λ i x i λ i 0, x i X, nur endlich viele λ i 0}.
|
|
- Margarethe Weiner
- vor 7 Jahren
- Abrufe
Transkript
1 jobname LinOpt Sommer Aufgabe a) Sei X R n. Dann ist b) Cone X = { x i X λ i x i λ i, x i X, nur endlich viele λ i }. x Cone S = Lin S x Lin S = Cone S. Also gibt es nicht-negative Koeffizienten µ i von denen nur endlich viele verschieden von Null sind mit x = s i S µ i s i. Falls x S, so folgt die Behauptung direkt. Andernfalls ist und + µ x also x = si S s x x = µ x x + s i S\x µ i s i µ i + µ x s i Cone (S \ {x}). Cone S Lin S ist klar, wir müssen nur die umgekehrte Inklusion zeigen. Sei also z Lin S und z = s λ i S is i eine Linearkombination von z mit möglichst wenig negativen Koeffizienten λ i. Ist keiner negativ, so sind wir fertig. Ansonsten sei etwa λ <. Nach Voraussetzung ist s Cone(S \ {s }), also gibt es nicht-negative µ i (nur endlich viele ) mit s = µ i s i und mit s i S\s z = λ ( s ) + s i S\{s } λ i s i = s i S\{s } ( λ µ i ) +λ i s i }{{} erhalten wir eine Linearkombination von z mit echt weniger negativen Koeffizienten im Widerspruch zur Wahl der Darstellung von z. Aufgabe a) F P heißt Seite eines Polyeders, wenn es ein lineares Funktional d und ein δ R gibt mit dx δ für alle x P und F = {x P dx = δ}. b) Sei P = {y R n Ay b}. Dann ist f (P ) = {x R r A(Bx + c) b} = {x R r (AB)x b Ac} offensichtlich ein Polyeder. c) Seien d, δ wie in a). Dann ist f (F ) = {x R r A(Bx + c) b, d(bx + c) = δ} = {x R r (AB)x b Ac, (db)x = δ dc}.
2 jobname LinOpt Da A(Bx + c) b d(bx + c) δ (db)x δ dc ist f (F ), falls es nicht leer ist, eine Seite von f (P ). Aufgabe 3 a) Sei X R n endlich. Dann heißt Conv X ein Polytop. b) Zunächst kann man die Bedingung an die Norm auflösen in n Ungleichungspaare x i. Mit der Matrix A = ( n n ) und b der Vektor mit n sen und n -sen ist P = {x R n Ax b}, also ist P ein Polyeder. Nach Satz der Vorlesung sind Polytope genau die beschränkten Polyeder. P ist aber nach Voraussetzung bzgl. der -Norm beschränkt. Aufgabe a) Eine Optimierungsaufgabe max{cx Ax b} heißt zulässig, wenn es ein x R n gibt mit Ax b. b) Sei (P ) = max{cx Ax b} und (D) = min{yb ya = c, y }}. Sind beide Programme zulässig, so gilt Gleichheit. c) Nach b) ist ( ) ( ) A b max {cx x R n, x, Ax b} = max {cx x R n, x } n ( ) A = min {yb y R m, (y, z) = c, y, z } n = min {yb y R m, ya z = c, y, z } falls beide Programme zulässig sind. = min {yb y R m, y, ya c}, Aufgabe Wir bezeichnen mit x L, x A, x S die Anzahl der normal geräucherten Lachse, Aale bzw. Schollen und mit y L, y A, y S die Anzahl der in Überstunden geräucherten Fische. Dann haben wir die Restriktionen x L + x A + x S y L + y A + y S. Da die Summe der normal geräucherten und der in Überstunden geräucherten Fische die Gesamtzahl jeder Sorte Fisch nicht übersteigen darf, haben wir darüberhinaus: x L + y L 8 x A + y A x S + y S 3 und selbstverständlich x A, x L, x S, y L, y A, y S. Der Frischfisch ergibt sich dann als Differenz, also ist etwa 8 x l y L die Menge des produzierten frischen Lachses. Also erhalten wir als Nettogewinnfunktion x L + y L + 8(8 x L y L ) + x A + 7y A + ( x A y A ) + 3x S + 9y S + (3 x S y S ),
3 jobname 3 LinOpt die wir zusammenfassen zu x L + 3y L + 8x A + 3y A + 9x S + y S. Für die Optimierung spielt die Konstante keine Rolle, also erhalten wir als lineare Optimierungsaufgabe max 6x L + 3y L + 8x A + 3y A + 9x S + y S unter x L + x A + x S y L + y A + y S 3 x L + y L 8 x A + y A x S + y S 3 x L, x A, x S, y L, y A, y S b) Wir dualisieren, wobei wir als Variablen u n, u u für die Restriktionen an den normal bzw. in Überstunden geräucherten Fisch nehmen und u L, u A, u S für die Restriktion an die Gesamtzahl Fische. Dann erhalten wir als duales Programm: min u r + u u + 8u L + u A + 3u S unter u r + u L 6 u u + u L 3 u r + u A 8 u u + u A 3 u r + u S 9 u u + u S u L, u A, u S, u u, u r Die einzige Ungleichung aus dem primalen Programm, die in der angegebenen Lösung nicht mit Gleichheit erfüllt wird, ist die Bedingung an die Lachse. Nach dem Satz vom komplementären Schlupf muss also, falls die angegebene Lösung optimal ist, in jeder optimalen Duallösung u L = sein. Nach Tipp setzen wir ferner u r = 7. Damit benötigen wir u S =, u u = 3 und u A =. Als Zielfunktionswert erhalten wir im Primalen und im Dualen = = = =. Da Gleichheit gilt, müssen beide Lösungen optimal sein. Natürlich hätten Sie ebensogut das primale Programm mit dem Simplexalgorithmus optimieren können. Aufgabe 6 Für die zweite Zeile haben wir keine Einheitsspalte. Um also ein zulässiges Starttableau zu erhalten, benötigen wir eine künstliche Schlupfvariable z in der zweiten Zeile. Wir erhalten in Phase folgendes Starttableau: x z x 3
4 jobname LinOpt Beim Minimalquotiententest sind die erste und die zweite Zeile gleichberechtigt. Hier pivotieren wir in der zweiten Zeile, da dies den künstlichen Schlupf aus der Basis befördert: 7 7 x x 3 x 3. Streichen wir die künstliche Zielfunktion und die z -Spalte, so haben wir ein zulässiges Starttableau für Phase II und sind nach einem weiteren Pivotschritt fertig mit folgendem Tableau 7 x x 6 3 x 3. Wir lesen als Optimallösung ab x =, x 3 = 3, alle anderen Variablen sind Null und der Optimalwert ist.
5 jobname LinOpt Wintersemester /6 Aufgabe a) P R n heißt Polyeder, wenn es m N und A Mat m,n (R) sowie b R m gibt mit P = {x R n Ax b}. = F P heißt Seite eines Polyeders, wenn es ein lineares Funktional d und ein δ R gibt mit dx δ für alle x P und F = {x P dx = δ}. b) Wir haben P = {x R n i N n : x i }. Sei also A die n n -Matrix ( ) n und b = der Vektor mit je n en. Dann ist P = {x R n Ax b}. Sei nun d das lineare Funktional ξ n i= ξ i und δ = n. Dann gilt für alle x =. P : n i= ξ i n und Gleichheit auf F. Also ist F eine Seite. Aufgabe a) Seien y, z K und α. Wir haben zu zeigen, dass αy + ( α)z K. Dies folgt sofort aus der Dreiecksungleichung: αy + ( α)z α y + α z y,z K α + ( α) =. b) Die erste Implikation zeigen wir mittels Kontraposition. Sei also K \ x nicht konvex. Dann gibt es y, z K \ x mit x [y, z]. Da y x z vorausgesetzt wurde, heißt dies gerade, dass x kein Extremalpunkt von K ist. Für die umgekehrte Implikation sei nun K \ x konvex und y, z K mit x [y, z]. Da K \ x konvex ist, können y und z nicht beide in K \ x liegen, also ist x {y, z}. c) Alle Randpunkte des Kreises sind Extremalpunkte. Die Kreisscheibe hat also unendlich viele Extremalpunkte. Da die Extremalpunkte eines Polytops genau seine Ecken sind, kann K kein Polytop sein, da ein solches per definitionem nur endlich viele Ecken hat. ξ n ( n ) Aufgabe 3 a) Die duale lineare Optimierungsaufgabe lautet unter der Bedingung min υ + 8υ + 6υ 3 υ + υ + 3υ 3 3 υ + υ + υ 3 υ, υ, υ 3. b) Wir bestimmen zunächst eine Optimallösung mit dem Simplexalgorithmus. Dafür erhalten wir folgende Tableaus:
6 jobname 6 LinOpt Als Optimallösung erhalten wir also ξ = 7, ξ =. Die erste Ungleichung ξ + ξ ist in dieser Optimallösung strikt. Also muss die erste Dualvariable nach dem Komplementaritätssatz υ = gelten. Aufgabe a) Sei x i die Menge Schweröl (in Tonnen), die auf Anlage i pro Tag verarbeitet wird, also ξ und ξ 3. Aus den Laufzeitrestriktionen erhalten wir dazu ξ und ξ, diese sind wegen der Mengenbeschränkungen redundant. Die Gesamtmengenbeschränkung liefert ξ +ξ. Der Gesamterlös aus der Produktion beträgt 7(3/ξ +/ξ )+63(/ξ +3/ξ ) = ξ + 9ξ und die Kosten bei 36ξ + 8ξ. Die Zielfunktion ist also 8ξ + 7ξ. Wir erhalten also als mathematisches Modell max 8ξ + 7ξ = 36(3ξ + ξ ) unter der Bedingung ξ ξ + ξ ξ ξ 3 ξ, ξ. b) In der nebenstehenden Graphik lesen wir als Optimallösung ξ = ξ = ab mit einem Gewinn von 36 e. ξ Aufgabe Nach Einfügen der Schlupfvariablen y, y haben wir für die zweite Zeile keine Einheitsspalte. Um also ein zulässiges Starttableau zu erhalten, benötigen wir eine künstliche Schlupfvariable z in der zweiten Zeile. Wir erhalten in Phase folgendes Starttableau: y 3 8 z Wählen wir die erste Spalte als Pivotspalte, so erhalten wir mittels des Minimalquotiententests die erste Zeile als Pivotzeile x 3 z Im Minimalquotiententest in der zweiten Spalte ist nun : / = = : /. Wir wählen letzteres, damit z aus der Basis austritt x x
7 jobname 7 LinOpt Wir haben also mit x = und x = eine zulässige Lösung gefunden und Phase I abgeschlossen. Als letztes pivotieren wir noch x 3 in die Basis: 7 y x. Dieses Tableau ist optimal und wir erhalten als Optimallösung x = = x 3 einem Zielfunktionswert von. und x = mit Aufgabe 6 a) Sei X R n. Dann ist { m Conv(X) = λ i x i m N, λ i R +, i= } λ i =, x i X. i= b) Wir zeigen zunächst die Aussage im Hinweis. Seien also y Conv (S {x}) \ Conv (S) und x Conv (S {y}) \ Conv (S) sowie λ i, µ i R + mit y = λ x + λ i s i, i= x = µ y + µ i s i, i= λ i = i= µ i =. i= Da x, y Conv(S) gilt notwendig λ µ. Wir haben zu zeigen, dass sogar λ = µ = gilt. Angenommen dies wäre nicht der Fall. Dann ist λ µ > und ) y = λ (µ y + µ i s i + λ i s i = λ µ y + i= i= (λ µ i + λ i )s i, i= also y = i= λ µ i + λ i λ µ s i und λµi+λi λ µ R + mit i= λ µ i + λ i λ µ = = λ µ ( m λ i= µ i + ) λ i i= λ µ (λ ( µ ) + λ )) =. Also wäre dann y Conv(S) im Widerspruch zur Voraussetzung. Folglich muss x = y sein, womit der Hinweis gezeigt wurde. Der Hinweis ist aber logisch äquivalent zu der Aussage: (y Conv (S {x}) \ Conv (S) und x y) = x Conv (S {y}) \ Conv(S). Wegen y Conv (S {x}) \ Conv (S), gilt auch x Conv(S).
8 jobname 8 LinOpt Sommer 6 Aufgabe a) Die affine Hülle Aff(S) von S ist der kleinste affine Unterraum von R n, der S enthält. { } Aff(S) = λ s =, nur endliche viele λ s. s S λ s s s S b) Seien {a,..., a p } affin abhängig. Nach Definition gibt es dann λ,..., λ p nicht alle Null, mit p i= λ ia i = und p i= λ i =. Sei o.e. λ. Dann ist a = i= λ i λ a i und i= λ i λ = Also ist a Aff{a,..., a p }. Ist umgekehrt a i Aff({a..., a n } \ {a i }), so ist und somit zeigt a i = n die affine Abhängigkeit von {a,..., a p }. λ i a i i= i i ( )a i + mit n i= λ i λ + n λ i a i = i= i i i= λ i = i= i i Aufgabe a) Seien x, y S, gelte cx δ und cy δ und sei t. Dann ist c(tx + ( t)y) = tcx + ( t)cy tδ + ( t)δ. λ i λ = λ λ =. Also gelten lineare Ungleichungen, die für zwei Punkte gelten auch für deren Verbindungsgerade. Da S durch lineare Ungleichungen definiert ist, folgt die Behauptung. b) Wir haben Ungleichungen, von denen wir jeweils drei zu Gleichungen machen. Zunächst ist v = (,, ) eine Ecke. Sind x = y =, so liefert die erste Ungleichung v = (,, ) und die zweite einen unzulässigen Punkt. Analog erhalten wir v 3 = (,, ) und v = (,, ). Setzen wir x = kann nicht gleichzeitig y + z = und y + z = 3 gelten. Für y = erhalten wir v = (,, 3 ) und für z = v 6 = (, 3, ). c) Nach dem Hauptsatz der linearen Optimierung wird das Optimum an einer Ecke angenommen. Das Optimum liegt offensichtlich in v 3 und hat den Wert. Aufgabe 3 a) x ist eine Ecke des Polyeders P = x R n a a n a a n x α α..
9 jobname 9 LinOpt genau dann, wenn es eine Teilmenge I der Zeilenindizes gibt, so dass A I vollen Zeilenrang hat und A I x = b I ist. Da die ersten beiden Zeilen von A linear abhängig sind, müssen mindestens n der Ungleichungen x i oder x i mit Gleichheit erfüllt sein. Offensichtlich müssen für diese die Indizes der x i verschieden sein. Also müssen mindestens n Koordinaten von x gleich oder sein. b) Sei x optimale Ecke. Wir setzen { } cj λ = min x j > a j und sei i ein Index, an dem dieses Minimum angenommen wird. Angenommen, es gäbe ein i mit c i > λa i und x i <. Dann ist für hinreichend kleines ε > zulässig und c j x j = j= j= x = x + εe i ε a i a i e i c j x j + εc i ε c i a i a i > c j x j + εa i (λ λ) = j= c j x j im Widerspruch zur Optimalität von x. Analog führt die angenommene Existenz eines i mit c i < λa i und x i > vermöge x = x εe i + ε a i für hinreichend kleines ε > zu c j x j = j= j= c j x j εc i + ε c i a i a i > a i e i c j x j εa i (λ λ) = j= und somit zum Widerspruch zur Optimalität von x. j= c j x j j= Aufgabe a) Falsch. In die Verbesserung geht nicht nur der Gradient, also der Eintrag in der Kopfzeile, sondern auch die Länge der verbessernden Kante ein. Ist c j der Eintrag in der Kopfzeile der Pivotspalte, i der Index der Pivotzeile und sind b i bzw. ā ij die relevanten Einträge im Tableau, so ändert sich die Zielfunktion um bi c j. a ij b) Richtig. Ist i die Pivotzeile aber so ist im nachfolgenden Tableau bi < b i, ā ij ā ij b i = b i b i ā ij < a ij und somit die neue Ecke unzulässig. c) Falsch. Man findet nur eine Basis für ein Hilfsproblem. Solange die künstliche Variable verschieden von Null ist, sind die restlichen Werte unzulässig für die Gleichungsrestriktion. d) Wie in a) festgestellt, berechnet sich der Fortschritt als bi a ij c j.
10 jobname LinOpt Um diesen Wert für alle Nichtbasisvariablen mit negativem Kopfzeileneintrag zu berechnen, müssen wir im ungünstigsten Fall zunächst in allen n m Nichtbasisspalten die Pivotzeile bestimmen und dann obigen Ausdruck berechnen. Also braucht man bis zu n(m n) Divisionen, (n m) Multiplikationen und (n + )(m n) Vergleiche. Dies ist in etwa so teuer wie ein kompletter Pivotschritt. Bei dieser Methode ist ein einzelner Pivotschritt also etwa doppelt so teuer wie z.b. beim Gradientenverfahren. Aufgabe a) Wir bezeichnen mit x, y bzw. z die Menge der Teile, X, Y bzw. Z, die wir herstellen. Aus der Maschinenlaufzeit erhalten wir als Restriktionen für die beiden Maschinen 36x + 7y + 8z 36 bzw. 8x + 7y + z 36. Wir kürzen die Ungleichungen durch 36 und erhalten als Modell unter der Bedingung max x + y + 3z x + y + z x + y + z x, y, z. b) Wir erhalten, wenn wir mit s, s die Schlupfvariablen bezeichnen als Starttableau 3 s s. Aus Bequemlichkeit pivotieren wir in der zweiten Zeile, zweite Spalte und erhalten mit 8 s y direkt ein finales Tableau, aus dem wir den optimalen Produktionsplan x = z = und y = ablesen. Aufgabe 6 Wir erhalten als duale Aufgabe max x + 3x + x 3 unter x + x + x 3 8 x x 3 x x + x 3 8 x, x, x 3. Die zweite Zeile formen wir um zu x + x 3 und führen für diese Ungleichung nicht nur eine Schlupfvariable s, sondern zusätzlich noch eine künstliche Schlupfvariable z ein. Wir erhalten als Starttableau mit künstlicher Zielfunktion
11 jobname LinOpt 3 8 s z 8 s 3. Ein Pivot in der dritten Spalte sieht vielversprechend aus. Beim Minimalquotiententest erhalten wir das Pivotelement in der zweiten Zeile. Das nächste Tableau ist s x s 3. Wir streichen die künstliche Zielfunktion und die künstliche Variable und pivotieren in der zweiten Spalte in der ersten Zeile x x 3 3 s 3. Nach einem weiteren Pivot erhalten wir als finales Tableau 8 x 3 x 3 3 s. x =, x = und x 3 = 3. Damit gilt in den ersten beiden Restriktionen Gleichheit aber in der zweiten strikte Ungleichheit. Damit folgt aus dem Satz vom komplementären Schlupf, dass im primalen Programm die zweite Variable Null sein muss und in der zweiten und dritten Ungleichung Gleichheit gilt. Wir erhalten somit die Lösung des primalen Problems durch Lösen des Gleichungssystems y y 3 = 3 y + y 3 = also y =, y =, y 3 = mit Zielfunktionswert 8.
12 jobname LinOpt Wintersemester 6/7 Aufgabe a) C R n heißt (positiver) Kegel, wenn C C, C x, y C : x + y C. C3 α R + x C : αx C. b) Wegen C gibt es x C. Wegen C3 ist = x C, also gilt auch C. Seien x, y C und α, β R + beliebig aber fest gewählt. Wegen C3 sind dann αx, βy C und somit wegen C auch αx + βy C. Somit gilt auch C. Nach C ist C, also gilt C. Seien nun α R + und x R beliebig aber fest gewählt. Nach C ist dann auch αx = αx + x C und somit gilt C. Als letztes wählen wir x, y C beliebig aber fest und haben wiederum nach C x + y = x + y C. Also gilt auch C3. c) Da die Nullmatrix symmetrisch und positiv semidefinit ist, gilt C. Seien nun X, Y Mat n,n (R) positiv semidefinit und symmetrisch, sowie α, β R +. Sei ferner v R n fest aber beliebig gewählt. Dann ist wegen der Linearität der Matrix-Vektor Multiplikation t v(αx + βy )v = t v(αxv + βy v) = t vαxv + t vβy v = α }{{} } t vxv {{} + β }{{} } t vy {{ v }. ge Also erfüllt die menge der positiv semidefiniten, symmetrischen Matrizen auch C und ist somit nach b) ein (positiver) Kegel. Aufgabe a) Seien Dann ist A := P = x y z R 3 A und b := x y z b und somit ein Polyeder. b) Wir bestimmen zunächst die Ecken von P. Dafür müssen wir die Lösungen von durch je drei linear unabhängige Ungleichungen bestimmten linearen Gleichungssysteme (LGS) auf Zulässigkeit testen. Wir beginnen also mit x = z y = z x + z =. Dieses LGS hat die Lösung x = y = z = und wir erhalten als erste Ecke v = t (,, ). Diese Ecke erfüllt auch die vierte Ungleichung y + z = mit Gleichheit. Zu untersuchen bleiben also nur noch Paare aus den ersten vier Ungleichungen zusammen mit z =..
13 jobname 3 LinOpt Also haben wir x = z y = z z = liefert v = t (,, ) x = z x + z = z = ist nicht lösbar x = z y + z = z = liefert v 3 = t (,, ) y = z x + z = z = liefert v = t (,, ) y = z y + z = z = ist nicht lösbar x + z = y + z = z = liefert v = t (,, ). Kanten entstehen durch Gleichsetzen zweier Ungleichungen, also haben wir an v die Kanten (v, v ), (v, v 3 ), (v, v ), (v, v ) und weiter (v, v 3 ), (v 3, v ), (v, v ) und (v, v ). Die ersten vier Ungleichungen werden von je drei Ecken mit Gleichheit erfüllt, die letzte von vieren. Also sind alle Ungleichungen facettendefinierend. c) Es handelt sich um eine Viereckspyramide: Aufgabe 3 a) Die lineare Optimierungsaufgabe hat die Gestalt min{cx x R n, Ax = b, x } = max{( c)x x R n, Ax = b, x }. Also lautet die duale Aufgabe min{yb y R m, ya c} = max{( y)b y R m, ( y)a c}. Ersetzen wir y durch u, erhalten wir als duale Aufgabe Also erhalten wir als duale Aufgabenstellung max{ub u R m, ua c}. max 3u + u unter u + u u + u 3 u + u u + u. Die letzte Ungleichung dominiert die vorletzte, welche also redundant ist. Man beachte, dass keine Vorzeichenrestriktionen vorkommen.
14 jobname LinOpt b) In der nebenstehenden Graphik lesen wir ab, dass die optimale Ecke die Gleichungen u + u = und u + u = 3 erfüllt, woraus wir sofort 3u =, also u = 3 erhalten. Einsetzen liefert u = 3. Das Optimum wird also angenommen in 3 (, ) und liefert den Zielfunktionswert 3. u + u u + u 3 3u + u = 7 u + u 3u + u = 3 c) Nach dem Komplementaritätssatz gilt für die Optimallösung des primalen Programms, dass Ungleichungen, die im dualen strikt sind, Variablen vom Wert Null entsprechen. Da 3 ( ) < und 3 ( ) < sind, schließen wir auf ξ = ξ 3 = für die Optimallösung dee primalen Aufgabenstellung. Also erfüllt die Optimallösung die Gleichungen ξ +ξ = 3 und ξ +ξ =. Dieses Gleichungssystem hat die Lösung ξ = 7 6, ξ = 3. Also nimmt die primale Aufgabe Ihr Minimum in 6 (,,, 7) an. Der Wert ist wiederum 3. Aufgabe Wir bezeichnen mit x He, x D, x K, x S, x Ha, x E, x A die Verkaufsflächen für die entsprechenden Abteilungen. Dass jede Abteilung mindestens 7m einnehmen soll, ergibt die sieben Ungleichungen x 7, wobei ein Joker ist. Die Abteilungen für Bekleidung und Haushaltwaren beanspruchen keinen zusätzlichen Lagerraum und % von 7. sind., also erhalten wir die vier Ungleichungen x He, x D, x K, x Ha. Für die übrigen Abteilungen erhalten wir wegen des zusätzlichen Lagerraums Die Gesamtfläche ergibt die Bedingung.x S,.x E,.x A. x He + x D + x K +.x S + x Ha +.x E +.x A = 7.
15 jobname LinOpt Mit der Zielfunktion erhalten wir also als lineare Optimierungsaufgabe max 8x He +x D +9x K +x S +8x Ha +98x E +76x A unter x He x D x K.x S x Ha.x E.x A x He +x D +x K +.x S +x Ha +.x E +.x A = 7 x 7 Aufgabe Wir benutzen die Zweiphasenmethode wie in den Übungen vorgeschlagen, also minimieren wir die Summe zweier künstlicher Schlupfvariablen y + y. Wenn wir in der Kopfzeile die reduzierten Kosten der künstlichen Zielfunktion eintragen, so erhalten wir dort über den echten Variablen die negative Summe der beiden Zeilen der Restriktionsmatrix. Da wir die echte Zielfunktion minimieren wollen, tragen wir sie mit positivem Vorzeichen ein. Also haben wir das Starttableau 3 7 y y Wie im Tipp angegeben wählen wir die dritte Spalte als Pivotspalte und finden das Pivotelemet in der ersten Zeile, da / < ξ 3 y Als Pivotspalte wählen wir nun die erste, der Minimalquotiententest führt auf die zweite Zeile ξ 3 ξ. Die künstlichen Variablen haben die Basis verlassen und wir haben die zulässige Startlösung (,, 3) gefunden. Als reduziertes Tableau erhalten wir ξ 3 ξ. Als Pivotspalte bleibt nur die zweite, und als Pivotzeile ergibt sich ebenfalls die zweite ξ 3 ξ.
16 jobname 6 LinOpt Dieses Tableau ist optimal. Wir erhalten also das Minimum in (,, 9) vom Wert. Aufgabe 6 a) Die duale Aufgabe lautet laut Vorlesung min{ub u R m, ua c}. b) Seien x, u zulässig für die primale bzw. duale Optimierungsaufgabe. Dann ist Ax = b und somit uax = ub. Da ua c und x ist, haben wir aber auch uax cx und somit insgesamt cx uax = ub. c) Da nach b) für jedes paar zulässiger Lösungen x, u stets gilt cx ub erhalten wir unter Zuhilfenahme des Dualitätssatzes der linearen Optimierung, dass x, u genau dann optimal sind, wenn u b = cx. Hieraus folgenrn wir x, u optimal u b = cx u Ax cx = (u A c)x =. Da x, u zulässig sind, ist u A c und x. Der Ausdruck ist also genau dann gleich Null, wenn in jedem Summand des Skalarprodukts mindestens ein Faktor Null ist. Dies ist aber genau dann der Fall, wenn. x i > = (u A) i = c i und. (u A) i > c i = x i =.
Dualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
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
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
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
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
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
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..............................
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
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
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,
MehrVorlesung Lineare Optimierung (Sommersemester 2010)
1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 6: Die Geometrie der Linearen Optimierung Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Juni 2010) Gliederung 2 Das
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
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)
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
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
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.
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 5/.. Höhere Mathematik für die Fachrichtung Physik Lösungsvorschläge zum 4. Übungsblatt Aufgabe
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
MehrHüllen und Kombinationen
Hüllen und Kombinationen 2 Die zulässigen Bereiche in der Linearen Optimierung sind Lösungen von linearen Ungleichungssystemen. Deswegen müssen wir die Werkzeuge der linearen Algebra um Elemente erweitern,
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 5 Aufgabe 5.1 Kommutierende Matrizen In der Vorlesung und vergangenen
Mehr3.1. Existenzsatz und Struktur der Lösungsmenge
3. EXISTENZ UND DUALITÄT 3.1. Existenzsatz und Struktur der Lösungsmenge Nach dem Satz von Weierstraß besitzt eine lineare Funktion auf einem Polytop stets ein Minimum und ein Maximum. Im allgemeinen Fall
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
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
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)
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
MehrInsbesondere sind nach dieser Definition also auch die leere Menge und einpunktige Teilmengen konvex.
Konvexe Mengen 2 Wie am Ende des vorigen Kapitels bereits erwähnt, ist die notwendige Gradientenbedingung aus Satz 1.4.6 für konvexe Zielfunktionen auch hinreichend. Diese Tatsache mag als erste Motivation
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
Mehr10. Übung zur Linearen Algebra I -
. Übung zur Linearen Algebra I - en Kommentare an Hannes.Klarner@FU-Berlin.de FU Berlin. WS 29-. Aufgabe 37 i Für welche α R besitzt das lineare Gleichungssystem 4 αx + αx 2 = 4x + α + 2x 2 = α genau eine,
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
Mehr8. Konvexe Polytope. Tobias Boelter. Mittwoch, 5. März TopMath Frühlingsschule
1 / 31 8. Konvexe Tobias Boelter TopMath Frühlingsschule Mittwoch, 5. März 2014 2 / 31 Es können auch nicht konvexe untersucht werden, wir beschränken uns hier aber auf konvexe. Mit einem Polytop ist hier
Mehr3 Lineare Algebra (Teil 1): Lineare Unabhängigkeit
3 Lineare Algebra (Teil : Lineare Unabhängigkeit 3. Der Vektorraum R n Die Menge R n aller n-dimensionalen Spalten a reeller Zahlen a,..., a n R bildet bezüglich der Addition a b a + b a + b. +. :=. (53
Mehr3 Systeme linearer Gleichungen
3 Systeme linearer Gleichungen Wir wenden uns nun dem Problem der Lösung linearer Gleichungssysteme zu. Beispiel 3.1: Wir betrachten etwa das folgende System linearer Gleichungen: y + 2z = 1 (1) x 2y +
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
MehrLINEARE ALGEBRA II. FÜR PHYSIKER
LINEARE ALGEBRA II FÜR PHYSIKER BÁLINT FARKAS 4 Rechnen mit Matrizen In diesem Kapitel werden wir zunächst die so genannten elementaren Umformungen studieren, die es ermöglichen eine Matrix auf besonders
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
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
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
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
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)
Mehr6. Übungsblatt zur Mathematik II für Inf, WInf
Fachbereich Mathematik Prof. Dr. Streicher Dr. Sergiy Nesenenko Pavol Safarik SS 5. 9. Mai 6. Übungsblatt zur Mathematik II für Inf, WInf Gruppenübung Aufgabe G (Standardskalarprodukt Sei v, e R und es
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik
Lösungsskizzen zu den Klausuraufgaben zum Kurs Algorithmische Mathematik KSL09 Aufgabe. Zeigen oder widerlegen Sie: Es existiert ein Graph mit Valenzsequenz (8,,,,,,,,,). Geben Sie im Falle der Existenz
MehrAufgabe I.1 (4 Punkte) Gegeben seien die Matrix H := und die Menge L := {A R 4 4 A HA = H} Zeigen Sie:
Aufgabe I (4 Punkte Gegeben seien die Matrix und die Menge Zeigen Sie: H := L := {A R 4 4 A HA = H} a L ist bezüglich der Matrizenmultiplikation eine Gruppe b Die Matrizen der Form ( E O, O B wobei E R
MehrKap. 4.2: Simplex- Algorithmus
Kap. 4.: Simplex- Algorithmus Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS Fakultät für Informatik, TU Dortmund Literatur für diese VO V. Chvatal: Linear Programming D. ertsimas:
MehrVektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
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
MehrInnere-Punkt-Methoden
Innere-Punkt-Methoden Johannes Stemick 26.01.2010 Johannes Stemick () Innere-Punkt-Methoden 26.01.2010 1 / 28 Übersicht 1 Lineare Optimierung 2 Innere-Punkt-Methoden Path-following methods Potential reduction
MehrMathematik für Informatiker 1 Wintersemester 2013/14 Übungsblatt 12
Dipl.Inf. Malte Isberner Dr. Oliver Rüthing Dipl.Inf. Melanie Schmidt Dr. Hubert Wagner Übungen zur Vorlesung Mathematik für Informatiker 1 Wintersemester 2013/14 Übungsblatt 12 Die Lösungshinweise dienen
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 25 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 8 Aufgabe 8 Basen für Bild und Kern Gegeben sind die beiden 2 Matrizen:
MehrSerie 8: Fakultativer Online-Test
Prof Norbert Hungerbühler Lineare Algebra I Serie 8: Fakultativer Online-Test ETH Zürich - D-MAVT HS 215 1 Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen Die Nachbesprechung
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
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrLänge eines Vektors und Abstand von zwei Punkten 2. 4 = 6. Skalarprodukt und Winkel zwischen Vektoren
Länge eines Vektors und Abstand von zwei Punkten Aufgabe Bestimme die Länge des Vektors x. Die Länge beträgt: x ( ) =. Skalarprodukt und Winkel zwischen Vektoren Aufgabe Es sind die Eckpunkte A(; ), B(
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
MehrDas Lagrange-duale Problem
Das Lagrange-duale Problem Tobias Kulke 29. April 2010 1 Einführung Für jedes Paar (λ, ν) mit λ 0 liefert die Langrange-duale Funktion ( ) p g(λ, ν) = inf L(x, λ, ν) = inf f 0 (x) + λ i f i (x) + ν i h
MehrLineare Gleichungssysteme
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 5. Dezember 2007 Definition : Tomographie (Fortsetzung) : Tomographie Definition: Ein lineares Gleichungssystem (LGS) ist ein System von n
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
Mehr5.7 Lineare Abhängigkeit, Basis und Dimension
8 Kapitel 5. Lineare Algebra 5.7 Lineare Abhängigkeit, Basis und Dimension Seien v,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von v,...,v n, nämlich { n
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
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)
MehrDer Kern einer Matrix
Die elementaren Zeilenoperationen p. 1 Der Kern einer Matrix Multipliziert man eine Matrix mit den Spaltenvektoren s 1,..., s m von rechts mit einem Spaltenvektor v := (λ 1,..., λ m ) T, dann ist das Ergebnis
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
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
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
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
MehrMusterlösung. 1 Relationen. 2 Abbildungen. TUM Ferienkurs Lineare Algebra 1 WiSe 08/09 Dipl.-Math. Konrad Waldherr
TUM Ferienkurs Lineare Algebra WiSe 8/9 Dipl.-Math. Konrad Waldherr Musterlösung Relationen Aufgabe Auf R sei die Relation σ gegeben durch (a, b)σ(c, d) : a + b c + d. Ist σ reflexiv, symmetrisch, transitiv,
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
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
Mehr5 Teilmengen von R und von R n
5 Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,...,x n ) : x i R} = R }... {{ R }. n mal Für x R ist x der Abstand zum Nullpunkt. Die entsprechende Verallgemeinerung
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
Mehr2 Lineare Gleichungssysteme
2 Lineare Gleichungssysteme Betrachte ein beliebiges System von m linearen Gleichungen in den n Unbekannten x,,x n : a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x n = b 2 () a m x + a m2 x
MehrÜbungen zum Ferienkurs Lineare Algebra 2015/2016: Lösungen
1 Lineare Abhängigkeit 1.1 Für welche t sind die folgenden Vektoren aus 3 linear abhängig? (1, 3, 4), (3, t, 11), ( 1, 4, 0). Das zur Aufgabe gehörige LGS führt auf die Matrix 1 3 4 3 t 11. 1 4 0 Diese
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 30.11.2016 5. Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,..., x n ) : x i R} = } R. {{.. R }. n mal Für x R ist x der Abstand zum
MehrLineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr E Schörner WS / Blatt 6 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag Wir verwenden das Unterraumkriterium,
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
MehrÜbungen zur Vorlesung Lineare Algebra
Übungen zur Vorlesung Lineare Algebra Institut für Reine Mathematik WS 2009/10 & SS 2010 Kapitel 1. Vektorräume Was ist ein Vektorraum? Sei X und K ein Körper. Wie macht man Abb (X, K) zu einem K -Vektorraum?
Mehr1 Transponieren, Diagonal- und Dreiecksmatrizen
Technische Universität München Thomas Reifenberger Ferienkurs Lineare Algebra für Physiker Vorlesung Mittwoch WS 2008/09 1 Transponieren, Diagonal- und Dreiecksmatrizen Definition 11 Transponierte Matrix
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Matrizen und Vektoren, LGS, Gruppen, Vektorräume 1.1 Multiplikation von Matrizen Gegeben seien die Matrizen A := 1 1 2 0 5 1 8 7 Berechnen Sie alle möglichen
MehrLösungen der Aufgaben zu Abschnitt 5.4
A Filler: Elementare Lineare Algebra Lösungen zu Abschnitt 54 Lösungen der Aufgaben zu Abschnitt 54 B ist linear unabhängig, wenn die Vektorgleichung ( ) ( ) ( ) ( ) 456 λ + λ + λ = bzw das LGS λ +4λ +λ
Mehr6.2 Basen. Wintersemester 2013/2014. Definition Seien V ein K-Vektorraum, n N 0 und v 1,..., v n V. (a) Man nennt
Universität Konstanz Fachbereich Mathematik und Statistik Wintersemester 213/214 Markus Schweighofer Lineare Algebra I 6.2 Basen Definition 6.2.1. Seien V ein K-Vektorraum, n N und v 1,..., v n V. (a)
MehrHöhere Mathematik II für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Michael Hott, M. Sc. SS 6 9.4.6 Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum. Übungsblatt Aufgabe
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
Mehr1 Zum Aufwärmen. 1.1 Notationen. 1.2 Lineare Abbildungen und Matrizen. 1.3 Darstellungsmatrizen
1 Zum Aufwärmen 1.1 Notationen In diesem Teil der Vorlesung bezeichnen wir Körper mit K, Matrizen mit Buchstaben A,B,..., Vektoren mit u,v,w,... und Skalare mit λ,µ,... Die Menge der m n Matrizen bezeichnen
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
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.
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
MehrKapitel 13. Lineare Gleichungssysteme und Basen
Kapitel 13. Lineare Gleichungssysteme und Basen Matrixform des Rangsatzes Satz. Sei A eine m n-matrix mit den Spalten v 1, v 2,..., v n. A habe den Rang r. Dann ist die Lösungsmenge L := x 1 x 2. x n x
MehrMathematik IT 2 (Lineare Algebra)
Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof Dr L Cromme Mathematik IT (Lineare Algebra für die Studiengänge Informatik, IMT und ebusiness im Sommersemester 3 Lineare Gleichungssysteme
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Informatiker I Wintersemester 3/ Aufgabenblatt 6. Januar Präsenzaufgaben
MehrLösungen Serie 6 (Vektorräume, Skalarprodukt)
Fachhochschule Nordwestschweiz (FHNW Hochschule für Technik Institut für Geistes- und Naturwissenschaft Lösungen Serie 6 (Vektorräume, Skalarprodukt Dozent: Roger Burkhardt Klasse: Studiengang ST Büro:
MehrKlausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler
Wintersemester 2007/08 27.2.2008 Dr. Sascha Kurz Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler Bitte lesbar ausfüllen, Zutreffendes ankreuzen Herr Frau Name, Vorname: Anschrift:
MehrLineare Abbildungen und Orthonormalsysteme
KAPITEL Lineare Abbildungen und Orthonormalsysteme. Lineare Abbildungen und Koordinatendarstellungen.. Lineare Abbildungen und ihre Basisdarstellung. Seien V, W Vektorraume uber R. Mit einer Abbildung
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 3 Wintersemester 2016/17 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2016 Steven Köhler Wintersemester 2016/17 Inhaltsverzeichnis Teil 1 Teil
Mehrβ 1 x :=., und b :=. K n β m
44 Lineare Gleichungssysteme, Notations Betrachte das lineare Gleichungssystem ( ) Sei A = (α ij ) i=,,m j=,n α x + α x + + α n x n = β α x + α x + + α n x n = β α m x + α m x + + α mn x n = β m die Koeffizientenmatrix
MehrDer Simplex-Algorithmus
5 Lineare Programmierung Simplex-Algorithmus Der Simplex-Algorithmus Standardverfahren zur Lösung von LPs, von G B Dantzig entwickelt Grundidee: Versuche ausgehend von einer Startecke mit einer Ausgangsbasis
MehrLineare Gleichungssysteme - Grundlagen
Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente
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
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
Mehr