Transformationale Führung als Erfolgsfaktor des Interim Management

In der vorliegenden Arbeit wurde untersucht, wie Führung zur Bewältigung von Unternehmenskrisen und Umsetzung von Veränderungen im Kontext des Interim Management beitragen kann. Dazu wurde die Theorie transformationaler Führung um aufgabenbezogene und indirekte Führung und den Einsatz von Positionsmacht ergänzt. Damit wurden diese erfolgskritischen Führungsdimensionen erstmals in einem gemeinsamen theoretischen Rahmen verbunden und die Auswirkungen einer kombinierten Anwendung untersucht. Dieser neue Ansatz wurde als „Total Range of Leadership“ bezeichnet. In der vorliegenden Untersuchung konnten neue Erkenntnisse zum Kontext und den Erfolgsfaktoren des Interim Management sowie zu den Auswirkungen und Wirkungsmechanismen transformationaler Führung und des Total Range of Leadership gewonnen werden. Die Untersuchungsergebnisse deuten darauf hin, dass Interim Management ein hoch effektives Veränderungsinstrument ist. Als erfolgsrelevante Rahmenbedingungen wurden die Ausstattung der Interim Manager mit umfassenden Vollmachten sowie die Unterstützung durch die Auftraggeber, als wichtigster Erfolgsfaktor des Interim Management aber eindeutig die Anwendung transformationaler Führung und des Total Range of Leadership identifiziert. Die Anwendung transformationaler Führung im Rahmen des Total Range of Leadership wirkt sich positiv auf Persönlichkeit, Einstellungen, Kompetenz und Verhalten der Mitarbeiter sowie Organisationsstruktur, Unternehmenskultur, organisationale Lernfähigkeit und finanziellen und marktbezogenen Erfolg von Unternehmens aus. Dabei erzielt transformationale Führung die bei Weitem größte Wirkung aller Führungsdimensionen. Es konnte aufgezeigt werden, dass transformationale Führung diese Wirkung nur in Verbindung mit der kompetenten Anwendung von transaktionaler, aufgabenbezogener und indirekter Führung entfalten kann. Die Untersuchungsergebnisse deuten außerdem darauf hin, dass eine transformationale Führungsbeziehung nur dann entstehen kann, wenn die Mitarbeiter Vertrauen in die professionelle Kompetenz und die Integrität ihrer Führungskraft fassen. Als normative Grundlagen transformationaler Führung wurden die Gewährleistung der Wohlfahrt und des Nutzens der Geführten sowie der Bezug auf und die Berücksichtigung von geteilten und allgemein akzeptierte Werten, insbesondere der distributiven und prozeduralen Gerechtigkeit, identifiziert. Insgesamt deuten die Erkenntnisse der Untersuchung darauf hin, dass mit dem Total Range of Leadership ein ganzheitlicher Führungsansatz entwickelt wurde, der alle aktiven und positiven Führungsverhaltensweisen umfasst, die zur Bewältigung von Krisen und Durchführung von Veränderungen in Unternehmen sowie für effektive Führung überhaupt erforderlich sind.

Multi-Robot Task Allocation for Inspection Problems with Cooperative Tasks Using Hybrid Genetic Algorithms

In dieser Dissertation werden Methoden zur optimalen Aufgabenverteilung in Multirobotersystemen (engl. Multi-Robot Task Allocation – MRTA) zur Inspektion von Industrieanlagen untersucht. MRTA umfasst die Verteilung und Ablaufplanung von Aufgaben für eine Gruppe von Robotern unter Berücksichtigung von operativen Randbedingungen mit dem Ziel, die Gesamteinsatzkosten zu minimieren. Dank zunehmendem technischen Fortschritt und sinkenden Technologiekosten ist das Interesse an mobilen Robotern für den Industrieeinsatz in den letzten Jahren stark gestiegen. Viele Arbeiten konzentrieren sich auf Probleme der Mobilität wie Selbstlokalisierung und Kartierung, aber nur wenige Arbeiten untersuchen die optimale Aufgabenverteilung. Da sich mit einer guten Aufgabenverteilung eine effizientere Planung erreichen lässt (z. B. niedrigere Kosten, kürzere Ausführungszeit), ist das Ziel dieser Arbeit die Entwicklung von Lösungsmethoden für das aus Inspektionsaufgaben mit Einzel- und Zweiroboteraufgaben folgende Such-/Optimierungsproblem. Ein neuartiger hybrider Genetischer Algorithmus wird vorgestellt, der einen teilbevölkerungbasierten Genetischen Algorithmus zur globalen Optimierung mit lokalen Suchheuristiken kombiniert. Zur Beschleunigung dieses Algorithmus werden auf die fittesten Individuen einer Generation lokale Suchoperatoren angewendet. Der vorgestellte Algorithmus verteilt die Aufgaben nicht nur einfach und legt den Ablauf fest, sondern er bildet auch temporäre Roboterverbünde für Zweiroboteraufgaben, wodurch räumliche und zeitliche Randbedingungen entstehen. Vier alternative Kodierungsstrategien werden für den vorgestellten Algorithmus entworfen: Teilaufgabenbasierte Kodierung: Hierdurch werden alle möglichen Lösungen abgedeckt, allerdings ist der Suchraum sehr groß. Aufgabenbasierte Kodierung: Zwei Möglichkeiten zur Zuweisung von Zweiroboteraufgaben wurden implementiert, um die Effizienz des Algorithmus zu steigern. Gruppierungsbasierte Kodierung: Zeitliche Randbedingungen zur Gruppierung von Aufgaben werden vorgestellt, um gute Lösungen innerhalb einer kleinen Anzahl von Generationen zu erhalten. Zwei Umsetzungsvarianten werden vorgestellt. Dekompositionsbasierte Kodierung: Drei geometrische Zerlegungen wurden entworfen, die Informationen über die räumliche Anordnung ausnutzen, um Probleme zu lösen, die Inspektionsgebiete mit rechteckigen Geometrien aufweisen. In Simulationsstudien wird die Leistungsfähigkeit der verschiedenen hybriden Genetischen Algorithmen untersucht. Dazu wurde die Inspektion von Tanklagern einer Erdölraffinerie mit einer Gruppe homogener Inspektionsroboter als Anwendungsfall gewählt. Die Simulationen zeigen, dass Kodierungsstrategien, die auf der geometrischen Zerlegung basieren, bei einer kleinen Anzahl an Generationen eine bessere Lösung finden können als die anderen untersuchten Strategien. Diese Arbeit beschäftigt sich mit Einzel- und Zweiroboteraufgaben, die entweder von einem einzelnen mobilen Roboter erledigt werden können oder die Zusammenarbeit von zwei Robotern erfordern. Eine Erweiterung des entwickelten Algorithmus zur Behandlung von Aufgaben, die mehr als zwei Roboter erfordern, ist möglich, würde aber die Komplexität der Optimierungsaufgabe deutlich vergrößern.