Dokumentation

Readme ueberarbeitet

README.md

@@ -2,52 +2,82 @@
 
 Automatische Zuteilung von Elterndiensten im Kinderladen unter Berücksichtigung von Fairness und Präferenzen.
 
-## Verwendung
+## Wie funktioniert die Dienstplanung?
 
-```bash
+Der Elterndienstplaner verteilt die anfallenden Dienstzuteilungen für einen Monat automatisch auf die Eltern. Dabei werden folgende Ziele berücksichtigt:
-./elterndienstplaner.py <eingabe.csv> <eltern.csv> <ausgabe.csv> [<vorherige-ausgaben.csv>]
-```
 
-**Parameter:**
+### 1. Regeln (Harte Constraints)
-- `eingabe.csv`: Benötigte Dienste und Eltern-Präferenzen für den Planungsmonat
-- `eltern.csv`: Dienstfaktoren der Eltern (Anzahl betreuter Kinder)
-- `ausgabe.csv`: Hier wird die Zuteilung geschrieben
-- `vorherige-ausgaben.csv` (optional): Historische Daten für Fairness über das Jahr
 
-## Dienste
+Diese Regeln **müssen** immer eingehalten werden:
+
+- **C1: Maximal einmal pro Woche pro Diensttyp** - Niemand muss z.B. zweimal in einer Woche Frühstücksdienst machen
+- **C2: Maximal eine Zuteilung pro Tag** - Niemand bekommt mehrere Dienstzuteilungen am selben Tag
+- **C3: Nur bei Verfügbarkeit** - Zuteilungen erfolgen nur bei Verfügbarkeit (keine Abwesenheiten)
+- **C4: Alle Dienste werden besetzt** - Jeder benötigte Diensttyp wird an jedem Tag besetzt
+
+### 2. Fairness und Präferenzen (Weiche Constraints)
+
+Diese Ziele werden optimiert, können aber nicht immer perfekt erfüllt werden:
+
+**Fairness:**
+- **F1: Faire Jahresverteilung** - Über das ganze Kitajahr hinweg werden Zuteilungen fair verteilt (pro Diensttyp)
+- **F2: Faire Monatsverteilung** - Innerhalb eines Monats werden Zuteilungen fair verteilt (pro Diensttyp). **Besonderheit:** Abwesenheitstage werden aus der Dienstpflicht herausgerechnet, um eine gleichmäßigere Verteilung zu erreichen. Die "verpassten" Dienste werden über F1 im Jahresverlauf ausgeglichen.
+- **F3: Ausgewogene Diensttypen (Jahr)** - Verhindert über das ganze Jahr, dass einzelne Familien über alle Diensttypen hinweg zu viele Zuteilungen bekommen
+- **F4: Ausgewogene Diensttypen (Monat)** - Verhindert im aktuellen Monat, dass einzelne Familien über alle Diensttypen hinweg zu viele Zuteilungen bekommen
+
+**Präferenzen:**
+- **P1: Bevorzugte Tage für Diensttypen** - An bestimmten Tagen bevorzugte Diensttypen werden nach Möglichkeit zugeteilt
+- **P2: Vermeiden an bestimmten Tagen** - An bestimmten Tagen abgelehnte Diensttypen werden nach Möglichkeit vermieden
+
+Die Fairness bestimmt **wie viele** Zuteilungen jede Familie erhält, die Präferenzen beeinflussen **an welchen Tagen welcher Diensttyp** zugeteilt wird. Selbst bei Ablehnung kann ein Diensttyp an einem bestimmten Tag zugeteilt werden, wenn das für die faire Verteilung nötig ist.
+
+## Diensttypen
 
 - **F** - Frühstücksdienst (täglich, 1 Person)
 - **P** - Putznotdienst (täglich, 1 Person)
 - **E** - Essensausgabenotdienst (täglich, 1 Person)
 - **K** - Kochen (ca. alle 2 Wochen, 1 Person)
-- **A** - Elternabend (nach Bedarf, 2 Personen)
+- **A** - Elternabend (ca. einmal im Monat, 2 Personen)
 
 Die Planung erfolgt für einen Kalendermonat.
 
-## Eingabedateien
+## Abwesenheiten und Präferenzen angeben (eingabe.csv)
 
-### eingabe.csv
+Diese Datei enthält für jeden Tag des Planungsmonats, welche Dienste anfallen und welche Eltern verfügbar sind bzw. Präferenzen haben.
-
-Informationen zu benötigten Diensten und Verfügbarkeit/Präferenzen der Eltern.
 
 **Format:**
 ```
-Datum,Wochentag,Dienste,Eltern1,Eltern2,...
+Datum,      Wochentag, Dienste, Sarah & Tim, Leon,    Maya, ...
-2025-01-06,Montag,FPE,F+,x,...
+2026-01-06, Montag,    FPE,     F+,          x,       ,     ...
-2025-01-07,Dienstag,FPE,P-,F+P+,...
+2026-01-07, Dienstag,  FPE,     P-,          F+P+,    ,     ...
 ```
 
 **Spalten:**
-1. Datum (ISO-Format: YYYY-MM-DD)
+1. **Datum** (ISO-Format: YYYY-MM-DD)
-2. Wochentag (zur Information)
+2. **Wochentag** (zur Information)
-3. Benötigte Dienste (z.B. "FPE" für Frühstück, Putzen, Essen)
+3. **Diensttypen** - Welche Diensttypen an diesem Tag benötigt werden (z.B. "FPE" für Frühstück, Putzen, Essen)
-4-n. Für jeden Elternteil:
+4-n. **Eine Spalte pro Familie** - Abwesenheiten und Präferenzen:
-   - `x` = nicht verfügbar
+   - `x` = nicht verfügbar (Urlaub, Krankheit, etc.)
-   - `F+` = Frühstücksdienst bevorzugt
+   - `Kürzel+` = diesen Dienst bevorzugt (z.B. `F+` für Frühstücksdienst bevorzugt)
-   - `P-` = Putznotdienst nur notfalls
+   - `Kürzel-` = diesen Dienst abgelehnt (z.B. `P-` für Putznotdienst abgelehnt)
-   - Mehrere Präferenzen kombinierbar: `F+P-E+`
+   - Mehrere kombinierbar: `F+P-E+` (Frühstück bevorzugt, Putzen abgelehnt, Essen bevorzugt)
    - Leer = verfügbar, keine Präferenz
 
+**Beispiel:**
+```
+Datum       ,Wochentag ,Dienste,Sarah & Tim,Leon ,Maya
+2026-01-06  ,Montag    ,FPE    ,x          ,     ,F+
+2026-01-07  ,Dienstag  ,FPE    ,           ,F+P- ,
+2026-01-10  ,Freitag   ,FPEK   ,F+K+       ,     ,P-
+```
+
+- Sarah & Tim sind am 6.1. nicht verfügbar
+- Leon bevorzugt am 7.1. Frühstück, lehnt Putzen ab
+- Maya bevorzugt am 6.1. Frühstück
+- Am 10.1. bevorzugen Sarah & Tim Frühstück oder Kochen
+
+## Weitere Eingabedateien
+
 ### eltern.csv
 
 Dienstfaktoren (= Anzahl betreuter Kinder) pro Elternteil und Zeitraum.
@@ -55,20 +85,25 @@ Dienstfaktoren (= Anzahl betreuter Kinder) pro Elternteil und Zeitraum.
 **Format:**
 ```
 Eltern,       Beginn,     Ende,       Faktor, Beginn,     Ende,       Faktor, ...
-Müller,2024-09-01,2025-07-31,2
+Sarah & Tim,  2024-09-01, 2025-07-31, 2
-Schmidt,2024-09-01,2024-12-31,1,2025-01-01,2025-07-31,0
+Leon,         2024-09-01, 2024-12-31, 1,      2025-01-01, 2025-07-31, 0
+Maya,         2024-09-01, 2025-07-31, 1
 ```
 
 **Spalten:**
-1. Elternname (Kind-Name zur Identifikation)
+1. **Kind-Name(n)** - Bei mehreren Kindern durch & verbunden (z.B. "Sarah & Tim")
-2-4. Zeitraum 1: Beginn, Ende, Dienstfaktor
+2-4. **Zeitraum 1:** Beginn (Datum), Ende (Datum), Dienstfaktor
-5-7. Zeitraum 2: Beginn, Ende, Dienstfaktor (optional)
+5-7. **Zeitraum 2:** Beginn, Ende, Dienstfaktor (optional, für Änderungen während des Jahres)
 ...
 
 **Hinweise:**
+- Der Dienstfaktor entspricht der Anzahl der Kinder in der Familie (z.B. 2 für "Sarah & Tim", 1 für "Leon")
+- Familien mit mehreren Kindern werden als ein Eintrag mit entsprechendem Dienstfaktor geführt
 - Bei überlappenden Zeiträumen gilt der letzte Eintrag
 - Außerhalb definierter Zeiträume: Faktor = 0 (keine Dienstpflicht)
-- Faktor = 0 bedeutet: Befreiung (z.B. durch Vorstandsamt)
+- Faktor = 0 bedeutet: Befreiung von Diensten (z.B. durch Vorstandsamt)
+
+**Beispiel:** Sarah & Tim (Dienstfaktor 2), Leon (Dienstfaktor 1, aber ab Januar 2025 keine Dienstpflicht), Maya (Dienstfaktor 1).
 
 ### vorherige-ausgaben.csv (optional)
 
@@ -78,86 +113,113 @@ Frühere Ausgaben des Programms zur Berechnung der Jahres-Fairness.
 
 **Verwendung:**
 - Zu Beginn des Kita-Jahres (September): Keine Datei nötig
-- Ab Oktober: Vorherige Ausgaben anhängen für kumulative Fairness
+- Ab Oktober: Vorherige Ausgaben anhängen für kumulative Fairness über das Jahr
 - Im Jahresverlauf sammeln sich die Ausgaben an
 
-## Ausgabe
+## Ausgabedatei
 
 ### ausgabe.csv
 
-Zugeteilte Dienste pro Tag.
+Dienstzuteilungen pro Tag. Diese Datei wird vom Programm erstellt.
 
 **Format:**
 ```
 Datum,      Wochentag, Frühstücksdienst, Putznotdienst, Essensausgabenotdienst, Kochen, Elternabend
-2025-01-06,Montag,Müller,Schmidt,Weber,,
+2026-01-06, Montag,    Sarah & Tim,      Leon,          Maya,                   ,
-2025-01-07,Dienstag,Weber,Müller,Schmidt,,
+2026-01-07, Dienstag,  Maya,             Sarah & Tim,   Leon,                   ,
 ```
 
-## Constraints
+Jede Zeile entspricht einem Tag, die Spalten enthalten die Kindernamen, denen die jeweiligen Diensttypen zugeteilt wurden.
 
-### Harte Constraints (müssen erfüllt sein)
+## Verwendung
 
-- **C1**: Pro Eltern und Dienst maximal **einmal pro Woche** (Mo-So)
+```bash
-- **C2**: Pro Eltern maximal **ein Dienst pro Tag**
+./elterndienstplaner.py <eingabe.csv> <eltern.csv> <ausgabe.csv> [<vorherige-ausgaben.csv>]
-- **C3**: Nur **verfügbare** Eltern einteilen
+```
-- **C4**: Alle **benötigten Dienste** müssen besetzt werden
 
-### Weiche Constraints (werden optimiert)
+**Parameter:**
+- `eingabe.csv`: Benötigte Diensttypen und Eltern-Präferenzen für den Planungsmonat
+- `eltern.csv`: Dienstfaktoren der Eltern (Anzahl betreuter Kinder)
+- `ausgabe.csv`: Hier werden die Zuteilungen geschrieben
+- `vorherige-ausgaben.csv` (optional): Historische Zuteilungen für Fairness über das Jahr
 
-**Fairness** (nach Priorität):
+## Wie werden die Constraints umgesetzt?
-- **F1 (Global)**: Dienste proportional zum Dienstfaktor über das **ganze Jahr**
-  - Berücksichtigt historische Dienste aus `vorherige-ausgaben.csv`
-  - Gewichtung: 40% (zu Jahresbeginn) → 60% (zu Jahresende)
 
-- **F2 (Lokal)**: Dienste proportional zum Dienstfaktor im **aktuellen Monat**
+Dieser Abschnitt erklärt die technische Umsetzung für technisch interessierte Eltern.
-  - Nur aktueller Planungszeitraum
-  - Gewichtung: 60% (zu Jahresbeginn) → 40% (zu Jahresende)
 
-- **F3 (Dienstübergreifend)**: Gleiche Gesamtanzahl über alle Diensttypen
+### Mathematisches Optimierungsproblem
-  - Verhindert Häufung bei einzelnen Eltern
 
-**Präferenzen** (niedrigere Priorität):
+Der Elterndienstplaner formuliert die Dienstverteilung als **lineares Optimierungsproblem**. Das bedeutet: Es gibt viele mögliche Dienstverteilungen, die alle die harten Constraints (C1-C4) erfüllen. Das Programm sucht diejenige, die die Fairness-Ziele am besten erfüllt und Präferenzen berücksichtigt.
-- **P1**: Bevorzugte Dienste (`+`) werden bevorzugt zugeteilt
-- **P2**: Abgelehnte Dienste (`-`) werden vermieden
 
-### Fairness-Logik
+**Entscheidungsvariablen:** Für jeden Tag, jeden Eintrag und jeden Diensttyp gibt es eine Variable: "Wird Sarah & Tim am 6. Januar der Frühstücksdienst zugeteilt?" (Ja/Nein)
 
-**Beispiel:** Familie Müller hat 2 Kinder, Familie Schmidt 1 Kind.
+**Constraints (Nebenbedingungen):** Diese schränken die möglichen Lösungen ein:
 
-**Lokale Fairness (F2):**
+- **C1 (Wöchentliches Limit):** Für jeden Eintrag und jeden Diensttyp: Die Summe der Zuweisungen pro Woche ≤ 1
-- Im Januar sollen beide verfügbar sein
+- **C2 (Tageslimit):** Für jeden Eintrag und jeden Tag: Die Summe aller Zuweisungen ≤ 1
-- Müller sollte 2× so viele Dienste bekommen wie Schmidt
+- **C3 (Verfügbarkeit):** Wenn im Feld "x" steht, wird die entsprechende Variable auf 0 gesetzt
-- Verhindert: Müller bekommt alle Dienste auf einmal
+- **C4 (Bedarfsdeckung):** Für jeden Tag und Diensttyp: Summe der Zuweisungen = benötigte Personenzahl
 
-**Globale Fairness (F1):**
+### Zielfunktion: Fairness und Präferenzen
-- Müller war im Dezember im Urlaub → 0 Dienste
-- Im Januar sollte Müller aufholen
-- Über das Jahr: 2:1 Verhältnis wird ausgeglichen
 
-**Gewichtung im Jahresverlauf:**
+Die **Zielfunktion** bewertet, wie gut eine Dienstverteilung ist. Das Programm minimiert Abweichungen von fairer Verteilung und berücksichtigt Präferenzen.
-- **September-November**: F2 (lokal) stärker → sanftes Einführen
-- **Dezember-Mai**: Ausgewogen
-- **Juni-Juli**: F1 (global) stärker → Jahresausgleich
 
-## Ausgabe-Statistiken
+**F1 (Globale Fairness):**
+- Berechnung: Für jeden Eintrag und jeden Diensttyp wird gezählt, wie viele Zuteilungen bisher über das Jahr verteilt wurden (aus `vorherige-ausgaben.csv`)
+- Ziel: Die Gesamtanzahl soll proportional zum Dienstfaktor sein
+- Beispiel: Sarah & Tim (Dienstfaktor 2) hatten bisher 10 Zuteilungen, Leon (Dienstfaktor 1) hatte 8 Zuteilungen. Das ist unfair (sollte 2:1 sein, also z.B. 12:6). Im aktuellen Monat sollte Leon bevorzugt werden, um das auszugleichen.
+**F2 (Lokale Fairness):**
+- Berechnung: Nur für den aktuellen Planungsmonat
+- Ziel: Die Anzahl der Zuteilungen im aktuellen Monat soll proportional zum Dienstfaktor sein
+- **Besonderheit Abwesenheiten:** Abwesenheitstage werden aus der Dienstpflicht herausgerechnet (Dienstfaktor = 0). Das bedeutet: Bei einer 2-wöchigen Abwesenheit werden in den verbleibenden 2 Wochen keine zusätzlichen Dienste zugeteilt, um die Abwesenheit auszugleichen.
+- **Warum?** Dies führt zu einer gleichmäßigeren Verteilung im aktuellen Monat und verhindert, dass Familien in den wenigen verfügbaren Tagen überproportional viele Dienste bekommen müssen.
+- **Ausgleich:** Die durch Abwesenheit "verpassten" Dienste werden über F1 (globale Fairness) im Jahresverlauf ausgeglichen.
+- Beispiel: Im Januar sollten Sarah & Tim ca. 2× so viele Zuteilungen erhalten wie Leon (sofern beide den ganzen Monat verfügbar sind)
+
+**F3 (Dienstübergreifende Fairness - Global):**
+- Berechnung: Gesamtanzahl aller Zuteilungen (über alle Diensttypen) pro Eintrag über das ganze Jahr
+- Ziel: Verhindert, dass einzelne Familien über verschiedene Diensttypen hinweg zu viele Zuteilungen bekommen
+- Beispiel: Sarah & Tim hatten bisher 10 Zuteilungen über alle Diensttypen, Leon nur 3. Das Verhältnis sollte 2:1 sein (12:6). F3 würde Leon im aktuellen Monat bevorzugen.
+
+**F4 (Dienstübergreifende Fairness - Lokal):**
+- Berechnung: Gesamtanzahl aller Zuteilungen (über alle Diensttypen) pro Eintrag im aktuellen Monat
+- Ziel: Verhindert, dass einzelne Familien im aktuellen Monat über verschiedene Diensttypen hinweg zu viele Zuteilungen bekommen
+- Beispiel: Im Januar werden Sarah & Tim 3× Frühstück, 2× Putzen, 2× Essen = 7 Zuteilungen zugeteilt. Leon bekommt nur 1× Frühstück, 1× Putzen = 2 Zuteilungen. F4 würde Leon weitere Zuteilungen zuweisen, um die Gesamtzahl im Monat anzugleichen.
+
+**P1 und P2 (Präferenzen):**
+- An bestimmten Tagen bevorzugte Diensttypen (`+`) bekommen einen Bonus in der Zielfunktion
+- An bestimmten Tagen abgelehnte Diensttypen (`-`) bekommen eine Strafe in der Zielfunktion
+- Diese Effekte sind **schwächer** als die Fairness-Terme, d.h. Fairness hat Vorrang
+- **Wichtig:** Präferenzen beeinflussen nur, an welchen Tagen welcher Diensttyp zugeteilt wird, nicht die Gesamtanzahl der Zuteilungen
+
+### Gewichtung
+
+Die verschiedenen Fairness-Ziele werden gewichtet:
+- **F1 (global): 40%** - Wichtig für Ausgleich über das Jahr (pro Diensttyp)
+- **F2 (lokal): 60%** - Wichtiger für den aktuellen Monat (pro Diensttyp)
+- **F3 (global): 10%** - Verhindert extreme Ungleichverteilung über Diensttypen im Jahr
+- **F4 (lokal): 15%** - Verhindert extreme Ungleichverteilung über Diensttypen im Monat
+- **P1/P2: niedrig** - Präferenzen werden berücksichtigt, wenn Fairness gewahrt ist
+
+## Programmausgabe und Statistiken
 
 Das Programm zeigt nach der Optimierung:
 
-1. **Dienste pro Eltern**: Übersicht der zugeteilten Dienste
+1. **Zuteilungen pro Eintrag**: Übersicht der zugeteilten Diensttypen für jeden Eintrag
-2. **Dienstfaktoren**: Summe im Planungszeitraum
+2. **Dienstfaktoren**: Summe der Dienstfaktoren im Planungszeitraum
-3. **Verteilungsvergleich**: Soll (lokal/global) vs. Ist mit Abweichungen
+3. **Verteilungsvergleich**:
-4. **Präferenz-Verletzungen**: Wie oft wurden Ablehnungen ignoriert
+   - Soll-Werte (lokal und global) basierend auf Fairness
-
+   - Ist-Werte (tatsächlich zugeteilte Diensttypen)
+   - Abweichungen zwischen Soll und Ist
+4. **Präferenz-Verletzungen**: Wie oft wurden abgelehnte Diensttypen (`-`) trotzdem zugeteilt
 ## Troubleshooting
 
 **"Keine optimale Lösung gefunden":**
 - Zu viele Eltern nicht verfügbar
-- Nicht genug Eltern für alle Dienste
+- Nicht genug Eltern für alle benötigten Diensttypen
-- Widersprüchliche Präferenzen
 
 **"Unfaire Verteilung":**
-- Prüfen Sie die Dienstfaktoren in `eltern.csv`
+- Dienstfaktoren in `eltern.csv` prüfen
-- Stellen Sie sicher, dass `vorherige-ausgaben.csv` korrekt ist
+- Sicherstellen, dass `vorherige.ausgaben.csv` korrekt ist
-- Mehr Eltern verfügbar machen
+
 

ausgabe.py

@@ -84,7 +84,7 @@ class ElterndienstAusgabe:
         # Sammle Präferenzen strukturiert
         # praeferenzen_pro_eltern_dienst[eltern][dienst] = {datum: präf_wert}
         praeferenzen_pro_eltern_dienst = defaultdict(lambda: defaultdict(dict))
-        for (eltern, tag, dienst), präf in self.daten.präferenzen.items():
+        for (eltern, tag, dienst), präf in self.daten.praeferenzen.items():
             praeferenzen_pro_eltern_dienst[eltern][dienst][tag] = präf
 
         # Berechne Verletzungen

datenmodell.py

@@ -60,8 +60,8 @@ class ElterndienstplanerDaten:
         self.planungszeitraum: List[date] = []
         self.eltern: List[Eltern] = []
         self.benoetigte_dienste: Dict[date, List[Dienst]] = {}
-        self.verfügbarkeit: Dict[Tuple[Eltern, date], bool] = {}
+        self.verfuegbarkeit: Dict[Tuple[Eltern, date], bool] = {}
-        self.präferenzen: Dict[Tuple[Eltern, date, Dienst], int] = {}
+        self.praeferenzen: Dict[Tuple[Eltern, date, Dienst], int] = {}
 
         # dienstfaktoren[eltern][tag] = faktor.
         # Wenn es eltern nicht gibt -> keyerror
@@ -102,7 +102,7 @@ class ElterndienstplanerDaten:
             vorherige_datei: Optionaler Pfad zur vorherige-ausgaben.csv für Fairness-Constraints
         """
         # Eingabe CSV: Termine, Präferenzen, Verfügbarkeit
-        self.eltern, self.planungszeitraum, self.benoetigte_dienste, self.verfügbarkeit, self.präferenzen = \
+        self.eltern, self.planungszeitraum, self.benoetigte_dienste, self.verfuegbarkeit, self.praeferenzen = \
             EingabeParser.parse_eingabe_csv(eingabe_datei, self.get_dienst)
 
         # Eltern CSV: Dienstfaktoren

elterndienstplaner.py

@@ -17,32 +17,31 @@ from ausgabe import ElterndienstAusgabe
 
 
 class Elterndienstplaner:
-    """Optimierungs-Engine für Elterndienstplanung"""
+    """Optimierungs-Engine fuer Elterndienstplanung"""
 
     def __init__(self, daten: ElterndienstplanerDaten, ausgabe: ElterndienstAusgabe) -> None:
         self.daten = daten
         self.ausgabe = ausgabe
 
     def berechne_faire_zielverteilung_global(self) -> Zielverteilung:
-        """Berechnet die faire Zielanzahl von Diensten für den Planungszeitraum
+        """Berechnet die faire Zielanzahl von Diensten fuer den Planungszeitraum
         basierend auf globaler Fairness (Historie + aktueller Planungszeitraum).
 
-        Gibt die Ziel-Dienstanzahl für den aktuellen Planungszeitraum zurück,
+        Gibt die Ziel-Dienstanzahl fuer den aktuellen Planungszeitraum zurueck,
         korrigiert um bereits geleistete Dienste. Kann negativ sein, wenn bereits
-        mehr Dienste geleistet wurden als fair wäre."""
+        mehr Dienste geleistet wurden als fair waere."""
 
         ziel_dienste: Zielverteilung = defaultdict(lambda: defaultdict(float))
 
         print("\nBerechne faire Zielverteilung basierend auf historischen Daten...")
 
-        # Historische Dienste nach Datum gruppieren
         historische_tage = set(datum for datum, _, _ in self.daten.historische_dienste) if self.daten.historische_dienste else set()
         print(f"  Analysiere {len(historische_tage)} historische Tage mit {len(self.daten.historische_dienste)} Diensten")
 
         for dienst in self.daten.dienste:
             print(f"  Verarbeite Dienst {dienst.kuerzel}...")
 
-            # 1. HISTORISCHE PERIODE: Faire Umverteilung der tatsächlich geleisteten Dienste
+            # 1. HISTORISCHE PERIODE: Faire Umverteilung
             historische_dienste_dieses_typs = [
                 (datum, eltern) for datum, eltern, d in self.daten.historische_dienste
                 if d == dienst
@@ -50,22 +49,18 @@ class Elterndienstplaner:
 
             print(f"    Gefundene historische {dienst.kuerzel}-Dienste: {len(historische_dienste_dieses_typs)}")
 
-            # Gruppiere nach Datum
             dienste_pro_tag = defaultdict(list)
             for datum, eltern in historische_dienste_dieses_typs:
                 dienste_pro_tag[datum].append(eltern)
 
-            # Für jeden historischen Tag faire Umverteilung berechnen
             for tag, geleistete_eltern in dienste_pro_tag.items():
-                anzahl_dienste = len(geleistete_eltern)  # Anzahl Dienste an diesem Tag
+                anzahl_dienste = len(geleistete_eltern)
 
-                # Dienstfaktoren aller Eltern für diesen historischen Tag berechnen
                 gesamt_dienstfaktor_tag = 0
 
                 for eltern in self.daten.eltern:
                     gesamt_dienstfaktor_tag += self.daten.dienstfaktoren[eltern][tag]
 
-                # Faire Umverteilung der an diesem Tag geleisteten Dienste
                 if gesamt_dienstfaktor_tag > 0:
                     for eltern in self.daten.eltern:
                         if self.daten.dienstfaktoren[eltern][tag] > 0:
@@ -73,22 +68,19 @@ class Elterndienstplaner:
                             faire_zuteilung = anteil * anzahl_dienste
                             ziel_dienste[eltern][dienst] += faire_zuteilung
 
-                            if faire_zuteilung > 0.01:  # Debug nur für relevante Werte
+                            if faire_zuteilung > 0.01:
                                 print(f"      {tag}: {eltern} Faktor={self.daten.dienstfaktoren[eltern][tag]} "
                                       f"-> {faire_zuteilung:.2f} von {anzahl_dienste} Diensten")
 
-            # 2. AKTUELLER PLANUNGSZEITRAUM: Faire Verteilung der benötigten Dienste (tageweise wie bei historischen Diensten)
+            # 2. AKTUELLER PLANUNGSZEITRAUM: Faire Verteilung
             benoetigte_dienste_planungszeitraum = 0
 
-            # Für jeden Tag im aktuellen Planungszeitraum faire Umverteilung berechnen
             for tag in self.daten.planungszeitraum:
-                # Prüfe ob an diesem Tag der Dienst benötigt wird
                 if dienst not in self.daten.benoetigte_dienste.get(tag, []):
                     continue
 
                 benoetigte_dienste_planungszeitraum += dienst.personen_anzahl
 
-                # Dienstfaktoren aller Eltern für diesen Tag berechnen
                 dienstfaktoren = {}
                 gesamt_dienstfaktor_tag = 0
 
@@ -97,7 +89,6 @@ class Elterndienstplaner:
                     dienstfaktoren[eltern] = faktor
                     gesamt_dienstfaktor_tag += faktor
 
-                # Faire Umverteilung der an diesem Tag benötigten Dienste
                 if gesamt_dienstfaktor_tag > 0:
                     for eltern in self.daten.eltern:
                         anteil = dienstfaktoren[eltern] / gesamt_dienstfaktor_tag
@@ -105,9 +96,7 @@ class Elterndienstplaner:
                         ziel_dienste[eltern][dienst] += faire_zuteilung
 
             # 3. ABZUG DER BEREITS GELEISTETEN DIENSTE
-            # Ziehe die tatsächlich geleisteten Dienste ab, um das Ziel für den Planungszeitraum zu erhalten
             for eltern in self.daten.eltern:
-                # Berechne vorherige Dienste on-the-fly aus historischen Diensten
                 vorherige_anzahl = sum(
                     1 for _, hist_eltern, hist_dienst in self.daten.historische_dienste
                     if hist_eltern == eltern and hist_dienst == dienst
@@ -118,13 +107,21 @@ class Elterndienstplaner:
 
     def berechne_faire_zielverteilung_lokal(self) -> Zielverteilung:
         """Berechnet die lokale faire Zielanzahl von Diensten pro Eltern-Dienst-Kombination
-        basierend auf Dienstfaktoren und benötigten Diensten im aktuellen Planungszeitraum"""
+        basierend auf Dienstfaktoren und benoetigten Diensten im aktuellen Planungszeitraum
+
+        WICHTIG: Bei der lokalen Fairness werden Abwesenheitstage NICHT in die Dienstpflicht
+        eingerechnet (Dienstfaktor = 0 an Abwesenheitstagen). Das führt zu einer gleichmäßigeren
+        Verteilung im aktuellen Monat und verhindert, dass Familien mit längeren Abwesenheiten
+        in den wenigen verfügbaren Tagen überproportional viele Dienste bekommen.
+
+        Die "verpassten" Dienste werden dann über die globale Fairness (F1) im Jahresverlauf
+        ausgeglichen."""
 
         ziel_dienste_lokal: Zielverteilung = defaultdict(lambda: defaultdict(float))
 
         print("\nBerechne lokale faire Zielverteilung für aktuellen Planungszeitraum...")
+        print("  (Abwesenheitstage werden aus der Dienstpflicht herausgerechnet)")
 
-        # Gesamtdienstfaktor für aktuellen Planungszeitraum berechnen
         summe_dienstfaktor_planungszeitraum_alle_eltern = sum(
             sum(self.daten.dienstfaktoren[e][tag] for tag in self.daten.planungszeitraum)
             for e in self.daten.eltern
@@ -134,21 +131,17 @@ class Elterndienstplaner:
             print("  WARNUNG: Gesamtdienstfaktor ist 0, keine lokale Zielverteilung möglich")
             return ziel_dienste_lokal
 
-        # Für jeden Dienst die lokale faire Verteilung berechnen
         for dienst in self.daten.dienste:
-            # Anzahl benötigter Dienste im aktuellen Planungszeitraum
             benoetigte_dienste_planungszeitraum = sum(
                 1 for tag in self.daten.planungszeitraum
                 if dienst in self.daten.benoetigte_dienste.get(tag, [])
             )
-            # Multipliziere mit Anzahl benötigter Personen pro Dienst
             benoetigte_dienste_planungszeitraum *= dienst.personen_anzahl
 
             if benoetigte_dienste_planungszeitraum > 0:
                 print(f"  {dienst.kuerzel}: {benoetigte_dienste_planungszeitraum} Dienste benötigt")
 
                 for eltern in self.daten.eltern:
-                    # Dienstfaktor für diesen Elternteil im aktuellen Planungszeitraum
                     summe_dienstfaktor_planungszeitraum = sum(
                         self.daten.dienstfaktoren[eltern][tag] for tag in self.daten.planungszeitraum
                     )
@@ -161,7 +154,7 @@ class Elterndienstplaner:
         return ziel_dienste_lokal
 
     def _erstelle_entscheidungsvariablen(self) -> Entscheidungsvariablen:
-        """Erstellt die binären Entscheidungsvariablen x[eltern, tag, dienst]"""
+        """Erstellt die binaeren Entscheidungsvariablen x[eltern, tag, dienst]"""
         x: Entscheidungsvariablen = {}
         for eltern in self.daten.eltern:
             for tag in self.daten.planungszeitraum:
@@ -180,21 +173,20 @@ class Elterndienstplaner:
     ) -> None:
         """C1: Je Eltern und Dienst nur einmal die Woche (Woche = Montag bis Sonntag)"""
         erster_tag = self.daten.planungszeitraum[0]
-        # weekday(): 0=Montag, 6=Sonntag
+        # Finde Montag am oder vor dem ersten Planungstag
-        # Finde Montag am oder vor dem ersten Planungstag (für historische Dienste)
         woche_start = erster_tag - timedelta(days=erster_tag.weekday())
 
         woche_nr = 0
         letzter_tag = self.daten.planungszeitraum[-1]
 
         while woche_start <= letzter_tag:
-            woche_ende = woche_start + timedelta(days=6)  # Sonntag
+            woche_ende = woche_start + timedelta(days=6)
 
             for eltern in self.daten.eltern:
                 for dienst in self.daten.dienste:
                     woche_vars = []
 
-                    # Zähle historische Dienste in dieser Woche (VOR dem Planungszeitraum)
+                    # Zaehle historische Dienste in dieser Woche (VOR Planungszeitraum)
                     historische_dienste_in_woche = 0
                     if woche_start < erster_tag:
                         for hist_datum, hist_eltern, hist_dienst in self.daten.historische_dienste:
@@ -203,13 +195,11 @@ class Elterndienstplaner:
                                 woche_start <= hist_datum < erster_tag):
                                 historische_dienste_in_woche += 1
 
-                    # Sammle Variablen für Planungszeitraum in dieser Woche
                     for tag in self.daten.planungszeitraum:
                         if woche_start <= tag <= woche_ende:
                             if (eltern, tag, dienst) in x:
                                 woche_vars.append(x[eltern, tag, dienst])
 
-                    # Constraint: Historische + geplante Dienste <= 1
                     if woche_vars:
                         prob += pulp.lpSum(woche_vars) <= 1 - historische_dienste_in_woche, \
                             f"C1_{eltern.replace(' ', '_')}_{dienst.kuerzel}_w{woche_nr}"
@@ -238,10 +228,10 @@ class Elterndienstplaner:
         prob: pulp.LpProblem,
         x: Entscheidungsvariablen
     ) -> None:
-        """C3: Dienste nur verfügbaren Eltern zuteilen"""
+        """C3: Dienste nur verfuegbaren Eltern zuteilen"""
         for eltern in self.daten.eltern:
             for tag in self.daten.planungszeitraum:
-                if not self.daten.verfügbarkeit.get((eltern, tag), True):
+                if not self.daten.verfuegbarkeit.get((eltern, tag), True):
                     for dienst in self.daten.dienste:
                         if (eltern, tag, dienst) in x:
                             prob += x[eltern, tag, dienst] == 0, \
@@ -252,41 +242,46 @@ class Elterndienstplaner:
         prob: pulp.LpProblem,
         x: Entscheidungsvariablen
     ) -> None:
-        """C4: Alle benötigten Dienste müssen zugeteilt werden"""
+        """C4: Alle benoetigten Dienste muessen zugeteilt werden"""
         for tag in self.daten.planungszeitraum:
             for dienst in self.daten.benoetigte_dienste.get(tag, []):
                 dienst_vars = []
                 for eltern in self.daten.eltern:
                     if (eltern, tag, dienst) in x:
-                        # Prüfe ob Eltern verfügbar
+                        if self.daten.verfuegbarkeit.get((eltern, tag), True):
-                        if self.daten.verfügbarkeit.get((eltern, tag), True):
                             dienst_vars.append(x[eltern, tag, dienst])
 
                 if dienst_vars:
-                    # Anzahl benötigter Personen pro Dienst (aus Dienst-Objekt)
+                    # Anzahl benoetigter Personen pro Dienst
                     benoetigte_personen = dienst.personen_anzahl
                     prob += pulp.lpSum(dienst_vars) == benoetigte_personen, \
                         f"Bedarf_{tag}_{dienst.kuerzel}"
 
-    def _add_fairness_constraints(
+    def _add_constraint_fairness_diensttypspezifisch(
         self,
         prob: pulp.LpProblem,
         x: Entscheidungsvariablen,
         ziel_dienste: Zielverteilung,
         constraint_prefix: str
     ) -> Dict:
-        """Erstellt Fairness-Variablen und fügt Fairness-Constraints hinzu
+        """F1/F2: Fairness pro Diensttyp - gleicht Anzahl je Diensttyp aus
+
+        Berechnet die Abweichung der zugeteilten Dienste vom fairen Ziel
+        fuer jeden Diensttyp separat. Dies sorgt dafuer, dass z.B. Kochdienste
+        und Putzdienste jeweils fair verteilt werden.
+
+        F1 (global): Basierend auf historischen Daten + aktuellem Planungszeitraum
+        F2 (lokal): Nur fuer den aktuellen Planungszeitraum
 
         Args:
             prob: Das LP-Problem
             x: Die Entscheidungsvariablen
-            ziel_dienste: Die Zielverteilung der Dienste
+            ziel_dienste: Die Zielverteilung (global oder lokal)
-            constraint_prefix: Präfix für Constraint-Namen ('lokal' oder 'global')
+            constraint_prefix: Praefix fuer Constraint-Namen ('global' fuer F1, 'lokal' fuer F2)
 
         Returns:
-            Dictionary mit Fairness-Abweichungsvariablen
+            Dictionary mit Fairness-Abweichungsvariablen pro Diensttyp
         """
-        # Hilfsvariablen für Fairness-Abweichungen erstellen
         fairness_abweichung = {}
 
         for eltern in self.daten.eltern:
@@ -295,17 +290,16 @@ class Elterndienstplaner:
                     f"fair_{constraint_prefix}_{eltern.replace(' ', '_')}_{dienst.kuerzel}",
                     lowBound=0)
 
-        # Fairness-Constraints hinzufügen
         for eltern in self.daten.eltern:
             for dienst in self.daten.dienste:
-                # Tatsächliche Dienste im aktuellen Planungszeitraum
+
                 zugeteilte_dienste_planungszeitraum = pulp.lpSum(
                     x[eltern, tag, dienst]
                     for tag in self.daten.planungszeitraum
                     if (eltern, tag, dienst) in x
                 )
 
-                # Ziel für diese Fairness-Variante
+
                 ziel = ziel_dienste[eltern][dienst]
                 prob += (zugeteilte_dienste_planungszeitraum - ziel <=
                         fairness_abweichung[eltern, dienst])
@@ -314,27 +308,30 @@ class Elterndienstplaner:
 
         return fairness_abweichung
 
-    def _add_constraint_gesamtfairness(
+    def _add_constraint_fairness_typuebergreifend(
         self,
         prob: pulp.LpProblem,
         x: Entscheidungsvariablen,
         ziel_dienste: Zielverteilung,
         constraint_prefix: str
     ) -> Dict:
-        """F3: Dienstübergreifende Fairness - verhindert Häufung bei einzelnen Eltern
+        """F3/F4: Diensttypuebergreifende Fairness - verhindert Haeufung bei einzelnen Familien
 
-        Berechnet die Abweichung der Gesamtdienstanzahl (über alle Diensttypen)
+        Berechnet die Abweichung der Gesamtdienstanzahl (ueber alle Diensttypen)
-        vom fairen Gesamtziel. Dies verhindert, dass einzelne Eltern über alle
+        vom fairen Gesamtziel. Dies verhindert, dass einzelne Familien ueber alle
-        Diensttypen hinweg überproportional viele Dienste bekommen.
+        Diensttypen hinweg ueberproportional viele Dienste bekommen.
+
+        F3 (global): Basierend auf historischen Daten + aktuellem Planungszeitraum
+        F4 (lokal): Nur fuer den aktuellen Planungszeitraum
 
         Args:
             prob: Das LP-Problem
             x: Die Entscheidungsvariablen
             ziel_dienste: Die Zielverteilung (global oder lokal)
-            constraint_prefix: Präfix für Constraint-Namen ('lokal' oder 'global')
+            constraint_prefix: Praefix fuer Constraint-Namen ('global' fuer F3, 'lokal' fuer F4)
 
         Returns:
-            Dictionary mit Gesamt-Fairness-Abweichungsvariablen
+            Dictionary mit Gesamt-Fairness-Abweichungsvariablen ueber alle Diensttypen
         """
         fairness_abweichung_gesamt = {}
 
@@ -343,7 +340,7 @@ class Elterndienstplaner:
                 f"fair_gesamt_{constraint_prefix}_{eltern.replace(' ', '_')}",
                 lowBound=0)
 
-            # Tatsächliche Gesamtdienste für diesen Elternteil
+
             tatsaechliche_dienste_gesamt = pulp.lpSum(
                 x[eltern, tag, dienst]
                 for tag in self.daten.planungszeitraum
@@ -351,10 +348,8 @@ class Elterndienstplaner:
                 if (eltern, tag, dienst) in x
             )
 
-            # Ziel-Gesamtdienste für diesen Elternteil (Summe über alle Dienste)
             ziel_gesamt = sum(ziel_dienste[eltern][dienst] for dienst in self.daten.dienste)
 
-            # Fairness-Constraints
             prob += (tatsaechliche_dienste_gesamt - ziel_gesamt <=
                     fairness_abweichung_gesamt[eltern])
             prob += (ziel_gesamt - tatsaechliche_dienste_gesamt <=
@@ -372,46 +367,41 @@ class Elterndienstplaner:
         fairness_abweichung_gesamt_global: Dict,
         fairness_abweichung_gesamt_lokal: Dict
     ) -> None:
-        """Erstellt die Zielfunktion mit Fairness und Präferenzen"""
+        """Erstellt die Zielfunktion mit Fairness und Praeferenzen"""
         objective_terms = []
 
-        # Fairness-Gewichtung
         gewicht_global = 40
         gewicht_lokal = 60
         gewicht_f1 = gewicht_global
         gewicht_f2 = gewicht_lokal
         gewicht_f3_global = 0.25 * gewicht_global
-        gewicht_f3_lokal = 0.25 * gewicht_lokal
+        gewicht_f4_lokal = 0.25 * gewicht_lokal
 
-        # Fairness-Terme zur Zielfunktion hinzufügen
         for eltern in self.daten.eltern:
             for dienst in self.daten.dienste:
                 objective_terms.append(gewicht_f1 * fairness_abweichung_global[eltern, dienst])
                 objective_terms.append(gewicht_f2 * fairness_abweichung_lokal[eltern, dienst])
 
-            # F3: Gesamtfairness (dienstübergreifend) - global und lokal
             objective_terms.append(gewicht_f3_global * fairness_abweichung_gesamt_global[eltern])
-            objective_terms.append(gewicht_f3_lokal * fairness_abweichung_gesamt_lokal[eltern])
+            objective_terms.append(gewicht_f4_lokal * fairness_abweichung_gesamt_lokal[eltern])
 
-        # P1: Bevorzugte Dienste (positiv belohnen)
+        # P1: Bevorzugte Dienste
-        for (eltern, tag, dienst), präf in self.daten.präferenzen.items():
+        for (eltern, tag, dienst), praef in self.daten.praeferenzen.items():
-            if (eltern, tag, dienst) in x and präf == 1:  # bevorzugt
+            if (eltern, tag, dienst) in x and praef == 1:
                 objective_terms.append(-5 * x[eltern, tag, dienst])
 
-        # P2: Abgelehnte Dienste (bestrafen)
+        # P2: Abgelehnte Dienste
-        for (eltern, tag, dienst), präf in self.daten.präferenzen.items():
+        for (eltern, tag, dienst), praef in self.daten.praeferenzen.items():
-            if (eltern, tag, dienst) in x and präf == -1:  # abgelehnt
+            if (eltern, tag, dienst) in x and praef == -1:
                 objective_terms.append(25 * x[eltern, tag, dienst])
 
-        # Zielfunktion setzen
         if objective_terms:
             prob += pulp.lpSum(objective_terms)
         else:
-            # Fallback: Minimiere Gesamtanzahl Dienste
             prob += pulp.lpSum([var for var in x.values()])
 
         print(f"Verwende Gewichtung: F1 (global) = {gewicht_f1}, F2 (lokal) = {gewicht_f2}, "
-              f"F3_global = {gewicht_f3_global}, F3_lokal = {gewicht_f3_lokal}")
+              f"F3 (global) = {gewicht_f3_global}, F4 (lokal) = {gewicht_f4_lokal}")
 
     def erstelle_optimierungsmodell(self) -> Tuple[
         pulp.LpProblem,
@@ -424,76 +414,67 @@ class Elterndienstplaner:
         """
         print("Erstelle Optimierungsmodell...")
 
-        # Debugging: Verfügbarkeit prüfen
+        print("\nDebug: Verfuegbarkeit analysieren...")
-        print("\nDebug: Verfügbarkeit analysieren...")
+        for tag in self.daten.planungszeitraum[:5]:
-        for tag in self.daten.planungszeitraum[:5]:  # Erste 5 Tage
+            verfuegbare = [e for e in self.daten.eltern if self.daten.verfuegbarkeit.get((e, tag), True)]
-            verfügbare = [e for e in self.daten.eltern if self.daten.verfügbarkeit.get((e, tag), True)]
+            benoetigte = self.daten.benoetigte_dienste.get(tag, [])
-            benötigte = self.daten.benoetigte_dienste.get(tag, [])
+            print(f"  {tag}: Benötigt {len(benoetigte)} Dienste {benoetigte}, verfügbar: {verfuegbare}")
-            print(f"  {tag}: Benötigt {len(benötigte)} Dienste {benötigte}, verfügbar: {verfügbare}")
 
-        # LP Problem erstellen
         prob = pulp.LpProblem("Elterndienstplaner", pulp.LpMinimize)
-
-        # Entscheidungsvariablen erstellen
         x = self._erstelle_entscheidungsvariablen()
 
-        # Grundlegende Constraints hinzufügen
         self._add_constraint_ein_dienst_pro_woche(prob, x)
         self._add_constraint_ein_dienst_pro_tag(prob, x)
         self._add_constraint_verfuegbarkeit(prob, x)
         self._add_constraint_dienst_bedarf(prob, x)
 
-        # Fairness-Constraints
         ziel_dienste_global = self.berechne_faire_zielverteilung_global()
         ziel_dienste_lokal = self.berechne_faire_zielverteilung_lokal()
 
-        # Observer Pattern: Notify ausgabe about target distributions
         self.ausgabe.setze_zielverteilungen(ziel_dienste_lokal, ziel_dienste_global)
 
-        # F2: Lokale Fairness-Constraints
+        # F2: Lokale Fairness pro Diensttyp
-        fairness_abweichung_lokal = self._add_fairness_constraints(
+        fairness_abweichung_lokal = self._add_constraint_fairness_diensttypspezifisch(
             prob, x, ziel_dienste_lokal, "lokal"
         )
 
-        # F1: Globale Fairness-Constraints
+        # F1: Globale Fairness pro Diensttyp
-        fairness_abweichung_global = self._add_fairness_constraints(
+        fairness_abweichung_global = self._add_constraint_fairness_diensttypspezifisch(
             prob, x, ziel_dienste_global, "global"
         )
 
-        # F3: Dienstübergreifende Fairness - Global
+        # F3: Diensttypuebergreifende Fairness (global)
-        fairness_abweichung_gesamt_global = self._add_constraint_gesamtfairness(
+        fairness_abweichung_gesamt_global = self._add_constraint_fairness_typuebergreifend(
             prob, x, ziel_dienste_global, "global"
         )
 
-        # F3: Dienstübergreifende Fairness - Lokal
+        # F4: Diensttypuebergreifende Fairness (lokal)
-        fairness_abweichung_gesamt_lokal = self._add_constraint_gesamtfairness(
+        fairness_abweichung_gesamt_lokal = self._add_constraint_fairness_typuebergreifend(
             prob, x, ziel_dienste_lokal, "lokal"
         )
 
-        # Zielfunktion erstellen
         self._erstelle_zielfunktion(prob, x, fairness_abweichung_lokal, fairness_abweichung_global,
                                     fairness_abweichung_gesamt_global, fairness_abweichung_gesamt_lokal)
 
         print(f"Modell erstellt mit {len(x)} Variablen und {len(prob.constraints)} Constraints")
         return prob, x
 
-    def löse_optimierung(self, prob: pulp.LpProblem,
+    def loese_optimierung(self, prob: pulp.LpProblem,
                          x: Entscheidungsvariablen) -> Optional[Dict[date, Dict[Dienst, List[Eltern]]]]:
-        """Löst das Optimierungsproblem"""
+        """Loest das Optimierungsproblem"""
         print("Löse Optimierungsproblem...")
 
-        # Solver wählen (verfügbare Solver testen)
         solver = None
         try:
             print("Versuche CBC Solver...")
-            solver = pulp.PULP_CBC_CMD(msg=0, timeLimit=10)  # Standard CBC Solver
+            solver = pulp.PULP_CBC_CMD(msg=0, timeLimit=10)
         except:
             try:
                 print("Versuche GLPK Solver...")
-                solver = pulp.GLPK_CMD(msg=0)  # GLPK falls verfügbar
+                solver = pulp.GLPK_CMD(msg=0)
             except:
                 print("Kein spezifizierter Solver verfügbar, verwende Standard.")
-                solver = None  # Default Solver
+                solver = None
 
         prob.solve(solver)
 
@@ -504,17 +485,16 @@ class Elterndienstplaner:
             print("WARNUNG: Keine optimale Lösung gefunden!")
             return None
 
-        # Lösung extrahieren
+        loesung: Dict[date, Dict[Dienst, List[Eltern]]] = {}
-        lösung: Dict[date, Dict[Dienst, List[Eltern]]] = {}
         for (eltern, tag, dienst), var in x.items():
-            if var.varValue and var.varValue > 0.5:  # Binary variable ist 1
+            if var.varValue and var.varValue > 0.5:
-                if tag not in lösung:
+                if tag not in loesung:
-                    lösung[tag] = {}
+                    loesung[tag] = {}
-                if dienst not in lösung[tag]:
+                if dienst not in loesung[tag]:
-                    lösung[tag][dienst] = []
+                    loesung[tag][dienst] = []
-                lösung[tag][dienst].append(eltern)
+                loesung[tag][dienst].append(eltern)
 
-        return lösung
+        return loesung
 
 
 def main() -> None:
@@ -531,28 +511,20 @@ def main() -> None:
     print("="*50)
 
     try:
-        # Create data model and load data
         daten = ElterndienstplanerDaten()
         daten.lade_daten(eingabe_datei, eltern_datei, vorherige_datei)
 
-        # Create output handler and optimization engine
         ausgabe = ElterndienstAusgabe(daten)
         planer = Elterndienstplaner(daten, ausgabe)
 
-        # Optimierung
         prob, x = planer.erstelle_optimierungsmodell()
-        lösung = planer.löse_optimierung(prob, x)
+        loesung = planer.loese_optimierung(prob, x)
 
-        if lösung is not None:
+        if loesung is not None:
-            # Ergebnisse ausgeben
+            ausgabe.schreibe_ausgabe_csv(ausgabe_datei, loesung)
-            ausgabe.schreibe_ausgabe_csv(ausgabe_datei, lösung)
+            ausgabe.drucke_statistiken(loesung)
-            ausgabe.drucke_statistiken(lösung)
+            ausgabe.visualisiere_verteilungen(loesung)
-
+            ausgabe.visualisiere_praeferenz_verletzungen(loesung)
-            # Visualisierung der Verteilungen (uses Observer Pattern targets)
-            ausgabe.visualisiere_verteilungen(lösung)
-
-            # Visualisierung der Präferenz-Verletzungen
-            ausgabe.visualisiere_praeferenz_verletzungen(lösung)
 
             print("\n✓ Planung erfolgreich abgeschlossen!")
         else: