diff --git a/OR_HTML_04/Operations_Research_mit_Python_Version_04.pdf b/OR_HTML_04/Operations_Research_mit_Python_Version_04.pdf index bd41dc8..881a63c 100644 Binary files a/OR_HTML_04/Operations_Research_mit_Python_Version_04.pdf and b/OR_HTML_04/Operations_Research_mit_Python_Version_04.pdf differ diff --git a/OR_HTML_04/bilder_04/kap_supplychain_wirkung.png b/OR_HTML_04/bilder_04/kap_supplychain_wirkung.png new file mode 100644 index 0000000..91c255f Binary files /dev/null and b/OR_HTML_04/bilder_04/kap_supplychain_wirkung.png differ diff --git a/OR_HTML_04/bilder_04/kap_supplychain_wirkung.svg b/OR_HTML_04/bilder_04/kap_supplychain_wirkung.svg new file mode 100644 index 0000000..628d95b --- /dev/null +++ b/OR_HTML_04/bilder_04/kap_supplychain_wirkung.svg @@ -0,0 +1,2093 @@ + + + + + + + + image/svg+xml + + + Matplotlib v3.10.8, https://matplotlib.org/ + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + diff --git a/OR_HTML_04/gesamtdokument.html b/OR_HTML_04/gesamtdokument.html index b9bfcb8..c3efb2e 100644 --- a/OR_HTML_04/gesamtdokument.html +++ b/OR_HTML_04/gesamtdokument.html @@ -21467,6 +21467,16 @@ Was Versorgungssicherheit kostet

Der Erwartungswert-Plan kostet in der Wirklichkeit 149 % mehr, und sein schlimmster Tag ist sechsmal so teuer.

+

Wofür genau? Die Summendifferenz von 523 514 € sagt noch nicht, wo sie entsteht. Zerlegt man sie nach Kostenarten, wird aus dem Befund eine Aussage, die man vorlegen kann:

+
+Abb. 17.1: Wofür der Erwartungswert-Plan 149 % mehr bezahlt + +
+

Drei Dinge stehen darin, die die Tabelle nicht zeigt. Die Anfahrkosten sind in beiden Plänen gleich (58 000 €) — der Erwartungswert-Plan spart also nicht dort, wo man es vermuten würde. Er spart 12 725 € Brennstoff, weil er weniger Blockstunden vorhält. Und er bezahlt dafür 536 239 € Lastabwurf: das 42-fache seiner Ersparnis.

+

Genau diese Gegenüberstellung ist es, die eine Investitionsentscheidung trägt. „149 % mehr” ist eine Zahl, über die man streiten kann; „wir sparen 12 725 € und riskieren dafür 536 239 €” ist eine, über die man entscheidet.

+
+

📌 Zum Diagramm Es wird von bilder_04/erzeuge_wirkung.py erzeugt, das die Instanz aus Kraftwerkseinsatz.py erneut rechnet statt Zahlen zu übernehmen — und dabei die beiden abgedruckten Summen exakt reproduziert. Die Trennung von Brennstoff- und Abwurfkosten ist der einzige Zusatz; das Buchprogramm braucht sie nicht.

+

Der Unterschied zwischen den beiden Plänen ist dabei erstaunlich klein:

Erwartungswert   111111122222222211111111  (33 Blockstunden)
 zweistufig       111111222222222222222111  (39 Blockstunden)
diff --git a/OR_HTML_04/stichwortverzeichnis.html b/OR_HTML_04/stichwortverzeichnis.html index f9d6555..3b1aae9 100644 --- a/OR_HTML_04/stichwortverzeichnis.html +++ b/OR_HTML_04/stichwortverzeichnis.html @@ -99,7 +99,7 @@
-

Stichwortverzeichnis

219 Fachbegriffe. Ein Klick führt zum jeweiligen Kapitel/Abschnitt (statt einer im Web bedeutungslosen Seitenzahl wie im gedruckten Register).

A

Absolutbetrag (Modellierungsmuster) — Anhang B: Katalog der Modellierungsmuster
Adjusted Close — Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
Aktivierungsschalter (Modellierungsmuster) — Anhang B: Katalog der Modellierungsmuster
Almgren-Chriss-Modell — Anhang E: Glossar und Literatur, Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Alternativoptima — Anhang E: Glossar und Literatur
Approximate Dynamic Programming — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz

B

Bedingte Kopplung (Konjunktion) — Anhang B: Katalog der Modellierungsmuster
Bellman, Richard — Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Bellman-Gleichung — Anhang E: Glossar und Literatur, Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Benders-Zerlegung — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Big-M-Methode — Anhang E: Glossar und Literatur, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Binärvariable — Anhang E: Glossar und Literatur
Bipartites Matching — Anhang E: Glossar und Literatur, Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Black-Box-Effekt — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Branch-and-Bound — Anhang E: Glossar und Literatur, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Branch-and-Cut — Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound, Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
Brute Force — Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Budgeted Uncertainty — Anhang E: Glossar und Literatur, Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Budgetlimit — Anhang B: Katalog der Modellierungsmuster

C

Calmar Ratio — Anhang E: Glossar und Literatur
CDCL — Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung, Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
Chance Constraint — Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Column Generation — Kapitel 9: Metaheuristiken — wenn der exakte Solver aussteigt, Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Conditional Value at Risk (CVaR) — Anhang E: Glossar und Literatur, Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten
Constraint Attribution — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Constraint Programming (CP) — Anhang E: Glossar und Literatur, Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung
Constraint Propagation — Anhang E: Glossar und Literatur, Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung
Constraint-Trace — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
CP-SAT — Anhang E: Glossar und Literatur
CP-SAT-Solver — Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung
CSR-Format — Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
CVRPTW — Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
CVXPY — Anhang E: Glossar und Literatur, Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten, Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität

D

Dantzig, George — Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung, Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Data Snooping — Kapitel 21: Die vollständige quantitative Handelsmaschine
DCPError — Anhang C: Fehlerdiagnose-Handbuch
Deletion Filter — Anhang C: Fehlerdiagnose-Handbuch
Diskrete Rendite — Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
Diversifikation — Kapitel 19: Die moderne Portfoliotheorie nach Markowitz
Dual Simplex — Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
Duales Problem — Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Dualitätstheorie — Anhang E: Glossar und Literatur
Dynamische Programmierung — Anhang E: Glossar und Literatur, Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution

E

Ecke (Extrempunkt) — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Effizienzgrenze — Anhang E: Glossar und Literatur, Kapitel 19: Die moderne Portfoliotheorie nach Markowitz
Entartung — Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Entscheidungsvariable — Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Entscheidungsvektor — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Entweder-Oder-Bedingung — Anhang B: Katalog der Modellierungsmuster
Error-Maximizer-Effekt — Anhang E: Glossar und Literatur, Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
EVPI — Anhang E: Glossar und Literatur, Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Exklusiv-Oder — Anhang B: Katalog der Modellierungsmuster
Expected Shortfall — Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten
Explainable OR — Anhang E: Glossar und Literatur

F

Fallback-Strategie — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Falsche Dualwerte (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch
Fat Tails — Anhang E: Glossar und Literatur, Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten
Fluch der Dimensionalität — Anhang E: Glossar und Literatur, Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Fluch des Durchschnitts — Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Flusserhaltung — Anhang E: Glossar und Literatur, Anhang B: Katalog der Modellierungsmuster, Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Fundamentalsatz der linearen Optimierung — Anhang E: Glossar und Literatur, Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität

G

Genetischer Algorithmus — Kapitel 9: Metaheuristiken — wenn der exakte Solver aussteigt
Gestaffelte Preise (stückweise linear) — Anhang B: Katalog der Modellierungsmuster
Gini-Koeffizient — Projektwerkstatt
Gleitendes Fenster — Anhang B: Katalog der Modellierungsmuster
Globale Constraints — Anhang E: Glossar und Literatur, Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung
Globales Minimum — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
GMV (Global Minimum Variance) — Anhang E: Glossar und Literatur, Kapitel 19: Die moderne Portfoliotheorie nach Markowitz
Goldene Regel des Backtestens — Kapitel 21: Die vollständige quantitative Handelsmaschine
Gradient — Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Gurobi — Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound

H

Herfindahl-Index — Projektwerkstatt
Hierarchische Relaxation — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
HiGHS — Anhang E: Glossar und Literatur, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound

I

IIS (Irreducible Infeasible Subset) — Anhang C: Fehlerdiagnose-Handbuch
Implikation (Modellierungsmuster) — Anhang B: Katalog der Modellierungsmuster
Importfehler (ortools und highspy) — Anhang C: Fehlerdiagnose-Handbuch
Infeasibility — Anhang C: Fehlerdiagnose-Handbuch, Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Instabile Lösung (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch
Interior-Point-Verfahren — Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
Intervallvariable — Anhang E: Glossar und Literatur, Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung

J

Jensensche Ungleichung — Anhang E: Glossar und Literatur, Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Job-Shop-Scheduling — Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung

K

Kanonische Standardform — Anhang E: Glossar und Literatur
Kapazitätsvektor — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Kardinalitätsbeschränkung — Anhang E: Glossar und Literatur, Anhang B: Katalog der Modellierungsmuster, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
KKT-Bedingungen — Anhang E: Glossar und Literatur, Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Kohärentes Risikomaß — Anhang E: Glossar und Literatur
Kombinatorische Explosion — Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Komplementärer Schlupf — Anhang E: Glossar und Literatur, Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise, Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Konditionszahl — Anhang C: Fehlerdiagnose-Handbuch, Anhang E: Glossar und Literatur, Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Konische Optimierung (SOCP, SDP) — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz, Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Konvexität — Anhang E: Glossar und Literatur, Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität, Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Korn-Transformation — Anhang E: Glossar und Literatur, Kapitel 19: Die moderne Portfoliotheorie nach Markowitz
Kostenzerlegung — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Kovarianzmatrix — Anhang E: Glossar und Literatur, Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Kumulative Ressource — Anhang B: Katalog der Modellierungsmuster

L

Lagrange-Funktion — Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Lagrange-Multiplikator — Anhang E: Glossar und Literatur
Large Neighborhood Search — Kapitel 9: Metaheuristiken — wenn der exakte Solver aussteigt
Laufzeitexplosion (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch
Ledoit-Wolf-Shrinkage — Anhang E: Glossar und Literatur, Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
Lexikografische Optimierung — Anhang B: Katalog der Modellierungsmuster, Kapitel 14: Mehrere Ziele — Pareto-Fronten statt Gewichte
Lineare Programmierung (LP) — Anhang E: Glossar und Literatur
Linopy — Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
linprog — Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Logarithmische Rendite — Anhang E: Glossar und Literatur, Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
Lokales Minimum — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Lookahead-Bias — Anhang E: Glossar und Literatur, Kapitel 21: Die vollständige quantitative Handelsmaschine
LP-Relaxation — Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound

M

Makespan — Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung
Marchenko-Pastur-Gesetz — Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
Markowitz-Modell (Mean-Variance) — Anhang E: Glossar und Literatur, Kapitel 19: Die moderne Portfoliotheorie nach Markowitz
Marktauswirkung — Anhang E: Glossar und Literatur, Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Matrix-Vektor-Produkt — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Matrixform — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Maximin-Fairness — Anhang B: Katalog der Modellierungsmuster
Maximum Drawdown — Anhang E: Glossar und Literatur
Mensch in der Schleife — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Metaheuristik — Kapitel 9: Metaheuristiken — wenn der exakte Solver aussteigt
MILP — Anhang E: Glossar und Literatur, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Min-Cost-Flow — Anhang E: Glossar und Literatur, Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Mindestabnahmemenge — Anhang B: Katalog der Modellierungsmuster
MINLP — Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
MIP-Gap — Anhang E: Glossar und Literatur, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Monte-Carlo-Simulation — Anhang E: Glossar und Literatur, Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
MTZ-Formulierung — Anhang E: Glossar und Literatur, Anhang B: Katalog der Modellierungsmuster, Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Multi-Objective Optimization — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz

N

Nebenbedingung — Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Newsvendor-Problem — Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Nichtlineare Programmierung (NLP) — Anhang E: Glossar und Literatur
Nichtüberlappung — Anhang B: Katalog der Modellierungsmuster
NP-schwer — Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound

O

Operations Research — Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Optimalitätsprinzip — Anhang E: Glossar und Literatur, Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
OR-Tools — Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Overfitting — Kapitel 21: Die vollständige quantitative Handelsmaschine

P

Parameter (Modell) — Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Pareto-Front — Kapitel 14: Mehrere Ziele — Pareto-Fronten statt Gewichte
Pivotisierung — Anhang E: Glossar und Literatur
Polars — Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
Polyeder — Anhang E: Glossar und Literatur, Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Positiv (semi-)definit — Anhang E: Glossar und Literatur
Präskriptive Analytik — Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Predict-then-Optimize — Kapitel 15: Predict-then-Optimize — die bessere Prognose, die schlechtere Entscheidung
Primales Problem — Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Pyomo — Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten

Q

Q-Learning — Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Quadratische Programmierung (QP) — Anhang E: Glossar und Literatur, Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität

R

Rebalancing — Anhang E: Glossar und Literatur
Regime-Shift — Anhang E: Glossar und Literatur
Reinforcement Learning — Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Relaxation — Anhang E: Glossar und Literatur
Robuste Optimierung — Anhang E: Glossar und Literatur, Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Rockafellar-Uryasev-Theorem — Anhang E: Glossar und Literatur, Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten
Routing-Bibliothek — Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Rucksackproblem — Anhang B: Katalog der Modellierungsmuster, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Rückwärtsinduktion — Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Ruiz-Equilibrierung — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Rüstzeit — Anhang B: Katalog der Modellierungsmuster

S

SAT (Boolean Satisfiability) — Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung
Satz von Birkhoff und von Neumann — Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Schattenpreis — Anhang E: Glossar und Literatur, Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise, Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Schätzfehler — Anhang E: Glossar und Literatur
Schlupfvariable — Anhang E: Glossar und Literatur, Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Schnittebenen — Anhang E: Glossar und Literatur, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
SCIP — Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Semikontinuierliche Variable — Anhang B: Katalog der Modellierungsmuster, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Sensitivitätsanalyse — Anhang E: Glossar und Literatur, Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Shannon-Entropie — Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Sharpe-Ratio — Anhang E: Glossar und Literatur, Kapitel 19: Die moderne Portfoliotheorie nach Markowitz
Simplex-Algorithmus — Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung, Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Simulated Annealing — Kapitel 9: Metaheuristiken — wenn der exakte Solver aussteigt
Skalarisierung — Kapitel 14: Mehrere Ziele — Pareto-Fronten statt Gewichte
Skalarprodukt — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
SLSQP — Anhang E: Glossar und Literatur, Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Snapshot-Prinzip — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Starker Dualitätssatz — Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Stichproben-Kovarianzmatrix — Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
Stochastische Programmierung — Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Strafkosten — Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Subadditivität — Anhang E: Glossar und Literatur, Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten
Subtour — Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Survivorship-Bias — Anhang E: Glossar und Literatur, Kapitel 21: Die vollständige quantitative Handelsmaschine
Symmetriebrechung — Anhang E: Glossar und Literatur, Anhang B: Katalog der Modellierungsmuster

T

Tabu-Suche — Kapitel 9: Metaheuristiken — wenn der exakte Solver aussteigt
Tangentialportfolio — Kapitel 19: Die moderne Portfoliotheorie nach Markowitz
Technologiematrix — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Totale Unimodularität — Anhang E: Glossar und Literatur, Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Transaktionskosten — Anhang E: Glossar und Literatur
Trickle Flow — Anhang A: Lösungen zu allen Übungsaufgaben
TSP (Traveling Salesperson Problem) — Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Turnover (Umschlag) — Anhang E: Glossar und Literatur, Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten
TWAP — Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution

U

Umrüstkosten (Modellierungsmuster) — Anhang B: Katalog der Modellierungsmuster
Unbounded (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch
Ungarischer Algorithmus — Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Unsicherheitsmenge — Anhang E: Glossar und Literatur
Unsinniges Ergebnis (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch

V

Value at Risk (VaR) — Anhang E: Glossar und Literatur, Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten
Vehicle Routing Problem (VRP) — Anhang E: Glossar und Literatur
Verdächtig guter Backtest (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch
Verhältnis-Bedingung — Anhang B: Katalog der Modellierungsmuster
Vertauschte Spalten (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch
Volatilität — Anhang E: Glossar und Literatur
Vorrangbeziehung — Anhang B: Katalog der Modellierungsmuster

W

Walk-Forward-Backtest — Anhang E: Glossar und Literatur, Kapitel 21: Die vollständige quantitative Handelsmaschine
Warm-Start — Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Weiche Grenze mit Strafkosten — Anhang B: Katalog der Modellierungsmuster
Widersprüchliche Solver (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch
Wurzel-Zeit-Regel — Anhang E: Glossar und Literatur

Z

Zielfunktion — Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Zufallsmatrizentheorie — Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
Zulässiger Bereich — Anhang E: Glossar und Literatur, Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Zuordnungsproblem (1:1) — Anhang B: Katalog der Modellierungsmuster
Zustandslosigkeit (OR-Plattform) — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Zustandsraum — Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Zwei-Phasen-Simplex-Methode — Anhang A: Lösungen zu allen Übungsaufgaben
Zweischichtige Architektur — Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
+

Stichwortverzeichnis

219 Fachbegriffe. Ein Klick führt zum jeweiligen Kapitel/Abschnitt (statt einer im Web bedeutungslosen Seitenzahl wie im gedruckten Register).

A

Absolutbetrag (Modellierungsmuster) — Anhang B: Katalog der Modellierungsmuster
Adjusted Close — Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
Aktivierungsschalter (Modellierungsmuster) — Anhang B: Katalog der Modellierungsmuster
Almgren-Chriss-Modell — Anhang E: Glossar und Literatur, Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Alternativoptima — Anhang E: Glossar und Literatur
Approximate Dynamic Programming — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz

B

Bedingte Kopplung (Konjunktion) — Anhang B: Katalog der Modellierungsmuster
Bellman, Richard — Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Bellman-Gleichung — Anhang E: Glossar und Literatur, Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Benders-Zerlegung — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Big-M-Methode — Anhang E: Glossar und Literatur, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Binärvariable — Anhang E: Glossar und Literatur
Bipartites Matching — Anhang E: Glossar und Literatur, Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Black-Box-Effekt — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Branch-and-Bound — Anhang E: Glossar und Literatur, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Branch-and-Cut — Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound, Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
Brute Force — Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Budgeted Uncertainty — Anhang E: Glossar und Literatur, Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Budgetlimit — Anhang B: Katalog der Modellierungsmuster

C

Calmar Ratio — Anhang E: Glossar und Literatur
CDCL — Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung, Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
Chance Constraint — Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Column Generation — Kapitel 9: Metaheuristiken — wenn der exakte Solver aussteigt, Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Conditional Value at Risk (CVaR) — Anhang E: Glossar und Literatur, Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten
Constraint Attribution — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Constraint Programming (CP) — Anhang E: Glossar und Literatur, Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung
Constraint Propagation — Anhang E: Glossar und Literatur, Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung
Constraint-Trace — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
CP-SAT — Anhang E: Glossar und Literatur
CP-SAT-Solver — Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung
CSR-Format — Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
CVRPTW — Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
CVXPY — Anhang E: Glossar und Literatur, Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten, Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität

D

Dantzig, George — Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung, Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Data Snooping — Kapitel 21: Die vollständige quantitative Handelsmaschine
DCPError — Anhang C: Fehlerdiagnose-Handbuch
Deletion Filter — Anhang C: Fehlerdiagnose-Handbuch
Diskrete Rendite — Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
Diversifikation — Kapitel 19: Die moderne Portfoliotheorie nach Markowitz
Dual Simplex — Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
Duales Problem — Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Dualitätstheorie — Anhang E: Glossar und Literatur
Dynamische Programmierung — Anhang E: Glossar und Literatur, Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution

E

Ecke (Extrempunkt) — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Effizienzgrenze — Anhang E: Glossar und Literatur, Kapitel 19: Die moderne Portfoliotheorie nach Markowitz
Entartung — Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Entscheidungsvariable — Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Entscheidungsvektor — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Entweder-Oder-Bedingung — Anhang B: Katalog der Modellierungsmuster
Error-Maximizer-Effekt — Anhang E: Glossar und Literatur, Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
EVPI — Anhang E: Glossar und Literatur, Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Exklusiv-Oder — Anhang B: Katalog der Modellierungsmuster
Expected Shortfall — Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten
Explainable OR — Anhang E: Glossar und Literatur

F

Fallback-Strategie — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Falsche Dualwerte (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch
Fat Tails — Anhang E: Glossar und Literatur, Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten
Fluch der Dimensionalität — Anhang E: Glossar und Literatur, Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Fluch des Durchschnitts — Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Flusserhaltung — Anhang E: Glossar und Literatur, Anhang B: Katalog der Modellierungsmuster, Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Fundamentalsatz der linearen Optimierung — Anhang E: Glossar und Literatur, Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität

G

Genetischer Algorithmus — Kapitel 9: Metaheuristiken — wenn der exakte Solver aussteigt
Gestaffelte Preise (stückweise linear) — Anhang B: Katalog der Modellierungsmuster
Gini-Koeffizient — Projektwerkstatt
Gleitendes Fenster — Anhang B: Katalog der Modellierungsmuster
Globale Constraints — Anhang E: Glossar und Literatur, Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung
Globales Minimum — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
GMV (Global Minimum Variance) — Anhang E: Glossar und Literatur, Kapitel 19: Die moderne Portfoliotheorie nach Markowitz
Goldene Regel des Backtestens — Kapitel 21: Die vollständige quantitative Handelsmaschine
Gradient — Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Gurobi — Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound

H

Herfindahl-Index — Projektwerkstatt
Hierarchische Relaxation — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
HiGHS — Anhang E: Glossar und Literatur, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound

I

IIS (Irreducible Infeasible Subset) — Anhang C: Fehlerdiagnose-Handbuch
Implikation (Modellierungsmuster) — Anhang B: Katalog der Modellierungsmuster
Importfehler (ortools und highspy) — Anhang C: Fehlerdiagnose-Handbuch
Infeasibility — Anhang C: Fehlerdiagnose-Handbuch, Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Instabile Lösung (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch
Interior-Point-Verfahren — Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
Intervallvariable — Anhang E: Glossar und Literatur, Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung

J

Jensensche Ungleichung — Anhang E: Glossar und Literatur, Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Job-Shop-Scheduling — Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung

K

Kanonische Standardform — Anhang E: Glossar und Literatur
Kapazitätsvektor — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Kardinalitätsbeschränkung — Anhang E: Glossar und Literatur, Anhang B: Katalog der Modellierungsmuster, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
KKT-Bedingungen — Anhang E: Glossar und Literatur, Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Kohärentes Risikomaß — Anhang E: Glossar und Literatur
Kombinatorische Explosion — Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Komplementärer Schlupf — Anhang E: Glossar und Literatur, Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise, Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Konditionszahl — Anhang C: Fehlerdiagnose-Handbuch, Anhang E: Glossar und Literatur, Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Konische Optimierung (SOCP, SDP) — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz, Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Konvexität — Anhang E: Glossar und Literatur, Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität, Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Korn-Transformation — Anhang E: Glossar und Literatur, Kapitel 19: Die moderne Portfoliotheorie nach Markowitz
Kostenzerlegung — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Kovarianzmatrix — Anhang E: Glossar und Literatur, Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Kumulative Ressource — Anhang B: Katalog der Modellierungsmuster

L

Lagrange-Funktion — Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Lagrange-Multiplikator — Anhang E: Glossar und Literatur
Large Neighborhood Search — Kapitel 9: Metaheuristiken — wenn der exakte Solver aussteigt
Laufzeitexplosion (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch
Ledoit-Wolf-Shrinkage — Anhang E: Glossar und Literatur, Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
Lexikografische Optimierung — Anhang B: Katalog der Modellierungsmuster, Kapitel 14: Mehrere Ziele — Pareto-Fronten statt Gewichte
Lineare Programmierung (LP) — Anhang E: Glossar und Literatur
Linopy — Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
linprog — Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Logarithmische Rendite — Anhang E: Glossar und Literatur, Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
Lokales Minimum — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Lookahead-Bias — Anhang E: Glossar und Literatur, Kapitel 21: Die vollständige quantitative Handelsmaschine
LP-Relaxation — Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound

M

Makespan — Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung
Marchenko-Pastur-Gesetz — Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
Markowitz-Modell (Mean-Variance) — Anhang E: Glossar und Literatur, Kapitel 19: Die moderne Portfoliotheorie nach Markowitz
Marktauswirkung — Anhang E: Glossar und Literatur, Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Matrix-Vektor-Produkt — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Matrixform — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Maximin-Fairness — Anhang B: Katalog der Modellierungsmuster
Maximum Drawdown — Anhang E: Glossar und Literatur
Mensch in der Schleife — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Metaheuristik — Kapitel 9: Metaheuristiken — wenn der exakte Solver aussteigt
MILP — Anhang E: Glossar und Literatur, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Min-Cost-Flow — Anhang E: Glossar und Literatur, Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Mindestabnahmemenge — Anhang B: Katalog der Modellierungsmuster
MINLP — Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
MIP-Gap — Anhang E: Glossar und Literatur, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Monte-Carlo-Simulation — Anhang E: Glossar und Literatur, Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
MTZ-Formulierung — Anhang E: Glossar und Literatur, Anhang B: Katalog der Modellierungsmuster, Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Multi-Objective Optimization — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz

N

Nebenbedingung — Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Newsvendor-Problem — Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Nichtlineare Programmierung (NLP) — Anhang E: Glossar und Literatur
Nichtüberlappung — Anhang B: Katalog der Modellierungsmuster
NP-schwer — Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound

O

Operations Research — Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Optimalitätsprinzip — Anhang E: Glossar und Literatur, Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
OR-Tools — Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Overfitting — Kapitel 21: Die vollständige quantitative Handelsmaschine

P

Parameter (Modell) — Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Pareto-Front — Kapitel 14: Mehrere Ziele — Pareto-Fronten statt Gewichte
Pivotisierung — Anhang E: Glossar und Literatur
Polars — Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
Polyeder — Anhang E: Glossar und Literatur, Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Positiv (semi-)definit — Anhang E: Glossar und Literatur
Präskriptive Analytik — Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Predict-then-Optimize — Kapitel 15: Predict-then-Optimize — die bessere Prognose, die schlechtere Entscheidung
Primales Problem — Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Pyomo — Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten

Q

Q-Learning — Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Quadratische Programmierung (QP) — Anhang E: Glossar und Literatur, Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität

R

Rebalancing — Anhang E: Glossar und Literatur
Regime-Shift — Anhang E: Glossar und Literatur
Reinforcement Learning — Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Relaxation — Anhang E: Glossar und Literatur
Robuste Optimierung — Anhang E: Glossar und Literatur, Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Rockafellar-Uryasev-Theorem — Anhang E: Glossar und Literatur, Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten
Routing-Bibliothek — Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Rucksackproblem — Anhang B: Katalog der Modellierungsmuster, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Rückwärtsinduktion — Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Ruiz-Equilibrierung — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Rüstzeit — Anhang B: Katalog der Modellierungsmuster

S

SAT (Boolean Satisfiability) — Kapitel 7: Constraint Programming mit CP-SAT — Logik, Scheduling und Zuweisung
Satz von Birkhoff und von Neumann — Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Schattenpreis — Anhang E: Glossar und Literatur, Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise, Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Schätzfehler — Anhang E: Glossar und Literatur
Schlupfvariable — Anhang E: Glossar und Literatur, Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Schnittebenen — Anhang E: Glossar und Literatur, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
SCIP — Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Semikontinuierliche Variable — Anhang B: Katalog der Modellierungsmuster, Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Sensitivitätsanalyse — Anhang E: Glossar und Literatur, Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Shannon-Entropie — Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Sharpe-Ratio — Anhang E: Glossar und Literatur, Kapitel 19: Die moderne Portfoliotheorie nach Markowitz
Simplex-Algorithmus — Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung, Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Simulated Annealing — Kapitel 9: Metaheuristiken — wenn der exakte Solver aussteigt
Skalarisierung — Kapitel 14: Mehrere Ziele — Pareto-Fronten statt Gewichte
Skalarprodukt — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
SLSQP — Anhang E: Glossar und Literatur, Kapitel 11: Quadratische und nichtlineare Optimierung — KKT, Lagrange, Konvexität
Snapshot-Prinzip — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Starker Dualitätssatz — Kapitel 5: Lineare Programmierung — Simplex, Dualität und Schattenpreise
Stichproben-Kovarianzmatrix — Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
Stochastische Programmierung — Kapitel 12: Optimierung unter Unsicherheit — Monte-Carlo, Stochastik, Robustheit
Strafkosten — Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Subadditivität — Anhang E: Glossar und Literatur, Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten
Subtour — Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Survivorship-Bias — Anhang E: Glossar und Literatur, Kapitel 21: Die vollständige quantitative Handelsmaschine
Symmetriebrechung — Anhang E: Glossar und Literatur, Anhang B: Katalog der Modellierungsmuster

T

Tabu-Suche — Kapitel 9: Metaheuristiken — wenn der exakte Solver aussteigt
Tangentialportfolio — Kapitel 19: Die moderne Portfoliotheorie nach Markowitz
Technologiematrix — Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Totale Unimodularität — Anhang E: Glossar und Literatur, Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Transaktionskosten — Anhang E: Glossar und Literatur
Trickle Flow — Anhang A: Lösungen zu allen Übungsaufgaben
TSP (Traveling Salesperson Problem) — Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Turnover (Umschlag) — Anhang E: Glossar und Literatur, Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten
TWAP — Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution

U

Umrüstkosten (Modellierungsmuster) — Anhang B: Katalog der Modellierungsmuster
Unbounded (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch
Ungarischer Algorithmus — Kapitel 8: Graphen, Flüsse und Touren — Min-Cost-Flow, Matching und VRP
Unsicherheitsmenge — Anhang E: Glossar und Literatur
Unsinniges Ergebnis (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch

V

Value at Risk (VaR) — Anhang E: Glossar und Literatur, Kapitel 20: Tail-Risiko, CVaR und Transaktionskosten
Vehicle Routing Problem (VRP) — Anhang E: Glossar und Literatur
Verdächtig guter Backtest (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch
Verhältnis-Bedingung — Anhang B: Katalog der Modellierungsmuster
Vertauschte Spalten (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch
Volatilität — Anhang E: Glossar und Literatur
Vorrangbeziehung — Anhang B: Katalog der Modellierungsmuster

W

Walk-Forward-Backtest — Anhang E: Glossar und Literatur, Kapitel 21: Die vollständige quantitative Handelsmaschine
Warm-Start — Kapitel 6: Gemischt-ganzzahlige Optimierung — Diskrete Entscheidungen und Branch-and-Bound
Weiche Grenze mit Strafkosten — Anhang B: Katalog der Modellierungsmuster
Widersprüchliche Solver (Fehlerbild) — Anhang C: Fehlerdiagnose-Handbuch
Wurzel-Zeit-Regel — Anhang E: Glossar und Literatur

Z

Zielfunktion — Anhang E: Glossar und Literatur, Kapitel 1: Einführung in Operations Research — Vom Ursprung zur mathematischen Entscheidungsfindung
Zufallsmatrizentheorie — Kapitel 18: Finanzdaten-Modellierung — Renditen, Kovarianz und Shrinkage
Zulässiger Bereich — Anhang E: Glossar und Literatur, Kapitel 2: Das mathematische Fundament — Vektoren, Matrizen, Konvexität
Zuordnungsproblem (1:1) — Anhang B: Katalog der Modellierungsmuster
Zustandslosigkeit (OR-Plattform) — Kapitel 22: Praxisfallen und der Weg zum produktiven Einsatz
Zustandsraum — Kapitel 13: Dynamische Programmierung — Die Bellman-Gleichung und Order-Execution
Zwei-Phasen-Simplex-Methode — Anhang A: Lösungen zu allen Übungsaufgaben
Zweischichtige Architektur — Kapitel 3: Das Python-Ökosystem für OR — Solver, Bindings und Modellierungsschichten
diff --git a/OR_HTML_04/supplychain.html b/OR_HTML_04/supplychain.html index 8e740e3..7886367 100644 --- a/OR_HTML_04/supplychain.html +++ b/OR_HTML_04/supplychain.html @@ -772,6 +772,16 @@ Was Versorgungssicherheit kostet

Der Erwartungswert-Plan kostet in der Wirklichkeit 149 % mehr, und sein schlimmster Tag ist sechsmal so teuer.

+

Wofür genau? Die Summendifferenz von 523 514 € sagt noch nicht, wo sie entsteht. Zerlegt man sie nach Kostenarten, wird aus dem Befund eine Aussage, die man vorlegen kann:

+
+Abb. 17.1: Wofür der Erwartungswert-Plan 149 % mehr bezahlt + +
+

Drei Dinge stehen darin, die die Tabelle nicht zeigt. Die Anfahrkosten sind in beiden Plänen gleich (58 000 €) — der Erwartungswert-Plan spart also nicht dort, wo man es vermuten würde. Er spart 12 725 € Brennstoff, weil er weniger Blockstunden vorhält. Und er bezahlt dafür 536 239 € Lastabwurf: das 42-fache seiner Ersparnis.

+

Genau diese Gegenüberstellung ist es, die eine Investitionsentscheidung trägt. „149 % mehr” ist eine Zahl, über die man streiten kann; „wir sparen 12 725 € und riskieren dafür 536 239 €” ist eine, über die man entscheidet.

+
+

📌 Zum Diagramm Es wird von bilder_04/erzeuge_wirkung.py erzeugt, das die Instanz aus Kraftwerkseinsatz.py erneut rechnet statt Zahlen zu übernehmen — und dabei die beiden abgedruckten Summen exakt reproduziert. Die Trennung von Brennstoff- und Abwurfkosten ist der einzige Zusatz; das Buchprogramm braucht sie nicht.

+

Der Unterschied zwischen den beiden Plänen ist dabei erstaunlich klein:

Erwartungswert   111111122222222211111111  (33 Blockstunden)
 zweistufig       111111222222222222222111  (39 Blockstunden)
diff --git a/Operations_Research_mit_Python_Version_04.md b/Operations_Research_mit_Python_Version_04.md index 15ff79c..c1e17a9 100644 --- a/Operations_Research_mit_Python_Version_04.md +++ b/Operations_Research_mit_Python_Version_04.md @@ -17515,6 +17515,16 @@ Was Versorgungssicherheit kostet Der Erwartungswert-Plan kostet in der Wirklichkeit **149 % mehr**, und sein schlimmster Tag ist sechsmal so teuer. +**Wofür genau?** Die Summendifferenz von 523 514 € sagt noch nicht, wo sie entsteht. Zerlegt man sie nach Kostenarten, wird aus dem Befund eine Aussage, die man vorlegen kann: + +![Abb. 17.1: Wofür der Erwartungswert-Plan 149 % mehr bezahlt](bilder_04/kap_supplychain_wirkung.svg) + +Drei Dinge stehen darin, die die Tabelle nicht zeigt. Die **Anfahrkosten sind in beiden Plänen gleich** (58 000 €) — der Erwartungswert-Plan spart also nicht dort, wo man es vermuten würde. Er spart **12 725 € Brennstoff**, weil er weniger Blockstunden vorhält. Und er bezahlt dafür **536 239 € Lastabwurf**: das **42-fache** seiner Ersparnis. + +Genau diese Gegenüberstellung ist es, die eine Investitionsentscheidung trägt. „149 % mehr" ist eine Zahl, über die man streiten kann; „wir sparen 12 725 € und riskieren dafür 536 239 €" ist eine, über die man entscheidet. + +> **📌 Zum Diagramm** Es wird von `bilder_04/erzeuge_wirkung.py` erzeugt, das die Instanz aus `Kraftwerkseinsatz.py` **erneut rechnet** statt Zahlen zu übernehmen — und dabei die beiden abgedruckten Summen exakt reproduziert. Die Trennung von Brennstoff- und Abwurfkosten ist der einzige Zusatz; das Buchprogramm braucht sie nicht. + Der Unterschied zwischen den beiden Plänen ist dabei erstaunlich klein: ``` diff --git a/Operations_Research_mit_Python_Version_04.pdf b/Operations_Research_mit_Python_Version_04.pdf index bd41dc8..881a63c 100644 Binary files a/Operations_Research_mit_Python_Version_04.pdf and b/Operations_Research_mit_Python_Version_04.pdf differ diff --git a/Operations_Research_mit_Python_Version_04/36_Supply_Chain_Energie.md b/Operations_Research_mit_Python_Version_04/36_Supply_Chain_Energie.md index 8b2cf2a..d07cbb4 100644 --- a/Operations_Research_mit_Python_Version_04/36_Supply_Chain_Energie.md +++ b/Operations_Research_mit_Python_Version_04/36_Supply_Chain_Energie.md @@ -595,6 +595,26 @@ Was Versorgungssicherheit kostet Der Erwartungswert-Plan kostet in der Wirklichkeit **149 % mehr**, und sein schlimmster Tag ist sechsmal so teuer. +**Wofür genau?** Die Summendifferenz von 523 514 € sagt noch nicht, wo sie entsteht. Zerlegt +man sie nach Kostenarten, wird aus dem Befund eine Aussage, die man vorlegen kann: + +![Wofür der Erwartungswert-Plan 149 % mehr bezahlt](bilder_04/kap_supplychain_wirkung.svg) + +Drei Dinge stehen darin, die die Tabelle nicht zeigt. Die **Anfahrkosten sind in beiden +Plänen gleich** (58 000 €) — der Erwartungswert-Plan spart also nicht dort, wo man es +vermuten würde. Er spart **12 725 € Brennstoff**, weil er weniger Blockstunden vorhält. Und +er bezahlt dafür **536 239 € Lastabwurf**: das **42-fache** seiner Ersparnis. + +Genau diese Gegenüberstellung ist es, die eine Investitionsentscheidung trägt. „149 % mehr" +ist eine Zahl, über die man streiten kann; „wir sparen 12 725 € und riskieren dafür 536 239 €" +ist eine, über die man entscheidet. + +> **📌 Zum Diagramm** +> Es wird von `bilder_04/erzeuge_wirkung.py` erzeugt, das die Instanz aus +> `Kraftwerkseinsatz.py` **erneut rechnet** statt Zahlen zu übernehmen — und dabei die +> beiden abgedruckten Summen exakt reproduziert. Die Trennung von Brennstoff- und +> Abwurfkosten ist der einzige Zusatz; das Buchprogramm braucht sie nicht. + Der Unterschied zwischen den beiden Plänen ist dabei erstaunlich klein: ``` diff --git a/PROGRESS.md b/PROGRESS.md index b522921..7ef4e5e 100644 --- a/PROGRESS.md +++ b/PROGRESS.md @@ -77,7 +77,7 @@ sie unerwartet ab, ist etwas kaputtgegangen. | Kapiteldateien | 22 | **31** | | Kapitel | 15 | **23** | | Anhänge | 4 | **5** | -| Zeilen im Gesamtdokument | 11 082 | **28 243** | +| Zeilen im Gesamtdokument | 11 082 | **28 253** | | Größe des Gesamtdokuments | 606 KB | **1 593 KB** | | Hauptüberschriften | 131 | **298** | | registrierte Abschnitte | 122 | **295** | @@ -87,7 +87,7 @@ sie unerwartet ab, ist etwas kaputtgegangen. | PDF-Seiten | — | **746** | | Notebooks | — | **25** | | Plotly-Figuren | — | **4** | -| Diagramme (SVG) | 26 | **32**, davon **18** mit Generatorskript (15 Skripte) | +| Diagramme (SVG) | 26 | **33**, davon **19** mit Generatorskript (16 Skripte) | **Gegenprobe:** `build_version_03.py --check` läuft unverändert durch — Version 03 ist von allen Änderungen unberührt. @@ -1652,6 +1652,44 @@ aus {ref:sec:praxisfallen-attribution}. Kein neues Programm, keine neue Aufgabe — der Abschnitt bündelt Vorhandenes. Querverweise 730 → 755, PDF 744 → **746** Seiten. +### ✅ 7.2 Wasserfalldiagramm „was es bringt" ({ref:kap:supplychain}) + +Setzt den umsetzbaren Teil von Paket 3 aus `Verbesserungen_03.md` um (Vorher-Nachher- +Wasserfall, Business Impact). Neuer Generator `bilder_04/erzeuge_wirkung.py`; das +Supply-Chain-Kapitel bekommt damit **sein erstes Diagramm** überhaupt. + +**Der Anlass:** Die Tabelle im Kapitel nannte nur die Summen — 874 870 € gegen 351 356 €, +149 % mehr. Wofür genau, stand nirgends. + +**Der Generator rechnet die Instanz erneut**, wie es die Konvention verlangt („so können +Diagramm und Buchtext nicht auseinanderlaufen"). Die Probe fiel gut aus: Der unabhängige +Nachbau reproduziert beide abgedruckten Summen **exakt**, dazu 178,7 MWh Fehlmenge und +28/40 Szenarien mit Abwurf. Kein Auseinanderlaufen — der erste Generator dieser Reihe, der +nichts findet, und das ist ein Ergebnis für sich. + +**Was die Zerlegung zeigt und die Tabelle nicht:** + +| | Anfahrt | Brennstoff | Lastabwurf | Gesamt | +| --- | ---: | ---: | ---: | ---: | +| zweistufig | 58 000 € | 293 356 € | 0 € | **351 356 €** | +| Erwartungswert | 58 000 € | 280 631 € | 536 239 € | **874 870 €** | + +Die **Anfahrkosten sind identisch** — der Erwartungswert-Plan spart also nicht dort, wo man +es vermuten würde. Er spart 12 725 € Brennstoff und bezahlt dafür 536 239 € Lastabwurf: das +**42-fache**. „149 % mehr" ist eine Zahl, über die man streiten kann; „wir sparen 12 725 € +und riskieren 536 239 €" ist eine, über die man entscheidet. + +Die Trennung von Brennstoff- und Abwurfkosten ist der einzige Zusatz gegenüber `bewerte()` +im Buchprogramm; dort wird sie nicht gebraucht. + +**Ein eigener Fehler unterwegs:** Ein `.replace(",", ".")` für deutsche Tausenderpunkte lag +auf dem **ganzen Titelsatz** und machte aus „Brennstoff, Preis" ein „Brennstoff. Preis". +Jetzt gibt es `euro()`, das nur auf Zahlen angewandt wird — mit einem Kommentar, der genau +davor warnt. + +SVG byteidentisch über zwei Läufe. Diagramme jetzt **33**, davon **19** mit Generator +(16 Skripte). + --- ## 8. Commit-Historie des V04-Strangs diff --git a/bilder_04/erzeuge_wirkung.py b/bilder_04/erzeuge_wirkung.py new file mode 100644 index 0000000..cbee3b2 --- /dev/null +++ b/bilder_04/erzeuge_wirkung.py @@ -0,0 +1,253 @@ +#!/usr/bin/env python3 + +# erzeuge_wirkung.py +""" +Erzeugt das Wasserfalldiagramm zum Kapitel Supply-Chain und Energieeinsatz: + + bilder_04/kap_supplychain_wirkung.svg statisch, fuer das PDF + bilder_04/kap_supplychain_wirkung.png Rasterfassung + +Die Frage, die es beantwortet, ist die des Managements: WOFUER genau kostet +der Erwartungswert-Plan 149 % mehr? Die Tabelle im Kapitel nennt nur die +Summen (874.870 EUR gegen 351.356 EUR). Der Wasserfall zerlegt die +Differenz - und die Zerlegung ist der eigentliche Befund: + + * Die ANFAHRKOSTEN sind in beiden Plaenen gleich (58.000 EUR). Der + Erwartungswert-Plan spart also nicht dort, wo man es vermuten wuerde. + * Er spart 12.725 EUR Brennstoff, weil er weniger Blockstunden vorhaelt. + * Und zahlt dafuer 536.239 EUR Lastabwurf. + +Das ist das 42-fache dessen, was er einspart. Genau diese Gegenueberstellung +laesst sich in eine Vorlage uebernehmen, eine Summendifferenz nicht. + +Verfahren und Instanz sind wortgleich zu Kraftwerkseinsatz.py, und gerechnet +wird hier ERNEUT - so koennen Diagramm und Buchtext nicht auseinanderlaufen. +Der Nachbau reproduziert die im Kapitel abgedruckten Summen exakt; das ist +die Probe darauf, dass beide dasselbe Modell meinen. Zusaetzlich trennt er +Brennstoff- und Abwurfkosten, was bewerte() im Buchprogramm nicht tut, weil +es dort nicht gebraucht wird. + +Aufruf (aus dem Repository-Wurzelverzeichnis): + python3 bilder_04/erzeuge_wirkung.py + +Benoetigt: numpy, matplotlib, ortools +""" + +from __future__ import annotations + +import os + +import matplotlib +matplotlib.use("Agg") +import matplotlib.pyplot as plt +import numpy as np +from ortools.linear_solver import pywraplp + +# Reproduzierbare SVG-Ausgabe (siehe erzeuge_titelseite.py) +plt.rcParams["svg.hashsalt"] = "or-mit-python-v04" + +BASIS = os.path.dirname(os.path.dirname(os.path.abspath(__file__))) +BILDER = os.path.join(BASIS, "bilder_04") + +INDIGO, CYAN, AMBER, GRUEN = "#4338ca", "#0891b2", "#b45309", "#059669" +GRAU = "#64748b" + +# --- Instanz: wortgleich zu Kraftwerkseinsatz.py ---------------------------- +# (Name, Mindestleistung, Nennleistung, Grenzkosten, Anfahrkosten, Mindestlaufzeit) +KRAFTWERKE = [ + ("Kernblock", 200, 600, 22, 40_000, 8), + ("Braunkohle", 100, 400, 35, 18_000, 6), + ("Steinkohle", 80, 300, 48, 12_000, 4), + ("Gas GuD", 50, 250, 72, 6_000, 2), + ("Gasturbine", 20, 150, 105, 1_500, 1), +] +STUNDEN, SZENARIEN, FLAUTENANTEIL, SAAT = 24, 40, 0.15, 4 +LASTABWURF = 3_000.0 # EUR je nicht gedeckter MWh + +_t = np.arange(STUNDEN) +LAST = 620 + 260 * np.sin((_t - 7) / 24 * 2 * np.pi) + 90 * np.sin((_t - 4) / 12 * 2 * np.pi) +WIND_ERWARTUNG = np.maximum(0.0, 160 + 130 * np.sin((_t - 14) / 24 * 2 * np.pi)) + + +def euro(betrag: float, vorzeichen: bool = False) -> str: + """Deutsche Tausenderpunkte. Nur auf ZAHLEN anwenden, nie auf ganze Saetze.""" + text = f"{betrag:+,.0f}" if vorzeichen else f"{betrag:,.0f}" + return text.replace(",", ".") + " €" + + +def windszenarien() -> tuple[np.ndarray, np.ndarray]: + rng = np.random.default_rng(SAAT) + niveau = rng.lognormal(0, 0.40, (SZENARIEN, 1)) + wind = np.clip(WIND_ERWARTUNG * niveau + + rng.normal(0, 25, (SZENARIEN, STUNDEN)), 0, 420) + flaute = rng.random(SZENARIEN) < FLAUTENANTEIL + wind[flaute] *= 0.05 + return wind, flaute + + +def plane(wind: np.ndarray, gewichte: np.ndarray) -> np.ndarray: + """Stufe 1 (An/Aus, szenariouebergreifend) und Stufe 2 (Fahrweise je + Szenario) in einem Modell - wie plane() in Kraftwerkseinsatz.py.""" + n_s, n_b = wind.shape[0], len(KRAFTWERKE) + s = pywraplp.Solver.CreateSolver("SCIP") + s.SetTimeLimit(300_000) + laeuft = [[s.BoolVar(f"l{k}_{t}") for t in range(STUNDEN)] for k in range(n_b)] + start = [[s.BoolVar(f"s{k}_{t}") for t in range(STUNDEN)] for k in range(n_b)] + p = [[[s.NumVar(0, KRAFTWERKE[k][2], f"p{j}_{k}_{t}") for t in range(STUNDEN)] + for k in range(n_b)] for j in range(n_s)] + y = [[s.NumVar(0, s.infinity(), f"y{j}_{t}") for t in range(STUNDEN)] + for j in range(n_s)] + + for k, (_, pmin, pmax, _, _, mindestlaufzeit) in enumerate(KRAFTWERKE): + for t in range(STUNDEN): + vorher = laeuft[k][t - 1] if t > 0 else 0 + s.Add(start[k][t] >= laeuft[k][t] - vorher) + for spaeter in range(t, min(STUNDEN, t + mindestlaufzeit)): + s.Add(laeuft[k][spaeter] >= start[k][t]) + for j in range(n_s): + s.Add(p[j][k][t] >= pmin * laeuft[k][t]) + s.Add(p[j][k][t] <= pmax * laeuft[k][t]) + for j in range(n_s): + for t in range(STUNDEN): + s.Add(sum(p[j][k][t] for k in range(n_b)) + + float(wind[j, t]) + y[j][t] >= LAST[t]) + + s.Minimize( + sum(KRAFTWERKE[k][4] * start[k][t] + for k in range(n_b) for t in range(STUNDEN)) + + sum(gewichte[j] * sum(KRAFTWERKE[k][3] * p[j][k][t] + for k in range(n_b) for t in range(STUNDEN)) + for j in range(n_s)) + + sum(gewichte[j] * LASTABWURF * sum(y[j][t] for t in range(STUNDEN)) + for j in range(n_s))) + s.Solve() + return np.array([[laeuft[k][t].solution_value() for t in range(STUNDEN)] + for k in range(n_b)]).round() + + +def zerlege(plan: np.ndarray, wind: np.ndarray) -> dict: + """Setzt einen fertigen Plan der Wirklichkeit aus und trennt dabei die + Kostenarten - das ist der Zusatz gegenueber bewerte() im Buchprogramm.""" + n_b = len(KRAFTWERKE) + brennstoff, abwurf, fehlmenge = [], [], [] + for j in range(wind.shape[0]): + s = pywraplp.Solver.CreateSolver("GLOP") + p = [[s.NumVar(0, KRAFTWERKE[k][2], f"p{k}_{t}") for t in range(STUNDEN)] + for k in range(n_b)] + y = [s.NumVar(0, s.infinity(), f"y{t}") for t in range(STUNDEN)] + for k, (_, pmin, pmax, _, _, _) in enumerate(KRAFTWERKE): + for t in range(STUNDEN): + s.Add(p[k][t] >= pmin * plan[k, t]) + s.Add(p[k][t] <= pmax * plan[k, t]) + for t in range(STUNDEN): + s.Add(sum(p[k][t] for k in range(n_b)) + + float(wind[j, t]) + y[t] >= LAST[t]) + s.Minimize(sum(KRAFTWERKE[k][3] * p[k][t] + for k in range(n_b) for t in range(STUNDEN)) + + sum(LASTABWURF * y[t] for t in range(STUNDEN))) + s.Solve() + brennstoff.append(sum(KRAFTWERKE[k][3] * p[k][t].solution_value() + for k in range(n_b) for t in range(STUNDEN))) + fehlt = sum(v.solution_value() for v in y) + fehlmenge.append(fehlt) + abwurf.append(LASTABWURF * fehlt) + + anfahrt = sum(KRAFTWERKE[k][4] + * max(0.0, plan[k, t] - (plan[k, t - 1] if t > 0 else 0.0)) + for k in range(n_b) for t in range(STUNDEN)) + fehlmenge = np.array(fehlmenge) + return {"anfahrt": float(anfahrt), + "brennstoff": float(np.mean(brennstoff)), + "abwurf": float(np.mean(abwurf)), + "fehlmenge": float(fehlmenge.mean()), + "szenarien_mit_abwurf": int((fehlmenge > 1e-6).sum()), + "gesamt": float(anfahrt + np.mean(brennstoff) + np.mean(abwurf))} + + +def zeichne(zwei: dict, erw: dict) -> None: + """Wasserfall vom guten zum schlechten Plan: Was wird gespart, was kostet es.""" + d_anfahrt = erw["anfahrt"] - zwei["anfahrt"] + d_brennstoff = erw["brennstoff"] - zwei["brennstoff"] + d_abwurf = erw["abwurf"] - zwei["abwurf"] + + stufen = [("Zweistufiger\nPlan", zwei["gesamt"], None), + ("Brennstoff", d_brennstoff, "delta"), + ("Anfahren", d_anfahrt, "delta"), + ("Lastabwurf", d_abwurf, "delta"), + ("Erwartungswert-\nPlan", erw["gesamt"], None)] + + figur, achse = plt.subplots(figsize=(10.2, 5.6)) + unten = 0.0 + for i, (name, wert, art) in enumerate(stufen): + if art is None: + achse.bar(i, wert, 0.62, color=INDIGO, zorder=3) + achse.text(i, wert + 18_000, euro(wert), + ha="center", va="bottom", fontsize=11, fontweight="bold", + color=INDIGO) + unten = wert + continue + farbe = AMBER if wert > 0 else GRUEN + start = unten if wert > 0 else unten + wert + achse.bar(i, abs(wert), 0.62, bottom=start, color=farbe, zorder=3) + # Nullbalken (hier: Anfahren) sichtbar machen, sonst fehlt die Aussage + if abs(wert) < 5_000: + achse.plot([i - 0.31, i + 0.31], [start, start], color=GRAU, + linewidth=2.2, zorder=4) + achse.text(i, max(start + abs(wert), unten) + 18_000, + euro(wert, vorzeichen=True), + ha="center", va="bottom", fontsize=10.5, color=farbe, + fontweight="bold") + unten = unten + wert + if i < len(stufen) - 1: + achse.plot([i - 0.31, i + 0.69], [unten, unten], color=GRAU, + linewidth=0.9, linestyle=":", zorder=2) + + achse.set_xticks(range(len(stufen))) + achse.set_xticklabels([n for n, _, _ in stufen], fontsize=10.5) + achse.set_ylabel("Erwartete Tageskosten") + achse.set_ylim(0, erw["gesamt"] * 1.18) + achse.yaxis.set_major_formatter( + plt.FuncFormatter(lambda v, _: f"{v/1000:,.0f}k €".replace(",", "."))) + achse.grid(axis="y", linestyle=":", alpha=0.45, zorder=0) + for rand in ("top", "right"): + achse.spines[rand].set_visible(False) + + verhaeltnis = abs(d_abwurf / d_brennstoff) if d_brennstoff else float("inf") + # Zahlen einzeln setzen: Ein .replace(",", ".") auf den ganzen Satz wuerde + # auch das Satzkomma treffen. + achse.set_title( + "Was der Erwartungswert-Plan spart — und was er dafür bezahlt\n" + f"Ersparnis {euro(abs(d_brennstoff))} Brennstoff, Preis " + f"{euro(d_abwurf)} Lastabwurf: das {verhaeltnis:.0f}-fache", + fontsize=12.5, pad=14) + achse.text(0.5, -0.155, + f"Lastabwurf in {erw['szenarien_mit_abwurf']} von {SZENARIEN} " + f"Szenarien statt in {zwei['szenarien_mit_abwurf']}; " + f"Anfahrkosten in beiden Plänen gleich.", + transform=achse.transAxes, ha="center", fontsize=10, color=GRAU) + + figur.tight_layout() + os.makedirs(BILDER, exist_ok=True) + for endung in ("svg", "png"): + pfad = os.path.join(BILDER, f"kap_supplychain_wirkung.{endung}") + figur.savefig(pfad, format=endung, dpi=160, + metadata={"Date": None} if endung == "svg" else None) + print(f"geschrieben: {pfad}") + plt.close(figur) + + +if __name__ == "__main__": + wind, flaute = windszenarien() + gleich = np.full(SZENARIEN, 1.0 / SZENARIEN) + print(f"{SZENARIEN} Windszenarien, davon {int(flaute.sum())} Dunkelflauten") + + erw = zerlege(plane(WIND_ERWARTUNG.reshape(1, -1), np.array([1.0])), wind) + zwei = zerlege(plane(wind, gleich), wind) + + for name, w in (("Erwartungswert", erw), ("zweistufig", zwei)): + print(f" {name:<16} Anfahrt {w['anfahrt']:>9,.0f} " + f"Brennstoff {w['brennstoff']:>9,.0f} " + f"Abwurf {w['abwurf']:>9,.0f} = {w['gesamt']:>9,.0f}") + print(f" Aufschlag des Erwartungswert-Plans: " + f"{erw['gesamt'] / zwei['gesamt'] - 1:+.0%}") + zeichne(zwei, erw) diff --git a/bilder_04/kap_supplychain_wirkung.png b/bilder_04/kap_supplychain_wirkung.png new file mode 100644 index 0000000..91c255f Binary files /dev/null and b/bilder_04/kap_supplychain_wirkung.png differ diff --git a/bilder_04/kap_supplychain_wirkung.svg b/bilder_04/kap_supplychain_wirkung.svg new file mode 100644 index 0000000..628d95b --- /dev/null +++ b/bilder_04/kap_supplychain_wirkung.svg @@ -0,0 +1,2093 @@ + + + + + + + + image/svg+xml + + + Matplotlib v3.10.8, https://matplotlib.org/ + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +