Transportoptimierung

Größe: px
Ab Seite anzeigen:

Download "Transportoptimierung"

Transkript

1 Transportoptimierung Mathematisches Modell Konstruktionsverfahren für einen zulässigen Transportplan Duale Aufgabe des TOP Verbesserungsverfahren: MODI-Verfahren 1

2 Transport ein zentrales Element jedes logistischen Systems Transport ist durch die folgenden Elemente charakterisiert: Aufkommensorte A i mit Aufkommensmengen a i [t], i=1,2,,m Bedarfsorte B j mit Bedarfsmengen b j [t], j = 1,2,,n Transportverbindungen zwischen A i und B j (Länge in km) Transportleistung [t km] 2

3 Klassisches Transportproblem Welche Aufkommensorte A i müssen welchen Bedarfsorten B j welche Mengen x ij eines einheitlichen Transportgutes liefern, damit die Gesamttransportleistung [tkm] minimal wird, die Aufkommensorte A i ihre Aufkommensmenge a i absetzen können, die Bedarfsorte B j ihre Bedarfsmenge b j decken können. 3

4 Annahmen des klassischen TOP Jeder Bedarfsort B j kann von jedem Aufkommensort A i beliefert werden. Die Transportkosten c ij von den Orten A i zu den Orten B j sind proportional zur Entfernung von A i nach B j. Die Summe der Aufkommensmengen a i (i=1,2,..., m) muss gleich der Summe der Bedarfsmengen b j (j=1,2,..., n) sein (geschlossenes Transportproblem): a i = b j 4

5 Beispiel 4 Baustellen (B-Orte) beziehen Zement aus 3 Zementwerken (A-Orte). Die Bedarfe der Baustellen betragen dabei im betrachteten Zeitraum b 1 =10 t, b 2 =12 t, b 3 =8 t und b 4 =20 t Zement. Die Aufkommen der Produktionsstätten sind a 1 =11 t, a 2 =15 t und a 3 =24 t Zement. Die Entfernungen zwischen den A-Orten und den B-Orten betragen (in km): c ij [km] B1 B2 B3 B4 A A A Wie viele Tonnen an (gleichwertigem) Zement müssen die B-Orte jeweils aus welchem A-Orte beziehen, damit der Gesamttransportaufwand (gemessen in tkm) minimal wird? 5

6 Transportnetz A 1 11 t B 1 10 t B 2 12 t 70 Entfernung c ij von A i nach B j in km cij B1 B2 B3 B4 A A A B 4 20 t A 2 15 t A 3 24 t B 3 8 t Ort ai/bj A1 11 A2 15 A B1 10 B2 12 B3 8 B Wichtig a i = b j 6

7 Mathematisches Modell des Transportproblems für m=3 A-Orte und n=4 B-Orte 52 B4 20 t A1 11 t 70 B1 10 t A2 B2 15 t 12 t 70 Entfernung cij von Ai nach Bj in km cij B1 B2 B3 B4 A A A Ges.: m n = 3 4=12 Entscheidungsvariable x ij x ij Liefermenge [t] von A i nach B j i = 1(1)3, j = 1(1)4 A3 24 t B3 8 t Ort ai/bj A1 11 A2 15 A B1 10 B2 12 B3 8 B x 11, x 12, x 13, x 14, x 21, x 22, x 23, x 24, x 31, x 32, x 33, x 34 Lineare Zielfunktion: min z = 70 x x x 34 Nebenbedingungen: m+n =7 lineare Gleichungen mit n m =12 Unbekannten A1: x 11 + x 12 + x 13 + x 14 = 11 A2: x 21 + x 22 + x 23 + x 24 = 15 A3: x 31 + x 32 + x 33 + x 34 = 24 B1: x 11 + x 21 + x 31 = 10 B2: x 12 + x 22 + x 32 = 12 B3: x 13 + x 23 + x 33 = 8 B4: x 14 + x 24 + x 34 = 20 Nichtnegativitätsbedingungen: alle x ij 0 7

8 Bemerkung zu den Nebenbedingungsgleichungen Von den m + n Gleichungen ist eine Gleichung stets überflüssig, da sie von den restlichen Gleichungen linear abhängig ist. Warum? m = 3 n = 4 B1: x 11 + x 21 + x 31 = 10 A1: x 11 + x 12 + x 13 + x 14 = 11 A2: x 21 + x 22 + x 23 + x 24 = 15 A3: x 31 + x 32 + x 33 + x 34 = 24 B2: x 12 + x 22 + x 32 = 12 B3: x 13 + x 23 + x 33 = 8 B4: x 14 + x 24 + x 34 = 20 = 10 m i 1 beim klass. TOP wird gefordert: a i m i 1 n a i b j 1 j n j 1 b j es sind m+n-1 Gleichungen linear unabhängig m+n-1 Basisvariable 8

9 allg. mathematisches Modell des klassischen TOP Zielfunktion: m n i 1 j 1 c ij x ij min m+n Nebenbedingungen: n j 1 xij ai, i 1,2,..., m m i 1 xij bj, j 1,2,... n Nichtnegativitätsbedingungen: x ij 0, i 1,2,..., m, j 1,2,..., n. 9

10 Überführung in die Standardaufgabe max und Form Zielfunktion: m n i 1 j 1 c ij x ij min max m n i 1 j 1 c x ij ij max Nebenbedingungen: n j 1 xij ai, i 1,2,..., m n j 1 n j 1 xij ai, i 1,2,..., m xij ai, i 1,2,..., m m i 1 xij bj, j 1,2,... n m i 1 m i 1 xij bj, j 1,2,... n xij bj, j 1,2,... n Nichtnegativitätsbedingungen: x ij 0, i 1,2,..., m, j 1,2,..., n. 10

11 Lösung der Aufgabe mittels primalem Simplexalgorithmus Ges.: 12 Entscheidungsvariable x ij x ij Liefermenge [t] von A i nach B j i = 1(1)3, j = 1(1)4 A1: x 11 + x 12 + x 13 + x 14 = 11 A2: x 21 + x 22 + x 23 + x 24 = 15 A3: x 31 + x 32 + x 33 + x 34 = 24 B1: x 11 + x 21 + x 31 = 10 B2: x 12 + x 22 + x 32 = 12 B3: x 13 + x 23 + x 33 = 8 B4: x 14 + x 24 + x 34 = 20 Starttabelle des primalen LOP min z= 70 x x x Entscheidungsvariable 14 Schlupfvariable, weil 14 NB. BV x11 x12 x13 x14 x21 x22 x23 x24 x31 x32 x33 x34 y 1 y 1 y 2 y 2 y 3 y 3 y 4 y 4 y 5 y 5 y 6 y 6 y 7 y 7 b y y y y y y y y y y y y y y z PS PZ 11

12 nach 8.Iteration BV x11 x12 x13 x14 x21 x22 x23 x24 x31 x32 x33 x34 y 1 y 1 y 2 y 2 y 3 y 3 y 4 y 4 y 5 y 5 y 6 y 6 y 7 y 7 b y x y y y x y x y x x y y x z Geben Sie den optimalen Transportplan an. x 22 = 12 t, x 33 =8 t, x 21 =3 t, x 31 =7 t, x 34 = 9 t, x 14 = 11 t Z= 4220 tkm 12

13 Optimaler Transportplan A 1 11t B 1 10 t B 2 12 t 70 m+n-1 = 6 Straßen werden befahren B 4 20 t A 2 15 t Liefermengen von A i -B j x 14 = 11 t x 21 = 3 t, x 22 = 12 t, x 31 = 7 t x 33 = 8 t, x 34 = 9 t, 8 68 B 3 8 t Z =GTL=4220tkm A 3 24 t 13

14 Merke (1) Jede zulässige Basislösung des allgemeinen Transportproblems mit m A-Orten und n B-Orten besitzt genau m + n 1 Basisvariable. 14

15 Empfehlung Löse das klassische Transportproblem über die Transport-Simplexmethode Vorteil: viel schneller als die Standard-Simplexmethode Vergleich: Standard-Simplexmethode: 2(m + n) + 1 Zeilen m n +2(m+n) + 1 Spalten Transport-Simplexmethode: m + 2 Zeilen n + 2 Spalten 15

16 Die Transport-Simplexmethode läuft in zwei Schritten ab: Schritt 1: Bestimmung einer zulässigen Basislösung mit Hilfe eines Konstruktions-(Eröffnungs-) Verfahrens. Schritt 2: Optimierung der zulässigen Basislösung mit Hilfe eines Verbesserungsverfahrens. 16

17 Ges.: m n = 3 4=12 Entscheidungsvariable x ij x ij Liefermenge [t] von A i nach B j i = 1(1)3, j = 1(1)4 x 11, x 12, x 13, x 14, x 21, x 22, x 23, x 24, x 31, x 32, x 33, x 34 Lineare Zielfunktion: min z = 70 x x x 34 Nebenbedingungen: m+n =7 lineare Gleichungen mit n m =12 Unbekannten A1: x 11 + x 12 + x 13 + x 14 = 11 A2: x 21 + x 22 + x 23 + x 24 = 15 A3: x 31 + x 32 + x 33 + x 34 = 24 Nichtnegativitätsbedingungen: alle x ij 0 B1: x 11 + x 21 + x 31 = 10 B2: x 12 + x 22 + x 32 = 12 B3: x 13 + x 23 + x 33 = 8 B4: x 14 + x 24 + x 34 = 20 Zusammenfassung aller Bedingungen in einer Tabelle B1 B2 B3 B4 a i A x 11 x 12 x 13 x 14 =Summe 11 A x 21 x 22 x 23 x 24 =Summe 15 A x 31 x 32 x 33 x 34 =Summe 24 =Summe =Summe =Summe =Summe b j z SS cij xij setze m+n-1 von den m * n Variablen so, dass sie mit den m+n Zeilen- und Spaltensummen übereinstimmen. So erhalten wir einen zulässigen Transportplan. 17

18 52 B4 20 t A1 11 t 70 B1 10 t A2 B2 15 t 12 t 70 Entfernung cij von Ai nach Bj in km cij B1 B2 B3 B4 A A A Schritt 1 Konstruktion eines zulässigen Transportplanes A3 24 t B3 8 t Ort ai/bj A1 11 A2 15 A B1 10 B2 12 B3 8 B Trage die a i, b j und c ij -Werte in die entsprechenden Felder ein B1 B1 B2 B2 B3 a B3 B4 B4 i A1 A A2 A A3 A b j zum Bsp. Die Bj-Orte bestellen nacheinander bei ihren nächsten Ai-Orten. B1 beginnt. Belege m+n-1 Felder mit positiven Liefermengen x ij so, dass die Summe der Zeile i dem a i -Wert und die Summe der Spalte j dem b j -Wert entspricht (i=1,2,3, j= 1,2,3,4) (gilt für den nichtdegenerierten Fall) B1 A1 70 x 11 =10 A2 74 x 21 =0 A3 131 x 31 =0 bj 10 B2 135 x 12 =0 70 x 22 = x 32 =0 12 B3 150 x 13 =0 64 x 23 =3 68 x 33 =5 8 B4 52 x 14 =1 147 x 24 =0 125 x 34 =19 20 a i Gesamttransportleistung =70*10+52*1+70*12+64*3+68*5+125*19=4499 tkm 18

19 Übliche Konstruktionsverfahren für zulässige Transportpläne Nordwesteckenregel Zeilen-Spalten Sukzession Spaltenfolge-Verfahren Spaltenminimumverfahren (=Modifiziertes Spaltenfolge-Verfahren) Matrixminimum-Methode Vogel sche Approximationsmethode (besonders geeignet) 19

20 Konstruktionsverfahren 1 für einen zulässigen Transportplan Nordwesteckenregel: Stelle die Aufkommensort-Bedarfsort-Tabelle auf. Belege m+n-1 Felder der A-B Tabelle stufenförmig von links oben (Nord-West) nach rechts unten (Süd-Ost) mit der jeweiligen maximal möglichen Transportmenge x ij.(auch x ij = 0 möglich). Die c ij -Werte bleiben unberücksichtigt (Nachteil dieser Regel). 20

21 zulässiger Transportplan mittels Nordwesteckenregel Belege m+n-1 Felder der A-B Tabelle stufenförmig von links oben (Nord-West) nach rechts unten (Süd-Ost) mit der jeweiligen maximal möglichen Transportmenge x ij. (auch x ij = 0 möglich) Die c ij -Werte bleiben unberücksichtigt (Nachteil dieser Regel). B1 B2 B3 B4 ai A A A bj /50 Rest 11 4 Rest Transportmengen: (=zulässige Basislösung) x 11 =10t, x 12 =1t, x 22 =11t, x 23 =4t, x 33 =4t, x 34 =20t Gesamttransportleistung = 70*10+135*1+70*11+64*4+68*4+125*20=4633 tkm 21

22 Konstruktionsverfahren 2 für einen zulässigen Transportplan Zeilen-Spalten Sukzession Ordne dem günstigsten Feld der A-B Tabelle die maximal mögliche Menge zu. Ordne dem zweit günstigsten Feld in der Zeile oder Spalte die Restmenge zu. Solange zuordnen bis Bedarf für alle Spalten gedeckt ist. (auch x ij = 0 möglich). Markiere Spalte und Zeile, wenn in ihr Rest Null ist. 22

23 zulässiger Transportplan mittels Zeilen- Spalten Sukzession Ordne dem günstigsten Feld der A-B Tabelle die maximal mögliche Menge zu. Ordne dem zweit günstigsten Feld in der Zeile oder Spalte die Restmenge zu. Solange zuordnen bis Bedarf für alle Spalten gedeckt ist. (auch x ij = 0 möglich). Markiere Spalte und Zeile, wenn Rest Null. B1 B2 B3 B4 A Rest A x 21 = 3 5 x 22 = 12 6 A x 31 = 7 4 x 33 = 8 3 x 14 = 11 1 x 34 = Rest / 7 6 Transportmengen: x 14 =11t, x 21 =3t, x 22 =12t, x 31 =7t, x 33 =8t, x 34 =9t Gesamttransportleistung = 52*11+74*3+70*12+131*7+68*8+125*9=4220 tkm 23

24 Konstruktionsverfahren 3 für einen zulässigen Transportplan Spaltenfolge-Verfahren: Ordne dem günstigsten Feld der 1. Spalte der A-B Tabelle die maximal mögliche Menge zu. Verteile die Restmengen auf die jeweils nächst günstigen Felder der 1. Spalte. Wiederhole diese Prozedur für jede nachfolgende Spalte. (auch x ij = 0 möglich). Markiere Spalte und Zeile, wenn Rest Null. 24

25 zulässiger Transportplan mittels Spalten-Folge Verfahren Ordne in der B1 Spalte dem günstigsten Feld die maximal mögliche Menge zu. Verteile die Restmengen auf die jeweils nächst günstigen Felder der 1. Spalte. Wiederhole diese Prozedur für jede der nachfolgenden Bj Spalte. (auch x ij = 0 möglich). Markiere Spalte und Zeile, wenn Rest Null. B1 B2 B3 B4 A Rest x 11 = 10 1 A x 22 = 12 2 x 23 = 3 3 A x 14 = 1 5 x 33 = 5 4 x 34 = Rest Transportmengen: x 11 =10t, x 14 =1t, x 22 =12t, x 23 =3t, x 33 =5t, x 34 =19t Gesamttransportleistung = 70*10+52*1+70*12+64*3+68*5+125*19=4499 tkm 25

26 Konstruktionsverfahren 4 für einen zulässigen Transportplan Spaltenminimum-Verfahren (= Modifiziertes Spaltenfolge-Verfahren) Beginnend mit der 1. Spalte werden allen Spalten die maximal mögliche Menge ihrem günstigsten Feld zugeordnet (auch x ij = 0 möglich). ( Falls die Spaltensumme gleich der Bedarfsmenge markiere diese Spalte. Bei nicht markierten Spalten beginne wieder von vorne und setze einen weiteren Wert beim nächst günstigsten Feld. Wiederhole diese Prozedur für jede nachfolgende Spalte Bj solange bis alle Spalten markiert sind. 26

27 zulässiger Transportplan mittels Spaltenminimum- Verfahren Beginnend mit der 1. Spalte werden allen Spalten die maximal mögliche Menge ihrem günstigsten Feld zugeordnet (auch x ij = 0 möglich). ( Falls die Spaltensumme gleich der Bedarfsmenge markiere diese Spalte. Bei nicht markierten Spalten beginne wieder von vorne und setze einen weiteren Wert beim nächst günstigsten Feld. Wiederhole diese Prozedur für jede nachfolgende Spalte Bj solange bis alle Spalten markiert sind. B1 B2 B3 B4 A x 11 =10 1 A x 22 = 12 2 x 23 = 3 3 A x 14 = 1 4 x 33 = 5 5 x 34 = Rest Rest Transportmengen: x 11 =10t, x 14 =1t, x 22 =12t, x 23 =3t, x 33 =5t, x 34 =19t Gesamttransportleistung = 70*10+52*1+70*12+64*3+68*5+125*19=4499 tkm 27

28 Konstruktionsverfahren 5 für einen zulässigen Transportplan Matrixminimum-Verfahren: Das Matrixminimumverfahren folgt dem Prinzip des besten Nachfolgers. In der A-B Tabelle wird das günstigste Feld gesucht und mit der maximal zulässigen Liefermenge belegt. Danach sucht man das zweit günstigste Feld der Rest A-B Tabelle und ordnet diesem Feld die maximal zulässige Menge zu usw. Bei den einzelnen Schritten sind die Beträge der Nachfragemengen bzw. der Angebotsmengen an die bereits vergebenen Mengen anzupassen. 28

29 zulässiger Transportplan mittels Matrixminimum -Verfahren In der A-B Tabelle wird das günstigste Feld gesucht und mit der maximal zulässigen Liefermenge belegt. Danach sucht man das zweit günstigste Feld der Rest A-B Tabelle und ordnet diesem Feld die maximal zulässige Menge zu usw. Bei den einzelnen Schritten sind die Beträge der Nachfragemengen bzw. der Angebotsmengen an die bereits vergebenen Mengen anzupassen. B1 B2 B3 B4 A A A Transportmengen: x 14 =11t, x 22 =7t, x 23 =8t, x 31 =10t, x 32 =5t, x 34 =9t Gesamttransportleistung= 52*11+70*7+64*8+131*10+187*5+125*9=4.944 tkm 29

30 zulässiger Transportplan mittels Spaltenminimum-Verfahren bei Entartung B1 B2 B3 B4 A A A Rest x 11 =10 1 x 22 = 12 2 x 23 = 4 3 x 33 = 4 5 x 14 = 0 4 x 34 = Rest Transportmengen: x 11 =10, x 14 =0, x 22 =12, x 23 =4, x 33 =4, x 34 =20 Gesamttransportleistung= 70*10+52*0+70*12+64*4+68*4+125*20=4568 tkm Allg.: Falls weniger als (m+n-1) positive x ij, so belege Felder mit Nullen so, dass gewährleistet wird, dass kein Element als einziges in einer Zeile und Spalte steht. 30

31 zulässiger Transportplan mittels Spaltenminimum-Verfahren bei Entartung B1 B2 B3 B4 A A A Rest x 11 =20 1 x 22 = 20 2 x 23 = 0 3 x 33 = 10 5 x 14 = 0 4 x 34 = Rest Transportmengen: x 11 =20, x 14 =0, x 22 =20, x 23 =0, x 33 =10, x 34 =10 Gesamttransportleistung= 70*20+52*0+70*20+64*0+68*10+125*10=4730tkm Allg.: Falls weniger als (m+n-1) positive xij, so belege Felder mit Nullen so, dass gewährleistet wird, dass kein Element als einziges in einer Zeile und Spalte steht. 31

32 zulässiger Transportplan mittels Nordwesteckenregel bei Entartung B1 B2 B3 B4 A A A3 4 a i b j /50 Rest Rest 0 Transportmengen: (=zulässige Basislösung) x 11 =10t, x 12 =0, x 22 =11t, x 23 =5t, x 33 =4t, x 34 =20t oder x 11 =10t, x 21 =0, x 22 =11t, x 23 =5t, x 33 =4t, x 34 =20t Wenn a i = b j so fährt man bei A i+1 und B j+1 fort, nimmt aber x i+1,j oder x i,j+1 als Basisvariable mit Wert 0 in die Basis auf. Die Basislösung ist dann entartet. Gesamttransportleistung = 70*10+70*11+64*5+68*4+125*20=4562 tkm 32

33 Merke (2) Unter den m + n -1 Basisvariablen x ij können auch Variable mit dem Wert Null sei. (sog. degeneriertes Problem). Degeneration tritt auf, wenn eine Mengenzuweisung gleich zwei Gleichungen erfüllt, nämlich Zeilen- und Spaltengleichung. allg.: Zur Belegung mit Nullen sind solche freien Felder auszuwählen, die gewährleisten, dass kein x ij >0 als einzige Variable in einer Zeile und Spalte steht. 33

34 Überprüfung auf Optimalität des Transportplanes durch Berechnung der Opportunitätskosten Zulässiger TP nach Spaltenminimum-Verfahren B1 B2 B3 B4 A A D A bj ai Hinweis: Zur Erhaltung der Zeilen- und Spaltensumme muss jeweils eine 1 bei den entsprechenden besetzten Feldern addiert oder subtrahiert werden. (=nach jedem Schritt rechtwinklig die Richtung wechseln Entstehung eines Zyklus) Lösungsidee: Stepping-Stone (=Distributionsmethode) Da die kurze Strecke von A2 nach B1 mit c 21 =74 km nicht vorgeschlagen wurde, stellt sich die Frage Was wäre, wenn dort eine Tonne transportiert wird, also x 21 = 1 ist?. Wir bestimmen die Opportunitätskosten oc 21. Ist oc 21 <0, so kann der Transportplan noch verbessert werden. Berechne die Opportunitätskosten: ioc 21 = = -65 Die Gesamttransportleistung könnte um 65 tkm reduziert werden. 34

35 Die Transport-Simplexmethode läuft in zwei Schritten ab: Schritt 1: Bestimmung einer zulässigen Basislösung mit Hilfe eines Konstruktions-(Eröffnungs-) verfahrens. nun zum Schritt 2: Optimierung der zulässigen Basislösung mit Hilfe eines Verbesserungsverfahrens. 35

36 Modifizierte Distributionsmethode (MODI-Methode) ist ein iteratives exaktes Verbesserungsverfahren, das in Analogie zum Simplex-Algorithmus in jeder Iteration eine Basisvariable (BV) gegen eine Nichtbasisvariable (NBV) austauscht. Dies geschieht so lange, wie dadurch eine Verminderung der Gesamttransportleistung [tkm] erzielt werden kann. Um die von einem Tausch betroffene BV zu identifizieren, nutzt die Methode Erkenntnisse der Dualitätstheorie. 36

37 Prinzip der MODI-Methode 1. Zu einer zulässigen Basislösung x wird ein duale Lösung (u,v) konstruiert. 2. Danach werden für alle Nichtbasisvariablen mit Hilfe der dualen Lösung die Opportunitätskosten bestimmt. Sind alle Opportunitätskosten größer oder gleich Null, so ist die aktuelle Basislösung optimal. 3. Ist die aktuelle Basislösung nicht optimal, wird durch eine Umverteilung der Transportmengen die Nichtbasisvariable mit den kleinsten negativen Opportunitätskosten in die Basis aufgenommen und eine Basisvariable herausgenommen. Die Methode beginnt von vorne. denke an z-zeile in Simplex-Tabelle 37

38 Ökonomische Formulierung der dualen Aufgabe Versorgung durch Transaktionen (Beschaffung/Verkauf) Der Transport wurde bisher durch eine Spedition realisiert. Anstelle des Transports ist folgendes denkbar: die Produktmengen a i der A i -Orte werden jeweils am A i -Ort an ein anderes Unternehmen verkauft: Preis pro ME: - u i, i=1,2,3 und die Bedarfsmengen b j der B j -Orte werden jeweils am B j -Ort von diesem Unternehmen gekauft: Preis pro ME: + v j, j=1,2,3,4 Die Preisdifferenz v j (- u i ) =(u i + v j ) pro ME sollte für die Spedition nicht größer als die Transportkosten c ij pro ME sein. Das Unternehmen will sein Ergebnis maximieren. 38

39 Primale - Duale Aufgabe des TOP Primale Aufgabe Ges.: 12 Entscheidungsvariable x ij x ij Liefermenge [t] von A i nach B j i = 1(1)3, j = 1(1)4 Duale Aufgabe Ges.: 7 Entscheidungsvariable Kaufpreis u i, und Verkaufspreis v j pro ME u i v j i = 1(1)3, j = 1(1)4 unter Beachtung von 7 Nb.: A1: x 11 + x 12 + x 13 + x 14 = 11 A2: x 21 + x 22 + x 23 + x 24 = 15 A3: x 31 + x 32 + x 33 + x 34 = 24 B1: x 11 + x 21 + x 31 = 10 B2: x 12 + x 22 + x 32 = 12 B3: x 13 + x 23 + x 33 = 8 B4: x 14 + x 24 + x 34 = 20 min z= 70 x x x 34 x11 x12 x13 x14x21x22x23 x24 x31 x32 x33 x34 b A A A B B B B z F unter Beachtung von 12 Nb.: u 1 + v 1 + oc 11 = 70 u 1 + v 2 + oc 12 = 135 u 1 + v 3 + oc 13 = 150 u 1 + v 4 + oc 14 = 52 u 2 + v 1 + oc 21 = 74 u 2 + v 2 + oc 22 = 70 u 2 + v 3 + oc 23 = 64 u 2 + v 4 + oc 24 = 147 u 3 + v 1 + oc 31 = 131 u 3 + v 2 + oc 32 = 187 u 3 + v 3 + oc 33 = 68 u 3 + v 4 + oc 34 = 125 Preisdifferenz nicht größer als Transportkosten pro ME max F= 11u 1 +15u 2 +24u 3 +10v 1 +12v 2 +8v 3 +20v 4 Tabelle zunächst vertikal kippen und dann Rechtsdrehung um 90 x ij 0 u i, v j R 39

40 Duale Formulierung der Standard- Simplexmethode primales Problem: 7 lin. Nebenbedingungen A1: x 11 + x 12 + x 13 + x 14 = 11 A2: x 21 + x 22 + x 23 + x 24 = 15 A3: x 31 + x 32 + x 33 + x 34 = 24 B1: x 11 + x 21 + x 31 = 10 B2: x 12 + x 22 + x 32 = 12 B3: x 13 + x 23 + x 33 = 8 B4: x 14 + x 24 + x 34 = 20 min. lin. Zielfunktion mit 12 Variablen min z =70x x x 34 duales Problem: 7 Entscheidungsvariable u 1 u 2 u 3 v 1 v 2 v 3 v 4 max. lin. Zielfunktion mit 7 Variablen max F =11u u u v v v v 4 12 Variable x 11,x 12,,x 33,x 34 u 1 + v 1 70 mit c ij [km] B1 B2 B3 B4 x ij 0 A A A i = 1(1)3, j = 1(1)4 12 Nebenbedingungen u 1 + v u 1 + v u 1 + v 4 52 u i, v j R u 2 + v 1 74 u 2 + v 2 70 u 2 + v 3 64 u 2 + v u 3 + v u 3 + v u 3 + v 3 68 u 3 + v

41 Duale Formulierung der Standard- Simplexmethode primales Problem: 7 lin. Nebenbedingungen A1: x 11 + x 12 + x 13 + x 14 = 11 A2: x 21 + x 22 + x 23 + x 24 = 15 A3: x 31 + x 32 + x 33 + x 34 = 24 B1: x 11 + x 21 + x 31 = 10 B2: x 12 + x 22 + x 32 = 12 B3: x 13 + x 23 + x 33 = 8 B4: x 14 + x 24 + x 34 = 20 min. lin. Zielfunktion mit 12 Variablen min z =70x x x 34 duales Problem: 7 Entscheidungsvariable u 1 u 2 u 3 v 1 v 2 v 3 v 4 max. lin. Zielfunktion mit 7 Variablen max F =11u u u v v v v 4 12 Variable x 11,x 12,,x 33,x 34 u 1 + v 1 70 mit c ij [km] B1 B2 B3 B4 x ij 0 A A A i = 1(1)3, j = 1(1)4 12 Nebenbedingungen u 1 + v u 1 + v u 1 + v 4 52 u i, v j R u 2 + v 1 74 u 2 + v 2 70 u 2 + v 3 64 u 2 + v u 3 + v u 3 + v u 3 + v 3 68 u 3 + v

42 42 Merke Es gilt für die 12 Nebenbedingungen: u 1 + v 1 + oc 11 = c 11 x11 u 2 + v 1 + oc 21 = c 21 x21 u 3 + v 1 + oc 31 = c 31 x31 u 1 + v 2 + oc 12 = c 12 x12 u 2 + v 2 + oc 22 = c 22 x22 u 3 + v 2 + oc 32 = c 32 u 1 + v 3 + oc 13 = c 13 u 2 + v 3 + oc 23 = c 23 u 3 + v 3 + oc 33 = c 33 x13 x23 x32 x33 u 1 + v 4 + oc 14 = c 14 x14 u 2 + v 4 + oc 24 = c 24 x24 u 3 + v 4 + oc 34 = c 34 x34 Kennen wir eine zulässige primale Basislösung (= zulässiger Transportplan m + n -1 positive x ij Werte), so sind in den entsprechenden m + n 1 Ungleichungen des Ungleichungssystems die oc ij gleich null. Es werden also m+n-1 Ungleichungen zu m+n-1 Gleichungen mit m+n Variablen. Setzten wir eine der Variablen gleich null, im allg. u 1 = 0, so erhalten wir eine zugehörige duale Lösung zur zulässigen primalen Lösung.

43 Tabelle des Modi-Verfahrens B 1 B 2... B n ai Dual variable A 1 c 11 c 12 c 1n u 1 x 11 x x 1n a 1 A 2 c 21 c 22 c 2n u 2... a A m c m1 c m2 c mn u m x m1 x m2... x mn a m bj b 1 b 2... b n Z Dual variable v 1 v 2... v n 43

44 Schritt 2.1 Berechnung der Dualvariablen u i und v j in der Transport-Simplextabelle Basisvariablen x ij aus dem Spalten-Minimum-Verfahren B1 B2 B3 B4 A A A vj ui Falls x ij > 0, so ist u i +v j = c ij gesetzt: u 1 = 0 x 11 = 10 v 1 = 70 0 = 70 x 14 = 1 v 4 = 52 0 = 52 x 34 = 19 u 3 = = 73 x 33 = 5 v 3 = = -5 x 23 = 3 u 2 = 64 (-5) = 69 x 22 = 12 v 2 = = 1 44

45 Schritt 2.2 Berechnung der Opportunitätskosten oc ij in der Transport-Simplextabelle Für x ij = 0 (Nichtbasisvariablen) Opportunitätskosten oc ij ermitteln: oc ij = c ij (u i + v j ) B1 B2 B3 B4 ui A A A vj oc 12 = 135-(0+1) =

46 Schritt 2.3 Optimalitätstest mittels Opportunitätskosten oc ij in der Transport-Simplextabelle B1 B2 B3 B4 ui A A A vj Negative Opportunitätskosten geben an, um wie viel sich die Transportkosten vermindern, wenn das zugehörige Mengenelement x ij (Nichtbasisvariable) mit einer Einheit belegt wird. Wenn alle oc ij > 0 eindeutige optimale Lösung, oc ij 0 mehrere optimale Lösungen. wenn oc ij < 0 so Optimallösung noch nicht erreicht 46

47 Schritt 2.4 Basistausch Ein freies Feld mit den negativsten Opportunitätskosten wird mit einer Transportmenge D belegt Aufnahme einer Nichtbasisvariable in die Basislösung. Durch die Besetzung eines Feldes muss ein bisher besetztes Feld wieder frei werden. eine Basisvariable wird zur Nichtbasisvariablen. Durch den Austausch der Variablen dürfen die Nebenbedingungen für Aufkommens- und Bedarfsorte nicht verletzt werden. 47

48 Basistausch B1 B2 B3 B4 A D D 3 11 A D -65 +D D A D D 4 24 bj ai Im Feld mit dem negativsten Opportunitätskostenwert wird x ij keine der zu verändernden Variablen negativ wird x ij =+D Wähle D = min{10,19,3} = 3 Veränderung = oc 21 *3 = -65*3 = -195 so gewählt, dass Die Zahl D kreist nun rum, es ist darauf zu achten, dass durch diese Zahl die aiund bj-werte nicht verändert werden. neue Gesamttransportleistung = = 4304 tkm 48

49 Verbesserter TP B1 B2 B3 B4 ai A A A bj Ist dieser TP optimal? 49

50 Opportunitätskostenberechnung, Optimalitätstest und Basistausch B1 B2 B3 B4 ui A D D 0 A A D D 73 vj nicht optimal, da noch negativer Opportunitätskostenwert => weitere Verbesserung nötig. Wir belegen das leere Feld A3-B1 mit D = min{7,16} = 7 und vollziehen einen Ringtausch. 50

51 Verbesserter TP und Optimalitätstest B1 B2 B3 B4 A A x21 = 3 x22 =12 A vj x14 =11 X31 = 7 x33 = 8 x34 = 9 ui Beachte, hier wurde u 3 = 0 gesetzt, weil sofort v 4, v 3 und v 1 bestimmt werden können. Da alle Opportunitätskostenwerte positiv sind, liegt nun ein optimaler Transportplan vor. 51

52 Vergleich optimale Tabelle nach MODI-Methode und Simplex- Methode B1 B2 B3 B4 ui A x14 =11-73 A x21 = 3 x22 = A X31 = 7 60 x33 = 8 x34 = 9 vj x 14 = 11 tx 21 =3 t, x 22 = 12 t, x 31 =7 t, x 33 =8 t,, x 34 = 9 t, Z= 4220 tkm BV x11 x12 x13 x14 x21 x22 x23 x24 x31 x32 x33 x34 y 1 y 1 y 2 y 2 y 3 y 3 y 4 y 4 y 5 y 5 y 6 y 6 y 7 y 7 b y x y y y x y x y x x y y x z

53 Zusammenfassung 1. Zu jeder Zeile i und zu jeder Spalte j der A i B j Tabelle ist eine Dualvariable u i bzw. v j zu berechnen und zwar derart, dass für alle besetzten Felder (Variablen der Basislösung) gilt: c ij = u i + v j. 2. Für alle unbenutzten Felder (Nicht-Basisvariablen) ist aus den Dualvariablen ein Opportunitätswert oc ij = c ij (u i + v j ) zu berechnen. Dieser Wert gibt an, um wie viel sich die Gesamttransportleistung ändert, wenn man einen gegenwärtig unbenutzten Transportweg mit einer Transporteinheit durch Änderung des Transportplanes in Anspruch nähme. 3. Eine Lösung ist optimal, in der keine negativen oc ij vorkommen. Kommen negative oc ij vor, so ist eine neue Basislösung zu bilden und mit Vorschrift 1 erneut zu beginnen. 53

54 Beachte: Sind die Aufkommensmengen a i und die Bedarfsmengen b j ganze Zahlen, dann ist jede Basislösung und insbesondere der optimale Transportplan ganzzahlig. Satz 2.13: Jede Basislösung eines linearen Programms ist genau dann ganzahlig, wenn bei ganzzahligen rechten Seiten b i die Koeffizientenmatrix A total unimodular * ist. * Eine Matrix A heißt total unimodular wenn die Determinanten aller quadratischen Teilmatrizen von A nur die Werte 0, 1 oder -1 annehmen. 54

55 Übung Die drei Aufkommensorte A1, A2 und A3 mit den Aufkommensmengen a1 = 60, a2 = 80, a3 = 100 haben die vier Bedarfsorte B1, B2, B3 und B4 mit den Bedarfsmengen b1 = 40, b2 = 100, b3 = 30 und b4 = 70 mit einem einheitlichen Gut zu beliefern. Die Entfernungen der A-Orte zu den B-Orten sind der Entfernungstabelle zu entnehmen. B1 B2 B3 B4 A A A Stellen Sie eine zulässigen Transportplan nach der NW-Eckenregel oder nach dem Spaltenminimum-Verfahren auf und bestimmen Sie dann die optimale Lösung mittels Modi-Verfahren. 55

56 zulässiger Transportplan mittels Spaltenminimum-Verfahren B1 B2 B3 B4 A A A bj aj Transportmengen: x 14 =60, x 21 =40,x 23 =30, x 24 = 10, x 32 =100, x 33 =0, Gesamttransportleistung = 10*60+70*40+80*30+80*10+60*100+70*0= GE 56

57 Anwendung des Verbesserungsverfahrens MODI B1 B2 B3 B4 ui A A A vj Z =

Zuordnungsproblem. Beispiele. Mathematisches Modell. Lösungsmethoden. auch Ernennungs-, Zuweisungs-, Assignmentproblem

Zuordnungsproblem. Beispiele. Mathematisches Modell. Lösungsmethoden. auch Ernennungs-, Zuweisungs-, Assignmentproblem Zuordnungsproblem auch Ernennungs-, Zuweisungs-, Assignmentproblem Beispiele Mathematisches Modell Lösungsmethoden HTW-Berlin FB3 Prof. Dr. F. Hartl 1 2 Anwendungen Zuordnung von - 1 ME von A i nach B

Mehr

III. Transportaufgaben 1. Problemstellung 2. Analyse 3. Bestimmung der Startecke 4. Eckenaustausch 5. Umladeprobleme 6. Zuordnungsprobleme

III. Transportaufgaben 1. Problemstellung 2. Analyse 3. Bestimmung der Startecke 4. Eckenaustausch 5. Umladeprobleme 6. Zuordnungsprobleme III. Transportaufgaben 1. Problemstellung 2. Analyse 3. Bestimmung der Startecke 4. Eckenaustausch 5. Umladeprobleme 6. Zuordnungsprobleme H. Weber, FHW, OR SS07, Teil 6, Seite 1 1. Problemstellung Wir

Mehr

1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme. Duales Problem. a i u i + i=1. j=1

1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme. Duales Problem. a i u i + i=1. j=1 1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme Duales Problem Lemma 1.4. Das zum Transportproblem duale Problem lautet: max unter den Nebenbedingungen m a i u i + i=1

Mehr

Lineare Optimierung Teil 2

Lineare Optimierung Teil 2 Lineare Optimierung Teil 2 Primale Degeneration Duale Degeneration = Mehrdeutigkeit Normalform kanonische Form Duale Simplexmethode HTW-Berlin FB3 Prof. Dr.F. Hartl 1 Primale Degeneration/1 Besitzt eine

Mehr

Zugeordneter bipartiter Graph

Zugeordneter bipartiter Graph Zugeordneter bipartiter Graph Für ein Transportproblem sei A = {A 1,...,A m } die Menge der Fabriken und B = {B 1,...,B n } sei die Menge der Warenhäuser. Wir ordnen nun einem Transportproblem einen bipartiten

Mehr

Eigenschaften von LPs

Eigenschaften von LPs 2 Lineare Programmierung Eigenschaften von LPs Eigenschaften von LPs Definition 24 Eine Menge K IR n heißt konvex gdw für je zwei Punkte Punkte x (1) K und x (2) K auch jeder Punkt mit 0 λ 1 zu K gehört

Mehr

1. Transport- und Zuordnungsprobleme

1. Transport- und Zuordnungsprobleme 1. Transport- und Zuordnungsprobleme Themen 1. Transport- und Zuordnungsprobleme Themen: Analyse der Problemstruktur Spezielle Varianten des Simplexalgorithmus für Transport- und Zuordnungsprobleme Bezug

Mehr

Die duale Simplexmethode

Die duale Simplexmethode Kapitel 0 Die duale Simplexmethode Bei der dualen Simplexmethode ist eine Startlösung oftmals leichter angebbar als bei der Simplexmethode für das ursprüngliche lineare Programm, da man keine Nichtnegativitätsanforderungen

Mehr

Kapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel:

Kapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel: Kapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel: Eine Firma produziert die Produkte P 1, P 2,..., P q aus den Rohstoffen R 1, R 2,..., R m. Dabei stehen b j Einheiten

Mehr

Simplex-Verfahren. Kapitel 4. Simplex-Verfahren. Peter Becker (H-BRS) Operations Research I Sommersemester / 298

Simplex-Verfahren. Kapitel 4. Simplex-Verfahren. Peter Becker (H-BRS) Operations Research I Sommersemester / 298 Kapitel 4 Simplex-Verfahren Peter Becker (H-BRS) Operations Research I Sommersemester 24 86 / 298 Inhalt Inhalt 4 Simplex-Verfahren Dualer Simplexalgorithmus Vermeidung von Zyklen Peter Becker (H-BRS)

Mehr

Optimierung. Vorlesung 02

Optimierung. Vorlesung 02 Optimierung Vorlesung 02 LPs in kanonischer Form Für i = 1,, m und j = 1,, d seien c j, b i und a ij reele Zahlen. Gesucht wird eine Belegung der Variablen x 1,, x d, so das die Zielfunktion d c j x j

Mehr

Über- und unterbestimmte

Über- und unterbestimmte Über- und unterbestimmte Systeme (verallgemeinerte Lösungen) Über- und unterbestimmte Systeme Ax = b ist genau dann für alle b R m eindeutig lösbar, wenn m = n und rk A = n. Falls m n oder rk A < min{m,

Mehr

Minimumproblem. Definition 4.7. Ein LP der Form. unter den Nebenbedingungen. d ij x j b i (i =1,...,m)

Minimumproblem. Definition 4.7. Ein LP der Form. unter den Nebenbedingungen. d ij x j b i (i =1,...,m) Minimumproblem Definition 4.7 Ein LP der Form nx Minimiere Z = c j x j j=1 unter den Nebenbedingungen nx d ij x j b i (i =1,...,m) j=1 und den Vorzeichenbedingungen x j 0(j =1,...,n) heißt Minimumproblem.

Mehr

10. Die Berücksichtigung nicht vorzeichenbeschränkter Variablen

10. Die Berücksichtigung nicht vorzeichenbeschränkter Variablen 10. Die Berücksichtigung nicht vorzeichenbeschränkter Variablen Bisher haben wir immer vorausgesetzt, dass alle Variablen eines LOP der Bedingung x i 0 liegen. Im Folgenden wollen wir auch sogenannte freie

Mehr

Hauptsatz und Optimalitätskriterium der Simplexmethode

Hauptsatz und Optimalitätskriterium der Simplexmethode Kapitel 4 Hauptsatz und Optimalitätskriterium der Simplexmethode In diesem Abschnitt wird das wichtigste Verfahren zur Lösung linearer Optimierungsprobleme eingeführt die Simplexmethode Es existiere für

Mehr

Dualitätssätze der linearen Optimierung

Dualitätssätze der linearen Optimierung Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =

Mehr

5. Das klassische Transportproblem

5. Das klassische Transportproblem 5 Das klassische Transportproblem Ein homogenes Gut soll von verschiedenen Lagerplätzen abtransportiert und so auf die Zielorte verteilt werden, dass dort der Bedarf der Kunden gedeckt wird Die Vorrats-

Mehr

z = c T x : Ax = b, x 0 }, - die Darstellung der Nichtbasisvektoren durch die Basis ist

z = c T x : Ax = b, x 0 }, - die Darstellung der Nichtbasisvektoren durch die Basis ist Kapitel 5 Die Simplexmethode Es werden folgende Bezeichnungen verwendet: - das untersuchte Problem ist min x R n { z = c T x : Ax = b, x 0 }, - die erste zulässige Basislösung sei x = x 1, x 2,, x m, 0,,

Mehr

Computer Science Department - High Performance and Web Computing Group. Optimierungsprobleme

Computer Science Department - High Performance and Web Computing Group. Optimierungsprobleme Optimierungsprobleme Häufig in Alltagssituationen anzutreffen (z.b. Kauf eines Gerätes) Optimierungsprobleme (OPs) sind Probleme, die i.a. viele zulässige Lösungen besitzen Jeder Lösung ist ein bestimmter

Mehr

4.3.3 Simplexiteration

4.3.3 Simplexiteration 7. Januar 2013 53 4.3.3 Simplexiteration Eine Simplexiteration entspricht dem Übergang von einer Ecke des zulässigen Bereiches in eine benachbarte Ecke Dabei wird genau eine Nichtbasisvariable (die zugehörige

Mehr

Inhaltsverzeichnis Transportoptimierung

Inhaltsverzeichnis Transportoptimierung Inhaltsverzeichnis 2 Transportoptimierung 1 2.1 Das klassische Transportproblem....................... 2 2.1.1 Modell.................................. 2 2.1.2 Qualitative Grundlagen.........................

Mehr

Optimale Steuerung 1 Prozessoptimierung 1

Optimale Steuerung 1 Prozessoptimierung 1 Optimale Steuerung 1 Prozessoptimierung 1 Kapitel 2: Lineare Optimierung Prof. Dr.-Ing. Pu Li Fachgebiet Simulation und Optimale Prozesse (SOP) Lineare Algebra (Mathematische Grundlagen) 2 Beispiel: Produktionsplanung

Mehr

Lineare Optimierung: Simplexverfahren Phase Ⅰ

Lineare Optimierung: Simplexverfahren Phase Ⅰ Lineare Optimierung: Simplexverfahren Phase Ⅰ Zur Erinnerung: Die Lineare Optimierungsaufgabe in Standardform lautet z = c T x + c 0 min (.) bei Ax = b, x 0. Revidiertes Simplexverfahren Mit dem Simplexverfahren

Mehr

(Technisch: Setze alle Skalarprodukte der allgemeinen Lösung mit den Basisvektoren des Kerns gleich Null eindeutige leastsqares Lösung)

(Technisch: Setze alle Skalarprodukte der allgemeinen Lösung mit den Basisvektoren des Kerns gleich Null eindeutige leastsqares Lösung) Lineare Optimierung Unterbestimmte LGS und Optimierung Bei lösbaren unterbestimmten linearen Gleichungssystemen haben wir die Qual der Wahl in Abhängigkeit von den freien Parametern (Anzahl = Anzahl Unbekannte

Mehr

Unimodularität. Kapitel 1. Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206

Unimodularität. Kapitel 1. Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206 Kapitel 1 Unimodularität Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206 Inhalt 1 Unimodularität Total unimodulare Matrizen Inzidenzmatrix Optimierungsprobleme auf Graphen Peter

Mehr

1. Über stückweise lineare Zielfunktionen bei der Transportmethode

1. Über stückweise lineare Zielfunktionen bei der Transportmethode - 2-1. Über stückweise lineare Zielfunktionen bei der Transportmethode Die Transportkosten entlang eines Transportweges sind stückweise linear, konkret, sie setzen sich aus drei linearen Teilstücken zusammen:

Mehr

1 Der Simplex Algorithmus I

1 Der Simplex Algorithmus I 1 Nicoletta Andri 1 Der Simplex Algorithmus I 1.1 Einführungsbeispiel In einer Papiermühle wird aus Altpapier und anderen Vorstoffen feines und grobes Papier hergestellt. Der Erlös pro Tonne feines Papier

Mehr

1. Hausaufgabenblatt (16.04./ )

1. Hausaufgabenblatt (16.04./ ) Lehrstuhl Ingenieurmathematik Modul: (Wirtschaftsingenieurwesen/Betriebswirtschaftslehre/Informatik) Sommersemester 2014 1. Hausaufgabenblatt (16.04./23.04.2015) Aufgabe H 1.1 Lösen Sie die linearen Gleichungssysteme

Mehr

3.2.5 Dualität der linearen Optimierung I

3.2.5 Dualität der linearen Optimierung I 3..5 Dualität der linearen Optimierung I Jedem linearen Programm in Standardform kann ein sogenanntes duales Programm zugeordnet werden. Es entsteht dadurch, daß man von einem Minimierungsproblem zu einem

Mehr

Optimierung. Vorlesung 08

Optimierung. Vorlesung 08 Optimierung Vorlesung 08 Heute Dualität Ganzzahligkeit Optimierung der Vorlesung durch Evaluierung 2 Das duale LP Das primale LP Maximiere c T x unter Ax b, x R d 0. wird zu dem dualen LP Minimiere b T

Mehr

Abbildung 1: Graphische Lösung der ersten Übungsaufgabe

Abbildung 1: Graphische Lösung der ersten Übungsaufgabe Lösungen zu den Übungsaufgaben im Kapitel 1 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier 1. Lösen Sie die folgende lineare Optimierungsaufgabe

Mehr

Lösung Übung 1a) - Medikamentenmischung

Lösung Übung 1a) - Medikamentenmischung Lösung Übung 1a) - Medikamentenmischung x j Anteil der Komponente j an der Mischung, j=1,...,4 Min 39x + 21x + 82x + 55x 1 2 3 4 u.d.n 54 2x + 50x + 6x + 74x 60 1 2 3 4 39 x + 75x + 13x + 96x 80 1 2 3

Mehr

1. Das klassische Transportproblem

1. Das klassische Transportproblem schreier@math.tu-freiberg.de (03731) 39 2261 1. Das klassische Transportproblem 1.1. Formulierung der Aufgabe Problemstellung Die einfachste Transportaufgabe, nach Hitchcock benannt, läßt sich wie folgt

Mehr

Lineare Optimierungsmodelle

Lineare Optimierungsmodelle Lineare Optimierungsmodelle Simplex-Methode Vortragender: Michael Schneider Agenda Motivation Operations Research Aufbau linearer Optimierungsmodelle Simplex-Methode Ausblick 2 Problemstellung Futtermischung

Mehr

VORLESUNG 11 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)

VORLESUNG 11 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) VORLESUNG Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 3 Wiederholung! Lineare Programme häufig geeignete Modellierung von Optimierungsproblemen! Verschiedene Darstellungen sind

Mehr

Kap. 4.3: Das Dualitätstheorem der linearen Optimierung

Kap. 4.3: Das Dualitätstheorem der linearen Optimierung Kap. 4.3: Das Dualitätstheorem der linearen Optimierung Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 18. VO A&D WS 08/09 18.12.2008 1 Literatur

Mehr

Vorlesung Wirtschaftsmathematik I WS 2007/2008, Wirtschaftingenieurwesen. Kapitel IV: Grundlagen der Linearen Optimierung

Vorlesung Wirtschaftsmathematik I WS 2007/2008, Wirtschaftingenieurwesen. Kapitel IV: Grundlagen der Linearen Optimierung Vorlesung Wirtschaftsmathematik I WS 2007/2008, Wirtschaftingenieurwesen Kapitel IV: Grundlagen der Linearen Optimierung Inhaltsverzeichnis Abschnitt 3-5 3 Der Simplexalgorithmus 58 3.1 Grundlagen..............................

Mehr

Lösung allgemeiner linearer Programme

Lösung allgemeiner linearer Programme Lösung allgemeiner linearer Programme Bisher: Für Anwendung des Simplexalgorithmus muss eine primal oder eine dual zulässige Basislösung vorliegen. Für allgemeine lineare Programme können wir dies direkt

Mehr

Inhaltsverzeichnis Grundlagen der Linearen Optimierung

Inhaltsverzeichnis Grundlagen der Linearen Optimierung Inhaltsverzeichnis 4 Grundlagen der Linearen Optimierung 1 4.1 Grundbegriffe............................. 1 4.1.1 Lineare Optimierung..................... 1 4.1.2 Das Grundmodell eines linearen Optimierungsproblems

Mehr

Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler

Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler Wintersemester 2007/08 27.2.2008 Dr. Sascha Kurz Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler Bitte lesbar ausfüllen, Zutreffendes ankreuzen Herr Frau Name, Vorname: Anschrift:

Mehr

Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester 2005/2006

Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester 2005/2006 Universität Hannover Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester 005/006

Mehr

Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme

Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme Kapitel 11 Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme Wir betrachten folgendes Optimierungsproblem z = c T x min! Ax = b (11.1) (11.2) x j ganz für j = 1,..., n 1 n, (11.3)

Mehr

Mathematische Grundlagen für Wirtschaftswissenschaftler Lösungshinweise zu den Übungsaufgaben aus Kapitel 3 - Lineare Optimierung

Mathematische Grundlagen für Wirtschaftswissenschaftler Lösungshinweise zu den Übungsaufgaben aus Kapitel 3 - Lineare Optimierung Mathematische Grundlagen für Wirtschaftswissenschaftler Lösungshinweise zu den Übungsaufgaben aus Kapitel - Lineare Optimierung Sascha Kurz Jörg Rambau 8. August Lösung Aufgabe.. Da es sich um ein homogenes

Mehr

Kombinatorische Optimierung

Kombinatorische Optimierung Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales

Mehr

VORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)

VORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) VORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 53 Wiederholung! Basis-Startlösung berechnet! Künstliche Variablen! Erkennung von unlösbaren Problemen! Eliminierung

Mehr

Transportproblem: Getränkehersteller

Transportproblem: Getränkehersteller Transportproblem: Getränkehersteller Ein Getränkehersteller besitzt Abfüllanlagen in Hannover (H) und in Mainz (MZ) mit täglichen Produktionskapazitäten von 50 [ME = 100 hl] in Hannover und 80 [ME] in

Mehr

Kurseinheit 2»Dualität und weiterführende Methoden«

Kurseinheit 2»Dualität und weiterführende Methoden« Inhaltsübersicht 1 Gliederung Kurseinheit 1»Simpleverfahren«1. Einleitung 1.1. Einordnung und Übersicht des Stoffes 1.2. Einführendes Beispiel und Grundlagen 2. Lineare Gleichungssysteme 2.1. Die allgemeine

Mehr

1. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme. f(x) min, x G (1.1) (Legende)

1. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme. f(x) min, x G (1.1) (Legende) . Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme X Banachraum, wobei X = R n G zulässige Menge des Optimierungsproblems f: G R Zielfunktion f(x) min, x G (.) (Legende)

Mehr

VORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)

VORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) VORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 96 H. Meyerhenke: Kombinatorische Optimierung Dualität bei linearen Programmen Def.: Es sei (L): c T x max

Mehr

Lineares Optimieren. W. Kippels 12. April Inhaltsverzeichnis. 1 Einleitung 2. 2 Die Beispielaufgabe 2. 3 Einführung von Schlupfvariablen 2

Lineares Optimieren. W. Kippels 12. April Inhaltsverzeichnis. 1 Einleitung 2. 2 Die Beispielaufgabe 2. 3 Einführung von Schlupfvariablen 2 Lineares Optimieren W. Kippels 1. April 015 Inhaltsverzeichnis 1 Einleitung Die Beispielaufgabe Einführung von Schlupfvariablen 4 Die Simplex-Methode 5 Das Basis-Austauschverfahren 4 6 Fortsetzung der

Mehr

Schnittebenenverfahren von Gomory. Stefan Allescher 30. Juni 2005

Schnittebenenverfahren von Gomory. Stefan Allescher 30. Juni 2005 Schnittebenenverfahren von Gomory Stefan Allescher 30. Juni 2005 Inhaltsverzeichnis 1. Grundprinzip 2. Das Verfahren von Gomory 2.1. Vorgehen 2.2. Beweis der Endlichkeit 2.3. Algorithmische Durchführung

Mehr

Optimierung. Vorlesung 04

Optimierung. Vorlesung 04 Optimierung Vorlesung 04 Übungsbetrieb Mangels Teilnehmer keine Dienstagsübung mehr. Prüfung laut Paul: Di, 10. Feb. 2015 00:01-23:59 2 Was bisher geschah LP: Maximiere c T x unter Ax = b, x 0. Basis:

Mehr

Prof. Dr. Roland Griesse. Höhere Mathematik für Bachelorstudiengänge I.2

Prof. Dr. Roland Griesse. Höhere Mathematik für Bachelorstudiengänge I.2 Höhere Mathematik für Bachelorstudiengänge I.2 Wir nehmen an, dass die LOA bereits in Normalform vorliegt: Maximiere c x, wobei A x = b sowie x 0 mit A R m n, b R m und c R n. Neben b 0 nehmen wir noch

Mehr

Wiederholung. Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b

Wiederholung. Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b Wiederholung Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b x 0. x R n heißt Basislösung, wenn Ax = b und rang(a J ) = J, wobei J = {j x (j) 0}; Basislösung

Mehr

Übung 3, Simplex-Algorithmus

Übung 3, Simplex-Algorithmus Übung 3, 21.6.2011 Simplex-Algorithmus Aufgabe 3.1 Lösen Sie das folgende Optimierungsproblem (von Aufgabe 2.3) graphisch. Substituieren Sie dazu z = 5 y um ein 2-dimensionales Problem zu erhalten. Rechnung

Mehr

Fachbereich Wirtschaftswissenschaften Professur f. Quantitativen Methoden Prof. Dr. Dietrich Ohse

Fachbereich Wirtschaftswissenschaften Professur f. Quantitativen Methoden Prof. Dr. Dietrich Ohse Fachbereich Wirtschaftswissenschaften Professur f. Quantitativen Methoden Prof. Dr. Dietrich Ohse Diplomprüfung / Sommersemester 24 Quantitative Methoden der BWL Musterlösung der Prüfungsklausur vom. Juli

Mehr

Dr. Anita Kripfganz SS 2014

Dr. Anita Kripfganz SS 2014 Dr. Anita Kripfganz SS 2014 4. Lösungsverfahren 4.1. Schnittebenenmethode Im Jahre 1958 hat R. Gomory ein allgemeines Schnittebenenverfahren zur Lösung ganzzahliger linearer Optimierungsprobleme vorgeschlagen.

Mehr

Der Simplex-Algorithmus

Der Simplex-Algorithmus 5 Lineare Programmierung Simplex-Algorithmus Der Simplex-Algorithmus Standardverfahren zur Lösung von LPs, von G B Dantzig entwickelt Grundidee: Versuche ausgehend von einer Startecke mit einer Ausgangsbasis

Mehr

Optimierung. Optimierung. Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus Fabian Kuhn

Optimierung. Optimierung. Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus Fabian Kuhn Optimierung Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus 1 Resource Allocation Beispiel aus Vorlesung 6 Primales LP: Duales LP: max 3 4 2 2 4 2 8 3 6 0, 0, 0 min 4 8 6 2 3 3 4 2 2 0, 0,

Mehr

Teil I. Lineare Optimierung

Teil I. Lineare Optimierung Teil I Lineare Optimierung 5 Kapitel 1 Grundlagen Definition 1.1 Lineares Optimierungsproblem, lineares Programm. Eine Aufgabenstellung wird lineares Optimierungsproblem oder lineares Programm genannt,

Mehr

Aufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1

Aufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1 Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung

Mehr

7.1 Matrizen und Vektore

7.1 Matrizen und Vektore 7.1 Matrizen und Vektore Lineare Gleichungssysteme bestehen aus einer Gruppe von Gleichungen, in denen alle Variablen nur in der 1. Potenz vorkommen. Beispiel Seite 340 oben: 6 x 2 = -1 + 3x 2 = 4 mit

Mehr

OPERATIONS RESEARCH I LINEARE PLANUNGS RECHNUNO UND NETZPLANTECHNIK

OPERATIONS RESEARCH I LINEARE PLANUNGS RECHNUNO UND NETZPLANTECHNIK BODO RUNZHEIMER OPERATIONS RESEARCH I LINEARE PLANUNGS RECHNUNO UND NETZPLANTECHNIK SIMPLEX-METHODE -TRANSPORT-METHODE STRUKTURANALYSE ZEITPLANUNG ZEIT-KOSTEN PLANUNG- ANWENDUNGSMÖGLICHKEITEN 5., VERBESSERTE

Mehr

Operations Research / Graphentheorie Inf. 1.1/ 1.2

Operations Research / Graphentheorie Inf. 1.1/ 1.2 Operations Research / Graphentheorie Inf. 1.1/ 1.2 Inhaltsangabe Simplex-Algorithmus Simplex-Verfahren (Maximierung)...2 Gleichungen als Restriktionen...4 Minimierung der Zielfunktion...4 Graphische Lösung

Mehr

Prüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten)

Prüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten) HTW Dresden 11. Februar 2014 FB Informatik/Mathematik Prof. Dr. J. Resch Prüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten) Name, Vorname: Matr.-nr.: Anzahl der abge-

Mehr

Klausur zur Vorlesung Logistik im Sommersemester 2012

Klausur zur Vorlesung Logistik im Sommersemester 2012 Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Jun.-Prof. Dr. Florian Sahling Klausur zur Vorlesung Logistik im Sommersemester 2012 Hinweise: Die

Mehr

Die Ungarische Methode für das Assignment Problem von H. W. Kuhn (1955)

Die Ungarische Methode für das Assignment Problem von H. W. Kuhn (1955) Die Ungarische Methode für das Assignment Problem von H. W. Kuhn (1955) Seminar Kombinatorische Optimierung SS08: Christof Schulz 11.07.2008 1 Harold William Kuhn 2 Das Assignmentproblem Einfaches Assignmentproblem

Mehr

6 Korrektheit des Simplexalgorithmus

6 Korrektheit des Simplexalgorithmus 6 Korrektheit des Simplexalgorithmus Folgerung: Es sei L: Ax = b, c T x max LP und A B nicht-degenerierte PZB von L und es gebe c r := c r c B A B A r > 0 a) Falls a r := A B a r 0, dann L unbeschränkt

Mehr

Skript zur Vorlesung Optimierung linearer Modelle Gültig ab Sommersemester Prof. Dr. S. Dempe

Skript zur Vorlesung Optimierung linearer Modelle Gültig ab Sommersemester Prof. Dr. S. Dempe Skript zur Vorlesung Optimierung linearer Modelle Gültig ab Sommersemester 2003 Prof. Dr. S. Dempe 25. März 2003 2 Inhaltsverzeichnis 0 Einleitung 5 0.1 Historische Entwicklung..................... 5 0.2

Mehr

Anhang: Ungarische Methode

Anhang: Ungarische Methode Ungarische Methode 107 Anhang: Ungarische Methode Zum Schluss des Kurses soll noch der Algorithmus der Ungarischen Methode beschrieben werden. Wir lehnen uns hierbei eng an der Darstellung von DOMSCHKE

Mehr

Übung QM 1 EINFÜHRUNG 1. 1 Einführung. ohne Übungsaufgaben

Übung QM 1 EINFÜHRUNG 1. 1 Einführung. ohne Übungsaufgaben Übung QM 1 EINFÜHRUNG 1 1 Einführung ohne Übungsaufgaben Übung QM 2 LINEARE OPTIMIERUNG 2 2 Lineare Optimierung Aufgabe 2.1 LP-Modellierung und Begriffe Wild West GmbH produziert Cowboyhüte. Momentan werden

Mehr

Optimierung für Wirtschaftsinformatiker: Lineare Programme

Optimierung für Wirtschaftsinformatiker: Lineare Programme Optimierung für Wirtschaftsinformatiker: Lineare Programme Dr. Nico Düvelmeyer Dienstag, 31. Mai 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Lineare Programme Allgemeine Form 2 Spezielle Darstellungen

Mehr

Operations Research. Ganzzahlige lineare Programme. ganzzahlige lineare Programme. Ganzzahlige lineare Programme. Rainer Schrader. 25.

Operations Research. Ganzzahlige lineare Programme. ganzzahlige lineare Programme. Ganzzahlige lineare Programme. Rainer Schrader. 25. Operations Research Rainer Schrader Ganzzahlige lineare Programme Zentrum für Angewandte Informatik Köln 25. Juni 2007 1 / 49 2 / 49 Ganzzahlige lineare Programme Gliederung ganzzahlige lineare Programme

Mehr

Produktionsplanung und Lineare Optimierung im Rahmen des Projekts Mathematik und Ökonomie 12./13. November 2003 in Düsseldorf.

Produktionsplanung und Lineare Optimierung im Rahmen des Projekts Mathematik und Ökonomie 12./13. November 2003 in Düsseldorf. Übungsaufgaben Aufgabe 1a Medikamentenmischung Ein Pharmaziehersteller möchte ein neues Medikament auf den Markt bringen. Das Medikament kann aus vier verschiedenen Komponenten (K1 K4) zusammengestellt

Mehr

Optimierung 1 Zwischenklausur

Optimierung 1 Zwischenklausur Optimierung Zwischenlausur Tobias Breiten und Laurent Pfeiffer, Universität Graz 8. Mai 8 Lösung der Aufgabe. Wir führen Schlupfvariablen ein (positiv und negativ), um das Problem auf Standardform zu bringen

Mehr

Logistik: Transport. Grundlagen, lineare Transportund Umladeprobleme. Von Dr. Wolfgang Domschke. o. Professor für Betriebswirtschaftslehre

Logistik: Transport. Grundlagen, lineare Transportund Umladeprobleme. Von Dr. Wolfgang Domschke. o. Professor für Betriebswirtschaftslehre Logistik: Transport Grundlagen, lineare Transportund Umladeprobleme Von Dr. Wolfgang Domschke o. Professor für Betriebswirtschaftslehre Zweite, ergänzte Auflage TECHNISCH!: MOC cchule DARiviSTAOT j P e

Mehr

Ganzzahlige lineare Programme

Ganzzahlige lineare Programme KAPITEL 5 Ganzzahlige lineare Programme Wir betrachten nun Optimierungsprobleme vom Typ (42) min c T x s.d. Ax = b, x 0, x ganzzahlig, wobei die Matrix A R m n und die Vektoren c R n, b R m gegeben seien.

Mehr

Wie man die Matrix der Zeit versteht (Matrix)

Wie man die Matrix der Zeit versteht (Matrix) Lineare und Nichtlineare Optimierung 1Semester Begleitendes Skriptum zur Vorlesung im FH-Masterstudiengang Technisches Management von Johann Wiesenbauer FH Campus Wien 2014 1 Lineare Optimierung 11 Grundbegrie

Mehr

CARL HANSER VERLAG. Peter Stingl. Operations Research Linearoptimierung

CARL HANSER VERLAG. Peter Stingl. Operations Research Linearoptimierung ARL HANSER VERLAG Peter Stingl Operations Research Linearoptimierung -446-228-6 wwwhanserde 2 Lineare Optimierungsprobleme x 2 6 P P sentartete Ecke ( 4) x +x 2 5 PPPPPPPPPPPPPPP X x + x 2 7 2x +x 2 8

Mehr

Die Ungarische Methode für das Assignmentproblem

Die Ungarische Methode für das Assignmentproblem Die Ungarische Methode für das Assignmentproblem Seminar: Kombinatorische Optimierung SS08, Christof Schulz 11.07.2008 Hauptquellen: The Hungarian Method for the Assignment Problem von H.W. Kuhn (1955)

Mehr

Klausur zur Vorlesung Operations Research im Sommersemester 2009

Klausur zur Vorlesung Operations Research im Sommersemester 2009 Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Operations Research im Sommersemester 2009 Hinweise:

Mehr

Operations Research. Bewertungsverfahren :

Operations Research. Bewertungsverfahren : Operations Research Bewertungsverfahren : Ist wie NW-Ecken und Vogelsches Appr. Ein Verfahren zum Aufstellen eines recht wenig optimierten Tableaus, das dann anschließend noch durch ein Stepping Stone

Mehr

Logistik: Transport. Grundlagen, lineare Transport- und Umladeprobleme. von Prof. Dr. Wolfgang Domschke. TU Darmstadt. 5.,.überarbeitete Auflage

Logistik: Transport. Grundlagen, lineare Transport- und Umladeprobleme. von Prof. Dr. Wolfgang Domschke. TU Darmstadt. 5.,.überarbeitete Auflage Logistik: Transport Grundlagen, lineare Transport- und Umladeprobleme von Prof. Dr. Wolfgang Domschke TU Darmstadt 5.,.überarbeitete Auflage R. Oldenböurg Verlag München Wien Inhaltsverzeichnis Vorwort

Mehr

Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester 2007/2008

Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester 2007/2008 Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester

Mehr

Oliver Harborth. Transport- und Bestellmengenplanung in der Beschaffungslogistik. Verlag Dr. Kovac

Oliver Harborth. Transport- und Bestellmengenplanung in der Beschaffungslogistik. Verlag Dr. Kovac Oliver Harborth Transport- und Bestellmengenplanung in der Beschaffungslogistik Verlag Dr. Kovac Hamburg 2009 Seite V Abbildungsverzeichnis Tabellenverzeichnis IX X 1 Einleitung 1 1.1 Problemstellung und

Mehr

Numerische Lineare Algebra

Numerische Lineare Algebra Numerische Lineare Algebra Vorlesung 7 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 200 Prof. Dr. Klaus Höllig (IMNG)

Mehr

Probeklausur Optimierung

Probeklausur Optimierung Universität Hamburg Fakultät für Mathematik, Informatik und Naturwissenschaften Dr. Nico Düvelmeyer Hamburg, 4. Juli 2011 Probeklausur Optimierung Bitte selber ausfüllen: Name: (darf anonymisiert werden)

Mehr

Optimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung

Optimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung Optimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung Dr. Nico Düvelmeyer Freitag, 24. Juni 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Dualität Motivation Duales LP Dualitätssätze

Mehr

Mathematische Grundlagen für Wirtschaftswissenschaftler Übungsaufgaben aus Kapitel 3 - Lineare Optimierung

Mathematische Grundlagen für Wirtschaftswissenschaftler Übungsaufgaben aus Kapitel 3 - Lineare Optimierung Mathematische Grundlagen für Wirtschaftswissenschaftler Übungsaufgaben aus Kapitel 3 - Lineare Optimierung Sascha Kurz Jörg Rambau 24. November 2009 2 Aufgabe 3.1. Ein in m Depots gelagertes homogenes

Mehr

Klausur zur Vorlesung Logistik im Sommersemester 2013

Klausur zur Vorlesung Logistik im Sommersemester 2013 Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Logistik im Sommersemester 2013 Hinweise: Die Klausur

Mehr

Klausurrepetitorium ABWL

Klausurrepetitorium ABWL Klausurrepetitorium ABWL Planungs- und Südwestfälische Industrie- und Handelskammer 9. August 5 Dr. Friedhelm Kulmann, Sandra Rudolph 9.8.5 Gliederung. Nichtlineare Optimierungsprobleme.. Quadratisches

Mehr

5 Lineare Gleichungssysteme und Determinanten

5 Lineare Gleichungssysteme und Determinanten 5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von

Mehr

1. Entscheidung bei Unsicherheit

1. Entscheidung bei Unsicherheit Prof. Dr. Ma C. Wewel Lösungen zu den Übungsaufgaben Management Science Seite. Entscheidung bei Unsicherheit A. B. C. 6 km 6 km 6 km D. a) Nutzenmatri (Kundenanteile von K in %) u(k A,M A ), 6 +, 6 +,

Mehr

Optimierung für Nichtmathematiker

Optimierung für Nichtmathematiker Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS2010/11 1 / 1 Teil IV Konvexe und ganzzahlige Optimierung Vorlesung 11 IV Konvexe und ganzzahlige Optimierung 2 / 34 Inhaltsübersicht 29Lineare Optimierung

Mehr

6. Einführung 43. gilt. Dann soll also A B x B = b eindeutig lösbar sein, also A B vollen Rang haben, d. h. invertierbar (regulär) sein.

6. Einführung 43. gilt. Dann soll also A B x B = b eindeutig lösbar sein, also A B vollen Rang haben, d. h. invertierbar (regulär) sein. 6. Einführung 43 und aus der linearen Unabhängigkeit der (a i ) i I(x) folgt y i = z i auch für i I(x). Insgesamt gilt also y = z, d. h., nach Definition 6.9 ist x eine Ecke von P. Beachte: Der Koordinatenvektor

Mehr

Der Solver. Gerald Kurz

Der Solver. Gerald Kurz Der Solver Gerald Kurz Was ist der Solver Der Solver ist ein Calc-Zusatzprogramm zur Lösung von Optimierungsaufgaben. Im Gegensatz zur Zielwertsuche können hier Aufgaben auch mit mehreren Variablen und

Mehr

3. Schnittebenenverfahren

3. Schnittebenenverfahren 3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research

Mehr

Mitschrift der Vorlesung: Kombinatorische Optimierung

Mitschrift der Vorlesung: Kombinatorische Optimierung Mitschrift der Vorlesung: Kombinatorische Optimierung bei Prof. Socher-Ambrosius Niels-Peter de Witt 26. April 2002 Inhaltsverzeichnis 1 Einführung 2 1.1 Beispiel: Profil zersägen.......................

Mehr

ist ein Polyeder. c) Sei F eine Seite von P. Wann ist f 1 (F ) eine Seite von f 1 (P )? Begründen Sie Ihre Antwort. x 1. x = max{ x i i N n }.

ist ein Polyeder. c) Sei F eine Seite von P. Wann ist f 1 (F ) eine Seite von f 1 (P )? Begründen Sie Ihre Antwort. x 1. x = max{ x i i N n }. alteklausuraufgaben 1 LinOpt Klausur Sommersemester 05 Aufgabe 1 a) Definieren Sie den Begriff der konischen Hülle. b) Sei S R n. Zeigen Sie: Cone S = Lin S x S : x Cone (S \ {x}). Aufgabe 2 a) Definieren

Mehr

10.2 Dualitätstheorie Operations Research. In der Standardform eines Maximierungsproblem: b e ) mit ( w) + a ej ) x j + x g = ( b g + g G

10.2 Dualitätstheorie Operations Research. In der Standardform eines Maximierungsproblem: b e ) mit ( w) + a ej ) x j + x g = ( b g + g G 48 0 Operations Research In der Standardform eines Maximierungsproblem: Max ( w) mit ( w) + u. d. N. z + x l + n ( a gj + j= g G e E n d j x j = z 0 j= n a l j x j = b l für alle l L j= x g n + a gj x

Mehr