Académique Documents
Professionnel Documents
Culture Documents
DOI 10.1007/s00187-007-0024-1
O R I G I N A L P A P E R
Summary Soccer enjoys great popularity in Germany. More than 10 Million fans
surge into the stadiums each year to see the best 18 soccer clubs fighting for the
German championship. The importance of a good and fair schedule which meets the
demands of clubs, associations, media and fans has considerably increased in recent
years. In this contribution, a binary linear optimization model specific to structure
and requirements of the German major soccer league is developed and used to derive
13
208 B. Werners, T. Wülfing
a schedule for the season 2006/07. The model is designed as a modified assignment
model. Different requests are considered using constraints or appropriate quantifica-
tions in the objective function. This model can be solved to optimality using standard
software tools and a PC. Considering the specific demands the resulting schedule is
superior to the actual schedule for season 2006/07.
1 Ausgangssituation
Sportarten wie Baseball, Basketball und Eishockey in den USA sowie in Europa ins-
besondere Fußball ziehen die Massen an und sind so für Medien und Sponsoren glei-
chermaßen interessant. Neben diesen Interessengruppen versuchen zudem Vereine,
Verbände und nicht zuletzt auch die Fans der Mannschaften, ihre Position zu stärken
und Anforderungen an die Gestaltung des Spielbetriebs zu stellen. Dies steigert ei-
nerseits die Komplexität der Spielplanerstellung und erhöht damit andererseits die
Attraktivität für den Einsatz quantitativer Methoden zur Planung und Optimierung.
In den vergangenen Jahren wurde bereits vielfach das Optimierungspotenzial bei
der Erstellung von Spielplänen für Sportligen und -turniere erkannt und thematisiert.1
Tabelle 1 Beispiele anwendungsorientierter Literatur zur Spielplanoptimierung
Problemtyp Algorithmus Anwendungsbereich
Bartsch/Drexl/ Minimum-Break Semi-greedy algorithm / Fußball (Erste Bundesliga,
Kröger (2006) Truncated B&B Deutschland und Österreich)
Della Croce/ Minimum-Break Integer programming Fußball
Oliveri (2006) (Serie A, Italien)
Lim/Rodrigues/ Traveling-Tournament Simulated annealing/ Testdatensätze
Zhang (2006) Hill climbing
Nemhauser/Trick Minimum-Break Integer programming/ Basketball
(1998) Enumeration (Universitäts-Liga ACC, USA)
Rasmussen (2006) Minimum-Break Integer programming/ Fußball
Benders cut (SAS Ligaen, Dänemark)
Ribeiro/Urrutia Traveling-Tournament GRASP/ Fußball
(2007) Local Search (Meisterschaft, Brasilien)
Schreuder (1992) Minimum-Break Edge-colouring/ Fußball
Clustering algorithm (Ehrendivision, Niederlande)
Van Hentenryck/ Minimum-Break Simulated Annealing/ Testdatensätze
Vergados (2005) Local Search
Yang/Huang/ Traveling-Tournament Evolutionary algorithm Baseball
Horng (2002) (Major League Baseball, USA)
13
Optimierung von Spielplänen am Beispiel der Fußball-Bundesliga-Saison 2006/07 209
nung bzw. der damit verbundenen Reisekosten formuliert. Dabei werden meist Serien
aufeinander folgender Heim- bzw. Auswärtsspiele akzeptiert.
Die Problemstruktur bei der Spielplanoptimierung ist eng verwandt mit Schedul-
ing- und Zuordnungsproblemen unter Berücksichtigung zusätzlicher Anforderungen.
Beide Ansätze zur Optimierung von Spielplänen sind schwierig zu lösen.2 Daher
werden zur Modelllösung nur zum Teil auf Zuordnungsmodellen basierende, opti-
mierende Verfahren der ganzzahligen Programmierung verwendet. Häufig werden
stattdessen Metaheuristiken wie Simulated Annealing, Tabu Search oder evolutionäre
Algorithmen eingesetzt, die sich in ausführlichen Untersuchungen teils als sehr ef-
fizient erwiesen haben.3 Tabelle 1 zeigt verschiedene Beiträge aus der Literatur mit
Problemtyp, verwendetem Algorithmus und Anwendungsbereich.
Der deutsche Profi-Fußball umfasst die Erste und Zweite Bundesliga, in denen
jeweils 18 Vereine an 34 Spieltagen gegeneinander antreten. Die Vermarktung der
TV-Übertragungsrechte bringt allein in der Saison 2006/07 420 Millionen Euro
ein.4 Wie der Presse zu entnehmen ist5 , setzt die Deutsche Fußball Liga GmbH
(DFL), die den Spielbetrieb der beiden höchsten deutschen Ligen verantwortet, in
der Saison 2006/07 erstmalig auf einen Spielplan, der unter Verwendung quantita-
tiver Methoden von ILOG entwickelt worden ist. Durch das Optimierungssystem von
ILOG, die überwiegend Optimierungslösungen für Finanz-, Industrie- und Logistik-
unternehmen anbieten, wurden dabei mehrere Spielpläne ermittelt und der DFL zur
endgültigen Auswahl vorgeschlagen.
Bei der Festlegung des Spielplans der Fußball-Bundesligen sind diverse Anfor-
derungen zu berücksichtigen. Zum einen sind durch internationale Wettbewerbe
(UEFA, Champions-League etc.) und Turniere (Welt- und Europameisterschaften
sowie die zugehörigen Qualifikationsspiele) einzelne Wochentage oder ganze Wo-
chenenden belegt. Zum anderen sind die Inhaber der TV-Übertragungsrechte sowie
Sponsoren bestrebt, einen möglichst guten Sendeplatz für die Bundesligaspiele zu er-
halten. Darüber hinaus sind die Interessen der Vereine und der Fans, insbesondere bei
der Bestimmung der Anstoß-Zeiten, zu beachten. Aus diesen Gründen wird vor der
eigentlichen Erstellung der Spielpläne ein Rahmenterminkalender vereinbart, der die
Daten und Anstoß-Zeiten aller Spieltage vorgibt.
Im Rahmenterminkalender der Saison 2006/07 wurde für die Erste Bundesliga
beispielsweise festgelegt, dass einige Spieltage dienstags und mittwochs jeweils um
20:00 Uhr ausgetragen werden. Der Großteil der Spiele findet allerdings an Wo-
chenenden statt. Dabei sollen pro Wochenendspieltag jeweils ein Freitagsspiel um
20:30 Uhr, sechs Samstagsspiele um 15:30 Uhr und zwei Sonntagsspiele um 17:00
Uhr angepfiffen werden. Lediglich an den letzten beiden Spieltagen der Saison finden
aus Gründen der Chancengleichheit und Manipulationssicherheit alle Spiele parallel
statt.
13
210 B. Werners, T. Wülfing
Bei der Planung, welche Partien freitags oder sonntags ausgetragen werden, ist
darauf zu achten, dass möglichst benachbarte Vereine gegeneinander spielen, aber
auch spannende und damit medienwirksame Spiele übertragen werden. Zudem sol-
len für die Teilnehmer an internationalen Wettbewerben durch Freitags- oder Sonn-
tagsspiele längere Ruhephasen erreicht werden. Da zum Zeitpunkt der Spielplan-
erstellung jedoch noch nicht bekannt ist, wie weit die Vereine in den internationa-
len Wettbewerben kommen werden, erfolgt die Festlegung der Paarungen für die
Freitags- und Sonntagsspiele erst während der Saison einige Wochen vor den jewei-
ligen Spielen.
Der Spielmodus der Ersten und Zweiten Bundesliga wird als ,,gespiegeltes
Double-Round-Robin-Tournament“ (DRR) bezeichnet.6 In einem Round-Robin-
Tournament trifft eine gerade Anzahl M von Mannschaften an M-1 aufeinander
folgenden Spieltagen jeweils genau einmal aufeinander. Ein gespiegeltes DRR be-
steht aus einer Hin- und einer Rückrunde, wobei jede Mannschaft gegen jeden
Gegner ein Spiel zu Hause und ein Spiel auswärts bestreitet. Die Paarungen der Hin-
runde entsprechen denen der Rückrunde. Eine Paarung, die für Spieltag t angesetzt
ist, findet in der Rückrunde an Spieltag t + M-1 mit getauschtem Heimrecht statt.
Im folgenden Kapitel werden verschiedene Anforderungen an Spielpläne und
in der Literatur verwendete Vorgehensweisen zur Spielplanoptimierung vorgestellt.
Aufbau und Funktionsweise des von ILOG verwendeten Optimierungsansatzes wur-
den bislang nicht veröffentlicht. Ebenso ist der Anforderungskatalog der DFL an den
Spielplan für die Saison 2006/07 bislang nicht zugänglich. Daher werden auf Ba-
sis verschiedener Einzelinformationen Anforderungen an den Spielplan für die Sai-
son 2006/07 der Ersten Bundesliga definiert. Ein lineares Optimierungsmodell wird
entwickelt und zur Ermittlung eines zulässigen Spielplans herangezogen. Die Qua-
lität dieses Spielplans wird abschließend durch einen Vergleich mit dem tatsächlich
gewählten Spielplan beurteilt.
13
Optimierung von Spielplänen am Beispiel der Fußball-Bundesliga-Saison 2006/07 211
der Liga spielen müssen. Dies soll zu einer gleichmäßigeren und als gerecht emp-
fundenen Verteilung der vermeintlich ,,schweren“ und ,,leichten“ Spiele über die
Saison führen, sodass sich Stärke- oder Schwächeperioden einzelner Vereine nicht
übermäßig deutlich auf das Saisonergebnis auswirken.
– Spielort-Anforderungen: Finden an bestimmten Spieltagen Großereignisse statt
oder stehen Stadien nicht zur Verfügung, muss gewährleistet werden, dass die
betroffenen Vereine Auswärtsspiele haben. Ebenso können Präferenzen von Ver-
einen berücksichtigt werden, die an einem bestimmten Spieltag zu Hause spielen
möchten.
– Komplementaritäts-Anforderungen: Bei benachbarten Vereinen oder bei Mann-
schaften, die sich das gleiche Stadion teilen, muss möglicherweise sichergestellt
werden, dass keine parallelen Heimspiele stattfinden.
– Regional-Anforderungen: In Ballungsgebieten erscheint es vielfach nicht sinn-
voll, dass eine große Anzahl von Heimspielen parallel stattfindet. Durch Res-
triktionen kann eine gleichmäßigere regionale Aufteilung der Heimspiele erreicht
werden.
– Spielpaarung-Anforderungen: Insbesondere die Inhaber der TV-Übertragungs-
rechte haben ein Interesse daran, ,,große“ Spiele live zu übertragen. Durch die
Festlegung von Spielpaarungen auf bestimmte Spieltage kann beispielsweise er-
reicht werden, dass an jedem Spieltag mindestens ein ,,Klassiker“ oder ,,Derby“
stattfindet.
Die Reduzierung aufeinander folgender Heim- bzw. Auswärtsspiele wird in der Li-
teratur als ,,Constrained-Minimum-Break-Problem“ bezeichnet.8 Unter einem Break
werden dabei zwei Heim- bzw. Auswärtsspiele hintereinander verstanden. Wie durch
DE WERRA auf Basis graphentheoretischer Erkenntnisse gezeigt wird, liegt die
Anzahl von Breaks in einem gespiegelten DRR mit M Vereinen bei mindestens
3M−6.9 Durch kanonische 1-Faktorisierung wird bewiesen, dass für jede Anzahl M
zulässige Spielpläne ermittelt werden können, die diese untere Schranke erreichen.
Für M = 4 gilt zusätzlich, dass Spielpläne mit minimaler Anzahl Breaks existieren,
bei denen kein Team zwei aufeinander folgende Breaks hat. Für die deutsche Fußball-
Bundesliga mit M = 18 Mannschaften bedeutet die untere Schranke, dass Spielpläne
gefunden werden können, die mit der minimalen Anzahl von 48 Breaks auskommen.
Zur Erstellung eines Spielplans unter Berücksichtigung des Minimum-Break-
Problems sind vier Schritte identifiziert worden.10
1. Patterns werden generiert. Ein Pattern bezeichnet eine Abfolge von Heim- und
Auswärtsspielen für jeweils eine Mannschaft für eine gesamte Saison.
2. Die für den Spielplan zu verwendenden Patterns werden ausgewählt und zunächst
Platzhaltern zugeordnet.
3. Auf Basis der ausgewählten Patterns wird ein Spielplan erstellt.
4. Abschließend werden die tatsächlichen Mannschaften den Platzhaltern so zugeord-
net, dass sich ein zulässiger Spielplan ergibt.
8 Vgl. Van Hentenryck/Vergados (2005), S. 22 sowie die dort angegebene Literatur.
9 Vgl. De Werra (1981) und De Werra (1980).
10 Vgl. Rasmussen/Trick (2006), S. 10–11.
13
212 B. Werners, T. Wülfing
In der Regel werden die vier Schritte in zwei oder mehr Phasen durch den Einsatz un-
terschiedlicher Verfahren sequentiell gelöst, wobei nicht notwendigerweise die hier
dargestellte Reihenfolge der Schritte eingehalten wird.11
Der Spielplan der Ersten Bundesliga für die Saison 2006/07 soll die minimale An-
zahl von 48 Breaks enthalten. Zusätzlich ist auszuschließen, dass ein Verein mehr
als zwei Heim- oder Auswärtsspiele hintereinander hat. Durch diese Voraussetzungen
wird die Menge der Patterns, die eine zulässige Lösung ermöglichen, erheblich ein-
geschränkt. Tabelle 2 zeigt die mit einem Heimspiel beginnenden Patterns für die
Hinrunde der Saison an. Aufgrund des gespiegelten DRR entsprechen die Rückspiele
den Spieltagen der Hinrunde mit gewechseltem Heimrecht. Durch Vertauschen der
Heim- und Auswärtsspiele ergeben sich zu den abgebildeten 15 Patterns zusätzlich
die komplementären Patterns. Die Gesamtzahl der möglichen Patterns beläuft sich
somit auf 30.
Lediglich Pattern 1 und das komplementäre Pattern 16 kommen während der ge-
samten Saison ohne Breaks aus. Sämtliche weiteren Patterns haben jeweils genau ein
Break während der Hinrunde, entsprechend eines im Verlauf der Rückrunde sowie
zusätzlich von Spieltag 17 auf Spieltag 18 ein drittes Break. Die minimale Anzahl
von Breaks kann somit nur dann erreicht werden, wenn beide Patterns mit null Breaks
sowie zusätzlich 16 Patterns mit jeweils drei Breaks ausgewählt werden. Patterns mit
vier oder mehr Breaks müssen nicht betrachtet werden. Im Anschluss an die Gene-
rierung erfolgt die Auswahl der Patterns.12 Dieser Schritt sowie die weiteren Schritte
zur Erstellung eines Spielplans werden im nachfolgend beschriebenen Optimierungs-
modell simultan durchgeführt. Dabei gehen verschiedene weitere Anforderungen an
einen zulässigen Spielplan mit in die Modellierung ein. Die Indizierung der Mann-
schaften erfolgt im Modell in Anlehnung an die Vereinsschlüsselzahlen der DFL für
die Saison 2006/07.13 Tabelle 3 zeigt die Indizes der Erstligamannschaften sowie die
Platzierung in der Vorsaison. Bei den Aufsteigern wird keine Platzierung angegeben.
Tabelle 2 Auswahl von Patterns mit maximal drei Breaks im Verlauf einer Saison
Pattern / Spieltag 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 H A H A H A H A H A H A H A H A H
2 H A H A H A H A H A H A H A H H A
3 H A H A H A H A H A H A H A A H A
4 H A H A H A H A H A H A H H A H A
5 H A H A H A H A H A H A A H A H A
6 H A H A H A H A H A H H A H A H A
7 H A H A H A H A H A A H A H A H A
8 H A H A H A H A H H A H A H A H A
9 H A H A H A H A A H A H A H A H A
10 H A H A H A H H A H A H A H A H A
11 H A H A H A A H A H A H A H A H A
12 H A H A H H A H A H A H A H A H A
13 H A H A A H A H A H A H A H A H A
14 H A H H A H A H A H A H A H A H A
15 H A A H A H A H A H A H A H A H A
13
Optimierung von Spielplänen am Beispiel der Fußball-Bundesliga-Saison 2006/07 213
Die Optimierung des Spielplans für die Saison 2006/07 der Ersten Bundesliga wird
durch das folgende mathematische Modell dargestellt. Zunächst werden die verwen-
deten Indizes, Daten und Entscheidungsvariablen definiert.
13
214 B. Werners, T. Wülfing
M T
−1
M
minimiere 2 · z mt + z mT (1)
m=1 t=1 m=1
Eine Minimierung der Zielfunktion, die nur für eine oder wenige Mannschaften zu
einer Häufung aufeinander folgender Spiele gegen die fünf Topgegner führt, wird als
,,unfair“ angesehen. Daher wird die Anzahl durch Restriktion (2) auf maximal zwei
aufeinander folgende Spiele je Mannschaft begrenzt. Die Entscheidungsvariable darf
somit für jede Mannschaft höchstens einmal im Verlauf der Hinrunde den Wert 1
annehmen.
T
z mt = 1 ∀m = 1, ..., M (2)
t=1
T
x it = 1 ∀i = 1, ..., I (3)
t=1
Ein zulässiger Spielplan erfordert, dass jede Mannschaft pro Spieltag exakt ein Spiel
haben muss. Der Wert TEAMim ist 1, falls Mannschaft m an Spielpaarung i betei-
ligt ist. Durch Restriktion (4) wird die Beteiligung jeder Mannschaft an genau einer
13
Optimierung von Spielplänen am Beispiel der Fußball-Bundesliga-Saison 2006/07 215
Für jede Mannschaft ist zu bestimmen, wann sie zu Hause antritt und wann sie
Auswärtsspiele bestreitet. In diesem Modell erfolgt dies durch die Zuordnung der
Patterns. Die Entscheidungsvariable ym p gibt an, ob Mannschaft m Pattern p zuge-
ordnet wird. Jeder Mannschaft ist exakt ein Pattern aus der zuvor ermittelten Liste
zuzuordnen.
P
ym p = 1 ∀m = 1, ..., M (5)
p=1
Damit die minimale Anzahl Breaks von 16 für die Hinrunde bzw. 48 für die gesamte
Saison erreicht werden kann, müssen die beiden Patterns ohne Breaks zugeordnet
werden. Dabei ist zu beachten, dass kein Pattern häufiger als einmal zugeordnet
werden darf, da Mannschaften mit dem gleichen Pattern nie gegeneinander spielen
könnten. Entsprechend der Tabelle 2 werden durch Restriktion (6) die Patterns 1
und 16 ohne Break zugeordnet.
M
ym p = 1 ∀ p ∈ {1; 16} (6)
m=1
Die übrigen Patterns der Liste haben über die gesamte Saison verteilt jeweils drei
Breaks. Auch diese Patterns werden durch Restriktion (7) jeweils höchstens einer
Mannschaft zugeordnet.
M
ym p ≤ 1 ∀ p ∈ {2...15; 17...30} (7)
m=1
Bei der Zuordnung einer Spielpaarung zu einem Spieltag muss gewährleistet wer-
den, dass von den beiden antretenden Mannschaften genau eine ein Heimspiel und
die andere ein Auswärtsspiel hat. Die Variable x it kann, wie in den Restriktionen (8)
und (9) dargestellt, nur dann den Wert 1 annehmen, wenn eines der beteiligten Teams
einem Pattern zugeordnet ist, der an Spieltag t ein Heimspiel vorsieht und gleichzei-
tig die andere Mannschaft aufgrund ihres Patterns ein Auswärtsspiel hat. Die in das
Modell eingehenden Daten A pt und H pt sind komplementär; für alle Pattern p und
Spieltage t gilt die Gleichung A pt + H pt = 1. Die Berücksichtigung beider Werte in
den Restriktionen dient daher lediglich der besseren Anschaulichkeit.
⎛ ⎞
M P
x it ≤ ⎝TE AMim · H pt · ym p ⎠ ∀i = 1, ..., I; t = 1, ..., T (8)
m=1 p=1
⎛ ⎞
M
P
x it ≤ ⎝TE AMim · A pt · ym p ⎠ ∀i = 1, ..., I; t = 1, ..., T (9)
m=1 p=1
13
216 B. Werners, T. Wülfing
Bei der Erstellung des Spielplans für die Saison 2006/07 müssen zusätzlich zwei
Komplementaritäts-Anforderungen berücksichtigt werden.14 So sollen Eintracht
Frankfurt und der FSV Mainz 05 am selben Spieltag nicht beide ein Heimspiel haben.
Auch Borussia Dortmund und der FC Schalke 04 sollen ihre Heimspiele an un-
terschiedlichen Spieltagen austragen, da ansonsten keine ausreichende Anzahl von
Sicherheitskräften zur Verfügung steht. Die Restriktionen (10) und (11) stellen si-
cher, dass den jeweils betroffenen Mannschaften komplementäre Patterns zugeordnet
werden. Ist eine der beiden Mannschaften einem Pattern zugeordnet, so muss die
andere Mannschaft zwingend dem komplementären Pattern zugeordnet sein, damit
beide Klammerausdrücke jeweils null ergeben.
y17; p − y18; p+15 + y17; p+15 − y18; p = 0 ∀ p = 1, ..., 15 (10)
y8; p − y11; p+15 + y8; p+15 − y11; p = 0 ∀ p = 1, ..., 15 (11)
P
H pt · y3; p + y6; p + y8; p + y11; p + y13; p + y16; p ≤ 3 ∀t = 1, ..., T (12)
p=1
P
H p;1 · y1; p = 1 (13)
p=1
P
A p;1 · y16; p = 1 (14)
p=1
13
Optimierung von Spielplänen am Beispiel der Fußball-Bundesliga-Saison 2006/07 217
P
A p;3 · y6; p = 1 (15)
p=1
Durch den Wert TOPim wird angegeben, ob eine Spielpaarung i für Mannschaft m
ein Spiel gegen eine der fünf bestplatzierten Mannschaften der vergangenen Saison
ist. Spielt Mannschaft m an zwei aufeinander folgenden Spieltagen gegen Top-5-
Mannschaften, wird durch die Restriktionen (16) und (17) die entsprechende Variable
z mt auf 1 festgesetzt.
I
z mt + 1 ≥ TOPim · x it + x i;t+1 ∀m = 1, ..., M; t = 1, ..., 16 (16)
i=1
I
z m;17 + 1 ≥ TOPim · x i;17 + x i;1 ∀m = 1, ..., M (17)
i=1
13
218 B. Werners, T. Wülfing
In analoger Darstellung zeigt Tabelle 5 den durch ILOG ermittelten und von der
DFL ausgewählten tatsächlichen Spielplan der Saison 2006/07.
In Tabelle 6 erfolgt auf Basis der Anforderungen, die an das mathematische Opti-
mierungsmodell gestellt worden sind, ein Vergleich der beiden Spielpläne.
In beiden Spielplänen werden nicht mehr als die minimale Anzahl von Breaks
benötigt. Im vorgeschlagenen Optimierungsmodell ist die Top-Team-Anforderung
vollständig umgesetzt. Keine Mannschaft hat zwei aufeinander folgende Spiele ge-
gen die Top-5-Mannschaften der Vorsaison. Im tatsächlichen Spielplan der Saison
2006/07 treten hingegen 35 solcher Fälle auf. Hertha BSC Berlin und der FSV Mainz
05 müssen jeweils vier Mal zwei Spiele hintereinander gegen Top-5-Mannschaften
absolvieren. Borussia Dortmund und der TSV Alemannia Aachen haben sogar drei
aufeinander folgende Begegnungen gegen die bestplatzierten Mannschaften der Vor-
saison.
13
Optimierung von Spielplänen am Beispiel der Fußball-Bundesliga-Saison 2006/07 219
13
220 B. Werners, T. Wülfing
Literatur
Bartsch, T., Drexl, A., Kröger, S. (2006): Scheduling the professional soccer leagues of Austria and
Germany. Computers & Operations Research 33(7), 1907–1937
De Werra, D. (1981): Scheduling in sports. In: Hansen, P. (Ed.): Studies on graphs and discrete program-
ming. Elsevier, Amsterdam, S 381–395
De Werra, D. (1980): Geography, games and graphs. Discrete applied mathematics 2, 327–337
Della Croce, F., Oliveri, D. (2006): Scheduling the Italian football league: An ILP-based approach.
Computers & Operations Research 33(7), 1963–1974
Deutsche Fußball Liga GmbH (2006): Vereinsschlüsselzahlen 1. Bundesliga Saison 2006/07,
http://www.dfl.de/media/native/dfl/schluesselzahlen-bl.pdf, abgerufen am 14.10.2006
Henz, M. (1999): Constraint-based round robin tournament planning. In: De Schreye, D. (Ed): Procee-
dings of the International Conference on Logic Programming. The MIT Press, Cambridge, Mass.,
S 545–557
Miyashiro, R., Iwasaki, H., Matsui T. (2002): Characterizing feasible pattern sets with a minimum num-
ber of breaks, Working Paper METR 2002-14, Department of Mathematical Informatics, University
of Tokyo, 2002
Nemhauser, G.L., Trick, M.A. (1998): Scheduling a major college basketball conference. Operations
Research 46(1), 1–8
13
Optimierung von Spielplänen am Beispiel der Fußball-Bundesliga-Saison 2006/07 221
Guéret, C., Prins, C., Sevaux, M. (2002): Applications of optimization with Xpress-MP. John Wiley &
Sons, Blisworth
Kruse, J. (2004): Ökonomische Konsequenzen des Spitzensports im öffentlich-rechtlichen und im priva-
ten Fernsehen, Diskussionspapier Nr. 26, Universität der Bundeswehr, Hamburg
Lim, A., Rodrigues, B., Zhang, X. (2006): A simulated annealing and hill-climbing algorithm for the
traveling tournament problem. European Journal of Operational Research 174(3), 1459–1478
Post, G., Woeginger, G.J. (2006): Sports tournaments, home-away assignments, and the break minimiza-
tion problem. Discrete Optimization 3(2), 165–173
Pressebox (2006): Bundesliga startet mit ,,idealem Spielplan“, http://www.pressebox.de/pressemeldungen
/ilog-deutschland-gmbh/boxid-71532.html, abgerufen am 14.10.06
Quitzau, J. (2006): Zufall als Spielgestalter – Der übersehene Erfolgsfaktor im Profifußball und seine
wettbewerbspolitischen Implikationen. WiSt Wirtschaftswissenschaftliches Studium 35(4), 200–205
Rasmussen, R.V. (2006): Scheduling a triple round robin tournament for the best Danish soccer league,
Working Paper No. 2006/1, Department of Operations Research, University of Aarhus
Rasmussen, R.V., Trick, M.A. (2006): Round robin scheduling – A survey, Working Paper No. 2006/2,
Department of Operations Research, University of Aarhus
Ribeiro, C.C., Urrutia, S. (2007): Heuristics for the mirrored traveling tournament problem. European
Journal of Operational Research 179(3), 775–787
Schreuder, J.A.M. (1992): Combinatorial aspects of construction of competition Dutch professional
soccer leagues. Discrete Applied Mathematics 35, 301–312
Süddeutsche Zeitung (2006): Der Spielplan der Bundesligasaison – Tausendundeine Kleinigkeit,
http://www.sueddeutsche.de/sport/bundesliga/artikel/110/83027/article.html, abgerufen am 14.10.06
Van Hentenryck, P., Vergados, Y. (2005): Minimizing breaks in sport scheduling with local search.
Proceedings of the 15th International Conference on Automated Planning and Scheduling, 22–29
Wegener, I. (2003): Komplexitätstheorie: Grenzen der Effizienz von Algorithmen. Springer, Berlin et al.
Werners, B. (2006): Grundlagen des Operations Research. Springer, Berlin et al.
Yang, J.T., Huang, H.D., Horng, J.T. (2002): Devising a cost effective baseball scheduling by evolutio-
nary algorithms. Proceedings of the 2002 Congress on Evolutionary Computation, 1660–1665
Zimmermann, H.-J. (2005): Operations Research: Methoden und Modelle. Vieweg, Wiesbaden
13