Deutsch

In Anbetracht der zunehmenden Komplexität von Supply Chains gewinnt die Optimierung von Supply Chains zunehmend an Bedeutung. In vielen Fällen sind jedoch die Eingangsdaten der Supply Chains nicht exakt bekannt, weshalb eine Reihe an Unsicherheitsfaktoren entlang der gesamten Supply Chain auftreten kann. Im industriellen Bereich sind Datenunsicherheiten große Risikofaktoren, die erkannt und abgedeckt werden müssen. Daher ist es oftmals nicht ratsam, die Realität durch ein einfaches deterministisches Optimierungsmodell abzubilden. Die Betrachtung von Unsicherheiten in mathematischen Optimierungsproblemen erfordert die Entwicklung von speziellen Methoden. Etablierte Konzepte zur Behandlung von Unsicherheiten sind Methoden aus dem Bereich der Robusten Optimierung und der Stochastischen Programmierung. In dieser Arbeit werden verschiedene existierende Ansätze untersucht und speziell auf Supply Chain Probleme erweitert und angepasst. Zusätzlich werden neue heuristische Optimierungsmethoden entwickelt, welche zu neuen Robustheitskonzepten führen. Der Schwerpunkt liegt dabei insbesondere auf der Anwendbarkeit der entwickelten Konzepte auf reale Probleme. Um die entwickelten Algorithmen zu untersuchen und zu validieren, wird ein Referenzmodell in der Form eines Supply Chain Netzwerks realer Größe, basierend auf realen Eingangsdaten, entwickelt. Die verschiedenen präsentierten Optimierungskonzepte werden auf das Referenzmodell angewendet und die Ergebnisse verglichen.

English

In view of the increasing complexity of supply chains, the optimization of supply chains becomes more and more important. However, in many cases, the input data of supply chains are not known exactly, consequence of which is that a great variety of uncertainty factors can occur along the supply chain. In the industry, data uncertainties are significant risk factors that must be detected and considered. Therefore it is often not advisable to represent the reality by means of a simple deterministic optimization model. The consideration of uncertainties in mathematical optimization problems requires the development of particular methods. Established concepts for dealing with uncertainty are methods of Robust Optimization and Stochastic Programming. In this thesis, various existing approaches will be examined and extended to specially suit supply chain problems. In addition, the development of heuristic optimization methods leads to new robustness concepts. In particular, the main emphasis is on the applicability of the developed concepts to real-world problems. In order to examine and validate the developed algorithms, a reference model in the form of a supply chain network of realistic size, based on real-world input data including uncertainty, is developed. The different presented optimization concepts are applied to the reference model and the results are compared.