1 / 43

Quantitative Methoden der BWL – Lineare Programmierung

Quantitative Methoden der BWL – Lineare Programmierung. Prof. Dr. Steffen Fleßa Universität Greifswald. Gliederung. Grundlagen Modellierung in LINGO Fallstudie 1: Produktionsprogrammplanung Komplexere Modelle Fallstudie 2: Personaleinsatzplanung Ausblick. 1. Grundlagen.

donat
Download Presentation

Quantitative Methoden der BWL – Lineare Programmierung

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Quantitative Methoden der BWL – Lineare Programmierung Prof. Dr. Steffen Fleßa Universität Greifswald

  2. Gliederung • Grundlagen • Modellierung in LINGO • Fallstudie 1: Produktionsprogrammplanung • Komplexere Modelle • Fallstudie 2: Personaleinsatzplanung • Ausblick

  3. 1. Grundlagen • Planungs- und Entscheidungmodelle • Optimierende Modelle • Prognostizierende Modelle • Simulationsmodelle • Arten von Optimierenden Modellen • Infinitesimalrechnung • Lineare Programmierung • Entscheidungsbaumverfahren • Spielmodelle

  4. Grundmodell der mathematischen Programmierung • Variablendefinition x Vektor der Strukturvariablen • Zielfunktion • Nebenbedingungen

  5. Spezialfall: Lineare Programmierung • Zielfunktion • g(x) als lineare Funktion • Nebenbedingungen • Alle fi als lineare Funktionen • Nicht-Negativitäts-Bedingung

  6. Beispiel: Produktionsprogrammplanung • Inhalt: Festlegung der Menge der zu produzierenden Produkte. • Krankenhaus: • Festlegung des Fallklassenprogramms • Gebräuchlicher: Leistungsprogrammplanung

  7. Beispiel • Entgelt • Hüftoperation: 1600 € Deckungsbeitrag • Knieoperation: 1000 € Deckungsbeitrag • Restriktionen • OP-Kapazität: 6 Stunden/Tag • Aufwachraumkapazität: 8 Stunden/Tag • Spezifischer Bedarf • Hüftoperation: 2 Stunden OP-Kapazität, 2 Stunden Aufwachraumkapazität • Knieoperation: 1 Stunde OP-Kapazität, 2 Stunden Aufwachraumkapazität

  8. Optimale Lösung • Produktionsprogramm • Zwei Hüftoperationen (benötigt 4 Stunden OP-Kapazität, vier Stunden Aufwachraumkapazität) • Zwei Knieoperationen (benötigt 2 Stunden OP-Kapazität, 4 Stunden Aufwachraumkapazität) • Deckungsbeitrag: 2*1600 € + 2*1000 € = 5200 €

  9. Charakteristika der Produktionsprogrammplanung • Ressourcen: gegeben, unveränderlich • Produktionsmöglichkeitsbereich, Lösungsraum: durch Restriktionen eingeschränkt • Ziel: Deckungsbeitragsmaximierung • Ergebnis ist die Zahl der zu produzierenden Einheiten

  10. Lösung durch Lineare Programmierung • Variablendefinition: X1 = Anzahl der Knieoperationen X2 = Anzahl der Hüftoperationen • Nebenbedingungen 2 X1 + 2 X2< 8 1 X1 + 2 X2< 6 X1> 0 X2> 0 • Zielfunktion Z = 1000 X1 + 1600 X2Max!

  11. Graphische Lösung

  12. Konvexes Lösungspolyeder

  13. Zielfunktion und Optimierung Z=1000X1+1600X2

  14. 2. Modellierung in LINGO • Modell: • Solve

  15. Ergebnis Zielfunktionswert Zahl der Iterationen

  16. Endliche, zulässige Lösung Zielfunktionswert

  17. Zielfunktionswert X1=2 X2=2

  18. Variablen in der Basislösung haben immer „reducedcost“ von 0 Um wie viel würde der Zielfunktionswert sinken, wenn man die Variable in die Basislösung aufnehmen würde (wenn sie nicht in der Basislösung ist)

  19. Schlupfvariable: 0: Restriktion voll erfüllt (links=rechts) >0: ungenutzte Kapazität (Schlupf zwischen linker und rechter Seite)

  20. Schattenpreis: Um wie viel würde der Zielfunktionswert steigen, wenn man die Kapazität um eine Einheit erhöhen würde.

  21. Fallstudie 1: Produktionsprogrammplanung • Lösung der Arbeitsaufgabe (Fallstudie 1) • LINGO • Interpretation der Ergebnisse

  22. Ansatz

  23. Solver Status

  24. Ergebnisse

  25. Analyse • Entscheidungsvariable: • 50 Patienten von Klasse 3 • 100 Patienten von Klasse 4 • 25 Patienten von Klasse 7 • Restriktionen: • Pflegetage: 50 unterausgelastet • Labor: 0: Engpass • Röntgen: 1000: unterausgelastet • Operationssaal: 0: Engpass • Pflegekräfte: 0: Engpass • Ärzte: 4000: unterausgelastet

  26. Analyse • Variable Value ReducedCost • X1 0.000000 438.2833 • X2 0.000000 866.2750 • X3 50.00000 0.000000 • X4 100.0000 0.000000 • X5 0.000000 1126.700 • X6 0.000000 1850.000 • X7 25.00000 0.000000 • X8 0.000000 515.7000

  27. Analyse: • Aufgabe: Zwingen Sie das Modell, mindestens einen Patienten mit Fallklasse 1 zu behandeln. Wie verändert sich der Zielfunktionswert? • dZ= 459710.0 - 459271.7=438,3 • Vgl. reducedcost des Ausgangsmodells!

  28. Analyse • Row Slack or Surplus Dual Price • 1 459710.0 1.000000 • 2 50.00000 0.000000 • 3 0.000000 39.12750 • 4 1000.000 0.000000 • 5 0.000000 18.62500 • 6 0.000000 0.4776667 • 7 4000.000 0.000000

  29. Analyse • Aufgabe: Sie öffnen den OP eine Minute länger länger. Wie wirkt sich das auf den Zielfunktionswert aus? • OP-Zeit = 9001 min. • LP: … <=9001 • dZ=459728,6 – 459710 = 18,6 • Vgl. Schattenpreis!

  30. Komplexere Modelle • Ganzzahlige Variable (General Integer): 0,1,2,3,… • @GIN(X) • Binäre Variable (Binary Integer): 0,1 • @BIN(X) • Nicht-Vorzeichenbeschränkte Variable • @FREE(X)

  31. SETS • Ziel: Zusammenfassung von Objekten zu einer Menge, z.B. indizierte Variable • X={x1, x2, x3, …, xn} • SET-Section: Wir müssen die Sets definieren SETS: Set1: attribute; Set2: attribute; ENDSETS

  32. DATA • Inhalt: Liste der Konstanten für einzelne Sets • DATA-Section: Definition der Konstanten DATA: Set1 = S1, S2, …, Sn; Attribut = a1, a2, …, an; ENDDATA

  33. Summen • Inhalt: Summierung über alle Elemente einer Menge • Funktion: @SUM • @SUM(Index(i): c(i)*x(i)); • Voraussetzung: X und c wurden vorher als Set Index definiert, d.h. SETS: Index: c, x; ENDSETS

  34. Personaleinsatzplanung

  35. Personaleinsatzplanung

  36. Kosten • Schicht Kosten pro Mitarbeiter • 1 1500 € • 2 1000 € • 3 1000 € • 4 1000 € • 5 1000 € • 61200 € • 71200 € • 81500 € • N1800 €

  37. Einfacher Ansatz

  38. Ergebnis Einfacher Ansatz

  39. Ansatz mit SET

  40. Ansatz mit SET

  41. Summen • ZIELFUNKTION

  42. Summen • Nebenbeding- ungen • #LE#: lessorequalto • #GE#: greaterorequalto

  43. Ausblick • For-Schleifen • For i=1..n • Beispiel: @FOR( Schichten(I): @GIN(X(I))); • Einbindung von Excel • Eingabe • Ausgabe

More Related