Dynamische Optimierung
|
|
- Erika Beck
- vor 8 Jahren
- Abrufe
Transkript
1 Motivation/Einführung: zwei mögliche Pfade 8 Dynamische Optimierung Dynamische Optimierung Sequentielle Optimierung Stufenoptimierung Für Planungsprobleme, deren Entscheidungsgrundlagen problemseitig nicht initial vollständig vorliegen, sich im Lauf der Zeit offenbaren dynamisch zu berücksichtigen sind, z.b. Lagerhaltung über mehrere Perioden stochastische Techniken fließen auf natürliche Weise ein (tatsächliche Unsicherheiten) Für Planungsverfahren, welche Entscheidungen verfahrensseitig schrittweise treffen, im Laufe des Verfahrens (Divide & Impera) vervollständigen sequentiell arbeiten, z.b. Knapsack Problem mit Entscheidungsbaum randomisierte Techniken fließen künstlich ein (Konvergenzgründe, Effizienzgründe...)
2 Ziele: Kennen lernen dynamisch zu optimierender Problemstellungen Erkennen warum schrittweise Optimierungsverfahren sinnvoll sein können Stochastische Einflüsse behandeln können Optimalitätskriterien für dynamische Probleme kennen lernen Lösungsmethoden der dynamischen Optimierung kennen lernen Gliederung 8. Beispiele zur Einführung 8. Problemstellung der dynamischen Optimierung 8.3 Bellman sche Funktionsgleichungsmethode 8.4 Stochastische dynamische Optimierung
3 8. Beispiele zur Einführung Beispiel Lagerhaltung: Ein Gut sei zu lagern, über endlichem diskreten Planungszeitraum: n Perioden Belieferung eweils zu Beginn einer Periode mit Lieferzugang u, in Periode (=,...,n) Auslieferung (gemäß Nachfrage) zu Beginn Periode unmittelbar nach Belieferung, sei r, Nachfrage in Periode (=,...,n) Annahme: Auslieferung = Nachfrage Es resultiert Lagerbestand x zu Ende Periode, unmittelbar vor Periode +, als Bestand zu Periode ( =,...,n) Gemäß Lagerbilanzgleichung (dynamische Nebenbedingung) gilt x + = x + u -r (=,..., n) Annahmen: x für =,..., n+ und x = x n+ = 3
4 anfallende Kosten: Belieferung: h B (u ) fix + variabel Lagerung: h L (x ) und Gesamt g(x,u ) Optimierungsaufgabe: bestimme Liefermengen u (Entscheidungsvariable) unter Einhaltung der Nebenbedingungen / Annahmen derart dass Gesamtkosten minimal (bei gegebenen Nachfragen r => eigentlich kein dynamisches Problem) Formal: min udn n = x x x g(x +, u ) = x + u = x n+ = und u - r für =,,..., n für =,,..., n 4
5 Beispiel Instandhaltung: Ersatz verschlissener Systemkomponenten zu früh: großer Wertverlust zu spät: große Wartungskosten Endlicher Planungszeitraum: n Perioden Entscheidung zu Beginn der Periode falls u = dann Ersetzung in Periode für =,..., n sonst u = und keine Ersetzung Resultat: Alter der Komponenten zu Ende Periode, unmittelbar vor Periode + x enthält Alter der Periode =,...,n gemäß Zusammenhang (dynamische Nebenbedingung) x + = x + falls nicht ersetzt x + = falls ersetzt daher x + = x ( - u ) + für =,..., n Annahme: x = 5
6 Anfallende Kosten Ersatz: h E (x -,u ) Beschaffung - Restwert Wartung: h W (x -,u ) Gesamt: g(x,u ) Optimierungsaufgabe: bestimme Ersatzzeitpunkte (Entscheidungsvariable u ) unter Einhaltung der Nebenbedingungen / Annahmen derart, dass Gesamtkosten minimal werden. Formal: min udn n = g(x,u ) x + = x ( u x = x {,,..., } u ) + für =,,...,n für =,...,n für =,,...,n 6
7 Beispiel 3 Rucksack-Problem: Zur Erinnerung n Gegenstände mit Gewichten a > (=,...,n) und Werten c > (=,...,n) Maximalgewicht a max > gepackte Werte-Summe zu maximieren Entscheidungsvariablen (hier) u = Gegenstand wird eingepackt u = Gegenstand wird nicht eingepackt Formal: max n = n c u udn a u a max und u {,} für =,,...,n = 7
8 künstliche Dynamisierung: Gegenstände ( irgendwie ) geordnet Einpacken (oder nicht) in Stufen auf Basis des noch verfügbaren Gewichtsrestes x zu Ende Periode -, unmittelbar vor Entscheidung u resultierend in Gewichtsresten gemäß Zusammenhang (dynamische Nebenbedingung) x + =x -a u (für =,...,n) initale Gewichtsreserve: x =a max Formal: max c u udn x + = x - a u für =,,...,n und x x + a max u {,} für x a und u = für x n = = < a a max 8
9 8. Problemstellung der dynamischen Programmierung Formalisierungen der Beispiele zwar sehr problemabhängig (kein Automatismus) aber weitgehend ähnlich d.h. Systembetrachtung über endlichen Planungszeitraum, wird eingeteilt in Perioden / Stufen (=,...,n) zu Beginn Periode (mit Beendigung Periode -) ist System im Zustand x (Zustandsvariable) zu Beginn Planungszeitraum herrscht Anfangszustand x =x a in Periode wird Entscheidung u getroffen (u ist Entscheidungsvariable / Steuervariable), resultiert zu Folgezustand x + = f (x,u ) (abhängig vom Vorzustand und Entscheidung) und Kosten / Erlösen (rewards) g (x,u ) (abhängig vom Vorzustand und Entscheidung) 9
10 Restriktionen bestehen (potenziell) in Form erlaubter (nichtleerer) Steuerbereiche U (x ), u U (x ) (abhängig von Vorzustand) in Form erlaubter (nichtleerer) Zustandsbereiche X +, x + X + wobei X ={x } Steuerbereiche U (x ) und Zustandsbereiche X + fallabhängig eindimensional / mehrdimensional, reellwertig / ganzzahlig / zweiwertig,... Funktionen f, g (dementsprechend) erklärt auf D :={(x,u) x X, u U (x)} Optimierungsaufgabe besteht aus Minimierung Kosten (Maximierung Erlösen) über gesamten Planungszeitraum hier vorrangig Kostenminimierung betrachtet min n = g (x,u ) udn kann sehr komplex sein! x x + + = f X (x +,u und u ) für =,,...,n und x U (x ) für =,,...,n = x a
11 Struktur der vorgestellten Beispiele Beispiel Beispiel Beispiel 3 Lagerhaltung Erneuerung Rucksack x reellwertig Bestand ganzzahlig Alter reellwertig Kap. X R + für =,..,n X =X n+ ={} {,...,-} für =,..,n+, X ={} [,a max ] für =,..,n+, X ={a max } reellwertig binär binär U (x ) R + u {,} {,} f (x,u ) x + u -r x ( u ) + x -a u g (x,u ) h B (u ) + h L x h E (u,x ) + h W (u,x ) -c u Kosten Kosten Nutzen (zu maximieren!)
12 Problemstellung (wie beschrieben) deckt nicht den allgemeinsten Fall, da: f und g nur von Vorzustand und Entscheidung abhängig sind wird in stochastischen Modellen Markov sch heißen ist durch Definition Zustand immer erreichbar f und g deterministisch definiert Änderung wird zu stochastischen Modellen führen Zeit Betrachtung eingeschränkt, da in Perioden ablaufend (implizit: gleiche Länge?) Zustandsübergänge sprunghaft geschehen: zeitdiskrete Modelle beschränkt, endlich... Veranschaulichung (Entscheidungszeitpunkte hierdurch nicht festgelegt) u u u n x x =f (x,u ) x 3 =f (x,u ) x n =f n- (..) x n+ =f n (x n,u n ) g (x,u ) g (x,u ) Kosten g n (x n,u n ) Periode Periode Periode 3 Periode n
13 Problemstellung verfolgt System über Zeit / über Stufen auf Basis einer Entscheidungsfolge (Politik / Steuerung) u,...,u n welche zu (zugehöriger) Zustandsfolge (x,...,x n,x n+ ) führt, wobei x :=x a und x + :=f (x,u ) =,...,n Eigenschaften zulässige Politik / Zustandsfolge genügt Nebenbedingungen generiert zulässige Lösung optimale Lösung / Politik / Zustandsfolge (Existenz vorausgesetzt) ist zulässig erreicht Optimierungsziel 3
14 Sind Funktionen f, g für =,...,n und Zustands-, Steuerbereiche X +, U für =,..., n gegeben, dann hängt optimale Lösung - sofern existent offensichtlich vom Anfangszustand x ab daher Bezeichnung für dieses Gesamtproblem P (x ). Analog hängt optimale Lösung des (Teil-)Problems, welches nur Perioden,...,n umfasst, ausschließlich von Anfangszustand x ab, daher Bezeichnung für dieses Teilproblem P (x ) für =,...,n Wesentliche Voraussetzung: f, g nur von Vorzustand und Entscheidung abhängig! 4
15 Existiere für Teilproblem P (x ) eine optimale Politik (u*,u* +,...,u* n ) mit resultierendem Minimalwert der Zielfunktion v* (x ) Aussage: Wird das Folgeproblem P + (x + ) mit Anfangszustand x + = x* + := f (x,u ) betrachtet, so ergibt sich für P + (x* + ) als optimale Politik (u* +,...,u* n ) mit Minimalwert (Teil-) Zielfunktion v* + (x* + ) Beweisskizze: Wenn nicht, so gäbe es für P + (x* + ) bessere Politik (u +,...,u n) mit niedrigerem Wert v + (x* + ) und folglich auch für P (x ) bessere Politik mit (u, u +,...,u n) mit niedrigerem Wert g (x,u* ) + v + (x* + ) < g (x,u* ) + v* + (x* + ) = v* (x* ) => Widerspruch zur Optimalitätsvoraussetzung für v* (x* ) 5
16 Satz 8. (Bellman sches Optimalitätsprinzip) Sei (u*,...,u*,...,u* n ) eine optimale Politik für P (x ) und x* Zustand (zu Beginn) Periode, dann ist (u*,...,u* n ) eine optimale Politik für P (x* ) (d.h. optimale Folgeentscheidungen (ab ) sind unabhängig von Vorentscheidungen (vor ), allerdings abhängig von Anfangszustand x ).. Der Beweis des Satzes folgt aus der Darstellung v* (x* ) = g (x,u* ) + v* + (x* + ) und der Minimalität der beiden Wertefunktionen v* (x* ) und v* + (x* + ). Allgemeine Darstellung durch Bellman sche Funktionsgleichung: v * (x ) = min u U (x ) { g (x,u ) v [f(x,u )] } * + + mit v* n+ (x n+ ) := für alle x n+ X n+ (wesentlich Voraussetzung für alles Folgende: Existenz optimaler Lösungen) 6
17 8.3 Bellman sche Funktionsgleichungsmethode In direkter Anwendung der B schen Funktionalgleichung, naheliegende Vorgehensweise (Alternativen existieren) rückwärts, also für =n, n-,..., startend mit v* n+ (x* n+ ) := und x* n+ X n+ erreicht man sukzessiv (und hält fest / speichert) v* (x* ) und x* X für =n, n-,..., wobei abschließend v* (x* ) das gesuchte Optimum ist. wobei man eweils zusätzlich die Minimalstelle z* (x ), die beste Entscheidung u des Klammerausdrucks der Gleichung { g (x, u ) v * + [f(x, u )] } + festhält, so dass für die Minimalstelle gilt g = (x min, z* u U (x ( x )) + ) v [f(x, z* (x ))] { } * g (x, u ) + v [f(x,u )] = v* ( x ) * + + 7
18 Folge (z *,...,z * n) wird als optimale Rückkopplungssteuerung bezeichnet Damit lässt sich vorwärts für =,,...,n (in Verfolgung der Bestentscheidungen und der daraus resultierenden Zustände) die optimale Politik (u*,...,u* n ) und die optimale Zustandsfolge (x*,...,x* n+ ) konstruieren, gemäß x* =x a => u* = z* (x* ) -> x* = f (x*,u* ) => u* =z* (x* ) -> => u* n = z* n (x* n ) -> x* n+ = f n (x* n,u* n ) Die berechnete Politik (u*,...,u* n ) und die Zustandsfolge (x*,...,x* n+ ) sind optimal für das Problem P (x * =x a ) Speicherung der Werte v* (x ) und z* (x ) für eden Zustand x 8
19 Alternative Berechnung (Variante ): Bestimme in der Rückwärtsberechnung nur die Funktionswerte v* (x ) (nicht aber die optimalen Entscheidungen z* (x )) Der optimale Funktionswert entspricht dem minimalen v* (x ) Bestimme in de Vorwärtsphase aus der Kenntnis der v* (x ) die eweils optimale Entscheidung, aus der sich der optimale Nachfolgezustand ergibt Beide Varianten bestehen aus einer Vorwärts- und einer Rückwärtsphase, die Rückwartsphase durchläuft alle Zustände und alle Wege zwischen Zuständen der Phase + und (=,...,n-) die Vorwärtsphase durchläuft den optimalen Pfad 9
20 Algorithmus zur dynamischen Optimierung (Variante ): Schritt I (Rückwärtsrechnung) v * n+(x n+ ) := for all x n+ X n+ For = n downto do For all x X do v * (x ) := min u U (x ) {g (x,u ) + v * +(f (x,u ))} ; z * (x ) := argmin u U (x ) {g (x,u ) + v * +(f (x,u ))} ; Schritt II (Vorwärtsrechnung) x * := x a ; For = to n do x * + := f (x *,z(x * )) ; Vorgehen erfordert keine speziellen Voraussetzungen an die Gestalt der Funktionen g und f!
21 Beispiel : Einfaches Lager- und Liefer-System Einfaches Lager für einen Warentyp, das periodisch beliefert wird und aus dem periodisch ausgeliefert wird Planung / Verfolgung des Lagersystems für n = 4 Perioden beschränkte Lagerkapazität: max Stück Lagerkosten: vernachlässigt initiale Lagerbelegung: leer beschränkte Belieferungskapazität: max Stück / Periode Belieferungskosten saisonal schwankend, aber bekannt, in Periode : q / Stück q =7, q =9, q 3 =, q 4 = feste Auslieferungsmengen Stück / Periode mit Auslieferung aus Lager oder direkt aus Anlieferung Auslieferungskosten: vernachlässigt Gesucht ist optimale Politik d.h. Entscheidungsfolge bzgl Belieferungsmengen u Stück / Periode die zu Lagerzuständen x Stück zu Beginn Periode führt die die Nebenbedingungen wahrt und die minimale Kosten u q +u q +u 3 q 3 +u 4 q 4 verursacht
22 Formalisierung: Steuerbereiche grob U (x ) {,,} (=,...,4) könnten zustandsabhängig begrenzt werden durch volles Lager Zustandsbereiche grob X ={,,} (=,...,4) davon abweichend begrenzt Initialzustand X ={} sinnvoller Endzustand X 5 ={} Zustands-(Transformations-)Funktionen (x + =) f (x,u ) = x + u - (=,...,4) Kostenfunktionen g (x,u ) = u q I.a. tritt ganz X als Menge möglicher Endzustände auf! Randbed: v* n+ (x n+ )= (=,...,4) Zustandsbereiche endlich Veranschaulichung des Problemraums mittels attributierten Digraphen möglich Darstellung der (diversen) Funktionen im Verfahrensverlauf mittels Tabellen sinnvoll
23 Veranschaulichung des Problemraums Nicht erreichbar: Lagerbegrenzung N.E.: Anfangszustand /8 / /9 / /4 /8 / /4 / / Nicht erreichbar: Lagerbegrenzung 3 4 x u/g N.E.: Endzustand /7 /9 / / k: Periode Durchführung: Bellman sche Funktionalgleichungsmethode mit { } * * Schlüsselbeziehung: v (x ) min g (x, u ) + v [f(x, u )] = u U (x + ) 3
24 Rückwärtsentwicklung, Periode 4 x 4 u 4 x 5 =f 4 (x 4,u 4 ) v* 5 (x 5 ) g 4 (x 4,u 4 ) v 4 (x 4,u 4 ) z* 4 (x 4 ) - q 4 = * * 3 Lager muss bei Periode 5 leer sein! also für Periode 4 zwei mögliche Zustände mit eweils optimalen Politiken unzulässiger Bereich optimale Werte Zur Erinnerung: g (x,u ) = u q q =7, q =9, q 3 =, q 4 = 4
25 Rückwärtsentwicklung, Periode 3 x 3 u 3 x 4 =f 3 (x 3,u 3 ) v* 4 (x 4 ) g 3 (x 3,u 3 ) v 3 (x 3,u 3 ) z* 3 (x 3 ) - 3 unzulässiger Bereich optimale Werte q 3 = q 3 =4 q 3 = Periode 4 erlaubt nur Zustände und * 4 * * Zur Erinnerung: g (x,u ) = u q q =7, q =9, q 3 =, q 4 = 5
26 Rückwärtsentwicklung, Periode x u x 3 =f (x,u ) v* 3 (x 3 ) g (x,u ) v (x,u ) z* (x ) - 3 unzulässiger Bereich optimale Werte q =9 q =8 q =9 q =8 Periode 3 erlaubt Zustände,, 3 8* 9 8* 9* Zur Erinnerung: g (x,u ) = u q q =7, q =9, q 3 =, q 4 = 6
27 Rückwärtsentwicklung, Periode : x u x =f (x,u ) v* (x ) g (x,u ) v (x,u ) z* (x ) - 8 q = q =4 3* unzulässiger Bereich optimale Werte Periode erlaubt nur Zustände und Zur Erinnerung: g (x,u ) = u q q =7, q =9, q 3 =, q 4 = Vorwärtsentwicklung: x * = u * = x * = u * = x * 3= u * 3= x * 4= u * 4= x * 5= optimale Politik: (,,,) und optimale Zustandsfolge: (,,,,) optimales Ergebnis v * () = 3 7
28 Veranschaulichung der algorithmischen Lösung Damit optimale Politik bekannt optimal für P (x ), auf optimaler Entscheidungsfolge optimal für P (x ), nicht auf optimaler Entscheidungsfolge Nicht erreichbar: Lagerbegrenzung N.E.: Anfangszustand /4 /7 /8 /9 /8 /9 Nicht erreichbar: Lagerbegrenzung / / 3 4 x u/g / /4 / / N.E.: Endzustand / / k: Periode 8
29 Beispiel : Spielproblem Verkaufsplanung Annahmen des Beispiels praktisch nicht voll motivierbar Planung der Verkaufsmengen für Typ von Gut dessen Verfügbarkeitsmenge kontinuierlich anwächst dessen Verkauf i. w. von erzielbaren Erlösen bestimmt ist Planung / Verfolgung des Verkaufssystems in Perioden für n = 3 Perioden Gut sei kontinuierlich teilbar (kein Stückgut, sondern z.b. Öl,Gas) => Verfügbarkeits-, Verkaufsmengen kontinuierlich Verkaufsmenge e Periode u R + ME in Periode Verkauf erfolgt unmittelbar nach Beginn Periode 9
30 Verfügbarkeitsmenge wächst (irgendwie) im Verlauf der Periode mit Faktor a (hier: a=) mit Verfügbarkeitsmenge x R + ME zu Beginn Periode => offensichtlich u x Zustandsfunktionen (x + =) f (x,u ) = a (x -u ) für =,,3 Anfangsbestand sei x = erzielbare Erlöse g (x,u ) GE in Periode wachsen unterlinear mit Verkaufsmenge, aber in eder Periode identisch gemäßg (x,u ) = u für =,,3 Gesucht: optimale Politik besteht aus Entscheidungen bzgl Verkaufsmengen u ME in Periode führt zu Beständen x ME zu Beginn Periode wahrt die Nebenbedingungen erreicht maximale Erlöse u + u + u 3 3
31 Formalisierung. Steuerbereiche U (x ) = [,x ] für =,,3 Zustandsbereiche X ={}, X =R + für =,3,4 Zustands-(Transformations-)Funktionen (x + =) f (x,u ) = a (x -u ) für =,,3 Kostenfunktionen g (x,u ) = u für =,,3 Im Gegensatz zu den bisherigen Beispielen kontinuierlicher Zustandsraum und Entscheidungsraum! Durchführung Bellman sche Funktionalgleichungsmethode angepasst an Maximierung und Problem v = * (x ) max = u max x { } * u g (x, u ) v [f(x, u )] U (x ) + + { } * u + v [(x - u )] + 3
32 Einige Vorüberlegungen: w(u):= [u] + [c(x-u)] mit c > und x fest z(x) := u + und u + = max [w(u); u x] w(u) strikt konkav über [,x] => Extremstelle in [,x] ist Maximum w Bestimmung der Extremstelle durch Nullsetzen der ersten Ableitung: sqrt((c+)x) c ( = ) w (u) = u c(x u) + x c u= c(x u) u = c + + x x(c+ ) x w(u ) = + c = (c + )x c+ c+ x/(c+) u sqrt(u) sqrt(c(x-u)) sqrt(u)+sqrt(c(x-u)) 3
33 Rückwärtsentwicklung: Periode 3: vereinbarungsgemäß ist v* 4 (x 4 )= und daher v* 3 (x 3 )=max u3 x { u 3 3 +} v* 3 (x 3 )= x 3 z* 3 (x 3 )=x 3 (zu Ende alles verkaufen) Periode : v* (x )=max u x { u + [(x -u )]} Maximalstelle? aus Vorüberlegungen, für c=, v* (x )= 3x z* (x )=x /3 Periode : v* (x )=max u x { u + [6(x -u )]} Maximalstelle? aus Vorüberlegungen, für c= 6 v* (x )= 7x z* (x )=x /7 Vorwärtsentwicklung: x * = u * =/7 x * =(x * -u * )=/7 u * = x * /3 = 4/7 x * 3=(x * -u * )=6/7 u * 3= x * 3 = 6/7 x * 4=(x * 3 -u * 3)= optimale Politik (/7,4/7, 6/7) optimale Zustandsfolge (,/7,6/7,) optimales Ergebnis v* ()= 7 =,65 33
34 Ausblick Eine Reihe weiterer Aspekte wären noch zu betrachten: Aufwandsbetrachtungen wg Rucksackproblem ist exponentieller Aufwand zu erwarten wodurch entsteht der Rechenaufwand? n Stufen, e Stufe X Zustände mit Verzweigungsgrad U Binäres Rucksackproblem: für ganzzahlige Werte, X={,,...,A}, Entscheidung binär, Algorithmus ist pseudopolynomial: O(nA) Speicherplatzbedarf: n X Entscheidungen z*, für Stufen Werte v* Verallgemeinerungen bzgl Verknüpfungsoperationen bzgl stochastischer Modelle Anwendungen Inhalt des nächsten Abschnitts Tricks, um Anwendungsprobleme geeignet zu betrachten, so dass diese passend formalisierbar sind bekannte / typische Anwendungen, Real-World Examples... Detaillierte Informationen z.b. in B. Bertsekas Kurs Dynamic Programming am MIT ( 34
35 8.4 Stochastische dynamische Programmierung Bisher untersucht Deterministische dynamische Optimierung System wird über endlichen Planungszeitraum aus n Perioden untersucht, wo zu Beginn von Periode Systemzustand x herrschte, begrenzt auf Zustandsbereich Z mit x Z (Benennungsänderung X Z) mit bekanntem Anfangszustand x =x a und Z ={x } wo in Periode Entscheidung u getroffen wurde, begrenzt auf (zustandsabhängigen) Steuerbereich U (x ) und u U (x ) wo aus Zustand x und Entscheidung u nächster Zustand x + resultierte gemäß x + =f (x,u ) Kosten / Erlöse g resultierten gemäß g (x,u ) Einführung probabilistischer / stochastischer Annahmen in Modelle dient (formalisierter) Beherrschung von problemspezifischen Unsicherheiten (aufwandsreduzierender) Einführung von Unsicherheiten in die Problemstellung 35
36 Entscheidung u auf Basis von Zustand x getroffen, führt (im Rahmen der Modellbeschreibung) nicht zu eindeutigem Folgezustand x + sondern zu einem der erlaubten Folgezustände x + Z + Motivierende Betrachtungen In Bsp könnten Auslieferungsmengen statt konstant als schwankend angenommen sein, wobei die Ursache des Schwankens entweder tatsächlich unbekannt (Unsicherheit) oder nicht detailliert beschrieben (Aufwandsreduktion) Belieferungskosten statt e Periode zu q /Stück fest als schwankend angenommen sein, wobei die Ursache des Schwankens entweder tatsächlich unbekannt (Unsicherheit) oder nicht detailliert beschrieben (Aufwandsreduktion) Analog in Bsp Verfügbarkeitsmengen schwankend (z.b. wg Ausschuss) erzielbare Erlöse nicht präzise sondern in Grenzen schwankend 36
37 Unter stochastischen Annahmen wird erreichter Folgezustand x + erfasst durch Zufallsvariable x +, deren Verteilung die Regelmäßigkeiten des Schwankens /Häufigkeiten/Wahrscheinlichkeiten der realisierten Folgezustände x + Z + beschreibt wo bei endlichem / abzählbarem Zustandsbereich Z + Verteilung charakterisiert (z.b.) durch Menge bedingter Wahrscheinlichkeiten wo bei kontinuierlichem Zustandsbereich Z + Verteilung charakterisierbar (z.b.) durch (bedingte) Dichtefunktion werden resultierende Kosten/Erlöse erfasst durch erweiterte Funktion g (x,u,x + ), d.h. zusätzlich von realisiertem Folgezustand abhängig) bzw. als Zufallsvariable G mit zugehöriger (bedingter) Verteilung {PG (g x,u )} bzw fg (g x,u ) falls Z + diskret bzw kontinuierlich andere Möglichkeit: gemeinsame Verteilung (G,X + ) 37
38 Bellman sche Funktionalgleichung Unter diesen Annahmen (Ziel: Bellman sche Fktgl.) ist der minimal Zielfunktionsbeitrag der Perioden,...,n von realisiertem Zustand x zu Beginn Periode startend ebenfalls als Zufallsvariable V* (x ) zu charakterisieren, mit ihrer Verteilung und ihrem Erwartungswert E[V* (x )] setzt sich der Erwartungswert des minimalen Zielfunktionsbeitrags (Perioden,...,n) von Zustand x startend, bei Realisierung eines Folgezustands (additiv) zusammen gemäß g (x,u,x + )+E[V* (x + )] (Folgezustände treten gemäß Verteilung auf) ergibt sich die Bellman sche Funktionalgleichung analog zur Ableitung der deterministischen Form bei diskreter Zustandsbereich Z + E[ V * ( x )] = min {( g ( x, u, x) E[ V * ( x)] ) PX ( x x, u )} u U ( x ) x Z
39 Spezialfall der stochastisch dynamischen Entscheidungsprozesse: Markov sche Entscheidungsprozesse mit endlichem Zustandsraum und Steuerbereich Zustandsraum X = {,...,m} und Steuerbereich U(i) = {u i,...,u isi } (i =,...,m) Sei x =i Zustand zu Beginn von Periode System geht zu Beginn von Periode + mit Wahrscheinlichkeit p ik (u iσ ) in Zustand x + =k bei Entscheidung u iσ über es gilt für die Übergangswahrscheinlichkeiten p k (u iσ ): m p = ( u = für alle i X und u iσ U(i) k ik iσ ). Übergangswahrscheinlichkeiten hängen nur vom Zustand und der gefällten Entscheidung ab (homogener Markov scher Entscheidungsprozess) Erwartete Kosten der Entscheidung u iσ in Zustand i: E = m ( g( i, uiσ )) k = pik ( ui ) g( i, u σ iσ, k) 39
40 g(i,u iσ,k) Kosten, die anfallen, wenn in Zustand i Entscheidung u iσ zu einem Zustandsübergang nach k führt Belman sche Funktionsgleichung: { m } k v (i) min E(g(i, u )) p (u )v (k) = + i = * * σ=,...,s iσ ik iσ + Sei σ * (i) ein Entscheidung σ, für den das Minimum v * (i) angenommen wird (also eine optimale Entscheidung im Zustand i für Periode ) Bestimmung von σ * (i) und v * (i): Auswertung der Funktionsgleichung rückwärts von = n bis ausgehend von v * n+(i) = für i =,...,m Anschließende Vorwärtsberechnung von = bis n ermittelt die optimale Politik und die dadurch auftretenden Zustandswahrscheinlichkeiten (keine eindeutige Zustandsfolge!) Vorgehen im Prinzip analog zum deterministischen Fall 4
41 Erweiterung des Beispiels von Folie -3 Zus. Annahme mit Wahrscheinlichkeit.5 wird ein Teil in der Periode ausgeliefert und mit Wahrscheinlichkeit.5 wird kein Teil ausgeliefert Endzustand am Ende der vierten Periode kann damit nicht gefordert werden! Folgende Graphik zeigt nur die optimalen Entscheidungen in einem Zustand in der Form u/g Optimale Politik abhängig von der Nachfrage (d.h. situationsabhängig entscheiden) /4 (.5) () / / () (5) / / () () / / /9 / / (.75) () (7) () () () () 4
42 Bisherige Betrachtung fokusierte auf einen endlichen Planungshorizont und betrachtete den akkumulierten Gewinn oder die akkumulierten Kosten Oft sollen Gewinne/Kosten über einen unendlichen Planungshorizont untersucht werden, dann ist das bisherige Vorgehen offensichtlich nicht anwendbar, da Gewinne/Kosten unendlich wären unendliche Zustandssequenzen analysiert werden müssten Alternative Interpretation von Kosten/Gewinn: Erwartungswert pro Schritt Gewinne werden durch Diskontierungsfaktor α < geschmälert d.h. Gewinn x in k Perioden ist etzt nur α k xwert Analysemethoden: Lineare Programmierung Politikiteration 4
43 Bestimmung des Erwartungswerts pro Schritt: v* (i) sind die minimalen Kosten im Zustand i nach Schritten c (i) = v* (i) / Grundlagen zur Bestimmung optimaler Politiken: Man kann zeigen (ohne dass wir es tun werden), dass lim c + (i) = c + (i)= E(C + ) und E(C + ) sind die minimalen erwarteten Kosten des Markov schen Entscheidungsproblems mit unendlichem Planungshorizont sind eine stationäre optimale Politik σ + = (σ + (),...,σ + (m)) existiert, so dass bei Wahl von Entscheidung σ + (i) in Zustand i bei einem unendlichen Planungszeitraum die erwarteten Kosten E(C + ) auftreten E(C + ) und σ + erfüllen die Gleichung mit m m k= ki + k σ (k) k= m E(C) = π (k)e(g(i,u )) + stationäre Lösung π (i) = π(k)p (u ) und π (k) = Annahme stationäre Lösung existiert ( irreduzibler Markov-Prozess) k= i σ (i) 43
44 Darstellung als lineares Programm: Sei y iσ (i {,...,m}, σ {,...,s i }) die Wahrscheinlichkeit im Zustand i zu sein und Entscheidung σ zu treffen Es gilt (lineare Nebenbedingungen): m m s i i= i= σ= s i π (i) = y =. und m Zielfunktion: s i iσ y = y p ( σ) iσ iσ i σ= i= σ= Außerdem muss y iσ gelten m s i min y E(g(i, u )) i= σ= iσ iσ Mittels Simplex- Algorithmus lösbar Variablenzahl: Σ i=,..m s i Aus dem bisher gesagten folgt, dass für die optimale Lösung y iσ = für genau ein σ und für alle anderen ρ {,...,s i } \ {σ} y iρ = 44
45 Lösung mittels Politikiteration: Für eine Politik σ = (σ(),..,σ(m)) gilt m i σ(i) k= ik i σ(i) G( σ) + v(i) = E(g(i, u )) + p (u )v(k) (i =,..., m) wobei m m k= k σ(k) i= ik i σ(i) = π π = π G( σ ) E(g(k,u )) (k) und (k) p (u ) (i) Erläuterung des Zusammenhangs für eine feste Politik σ Für große n gilt v (i) n G( σ) + v(i) n und damit auch v(i) n v() n v(i) v() Eingesetzt in die rekursive Beziehung ergibt sich (Vorsicht, es wird rückwärts von n aus gerechnet): m v(i) n = E(g(i,u iσ)) + p k ik(u i σ(i) )v n (k) = m ng( σ) + v(i) = E(g(i,u iσ)) + p k ik(u i σ(i) )((n )G( σ ) + v(k)) = m G( σ) + v(i) = E(g(i, u )) + p (u )v(k) iσ k= ik i σ(i) 45
46 Ausprobieren aller möglichen Politiken führt zu einem Algorithmus mit Aufwand Πs i (inakzetabel) Besser schrittweise Verbesserung der Politik. starte mit einer Politik σ = (σ(),...,σ(m)) T wähle eine gute Näherungspolitik oder wähle σ(i) so dass E(g(i,u iσ(i) ) minimal. berechne die zugehörigen Werte v = (v(),...,v(m)) T v ist die Lösung des linearen Gleichungssystems m i σ(i) k= ik i σ(i) G( σ) = E(g(i,u )) + p (u )v(k) v(i) (i =,...,m) wobei v(m) = gesetzt wird (sonst keine eindeutige Lsg.) 3. bestimme verbesserte Politik σ aus der folgenden Minimierung i ( m ) k= min E(g(i, u )) + p (u )v(k) σ '(i) =,...,s i σ'(i) ik i σ'(i) für i =,...,m 4. Falls σ =σ optimale Politik erreicht, sonst σ=σ und fahre bei. fort (es gilt dann G(σ ) < G(σ)) 46
47 Analyse der Kosten bei Multiplikation mit Diskontierungsfaktor α < (spätere Kosten sind positiv) Bellman sche Funktionsgleichungen: { } m + E( g( i, u )) + α p ( u ) v ( k + v ( i) = minσ =,..., si iσ k = ik iσ ) mit v + (i) = für i =,..., m Ziel: Ermittlung einer optimalen Politik, so dass bei einem unendlichen Planungshorizont lim n v + n(i) minimiert wird (durch Diskontierung bleiben Kosten endlich!) Mögliche Lösungsmethoden: Wertiteration Politikiteration 47
48 Wertiteration: Man kann zeigen (ohne dass wir es tun werden), dass lim v + (i) = v + (i) und v + (i) die minimalen diskontierten erwarteten Kosten des Markov schen Entscheidungsproblems mit unendlichem Planungshorizont sind eine stationäre optimale Politik σ + = (σ + (),...,σ + (m)) existiert, so dass bei Wahl von Entscheidung σ + (i) in Zustand i bei einem unendlichen Planungszeitraum die erwarteten Kosten v + = (v +,...,v + m) auftreten v + und σ + erfüllen die Gleichungen v + m + ( i) = E( g( i, u + )) + α + i i k = pik ( u ) v ( k) σ ( ) iσ ( i) 48
49 Werteiteration (schrittweise Approximation der optimalen Kosten):. Initialisiere v + (i) = für alle i =,...,m. Bestimme für eden Zustand: }( m ) { k v + (i) min E(g(i, u )) p (u )v + n = (k) σ (i),...,s i σ (i) +α = ik i σ (i) n n i n n und speichere gewählte Politik σ Falls für vorgegebenes ε>: (v + n(i) - v + n-(i))/ v + n(i) <ε für alle i =,...,m, setze v + = v + n und σ + = σ + n Einige Bemerkungen zum Verhalten des Algorithmus: Die optimale Politik muss nicht erreicht werden Auch wenn das Abbruchkriterium erfüllt ist, kann die gefundene Lösung noch weit vom Optimum entfernt sein. Die Iterationen sind sehr effizient realisierbar, da keine Gleichungssysteme zu lösen sind. 49
50 Politikiteration: Idee (auf Basis des Wissens, dass eine optimale Politik existiert):. starte mit einer Politik σ = (σ(),...,σ(m)) T wähle eine gute Näherungspolitik oder wähle σ(i) so dass E(g(i,u iσ(i) )) minimal. berechne die zugehörigen Werte v = (v(),...,v(m)) T v ist die Lösung des linearen Gleichungssystems m ( ) m k v( i) = E( g( i, ui i) )) + σ α = pik ( uiσ ( i ) v( k) ( i =,..., 3. bestimme verbesserte Politik σ mit zugehörigen Werten v ( v) neue Politik σ wird aus der folgenden Minimierung bestimmt i m i σ'(i) k= ik i σ'(i) E(g(i,u )) + α p (u )v(k) = min E(g(i, u )) +α p (u )v(k) ( m ) k= σ=,...,s iσ ik iσ Falls σ =σ wurde die optimale Politik σ + erreicht σ + wird immer nach endlich vielen Iterationen erreicht ) 5
51 Einige Bemerkungen zum Abschluss Politikiteration sollte verwendet werden, wenn eine gute initiale Politik bekannt ist der Zustandsraum relativ klein ist Werteiteration sollte verwendet werden, wenn der Zustandsraum sehr groß ist der resultierende Markov-Prozess nicht (immer) irreduzibel ist Weiter Möglichkeiten Lineare Programmierung (als Erweiterung der Vorgehensweise bei der Berechnung erwarteter Kosten) Hybride Ansätze als Mischung von Wert- und Politikiteration 5
4. Dynamische Optimierung
4. Dynamische Optimierung Allgemeine Form dynamischer Optimierungsprobleme 4. Dynamische Optimierung Die dynamische Optimierung (DO) betrachtet Entscheidungsprobleme als eine Folge voneinander abhängiger
MehrDynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206
Kapitel 4 Dynamische Optimierung Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Inhalt Inhalt 4 Dynamische Optimierung Allgemeiner Ansatz und Beispiele Stochastische dynamische
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrAufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt:
Aufgabe 1 1.1. Bestimmung von D max : 1. Bedingung: x >0 ; da ln(x) nur für x > 0 definiert ist. 2. Bedingung: Somit ist die Funktion f a nur für x > 0 definiert und sie besitzt eine Definitionslücke an
MehrDie reellen Lösungen der kubischen Gleichung
Die reellen Lösungen der kubischen Gleichung Klaus-R. Löffler Inhaltsverzeichnis 1 Einfach zu behandelnde Sonderfälle 1 2 Die ganzrationale Funktion dritten Grades 2 2.1 Reduktion...........................................
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrPlotten von Linien ( nach Jack Bresenham, 1962 )
Plotten von Linien ( nach Jack Bresenham, 1962 ) Ac Eine auf dem Bildschirm darzustellende Linie sieht treppenförmig aus, weil der Computer Linien aus einzelnen (meist quadratischen) Bildpunkten, Pixels
MehrLösung. Prüfungsteil 1: Aufgabe 1
Zentrale Prüfung 01 Lösung Diese Lösung wurde erstellt von Cornelia Sanzenbacher. Sie ist keine offizielle Lösung des Ministeriums für Schule und Weiterbildung des Landes. Prüfungsteil 1: Aufgabe 1 a)
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrGleichungen Lösen. Ein graphischer Blick auf Gleichungen
Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term
MehrRente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen
5.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind zwei
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
MehrLösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.
Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33
MehrBeweisbar sichere Verschlüsselung
Beweisbar sichere Verschlüsselung ITS-Wahlpflichtvorlesung Dr. Bodo Möller Ruhr-Universität Bochum Horst-Görtz-Institut für IT-Sicherheit Lehrstuhl für Kommunikationssicherheit bmoeller@crypto.rub.de 6
MehrTeil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung
Teil II Optimierung Gliederung 9 Einführung, Klassifizierung und Grundlagen 10 Lineare Optimierung 11 Ganzzahlige und kombinatorische Optimierung 12 Dynamische Optimierung Literatur: zu 10-12: Neumann,
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrLeseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter
Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl
Mehr4. Versicherungsangebot
4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrKompetitive Analysen von Online-Algorithmen
Kompetitive Analysen von Online-Algorithmen jonas echterhoff 16. Juli 004 1 Einführung 1.1 Terminologie Online-Algorithmen sind Algorithmen, die Probleme lösen sollen, bei denen Entscheidungen getroffen
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
MehrQM: Prüfen -1- KN16.08.2010
QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,
MehrApproximation durch Taylorpolynome
TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
Mehr1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
MehrAlgorithmentheorie. 13 - Maximale Flüsse
Algorithmentheorie 3 - Maximale Flüsse Prof. Dr. S. Albers Prof. Dr. Th. Ottmann . Maximale Flüsse in Netzwerken 5 3 4 7 s 0 5 9 5 9 4 3 4 5 0 3 5 5 t 8 8 Netzwerke und Flüsse N = (V,E,c) gerichtetes Netzwerk
MehrAufgabenset 1 (abzugeben 16.03.2012 an LK@wacc.de)
Aufgabenset 1 (abzugeben 16.03.2012 an LK@wacc.de) Aufgabe 1 Betrachten Sie die Cashflows der Abbildung 1 (Auf- und Abwärtsbewegungen finden mit gleicher Wahrscheinlichkeit statt). 1 Nehmen Sie an, dass
Mehr3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
MehrLösungen zu den Übungsaufgaben aus Kapitel 5
Lösungen zu den Übungsaufgaben aus Kapitel 5 Ü5.1: Die entsprechende Bellman sche Funktionalgleichung kann angegeben werden als: Vct (, ) = max qt D { r rt t ( min{ q t, c} ) min{ q t, c} Vc ( min{ q t,
MehrBerechnung der Erhöhung der Durchschnittsprämien
Wolfram Fischer Berechnung der Erhöhung der Durchschnittsprämien Oktober 2004 1 Zusammenfassung Zur Berechnung der Durchschnittsprämien wird das gesamte gemeldete Prämienvolumen Zusammenfassung durch die
MehrKap. 8: Speziell gewählte Kurven
Stefan Lucks 8: Spezielle Kurven 82 Verschl. mit Elliptischen Kurven Kap. 8: Speziell gewählte Kurven Zur Erinnerung: Für beliebige El. Kurven kann man den Algorithmus von Schoof benutzen, um die Anzahl
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
Mehr1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung
1 Einleitung 1.1 Motivation und Zielsetzung der Untersuchung Obgleich Tourenplanungsprobleme zu den am häufigsten untersuchten Problemstellungen des Operations Research zählen, konzentriert sich der Großteil
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrOptimierung und Simulation ökonomischer Problemlagen privater Haushalte 3. Vorlesung
Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 3. Vorlesung Rainer Hufnagel / Laura Wahrig 2006 Diese Woche LO - Sensitivitätsanalyse Simulation Beispiel Differenzengleichungen
MehrUniversität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW
Universität Bonn, Institut für Angewandte Mathematik Dr. Antje Kiesel WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW 08.03.2013 Matrikelnummer Platz Name Vorname 1 2 3 4 5 6
MehrDas Mathematik-Abitur im Saarland
Informationen zum Abitur Das Mathematik-Abitur im Saarland Sie können Mathematik im Abitur entweder als grundlegenden Kurs (G-Kurs) oder als erhöhten Kurs (E-Kurs) wählen. Die Bearbeitungszeit für die
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
Mehr10 Erweiterung und Portierung
10.1 Überblick In vielen Fällen werden Compiler nicht vollständig neu geschrieben, sondern von einem Rechnersystem auf ein anderes portiert. Das spart viel Arbeit, ist aber immer noch eine sehr anspruchsvolle
MehrKapitel 5: Dynamisches Programmieren Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
MehrGrundlagen der Theoretischen Informatik, SoSe 2008
1. Aufgabenblatt zur Vorlesung Grundlagen der Theoretischen Informatik, SoSe 2008 (Dr. Frank Hoffmann) Lösung von Manuel Jain und Benjamin Bortfeldt Aufgabe 2 Zustandsdiagramme (6 Punkte, wird korrigiert)
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrInsiderwissen 2013. Hintergrund
Insiderwissen 213 XING EVENTS mit der Eventmanagement-Software für Online Eventregistrierung &Ticketing amiando, hat es sich erneut zur Aufgabe gemacht zu analysieren, wie Eventveranstalter ihre Veranstaltungen
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrDie Optimalität von Randomisationstests
Die Optimalität von Randomisationstests Diplomarbeit Elena Regourd Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2001 Betreuung: Prof. Dr. A. Janssen Inhaltsverzeichnis
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrCoupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler
Coupon Collector's-Problem (Sammelbilderproblem) Name: Walter Wolf Matrikelnr.: 533440 Dozent: Dr. W. Kössler Problemstellung Als Sammelbilderproblem bezeichnet man die Frage, wie viele Produkte bzw. Bilder
MehrKorrigenda Handbuch der Bewertung
Korrigenda Handbuch der Bewertung Kapitel 3 Abschnitt 3.5 Seite(n) 104-109 Titel Der Terminvertrag: Ein Beispiel für den Einsatz von Future Values Änderungen In den Beispielen 21 und 22 ist der Halbjahressatz
MehrDer Kostenverlauf spiegelt wider, wie sich die Kosten mit einer Änderung der Ausbringungsmenge (z.b. produzierte Stückzahl) ändern.
U2 verläufe Definition Der verlauf spiegelt wider, wie sich die mit einer Änderung der Ausbringungsmenge (z.b. produzierte Stüczahl) ändern. Variable Die variablen sind in der betriebswirtschaftlichen
MehrStackelberg Scheduling Strategien
Stackelberg Scheduling Strategien Von Tim Roughgarden Präsentiert von Matthias Ernst Inhaltsübersicht Einleitung Vorbetrachtungen Stackelberg Strategien Ergebnisse Seminar Algorithmische Spieltheorie:
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
Mehr( ) als den Punkt mit der gleichen x-koordinate wie A und der
ETH-Aufnahmeprüfung Herbst 05 Mathematik I (Analysis) Aufgabe [6 Punkte] Bestimmen Sie den Schnittwinkel α zwischen den Graphen der Funktionen f(x) x 4x + x + 5 und g(x) x x + 5 im Schnittpunkt mit der
MehrBin Packing oder Wie bekomme ich die Klamotten in die Kisten?
Bin Packing oder Wie bekomme ich die Klamotten in die Kisten? Ich habe diesen Sommer mein Abi gemacht und möchte zum Herbst mit dem Studium beginnen Informatik natürlich! Da es in meinem kleinen Ort keine
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrDynamische Optimierung
12 Dynamische Optimierung Motivation/Einführung: zwei mögliche Pfade Dynamische Optimierung Sequentielle Optimierung Stufenoptimierung Für Planungsprobleme, deren Entscheidungsgrundlagen problemseitig
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
Mehr(Lineare) stochastische Optimierung
(Lineare) stochastische Optimierung Bsp: Aus zwei Sorten Rohöl wird Benzin und Heizöl erzeugt. Die Produktivität sowie der Mindestbedarf (pro Woche) und die Kosten sind in folgender Tabelle angegeben:
MehrGrundlagen der Monte Carlo Simulation
Grundlagen der Monte Carlo Simulation 10. Dezember 2003 Peter Hofmann Inhaltsverzeichnis 1 Monte Carlo Simulation.................... 2 1.1 Problemstellung.................... 2 1.2 Lösung durch Monte
MehrExtrema von Funktionen in zwei Variablen
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrDeterministische Turing-Maschinen (DTM) F3 03/04 p.46/395
Deterministische Turing-Maschinen (DTM) F3 03/04 p.46/395 Turing-Machine Wir suchen ein Modell zur formalen Definition der Berechenbarkeit von Funktionen und deren Zeit- und Platzbedarf. Verschiedene Modelle
MehrDefinition 3.1: Ein Differentialgleichungssystem 1. Ordnung
Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt
MehrInfo zum Zusammenhang von Auflösung und Genauigkeit
Da es oft Nachfragen und Verständnisprobleme mit den oben genannten Begriffen gibt, möchten wir hier versuchen etwas Licht ins Dunkel zu bringen. Nehmen wir mal an, Sie haben ein Stück Wasserrohr mit der
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
MehrSoftware Engineering. Sommersemester 2012, Dr. Andreas Metzger
Software Engineering (Übungsblatt 2) Sommersemester 2012, Dr. Andreas Metzger Übungsblatt-Themen: Prinzip, Technik, Methode und Werkzeug; Arten von Wartung; Modularität (Kohäsion/ Kopplung); Inkrementelle
MehrLernmaterial für die Fernuni Hagen effizient und prüfungsnah
Lernmaterial für die Fernuni Hagen effizient und prüfungsnah www.schema-f-hagen.de Sie erhalten hier einen Einblick in die Dokumente Aufgaben und Lösungen sowie Erläuterungen Beim Kauf erhalten Sie zudem
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Kapitel 6: Induktives Vorgehen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für Theoretische
Mehr8. Quadratische Reste. Reziprozitätsgesetz
O Forster: Prizahlen 8 Quadratische Reste Rezirozitätsgesetz 81 Definition Sei eine natürliche Zahl 2 Eine ganze Zahl a heißt uadratischer Rest odulo (Abkürzung QR, falls die Kongruenz x 2 a od eine Lösung
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
MehrTangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:
Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHISCHE UIVERSITÄT MÜCHE Zentrum Mathematik PRF. R.R. JÜRGE RICHTER-GEBERT, VAESSA KRUMMECK, MICHAEL PRÄHFER Höhere Mathematik für Informatiker I (Wintersemester 003/004) Aufgabenblatt 1 (4. ktober 003)
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
MehrPhysik 4, Übung 11, Prof. Förster
Physik 4, Übung 11, Prof. Förster Christoph Hansen Emailkontakt ieser Text ist unter dieser Creative Commons Lizenz veröffentlicht. Ich erhebe keinen Anspruch auf Vollständigkeit oder Richtigkeit. Falls
MehrMathematik I für Wirtschaftswissenschaftler
1 Mathematik I für Wirtschaftswissenschaftler Lösungsvorschläge zur Klausur am 01.08.2003. Bitte unbedingt beachten: a) Verlangt und gewertet werden alle vier gestellten Aufgaben. Alle Aufgaben sind gleichwertig.
MehrDie Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist
Frage Die Pareto Verteilung wird benutzt, um Einkommensverteilungen zu modellieren. Die Verteilungsfunktion ist k a F (x) =1 k>0,x k x Finden Sie den Erwartungswert und den Median der Dichte für a>1. (Bei
MehrSchleswig-Holstein 2011. Kernfach Mathematik
Aufgabe 6: Stochastik Vorbemerkung: Führen Sie stets geeignete Zufallsvariablen und Namen für Ereignisse ein. Machen Sie auch Angaben über die Verteilung der jeweiligen Zufallsvariablen. Eine repräsentative
Mehr