e - Technische Universität Braunschweig

Transcription

UNIVERSITÄTSBIBLIOTHEK
BRAUNSCHWEIG
Dirk Mattfeld
Gemeinsame Fachtagung der Gesellschaft für Operations
Research und der Deutschen Gesellschaft für System
Dynamics am 13. und 14. November 2008 im Flughafen
Frankfurt/Main
Braunschweig : Institut für Wirtschaftsinformatik
Veröffentlicht: 02.02.2009
http://www.digibib.tu-bs.de/?docid=00024302
HINWEIS:
Dieser elektronische Text wird hier nicht in der offiziellen Form
wiedergegeben, in der er in der Originalversion erschienen ist. Es
gibt keine inhaltlichen Unterschiede zwischen den beiden
Erscheinungsformen des Aufsatzes; es kann aber Unterschiede in
den Zeilen- und Seitenumbrüchen geben.
02/02/2009
Gemeinsame Fachtagung der Gesellschaft für Operations Research
und der Deutschen Gesellschaft für System Dynamics
am 13. und 14. November 2008 im Flughafen Frankfurt/Main
Programm
Donnerstag, 13. November
Uhrzeit
ab 13:30
14:00 15:00
15:00 16:00
Redner
Titel
Begrüßungskaffee
Dirk Chr. Mattfeld
Begrüßung
David C. Lane,
London School of
Economics
Karsten Kieckhäfer,
Jörg Wansart, Grit
Walther, Thomas
Spengler, TU
Braunschweig
Marcus Gerasch,
Hans-Jörg von
Mettenheim, Michael
H. Breitner, Lothar
Schulze, Universität
Hannover
16:00 16:30
16:30 18:00
On the Linkage between
OR and SD
Dynamische Komplexität
in gesetzlichen
Anforderungen zur
Emissionsreduktion an
Automobilhersteller
Ganzheitliche Disposition
von Strecken- und
Flächenverkehren durch
kombinierten Einsatz
modifizierter Operations
Research Verfahren
3-14
und
15-19
Kaffeepause
Alexander Zock,
European Center for
Aviation Development
Markus Salge, PA
Consulting
Torben Barth, Marco
Franz, Fraport AG
ab 19:30
Seite
Szenario basierte
Optimierung von
langfristigen
Planungsprozessen auf
der Basis von SD –
Beispiele aus der
Luftverkehrswirtschaft
Path Depended Growth in
the US Airline Industry –
A Comparative Study of
‘People Express’ and
‘Southwest Airlines’
Gemischt-ganzzahlige
Optimierung in Echtzeit
am Beispiel der
Steuerung des
Transfergepäckumschlags
am Frankfurter Flughafen
Dinner
20-36
37-59
und
60-65
02/02/2009
Freitag, 14. November
Uhrzeit
09:00 10:30
10:30 11:00
11:00 12:30
12:30 13:30
Redner
Asvin Goel, MITZaragoza
International Logistics
Program
Johan KjeldgaardPedersen, Knud Erik
Wichmann, PA
Consulting
Joachim Daduna,
FHW Berlin
Titel
The Value of In-Transit
Visibility for Supply
Chains with Multiple
Modes of Transport
Boom or Bust – the
Future of Ocean Shipping
as a Complex Feedback
System
Seehafenhinterlandverkeh
re unter Berücksichtigung
der prognostizierten
Entwicklungen im
Containertransport
Seite
66-79
Kaffeepause
Grit Walther, G
Meyer, Thomas
Spengler, TU
Braunschweig
Jürgen Strohhecker,
Frankfurt School of
Finance and
Management
Diskussion
Regulatory Impact
Assessment for the
Transportation Sector –
Case Study Germany
Open vs. Closed Loop
Optimization of a Kanban
Logistic System
Bezüge und Synergien
zwischen OR und SD
80-103
104-125
02/02/2009
Ganzheitliche Disposition von Strecken und Flächenverkehren
Seite 6
Vortragsfolien
Gemeinsame Fachtagung
der Gesellschaft für Operations Research und
der Deutschen Gesellschaft für System Dynamics
Ganzheitliche Disposition von Strecken- und Flächenverkehren
Forschungsprojekt der
Vortrag:
Frankfurt, 13.11.2008
M. Gerasch
Co-Autoren: H.-J. v. Mettenheim
C. Schulte
Prof. Dr. M. H. Breitner Prof. Dr. L. Schulze
Stückgut und Sammelladungsverkehr
Stückgut
Güter die in Ladeeinheiten transportiert werden
Kartons, Kisten, Paletten, Big-Bags etc.
Teilladungsverkehr
Sendungen, die nicht die gesamte Transportkapazität beanspruchen
Im Regelfall ohne Umschlag
Sammelladungsverkehr
Bildnachweis: Flexbag, Hemmingen
Sendungen von ca. 30 kg bis ca. 3.000 kg
Konsolidierung des Warenflusses
Ziele
Bildnachweis: Schäfer, Neunkirchen
Steigerung der Gewichts-/ Volumenauslastung im Streckenverkehr
Zusammenfassung zu Sendungen für den kombinierten Verkehr
Folie 2
Date: 12.11.2008
2008LKG043_Presentation.ppt
© PSLT
02/02/2009
Seite 7
Frachtoptimierung
Charakteristik
Viele Quellen und viele Senken
Wechselnde Versender und
Empfänger in den Planungsperioden
Unterschiedliche Transportketten
Direktverkehre zwischen den Depots
und gebrochene Hauptläufe
Problemklasse, Many-to-many
PDVRP
Pick-up and delivery VRP
VSRP
Vehicle Scheduling and Routing
Problem
Folie 3
Date: 12.11.2008
© PSLT
Transportnetzwerke für Sammelladungen
Direktverkehre
Versender oder
Empfänger
Folie 4
Date: 12.11.2008
Hub-and-Spoke Systeme
Depot
Hub/Gate/Depot
Mehrstufiges Hub-and-Spoke
System oder Grid Network
Linienverkehr
Sammel-/ Verteilverkehr
© PSLT
02/02/2009
Seite 8
Anforderungen an den Planungsansatz
Geringe Einschränkungen des Suchraumes
Anbindung von Versendern und Empfängern an mehrere Depots
Gestattung unterschiedlicher Transportketten von Direktverkehren
bis zu mehrfach gebrochenen Hauptläufen
Kostenbasiertes Entscheidungsmodell
Individuelle Transportkosten für jede Relation
Lineare und nichtlineare Kostenfunktionen
Kosten für den Umschlag
Einhaltung der Restriktionen
Fahrzeugkapazität, zwei Dimensionen
Zeitfenster von Sendungen
Fahrzeiten und Umschlagzeiten
Folie 5
Date: 12.11.2008
© PSLT
Zuordnung nach dem Prinzip der marginalen Grenzkosten
Ausgangsnetzwerk
SA
DB
Beste Transportkette
für Sendung A (einzeln)
SA
S
SB
DA
Beste Transportkette
für Sendung B (einzeln)
SA
B
DB
DA
QA
SB
DB
QB
DA
Planungsergebnis:
Beste Transportketten durch
Konsolidierung der
Sendungen A und B.
SB
Folie 6
Date: 12.11.2008
SA
© PSLT
02/02/2009
Seite 9
Gesamtkonzept
Transportrelation n
Transportrelation 2
- Startund Zieldepot
Transportrelation
1
- -Startund Zieldepot
Fahrplan
oder Fahrzeit
- -Startund
Zieldepot
oder Fahrzeit
-Fahrplan
Tranpsortkonditionen
- -Fahrplan
oder Fahrzeit
-Tranpsortkonditionen
Kapazität des Verkehrs- -Transportkonditionen
Kapazität
mittels des Verkehrs- Kapazität
mittels des Verkehrsmittels
Auftrag n
Absender/Empfänger n
Auftrag
2
Absender/Empfänger
2
- Quelle
und
Senke
Lage
Auftrag
1
Absender/Empfänger
1
- -Quelle
und Senke
- -Lage
Transportmenge
Konditionen für Sammel- -Quelle
und Senke
Konditionen
für Sammel-Transportmenge
Frühester Abholzeitpunkt - -Adresse
und Verteilfahrten
- -Transportmenge
Verteilfahrten
-Frühester
SpätesterAbholzeitpunkt
Lieferzeitpunkt - Geokoordinaten
-und
Verkehrsanbindung
- -Frühester
SpätesterAbholzeitpunkt
Lieferzeitpunkt
- -Verkehrsanbindung
Kapazität
- Spätester Lieferzeitpunkt
- Kapazität
Depot n
Depot 2
- LageDepot
1
- -Lage
Konditionen für Sammel- -Adresse
Konditionen
für Sammelund Verteilfahrten
- Konditionen
für SammelVerteilfahrten
-und
Verkehrsanbindung
Verteilfahrten
-und
-Verkehrsanbindung
Kapazität
- -Geokoordinaten
Kapazität
- Umschlagskosten
Sortierung Auftragspool
Temporäre Anbindung der Versender und Empfänger an Depots
Auswahl nächster Auftrag
Kalkulation der Kantengewichtung
Speicherung der Menge
an den genutzten Kanten
Auftragsrouting
Auswertung und Dokumentation
Folie 7
Date: 12.11.2008
© PSLT
Kunde-Depot-Zuordnung
A. Alle Kunden in
einem Depotgebieten
Versender bzw. Empfänger
Folie 8
Date: 12.11.2008
B. Alle Depots in
einem Kundenradius
C. Anzahl Depots
mit größter
Kundennähe
Depot
möglicher Vor- bzw. Nachlauf
© PSLT
02/02/2009
Seite 10
Konditionsstrukturen
Typ A
Typ B
cemax
cemax
ve1 
U e1
ve2 
ve3  ve4
ve1 
Oe1  U e2 Oe2  U e3 Oe3  U e4 Oe4  xemax
U e1
ve2 
ve3  ve4
Typ C
Typ D
cemax
cemax
f e4
ve 
f
xemax
max
e
c
1
e
f e3
f e2
f e1
ve1 
f e1
U e1
Oe1  xemax
U e1
ve2 
ve3  ve4
Folie 9
Date: 12.11.2008
© PSLT
Netzwerkauswahl
A. Rechteckige Auswahlfläche
Versender bzw. Empfänger
Folie 10
Date: 12.11.2008
B. Elliptische Auswahlfläche
Gewählte Depots
Ausgeschlossene Depots
© PSLT
02/02/2009
Seite 11
Resultierendes Netzwerk für den
Kürzeste-Wege-Algorithmus
Folie 11
Date: 12.11.2008
© PSLT
Kürzeste-Wege-Algorithmus
(Initialisierung)
t pAnkunft
 toFAB
( oi)
Ltemp
: {[(0, t pAnkunft
o
( oi) ), (, o)]}
(Schleife)
do until Ltemp  {}
wähle l p (oi) mitl p ( oi)  min l
temp
p ( oi) L
c p ( oi)
if i  d then
end do
SAN
FAN
 teFAB
for e(ij ) mit ( t pAnkunft
)
( oi)
( ij ) und te ( ij )  td
Ankunft
 teSAB
 te(ij )  tdSAN ) e(ij )  E do
oder ( t pAnkunft
( oi)
( ij ) und t p ( oi)
c p ( oj)  c p ( oi)  ce(ij )
t pAnkunft
 max[ t pAnkunft
 te(ij ) ; teFAN
( oj)
( oi)
( ij ) ]
p(oj )  p(oi) & e(ij )
Ltemp
: Ltemp
 {[(c p (oj) , t pAnkunft
j
j
( oj) ), ( p(oj ), j )]}
Ltemp
: Eff ( Ltemp
 Lperm
)\Lperm
j
j
j
j
next for
Lperm : Lperm  {l p (oi) }
Ltemp : Ltemp\{l p (oi) }
loop
Folie 12
Date: 12.11.2008
© PSLT
02/02/2009
Seite 12
Ausschluss dominierter Label
l p6 (oi)
l 1p (oi)
l 10
p (oi)
l p7 (oi)
c1p (oi)
l p2(oi)
l 8p (oi)
l 3p (oi)
l 9p (oi)
l p4(oi)
l 5p (oi)
c 2p (oi)
Folie 13
Date: 12.11.2008
© PSLT
Unscharfe Zeitfenster
FAB an
Knoten 1
Unterminierte Kante
Nutzung der Kante
für Auftrag A
Nutzung der Kante
für Auftrag B
Nutzung der Kante
für Auftrag C
FAN an
Knoten 2
SAB an
Knoten 1
Kantendauer
SAN an
Knoten 2
Kantendauer
FAN an
Knoten 1
SAB an
Knoten 2
FAN an
Knoten 1
FAN an
Knoten 1
SAB an
Knoten 2
SAB an
Knoten 2
Kantendauer
Folie 14
Date: 12.11.2008
© PSLT
02/02/2009
Seite 13
Arbeitsschritte für die Teilterminierung
Dokumentation der Kantenabhängigkeiten
Paarweise Speicherung von Vorgänger-Nachfolger-Beziehungen
Vermeidung doppelter Speicherung
Anpassung der direkt betroffenen Kantenzeitfenster
Durchlaufen des genutzten Pfades vom Ende zum Beginn zur
Veränderung der Spätesten Ankünfte, kurz SAN, und Spätesten
Abfahrten, kurz SAB
Durchlaufen des genutzten Pfades vom Beginn zum Ende zur
Veränderung der Frühesten Ankünfte, kurz FAN, und Frühesten
Abfahrten, kurz FAB
Verfolgung der Abhängigkeiten gemäß Vorgänger-Nachfolger-Liste
Schleife über FAB und FAN
Schleife über SAB und SAN
Folie 15
Date: 12.11.2008
© PSLT
Vorgänger-Nachfolger-Beziehungen
N (e)
e
N (e)
e
1
3
12
7
3
4
12
13
3
5
13
14
2
3
14
10
6
2
14
11
7
4
13
15
7
5
16
13
4
8
16
7
4
9
17
16
5
10
15
18
5
11
6
17
1
12
16
2
7
3
13
5
14
15
4
e
10
8
18
11
9
Abhängige Kanten mit FAB und FAN Anpassung
Abhängige Kanten mit SAB und SAN Anpassung
Genutzte Kante mit direkter Notwendigkeit einer Anpassung
Genutzte Kante ohne direkte Notwendigkeit zur Anpassung
Folie 16
Date: 12.11.2008
© PSLT
02/02/2009
Seite 14
Demonstrator
Anwendungsumgebung
Datenbank: Microsoft Access
Automatisierung: Visual Basic for Applications
GIS-System: Microsoft Mappoint
Visualisierung: Microsoft Mappoint und Powerpoint sowie Drawboard
Aufbau
Frontend.mdb: Formulare, Programmierung und genetischer
Algorithmus mit Datenhaltung
Backend.mdb: 15 Tabellen
Keine Installation notwendig
Lauffähig auf Microsoft Office Professional 2003 und 2007
Folie 17
Date: 12.11.2008
© PSLT
GUI
Folie 18
Date: 12.11.2008
© PSLT
02/02/2009
Seite 15
Beispielhafte Ergebnisdarstellung
Folie 19
Date: 12.11.2008
© PSLT
Alternative Auftragssortierungen
Gewicht,
Gewicht,
absteigend
absteigend
Zeit pro
pro Entfernungskilometer,
Entfernungskilometer,
Zeit
absteigend
absteigend
Zufällige Sortierung
Sortierung
Zufällige
Genutzte Kanten: 106
Genutzte Kanten: 105
Genutzte Kanten: 98
Kosten der Verkehrsleistung: 0,932 €/t*m²*km
Erfüllte Verkehrsl.: 86,4 %
Erfüllte Aufträge: 73,3 %
Erfüllte Aufträge:
Erfüllte Aufträge:
Folie 20
Date: 12.11.2008
87,7 %
79,3 %
© PSLT
02/02/2009
Seite 16
Verbesserung der Lösung durch einen
genetischen Algorithmus
0,925
80 Individuen
9 Sortiert
71 Zufällig
59 Generationen
Fitness in €/t*km*qm
0,92
0,915
0,91
0,905
0,9
0
5
10
15
20
25
30
35
40
45
50
55
Generation
Folie 21
Date: 12.11.2008
© PSLT
Gewichtsstruktur des besten Individuums
Normierte Merkmalsausprägung
2,5
2
1,5
1
0,5
0
0
200
400
600
800
1.000
Auftrag
Gewicht
Folie 22
Date: 12.11.2008
Gewicht (gleitender Durchschnitt)
© PSLT
02/02/2009
Seite 17
Ausblick
Für die tägliche Disposition liegt ein Planungsansatz vor, der in einem
Entscheidungsunterstützungssystem genutzt werden kann
Anpassung des Planungsansatzes an betriebliche Abläufe
Optimierung in Zeitscheiben
Ausgabe von Zwischenergebnissen
Manuelle Einflussnahme auf das Ergebnis
Reoptimierung
Testung mit Realdaten und Bewertung der Planungsergebnisse
Weiterer Forschungsbedarf
Verbesserung der Sortierregeln
Einbindung von Depotkapazitäten
Nutzung des Ansatzes für Aufgaben der taktischen Planung
Folie 23
Date: 12.11.2008
© PSLT
Ganzheitliche Disposition von Strecken- und Flächenverkehren
durch kombinierten Einsatz modifizierter Operations Research
Verfahren
Marcus Gerasch
Fachgebiet Planung und Steuerung von Lager- und Transportsystemen, Leibniz Universität
Hannover, Tel. +49 (0)511 762 4872, Email: [email protected]
Hans-Jörg von Mettenheim
Institut für Wirtschaftsinformatik, Leibniz Universität Hannover, Tel. +49 (0)511 762 4982,
Email: [email protected]
Carsten Schulte
Michael H. Breitner
Institut für Wirtschaftsinformatik, Leibniz Universität Hannover, Tel. +49 (0)511 762 4901,
Email: [email protected]
Lothar Schulze
Abstract
Auch in heutigen Sammelladungsspeditionen ist die Disposition der verschiedenen
Sendungen eine manuell durchgeführte Tätigkeit von speziell geschultem Personal: den
Disponenten. Welche Sendung über welche Strecke geführt wird, wird anhand persönlicher
Erfahrungen und momentan freier eigener Kapazitäten entschieden. Eine durchgängige
Entscheidungsunterstützung durch EDV findet praktisch nicht statt. Daher ist auch die
Auswahl möglicher Routen eingeschränkt: In der Regel sind bestimmten Postleitzahlgebieten
ausgewählte Spediteure fest zugeordnet. Ein Ausweichen auf Alternativen, die
möglicherweise günstiger sind, ist nur schwer möglich und daher unüblich. Dabei liegt in
einer optimierten Sendungsdisposition erhebliches Einsparpotenzial. So können z. B. Wege
verkürzt oder Fahrten und Fahrzeuge eingespart werden. Im vorliegenden Paper stellen wir
ein Verfahren vor, das es erlaubt, einen Auftragspool von Sendungen multikriteriell durch ein
bestehendes Netzwerk zu routen. Hierbei wird anhand von Sendungsparametern wie Größe
und Gewicht eine optimale Verteilung auf bestehende Linienverkehre sowie Kapazitäten von
Drittanbietern erreicht. Zeitfenster bei der Abholung bzw. Zustellung werden ebenfalls
berücksichtigt. Das Modell wird in Access implementiert, um es einer möglichst breiten
Nutzerzahl verfügbar zu machen. Ein Auftragspool von ca. 10.000 Sendungen kann auf einem
deutschlandweiten Netzwerk innerhalb weniger Minuten geroutet werden. Die Modellbildung
erfolg in Zusammenarbeit mit Partnern aus dem Speditionsgewerbe, um die Praxisrelevanz
sicherzustellen.
Schlüsselworte:
Disposition, Sammelladung, Zeitbeschränkung, Kürzeste-Wege-Algorithmen
Problembeschreibung
Die Aufgabe in einer Spedition, den Auftragspool eines Tages für die meist in der Nacht
durchgeführten Hauptläufe sinnvoll zu disponieren, wird üblicherweise manuell durchgeführt.
Der Disponent verwendet hierzu instinktiv Heuristiken, die nur in den seltensten Fällen
formalisiert sind. Die Einarbeitung eines Disponenten kostet Zeit und der Disponent ist damit
02/02/2009
02/02/2009
Seite 2
eine wertvolle Ressource. Wir untersuchen die Frage, wie ein großer Teil der routinemäßigen
Dispositionsarbeit sinnvoll automatisiert werden kann. Dies ist nicht zu verwechseln mit der
Tourenplanung, die beispielsweise ein Paketdienst vornimmt. Hierfür existiert schon seit
langem Software mit den einschlägigen Algorithmen. Das betrachtete Problem zielt auf das
Speditionsgewerbe für den Transport von Stückgütern, die nicht als Ladungs- oder
Teilladungsverkehre abgewickelt werden sollen. Die besondere Herausforderung besteht
darin, die unterschiedlichen Güter sinnvoll zu erfassen und auf existierende
Transportkapazitäten aufzuteilen. Üblicherweise werden hierzu die äußeren Abmessungen
und das Gewicht verwendet.
Die Anwendung im Speditionsgewerbe stellt eine Innovation dar. Weder aus der
einschlägigen Literatur noch im praxisnahen Umfeld ist ein vergleichbarer Ansatz bekannt.
Nach aktuellem Informationsstand erfolgt auch weltweit die Disposition von Stückgütern
manuell. Selbst in der Containerlogistik, für die bspw. das Feld der Terminaloperations
umfangreich untersucht und automatisiert wurde, stehen ganzheitliche Planungsansätze für
die immer komplexer werdenden Transportnetzwerke nicht zur Verfügung.
Eine optimale Aufteilung der Güter auf das Speditionsnetz erlaubt eine bessere Auslastung
der vorhandenen Ressourcen. Die Wirtschaftlichkeit der Spedition bzw. des Netzwerkes
steigt. Das Problem der Disposition von Strecken- und Flächenverkehren bietet sich an, mit
Methoden des Operations Research angegangen zu werden. Wir verwenden eine modifizierte
Version des Kürzeste-Wege-Algorithmus, um den verschiedenen Restriktionen Rechnung zu
tragen. In Absprache mit Praxispartnern aus Speditionen und anderen Transportunternehmen
wird das Modell entworfen und im Datenbanksystem Microsoft Access implementiert. Das
resultierende Tool ist dabei als Entscheidungsunterstützungssystem ausgelegt, dass den
Disponenten unterstützen soll, um Freiräume für Tätigkeiten zu schaffen, die sich nicht
automatisieren lassen.
Ansatz
Zu Beginn eines Durchlaufs müssen die folgenden Informationen zur Verfügung stehen:
 Transportnetzwerk: das Transportnetzwerk besteht aus verschiedenen Kanten, die
jeweils einer gefahrenen Route entsprechen: z. B. eine Fahrt von A nach B, Abfahrt
zur Uhrzeit S, Ankunft zur Uhrzeit T. Des weiteren enthalten die Kanten
Kapazitätsbeschränkungen für Gewicht und Ladefläche der bedienenden Fahrzeuge.
Aus den Fahrzeugen ergeben sich fixe und variable Kosten, die ebenfalls hinterlegt
sein müssen. Diese Linienverkehre ändern sich nur selten und brauchen nicht für jeden
Lauf neu erstellt zu werden. Allerdings kann dieses Transportnetz beispielsweise
durch Kapazitäten von Drittanbietern ergänz werden. An jedem Standort gibt es
außerdem einen Fahrzeugtyp, mit dem Vor- und Nachlauf organisiert werden.
 Auftragspool: Hier werden einzelne Aufträge abgebildet. Wesentliche Angaben sind
Größe und Gewicht der Sendung. Hinzu kommt eine Geocodierung des Standorts.
Außerdem müssen der frühestmögliche Abholzeitpunkt und spätestmögliche
Ankunftszeitpunkt hinterlegt sein.
Auf Grund des großen Umfanges praxisrelevanter Probleminstanzen, die mehrere tausend
Kanten und mehrere zehntausend Aufträge täglich umfassen können, wird auf die
Formulierung einer Zielfunktion und umfangreicher Nebenbedingungen verzichtet. Der
anstelle einer mathematischen Optimierung entwickelte heuristische Zuordnungsalgorithmus
verteilt Aufträge folgendermaßen nach dem Prinzip der marginalen Grenzkosten auf die
Kanten des Netzwerks:
 Arbeite den Auftragspool seriell ab. Hierbei wird auf jeder Kante überprüft, zu
welchem Anteil die Kapazität (Ladefläche bzw. Laderaum oder Gewicht) bereits
ausgeschöpft ist. Jede Kante wird dann anhand des Parameters mit der höheren
Auslastung bewertet.
02/02/2009
Seite 3

Überprüfe für den Auftrag, welche End-of-Line Depots relevant sind. Hierbei werden
auch Kosten für die Beförderung des Gutes zu den Depots ermittelt. Der Umfang der
zu berücksichtigen Depots ist parametrisiert.
 Eliminiere für den betrachteten Auftrag irrelevante Relationen: Dies sind zunächst
Netzwerkkanten, die aus rein geographischer Sicht nicht zu einer gewünschten Lösung
gehören können. Weiterhin werden auch Relationen, die für die Sendung nicht
genügend freie Kapazitäten zur Verfügung stellen können, ausgeschlossen.
 Führe ein Routing des Auftrages durch das Netzwerk durch. Halte dabei alle
Kapazitäts- und Zeitrestriktionen ein. Eliminiere alle Zwischenlösungen, die dominiert
werden bzw. die Zeitrestriktionen in einem späteren Berechnungsschritt verletzen
werden. Terminiere das Routing nach Dijkstra.
 Nach dem Auftragsrouting werden die auf dem günstigsten Weg genutzten Kanten als
Lösung für den Auftrag dokumentiert. Die kapazitive Inanspruchnahme durch den
Auftrag wird den Kanten des günstigsten Weges zugeschlagen.
 Die Schleife endet, nachdem der letzte Auftrag durch das Netzwerk geroutet wurde.
Im Nachgang wird die Lösung auftrags-, fahrzeug- bzw. depotbezogen aufbereitet.
Gespräche mit den Praxispartnern ergaben, dass beim Einsatz eigener Fahrzeuge lediglich von
fixen Kosten (fährt oder fährt nicht) ausgegangen werden kann. Die Zusatzkosten, die sich
durch höhere Beladung ergeben, seien „vernachlässigbar“. Eine entsprechende Vereinfachung
des Algorithmus erscheint jedoch nicht sinnvoll, da der zusätzliche Rechenaufwand für
lastabhängige Kosten gering ist und das Modell mit nahezu beliebige Kostenstrukturen
flexibel für eigene Fahrzeuge, Fremdkapazitäten und gemischte Netzwerke einsetzbar ist.
Kürzester-Wege-Algorithmus
Der im Kern des Ansatzes arbeitende Kürzeste-Wege-Algorithmus ist als Label-SettingAlgorithmus ausgeführt. Der Algorithmus greift auf die für das Routing freigegebenen
Kanten, die aus Linienverkehren sowie temporär angelegten Nahverkehrsverbindungen
bestehen, zu. Um den Datenzugriff zu erleichtern, wurden die an den Knoten hinterlegten
Informationen zu Umschlagskosten und -zeiten zuvor in die Kantenbewertungen
hineingerechnet. Die erzeugten Label, werden mit Kosten, Ankunftszeit am
Kantenendknoten, dem vollständigen Pfad in Form einer Kantenliste sowie dem aktuellen
Knoten gespeichert.
Die Labelliste wird nach absteigenden Kosten sortiert. Der Status eines Labels verändert sich
durch eine Untersuchung von temporär zu permanent. Der Algorithmus bricht ab, wenn keine
temporären Label mehr zu Verfügung stehen oder wenn es sich beim nächsten zu
untersuchende Knoten um den gesuchten Zielknoten handelt. Der beschriebene Algorithmus
erfordert für die Transportkosten positive Kantenbewertungen.
Im Laufe der Iterationen werden neben effizienten Labeln auch ineffiziente Label erzeugt. Je
nach Struktur des zu Grunde liegenden Netzwerkes bringt es Laufzeitvorteile, wenn diese
ineffizienten Label aus der Liste wieder entfernt werden. In der Demonstratorumsetzung hat
sich die Bestimmung der pareto optimalen Label aus der Gesamtmenge zwar als aufwändig
bestätigt. Deutliche Laufzeitvorteile werden aber dann erreicht, wenn die
Effizienzbestimmung nicht nach jedem erzeugten Label, sondern nach einer bestimmten
Anzahl Iterationen vorgenommen wird. Die Anzahl Iterationen hängt von der
Netzwerkstruktur ab und ist parametrisiert.
Teilterminierung von Kanten
Der Kürzeste-Wege-Algorithmus ist so ausgelegt, dass er auch mit Relationen umgehen kann,
die zeitlich noch nicht endgültig festgelegt sind. Für diese Relationen existiert zwar eine
frühest mögliche Abfahrt, kurz FAB und eine spätest mögliche Ankunft, kurz SAN, innerhalb
02/02/2009
Seite 4
dieses Zeitfensters ist jedoch die Kantendauer ausschlaggebend. Der Umgang mit einem
solchen Zeitfenster ist aus Sicht des Kürzeste-Wege-Algorithmus zwar unkritisch, aus Sicht
des gesamten Auftragspools müssen jedoch Maßnahmen im Nachgang zur Kürzeste-WegeSuche ergriffen werden, um die Ergebniskonsistenz zu garantieren.
Die auf dem kürzesten Weg genutzten Kanten müssen zunächst daraufhin untersucht werden,
ob die Anpassung der Zeitfenster also der FAB und SAN notwendig ist. Wurden hierbei
Anpassungen durchgeführt, müssen diese auch für alle Kanten des Netzwerkes vorgenommen
werden, für die sich im Laufe des Algorithmus Abhängigkeiten ergeben haben. Dafür wird
jeder genutzte kürzeste Weg mit seinen Vorgänger-/ Nachfolgerbeziehungen in einer Liste
gespeichert. Die hierbei entstehenden Abhängigkeiten werden mit jeder Sendung immer
komplexer, womit das skizzierte Verfahren immer länger dauert. Da ein Ast eines solchen
Baumes aber dann nicht weiter untersucht werden muss, wenn an einer Kante keine Änderung
notwendig war und da die Änderungsnotwendigkeit auf Grund der immer engeren Zeitfenster
immer kleiner wird, fallen die Laufzeiten im Demonstrator derzeit kaum ins Gewicht.
Auftragssortierungen
Die im Ansatz erwähnte serielle Abarbeitung des Auftragspools bedarf einer genaueren
Betrachtung, da die Reihenfolge der Einlastung der Aufträge einen entscheidenden Einfluss
auf die Qualität der Lösung hat. Für die Sortierung des Auftragspools wurde bereits zu
Beginn der Forschung eine einfache Heuristik formuliert: Sortiere die Aufträge nach
Sendungsgröße; die größten Sendungen zu erst.
Um die Qualität dieser intuitiv gewählten Sortierregel zu bestätigen bzw. um Erkenntnisse
über bessere Sortierreihenfolgen zu gewinnen, wurde dem dargestellten Ansatz eine
Metaheuristik übergeordnet, die die Auftragsreihenfolge optimiert. Der hierfür gewählte
genetische Algorithmus nutzt das entwickelte Tool zur Bestimmung der Fitness der
generierten Auftragssortierungen. Dazu wurden mit den „Kosten pro erbrachter
Verkehrsleistung“ und dem Verhältnis aus „erbrachter“ zur „beauftragten Verkehrsleistung“
zwei Kennzahlen entwickelt, die die generierten Lösungen vergleichbar machen.
Auf Grund der langwierigen Fitnessberechnung können für einen genetischen Algorithmus
nur sehr kleine Versuche gemacht werden. Bei einer Generationsgröße von 80 Individuen und
59 Generationen konnte die Lösung, in der ein Individuum mit absteigender Sendungsgröße
vertreten war, lediglich um 1,9 % verbessert werden. Bei einer Analyse des resultierenden
besten Individuums kann ein Einfluss der Individuen, die auf einer an der Sendungsgröße
ausgerichteten Sortierung beruhen von ca. 24 % nachgewiesen werden. Bei einem weiteren
Versuch mit 80 zufällig erzeugten Sortierungen wurde die Fitness einer
sendungsgrößenorientierten Sortierung erst nach über 40 Generationen erreicht. Nach 100
Generationen wurde lediglich eine Verbesserung um ca. 1,3 % realisiert. Dies scheint die
Wahl der ursprünglichen Sortierungsregel zu bestätigen.
Ausblick
Die entwickelte Software ermöglicht bereits die tägliche Disposition. Für realistische
Auftragspools und Netzwerke fallen je nach Struktur auf einem modernen Rechner (ein
Prozessor) Rechenzeiten im einstelligen Minutenbereich an. Hierbei ist noch
Optimierungspotenzial durch Portierung von Access und VBA in eine leistungsfähigere
Programmiersprache vorhanden. Hierauf wurde jedoch zunächst bewusst verzichtet, um die
Anwendung leicht modifizierbar zu halten und sie jedem Anwender mit einer Access
Installation zugänglich zu machen. Die Rechenzeit kann auch durch eine Parallelisierung des
Zuordnungsalgorithmus für Mehrprozessorrechner verbessert werden. Eine Parallelisierung
ist jedoch nicht trivial realisierbar und würde eine angepasste Heuristik und die Aufteilung
des Auftragspools erfordern. Dies wäre auch lediglich mit wenigen Partitionen möglich.
02/02/2009
Seite 5
Weiterhin wird nach optimierten Sortierungen gesucht, die Rückschlüsse auf Regeln für
effizientere Sortierungsheuristiken zulassen.
Die rechtzeitige Bereitstellung von Eingabedaten ist in der Praxis noch problematisch.
Sinnvoll einsetzbar ist die Software vor allem dann, wenn damit ganze Netzwerke optimiert
werden. In Speditionskooperationen setzt dies eine Bündelung der sensiblen Auftragsdaten
von mehreren selbstständigen Spediteuren voraus. Im Gespräch mit Praxispartnern bestätigten
sich zu erwartende Vorbehalte. Erste Versuche mit anonymisierten Daten sind jedoch
möglich. Wesentlich kritischer ist zu sehen, dass in der Praxis genaue Daten über äußere
Abmessungen und Gewicht häufig erst spät oder gar nicht zur Verfügung stehen. Die
Einrichtung einer webbasierten Auftragserfassung sowie die Anbindung an die EDV-Systeme
der Absender sind in dieser Hinsicht erfolgversprechende Wege, die von den Spediteuren
bereits beschritten werden.
Zurzeit ist die Software zur Automatisierung der operativen Disposition einsetzbar. Dies
bedeutet, dass die Verteilung von Aufträgen auf ein bestehendes Netzwerk ermittelt wird. Es
wird der sogenannte Loadplan erstellt. Aus Operations Research Sicht ist jedoch die taktische
Planung weitaus interessanter: Wie sollte bei einem gegebenen Auftragspool der
Linienfahrplan optimal gestaltet werden? Gestaltungsalternativen, wie Pendel-,
Begegnungsverkehre und Umläufe, sind dabei ebenso Komplexitätstreiber wie beispielsweise
Arbeitszeitregelungen. Die Beantwortung dieser Frage soll aufbauend auf den Ergebnissen
dieses Forschungsprojektes erfolgen. Dank des flexiblen Umgangs mit Zeitfenstern wurde für
ein solches Dynamic-Service-Network-Design-Problem bereits eine gute Basis geschaffen,
die ohne zeitexpandierte Graphen auskommt.
Literatur










Crainic, T. G.: Long-haul freight transportation. In: Handbook of transportation
Science (Hrsg. Hall, R. W.), Kluwer Academic Publishers: New York, 2003
Crainic, T. G.; Kim, H. K.: Intermodal Transportation. In: Handbooks in Operations
Research & Management Science: Transportation, 14 (Hrsg. Barnhart, L.; Laporte, G.)
North-Holland, 2006
Grünert, T.; Sebastian, H.-J.: Modelle zur taktischen Planung von Frachttransporten.
In: Logistik Management - Intelligente I&K Technologien (Hrsg. Kopfer, H.;
Bierwirth, C.), Berlin: Springer-Verlag, 1999
Janz, O.: Integriertes Transportnetzmanagement: Angebots- und nachfrageorientierte
Planung und Steuerung komplexer Transportnetze. Mannheim: Josef Eul Verlag, 2003
Klose, A.: Quantitative approaches to distribution logistics and supply chain
management. Heidelberg: Springer Verlag, 2002
Kopfer, H.; Krajewska, M. A.: Inter- und intraspeditionelle Auftragsdisposition. In:
Industrie Management, 2006, Nr. 3, S. 75-77
Miyamoto, Y; Kubo, M.: Algorithms for the Freight Network Design Problem. The
Fifth Metaheuristics International Conference, Kyoto, 25.08.2003 - 28.08.2003
Pankratz, G.; Gehrling, H.: Ein genetischer Algorithmus für ein dynamisches
speditionelles Dispositionsproblem. In: Proceedings of Operations Research 2000
(Hrsg. Fleischmann, B.; Lasch, R.; De-rings, U.; Domschke, W.; Rieder, U.), Berlin:
Springer-Verlag, 2001, S. 420-425
Schönberger, J.; Kopfer, H.: A collaborative approach for solving the portfolio
recomposition problem in transport cooperations. In: Logistik Management (Hrsg. T.
Spengler et al.). Heidelberg: Physica Verlag, 2004
Wieberneit, N.: Service network design for freight transportation: A review. In: OR
Spectrum, 30 (2008), Nr. 1, S. 77-112
Path Depended Growth
in the US Airline Industry
A Comparative Study of „People Express‟ and
„Southwest Airlines‟
Markus Salge
In Association with
Professor Dr. Dr. h.c. Peter Milling
Industrieseminar, Mannheim University
13. November 2008
02/02/2009
02/02/2009
Contents
A brief history of People Express and Southwest Airlines
A simple system dynamics model of a low cost airline / Model validation
Finding leverage in People Express‟ corporate growth strategy
© PA Knowledge Limited 2008. Path dependend Growth in the us-airline industry_2.ppt
Page 2
02/02/2009
In the early 1980s, People Express followed an aggressive expansion
strategy…
100
Dashed lines represent Southwest Airlines
Solid lines represent People Express
80
Fleet Size
60
40
Destinations
20
0
1981
1982
1983
1984
Page 3
1985
1986
02/02/2009
experienced rapid passengers growth…
15
Passengers (m p.a.)
12
9
6
3
0
1981
1982
1983
1984
Page 4
1985
1986
02/02/2009
and went into bankruptcy only a few years later
100
50
Operating Profit (m $ p.a.)
0
-50
-100
-150
1981
1982
1983
1984
Page 5
1985
1986
02/02/2009
How can we avoid such a boom and bust behavior?
 The common explanation for People Express‟ boom and bust behavior is excessive
corporate growth
 This hypotheses implies a method for falsification
 The method has to grasp the complexity of growth strategies that stems from:
 Tight coupling (elements interact strongly with each other, often with significant
delays)
 Abundant feedback (actions affect the state of the project which affects subsequent
actions)
 Non-linearity (Effect is rarely proportional to cause, and local effects are very
different from distant effects)
 History dependence (Taking on one path precludes taking other paths, makes
actions and conditions irreversible)
 Being counterintuitive (Important cause-effect links are distant in time & space,
contrary to expectations that lead us to seize on symptoms rather than real causes)
Page 6
02/02/2009
Contents
Page 7
02/02/2009
A simple system dynamics model of a low-cost airline
 Being as simple as possible, a system
dynamics model has to incorporate the most
meaningful feedback loops of a problem
 A system dynamics model which includes
the major structural elements
of a problem is capable to reproduce
its specific behavior modes
+
+
service
morale
work load
+
passengers
+
-
staff
+
load factor
+
destinations
+
Page 8
-
+
+
+
fare
+
potential
passengers
financial
performance
-
+
 It therefore allows for falsification
testing of hypotheses
+
aircrafts
+ profitability
-
02/02/2009
Even though the model has not been extensively calibrated it is able to mimic both,
People Express‟ and Southwest Airlines corporate growth with relative high accuracy
Passengers
20 M
15 M
R2 = 0.92 (PE)
R2 = 0.86 (SW)
10 M
5M
0
0
6
12
18
24
30
36
Time (Month)
People Express simulated
People Express actual
Southwest Airlines simulated
Southwest actual
Page 9
42
48
54
60
02/02/2009
Even though the model has not been extensively calibrated it is able to mimic both,
People Express‟ and Southwest Airlines corporate growth with relative high accuracy
Operating Profit
600 M
300 M
R2 = 0.73 (PE)
R2 = 0.98 (SW)
0
-300 M
-600 M
0
6
12
18
24
30
36
42
48
54
60
Fleet Size
200
150
R2 = 0.95 (PE)
R2 = 0.94 (SW)
People Express simulated
People Express actual
Southwest Airlines simulated
100
50
0
0
Southwest actual
Page 10
6
12
18
24
30
36
Time (Month)
42
48
54
60
02/02/2009
Contents
Page 11
02/02/2009
People Express and Southwest Airlines followed different paths of growth
People Express
Competing the “majors” on hub-airports
Southwest Airlines:
Establishing a point-to-point network
 To attract a high number of potential passengers
 Generation of high rate of corporate growth
 To achieve homogeneous stage lengths
 Appliance of one type of aircraft
 Achievement of “critical mass” to benefit from
economies of scale
 High degree of copartner ship of workforce
 Competing the majors on near-by secondary
airports
 Reduction of airport fees and turning times on
uncontested and uncoordinated airports
Page 12
02/02/2009
Slowing down People Express‟ to Southwest Airlines‟ destination growth rate does not
lead to profitable growth – the opposite is the case
0
service +
+
Operating Profit
-50 M
morale
work load
+
passengers
+
-150 M
-
0
6
12
18
24
30
36
42
48
potential
passengers
54
+
+
destinations
+
passengers
Potential passengers
0
6
12
18
24
30
36
42
48
54
staff
+
+
0
-
fare
load factor -
15 M
7.5 M
+
+profitability
+
-200 M
60
Page 13
financial
performance
-
+
-100 M
+
aircrafts
-
02/02/2009
Slowing down People Express‟ to Southwest Airlines‟ destination growth rate does not
lead to profitable growth – the opposite is the case
service +
1.5
morale
+
work load
1.25
+
Work Load
passengers
+
0.75
-
0
6
12
18
24
30
36
42
48
54
60
potential
passengers
+
load factor +
destinations
+
0.8
0.7
0.6
0
6
12
18
24
30
36
42
48
54
60
Page 14
staff
+
1
0.9
-
fare
+
Service
Level
+
+profitability
+
0.5
financial
performance
-
+
1
+
aircrafts
-
02/02/2009
Slowing down People Express‟ destination growth rate and increasing fare leads to
profitable growth – a counterintuitive strategy for a low-cost airline!
+
+
service
morale
work load
+
+
-
Operating Profit
600 M
300 M
low growth
-300 M
-600 M
0
6
12
18
24
30
36
Time (Month)
42
48
54
60
Page 15
staff
+
load factor +
destinations
+
actual
0
-
+
+
higher fares
& low growth
+
fare
+
potential
passengers
financial
performance
-
+
passengers
+
aircrafts
+ profitability
-
02/02/2009
Results/Discussion
 The model demonstrates the potential of system dynamics based analyses of
corporate growth strategies
 In particular, it falsifies the common explanation to People Express‟ boom and bust
behavior, i.e., extensive corporate growth
 It shows that appealing solutions to a problem can lead to unintended consequences
 In lieu of, complex problems demand for innovative solutions that might be
counterintuitive at a first glance
Page 16
02/02/2009
For more information, please contact
Markus Salge
Global Business Transformation Group
Eschersheimer Landstraße 223
60320 Frankfurt am Main
Germany
Tel:
+49 69 71 702 255
Mobile: +49 171 557 28 44
E-mail: [email protected]
Page 17
Gemischt-ganzzahlige Optimierung in Echtzeit am
Beispiel der Steuerung des Transfergepäckumschlags am Frankfurter Flughafen
Gemeinsame Fachtagung der Gesellschaft für Operations Research
und der Deutschen Gesellschaft für System Dynamics
Frankfurt, 13.11.2008
Torben Barth, Fraport AG
Marco Franz, Fraport AG
Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte,
insbesondere die der Übersetzung, des Nachdrucks, der Entnahme von
Abbildungen, der Funksendung, der Wiedergabe auf photomechanischem oder
ähnlichem Wege und der Speicherung in Datenverarbeitungsanlagen, stehen
ausschließlich der Fraport AG Frankfurt Airport Services Worldwide zu.
02/02/2009
02/02/2009
Seite 2
Vortragende
Torben Barth
Information &
Telecommunication
Software and Consulting
Services
[email protected]
Marco Franz
Information &
Telecommunication
Ground Handling
Systems
[email protected]
Seit 2005 bei der Fraport AG
Berater für Prozessmanagement und
Optimierungsthemen
Seit 2004 bei der Fraport AG
Senior Solution / Product Developer
Torben Barth und Marco Franz, Fraport AG
02/02/2009
Seite 3
Agenda
1
Fraport / Flughafen Frankfurt auf einen Blick
2
Projektbeschreibung
3
Optimierungslösung
4
Erfahrungen
5
Ausblick & Diskussion
02/02/2009
Seite 4 Fraport / Flughafen Frankfurt auf einen Blick
Umsatzträger sind unsere Kerngeschäftsfelder
30%
27%
20%
23%
Aviation
Ground Handling
Retail &
Properties
External
Activities
698,7 Mio Euro
620,5 Mio Euro
471,4 Mio Euro
538,4 Mio Euro
Umsätze im Gesamtkonzern nach Segmenten 2007
02/02/2009
Frankfurt Airport – unsere Home Base
– Auf 19 km2 Fläche 83
Flugbewegungen pro Stunde
– 2 Start- und Landebahnen + 1
Startbahn
– 2 Fluggast-Terminals und 1
AIRail Terminal (ICE-Bahnhof)
– 138 Gates
– 200 Positionen
– AirCargo Gleisanschluss
An einem Tag*:
– 148.000 Passagiere
– 77.900 Gepäckstücke
– 5.700 Tonnen Fracht
– 393 Züge an den FlughafenBahnhöfen (Fahrplan 2008)
*durchschnittliche
Angaben aus 2007
02/02/2009
Mit FRA sind wir unter den Top Ten im weltweiten
Passagierverkehr ...
Passagiere 2007 (in Mio.)
1. Atlanta
89,4
2. Chicago
76,2
3. London Heathrow
68,1
4. Tokyo Haneda
66,8
5. Los Angeles
61,9
6. Paris CDG
59,9
7. Dallas Ft Worth
59,8
8. Frankfurt
54,2
9. Beijing
53,6
10. Madrid
52,1
Quelle: ACI
02/02/2009
Seite 7
Agenda
1
2
Projektbeschreibung
3
Optimierungslösung
4
Erfahrungen
5
02/02/2009
Seite 8
Projektbeschreibung
Grundlegende Fragestellung : Weitergehende
Unterstützung der Steuerung des Transfergepäcks
durch eine IT-Lösung
T2
Lösungsansatz: Einsatz eines
mathematischen Optimierers zur
Generierung automatischer
Dispositionsvorschläge
Realisierung: Interne
Entwicklung in iterativen Stufen
TZA
(Rapid Prototyping) unter
ständiger Kundeneinbindung
seit Januar 2008
Inbound-Position
Kodierbereich
Outbound-Position
V3
INT
Beispielhafte Verteilung:
NEHO1V3-V3-2INT-RTZA
02/02/2009
Seite 9 Projektbeschreibung
Prozesskette des Umsteigegepäcks
Gesamtprozesszeit
O
N
B
Entladung
Transport
Standzeit
1. Rückkopplung bei Abfahrt
von Position
Kodierzeit
GFA-Zeit
Entnahme
-zeit
Transport
Beladung
Klappen
Schliessen
O
F
B
2. Rückkopplung bei
Kodierbeginn
Optimierungsziele:
•
Max Anzahl der gehaltenen Anschlüsse
(LBI)
•
Min Prozesszeit
•
Auslastung Kodierstellen (TZA, V3, IV3
nach Möglichkeit nur zu 80 % nutzen)*
•
Min Fahrerbindungszeit
•
Gleichmäßige Auslastung Kodierstellen**
•
Min GFA-Laufzeiten
(Priorität in Reihenfolge der Auflistung)
* Min Nutzung der Kodierstellen über 80 %
Barth
und Marco Franz,
Fraport
AG
** Torben
Min der
Abweichung
vom
Durchschnitt
Projektziele:
•
Entlastung Disponent
•
Nähere Entscheidung am Ereignis
•
Gleichbleibende Qualität über alle
Entscheider
•
Transparenz der mathematischen
Entscheidungen
•
Permanente Berücksichtigung der
dynamischen Datengrundlage
•
Steigerung bzw. Aufrechterhaltung
Qualität
02/02/2009
Seite 10 Projektbeschreibung
Regelauszug (Nebenbedingungen im mathematischen Modell
oder Einschränkungen / Bewertung der Lösungsmöglichkeiten) ...
• Berücksichtigung der Eigenschaften der Kodierstellen: betriebliche
Kapazität, Kodiereignung, Durchsatz und aktuelle Besetzung
• Warteschlangen an Kodierstellen werden nur bei optimaler Lösung
gebildet (unter Berücksichtigung der Wartezeit)
• Berücksichtigung der Entladereihenfolge des Flugzeugs
• Paarweise Abfahrt der Transporteinheiten von der Flugzeugposition
• Berücksichtigung der Häufigkeit der Anschlussbeziehung laut
Flugplan
Nebenbedingung im Modell
Einschränkung
...und weitere
Bewertung
02/02/2009
Seite 11
Agenda
1
2
Projektbeschreibung
3
Optimierungslösung
4
Erfahrungen
5
Seite 12 Optimierungslösung
Einordnung des Optimierungsproblems
• Mixed Integer Problem
• Zuordnungsproblem mit Nebenbedingung ähnlich zu
Maschinenbelegungsproblemen
• Multikriterielles Optimierungsproblem mit teilweise widersprüchlichen
Zielen
• Entscheidungsgegenstand: Zuordnung von Fahrten zu Ressourcen
(Kodierbereichen)
02/02/2009
Umsetzung der Lösung
• Erster Lösungsschritt:
– Generierung von zulässigen Lösungsmöglichkeiten (assignments)
für
eine Fahrt
zu einem bestimmten Kodierbereich
zu einem bestimmten Zeitpunkt
– Berechnung der Zielfunktionsanteile der einzelnen Assignments
– Berechnung aller Eigenschaften / Werte der Assignments z.B.
Kodierzeitpunkt
• Zweiter Lösungsschritt:
– Auswahl der optimalen Kombination unter Berücksichtigung der
Nebenbedingungen
– Mit Hilfe von ILOG Cplex
• Umsetzung des Modells wurde komplett mit der Modellierungssprache OPL
und Skripterweiterung ILOG script durchgeführt
• Keine Logik in Programmcode einer reinen Programmiersprache – nur ein
kleiner Dienst zum regelmäßigen Aufruf der Optimierung
02/02/2009
02/02/2009
Beispiel für die Berechnung von Assignments
Lösungsmöglichkeiten
Flugnummer
LH 03669
LH 03669
LH 03669
LH 03669
LH 03669
LH 03669
LH 03669
LH 03669
LH 03669
LH 03105
LH 03105
LH 03105
LH 03105
LH 03105
LH 03105
LH 03105
LH 03105
LH 03105
Einheit
AKH43L Wagen 1
AKH43L Wagen 1
AKH43L Wagen 1
AKH43L Wagen 1
AKH43L Wagen 1
AKH43L Wagen 1
AKH43L Wagen 1
AKH43L Wagen 1
AKH43L Wagen 1
AKH10228 AKH39245
AKH10228 AKH39245
AKH10228 AKH39245
AKH10228 AKH39245
AKH10228 AKH39245
AKH10228 AKH39245
AKH10228 AKH39245
AKH10228 AKH39245
AKH10228 AKH39245
Kodierstelle
TZA
TZA
TZA
T2
T2
T2
V3
V3
V3
TZA
TZA
TZA
T2
T2
T2
V3
V3
V3
Bewertung
Kodierintervall
6
7
8
5
6
7
5
6
7
5
6
7
6
7
8
6
7
8
FahrerbindZielfunktionsanteil Zielfunktionsanteil
ungszeit
Nutzung der GFA Prozesspufferzeit
verpasste Anschlüsse
355
13384
460
0
355
13384
440
0
355
13384
413
3,705
182
16182
439
0
182
16182
428
0
182
16182
394
4,246666667
221
12166
459
0
221
12166
452
0
221
12166
422
0
264
22816
770
1,31147541
264
22816
770
1,31147541
264
22816
770
1,31147541
552
25178
765
1,31147541
552
25178
765
1,31147541
552
25178
756
1,31147541
400
12318
770
1,31147541
400
12318
767
1,31147541
400
12318
762
1,31147541
1,0
0 , 75
Berücksichtigung der
Anschlussbeziehungen
0,5
0 min
5 min
10
min
15
Pufferzeit
mit
Treppenbewertungsfunktion
Torben Barth
und Marco
Franz,
Fraport AG
min
02/02/2009
Betrachtungsmenge und Betrachtungszeitraum
Betrachtungszeitraum: Alle Flüge zwischen TMI und den Abflugszeiten (STD/ETD/COB)
ihrer jeweiligen Anschlussverbindungen.
Inbound
Outbound
1:n
TMI
TMO
ONB
Betrachtung aller Möglichkeiten
für einen Transport, für alle
Flüge im Betrachtungszeitraum
(50 Flüge mit 125 TPE ergibt
1500 „plausible“ Lösungsmöglichkeiten).
Entscheidung für einen
Transport unter
Berücksichtigung aller
Abhängigkeiten
RCT
STD/E#1
STD/E#2
STD/E#(n)
T2
Transporteinheiten (TPE):
LH 123; HOT-Container 1 und 2
LH 123; Container 1 und 2
LH 123; 1 KGW
AF 5888; Container 1 und 2.
AF 5888; KGW 1 und 2
...
TZA
V3
IV3
Optimierer wählt eine Lösung pro TPE
(beste Gesamtlösung unter
Betrachtung aller Flüge)
02/02/2009
Herausforderungen
• Einsatz der Optimierungslösung im realen Tagesbetrieb ...
– Häufige Rechnungen nötig; Rechnungsintervall < 2 Min
(ständige Änderungen der Berechnungsgrundlage)
– Arbeitsablauf des Disponenten muss entkoppelt von der
Berechnung der Optimierungslösung
• In der Realität treten Unterschiede zur berechneten
Prozessdauer auf ...
– Rückkopplung der realen Zeiten in Form von
Zeitstempeln nötig (Abfahrt von Position, Kodierbeginn)
• Berücksichtigung und Erfassung der Geschäftsregeln
• Qualität der Inputdaten haben direkten Einfluss auf die Güte
der Lösung
02/02/2009
Seite 17
Agenda
1
2
Projektbeschreibung
3
Optimierungslösung
4
Erfahrungen
5
Seite 18 Erfahrungen
Erkenntnisse
• Komplexe Optimierungslösung auf Basis Modellierungssprache möglich:
– Gute Verknüpfung der verschiedenen Lösungsschritte
– Komfortable Umsetzung des Modells durch logische und mathematische
Operationen (z.B. Mengenoperationen)
• Geschäftsregeln konnten größtenteils parametrierbar abgebildet werden
• Abwägung zwischen Genauigkeit und Abstraktion der Daten
• Nachweis der Verbesserung sind wichtig durch...
– Durchführung von Regressionstests
– Messung von Kennzahlen
– Rapid Prototyping und ständiger Rückkopplung mit Auftraggeber
– Problem: Kein vollständiger Abgleich zwischen Realität und Planung
(Optimierung) möglich
• Disponent schränkt durch Vorplanung die optimale Lösung ein
02/02/2009
Seite 19 Erfahrungen
02/02/2009
Projektreflektion
• Spezifikation und Coding 50%, Ergebnisanalyse 50 % des Projektaufwands
• Permanente Einbindung des Kunden (Fachseite und Endanwender) notwendig
• Ständiger Abgleich der Optimierungsziele mit Management
• Variablenänderung: Durchschnitt 1 Var. pro Min. Æ Optimierungsintervall < 2 Minute
• Komplett identisches Testsystem auf Produktivdaten
• Modularer Aufbau der Softwarelösung – klare Abgrenzung der Schnittstellen
• Laufzeit- und Stammdaten von verschiedenen Drittsystemen bestimmen die Güte der
Optimierung
02/02/2009
Seite 20
Agenda
1
2
Projektbeschreibung
3
Optimierungslösung
4
Erfahrungen
5
Seite 21 Ausblick & Diskussion
Ausblick
• Rückkopplung Realbetrieb gegenüber den Optimierungsvorschlägen
• Besetzung der Kodierstellen (Auslastung) optimieren
• Langzeitoptimierung für Transfersteuerung (24 h Vorschau)
• Optimierung für Vergabe der Gepäckausgabebänder
• Kopplung der Transfersteuerung mit anderen Fragestellungen der
Ressourcenplanung (Flughafen übergreifend)
• Verbindung von Planung und Steuerung der Ressourcen
02/02/2009
Seite 22 Ausblick & Diskussion
Anregung zur Diskussion
• Wie können Geschäftsregeln flexibel in die Optimierung eingebunden
werden und wie können neue Regeln integriert werden?
• Simulation der Optimierungsergebnisse um...
– Potential aufzuzeigen
• Realität versus Plan
• Disponentenentscheidung versus Vorschlag des Optimierers
– Auswirkungen bestimmter Situationen (schlechtes Wetter,
Verspätungen, Ausfall von Kodierbereichen) bewerten zu können
– Unsicherheit in der Optimierung zu berücksichtigen
02/02/2009
02/02/2009
Vielen Dank für Ihre Aufmerksamkeit!
Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere die
der Übersetzung, des Nachdrucks, der Entnahme von Abbildungen, der Funksendung, der
Wiedergabe auf photomechanischem oder ähnlichem Wege und der Speicherung in
Datenverarbeitungsanlagen, stehen ausschließlich der Fraport AG Frankfurt Airport Services
Worldwide zu.
02/02/2009
Gemischt-ganzzahlige Optimierung
in Echtzeit am Beispiel der
Steuerung des
Transfergepäckumschlags am
Frankfurter Flughafen
Vortragsvorschlag für die 39. Arbeitsgruppensitzung der AG
Transport und Verkehr der GOR
Autoren:
Torben Barth, IUK-AE1
Marco Franz, IUK-AE2
Stand:
Version:
17.11.2008
1.0
Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten
Rechte, insbesondere die der Übersetzung, des Nachdrucks, der
Entnahme von Abbildungen, der Funksendung, der Wiedergabe auf
photomechanischem oder ähnlichem Wege und der Speicherung in
Datenverarbeitungsanlagen, stehen ausschließlich der Fraport AG
Frankfurt Airport Services Worldwide zu.
Fraport AG
02/02/2009
Seite 2 von 6
1. Fachliche Beschreibung des Sachverhalts
1.1
Allgemeiner Hintergrund
In diesem Dokument soll eine Optimierungslösung für die Steuerung des Umsteigergepäcks
am Frankfurter Flughafen beschrieben werden. Innerhalb der Fraport AG – Betreiberin des
Frankfurter Flughafens - ist der strategische Geschäftsbereich Bodenverkehrdienste (BVD) für
die Abfertigung zuständig. Für den gesamten Gepäckprozess liegt die Verantwortung bei der
Abteilung BVD-IG.
Die Herausforderung des Gepäckbereichs besteht darin, die vorhandenen (knappen)
Ressourcen so einzusetzen, dass die Abfertigungsstandards eingehalten und eine möglichst
gute Abfertigungsqualität erreicht werden kann.
Die Gepäckabfertigung stellt im zeitlichen Ablauf des Flugmanagements ein Nadelöhr dar. Sie
zählt deshalb zu den kritischen Dienstleistungen der Bodenverkehrsdienste. Aufgrund von
Baumaßnahmen wird der optimale Prozessablauf eingeschränkt und die Prozesszeiten
verlängert. Es besteht die Herausforderung, die Abfertigungsqualität trotz dieser
Einschränkungen aufrecht zu erhalten bzw. zu steigern, wobei zu beachten ist, dass zu vielen
Tageszeiten das Kapazitätslimit bereits erreicht ist.
Durch den geplanten Ausbau des Flughafens wird das Passagieraufkommen erheblich
steigern. Daraus resultiert ein höheres Gepäckaufkommen und es ist daher wichtig, die zu
erwartende steigende Belastung effizient und weiterhin mit einer guten Qualität abzufertigen.
Eine Optimierung der heutigen „Transfergepäcksteuerung“ ist notwendig, um den
erforderlichen Beitrag zur Sicherstellung der Hubfunktion FRA und die minimale Umsteigezeit
von 45 Minuten zu leisten. Die Bedeutung des Prozess ist in Frankfurter von besonders großer
Wichtigkeit, da 53 % aller Passagiere den Frankfurter Flughafen zum Umsteigen nutzen. Die
verfügbaren Ressourcen müssen optimal eingesetzt werden, um das Ziel trotz der
bestehenden Engpässe zu erreichen. Eine Verbesserung des Transfergepäckprozesses kann
die Qualität der Gepäckabfertigung nachhaltig steigern und zur Effizienzsteigerung beitragen.
Die Steuerung ist hierbei ein entscheidender Faktor.
1.2
Beschreibung Transfergepäckumschlag
Nachfolgen wird der Prozess des Transfergepäcks kurz beschrieben:
Das Transfergepäck ist zunächst an Bord eines ankommenden Flugzeugs und muss in ein
abfliegendes Flugzeug umgeladen werden. Ein Gepäckstück kann lose im Flugzeug, in
Containern oder auf Paletten verladen sein. Das Gepäck muss entladen und auf einen
Gepäckwagen für den Abtransport von der Position verladen werden. Anschließend fährt ein
Fahrer das Gepäck in einen Kodierbereich. Dort wird das Gepäck abgeladen und in die
Gepäckförderanlage eingegeben. Falls die vorhandenen Kodierstellen belegt sind, kann es zu
Standzeiten (Wartezeiten) kommen. Dies ist heute in Spitzenzeiten durchaus üblich. Hierzu ist
es wichtig den Anschlussflug zu ermitteln, dies erfolgt im Normalfall automatisch durch
Auslesen des Bagtags (Banderole am Gepäckstück mit den Angaben zu den Daten des
Gepäckstücks). Durch den Anschlussflug ist bestimmt, wohin das Gepäck durch die
Gepäckförderanlage befördert werden muss. Für jeden von Frankfurt ausgehenden Flug ist
eine Ausschleusstelle festgelegt. Das Gepäck wird dann über die Gepäckförderanlage zu der
entsprechenden Ausschleusstelle befördert (in der Grafik GFA-Zeit). Dort wird es entnommen
und in Container bzw. Gepäckwagen verladen. Diese werden wiederum zum Flugzeug
befördert und dann dort verladen. Es ist bei der Betrachtung des Gesamtprozess zu beachten,
dass nachdem das Flugzeug auf Position gerollt ist bzw. vor dem Abflug die Position verlassen
kann, eine gewisse Zeit benötigt wird um die Abfertigung vorzubereiten / abzuschließen (Türen
öffnen / schließen). Eine Übersicht der gesamten Prozesskette wird in der nachfolgenden
Grafik gegeben.
02/02/2009
Fraport AG
O
N
B
Entladung
Seite 3 von 6
Transport
Standzeit
Kodierzeit
GFA-Zeit
Entnahme
-zeit
Transport
Beladung
Klappen
Schliessen
O
F
B
Die für den Prozess zu verplanenden Ressourcen sind die Kodierstellen. Kodierstellen stehen
über den Flughafen verteilt zur Verfügung. Diese Kodierstellen haben unterschiedliche
Kapazitäten und Eigenschaften. Zum Beispiel unterschiedliche Geschwindigkeit der Kodierung
oder die Eignung für bestimmte Gepäckarten. Zusätzlich schwankt die verfügbare Kapazität im
Tagesverlauf. Für jedes einzelne Gepäckstück kann eine optimale Kodierstelle bezüglich der
Prozesszeit ermittelt werden. Allerdings ist zu beachten, dass ein ankommender Flug
(Inbound) ein Vielzahl von Gepäckstücken für verschiedene Anschlussflüge enthalten kann.
Daher liegt bei der Planung insbesondere auf der Anschlusszeit und der Menge der
Gepäckstücke der Schwerpunkt der Betrachtung.
Die Herausforderung bei der Steuerung des Transfergepäcks besteht darin, die Verteilung auf
Kodierstellen unter Beachtung der Kapazitätsrestriktionen so durchzuführen, dass nach
Möglichkeit alle Gepäckstücke ihren Anschlussflug erreichen. Ein weiteres Ziel ist es eine
Pufferzeit zu schaffen, so dass etwaige Prozessverzögerungen abgefangen werden können.
1.3
Heutige Systemunterstützung
Die Systeme der BOAP-Familie1 unterstützen heute den Gepäckbereich dabei die vorhandene
Kapazität optimal zu nutzen und die Qualität zu steigern. Die Systeme stellen die
Gesamtsituation dar und helfen die Ressourcen vorzuplanen und zu belegen. Hauptfokus der
Applikationen ist es dem Disponenten alle Informationen zur Abfertigungssituation transparent
zu machen. Weiterhin kann er mit Hilfe der Systeme seine Entscheidungen treffen, diese
werden dann automatisch an die angebundenen Systeme zur Durchführung der Abfertigung
übermittelt. Bei der Entscheidung wird der Disponent heute mit einfachen Regeln unterstützt.
Für die Transfergepäcksteuerung bedeutet dies, dass immer die Kodierstelle, die am nächsten
liegt und kürzeste Transportzeit aufweist vorgeschlagen wird. Hierbei werden die vorhandenen
Kapazitäten und die Anschlussbeziehungen der einzelnen Flüge nicht berücksichtigt.
1.4
Projektziel
Das in diesem Dokument beschriebene Verfahren wurde in einem Projekt entwickelt, dessen
Ziel es war den Disponenten mit einem qualifizierten Vorschlag zu unterstützen und diesen zu
entlasten. In einer Ausbaustufe ist es geplant den Disponenten nur noch in kritischen Fällen
eingreifen zu lassen.
Für einen menschlichen Entscheider besteht die Herausforderung die Vielzahl von
Informationen zu verarbeitet. Die laufenden Änderungen der Daten (zum Beispiel
Positionsänderungen und Verspätungen) zu überwachen und zu bewerten. Darüber hinaus
steigt der Umfang der Aufgabe wegen der ständig wachsenden Gepäckmenge weiter an. Der
Disponent kann daher oft nur eine Einzelbetrachtung der Flüge durchführen und nicht das
Zusammenspiel der Entscheidung mit den anderen Flügen betrachten. Zusätzlich wird wegen
des großen Arbeitsaufkommen oft weit in die Zukunft geplant, um eine Entlastung in
Spitzenzeiten zu schaffen. Dies hat zur Folge, dass spätere Änderungen und Auswirkungen oft
nicht mehr beachtet werden können.
Ziel des Projekts war es die beschriebenen Schwachstellen zu beheben um immer die
bestmögliche Entscheidung in der aktuellen Situation zu treffen.
Die Entscheidung soll hierbei optimal bezüglich folgender Ziele sein:
1
-
Verpasste Anschlüsse
-
Prozesspufferzeit (Zeitpuffer für Verzögerungen)
-
Auslastung der Kodierstellen im Normalfall nur bis 80 %
-
Fahrerbindungszeiten für die Transporte
http://www.fraport.de
Fraport AG
-
Belastung der Gepäckförderanlage
-
Gleichmäßige Auslastung der Kodierstellen
02/02/2009
Seite 4 von 6
2. Lösungsbeschreibung
2.1
Theoretische Beschreibung
Bei dem hier beschriebenen mathematischen Problem handelt es sich um ein
Zuordnungsproblem mit Nebenbedingungen. Die Zielfunktion enthält wie im letzten Abschnitt
beschrieben unterschiedliche Ziele, die teilweise widersprechend sind. Es handelt sich somit
um ein multikriterielles Optimierungsproblem.
Für die Lösung des Problems wurde ein zwei geteilter Ansatz gewählt. In einem ersten Schritt
werden die Lösungsmöglichkeiten (Assignments) generiert. Eine Lösungsmöglichkeit
repräsentiert die Zuordnung einer Fahrt zu einem Kodierort und einer Kodierzeit. Wartezeiten
bzw. Warteschlangen werden dadurch abgebildet, dass nicht die frühest mögliche Kodierzeit
gewählt wird. In einem zweiten Schritt wird dann ein mathematisches Minimierungsproblem
gelöst. Grundlage des Optimierungsproblems ist eine lineare Zielfunktion. Die
unterschiedlichen Ziele werden mit Gewichten bewertet und summiert. Es wird so
gewährleistet, dass erst die vorrangigen Ziele optimiert werden und dann die Ziele mit einem
geringen Gewicht.
Damit die Realität abgebildet werden kann, war es wichtig eine Rückkopplung einzubauen.
Dies erfolgt dadurch, dass akzeptierte Vorschläge bzw. auch durch den Disponenten
geänderte Vorschläge in dem nächsten Berechnungslauf berücksichtigt werden und dann dort
als fest vorgegeben berücksichtigt werden. Für diese Flüge werden daher nur noch
Assignments mit dem gewählten Ort generiert.
Die Zweiteilung des Problems hat zur Folge, dass nicht alle Restriktionen im mathematischen
Modell abgebildet wurden. Große Teile der fachlichen Logik und Geschäftsregeln wurden in
dem Teil der Generierung der Assignments abgebildet. Bei der Generierung der Assignments
führt dies dazu, dass bestimmte Lösungsmöglichkeiten nicht generiert werden und der
Lösungsraum so schon von vorne herein eingeschränkt wird. Beispiele hier für sind:
-
Eignung der Kodierstellen für bestimmte Gepäckarten
-
Zusammenstellung der Gepäckeinheiten zu Fahrten
Das mathematische Modell enthält folgende Restriktionen:
-
Für jede Fahrt muss genau ein Assignment gewählt werden
-
Die Zuordnungsvariable für die Assignments ist entweder Null oder Eins
-
Einhaltung der Kodierkapazitäten
-
Einschränkung der Nutzung der Puffer
-
First-in-first-out Bedingung an den Kodierstellen
-
Ermittlung der durchschnittlichen Kodiermenge für das Ziel der gleichmäßigen
Auslastung
-
An bestimmten Kodierstellen darf nur EU oder Non-EU Gepäck kodiert werden
Das theoretische Problem und das dazu gehörige mathematische Modell ist recht einfach zu
modellieren. Die größte Herausforderung ist es, alle Geschäftsregeln abzubilden und die
Livedaten performant einzubinden. Es muss gewährleistet sein, dass die große Anzahl an
dynamischen Daten so verarbeitet und angebunden wird, dass in Echtzeit das jeweils optimale
Ergebnis zurückgespielt wird.
2.2
Umsetzung
Für die Abbildung des Modells wurde die Modellierungssprache OPL (ILOG Optimization
Programming Language1) eingesetzt. Zur Generierung der Assignments und Aufbereitung der
1
Pascal Van Hentenryck, The OPL Optimization Programming Language, published by The MIT Press, 1999, Cambridge, Massachusetts
Fraport AG
02/02/2009
Seite 5 von 6
Daten wurde die Skripterweiterungen von OPL genutzt. Die Daten werden mit einfachen SQLStatements aus einer Oracle-Datenbank abgefragt und dorthin auch wieder
zurückgeschrieben. Wichtig hierbei ist es, dass ein ständiger Zugriff auf die aktuellen Daten
nötig ist und daher alle Zugriffe und Berechnungen in kurzer Zeit erfolgen müssen.
Für den Aufruf wurde ein sehr einfacher Dienst implementiert, der die Optimierung zyklisch
aufruft. Die restlichen Schritte der Optimierung werden in der Optimierungssoftware abgedeckt.
Insbesondere war es nicht nötig für Optimierung in einer Programmiersprache zu
programmieren. Zur Abbildung der Optimierung wurde OPL und OPL-Skript eingesetzt.
Bei der Umsetzung war es wichtig, dass alle Teile den zeitkritischen Anforderungen gerecht
werden. Insbesondere hat sich gezeigt, dass auch die Aufbereitung der Daten und die
Generierung der Assignments einen nicht zu vernachlässigenden Zeitfaktor spielen. Hier wurde
oft zwischen Speichernutzung und Geschwindigkeit abgewogen und es konnte durch die
Verwendung größerer Speichermengen Zeit eingespart werden. Bei der eigentlichen
Optimierung durch den Solver war es wichtig, dass in absehbarer Zeit eine Lösung gefunden
wird. Es wurde daher auch der größte Wert darauf gelegt, dass immer eine gültige Lösung
gefunden wird. Die Beweisbarkeit der Optimalität der Lösung hat dabei eine geringere
Bedeutung. Es wurden die Parameter auch so gewählt, dass nach einer bestimmten Laufzeit,
die vorhandene Lösung ausgegeben wird. Intensive Tests haben gezeigt, dass diese
Einschränkung nur im Ausnahmefall greift und in den meisten Fällen die beste Lösung in der
vorgegebenen Zeit geliefert wurde.
3. Erkenntnisse und Ausblick
3.1
Erkenntnisse
Eine Realisierung einer komplexen Steuerungslogik auf Basis einer Optimierung ist ohne den
Einsatz einer reinen Programmiersprache möglich. Dies bietet den Vorteil, dass die gesamte
für die Optimierung relevante Logik an einer Stelle liegt. Dies ermöglicht eine gute und einfache
Kopplung der verschiedenen Teile. Allerdings sind bestimmte Operationen und Berechnungen
komplizierter als in einer reinen Programmiersprache, zum Beispiel ist es nicht möglich Fehler
automatisiert abzufangen.
Die meisten Geschäftsregeln mussten hart kodiert werden. Teilweise war es möglich die
Regeln über Parameter, die einstellbar sind, flexibel zu machen. Es ist nicht möglich, dass der
fachliche Anwender oder Anforderer geänderte fachliche Prozesse, die in dem dynamischen
Umfeld des Flughafens an der Tagesordnung sind, selbstständig Änderungen vornimmt.
Ein wichtiger Erfolgsfaktor bei der Umsetzung war die Genauigkeit der Inputdaten. Das Modell
kann nur so gut arbeiten, wie die Daten die zur Verfügung stehen. Wenn bei der Bereitstellung
der Daten Ungenauigkeiten herrschen, so kann dies zu entscheidenden Fehlern in der
Optimierung führen. Da die Software nicht erkennt, dass es sich um offensichtliche Datenfehler
handelt.
Im Zusammenhang der Daten ist es wichtig, dass eine Abwägung zwischen der möglichst
hohen Genauigkeit und einer Abstraktion und Zusammenfassung der Daten duchgeführt wird.
Wenn das Modell zu sehr in die Detailtiefe geht, kann es passieren, dass eine nicht
vorhandene Genauigkeit modelliert wird und die Ergebnisse eine „Scheingenauigkeit
vorgaukeln“, die nicht vorhanden ist.
Im Laufe der Entwicklung hat sich gezeigt, dass die größten Aufwände nicht wie zunächst
erwartet in der Anforderungsanalyse und Implementierung lagen sondern im Testen, Validieren
und Kalibrieren der Ergebnisse. Es ist sehr wichtig gerade in diesen Punkten den Fachbereich
eng einzubinden und eine ständige Rückkopplung in das Modell durchzuführen. Dadurch hat
sich eine stark iterative Entwicklung ergeben und die Realität wurde langsam angenähert. So
konnte erreicht werden, dass das Modell am Ende die Realität abgebildet hat und auch die
fachlichen Anwender sich in den Ergebnissen wieder gefunden haben. Es ist allerdings wichtig,
dass bei diesem Schritt nicht Verhaltens- und Vorgehensweise vom Fachbereich übernommen
werden, die das Ergebnis unnötig einschränken und verschlechtern.
Eine zentrale Fragestellung für den Projekterfolg war es, wie gezeigt werden kann, dass der
Einsatz der Optimierung tatsächlich zu einer Verbesserung führt. Im Rahmen des Projekts
wurden alle Optimierungsläufe in Logfiles für theoretische Vergleiche und Nachfragen
dokumentiert. Weiterhin wurde eine einfache Simulation durchgeführt. Hierfür berechnete der
Optimierer auch nach der Entscheidung des Disponenten noch nach einer optimalen Lösung.
Fraport AG
02/02/2009
Seite 6 von 6
Die unterschiedlichen Ergebnisse (Disponent / Optimierer bei Entscheidung des Disponent /
Optimierer bei dem spätest möglichen Zeitpunkt) wurden theoretisch miteinander verglichen.
Der Vergleich wurde auf Basis der theoretischen Berechnungen, die auch die Grundlage der
Optimierung bilden (Bewertung der Assignments), erstellt. Alle Diskussionen zur Bewertung
der Ergebnisse haben gezeigt, dass nicht vorrausgesagt werden kann, wie die Realität wirklich
gelaufen wäre, wenn man komplett nach dem Vorschlag des Optimierers gehandelt hätte.
Dadurch wird die Einordnung der Ergebnisse und Auswertungen sehr schwierig, da die
Auswirkungen von Unregelmäßigkeiten im Prozessablauf nur schwer berücksichtigt werden
können. Ein weiterer Schritt ist es reale Kennzahlen zu messen und nach dem Einsatz des
Optimierers zu beobachten. Hierbei besteht allerdings das Problem, dass eine Vielzahl von
anderen Einflussfaktoren existieren, die das Ergebnis beeinflussen. Die ideale Lösung wäre es
eine komplette Simulationsumgebung aufzubauen, um die unterschiedlichen Szenarien
durchzuspielen, da nur so das große Problem der Auswirkungen von Unregelmäßigkeiten wie
Verzögerungen bei der Entladungen, Verzögerung des Transports wegen Rollverkehrs oder
schlechtem Wetter, Verspätung von Flugzeugen, falsche Ladedaten und technische Störungen
der Anlagen berücksichtigt werden können.
Eine wichtige Erkenntnis ist, dass die Entscheidungen des Disponenten den Optimierer stark
einschränken, da der Disponent teilweise (frühzeitig) Entscheidungen trifft, die den
Lösungsraum stark einschränken. Von dem Disponent werden die Auswirkungen auf die
Gesamtlösung nicht erkannt und nur der Einzelfall betrachtet. An dieser Stelle wäre es wichtig,
wenn man die Auswirkungen visualisieren und dem Disponenten zurückmelden könnte, hierfür
wurde bislang noch keine Lösung gefunden. Prinzipiell wurde erkannt, dass frühe
Entscheidungen im hohen Maße das Optimierungspotential einschränken, daher ist das
Bestreben die Entscheidung weiter an das Ereignis zu legen und zu automatisieren.
4. Zusammenfassung
Durch den Einsatz der Optimierungslösung für die Steuerung des Transfergepäckumschlags
konnte gezeigt werden, dass die Qualität von Dispositionsentscheidungen durch den Einsatz
einer Optimierung gesteigert werden kann. Die Implementierung ist mit sehr einfachen Mitteln
möglich. Es ist eine einfache Datenbankanbindung nötig, die restliche Logik kann in der
Modellierungssprache und deren Erweiterungen abgedeckt werden. Ein iterative
Vorgehensweise mit einer Einbindung des Fachbereichs hat sich als erfolgreich erwiesen.
5. Ausblick
Als nächster Schritt ist geplant, die Optimierungslösung auch zur Vorplanung der Ressourcen
im Tagesverlauf einzusetzen. Durch eine optimale Vorplanung ist es möglich die Ressourcen
(Kapazitäten der Kodierstellen) so zu steuern, dass immer die optimalen Kapazitäten
angeboten werden können. Die in dem ersten Schritt fixen Kapazitäten können in diesem
Ansatz dann mit optimiert werden.
Weiterhin erscheint die Möglichkeit interessant eine Simulationsumgebung aufzubauen um
unterschiedliche Szenarien zu testen und auch die Reaktion auf bestimmte Situationen (wie
den Ausfall von Kodierbereichen) testen zu können.
In einer übergreifenden Sicht sind zwei Punkte besonders betrachtenswert: Zum Einen die
Verknüpfung über dem gesamten Zeithorizont von der Planung über die Prognose bis zur
Steuerung und zum Anderen über den gesamten Flughafen hinweg. Durch eine
Flughafenübergreifende Steuerung könnten alle Ressourcen relevanten Entscheidungen
gekoppelt werden. Am Beispiel der Vergabe der Flugzeugpositionen wird schnell klar, dass
eine große Anzahl von Prozessen von dieser Entscheidung abhängig sind: Entladeprozess,
Gepäckprozess, Gatevergabe, Passagierführung, etc. Durch eine Kopplung der Planung und
Steuerung der Prozesse und eine gesamtheitliche Optimierung ist mit einem hohen
Nutzenpotenzial zu rechnen.
Die Integration über den Zeithorizont scheint besonders wichtig, da die Anbindung an
Prognosewerte zu einer deutlich früheren und verbesserten Vorplanung führt. Die Ressourcen
könnten so zielgerichteter bereit gestellt werden.
Boom or Bust?
Ocean shipping as a complex feedback system
Johan Kjeldgaard-Pedersen & Knud Erik
Wichmann
24 October 2008
[email protected]
02/02/2009
02/02/2009
Contents
1. Introduction and motivation
2. Shipping demand and a (perhaps surprising) link to ”traditional” OR
3. Dynamics of freight and vessel markets
4. Shipyard dynamics
5. SD and Future Worlds scenario planning
© PA Knowledge Limited 2008. Boom or Bust.ppt
Page 2
02/02/2009
Is the engine of globalization overheating?
Baltic Dry Index
10,000
7,500
5,000
?
2,500
0
1985
1990
1995
2000
Page 3
2005
2010
2015
02/02/2009
Market-watchers predictions stop just when ship-owners' needs start
Analysts forecast shipping supply and
demand into the future, but only as far as
they can see “into the pipeline”, using
(publicly) known and usually quite detailed
information on:
• Current global fleet (types, sizes and
ages of vessels)
• Order book (capacity ordered and
partially paid but not yet delivered from
shipyards
• Known regulations coming into play
• Recent trends in demand for goods and
commodities
• Regional developments in infrastructure,
outsourcing and production/mining.
This means that forecasts only project 1-2
years into the future.
In other words, the forecasts stop just when
they should start, for a shipping company to
understand, for example, the operating
profitability of vessels about to be ordered.
Furthermore, the recommendations of the
analysts’ reports usually do not differ much,
which is no surprise given the very similar
methodologies used. Hence, relying on any
given analyst’s recommendations would
normally lead to an average performance. But
this is bad news in an industry, which since
World War II has delivered lower return on
investment than common stocks – with
significantly higher risk.
Page 4
02/02/2009
Dynamic hypothesis – the market for shipping capacity as a supply chain
Cost
Picture
Terminals /
infrastructure
Economic
development
Supply and
sourcing
Shipping
Demand
Shipping
Companies
&
Shipowners
Shipyards/
Equipment
Geopolitics
The internal feedback dynamics are
dominated by market feedback
around delays in acquiring vessels
and shipbuilding capacity.
Page 5
02/02/2009
Contents
Page 6
02/02/2009
Cost
Picture
Terminals /
infrastructure
Economic
development
Supply and
sourcing
”It's the economy, stupid” (but it’s also the distance)
Shipping
Demand
Shipping
Companies
&
Shipowners
Shipyards/
Equipment
Geopolitics
Local trends are clear. Consumption of
finished (containerized) goods and
commodities is very tightly linked to:
• Inflation-adjusted GDP
• Change in inflation-adjusted GDP
Quantification of the likely feedback from
cost of ocean shipping capacity to demand
for finished goods and commodities could
be an interesting path for further analysis.
Demand is the most elusive concept in
the shipping supply chain, given the
absence of reasonable global data.
We apply ”traditional” OR to forecast
shipping (ton-mile) demand, assuming
that free market efficiency can be taken
as transport distance minimization (with
certain constraints).
Ships are deployed wherever they can
command the highest freight rate, so it
would make little sense to look at only
those markets where data can be
procured.
Page 7
02/02/2009
Contents
Page 8
02/02/2009
Cost
Picture
Terminals /
infrastructure
Economic
development
Feedback causing ”dull decades and hyperbolic hysteria”
Shipping
Companies
&
Shipowners
Shipping
Demand
Supply and
sourcing
Shipyards/
Equipment
Geopolitics
As with any free market, ocean shipping
prices (freight rates) are governed by
supply and demand.
As already hinted, demand tends to be
quite inelastic to freight rates, which can
respond almost hyperbolically during a
boom with constrained supply.
Freight
Rates
Market demand
for goods and
commodities
B1
The main feedback loop ensuring
availability of shipping capacity has
significant delay.
Ton miles
transport
demand
B4
Analysts’ reports (and meticulously
scrutinized order books) provide “early
warning” feedback.
Page 9
Vessel
Orders
Available
shipyard
capacity
Utilization
B2
Order
book
B3
Fleet
Vessel
deliveries
When shipyards are constrained, this
delay is even longer.
Market
expectations
Delivery
delay
02/02/2009
Contents
Page 10
02/02/2009
Cost
Picture
Terminals /
infrastructure
Economic
development
Supply and
sourcing
Enter the shipbuilding dragon – but is the lair big enough?
Shipping
Demand
Shipping
Companies
&
Shipowners
Geopolitics
The shipyard industry is the back end of the
shipping capacity supply chain presented here.
Upwards adjustment of shipbuilding capacity is
difficult for a number of reasons:
• Requirements for large amounts of expertise
• Difficulty expanding or finding room for
(huge) industrial facilities
• Large amounts of capital required up front.
40% of the current order book for the largest
class of dry cargo vessels (Capesize) is placed
with either new or green field shipyards, most of
which are located in China.
The current (record) order book
for Capesize dry cargo vessels.
Note the underlying expansion in
shipbuilding capacity, not least in
China.
Downwards adjustment of shipbuilding has
tended to be even harder, not least because of
political desires to protect an industry of
perceived strategic importance and the job it
creates.
Page 11
Shipyards/
Equipment
02/02/2009
Contents
Page 12
02/02/2009
At PA, we often apply quantitative modeling of this strategic nature in the context of
“Future Worlds” scenario planning
•
•
•
•
•
•
Scenario planning is an excellent means of
encouraging broad thinking by a group of
stakeholders about a wide range of elements of an
uncertain future environment in which the
organization will operate
Missions
International
alliances
New
technologies
Sourcing
Spending
Politics
Constraints
and
Boundaries
Price
In one common form of this approach, potential
elements of future scenarios (i.e. “things that
matter” in the time frame of interest) are first
defined in brainstorming mode
Career paths
Delivery security
These potential scenario elements are then typically
“clustered” by grouping related elements together,
and eventually defining a small number (frequently
two) axes along which the most important of these
elements seem to fall and define a spectrum of
sorts
These axes are then used to define logical
scenarios – for example, one scenario for each
quadrant where the primary differences are defined
by the axes chosen
Brainstorming elements of future
scenarios (indicative only)
“Market
expanding”
Scenario 1
Scenario 2
“Relies on M&A
/ partners”
Scenario 3
Potential business strategies are then usually
evaluated for likely effectiveness under these
different scenarios
“Client goes it
alone”
Scenario 4
Market
consolidation”
Key dimensions of future
scenarios (indicative only)
The scenarios describes different future worlds.
Global
Demand
Threats
Page 13
02/02/2009
System Dynamics adds rigor to the decision making process
“Market
expanding”
Scenario 1
Using a dynamic framework
adds rigor to use of the
scenarios by making it much
easier to reasonably answer the
question “how does this external
change impact our business and
its dynamics?”
Scenario 2
“Relies on M&A
/ partners”
“Client goes it
alone”
Scenario 3
Scenario 4
Market
consolidation”
Key scenarios as input (and feedback on
their consistency, completeness)
What?
Why?
How fast?
Customer
Satisfaction
Out-ofDelayed
Sequence Technical
Work
Information
Cost
Schedule
Customer
Satisfaction
Cost
Schedule
Work
Awarded
Rework
Levels
Productivity
& Quality
Productivity
& Quality
External
Staffing
Availability
Organization
Size
Hiring
Required
Staff
Leverage on
performance
Available
Staff
Hiring
Staff
Shortage
Avg. Experience
Level
Dynamic framework defining key
factors, interactions, and links to
business performance
Reports
Surveys
Other models
Pertinent existing industry/other
information sources
Staff
Shortage
Avg. Experience
Level
Rework
Levels
Overtime
Input from strategy
owners/ other
stakeholders (and
feedback to gain
their “buy-in”)
Required
Staff
Available
Staff
Overtime
Out-ofDelayed
Sequence Technical
Work
Information
Work
Awarded
External
Staffing
Availability
Organization
Size
Page 14
Priorities/Initiatives
More rigorous platform for
strategic thinking, plus
prioritization/scoring and
rationale for specific
strategies and priorities
02/02/2009
Regulatory
g
y Impact Assessment
for the Transportation Sector –
Case Study Germany
Grit Walther
G i h Meyer,
Grischa
M
Thomas
Th
Spengler
S
l
Institute of Production and Logistics Management
Technische Universität Braunschweig
02/02/2009
Agenda
1
Introduction
2
Model
3
Case Study
4
Perspective
http://en.wikipedia.org/wiki/Image:Exhaust_pipe_muffler.JPG
2
02/02/2009
1 Introduction
1.
Development of emissions
• Thresholds for new
vehicles on HC
HC, CO
CO,
NOx, pm emissions
Æ Emission reduction
EU: Emission
Total
NOThresholds
Total
CO
Germany
x-Emissions
2-Emissions,
Germany
• CO2-Emissions ?
Transportation
Transportation
AfU (2006), Umweltbundesamt (2007)
3
02/02/2009
1 Introduction
1.
CO2-Emissions:
agriculture
• Emission Trading:
16%
other
sources
√
√
21%
Industry
19%
T
Transportation
Road
37%
Energy
• Transportation sector:
High effort because of many small sources (vehicles)
Æ Regulation and incentives ?
4
02/02/2009
1 Introduction
1.
Assessment of legal measures for emission
reduction in the transportation sector.
• Many potential measures (thresholds
(thresholds, economic incentives)
• Many actors (politicians, automotive industry, customers)
• Interdependencies
p
between social,, technical,, environmental,,
macro-, and microeconomic factors
• Dynamic developments, long-term impacts, feedback-loops,
nonlinearities delays between cause and effect
nonlinearities,
Æ System Dynamics Model
5
02/02/2009
Agenda
1
Introduction
2
Model
3
Case Study
4
Perspective
http://en.wikipedia.org/wiki/Imagecars.JPG
6
02/02/2009
2 Model
2.
a) Market
Market
share
Market
diffusion
of new
technologies
Sales
Vehicle
stock
Emissions
Customers‘
Customers
Preferences
Ford, A. (1999).
7
02/02/2009
2 Model
2.
a) Market
Market
share
Sales
Vehicle
stock
Market
diffusion
of new
technologies
Emissions
Customers
Customers‘
Preferences
U1. Sales
U1
Price
U2. Fuel
Costs
U6. Average
Horse Power
U3.
U3
Range
U5. Fuel
U4. Availability
E i i
Emissions
MSV =
eU V
n
Ui
e
∑
i =1
Mc Fadden (1973); Bunch, D. S. (1992)
8
02/02/2009
2 Model
2.
b) Vehicle Aging Chain
a) Market
Market
share
Sales
Market
diffusion
of new
technologies
Vehicle
stock
Retirements
Emissions
Kilometers
travelled
Customers
Customers‘
Preferences
?
c)
Emissions
Fuel consumption
Political
decision
maker
9
02/02/2009
2 Model
2.
Policy
y Options:
p
Bonus/Malus payments on purchase price:
• Malus for non-efficient vehicles
• Malus for diesel without filter / prohibition of sale
• Bonus for „green“
g
vehicles
Taxes during usage phase:
• Environmental taxes on fuel types
• Conversion from displacement tax to CO2 emission based tax
Scrapping premiums:
• Premium for scrapping of cars (e
(e.g.
g > 15 years)
10
02/02/2009
2 Model
2.
b) Vehicle Aging Chain
a) Market
Market
share
Market
diffusion
of new
technologies
Sales
Budget for
environmental
measures
Customers
Customers‘
Preferences
Vehicle
stock
Retirements
Emissions
Kilometers
travelled
c)
Emissions
Fuel consumption
Motor Vehicle/ Envir
Environm.Tax
Bonus-/
Malus
Maluspayments
Scrapping
premiums
i
Political
decision
maker
11
02/02/2009
2 Model
2.
Ford, A. (1999).
12
02/02/2009
2 Model
2.
Autopilots for determination of decision variables
•
Three feedback loops:
– Total
o a bo
bonus
us e
expenditures
pe d u es
– Total malus receipts
– Adjustment of Eco-Tax
Total Budget
Homogeneous:
Æ Homogeneous
g
bonus for all „green“
g
vehicles/
homogeneous malus for all conventional vehicles
Equal:
Æ Equal purchase price for all technologies
ÆThe higher the current purchase price for new technologies
(degreasing over time),
time) the higher the bonus
Æ Adjustment of Eco-Tax
13
02/02/2009
Agenda
1
Introduction
2
Model
3
Case Study
4
Perspective
14
02/02/2009
3 Case Study
3.
Case Study: Germany
Data:
Sources:
• Initial values of vehicle stock
• Current market shares
• Characteristics of vehicle types
yp
• Sales Prices
• Emissions depending on vehicles‘
ages
Official sources:
Federal Transportation
Authority Governmental
Authority,
Statistics, Environmental
Protection Agency,…
• Costumers
Costumers‘ preferences
• Future development of prices,
emmissions, technologies,
efficiency
Volkswagen AG
15
02/02/2009
3 Case Study
3.
Conventional
Vehicle Types
G
Gasoline
Natural Gas
Engine
Di
Diesel
l
with P-Filter
without P-Filter
6 Fuel Types
Gasoline
from Oil
Natural
Gas
Fuel from
Bi
Biomass
Diesel
from Oil
Alternative
Vehicle Types
Hybrid
H
b id
Gasoline
Hybrid
Diesel
ElectricAkku
Electricity
Hydrogen
ElectricEl
ti
Fuelcell
16
02/02/2009
3 Case Study
3.
Scenarios:
Scenario
1
Model Basic
U1: price development
off
U2: fuel consumption
p
d.
off
U3: range development
off
U4: emission fraction d.
off
U5: fuel availability d.
off
U6: horsepower d.
off
time f. fuelprice doubling
20
travel distance variation
0
CO2-Vehicle tax
off
with adjustment
no
year for P.F.-Diesels 2040
extra Fee PMx-Filter
no
Scrappage payment
no
max ET for Balance 0 Mrd.
Total Feebate Value
x
Ratio ET for Balance
x
1 – 6:
6
External parameters
2
Basic
on
on
on
on
on (1)
on
20
0
off
no
2008
no
no
0 Mrd.
x
x
3
Basic
on
on
on
on
0 - 1,5
on
20
0
off
no
2008
no
no
0 Mrd.
x
x
4
Basic
on
0-1
on
0-1
on
on
20
0
off
no
2008
no
no
0 Mrd.
x
x
5
Basic
on
on
on
on
on
on
20
-100
off
no
2008
no
no
0 Mrd.
x
x
7-11:
7
11
Legal measures:
6
Basic
on
on
on
on
on
on
12
0
off
no
2008
no
no
0 Mrd.
x
x
7
Adv.
on
on
on
on
on
on
20
0
on
yes
2008
no
no
0 Mrd.
x
x
8
9
10
11
Adv. Requ_A
Requ_A Ropt_A
Equal
Homog Homog
on
on
on
on
on
on
on
on
on
on
on
on
on
on
on
on
on
on
on
on
on
on
on
on
20
20
20
20
0
0
0
0
off
on
on
on
no
yes
yes
yes
2008
2008
2008
2008
vari
300
300
300
no
no
700
no
0 Mrd. 2,1 Mrd. 2,1 Mrd.
vari
x
7 Mrd
Mrd. 7 Mrd
Mrd.
vari
x
0.3
0.3
0.3
17
02/02/2009
3 Case Study
3.
Business as usual:
CO [Kt/a]
CO2 [Mt/a]
NOx [Kt/a]
HC [Kt/a]
02/02/2009
3 Case Study
3.
Taxes during
g usage
g p
phase:
Bonus/Malus
/
on p
purchase p
price:
19
02/02/2009
3 Case Study
3.
Recommendations:
• Taxes on fuel consumption lead to short-term
reductions,
d ti
b
butt are nott th
thatt effective
ff ti on th
the llong-term
t
long term steering effect by Bonus/Malus payments
• Best long-term
on purchase price
• Certain budget is necessary, but can be controlled
• Total substitution
s bstit tion of vehicles
ehicles in stock takes time
Æ measures must be taken now in order to achieve
good results within the next 10-20
10 20 years
20
02/02/2009
Agenda
1
Introduction
2
Model
3
Case Study
4
Perspective
http://en.wikipedia.org/wiki/Image.cars.JPG 21
02/02/2009
4 Perspective
4.
• Assessment of legal measures for emission reduction in
transportation ÆLegal Impact Assessment
• System Dynamics model
• Case study: Germany
(and also Japan)
• Deduction of recommendation for political decision makers
Current work:
ÆBusiness (technical/marketing) strategies of automotive
manufacturers
ÆAssessment of CO2-penalties on fleet sold
ÆDetailed modelling of purchase and modal split decisions
of the customers (agent based)
22
02/02/2009
Thank you for
your attention!
Dr. Grit Walther
[email protected]
Production & Logistics Management
23
02/02/2009
Questions?
Dr. Grit Walther
[email protected]
Production & Logistics Management
24
02/02/2009
Open vs. Closed Loop Optimisation of a Kanban
Logistic System
The Case of a Pharmaceutical Plant’s Supply Chain
Prof. Dr. Jürgen Strohhecker
Gemeinsame Fachtagung der Gesellschaft für Operations Research und der Deutschen Gesellschaft
für System Dynamics, 13. und 14.11.2008, Frankfurt am Main
02/02/2009
Push or Pull?
Push production systems:
Central ERP system
Central material requirements
planning
Central master production schedule
Kanban
Decentralized logistic system
Developed mostly within Toyota and
with its suppliers in the 1950s and
1960s
Nowadays well known and in many
companies thoroughly implemented
19.11.2008
.
2
02/02/2009
Kanban Optimisation Research Streams
Analytic research
– One product single-stage
– One product two- or multi-stage
– Multi-product single-stage
– Multi-product two-stage
Simulation based research
– More complex and realistic kanban systems
In Common:
Demand is assumed exogenous „Open loop optimisation“
19.11.2008
.
3
02/02/2009
Research Questions, Methodology and Findings
Research
Questions
Research
Methodology
Can the configuration of a kanban logistic system be improved
by optimisation with the customer feedback loop closed?
Combination of model-based and case-study-based elements:
DES kanban
simulation
model
Key
Findings
SD kanban
simulation
model
YES! Closed loop optimisation sometimes leads to better results
than open loop optimisation.
High capacity utilization
19.11.2008
Case of a multi-product multistage pharmaceutical supply
chain
Low inventory and stockout
costs
.
4
02/02/2009
The Research Site
Pharmaceutical plan:
• Pharmaceutical company
• 5-stage supply chain segment
• Three products (P1, P2, P3)
• More than 90 presentations
• Non-dedicated equipment
• Centralized planning and control
• Push production system
Objectives:
Competitiveness
Inventory
Costs
Throughput time
Order fulfilment time
Measures:
• Value stream analysis
• Development of a future state map with kanban control principles
19.11.2008
.
5
02/02/2009
Intended Kanban System - Overview
Packaging
Material
SM
Manufacturing II
Material SM
Suppliers
Weighted
Sample
SM
Weighing
Legend:
Formulation
SM
Manufacturing I
Manufacturing II
Production Kanban Card
Material Flow
19.11.2008
Bulkware
SM
Packaging
Shipping
Withdrawal Kanban Card
Information Flow
.
Supermarket
(SM)
Customers
6
02/02/2009
Customer Demand Characteristics
Jan
Feb Mar
Apr
May
Jun
Jul
P3
Aug
Sep
Oct
P1
Nov
Dec
Obvious fluctuations in
customer demand
Mean/Stddev:
– P1: 27 %
– P2: 24 %
– P3: 44 %
Arrival time between customer
orders log normally distributed
Minimum order quantity/
maximum order quantity:
– 0.62 %
– 0.44 %
– 1.17 %
Does a kanban logistic system really work?
What is the optimal configuration?
A DES model was developed to answer these two questions!
19.11.2008
.
7
02/02/2009
DES Model Assumptions
Focused on three stages: manufacturing II, packaging and shipping
Including laboratory test procedures
Entities
– Customer orders
– BW batches
– Packaging batches
Distributions for stochastic variables
– Arrival times between orders
– Order quantities
– Setup times, down times, machine processing times
Constant capacity
19.11.2008
.
8
02/02/2009
Discrete Event Simulation Model Overview
12
10
Anzahl Aufträge
8
Create
Customer
Orders
6
4
2
0
1
2
3
4
5
6
7
8
9
Abstand Aufträge
W
10
11
[Tage]
12
13
14 15
16
17
Auftragsgröße (Stück)
PK
BW
BW
Raw
Material
Supermarket
Supermarket
Supermarket
Manufacturing II
Start
Dispose
Customer
Orders
0
KC
Kanban
withdrawal
control loop
Order
Backlog
C
Kanban
production
control loop
BW Manufacturing II
BW
BW
BW
Supermarket
Supermarket
Supermarket
Packaging
Wait for Final
Approval
Shipping
Approval for
Packaging
Laboratory
Test I
19.11.2008
.
Laboratory
Test II
9
02/02/2009
Simulation Results and Optimisation
YES! Kanban control could successfully be introduced!
Base case (12 Month, 100 Replications):
Production Kanban Cards
Throughput Times
Order Fulfilment Times
P1
5
38.8
5.4
P2
3
43.8
7.0
P3
3
64.1 days
6.4 days
Optimisation of the number of production kanban cards using the genetic
search algorithm of Arena’s OptQuest
Optimisation model:
∑ TT + ∑ OFT → MIN
s.t.
TT1 ≤ 38.8 TT2 ≤ 43.8 TT3 ≤ 64.1
OFTi ≤ 8
Optimisation result:
Throughput Times
19.11.2008
P1
4
38.5
5.4
.
P2
3
35.3
7.3
P3
3
61.5 days
6.2 days
10
02/02/2009
Sensitivity Analysis Kanban Cards
Order Fulfilment Time [days]
Throughput Time [days]
180
8
160
P2
P3
140
7
120
100
P3
P1
80
6
P2
60
5
40
P1
20
0
4
±0
+1
+2
3+
+4
±0
+5
# Production Kanban Cards
19.11.2008
+1
+2
3+
+4
+5
# Production Kanban Cards
.
11
02/02/2009
Sensitivity Analysis Demand
Throughput Time [days]
Order Fulfilment Time [days]
140
120
60
50
P3
100
40
80
P2
30
60
P2
P1
20
40
P1
10
20
0
-50% -40%
P3
20%
0%
20%
0
-50%-40%
40% 50%
Order Quantity
--20%
0%
20%
40% 50%
Order Quantity
What happens when order fulfilment time rises? Would not customers react?
Is the assumption of exogenous demand still appropriate?
A SD model was developed to test if optimisation results change
when the customer feedback loop is closed.
19.11.2008
.
12
02/02/2009
Core Feedback and Stock-Flow-Structure
Exogenous Demand
BW Batch Size
Manufacturing
Time
+
Desired BW
Manufacturing
Rate
+
Min Supermarket
Filling Time
Desired BW
Supermarket
+
+
Gap in BW
Supermarket
JSt1
No KC BW
Supermarket
Min Packaging and
Shipment Time
Max BW
Shipment Rate
+
Max BW
B4
+
B2
B3
Supermarket
BW Availability
BW ManufacBlockage
Filling
Rate
+
+
turing Pull
BW
Capacity Restricted
Supermarket
BW Manufacturing
+
BW Warehousing
BW Packaging
Rate
Rate
+
and Shipments
BW
+
+
+
Manufacturing
+
Throughput Time
Rate
Desired
Quality Defect Rate
B1
Available BW
Shipments
Manufacturing
FP Pull
<Desired Delivery
+
Capacity
Delay>
+
Customer
Cumulated
Order
Filled Customer
Backlog
Orders
Incoming
Filled Customer
Orders
Customer Orders
19.11.2008
.
Order Fulfilment
+
Time
13
Folie 13
JSt1
Order Fulfilmet Time falsch
Jürgen Strohhecker, 12/11/2008
02/02/2009
02/02/2009
SD Simulation Results And Comparison with DES
Simulation Results
SD Simulation Results (dt = 0.03125, 300 Month)
Throughput Times
BW Supermarket
Customer Order Backlog
P1
4
24.4
7.6
599,547
204,128
P2
3
18.1
7.8
444,860
212,148
P3
3
37.6
7.6
450,159
116,202
P2
-49%
7%
-4%
-12%
P3
-39%
23%
-17%
17%
days
days
units
units
Deviation from DES Simulation Results
Throughput Times
BW Supermarket
Customer Order Backlog
19.11.2008
P1
-37%
41%
-6%
29%
.
14
02/02/2009
Closing the Customer Feedback Loop
BW
Supermarket
BW Warehousing
Rate
+
Throughput Time
Quality Defect Rate
<Desired Delivery
Delay>
BW Packaging
and Shipments
+
Desired
- Shipments
+
Customer
Order
Backlog
B1
FP Pull
+
Cumulated
Filled Customer
Orders
Incoming
Filled Customer
Orders
Customer Orders
+
Customers'
R1
+
Desired Order
Effect of Order
Growth
Through
B5
Fulfilment Time
Fulfilment Time
Service
Loosing
Performance
Order Fulfilment
Orders
+
Time
+
§ Effect of Order
Normal Incoming
+
Fulfilment Time
Customer Orders
Order Fulfilment
Customer
+
Performance
Time Performance
Reaction Time
19.11.2008
.
15
02/02/2009
Customer Feedback Model Assumptions
Effect on Customer Orders
Non-linear, logistic function models the effect of order fulfilment performance
on customer orders
3rd order delay with an average delay time of six months
1
1
Customer
Orders
Insensitive
Customers
0.8
0.6
Very
Sensitive
Customers
0.4
0.2
Order Fulfilment Time
0
0
0
0.2
0.4
0.6
0.8
0
1
Order Fulfilment Performance
19.11.2008
Effect on Orders
.
12
24
Month
36
16
02/02/2009
Impact of „Closing the Loop“ on Optimal Kanban
Configuration
No impact on P1 and P3
Minor impact on P2:
4.0%
3.0%
2.0%
1.0%
0.0%
-1.0%
-2.0%
-3.0%
Throughput Order Fulfilment
BW
Customer Order
Time
Supermarket
Backlog
Time
But 1.3 % of total customer orders for P2 got lost!
A new objective function for optimisation is needed!
19.11.2008
.
17
02/02/2009
Adequate Objective Function for the Closed Loop
Model
Objective Function:
300 3
COP =
(v i − c i )FCIi (t ) − hi ⋅ BWS i (t ) − pi ⋅ [DSi (t ) − FCIi (t )] dt
∫∑
i=1
0
v
Price per unit
c
Variable costs per unit
h
Inventory holding costs per unit and month
p
Stockout costs per unit and month
FCI Filled Customer Orders
BWS Bulkware Supermarket
DS Desired Shipments
Proceeding from open loop to closed loop optimisation can change the
optimal kanban configuration if
- demand pressure is sufficiently high
- inventory and stockout costs are sufficiently low
19.11.2008
.
18
02/02/2009
Open vs Closed Loop Optimisation Results
An Example
v = 1.0
c = 0.4
h = 0.05
p = 0.05
6
5
Kanban cards
4
P3 Closed Loop
P3 Open Loop
P2 Closed Loop
P2 Open Loop
P1 Closed Loop
P1 Open Loop
3
±0%
19.11.2008
.
+30%
+20%
+10%
emand
d
in
e
g
n
Cha
19
02/02/2009
Conclusions
Optimizing kanban configuration based on the assumption of exogenous
demand is widespread in operations management.
Open loop optimisation results often leads to the recommendation of lean
inventory policies.
However, if
– customers respond to long delivery times,
– capacity utilization is high and
– inventory and stockout costs are low
high inventory policies lead to better results.
With its feedback focus, SD may help to become aware of such issues.
However, closing the customer feedback loop does not always change policy
recommendations.
19.11.2008
.
20
Prof. Dr. Jürgen Strohhecker
Frankfurt School of Finance & Management
Sonnemannstraße 9-11
D-60314 Frankfurt am Main
T +49-69 154008-110
F +49-69 154008-728
E-Mail: [email protected]
02/02/2009

e - Technische Universität Braunschweig

Transcription

Similar documents

Initiative-Airport-Media-Erfolgsbilanz-2013

Online einchecken, sitzplatz auswählen und Bordkarte ausdrucken

PCtipp 0511 DVD shrink

Abschlussbericht Zuwendungsempfänger: Leibniz

C2.5 Vorgaben zum Umgang mit Flugbetriebsdaten

Deutscher Poker Sportbund e.V. Regelwerk HeadsUp Liga

Transfersystem TS1 Transfer system TS1 Système de transfert TS1 4.0

Volume 83 · May 2007 International Journal for Industry, Research

Februar/März 2016

Revolex® KX-D mounting instruction

06FAR078 C30 SS KL.qxp