Operations Research Proceedings 2006

Selected Papersof the Annual International Conferenceof the German Operations Research Society (GOR),Jointly Organized with the Austrian Societyof Operations Research (ÖGOR)and the Swiss Society of Operations Research (SVOR)

Karlsruhe, September 6-8, 2006

Karl-HeinzWaldmann ·UlrikeM.Stocker(Editors)

Operations ResearchProceedings 2006Selected Papersof the Annual International Conferenceof theGermanOperationsResearchSociety (GOR),Jointly Organized with the Austrian Societyof Operations Research (ÖGOR)and the Swiss Societyof Operations Research (SVOR)

Karlsruhe, September 6-8, 2006

With 123 Figures and 79 Tables

123

Prof. Dr. Karl-Heinz WaldmannUniversität Karlsruhe (TH)Institut für Wirtschaftstheorie und Operations ResearchKaiserstraße 1276131 KarlsruheGermanye-mail: waldmann@wior.uni-karlsruhe.de

Dipl.-Wi.-Ing. Ulrike M. StockerUniversität Karlsruhe (TH)Institut für Wirtschaftstheorie und Operations ResearchKaiserstraße 1276131 KarlsruheGermanye-mail: stocker@wior.uni-karlsruhe.de

Library of Congress Control Number: 2007925442

ISSN 0721-5924

ISBN 978-3-540-69994-1 Springer Berlin Heidelberg New York

This work is subject to copyright. All rights are reserved, whether the whole or part of the material isconcerned, specifically the rights of translation, reprinting, reuse of illustrations, recitation, broad-casting, reproduction on microfilm or in any other way, and storage in data banks. Duplication ofthis publication or parts thereof is permitted only under the provisions of the German CopyrightLaw of September 9, 1965, in its current version, and permission for use must always be obtainedfrom Springer. Violations are liable to prosecution under the German Copyright Law.

Springer is a part of Springer Science+Business Media

springer.com

© Springer-Verlag Berlin Heidelberg 2007

The use of general descriptive names, registered names, trademarks, etc. in this publication doesnot imply, even in the absence of a specific statement, that such names are exempt from the relevantprotective laws and regulations and therefore free for general use.

Production: LE-TEX Jelonek, Schmidt & Vockler GbR, LeipzigCover-design: WMX Design GmbH, Heidelberg

SPIN 11981145 42/3100YL - 5 4 3 2 1 0 Printed on acid-free paper

Preface

This volume contains a selection of papers referring to lectures presented atthe symposium ”Operations Research 2006” (OR 2006) held at the universityof Karlsruhe, September 6 - 8, 2006. This international conference took placeunder the auspices of the Operations Research Societies of Germany (GOR),Austria (OGOR), and Switzerland (SVOR).

The symposium was attended by more than 600 academics and practition-ers from 35 countries. It presented the state of the art in Operations Researchand related areas in Economics, Mathematics, and Computer Science anddemonstrated the broad applicability of its core themes, placing particularemphasis on Basel II, one of the most topical challenges of Operations Re-search.

The scientific program consisted of two plenary talks, eleven semi-plenarytalks and more than 400 contributed papers, selected by the program com-mittee and arranged in 19 sections. These presentations were complementedby the lectures of the GOR prize winners including the Unternehmenspreis,which has been awarded for the first time.

First of all we thank all participants of the conference, who submitted theirpaper for publication. However, due to a limited number of pages availablefor the proceedings volume, the total number of accepted papers had to berestricted.

Moreover, we want to express our thanks to the program committee andthe section chairs for their support in acquiring interesting contributions andacting as a referee. Finally, we thank Anna Palej for gathering and editingthe accepted papers as well as Dr. Werner A. Muller and Barbara Feß fromSpringer for their support in publishing this volume.

Karlsruhe, Karl-Heinz WaldmannDecember 2006 Ulrike M. Stocker

Committees

Program

I. Bomze, Universitat WienH.W. Hamacher, Universitat KaiserslauternT. Spengler, Technische Universitat BraunschweigH. Ulrich, Eidgenossische Technische Hochschule ZurichK.-H. Waldmann, Universitat Karlsruhe (TH), (chair)

Local Organization

K. Furmans, Institut fur Fordertechnik und LogistiksystemeW. Gaul, Institut fur Entscheidungstheorie und UnternehmensforschungA. Geyer-Schulz, Institut fur Informationswirtschaft und -managementN. Henze, Institut fur StochastikG. Last, Institut fur StochastikD. Pallaschke, Institut fur Statistik und Mathematische WirtschaftstheorieC. Puppe, Institut fur Wirtschaftstheorie und Operations ResearchO. Rentz, Institut fur Industriebetriebslehre und Industrielle ProduktionK.-H. Waldmann, Institut fur Wirtschaftstheorie und Operations Research(chair)

Scientific Sections and Section Chairs

Business Intelligence, Forecasting and MarketingKlaus Edel (Universitat St. Gallen), Leena Suhl (Universitat Paderborn)

Continuous OptimizationChristoph Helmberg (Technische Universitat Chemnitz), Jean-Philippe Vial(Universite Geneve)

Discrete and Combinatorial OptimizationThomas Liebling (ETH Lausanne), Uwe Zimmermann (Technische UniversitatBraunschweig)

Econometrics, Game Theory and Mathematical EconomicsGunter Bamberg (Universitat Augsburg), Ulrike Leopold-Wildburger (Uni-versitat Graz)

Energy and EnvironmentKarl Frauendorfer (Universitat St. Gallen), Hans-Jakob Luthi (ETH Zurich)

Finance, Banking and InsuranceGeorg Pflug (Universitat Wien), Hato Schmeiser (Universitat St. Gallen)

Health and Life ScienceStefan Pickl (Universitat Bw Munchen), Marion S. Rauner (Universitat Wien)

Logistics and TransportDirk Mattfeld (Technische Universitat Braunschweig), Herbert Meyr (Wirtschaft-suniversitat Wien)

Managerial Accounting and AuditingHans-Ulrich Kupper (Universitat Munchen), Thomas Pfeiffer (UniversitatWien)

X Scientific Sections and Section Chairs

Metaheuristics and Decision Support SystemsWalter Gutjahr (Universitat Wien), Stefan Voß (Universitat Hamburg)

Multi Criteria Decision TheoryMatthias Ehrgott (University of Auckland), Christiane Tammer (UniversitatHalle-Wittenberg)

Network Optimization, Graphs and TrafficBettina Klinz (Technische Universitat Graz), Anita Schobel (UniversitatGottingen)

Operational and Credit RiskThilo Liebig (Deutsche Bundesbank, Frankfurt a.M.), Wolfgang Stummer(Universitat Erlangen-Nurnberg)

Production and Supply Chain ManagementHans-Otto Gunther (Technische Universitat Berlin), Richard Hartl (Univer-sitat Wien)

Revenue ManagementAlf Kimms (Technische Universitat Freiberg)

Scheduling and Project ManagementPeter Brucker (Universitat Osnabruck), Rainer Kolisch (Technische Univer-sitat Munchen)

Simulation and Applied ProbabilityNicole Bauerle (Universitat Karlsruhe), Ulrich Rieder (Universitat Ulm)

Stochastic ProgrammingPetra Huhn (Technische Universitat Clausthal)

System Dynamics and Dynamic ModellingGernot Tragler (Technische Universitat Wien), Erich Zahn (Universitat Stuttgart)

Contents

Part I GOR Unternehmenspreis 2006

Staff and Resource Scheduling at AirportsUlrich Dorndorf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

Part II GOR Dissertationspreis 2006

Produktionsplanung bei VariantenfließfertigungNils Boysen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

Scheduling Buses and School Starting TimesArmin Fugenschuh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

Dynamisches Bestandsmanagement in der KreislauflogistikRainer Kleber . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

Periodic Timetable Optimization in Public TransportChristian Liebchen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

Determining SMB Superstructures by Mixed-Integer OptimalControlSebastian Sager, Moritz Diehl, Gundeep Singh, Achim Kupper,Sebastian Engell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

Part III GOR Diplomarbeitspreis 2006

Complexity of Pure-Strategy Nash Equilibria in Non-Cooperative GamesJuliane Dunkel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

XII Contents

Traffic Optimization Under Route Constraints withLagrangian Relaxation and Cutting Plane MethodsFelix G. Konig . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

Fare Planning for Public TransportMarika Neumann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

Part IV Plenary and Semi-Plenary Talks

Recent Advances in Robust OptimizationAharon Ben-Tal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

Neuro-Dynamic Programming: An Overview and RecentResultsDimitri P. Bertsekas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

Basel II – Achievements and ChallengesKlaus Duellmann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

How to Model Operational Risk If You MustPaul Embrechts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

Integer Quadratic Programming Models in ComputationalBiologyHarvey J. Greenberg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

On Value of Flexibility in Energy Risk Management.Concepts, Models, SolutionsJorg Doege, Max Fehr, Juri Hinz, Hans-Jakob Luthi, Martina Wilhelm . 97

Bilevel Programming and Price Setting ProblemsMartine Labbe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

Reliable Geometric ComputingKurt Mehlhorn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

Financial OptimizationTeemu Pennanen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

Capital Budgeting: The Role of Cost AllocationsIan Gow, Stefan Reichelstein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

An Overview on the Split Delivery Vehicle Routing ProblemClaudia Archetti, Maria Grazia Speranza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

Collaborative Planning - Concepts, Framework andChallengesHartmut Stadtler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

Contents XIII

Promoting ε–Efficiency in Multiple Objective Programming:Theory, Methodology, and ApplicationMargaret Wiecek, Alexander Engau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131

Part V Business Intelligence, Forecasting and Marketing

Combining Support Vector Machines for Credit ScoringRalf Stecking, Klaus B. Schebesch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

Nutzung von Data-Mining-Verfahren zur IndexprognoseJonas Rommelspacher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

Zur Entscheidungsunterstutzung bei netzeffektbasiertenGuternKarl-Heinz Luke, Klaus Ambrosi, Felix Hahne . . . . . . . . . . . . . . . . . . . . . . 147

Part VI Discrete and Combinatorial Optimization

Nonserial Dynamic Programming and Tree Decomposition inDiscrete OptimizationOleg Shcherbina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155

Mixed-Model Assembly Line Sequencing Using Real OptionsAlireza Rahimi-Vahed, Masoud Rabbani, Reza Tavakkoli-Moghaddam,Fariborz Jolai, Neda Manavizadeh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161

A New Approach for Mixed-Model Assembly Line SequencingMasoud Rabbani, Alireza Rahimi-Vahed, Babak Javadi,Reza Tavakkoli-Moghaddam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169

On Asymptotically Optimal Algorithm for One Modificationof Planar 3-dimensional Assignment ProblemYury Glazkov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175

A Multi-Objective Particle Swarm for a Mixed-ModelAssembly Line SequencingSeyed Mohammed Mirghorbani, Masoud Rabbani,Reza Tavakkoli-Moghaddam, Alireza R. Rahimi-Vahed . . . . . . . . . . . . . . . . 181

FLOPC++ An Algebraic Modeling Language Embedded inC++Tim Helge Hultberg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187

Two-Machine No-Wait Flow Shop Scheduling Problem withPrecedence ConstraintsSaied Samie, Behrooz Karimi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191

XIV Contents

A Multi-Commodity Flow Approach for the Design of theLast Mile in Real-World Fiber Optic NetworksDaniel Wagner, Gunther R. Raidl, Ulrich Pferschy, Petra Mutzel,Peter Bachhiesl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197

On the Cycle Polytope of a Directed Graph and ItsRelaxationsEgon Balas, Rudiger Stephan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203

Modelling Some Robust Design Problems via ConicOptimizationDiah Chaerani, Cornelis Roos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209

Polynomial Algorithms for Some Hard Problems of FindingConnected Spanning Subgraphs of Extreme Total EdgeWeightAlexey Baburin, Edward Gimadi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215

Part VII Econometrics, Game Theory and MathematicalEconomics

A Multidimensional Poverty IndexGerhard Kocklaeuner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223

Parameter Estimation for Stock Models with Non-ConstantVolatility Using Markov Chain Monte Carlo MethodsMarkus Hahn, Wolfgang Putschogl, Jorn Sass . . . . . . . . . . . . . . . . . . . . . . . 227

A Simulation Application for Predator-Prey SystemsUlrike Leopold-Wildburger, Silja Meyer-Nieberg, Stefan Pickl,Jorg Schutze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233

Robustness of Econometric Variable Selection MethodsBernd Brandl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239

Using Shadow Prices to Reveal Personal Preferences in aTwo-Stage Assignment ProblemAnke Thede, Andreas Geyer-Schulz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245

Part VIII Energy and Environment

Scheduling of Electrical Household Appliances with PriceSignalsAnke Eßer, Andreas Kamper, Markus Franke, Dominik Most,Otto Rentz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253

Contents XV

Stochastic Optimization in Generation and Trading PlanningThomas Hartmann, Boris Blaesig, Gerd Hinuber,Hans-Jurgen Haubrich . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259

Design of Electronic Waste Recycling System in ChinaKejing Zhang, Daning Guo, Baoan Yang, Fugen Song . . . . . . . . . . . . . . . . 265

A Coherent Spot/Forward Price Model with Regime-SwitchingLea Bloechlinger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271

Part IX Finance, Banking and Insurance

A Management Rule of Thumb in Property-LiabilityInsuranceMartin Eling, Thomas Parnitzke, Hato Schmeiser . . . . . . . . . . . . . . . . . . . . 281

Heuristic Optimization of Reinsurance Programs andImplications for Reinsurance BuyersAndreas Mitschele, Ingo Oesterreicher, Frank Schlottmann, Detlef Seese 287

Optimizing Credit Risk Mitigation Effects of CollateralsUnder Basel IIMarc Gurtler, Dirk Heithecker, Martin Hibbeln . . . . . . . . . . . . . . . . . . . . . . 293

A New Methodology to Derive a Bank’s Maturity StructureUsing Accounting-Based Time Series InformationOliver Entrop, Christoph Memmel, Marco Wilkens, Alexander Zeisler . . . 299

Sensitivity of Stock Returns to Changes in the Term Structureof Interest Rates – Evidence from the German MarketMarc-Gregor Czaja, Hendrik Scholz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305

The Valuation of Localization Investments with Real Options:A Case from Turkish Automotive IndustryGul Gokay Emel, Pinar Ozkeserli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311

Part X Health and Life Science

ILP Models for a Nurse Scheduling ProblemBettina Klinz, Ulrich Pferschy, Joachim Schauer . . . . . . . . . . . . . . . . . . . . 319

Process Optimization and Efficient Personnel Employment inHospitalsGert Zulch, Patricia Stock, Jan Hrdina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325

XVI Contents

Part XI Logistics and Transport

Inventory Control in Logistic and Production NetworksBernd Scholz-Reiter, Salima Delhoum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333

Vehicle and Crew Scheduling with Flexible TimetableAndras Keri, Knut Haase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 339

Lenk- und Ruhezeiten in der TourenplanungAsvin Goel, Volker Gruhn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 343

Transport Channel SelectionJurgen Branke, Denis Haußler, Christian Schmidt . . . . . . . . . . . . . . . . . . . . 349

A Sampling Procedure for Real-Life Rich Vehicle RoutingProblemsJulia Rieck, Jurgen Zimmermann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355

Market-Oriented Airline Service DesignCornelia Schon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361

‘T’ for Tabu and Time Dependent Travel TimeJohan W. Joubert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 367

Integrated Operational Transportation Planning in Theoryand PracticeHerbert Kopfer, Marta Anna Krajewska . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373

Part XII Managerial Accounting and Auditing

Investment Incentives from Goal-Incongruent PerformanceMeasures: Experimental EvidenceMarkus C. Arnold, Robert M. Gillenkirch, Susanne A. Welker . . . . . . . . . 381

Part XIII Metaheuristics and Decision Support Systems

Modelling Qualitative Information in a ManagementSimulation GameVolker Nissen, Giorgi Ananidze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 389

Schedule This - A Decision Support System for Movie ShootSchedulingFelix Bomsdorf, Ulrich Derigs, Olaf Jenal . . . . . . . . . . . . . . . . . . . . . . . . . . . 395

Contents XVII

A Framework for Truth Maintenance in Multi-Agent SystemsBrett Bojduj, Ben Weber, Dennis Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 403

Part XIV Multi Criteria Decision Theory

Preference Sensitivity Analyses for Multi-Attribute DecisionSupportValentin Bertsch, Jutta Geldermann, Otto Rentz . . . . . . . . . . . . . . . . . . . . . 411

MCDA in Analyzing the Recycling Strategies in MalaysiaSantha Chenayah, Agamuthu Periathamby, Eiji Takeda . . . . . . . . . . . . . . . 417

Dimensionality Reduction in Multiobjective Optimization:The Minimum Objective Subset ProblemDimo Brockhoff, Eckart Zitzler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 423

Multikriterielle Entscheidungsunterstutzung zur Auswahl vonLagersystemen in der ErsatzteillogistikGerrit Reiniger, Martin Josef Geiger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 431

Part XV Network Optimization, Graphs and Traffic

Automatic Determination of ClustersBettina Hoser, Jan Schroder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 439

Online Dial-A-Ride Problem with Time Windows: An ExactAlgorithm Using Status VectorsAnke Fabri, Peter Recht . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 445

Part XVI Operational and Credit Risk

Die Anwendung des Verlustverteilungsansatzes zurQuantifizierung operationeller RisikenFrank Beekmann, Peter Stemper . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 453

Part XVII Production and Supply Chain Management

Betriebskennlinien-Management als Performancemessungs-und -planungskonzept bei komplexen ProduktionsprozessenDirk Eichhorn, Alexander Schomig . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 461

XVIII Contents

Uber verschiedene Ansatze zur Ermittlung vonBetriebskennlinien – Eine Anwendungsstudie aus derHalbleiterindustrieAlexander Schomig, Dirk Eichhorn, Georg Obermaier . . . . . . . . . . . . . . . . . 467

The Use of Chance Constrained Programming forDisassemble-to-Order Problems with Stochastic YieldsIan M. Langella, Rainer Kleber . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 473

Optimal Usage of Flexibility Instruments in AutomotivePlantsGazi Askar, Jurgen Zimmermann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 479

Comparison of Stochastic- and Guaranteed-ServiceApproaches to Safety Stock Optimization in Supply ChainsSteffen Klosterhalfen, Stefan Minner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 485

A Stochastic Lot-Sizing and Scheduling ModelSven Grothklags, Ulf Lorenz, Jan Wesemann . . . . . . . . . . . . . . . . . . . . . . . . 491

A Disassemble-to-Order Heuristic for Use with ConstrainedDisassembly CapacitiesTobias Schulz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 497

Supply Chain Management and Advanced Planning in theProcess IndustriesNorbert Trautmann, Cord-Ulrich Fundeling . . . . . . . . . . . . . . . . . . . . . . . . . . 503

Production Planning in Dynamic and Seasonal MarketsJutta Geldermann, Jens Ludwig, Martin Treitz, Otto Rentz . . . . . . . . . . . . 509

A Branch and Bound Algorithm Based on DC Programmingand DCA for Strategic Capacity Planning in Supply ChainDesign for a New Market OpportunityNguyen Canh Nam, Le Thi Hoai An, Pham Dinh Tao . . . . . . . . . . . . . . . . 515

Part XVIII Scheduling and Project Management

Branching Based on Home-Away-Pattern SetsDirk Briskorn, Andreas Drexl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 523

Priority-Rule Methods for Project Scheduling with WorkContent ConstraintsCord-Ulrich Fundeling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 529

Contents XIX

Entscheidungsunterstutzung fur die Projektportfolioplanungmit mehrfacher ZielsetzungAntonia Maria Knubel, Natalia Kliewer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 535

Eine Web-Service basierte Architektur fur ein Multi-AgentenSystem zur dezentralen Multi-Projekt PlanungJorg Homberger, Raphael Vullriede, Jorn Horstmann, Rene Lanzl,Stephan Kistler, Thomas Gottlich . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 541

Approaches to Solving RCPSP Using Relaxed Problem withConsumable ResourcesIvan A. Rykov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 547

Part XIX Simulation and Applied Probability

Risk-Sensitive Optimality Criteria in Markov DecisionProcessesKarel Sladky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 555

Trading Regions Under Proportional Transaction CostsKarl Kunisch, Jorn Sass . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 563

Uniform Random Rational Number GenerationThomas Morgenstern . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 569

The Markov-Modulated Risk Model with InvestmentMirko Kotter, Nicole Bauerle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 575

Optimal Portfolios Under Bounded Shortfall Risk and PartialInformationRalf Wunderlich, Jorn Sass, Abdelali Gabih . . . . . . . . . . . . . . . . . . . . . . . . . 581

OR for Simulation and Its OptimizationNico M. van Dijk, Erik van der Sluis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 587

Part XX Stochastic Programming

Multistage Stochastic Programming Problems; Stability andApproximationVlasta Kankova . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 595

ALM Modeling for Dutch Pension Funds in an Era of PensionReformWillem K. Klein Haneveld, Matthijs H. Streutker,Maarten H. van der Vlerk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 601

XX Contents

Part XXI System Dynamics and Dynamic Modelling

Identifying Fruitful Combinations Between System Dynamicsand Soft ORMyrjam Stotz, Andreas Großler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 609

Part I

GOR Unternehmenspreis 2006

Staff and Resource Scheduling at Airports

Ulrich Dorndorf

INFORM — Institut fur Operations Research und Management GmbH, Germanyulrich.dorndorf@inform-ac.com

1 Introduction

At an airport, a large number of activities required for serving an aircraftwhile on the ground have to be scheduled. These activities include, for exam-ple, passenger and flight crew transportation, check-in and boarding services,various technical services, loading and unloading of cargo and baggage, orcatering and cleaning services. With the steady increase of civil air traffic andthe corresponding growth of airports over the past decades, the complexity ofthe task has increased significantly.

The scheduling process is mainly concerned with staff and terminal re-sources. Due to the very heterogenous qualifications and properties requiredfor performing the various services mentioned above, the scheduling prob-lem is usually handled at the level of individual resources types such as, e.g.,cargo and loading staff or aircraft stands. Schedules and corresponding staffand resource requirements are developed at the the strategic, tactical andoperational level.

The jobs or tasks to be scheduled depend on the flight schedule, whichincludes data on aircraft arrival and departure times, carrier, aircraft type,routing, passenger and freight numbers, etc., and on airline service agree-ments. The tasks have to processed within certain time windows or fixed timeintervals that follow from the aircraft arrival and departure times and fromconstraints within the aircraft turnaround process network. The tasks are ob-tained by applying a set of rules reflecting the service agreements to the flightschedule. They must be frequently updated on the day of operations: it isquite common that in a peak hour at a busy airport, several updates persecond must be processed.

The following sections outline two models and solution approaches for taskbased staff shift scheduling and for scheduling terminal resources.

4 Ulrich Dorndorf

2 Task Based Shift Scheduling

Staff shift scheduling models are traditionally based on a demand curve rep-resentation of the required workload [5]. If task start and end times are fixed,this curve can be obtained by simply superimposing the tasks. Dantzig [2] hasproposed the following model for the problem of covering the demand curveby a set of staff shifts with minimal cost (demand based shift scheduling):

min∑k∈K

ckxk

s.th.∑

k∈K akt xk ≥ dt ∀t ∈ Txk ≥ 0 and integer ∀k ∈ K

The integer decision variables xk indicate the number of shifts of type k withan associated cost ck. K denotes the set of shift types, T is the time horizonand dt denotes the level of the labour demand curve for period t. A coefficientof the incidence matrix (ak

t ) takes the value 1 if period t is covered by shifttype k and 0 otherwise.

Demand based shift scheduling works on the aggregated demand curve andignores the aspect of assigning tasks to shifts. In many application areas, thedemand curve is a natural representation of workloads, e.g. when the demandresults from (random) customer arrivals and when the work force is homo-geneous. In contrast to demand based shift scheduling, the following columngeneration model for task based shift scheduling simultaneously considers theallocation of tasks to shifts and the selection of an optimal number of shiftsof each type:

min∑k∈K

ck∑

p∈Ωk

λkp

s.th.∑

k∈K

∑p∈Ωk ak

ipλkp = 1 ∀i ∈ I

λkp ∈ 0, 1 ∀k ∈ K, ∀p ∈ Ωk

Here, the binary decision variables λkp indicate whether a shift p of type k is

part of the solution. An element of the incidence matrix (akip) takes the value

1 if shift p of type k covers work task i and 0 otherwise. I is the set of allwork tasks and Ωk denotes the index set for shifts of type k.

The task based shift scheduling model is similar to column generationmodels for vehicle routing, with a shift corresponding to a tour. In the model,an index p ∈ Ωk describes a particular shift that contains a sequence oftasks. A shift is constructed in such a way that tasks do not overlap and arenot preempted, and that it additionally contains relief breaks and respectsother relevant constraints, e.g. sequence dependent setup times such as traveldurations, or the qualifications required by the tasks within a shift. In anairport environment, these aspects make the model much more suitable fortactical and operational planning than the demand curved based model whichdoes generally not directly lead to a workable plan.

Staff and Resource Scheduling at Airports 5

The task based shift scheduling problem defined above is NP-hard in thestrong sense. It can be solved through a branch and price approach [6]: startingwith a set of heuristically generated shifts, additional shifts (columns) aregenerated in each iteration by solving a shortest path sub-problem; branchingtakes place over pairs of consecutive tasks that are covered on shifts withfractional shift variables. The approach can solve problem instances with morethan 2000 tasks and up to 300 shift types in very moderate run times up to afew minutes on current PCs. Integral solutions are found quickly, and the LPgap is typically below 1%.

While the branch and price approach can solve many task-based schedul-ing problems occurring at airports to proven optimality within moderate runtimes, there are also important variants of the problem that call for a morecomplex objective function and require additional side constraints, e.g. fortask start time windows, for absolute and/or relative minimum and maxi-mum numbers of certain shift types used in a solution, incompatibilities oftasks within a shift, parallel placement of tasks and or shifts to allow for teamwork, buffer times between meal and relief breaks on a shift, etc.

Not all of these model extensions can be easily handled within the branchand price solution framework. We then reformulate the task based shift plan-ning problem as a Constraint Programming model that is solved with a com-bination of truncated branch and bound and Large Neighbourhood Search(LNS), using the solution of the LP/IP relaxation for guiding the LNS.

3 Terminal Resource Scheduling

Terminal resource planning at an airport is concerned with the scheduling ofimmobile resources such as aircraft stands or gates, check in counters, waitinglounges, air-side terminal exits, baggage belts, etc. In contrast to staff andmobile equipment, the supply of these resources is usually fixed in the shortand medium term, so that an optimal use becomes even more important. Thescheduling of these resources is also particularly important from a passengerservice point of view.

Models for terminal resource scheduling can be derived from the followingbasic fixed interval scheduling model:

max∑i∈I

∑j∈R

wijxij

s.th.∑

j∈R xij ≤ 1 ∀i ∈ I∑i∈I(t) xij ≤ 1 ∀j ∈ R, ∀t ∈ T

xij ∈ 0, 1 ∀i ∈ I,∀j ∈ R

The binary decision variables xij take the value 1 if a task i is assigned toresource j and 0 otherwise; wij is the weight or preference for task to resourceassignment. I denotes the set of tasks (that are in process at time t), R is the

6 Ulrich Dorndorf

set of resources, e.g. gates, and T is the time horizon. Fixed interval schedulingis NP-hard for general processing times or weights [1].

The IP model serves as a starting point for the development of specialisedmodels. For example gate scheduling models may include special provisionfor the preemption of tasks to reflect the fact that aircraft may sometimesbe towed between arrival and departure gates and add several specific con-straints, e.g., for restricting the simulatenous assignment of large aircraft toneighbouring stands [3]. As another example, models for check in counterscheduling require that counters assigned to related tasks, e.g. for businessand economy class check for the same flight, must be adjacent [4].

As terminal resource scheduling typically calls for multiple objective func-tion criteria and requires several complicating side constraints, we have againfound it helpful to reformulate the IP model as a Constraint Programmingmodel. Using a solution approach based on truncated branch and bound andLarge Neighbourhood Search, problem instances with up to 1000 tasks perday can be solved within very reasonable run times and with high solutionquality (by comparison to current airport practices and to the off-line solutionof simplified IP models).

4 Summary

Airport ground handling offers a great potential for optimisation at the levelof strategic and tactical planning as well as in real time control. We haveoutlined two challenging problem classes for scheduling staff and terminalresources and have shown the underlying basic IP models. In our experience,the practical solution of these problems requires a combination of severalmodeling and solution techniques, including rule based systems for model andproblem instance generation and Integer and Constraint Programming basedsolution techniques.

Given the frequency of changes in the underlying flight schedule, one of ourmajor current developments consists in extending the models and algorithmsin order to construct robust or stable schedules that take into account possibleuncertainty or perturbations of the input data — being probably non-optimalin the original instance but as close as possible to the optimal one, optimizingfor instance the worst case scenario.

References

1. Arkin EA, Silverberg EB (1987) Scheduling jobs with fixed start and end times.Discrete Applied Mathematics 18:1–8

2. Dantzig GB (1954) A comment on Edie’s “Traffic delays at toll booths”. Journalof the Operations Research Society of America 2:339–341

3. Dorndorf U, Drexl A, Nikulin Y, Pesch E (2007) Flight gate scheduling: Stateof the art and recent developments. Omega 35:326–334.

Staff and Resource Scheduling at Airports 7

4. Duijn DW, van der Sluis E (2006) On the complexity of adjacent resourcescheduling. Journal of Scheduling 9:49 – 62

5. Ernst AT, Jiang H, Krishnamoorthy M, Sier D (2004) Staff scheduling androstering: A review of applications, methods and models. European Journal ofOperational Research 153:3–27

6. Herbers J (2005) Models and Algorithms for Ground Staff Scheduling on Air-ports. PhD Thesis, Rheinisch-Westfalische Technische Hochschule Aachen

Part II

GOR Dissertationspreis 2006

Produktionsplanung beiVariantenfließfertigung

Nils Boysen

Institut fur Industrielles Management, Universitat Hamburg, Germanyboysen@econ.uni-hamburg.de

1 Einleitung

Seit dem inzwischen schon legendar gewordenen Ausspruch von Henry Ford

”Any customer can have a car painted any colour that he wants so long

as it is black.“ hat ein fundamentaler Wandel bezuglich der Anforderungenan Produktionssysteme stattgefunden. So bietet heute etwa Daimler-Chryslerseine Mercedes C-Klasse aufgrund einer Vielzahl an vom Kunden individuellauswahlbarer Optionen in 227 theoretisch moglichen Varianten an [10]. Nichts-destoweniger kann trotz dieser enormen Variantenvielfalt mittels Univer-salmaschinen mit automatisiertem Werkzeugwechsel und flexibel ausgebilde-ter Werker die effiziente Produktionsform der Fließfertigung aufrechterhaltenwerden. Eine solche Organisationsform der Fließfertigung, die eine Vielzahlan Varianten eines einheitlichen Grundmodells in wahlfreier Fertigungsfolge(Losgroße Eins) produzieren, bezeichnet man als Variantenfließfertigung. Manfindet sie nicht nur bei der Endmontage von Autos und verwandten Produktenwie Bussen und sonstigen Nutzfahrzeugen, sondern auch in weiten Teilen derElektroindustrie. Als Tribut an die gestiegene Variantenvielfalt muss jedocheine großere Komplexitat der Produktionsplanung in Kauf genommen wer-den. War es in den traditionellen Ein-Produkt-Fließsystemen mehr oder min-der ausreichend eine einmalige Fließbandabstimmung bei der Installation desFließsystems vorzunehmen, so treten bei einer Variantenfließfertigung ganzlichneue Planungsprobleme auf, deren hierarchisches Zusammenspiel in Abbil-dung 1 dargestellt ist [5]. Im Folgenden werden der Inhalt dieser einzelnenPlanungsschritte beschrieben, einige aktuelle Forschungsergebnisse skizziertund wichtiger weiterer Forschungsbedarf benannt.

2 Fließbandabstimmung

Aufgabe der Fließbandabstimmung ist es, das Layout des Fließsystems zu bes-timmen, dazu mussen die einzelnen Arbeitsgange und die zur Durchfuhrung

12 Nils Boysen

Fig. 1. Hierarchie der Produktionsplanung

benotigten Produktionsfaktoren den einzelnen Stationen zu geordnet wer-den. Dabei gilt es die Vorrangbeziehungen zwischen den Arbeitsgangen undeventuell weitere Nebenbedingungen wie etwa eine gegebene Taktzeit zubeachten. Die Fließbandabstimmung blickt auf eine uber 50 jahrige Tradi-tion zuruck. Trotzdem kann eine erhebliche Lucke zwischen den Ergebnissender Forschung und den Bedurfnissen realer Fließsysteme konstatiert werden.Dies belegen einige altere empirische Erhebungen aber auch ein jungster Lit-eraturuberblick [7], in dem aus der gesamten Literatur lediglich ein Anteilvon unter 5% an Forschungsarbeiten identifiziert werden konnte, die sich ex-plizit mit der Losung von Praxisproblemen auseinandersetzen. Drei moglicheGrunde fur diese Lucke und einige aktuelle Forschungsarbeiten zu deren Be-hebung seien an dieser Stelle genannt:

Die Literatur hat unzahlige praxisrelevante Erweiterungen der klassischenFließbandabstimmung hervorgebracht. Zumeist werden diese Erweiterun-gen mit eigenen Namen versehen, die von Quelle zu Quelle variierenkonnen. Um diesen

”Wildwuchs“ zu strukturieren, findet sich in [6] eine

Tupel-Klassifikation analog zur bekannten Scheduling-Klassifikation, mitderen Hilfe ein Großteil der Literatur zur Fließbandabstimmung mit demjeweils behandelten Fließsystem erfasst wurde.

Zumeist werden lediglich einzelne dieser Erweiterungen herausgegriffenund analysiert. Die Praxis benotigt jedoch viele dieser Erweiterungenin wechselnden Zusammensetzungen. Dementsprechend bedarf es flexiblerVerfahren zur Fließbandabstimmung, die viele dieser Erweiterungen ohnegroßeren Anpassungsaufwand beachten konnen. Als eines der flexibelstenVerfahren hat sich in dem Literaturuberblick [6] das Verfahren Avalanche[1], [4] erwiesen.

Produktionsplanung bei Variantenfließfertigung 13

Schließlich erscheint es als ein erhebliches Problem, dass beinahe diegesamte Literatur (stillschweigend) von einer Erstinstallation eines Fließsys-tems ausgeht. Viel haufiger sind in der Praxis aber Rekonfigurationen vonFließsystemen durchzufuhren. Die dabei etwa anfallenden Umzugskostender Maschinen und Qualifizierungskosten der Werker sind bis dato nochnicht in der Literatur beachtet worden [7].

3 Produktionsprogrammplanung

In das Aufgabengebiet der Produktionsprogrammplanung fallt es, den vor-liegenden Auftragen einen Produktionstermin zunachst noch relativ grob,etwa auf Schichtebene zuzuordnen. Dabei gilt es sog. Abweichungskosten zuminimieren, die durch einen vom vereinbarten Liefertermin abweichenden Pro-duktionstermin hervorgerufen werden. Zu beachten sind dabei etwa die Anzahlder Fertigungstakte einer Schicht, die Verfugbarkeit von Bauteilen aber auchdie Belange der untergeordneten Reihenfolgeplanung. Planungsverfahren furdiese Aufgabe sind bis dato kaum in der Literatur vorhanden. Erste Modelleund Algorithmen, die sich einer Umformulierung zum Multi-Resource Gener-alized Assignment Problem bedienen, finden sich in [1], [3] und [5].

4 Reihenfolgeplanung

Aufgabe der Reihenfolgeplanung ist es, den von der Produktionsprogramm-planung freigegebenen Auftragen einer Schicht jeweils einen Fertigungstaktzuzuordnen. Dabei haben sich in der Literatur vor allem drei Klassen vonModellen etabliert [1], [2]:

Das sog. Level-Scheduling entstammt dem Toyota-Production-System undzielt darauf, den durch die einzelnen Auftrage induzierten Materialbe-darf moglichst gleichmaßig auf die Fertigungsfolge zu verteilen. Auf dieseWeise soll dem Just-in-Time-Prinzip weitestgehend entsprochen und dieProduktion in den einzelnen Fertigungsstufen ohne großere Lagermengenaufeinander abgestimmt werden. Ein aktueller Literaturuberblick findetsich in [8].

Unterschiedliche Varianten benotigen in den einzelnen Stationen des Fließ-systems aber auch unterschiedliche Bearbeitungszeiten. So macht es inder Automobilindustrie einen erheblichen zeitlichen Unterschied aus, obein elektrisches Schiebedach montiert wird, ein manuelles oder gar keines.Dementsprechend sollen aufwendige Varianten sich an allen Stationenmoglichst mit weniger aufwendigen abwechseln, um eine Uberlastung derWerker an den Stationen und damit Springereinsatz und/oder Qualitats-mangel zu vermeiden. Das sog. Mixed-Model-Sequencing trachtet danach,durch eine exakte zeitliche Terminierung der einzelnen Varianten an denStationen diese Uberlastungen exakt zu erfassen und zu minimieren.

14 Nils Boysen

Schließlich will auch das sog. Car-Sequencing diese Uberlastungen an denStationen reduzieren, dabei jedoch den hohen Datenerhebungsaufwand desMixed-Model-Sequencing umgehen. Dazu werden fur einzelne OptionenReihenfolgeregeln eingefuhrt. So besagt etwa eine Regel von 3:5, dass vonfunf aufeinander folgenden Werkstucken maximal drei die entsprechendeOption beinhalten durfen. Das Car-Sequencing sucht nach Reihenfolgen,welche keine bzw. moglichst wenige der gegebenen Reihenfolgeregeln ver-letzt.

Speziell das Car-Sequencing hat in den letzten Jahren viel Beachtung inder Literatur gefunden. Dies lag unter anderem an der ROADEF-Challenge,bei der ein spezielles Car-Sequencing Problem des Automobilherstellers Re-nault zu losen war. Bedienten sich fruhere Veroffentlichungen vor allem demConstraint-Programming zur Losung des Car-Sequencing Problems, so habenneuren Veroffentlichungen im Zuge der ROADEF-Challenge vor allem leis-tungsfahige Meta-Heuristiken aber auch exakte Branch and Bound-Verfahrenhervorgebracht [9].

5 Resequencing

Schließlich kann die geplante Reihenfolge haufig nicht in der Produktion einge-halten werden. Storungen wie Eilauftrage, Maschinenausfalle oder defekte Ma-terialien behindern den Fertigungsablauf und fuhren zu ”Verwirbelungen” derFertigungsfolge. Eine gezielte Umstellung einer durch Storungen beeinflusstenFertigungsfolge im Laufe der Produktion bezeichnet man als Resequencing.Mit Hilfe von sog. Sortierspeichern kann etwa die Reihenfolge der Werkstuckephysisch umgestellt werden, oder das Resequencing erfolgt lediglich virtuell,indem die Zuordnung zwischen Werkstuck und Fertigungsauftrag getauschtwird [5]. Entscheidungsunterstutzung fur die Praxis findet sich in diesem Ge-biet bis dato kaum.

6 Fazit

Abschließend lasst sich festhalten, dass jedes einzelne Planungsproblem nochviel Raum fur weitere Forschungsarbeiten eroffnet. Da aber alle Einzelprob-leme zahlreiche Interdependenzen untereinander aufweisen, sollten auch dieBelange einer Hierarchischen Planung zukunftig verstarkt untersucht werden.

References

1. Boysen N (2005a) Variantenfließfertigung, DUV, Wiesbaden2. Boysen N (2005b) Reihenfolgeplanung bei Variantenfließfertigung: Ein integra-

tiver Ansatz. Zeitschrift fur Betriebswirtschaft 75: 135–156

Produktionsplanung bei Variantenfließfertigung 15

3. Boysen N (2005c) Produktionsprogrammplanung bei Variantenfließfertigung.Zeitschrift fur Planung & Unternehmenssteuerung 16: 53–72

4. Boysen N, Fliedner M (2006) Ein flexibler zweistufiger Graphenalgorithmus zurFließbandabstimmung mit praxisrelevanten Nebenbedingungen. Zeitschrift furBetriebswirtschaft 76: 55–78

5. Boysen N, Fliedner M, Scholl A (2006a) Produktionsplanung bei Varianten-fließfertigung: Planungshierarchie und Hierarchische Planung. Jenaer Schriftenzur Wirtschaftswissenschaft 22–2006

6. Boysen N, Fliedner M, Scholl A (2006b) A classification of assembly line bal-ancing problems. Jenaer Schriften zur Wirtschaftswissenschaft 12–2006

7. Boysen N, Fliedner M, Scholl A (2006c) Assembly line balancing: Which modelto use when? Jenaer Schriften zur Wirtschaftswissenschaft 23–2006

8. Boysen N, Fliedner M, Scholl A (2006d) Level-Scheduling: Klassifikation, Lit-eraturuberblick und Modellkritik. Jenaer Schriften zur Wirtschaftswissenschaft26–2006

9. Fliedner M, Boysen N (2006) Solving the Car Sequencing Problem via Branch& Bound. European Journal of Operational Research (to appear)

10. Roder A, Tibken B (2006) A methodology for modeling inter-company supplychains and for evaluating a method of integrated product and process docu-mentation. European Journal of Operational Research 169: 1010–1029

Scheduling Buses and School Starting Times

Armin Fugenschuh

Fachgebiet Optimierung, Technische Universitat Darmstadt, Germanyfuegenschuh@mathematik.tu-darmstadt.de

1 Introduction

Traffic peaks are peaks in cost. This in particular holds for rural counties,where the organization of public mass transportation is focused on the de-mand of pupils. About half to two third of pupils in rural areas take a bus toget to school. Most of them are integrated in the public bus system, a minor-ity is transfered by special purpose school buses. In all cases the respectivecounty in which the pupils live is responsible for the transfer, meaning thatthe county administration pays the fees. Since tax money is a scarce resource,the administration has great interest in reducing these payments.

A significant number of buses could be saved, if the bus scheduling prob-lem is solved together with the starting time problem, i.e., the simultaneoussettlement of school and trip starting times [6, 7]. A small intuitive exampleis shown in Figure 1. If two schools start at the same time then two differentbuses are necessary to bring the pupils to their respective schools. If theystart at different times then one and the same bus can first bring pupils toone school and then pupils to the other. In this article we describe how to rollout this intuitive idea to a whole county. Besides presenting a mathematicalformulation in Section 2 and computational results in Section 5, we want to

bus 1trip 1

bus 2trip 2

dep. 7:30arr. 7:50

dep. 7:30 arr. 7:50

school start 8:00

school start 8:00

bus 1trip 1

bus 1trip 2

dep. 7:50arr. 8:10

dep. 7:10 arr. 7:30

school start 7:40

school start 8:20

Fig. 1. The central idea (before – after)