigung der Reihenfolgebeziehungen des Ablaufgraphen frühestmöglich eingeplant. Dabei entsprechen die schraffierten Felder den Leerzeiten der Maschinen bzw. den Wartezeiten der Aufträge. Da die Maschinen unterschiedliche Auftrags folgen aufweisen, handelt es sich um einen normalen Ablaufplan, aber um keinen Permutationsplan.
3
Maschine 1 2 3
2 1
2 3 1
1 2 3 4 5 6 7 8 9 10 11 12
Wartezeit
3
2
1
auftragsorientiertes Gantt-Diagramm
Operations Management Kapitel 5 / 75(c) Prof. Richard F. Hartl
5.4.3 Semiaktive und aktive Ablaufpläne
Semiaktive Ablaufpläne haben die Eigenschaft, dass der Beginn keines AG zeitlich vorgezogen werden kann, ohne eine Maschinenfolge zu verletzen oder eine Auftragsfolge zu ändern.
Beispiel: (maschinenorientiertes Gantt-Diagramm)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Auftrag 1 2
1 22
1
Auftrag 1 2
1 2
1 2 3 4 5 6 7 8 9 10 11 12
2
1
13 14 15
nicht semiaktiv
semiaktiv
Operations Management Kapitel 5 / 76(c) Prof. Richard F. Hartl
Semiaktive und aktive Ablaufpläne
Zu jedem zulässigen Ablaufplan existiert ein zugehöriger semiaktiver Ablaufplan, der leicht zu ermitteln ist: man verschiebt einfach alles so weit wie möglich nach links. Offensichtlich ist obiger Ablaufplan zwar semiaktiv, aber dennoch sehr schlecht.
Aktive Ablaufpläne:
Klarerweise ist jeder aktive Ablaufplan auch semiaktiv.
kein AG kann zeitlich vorgezogen werden, ohne den Beginn mindestens eines anderen AGs zu verzögern
es darf nur die Auftragsfolge verändert werden
Operations Management Kapitel 5 / 77(c) Prof. Richard F. Hartl
Aktive Ablaufpläne
Obiges Beispiel: Auftragsfolge an Maschine 2 ändern
Auftrag 1 2
1 2
1 2 3 4 5 6 7 8 9 10 11 12
2
1
13 14 15
nicht aktiv
aktiv
Auftrag 1 2
12
1 2 3 4 5 6 7 8 9 10 11 12
2
1
13 14 15
Operations Management Kapitel 5 / 78(c) Prof. Richard F. Hartl
5.4.4 Klassifikation
Im Bereich deterministischer Modelle werden Probleme mittels Tripeln [α|β|γ] charakterisiert.
Maschinenart und –anordnung α1: wenn die Aufträge aus nur einem Arbeitsgang bestehen:
wenn die Aufträge aus mehreren Arbeitsgängen bestehen:
α1 = 0, wenn genau 1 Maschine zur Verfügung steht
α1 = IP, wenn alle Maschinen identisch und gleichzeitig einsetzbar sind, bzw. gleiche Fertigungsgeschwindigkeiten auf allen Maschinen
α1 = F (Flow Shop): jeder Auftrag ist auf jeder Maschine genau einmal zu bearbeiten, und zwar in derselben Reihenfolge
α1 = PF (Permutations-Flow Shop): „Überholverbot“: auf allen Maschinen ist die Reihenfolge identisch
α1 = J (Job Shop): jeder Auftrag muss die Maschinen in einer eigenen, fest vorgegeben Reihenfolge durchlaufen
α1 = O (Open Shop) die Reihenfolge ist frei und spielt keine Rolle
Operations Management Kapitel 5 / 79(c) Prof. Richard F. Hartl
Klassifikation II
Maschinenzahl α2: wird nichts angegeben, so wird eine beliebige Anzahl betrachtet. F|*|* = ?
J2|*|* = ?
Flow Shop mit beliebig viel Maschinen
Job Shop mit 2 Maschinen
Auftragszahl β1:
J| |* ein Job Shop mit beliebig vielen und J|3|* eins mit 3 Aufträgen
Unterbrechbarkeit β2:
pmtn Unterbrechung ist möglich
no wait es sind keine Unterbrechungen (bzw. keine Zwischenlager- oder Wartezeiten) zwischen den Arbeitsgängen erlaubt.
Wird nichts angegeben, dürfen die Aufträge nicht unterbrochen werden
Operations Management Kapitel 5 / 80(c) Prof. Richard F. Hartl
Klassifikation III Reihenfolgebeziehungen β3:
prec Reihenfolgebeziehung entspricht einem gerichteten, zyklenfreien Graphen
tree Reihenfolgebeziehung wird in Form eines gerichteten Baumes betrachtet
Wird nichts angegeben, dürfen die Aufträge beliebig gereiht werden
Auftragsfreigabetermine und Nachlaufzeiten β4:
aj unterschiedliche Auftragsfreigabetermine aj
nj Nachlaufzeiten: nach der Bearbeitung benötigt der Auftrag j noch min. nj ZE bevor er fertig ist oder weiterverarbeitet werden kann
Wird nichts angegeben, liegt ein statisches Problem vor
Operations Management Kapitel 5 / 81(c) Prof. Richard F. Hartl
Klassifikation IV
Die restlichen Untergruppen betreffen:
β6 reihenfolgeabhängige Rüstzeiten bzw. Rüstkosten
β7 Ressourcenbeschränkungen
β5 Bearbeitungszeiten
β8 Fertigstellungstermine
Operations Management Kapitel 5 / 82(c) Prof. Richard F. Hartl
Klassifikation V Zielsetzungen γ:
zmax symbolisiert eine zu minimierende maximale Zeitdauer (Minimax-Zielsetzung);
zj steht für eine zu minimierende (ggf. gewichtete) Summe von Zeitgrößen.
z# verwenden wir zur Bestimmung einer zu minimierenden (ggf. gewichteten) Anzahl von Aufträgen mit bestimmten Eigenschaften (z.B. Verspätung).
Durchlaufzeitbezogene Ziele
Fertigstellungszeitpunkt Fj (realiserte Fertigstellung von Auftrag j)
Wartezeit: Wji bezeichnet die Wartezeit von j auf Mi und
Durchlaufzeit Dj = Fj – aj Bearbeitungszeitspanne eines Auftrags
m
1ijij W:W ist die gesamte Wartezeit des Auftrags j
Operations Management Kapitel 5 / 83(c) Prof. Richard F. Hartl
Durchlaufzeitbezogene Ziele
Minimierung der Summe der Durchlaufzeiten bzw. der mittleren Durchlaufzeit:
→ min. bzw. D/n → min. (äquivalent, da n konstant]D: D jj 1
n
Minimierung der maximalen Durchlaufzeit:
→ min. D : D j 1,..., nmax j max
Minimierung der Summe der Wartezeiten:
n
1jjW:W → min.
Operations Management Kapitel 5 / 84(c) Prof. Richard F. Hartl
Kapazitätsorientierte Ziele Zykluszeit:
Gesamtbearbeitungszeit n1,...,jFmax:Z j Leerzeit:
von Maschine i ist die Summe aller Zeiten, zu
denen i keinen Auftrag bearbeitet.
n
1jjii t:L Z
Offensichtlich ist die Minimierung der Zykluszeit äquivelent mit der Minimierung der Summe der Leerzeiten.
Kapazitätsauslastung (ebenfalls äquivalent):
→ max.t ji
m
ij
n
mZ
11
Operations Management Kapitel 5 / 85(c) Prof. Richard F. Hartl
Terminorientierte Ziele
Terminabweichung:
Tj = Fj – fj (effektiver minus geforderter Endzeitpunkt)
Tj > 0 Strafkosten
Tj < 0 Kapitalbindung
Verspätung:
Vj = max {0,Tj} . . . Terminüberschreitung
Kapitalbindung wird hier ignoriert
gebräuchliche terminorientierte Ziele: Minimierung der maximalen Terminabweichung Minimierung der maximalen Verspätung Minimierung der Summe aller Verspätungen Minimierung der Anzahl der verspäteten Aufträge
Operations Management Kapitel 5 / 86(c) Prof. Richard F. Hartl
Zielbeziehungen
Äquivalenz zweier Ziele
wenn die Zielfunktionen durch lineare Umwandlungen mittels konstanter Parameter ineinander überführbar sind heißen sie äquivalent.
die Zielsetzungen D, F, W und T sind äquivalent (gilt auch für die gewichteten Größen)
es ist äquivalent die Summe oder den Mittelwert von Zielgrößen zu optimieren
bei statischen Problemen (d.h. alle Aufträge werden zum Zeitpunkt 0 freigegeben) sind die Ziele F und D, bzw. Z und Dmax äquivalent.
die Zielsetzungen Minimierung von Z, Lmax, L und L sowie die Maximierung der durchschnittlichen Maschinenauslastung sind äquivalent.
Operations Management Kapitel 5 / 87(c) Prof. Richard F. Hartl
Dilemma der Ablaufplanung
Zwischen den Zielen D und Z existiert keine der genannten Zielbeziehungen. Diese beiden Ziele sind in der Regel (bei Mehrmaschinenproblemen) zueinander konkurrierend, d.h. mit der Verbesserung des eines Zieles nimmt man zumeist eine Verschlechterung des anderen in Kauf. [Beispiel in Übung]
Da Z zur Zielsetzung L der Leerzeitminimierung (Kapazitätsausnutzung) äqui valent ist, sind auch D und L zueinander konkurrierend. Dieser Sachverhalt wird als Dilemma der Ablaufplanung bezeichnet.
Operations Management Kapitel 5 / 88(c) Prof. Richard F. Hartl
5.4.5 Grundlegende Entscheidungs- und Prioritätsregeln
Maschinenprobleme sind meist NP-schwer und in der Praxis müssen rasch Lösungen gefunden werden Heuristiken (sog. Prioritätsverfahren)
Schritt 1 : Sortiere die Aufträge nach einer vorzugebenden Prioritätsregel.
Schritt 2 : Plane die Aufträge in Sortierreihenfolge auf den Maschinen ein.
bekanntesten Prioritätsregeln: Shortest Processing Time - Regel
Sortierung nach wachsenden Bearbeitungszeiten (mittlere Durchlaufzeit) Longest Processing Time - Regel
Sortierung nach fallenden Bearbeitungszeiten (Zykluszeit) Shortest Remaining Processing Time - Regel
Sortierung nach wachsenden Restbearbeitungszeiten bei Aufträgen mit mehreren Arbeitsgängen
Operations Management Kapitel 5 / 89(c) Prof. Richard F. Hartl
Entscheidungs- und Prioritätsregeln II
Longest Remaining Processing Time - Regel
Sortierung nach fallenden Restbearbeitungszeiten
Earliest Due Date - Regel
Sortierung nach wachsenden gewünschten Fertigstellungsterminen auch als Jackson-Regel bekannt minimiert Verspätungen
Earliest Release Date – Regel („first come, first serve“)
Sortierung nach wachsenden Bereitstellungsterminen
Diese Verfahren dienen bei schwierigen Probleme zur Ermittlung suboptimaler (Start-)Lösungen. Bei eher einfachen Problemen können sie als exakte Verfahren eingesetzt werden.
Operations Management Kapitel 5 / 90(c) Prof. Richard F. Hartl
5.4.6 Probleme mit zwei Aufträgen Wir betrachten Flow Shop und Job Shop-Probleme mit 2 Aufträgen (Ziel :
Minimierung der Zykluszeit):
Beispiel: [aus Domschke, Scholl und Voß (1993)] statisches Flow Shop mit vier Maschinen, Maschinenfolgen 1 = 2 = (1, 2, 3, 4) und folgenden Bearbeitungszeiten:
Das Problem läßt in einem zweidimensionalen Koordinatensystem veranschaulichen, bei dem eine Achse jeweils einem der beiden Aufträge entspricht. Der Koordinatensprung Q = (0,0) repräsentiert den Zeitnullpunkt (Freigabezeitpunkt).
j 1 2 3 4
t1j 3 1 1 3
t2j 1 3 3 1
Operations Management Kapitel 5 / 91(c) Prof. Richard F. Hartl
Probleme mit zwei Aufträgen II Sj: = i tji bezeichnet den frühestmöglichen Fertigstellungszeitpunkt des
Auftrags j, wenn er - beginnend im Zeitpunkt 0 - ohne Unterbrechung gefertigt wird. Die Punkte Q und S = (S1,S2) spannen ein Rechteck (Operationsfeld) auf.
Das Intervall [0,S1] läßt sich in m disjunkte Intervalle unterteilen, die aufgrund der Maschinen folge 1 des ersten Auftrags in der Reihenfolge i = 1,...,1m angeordnet sind. Die Länge der Intervalle ist jeweils die Bearbeitungszeit t1j Analog ist [0, S2] unterteilbar.
Für jede Maschine i wird durch die beiden Intervalle ein Rechteck definiert, das als Konfliktfeld bezeichnet wird. In der folgenden Abbildung sind die Konfliktfelder für das obige Beispiel grau eingezeichnet.
Für die gesuchte minimale Zykluszeit Z* lassen sich Z = max {S1, S2} als untere Schranke und als triviale obere Schranke angegeben. In unserem Beispiel gilt Z = 8 und
Operations Management Kapitel 5 / 92(c) Prof. Richard F. Hartl
Verfahren nach Akers
M1 M2 M3 M4
M1
M2
M3
M4
Q = (0,0)
S1
S2
i = 1
i=2
i=3
i = 4
S = (S1,S2) Das Verfahren von Akers bestimmt im Operationsfeld einen kürzesten Weg zwischen Ursprung Q und Punkt S unter den Nebenbedingungen, dass
keines der (gelben) Konfliktfelder durchlaufen wird)
der Weg nur aus senkrechten, waagrechten und diagonalen Abschnitten besteht.
Z = 11 Z = 11 Z = 10
Operations Management Kapitel 5 / 93(c) Prof. Richard F. Hartl
Verfahren nach Akers II Unter diagonalen Abschnitten verstehen wir Strecken mit Steigung 1; sie
bedeuten eine gleichzeitige Bearbeitung beider Aufträge auf verschiedenen Maschinen. Waagerechte Abschnitte bedeuten die alleinige Bearbeitung des Auftrags 1 und senkrechte die des Auftrags 2.
mehrere Wege möglich (in unserem Beispiel 3). Während die beiden Wege der Länge Z = 11 Permutationsplänen entsprechen, gilt dies für den optimalen Plan mit Z = 10 nicht, da ein Überholen der Aufträge stattfindet, was man auch in den Gantt-Diagramm sieht:
Die Länge eines Weges von Q nach S ergibt sich dadurch, dass jede Bewegung eine Einheit nach rechts und/oder nach oben eine verstrichene Zeiteinheit bedeutet.
Operations Management Kapitel 5 / 94(c) Prof. Richard F. Hartl
Verfahren nach Akers III
Es ist nötig, die einzubeziehenden Wege zwischen Q und S systematisch abzuarbeiten Dazu wird ein gerichteter Graph G = (V, e, c) konstruiert. Seine Knotenmenge V umfasst die Quelle Q, die Senke S sowie für jede Maschine Nordwest- und die Südostecke des jeweiligen Konfliktfeldes. Seine Pfeilmenge E, deren Bewertungen c sowie die kürzeste Entfernung von Q nach S werden simultan durch den unten angegebenen Algorithmus ermittelt.
M2 M3M1
M2M1
M4
M3 M42
1
Zeit
Auftrag Maschine
J1
J1
J1
J2
J2
J2
J2
J2
2
1
Zeit
4
3
1
1
4
4
5
5
6
6
9
9
10
10
Operations Management Kapitel 5 / 95(c) Prof. Richard F. Hartl
Verfahren nach Akers IV Ausgehend von jedem von Q aus bereits
erreichten Knoten p = (p1, p2) mit (aktuell) kürzester Entfernung von dp von Q, schreitet man so lange diagonal in Richtung S vorwärts, bis
entweder der Rand des Operationsfeldes getroffen wird; dann führt man einen Pfeil (p, S) ein
oder das Konfliktfeld einer Maschine i getroffen wird.
r
q
c(p, q) = q2 - p2
c(p, r) = r1 - p1
p
i
Dann sind zur Umgehung des Konfliktfeldes i ein Pfeil von p zur Nordwestecke q von i und ein Pfeil von p zur Südostecke r von i einzuführen. Als Bewertung dient die verstrichene Zeit, also das Maximum der x- bzw. y-Distanzen.
Beispiel
Operations Management Kapitel 5 / 96(c) Prof. Richard F. Hartl
Verfahren nach Akers V Beispiel: Job Shop-Problem [J5n = 2Z]. Die Bearbeitungszeiten und
Maschinenfolgen sind in den folgenden beiden Tableaus angegeben. Die Numerierung der Maschinen erfüllt bereits die Voraussetzungen des Algorithmus.
Durch Addition der Bearbeitungszeiten erhält man S = (17, 15).
Nun werden die Konfliktfelder der Maschinen gemäß den Auftragsfolgen eingetragen, wobei sie bei Job Shop Probleme nicht mehr „diagonal“ angeordnet sind.
tji M1 M2 M3 M4 M5
J1 3 5 3 2 4
J2 4 3 3 3 2
i= 1 2 3 4 5
J1 M4 M1 M3 M2 M5
J2 M1 M2 M3 M4 M5
Operations Management Kapitel 5 / 97(c) Prof. Richard F. Hartl
Verfahren nach Akers VI
2M4 5M1 8M3 13M2 17M5
M1
M2
M3
M4
M5
4
7
10
13
15
Q
SG
F
M1
M2
M3
M4
M5
Regel
E
D
CB
A
Operations Management Kapitel 5 / 98(c) Prof. Richard F. Hartl
Verfahren nach Akers VII Die Anwendung des kürzeste Wege Verfahrens liefert:
Q
B
A
C
D
E
F
G
S
8
4
5
11
9
12
2
48
6
6
7
Lösung:
Operations Management Kapitel 5 / 99(c) Prof. Richard F. Hartl
Verfahren nach Akers VIII
J1
J2
J1
J1
J2
J1 J2
Maschine
2
1 Zeit
4
3
5
2 4 7 10 13 15 18 21
B
J2
J1 J2
D F
2
1
Zeit
Auftrag
2 4 7 10 13 15 18 21
M5M4
M1
M3M1
M2
M2
M3 M4 M5
Q S
Leerzeiten der Maschinen
Wartezeiten der AufträgeWeg
Operations Management Kapitel 5 / 100(c) Prof. Richard F. Hartl
Verfahren nach Akers IX
2M4 5M1 8M3 13M2 17M5
M1
M2
M3
M4
M5
4
7
10
13
15
Q
S
B
A
E
D
C
G
F
Das Akers-Verfahren lässt sich auch anwenden, falls Auftrags-freigabetermine aj 0 vorgegeben sind (Konfliktfelder nach NO verschieben) bzw. auch falls andere Zielfunktionen berücksichtigt werden, z.B. Dmax und Wmax (durch geeignetes Umdefinieren der Pfeilbewertungen).
Gantt