Hinweis für Leser der Folien. Mathematik und Wirtschaft. Was ist Wirtschaftsmathematik? Gliederung. Bedeutung der Wirtschaftsmathematik in der Schule
|
|
- Leonard Hummel
- vor 7 Jahren
- Abrufe
Transkript
1 optimaler Standort Mathematik und Wirtschaft Hinweis für Leser der Folien Folien dienen in einem Vortrag der Unterstützung des gesprochenen Wortes Wenn Sie diese Folien ohne Vortrag lesen, sind naturgemäß manche eile nicht verständlich Dies gilt insbesondere für Folien, die mit Animierung arbeiten und die im Folgenden nicht sichtbar werden Mathe & Wirtschaft, Speyer, Feb Gliederung Wirtschafts- und Schulmathematik Lineare Optimierung Knappe Ressourcen elementare Geometrie Produktionsplanung graphisches Lineares Programmieren Modelländerung: Kleine Ursache große (?) Wirkung Lineare Programme und Matrizen Lehr- und Lernmaterialien der linearen Optimierung im Internet Fallbeispiele: Fahrkartenpreise Evakuierung Krebsbestrahlung Standortplanung Notfallhubschrauber elementare Geometrie Supply Chain Management Parallellager- und Materialflußplanung Lehr- und Lernmaterialien des Lehrstuhl Mathematik: Strukturieren Verstehen Was ist Wirtschaftsmathematik? Einsatz von mathematischen Methoden zur Lösung von wirtschaftlichen Problemen Abstraktes Lösen von Problemen Wirtschaften: über knappe Mittel so zu verfügen, dass sich die menschlichen Bedürfnisse befriedigen lassen Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Modellierungszyklus der Wirtschaftsmathematik Interpretation und Evaluierung der Lösung in Praxis Praktisches Problem (Projekt) Lösung des mathematischen Modells Aufstellen eines mathematischen Modells Bedeutung der Wirtschaftsmathematik in der Schule Motivation Anwendungen können leicht erklärt werden Potential und Grenzen der Mathematik bei der Lösung von Problemen wird sichbar Standard-Schulmathematik reicht für vereinfachte mathematische Modelle Interdisziplinarität im Unterricht Sozialkunde Informatik, Innere Differenzierung im Unterricht Besprechung komplexerer Modelle Verständnis für Modellierungszyklus Stimmt das??? Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb
2 Bedeutung von LP in der Wirtschaft Umfrageergebnis des Fachbereichs Mathematik, U Kaiserslautern, in der Wirtschaft: LP ist für uns das wichtigste mathematisches Werkzeug Wirtschaftliche Anwendungsbeispiele (persönliche Erfahrung): - Produktionsplanung - Bestückung elektronischer Bauteile - Krankenhausmanagement - Organisation von ransporten - Evakuierungsplanung - Optimierung von Bestrahlungsplanung - ourenplanung der Müllabfuhr - Knappe Ressourcen Elementare Geometrie Rucksackproblem: Wie viele Gegenstände kann man in einen Rucksack packen, wenn man das Volumen jedes Gegenstandstyps das Gesamtvolumen des Rucksacks kennt? Volumen des Rucksacks: Anwendung in der Wirtschaft: Rucksack: Lastwagen, Space Shuttle, Großprojekt mit Budget, Gegenstandstypen: ransportgüter, eilprojekte mit Kosten, Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Nur ypen: Kleines Beispiel Volumen des Rucksacks: 8 Entscheidungsvariable x Anzahl der Gegenstände vom yp x Anzahl der Gegenstände vom yp Rucksackbedingung: x + x < 8 x, x > 0 y 6 x>0 x + y < 8 x + y = 8 Zulässigkeitspolyeder Rucksack Beispiel x + y < 8 x, y > 0 Schulmathematische hemen: Geraden und Gleichungen Halbräume Polyeder y>0 x Mathe & Wirtschaft, Speyer, Feb Der Gewinn beim Verkauf von Kakaoprodukten soll maximiert werden Daten: Kakaopulver Schokolade Vorhandene Kapazität Gewinn 0 0 Anlage 8 Anlage 0 Anlage 0 Lineares Programm: Kleines SchokoLeb Beispiel (Entscheidungs-)Variable: x, x Mathe & Wirtschaft, Speyer, Feb maximiere 0 x + 0 x unter x + x 8 x + 0 x 0 x + x x,x 0 Algorithmus : Grafisches Verfahren zur Lösung Linearer Programme mit zwei Variablen Input: Lineares Programm der Form max cx + cx ax + ax b K amx + amx bm x, x 0 Output: Optimallösung (x * x *) mit optimalem Zielfunktionswert z* Beispiel Beispiel Schritt : Für i =,,m zeichne nacheinander die Geraden a i x + a i x = b i und die zugehörigen Halbräume a i x + a i x < b i Schritt : Bestimme den Zulässigkeitsbereich, dh das Polyeder P, gegeben als die Menge aller x, x > 0, die im Durchschnitt der Halbräume a i x + a i x < b i liegen Schritt Wähle irgendeine Zahl z und zeichne die Gerade c x + c x = z Schritt : Verschiebe diese Gerade parallel, so dass der Wert von z größer wird ue dies so lange bis ein Wert z =:z* erreicht ist, so dass die Gerade c x + c x = z* das Polyeder P nur noch berührt, dh das Polyeder vollständig auf einer Seite der Geraden liegt Wähle (x * x *) als einen der Eckpunkte, in denen die Gerade c x + c x = z das Polyeder berührt
3 6 x=0 0x + 0y =0 0x + 0y =0 x>0 Optimallösung (x* y*) = ( 6) Zulässigkeitspolyeder x < x = y = y < LP (SchokoLeb Beispiel) Max 0x + 0y udn x + y < 8 x < y < x, y > 0 0x + 0y =60 x=0 x>0 -x+y< -x+y= Optimallösung (x* y*) = ( ) max y unter dennebenbedingungen x + y x + y x, y 0 z* = = 0 x + y enthält Optimallösung (x* y*) = ( ) x + y < 8 Algorithmus - - z = = 0 x + y y>0 y=0 x + y = 8 y>0 y=0 - - x+y< x+y= Modelländerungen Modelländerungen zur Erinnerung: Praktisches Problem (Projekt) Was ist wenn Interpretation und Evaluierung der Lösung in Praxis Aufstellen eines mathematischen Modells die Lösung nicht aus der Zeichnung abgelesen werden kann Kosten minimiert, statt Gewinn maximiert wird Gleichung Min Lösung des mathematischen Modells die Produktionseinheiten ganzzahlig sein müssen IP Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb x =0 x >0 Optimallösung (x * x *) = (??) -6x +0x =6-6x +0x < 6 max x + 8x 6x + 0x 6 6x + x 76 x, x 0 Lösen von LPs und Gleichungssysteme - Die Lösung erfüllt das Gleichungssystem - - z* =?? = x z = 6 = x + 8x + 8x enthält Optimallösung (x * x *) = (??) - - 6x +x < 76 x >0 x =0 6x +x = x +0x =6 6x +x =76 0x +(0 + ) x = (6 + 76) x = 88 x = 7/ x = (0*7/ - 6) / 6 = 7/ Mathe & Wirtschaft, Speyer, Feb
4 x =0 x >0 Optimallösung (x * x *) = (7/ 7/) -6x +0x =6-6x +0x < 6 max x + 8x 6x + 0x 6 6x + x 76 x, x 0 f(x ) g(x ) Maximieren Minimieren min f(x ) = x x < x > z* = / = x + 8x enthält Optimallösung (x * x *) = (7/ 7/) Optimallösung: x = x x >0 x =0 - Optimallösung: x = x +x < 76 6x +x = max g(x ) = - x x < x > Mathe & Wirtschaft, Speyer, Feb Maximieren Minimieren Ganzzahlige Produktionspläne max c x + c x min ( c ) x + ( c ) x Was passiert, wenn Produktionseinheiten nur ganzzahlige Werte annehmen können? m m m x, x K 0 m m m x, x 0 K Ganzzahliges, lineares Programm: max c x + c x m m m x, x 0 ganzzahlig K Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Beispiel: ransport von Gefahrengütern Ganzzahliges, Lineares Programm Wieviel (nicht teilbare) Einheiten eines Gutes bzw kann man transportieren, wenn pro Einheit: Gut Gut Profit: 7 (Mill Euro) Kapazität: (Platzeinheiten) Gefahrenwert: 9 - ( -0 bis +0 Skala) (additiv) Dabei Gesamtkapazität: Gefahrenhöchstwert: 6 pro Einheit: Gut Gut Gesamt Profit: 7 (Mill ECUs) Kapazität: (Platzeinheiten) wissensch 9 ( -0 bis +0 Skala) 6 Wert: - Maximiere x + 7x unter den Nebenbedingungen x + x < 9x - x < 6 Vorzeichenbedingungen x,x > 0 Ganzzahligkeitsbedingungen x,x ganzzahlig Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb
5 x Lösung der LP- Relaxierung Maximiere x + 7x unter den Nebenbedingungen x + x < 9x - x < 6 Vorzeichenbedingungen x,x > 0 Ganzzahligkeitsbedingungen x,x ganzzahlig x Konvexe Hülle der ganzzahligen Lösungen x + x < 9x - x < 6 Optimallösung ohne Ganzzahligkeit: x * =, x * = Zielfunktionswert: x + 7x =,7 x + x < x * =, x * = $ Problem P = NP? 9x - x < 6 Zielfunktion: x + 7x = x x Zielfunktionswert: x + 7x =8 Zielfunktion: x + 7x = 0 Zielfunktion: Mathe & Wirtschaft, Speyer, Feb x + 7x alter (i,j) Entfernungstarif neuer (k,l) Wabentarif arifplanung im ÖPNV - Waben Ändere Entfernungstarif in Wabentarif, so dass Kunden möglichst wenig betroffen sind i,j, k,l, Haltestellen (unbekannte) Waben d ij p kl Haltestelle i - Zone k Zuordnung: h ik {0,} Westpfalz Verkehrsverbund alter (i,j) Entfernungstarif Haltestelle i - Zone k Zuordnung arifplanung im ÖPNV - Waben Minimiere Abweichung von alten arifen: minimiere neuer (k,l) Wabentarif h h d p ik jl ij kl i, j, k, l k ik ik p, d 0 kl h = i h {0,} i, k ij NP-schweres Problem einfach, falls Zonen gegeben sind Westpfalz Verkehrsverbund Zonen können unzusammenhängend sein Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Matrixschreibweise für Lineare Programme maximiere 0 x + 0 x unter x + x 8 x + 0 x 0 x + x x,x 0 maximiere c x unter Ax b x 0 wobei c = (0,0) 8 b A x 0 x =, = 0 und = x Matrizen und Vektoren (Entscheidungs-) Vektor x = (x x ) x ransposition eines Vektors x = x Zielfunktionsvektor c = ( c c ) = ( 0 0) Koeffizientenmatrix Kapazitätsvektor a a A = a a = 0 a a 0 b 8 b = b = b maximiere 0 x + 0 x unter x + x 8 x + 0 x 0 x + x x,x 0 Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb
6 Lineare Programme in Standardform maximiere 0 x + 0 x unter x + x 8 x + 0 x 0 x + x x,x 0 minimiere -0 x + -0 x unter x + x 8 x + 0 x 0 x + x x,x 0 minimiere -0 x + (-0) x unter x + x + x = 8 x + 0 x + x = 0 x + x + x = x,x, x,x,x 0 Schlupfvariable x=0 x>0 6 Zulässigkeitspolyeder x < x = y = y < x + y < 8 LP (SchokoLeb Beispiel) Max 0x + 0y udn x + y < 8 x < y < x, y > 0 minimiere -0 x + -0 x unter x + x + x = 8 x + 0 x + x = 0 x + x + x = x,x, x,x,x > 0 Visualisierung eines -dimensionalen Raumes y>0 y=0 Mathe & Wirtschaft, Speyer, Feb x + y = 8 Matrixschreibweise für Lineare Programme in Standardform Im Beispiel: c minimiere c x unter = ( 0, 0,0,0,0) Mx = b x 0 maximiere 0 x + 0 x unter x + x 8 x x b =, M = ( A I ) = und x = x x x x + 0 x 0 x + x x,x 0 ransformation in Standardform Jedes Lineare Programm kann in ein Lineares Programm in Standardform mit b > 0 transformiert werden Beweis: minimiere unter c x Mx = b x > 0 multipliziere jede (Un-)Gleichung mit b i <0 mit (-) (bei Ungleichungen > durch < ersetzen und umgekehrt) addiere in jeder Ungleichung < eine Schlupfvariable subtrahiere in jeder Ungleichung > eine Überschußvariable füge im Vektor c für jede neue Variable eine 0 ein ersetze ggf maximiere durch minimiere (und dabei c durch (-c)) Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb ransformation in Standardform (Beispiel) Simplexstarttableau - Beispiel maximiere x +x -x unter x - x = -x +x > -x +x -x < x +x > - minimiere -x -x +x +0x +0x +0x 6 x -x = = = -x +x > -x> 6 = -x +x -x < + x < = -x x -x < +x < = c = (,,,0,0,0) M = b = c = M b = maximiere 0 x + 0 x unter x + x 8 Kompakte Darstellung der Daten eines LP in Standardform mit Basis B= {,,} x + 0 x 0 x + x x,x 0 Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb
7 Simplexverfahren - Grundidee In jeder Iteration geht man von einer zulässigen Basislösung x zu einer anderen benachbarten zulässigen Basislösung x : - die zu x bzw x gehörenden Einheitsvektoren in M unterscheiden sich um genau eine Spalte (Basisaustausch) - der Zielfunktionswert c x von x ist mindestens so gut wie der von x Lösung durch Enumeration aller Basislösungen? Anzahl der Basislösungen: n + m ( n + m)! ( n + )( n + )( n + m) Cn( n + m, m) : = = = m m! n! m! n m Cn(n+m,m) , * , * 0 6 Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Simplexverfahren - Beispiel - - Simplexverfahren - Beispiel c = M b = B={,, } Basislösung x -- = (0 0 8 ) mit Zielfunktionswert 0 Basistausch: B={,, } B ={,,} = B \ {} {} Z0: = Z0 ( 0) Z = Z: = Z Z Neue Basislösung: x -- = ( ) Zielfunktionswert ist -0x -0x +0x +0x +0x = -0 ransformiere die erste Spalte in M in den zweiten Einheitsvektor durch Pivotoperationen Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Simplexverfahren - Beispiel - - Basisaustausch: {,,} {,,}, dh wir ersetzen den Einheitsvektor in Spalte mit Hilfe von Pivotoperationen durch einen Einheitsvektor in Spalte : Z : = Z Z0: = Z0 ( 0) Z 0 0 Z: = Z Z Neue Basislösung: x -- = ( 0 0 6) Zielfunktionswert -0x -0x +0x +0x +0x = -70 Simplexverfahren - Beispiel - - Basisaustausch: {,,} {,,}, dh wir ersetzen den Einheitsvektor in Spalte mit Hilfe von Pivotoperationen durch einen Einheitsvektor in Spalte : : - 0 Z = Z Z0: = Z0 ( ) Z Z : = Z ( ) Z Z: = Z Z Basislösung: x -- = ( 6 0 0) Zielfunktionswert -0x -0x +0x +0x +0x = -60 Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb
8 Optimalitätskriterium Die Lösung des SchokoLeb Beispiels Wenn in einem Simplextableau bis auf den Eintrag in der rechten, oberen Ecke, alle Einträge in der obersten Zeile und in der letzten Spalte größer oder gleich 0 sind, dann ist die zugehörige Basislösung eine Optimallösung des Linearen Programms c = M b = Durch Simplexxls (freies Download Programm) wwwmathlouisvilleedu/~t0ried0/simplexxls Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Fallbeispiel Evakuierungsplanung Max V Σ (x):= Σ Σ Σ x id (t') t=0 (i,d) A {t' : t' +λ id (t' )= t} MDF problem (cont) x ji (t ') time t'' t' t- t t + Conservation flow constraint: node x pi (t '') x ii (t) x ii (t-) x il (t) x ik (t) Σ Σ x ji (t' ) + x ii (t-) - Σ x ij (t) - x ii (t) = 0, i N-{s,d}, t (j,i) A {t' : t' +λ ji (t' )= t} (i,j) A () Arc (movement flow) capacity constraint: 0 x ij (t) u ij (t) () Node (holdover flow) capacity constraint: 0 x ii (t) a i (t), i N -{s,d}, t () Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Fallbeispiel Krebsbestrahlung Berechnung des Intensitätsprofils mittels multikriterieller Optimierung minimize ( t, t,, t K ) such that P x + t L e L e P k x t k U k e U k e, k =,,K t = ( t, t,, t K ) 0 x 0 Bestimmung von 00-,000 Pareto Lösungen und Suche in einer Datenbank mit Hilfe eines grafischen Suchwerkzeugs Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb
9 Internet Ressourcen zu LP - - Internet Ressourcen zu LP - - REALISISCHE FALLBEISPIELE: Viele kleine Beispiele von LP Anwendungen zum Üben vom LP Modellieren und Lösen: Sammlung von Fallbeispielen: Überblick über LP Anwendungen (kommentierte Bibliographie) : GAMS: Bibliothek von Fallbeispielen mit LP Modellierung in GAMS Modellierungssprache: Auflistung nach hemen: AMPL: Bibliothek von Fallbeispielen mit LP Modellierung in AMPL Modellierungssprache: Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Internet Ressourcen zu LP - - Internet Ressourcen zu LP - - FREI VERFÜGBARE OPIMIERUNGSSOFWARE LINDO: XPRESS: registrieren, dann freie Software runterladen unter XPRESS GRAFISCHES VERFAHREN mit online Eingabe von Zielfunktion und Daten SONSIGES Üben von Pivotoperationen: AMPL: (online Version für grosse Beispiele verfügbar) softwaredemo Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Lehrerfortbildungs- und Schülerprojekte Internetressourcen: E-Learning: Unterrichtsmaterialien, Projektbeschreibungen etc Lehrerfortbildungs- und Schülerprojekte Buch inkl Lehrmaterialien (powerpoint Folien, Übungsaufgaben): Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb
10 Platzierung von Notfallhubschraubern (Weisses Kreuz, irol) Einsatzorte (bekannt) Standort (unbekannt) für einen Hubschrauber Spezialfall: Hubschrauber - Einsatzorte E E Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Spezialfall: Hubschrauber - m Einsatzorte Mittelpunkt zwischen E und E E E Mittelpunkt zwischen E und E als Kreismittelpunkt Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Mittelsenkrechte zwischen E und E Mittelsenkrechte zwischen E und E Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb
11 Der beste Standort eines Hubschraubers für Einsatzorte : Lösung des -Hubschrauberproblems MS E E MS E E E E MS eckige Kreise Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Verfahren zur Lösung des -Standortproblems Verfahren zur Lösung des -Standortproblems - Beispiel Löse das Problem für alle Paare und riple von Einsatzorten Zeichne die entsprechenden Kreise SOP: Sobald einer der Kreise alle Einsatzorte enthält,, Gültigkeitsbeweis? (Löst man so tatsächlich das Problem?),, Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Verfahren zur Lösung des -Standortproblems - Beispiel Verfahren zur Lösung des -Standortproblems - Beispiel optimaler Standort,, Ex,Ex,Ex,,,, Wieviele Probleme müssen gelöst werden: n n n( n ) n( n )( n ) + = + = O( n ) 6 Kann man vermeiden, alle diese vielen Probleme zu lösen? Ja: Elzinga-Hearn Algorithmus (97) Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb
12 Aufgabe Lösung Bestimmt einen optimalen Standort x für den Hubschrauberlandeplatz, wenn Ex = A = ( -) Ex = B = (0 ) Ex = C = ( 8) Ex = D = (6 6) Ex = A = ( -) Ex = B = (0 ) Ex = C = ( 8) Ex = D = (6 6) 0 B C X D die Koordinaten der Einsatzorte sind 0 A Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Mehr als Hubschrauber - Was ist zu tun? Supply Chain Management Bilde soviele Cluster aus den Einsatzorten, wie Hubschrauber vorhanden sind Löse für jedes Cluster das -Hubschrauber Problem Ein einfaches Vertriebsnetzwerk Lieferanten Werke Vertriebszentren Kunden Wie bestimmt man Cluster? ZB durch Bestimmung eines Spannenden Waldes (Graphentheorie) Heuristik Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Vertriebsnetzwerk-Design Analyse eines existierenden Vertriebsnetzwerks (Forts) Werke Vertriebszentren Kunden ypische Entscheidungen: Vetriebszentren Wie viele? Wo? Größe? Welche Kunden werden von jedem Vertriebszentrum beliefert? Input: Entscheidungen: Ziel: Netzwerkstruktur Kundennachfrage ransportkosten Belieferungsmuster: vom VZ zum Kunden Größe der Vertriebszentren Vertriebszentren Kunden Minimierung der Entfernungen Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb
13 Analyse eines existierenden Vertriebsnetzwerks (Forts) Voronoi-Diagramme Für Punkte: Für Punkte: Annahmen: identische Vertriebszentren (VZ) gleicher Güterpreis in jedem VZ ransportkosten = fester Preis Distanz jeder Kunde wird von dem nächstgelegenen VZ beliefert Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Kundenzuordnung mit Hilfe von Voronoi- Diagrammen Kundenzuordnung mit Hilfe von Voronoi- Diagrammen Ansatz: Unterteilung der Ebene in N Zellen, V(VZ ),,V(VZ N ) V(VZ i ) = I { x IR : d(x,vz) i d(x,vz k) } k: k i Voronoi-Diagramm VZen Kunden Vorteile: schnelles geometrisches Verfahren niedrige Datenanforderungen: nur Koordinaten von VZ,,VZ N falls l -Norm benutzt wird Plane Sweep Algorithmus O(NlogN) (S Fortune (987)) Nachteile: einige wichtige Aspekte werden nicht beachtet: Kosten sind nicht immer proportional zur Entfernung Standorte mit begrenzter Kapazität nicht entworfen für mehrstufige Vertriebsnetzwerke Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Schritt : Redesign eines Vertriebsnetzwerks Heuristik: Initialisierungsschritt Input: - oder -Stufe(n) Netzwerkstruktur Kundennachfrage ransportkosten Werke Vertriebszenteren Kunden Menge : wähle Voronoi-Knoten mit Wahl der Kandidatenstandorte für ein neues VZ a) größtem Gewicht b) zweitgrößtem Gewicht c) drittgrößtem Gewicht Entscheidungen: Ziel: Platziere neue VZen Belieferungsmuster: vom Werk zum VZ vom VZ zum Kunden Größe der Werke/ VZen Minimierung der Gesamtentfernungen Mathe & Wirtschaft, Speyer, Feb Knoten-Gewicht = Gesamtnachfrage aller Kunden in den angrenzenden Zellen Startlokation löse Standortproblem Lageverbesserung : Mathe & Wirtschaft, Speyer, Feb Neues Voronoi-Diagramm
14 Heuristik: Initialisierungsschritt Heuristische Annäherung mit Hilfe der Voronoi-Diagramme Menge : wähle Voronoi-Zelle mit a) größtem Gewicht b) zweitgrößtem Gewicht c) drittgrößtem Gewicht Position des Kandidaten = optimaler Standort in der ausgewählten Zelle Kandidat- Lageverbesserung : Zelle optimaler Standort löse Standortproblem Neues Voronoi-Diagramm Starte mit Voronoi-Diagramm(en) für existierende VZen (und Werke) Suche nach dem Standort des k-ten neuen VZs (k =,,#neuer VZen): w ä h l e S t a r t l o k a t i o n f ü r n e u e n S t a n d o r t e r s t e l l e e i n V o r o n o i - D i a g r a m m V e r b e s s e r u n g s - s c h r i t t l ö s e e i n z e l n e s p e i c h e r e d i e - S t a n d o r t p r o b l e m e i n k o s t e n g ü n s t i g s t e V o r o n o i - Z e l l e n m i t L ö s u n g n e u e n S t a n d o r t e n b e r e c h n e n e u e s V o r o n o i - D i a g r a m m u n d G e s a m t k o s t e n j a K o s t e n - v e r b e s s e r u n g? n e i n n e i n a l l e S t a r t - l o k a t i o n e n a u s - g e w ä h l t? j a E n d e Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Parallellager- und Materialflußplanung Erwartete Anzahl aktiver Stockwerke Parallellager mit Durchfluß von ransporteinheiten (E) pro Stunde Daten: En occ n = Anzahl der Stockwerke m = Anzahl von Lagerplätzen/Stockwerk n = Anzahl der Een (unabhängig, gleichförmig verteilt, n >n) n k n k m k i nm i = k i ( ) n ( ) n k = 0 i = 0 k, Pirmasens, Germany Rechentest: Man kann nur 70% bis 90% aktiver Stockwerke erwarten (in der Praxis) Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb Optimierungsbeispiel: Hubrahmen Ziel: Gleichmäßige Verteilung auf Ebenen Gleichmäßige Auslastung der Kommissionierplätze Von den n! vielen möglichen Permutationen können (m+)!(m+) n-m- realisiert werden Optimierungsbeispiel: Hubrahmen Kosten der Plazierung von E i auf Ebene j zb #E derselben Farbe min i, j ij j i ij ij ij c ij x ij x = i x = j x ij = E i auf Ebene j {x i, j} sind zulässige Permutationen x {0,} i, j Mathe & Wirtschaft, Speyer, Feb Mathe & Wirtschaft, Speyer, Feb
15 Systemoptimierung durch (dynamische) Netzwerkflußprobleme optimaler Standort HE END Hubrahmen Materialflußnetzwerk Mathe & Wirtschaft, Speyer, Feb
Mathematik: Geometrie und Anwendungen in der Wirtschaft
Mathematik: Geometrie und Anwendungen in der Wirtschaft Voronoidiagramme und Kundenzuordnung von Horst W Hamacher IFB, Juni 2003 - Voronoidiagramme und Kundenzuordnung Seite 1 Gliederung Erinnerung SAP
MehrAnwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht
Anwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht Beispiele wirtschaftsmathematischer Modellierung Lehrerfortbildung, Speyer, Juni 2004-1- Beispiele wirtschaftsmathematischer Modellierung
MehrAnwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht
Anwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht Standortplanung Kunden Speyer, Juni 2004 - Beispiele mathematischer Medellierung Seite 1 Prof Dr Horst W Hamacher Standortplanung
MehrOptimierung 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
MehrComputer 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
MehrOptimale 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
MehrVORLESUNG 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
MehrKombinatorische Optimierung
Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales
MehrEigenschaften 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
MehrMinimumproblem. 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.
Mehr7.1 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
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Lineare Optimierung Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 1. Juli 2012 Outline Lineares Programm (LP) in Standardform
MehrDas Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering
Das Linear Ordering Problem Exakte Lösungsverfahren VO Algorithm Engineering für NP-schwierige Professor Dr. Petra Mutzel kombinatorische Lehrstuhl für Algorithm Engineering, LS11 Optimierungsprobleme
MehrDie 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)
MehrGrundlagen der Optimierung. Übung 6
Technische Universität Chemnitz Chemnitz, 2. November 24 Prof. Dr. R. Herzog, J. Blechschmidt, A. Schäfer Abgabe am 28. November 24 Grundlagen der Optimierung Übung 6 Aufgabe 2: Verschiedene Verfahren
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
Mehr1 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
MehrAbbildung 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
MehrLösung 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
MehrKap. 4: Lineare Programmierung
Kap. 4: Lineare Programmierung Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 13./14. VO A&D WS 08/09 27.11./2.12.2008 Petra Mutzel Alg. & Dat.
MehrProseminar Lineare Algebra WS 08/09 Prof. Dr. O. Bogopolski 1. Vortrag: Lineare Gleichungen. am 11. März von Maximilian Wahner
Proseminar Lineare Algebra WS 08/09 Prof. Dr. O. Bogopolski 1 Vortrag: Lineare Gleichungen am 11. März 2009 von Maximilian Wahner Technische Universität Dortmund Fakultät für Mathematik Proseminar Lineare
MehrTeil 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,
MehrOperations Research. Die Simplexmethode. LP-Dualität. Die Simplexmethode. Rainer Schrader. 18. Juni Zur Erinnerung: Gliederung
Operations Research Rainer Schrader Die Simplexmethode Zentrum für Angewandte Informatik Köln 18 Juni 00 1 / 1 / 1 Gliederung LP-Dualität ein lineares Produktionsmodell der Simplexalgorithmus Phase I Endlichkeit
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrVORLESUNG 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
MehrProduktionsplanung 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
MehrAufgaben zu Kapitel 23
Aufgaben zu Kapitel 23 Aufgaben zu Kapitel 23 Verständnisfragen Aufgabe 23 Bestimmen Sie grafisch die optimale Lösung x der Zielfunktion z = c T x unter den Nebenbedingungen mit dem Zielfunktionsvektor
Mehr4.4 Quadratische Optimierungsprobleme
4.4 Quadratische Optimierungsprobleme 1. Quadratische Programme (QP) 1 2 xt P x + q T x + r s.t. Gx h (4.34) wobei P S n +, G R (m n) und A R (p n) Zielfunktion (ZF) ist (konvex) quadratisch Nebenbedingungen
MehrOptimale Stationierung von Rettungshubschraubern
Rettungshubschraubern Universität Stuttgart Mathematische Modellierung Priv.-Doz. Dr. Iryna Rybak SS16 08.06.2016- Julia Löffelhardt Gliederung 1. Einführung 2. Modellrahmen 3. 1 Hubschrauber 1. 1 Hubschrauber,
MehrLineare Programmierung Teil I
Seminar über Algorithmen Prof. Dr. Helmut Alt Lineare Programmierung Teil I Lena Schlipf, Benjamin Jankovic Lena Schlipf, Benjamin Jankovic Seminar über Algorithmen SS05 1 Struktur des Vortrags 1. Was
MehrOptimierung 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
MehrOptimierung 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
Mehr4.3.3 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
MehrOptimierung I. Dr. Ulf Lorenz F2.413
Optimierung I Dr. Ulf Lorenz F2.413 flulo@upb.de Organisation Dozent: Dr. Ulf Lorenz F2.413 Fürstenallee 11 email: flulo@upb.de WWW: http://www.upb.de/cs/flulo (hier auch aktuelle Infos + Ü-Zettel) Vorlesungen:
MehrUnimodularität. 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
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg Berechnung von Eigenwerten und Eigenvektoren Mathematik 1 Bestimmung von Eigenwerten und Eigenvektoren Jedes λ, das det(a
MehrÜbung 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
MehrVorlesung 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..............................
MehrSimplex-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)
MehrProduktionsplanung und Lineare Optimierung
MaMaEuSch Management Mathematics for European Schools http://www.mathematik.unikl.de/~mamaeusch/ Produktionsplanung und Lineare Optimierung Horst W. Hamacher Diese Veröffentlichung ist Teil des Buchprojektes
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik. a 0 = 0 =
Lösungsskizzen zu den Klausuraufgaben zum Kurs 4 Algorithmische Mathematik 4KSL3 6 Punkte Aufgabe. Die Folge (a n ) n N natürlicher Zahlen a n sei rekursiv definiert durch a 0 = 0, a n = a n + n falls
MehrAufgabenkomplex 5: Hauptachsentransformation, Lineare Optimierung, Differentialrechnung in mehreren Veränderlichen
Aufgabenkomplex 5: Hauptachsentransformation, Lineare Optimierung, Differentialrechnung in mehreren Veränderlichen 1. Bestimmen Sie für die folgenden Funktionen zunächst die kritischen Stellen und entscheiden
Mehr6 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
MehrLineare (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-6020 Innsbruck, Österreich franz.pauer@uibk.ac.at 1 Einleitung In der linearen
MehrLineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
MehrNumerische 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)
MehrLineare (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik Universität Innsbruck Lehrer/innen/fortbildungstag Wien 2010 9. April 2010 Eine Maximumsaufgabe Eine Firma stellt aus
MehrLinOpt - Tool zur Visualisierung eines multikriteriellen Optimierungsproblems
LinOpt Tool zur Visualisierung eines multikriteriellen Optimierungsproblems Erstellt von Michael Berklmeir, Michael Haarnagell, Stefan Kraus, Stephan Roser im Rahmen einer Seminararbeit am Lehrstuhl für
MehrEinführung in die Lineare Programmierung
Einführung in die Lineare Programmierung Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 RWTH Aachen 28. Mai 2008 Elementares Beispiel Die kanonische Form Die algebraische Gleichungsform Gegeben seien
Mehr1 Lineare Optimierung, Simplex-Verfahren
1 Lineare Optimierung, Simplex-Verfahren 1.1 Einführung Beispiel: In einer Fabrik werden n Produkte A 1, A 2,..., A n hergestellt. Dazu werden m Rohstoffe B 1, B 2,..., B m (inklusive Arbeitskräfte und
MehrSchranken für zulässige Lösungen
Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrSeminar Ausgewählte Kapitel des Operations Research Die Allgegenwärtigkeit von Lagrange (Teil 1)
Seminar Ausgewählte Kapitel des Operations Research Die Allgegenwärtigkeit von Lagrange (Teil 1) Anna Raaz 21.12.2007 Einführung Die Relaxierung von Lagrange wird in der stochastischen Optimierung meistens
MehrLineare Optimierung und Simplex-Algorithmus
Lineare Optimierung und Simplex-Algorithmus Problemstellung Beispiel : Unser Unternehmen verfügt über drei Maschinen A, B, C, mit denen zwei verschiedene Produkte P, P2 hergestellt werden. Die Maschinen
Mehrz = 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,,
Mehr3. Übungsblatt zur Lineare Algebra I für Physiker
Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte
MehrDualitätssätze 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 =
MehrKap. 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
MehrOptimierung. 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,
Mehr4. Dualität Dualität 4.1 Dualität von LPs und der Dualitätssatz. Die duale Form eines LP in allgemeiner Form. Herleitung der dualen Form
2... 22 4.2 Die Bedingungen vom komplementären Schlupf... 23 4.3 Das Kürzeste-Wege-Problem und zugehörige duale Problem... 24 4.4 Das Farkas Lemma... 25 4.5 Duale Information im Tableau... 26 4.6 Der duale
MehrKapitel 5. Peter Becker (H-BRS) Operations Research I Sommersemester / 298
Kapitel 5 Dualität Peter Becker (H-BRS) Operations Research I Sommersemester 2014 241 / 298 Inhalt 5 Dualität Dualitätssätze Zweiphasen-Simplexalgorithmus Peter Becker (H-BRS) Operations Research I Sommersemester
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
Mehr(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
Mehr10.2 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
MehrInhalt. 8.1 Motivation. 8.2 Optimierung ohne Nebenbedingungen. 8.3 Optimierung unter Nebenbedingungen. 8.4 Lineare Programmierung
8. Optimierung Inhalt 8.1 Motivation 8.2 Optimierung ohne Nebenbedingungen 8.3 Optimierung unter Nebenbedingungen 8.4 Lineare Programmierung 8.5 Kombinatorische Optimierung 2 8.1 Motivation Viele Anwendungen
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehra n = 2a n n 1 IV = 2(n 1)2 n n 1 = (n 1)2 n n 1 = n2 n 1.
Lösungsskizzen zu den Klausuraufgaben zum Kurs 4 Algorithmische Mathematik 4KSL07 Aufgabe. Wir definieren die Folge {a n } n N rekursiv vermöge a 0 := 0, a n := a n + n für n. Zeigen Sie: a n = n n für
Mehr8. Lineare Optimierung
8. Lineare Optimierung 1 Einführung (1) Praktische Probleme sind oft Probleme mit Nebenbedingungen, z.b.: Ein Produktionsprozess hängt von Lieferterminen ab Die Menge der verstaubaren Güter ist durch die
Mehr3. Schnittebenenverfahren
3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research
MehrKapitel 2. Matrixalgebra. Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49
Kapitel 2 Matrixalgebra Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49 Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS.
Mehr3.2 Lineare Optimierung (Entscheidungen unter Sicherheit)
3. Lineare Optimierung (Entscheidungen unter Sicherheit) Betrachtet wird hier der Fall Θ = (bzw. die Situation u(a, ϑ) bzw. l(a,ϑ) konstant in ϑ Θ für alle a A). Da hier keine Unsicherheit über die Umweltzustände
MehrKapitel 2. Matrixalgebra. Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49
Kapitel 2 Matrixalgebra Josef Leydold Mathematik für VW WS 207/8 2 Matrixalgebra / 49 Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS.
MehrMatrixalgebra. Kapitel 2. Ein sehr einfaches Leontief-Modell. Matrix. Ein sehr einfaches Leontief-Modell. Vektor. Spezielle Matrizen I
Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS Kapitel 2 Matrixalgebra Technologiematrix und wöchentliche Nachfrage (in Werteinheiten):
MehrWenn man den Kreis mit Radius 1 um (0, 0) beschreiben möchte, dann ist. (x, y) ; x 2 + y 2 = 1 }
A Analsis, Woche Implizite Funktionen A Implizite Funktionen in D A3 Wenn man den Kreis mit Radius um, beschreiben möchte, dann ist { x, ; x + = } eine Möglichkeit Oft ist es bequemer, so eine Figur oder
MehrExtrema von Funktionen mit Nebenbedingung
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen mit Nebenbedingung Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrOperations Research. Konvexe Funktionen. konvexe Funktionen. konvexe Funktionen. Rainer Schrader. 4. Juni Gliederung
Operations Research Rainer Schrader Konvexe Funktionen Zentrum für Angewandte Informatik Köln 4. Juni 2007 1 / 84 2 / 84 wir haben uns bereits mit linearen Optimierungsproblemen beschäftigt wir werden
MehrZugeordneter 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
MehrLösungen zu Aufgabenblatt 6
Fachbereich Informatik Prof. Dr. Peter Becker Vorlesung Graphentheorie Operations Research Wintersemester 2004/05 3. Januar 2005 Lösungen zu Aufgabenblatt 6 Aufgabe 1 (Modellierung von LPs) Formulieren
MehrProbeklausur 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)
Mehrmit. Wir definieren (Skalarprodukt = Winkel).
1 Grundidee des Simplexverfahrens (von George Dantzig): Man bestimmt eine beliebige Ecke (Extremalpunkt) einer Lösungsmenge eines Ungleichungssystems. Nun geht man an den Kanten vom Punkt entlang und kontrolliert
MehrOperations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung.
Operations Research Rainer Schrader Flüsse in Netzwerken Zentrum für Angewandte Informatik Köln 2. Juli 2007 1 / 53 2 / 53 Flüsse in Netzwerken Unimodularität Gliederung Netzwerke und Flüsse bipartite
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,
MehrOPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck
Lemma 15 KLP 1 ist genau dann lösbar, wenn das dazugehörige LP KLP 2 eine Lösung mit dem Wert Z = 0 besitzt. Ist Z = 0 für x 0, x 0, dann ist x eine zulässige Lösung von KLP 1. Beweis von Lemma 15: Nach
MehrWirtschaftsmathematik für International Management (BA)
Wirtschaftsmathematik für International Management (BA) Wintersemester 2012/13 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Lineare Algebra 4 Lineare Programme 5 Folgen und Reihen 6
MehrMischungsverhältnisse: Nehmen wir an, es stehen zwei Substanzen (zum Beispiel Flüssigkeiten) mit spezifischen Gewicht a = 2 kg/l bzw.
Kapitel 5 Lineare Algebra 5 Lineare Gleichungssysteme und Matrizen Man begegnet Systemen von linearen Gleichungen in sehr vielen verschiedenen Zusammenhängen, etwa bei Mischungsverhältnissen von Substanzen
MehrGeometrische Deutung linearer Abbildungen
Geometrische Deutung linearer Abbildungen Betrachten f : R n R n, f(x) = Ax. Projektionen z.b. A = 1 0 0 0 1 0 0 0 0 die senkrechte Projektion auf die xy-ebene in R 3. Projektionen sind weder injektiv
MehrLineare Optimierung und ganzzahlige lineare Optimierung
Definition 1: Problem LP: Lineare Optimierung und ganzzahlige lineare Optimierung geg.: m, n N, A Z m n, b Z m, c Z n ges.: x R n 0 mit c T x max Beispiel 1: (Gewinnmaximierung) Ax b Gerät Abteilung 1
Mehr3.2.5 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
Mehr1. 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
MehrEcken des Zuordnungsproblems
Total unimodulare Matrizen Ecken des Zuordnungsproblems Definition.6 Ein Zuordnungsproblem mit den Vorzeichenbedingungen 0 apple x ij apple für i, j =,...,n statt x ij 2{0, } heißt relaxiertes Zuordnungproblem.
MehrLineare Gleichungssysteme
KAPITEL 2 Lineare Gleichungssysteme. Beispiele Wir betrachten zunächst vier Gleichungssysteme und bestimmen ihre Lösungsmenge. Dabei geht es uns noch nicht darum, ein Lösungsverfahren für lineare Gleichungssysteme
MehrEinführung in die Mathematik des Operations Research
Universität zu Köln Mathematisches Institut Prof. Dr. F. Vallentin Einführung in die Mathematik des Operations Research Sommersemester 3 en zur Klausur (7. Oktober 3) Aufgabe ( + 3 + 5 = Punkte). Es sei
MehrÜbungsblatt 6 Lösungsvorschläge
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Lösungsvorschläge Vorlesung Algorithmentechnik im WS 09/10 Problem 1: Größter Kreis in konvexem Polygon [vgl. Kapitel 6
MehrLineare Optimierung im Mathematikunterricht
Lineare Optimierung im Mathematikunterricht Horst W. Hamacher Stefanie Müller WiMS/TeMS -Report, Wirtschafts- und Technomathematik in Schulen Fachbereich Mathematik, Universität Kaiserslautern WiMS/TeMS
Mehr9 Lineare Gleichungssysteme
9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der
MehrLineare Optimierungsmodelle
Lineare Optimierungsmodelle Simplex-Methode Vortragender: Michael Schneider Agenda Motivation Operations Research Aufbau linearer Optimierungsmodelle Simplex-Methode Ausblick 2 Problemstellung Futtermischung
Mehr6 Lineare Gleichungssysteme
6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Einführung in die Matrizenrechnung
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra WS 006/07 en Blatt 3.0.006 Einführung in die Matrizenrechnung Zentralübungsaufgaben
Mehr