Übung QM 1 EINFÜHRUNG 1. 1 Einführung. ohne Übungsaufgaben
|
|
- Gudrun Albrecht
- vor 7 Jahren
- Abrufe
Transkript
1 Übung QM 1 EINFÜHRUNG 1 1 Einführung ohne Übungsaufgaben
2 Übung QM 2 LINEARE OPTIMIERUNG 2 2 Lineare Optimierung Aufgabe 2.1 LP-Modellierung und Begriffe Wild West GmbH produziert Cowboyhüte. Momentan werden zwei Modelle produziert, wobei die Herstellung von Typ 1 doppelt so viel Arbeitsaufwand wie die Herstellung von Typ 2 erfordert. Wird die gesamte Arbeitszeit des Betriebes auf die Herstellung von Typ 2 verwendet, so können 400 Typ 2 Hüte produziert werden. Marktprognosen deuten darauf hin, dass Wild West maximal 150 Hüte von Typ 1 bzw. 200 Hüte von Typ 2 verkaufen kann. Der Stückgewinn beträgt 8 EU für Typ 1 und 5 EU für Typ 2. Stellen Sie das lineare Planungsmodell auf, mit dem der Gewinn des Unternehmens maximiert werden kann. Grenzen Sie dabei folgende Begriffe voneinander ab: Parameter Variable Zielfunktion Zielfunktionswert Nebenbedingung Schlupfvariable Strukturvariable Basisvariable Nichtbasisvariable zulässige Basislösung unzulässige Basislösung untere Schranke obere Schranke Aufgabe 2.2 Graphische Lösung von LP Gegeben ist folgendes Optimierungsproblem: max F = 100x x 2 2x 1 + 1x x 2 10 x 1, x Lösen Sie das Problem graphisch.
3 Übung QM 2 LINEARE OPTIMIERUNG 3 2. Überführen Sie das Problem in ein Gleichungssystem. 3. Geben Sie eine zulässige Startlösung (=Basislösung) an. 4. Lösen Sie das Gleichungssystem nach F, x 1 und x 2 auf. 5. Wie häufig wurde die 1. und 2. Nebenbedingung auf die Zielfunktion addiert bzw. subtrahiert? 6. Angenommen, es existiert eine zusätzliche Alternative, x 3, mit Zielfunktionskoeffizient c 3 = 200 und den Restriktionskoeffizienten a 13 = 3 (1. Nebenbedingung) und a 23 = 1 (2. Nebenbedingung). (a) Handelt es sich hierbei um eine lohnende Alternative? (b) Welchen Wert müsste c 3 mindestens annehmen, damit es sich um eine lohnende Alternative handelt? 7. Stellen Sie das Starttableau des primalen Simplexalgorithmus auf! 8. Stellen Sie das zum Teilergebnis 4 korrespondierende (End-)tableau des primalen Simplexalgorithmus auf! Aufgabe 2.3 Iteratives Lösen von Gleichungssystemen Gegeben sei folgendes Optimierungsproblem: max F = 90x x x x 4 2x 1 1x 2 + 1x 3 + 2x 4 + y 1 = 30 1x 1 + 2x 2 + 3x 3 1x 4 + y 2 = 24 3x 1 + 2x 2 1x 3 + 2x 4 + y 3 = 36 x 1, x 2, x 3, x 4, y 1, y 2, y Angenommen, die Schlupfvariablen y 1, y 2, y 3 sind Basisvariablen. Geben Sie die zugehörigen Werte der Multiplikatoren π 1, π 2 und π 3 an. 2. Angenommen, x 1, y 1, y 2 sind Basisvariablen. Bestimmen Sie die zugehörigen Werte der Multiplikatoren π 1, π 2 und π Angenommen, x 1, x 3, y 1 sind Basisvariablen. Bestimmen Sie die zugehörigen Werte der Multiplikatoren π 1, π 2 und π Angenommen, x 2, x 3, x 4 sind Basisvariablen. Bestimmen Sie die zugehörigen Werte der Multiplikatoren π 1, π 2 und π Angenommen, die Alternative x 5 mit c 5 = 80, a 15 = 2, a 25 = 2 und a 35 = 2 wäre ebenfalls zu berücksichtigen gewesen. Bestimmen Sie für jede der obigen Basislösungen den zugehörigen modifizierten Zielfunktionskoeffizienten c Bestimmen Sie für die Problemstellung durch iteratives Lösen von Gleichungssystemen eine optimale Lösung. Aufgabe 2.4 Primaler Simplexalgorithmus
4 Übung QM 2 LINEARE OPTIMIERUNG 4 Lösen Sie folgendes Problem mit dem primalen Simplex-Algorithmus: max F = x 1 + 9x 2 + x 3 x 1 + 2x 2 + 3x 3 9 3x 1 + 2x 2 + 2x 3 15 x 1, x 2, x 3 0 Aufgabe 2.5 Dualer Simplexalgorithmus Lösen Sie folgendes Problem mit dem dualen Simplex-Algorithmus: min F = 2x 1 + x 2 + 3x 3 x 1 2x 2 + x 3 4 2x 1 + x 2 + x 3 8 x 1 x 3 0 x 1, x 2, x 3 0 Aufgabe 2.6 Big-M Methode, Zweiphasenmethode Lösen Sie folgendes Problem mit dem primalen Simplex-Algorithmus (M = 1000) und der Zweiphasenmethode: min F = 80x x 2 0.2x x x 1 + x 2 = 1 x 1, x 2 0 Aufgabe 2.7 Zweiphasenmethode Lösen Sie folgendes Problem mit der Zweiphasenmethode: max F = 2x 1 + 3x 2 x 1 + 2x 2 2 6x 1 + 4x 2 24
5 Übung QM 2 LINEARE OPTIMIERUNG 5 x 1, x 2 0 Aufgabe 2.8 Dualisierung, primaler und dualer Simplexalgorithmus Gegeben sei das folgende lineare Optimierungsproblem: max F = 2x 1 + x 2 x 1 + 5x 2 10 x 1 + 3x 2 6 2x 1 + 2x 2 8 x 1, x Dualisieren Sie das Problem. 2. Bestimmen Sie die Optimaltableaus für die primale und die duale Formulierung. 3. Zeigen Sie (für das Beispiel), dass die duale Lösung aus dem Optimaltableau des primalen Problems abgelesen werden kann und umgekehrt. Aufgabe 2.9 Dualisierung und M-Methode Dualisieren Sie folgendes Problem (M hinreichend große Zahl): min F = 3x 1 + x 2 + Mx 5 + Mx 6 x 1 + x 2 x 3 + x 5 = 7 2x 1 + 3x 2 x 4 + x 6 = 8 Vereinfachen Sie gegebenenfalls die duale Formulierung. x 1,..., x 6 0 Aufgabe 2.10 Reduzierte Kosten, Optimalität Wie lautet die Optimalitätsbedingung eines linearen Optimierungsproblems {F = j J c j x j j J a ij x j = b i ; i I} unter Verwendung der reduzierten Kosten c j 1. bei Minimierung von F? 2. bei Maximierung von F?
6 Übung QM 3 GRAPHENTHEORIE 6 3 Graphentheorie Aufgabe 3.1 Kompakte Speicherung, Kürzeste-Wege-Problem Gegeben ist folgender Graph: Geben Sie hierzu die kompakte Speicherung an. 2. Bestimmen Sie mit dem FIFO-Algorithmus die kürzesten Wege von Knoten 1 zu allen anderen Knoten. 3. Bestimmen Sie mit dem FIFO-LIFO-Algorithmus die kürzesten Wege von Knoten 1 zu allen anderen Knoten. 4. Stellen Sie graphisch das Ergebnis als Baum dar. 5. Überprüfen Sie Ihre Lösungen mit GAMS. Beispiel 3.1 Gegeben ist folgendes relevantes Teilnetz eines Streckennetzes für Linienbusse Aufgabe 3.2 Kürzeste-Wege-Problem, Fifo-Lifo Wir betrachten erneut das Beispiel 3.1 aus dem Skript. Bestimmen Sie die kürzesten Wege von Knoten 1 zu allen anderen Knoten mit dem FIFO-LIFO-Algorithmus. Aufgabe 3.3 Fifo-Lifo
7 Übung QM 3 GRAPHENTHEORIE 7 Beschreiben Sie programmiersprachenähnlich den FIFO-LIFO-Algorithmus. Aufgabe 3.4 Fifo-Fifo Motivieren und skizzieren sie einen FIFO-FIFO-Algorithmus zur Bestimmung kürzester Wege. Aufgabe 3.5 Dynamische Programmierung Wir betrachten erneut den Graphen aus Aufgabe 3.1. Außer dem Startknoten bedeutet jeder Knoten zugleich einen Umsteigevorgang. Sie wollen nur maximal zweimal umsteigen. 1. Modifizieren Sie das Netzwerkflussproblem geeignet. Dabei soll nur ein Weg vom Startknoten q = 1 zu einem Zielknoten s = 9 bestimmt werden. 2. Überprüfen Sie Ihren Ansatz mit GAMS. 3. Lösen Sie die Problemstellung mit Hilfe der folgenden Vorgehensweise, die auch als dynamische Optimierung bezeichnet wird. Die Knoten sind dabei gemäß des FIFO-Verfahrens abzuarbeiten. Zustände an den einzelnen Knoten ergeben sich aus dem Zielfunktionswert und der Anzahl der Umsteigevorgänge. Ein Zustand ist unzulässig, wenn die Anzahl der Umsteigevorgänge größer als zwei ist. Ein Zustand wird dominiert, wenn es einen anderen Zustand mit geringerem Zielfunktionwert und nichthöherer Anzahl an Umsteigevorgängen gibt. Besitzen mehrere Zustände eines Knotens den gleichen Zielfunktionswert und eine ungleiche Anzahl an Umsteigevorgängen, so ist davon nur der mit der geringeren Anzahl an Umsteigevorgängen weiter zu betrachten, d.h. die anderen können als dominiert angesehen werden. Am Startknoten q gibt es nur einen Startzustand (0,0), wobei der erste Eintrag den Zielfunktionswert und der zweite die Anzahl der Umsteigevorgänge widerspiegelt. Aufgabe 3.6 Kürzeste-Wege-Problem in GAMS Für die Linien U1, U2 und U3 in Hamburg ist ein gerichteter Graph zu erstellen. Zur Vereinfachung sind nur die Startund Endstationen sowie Haltestellen, an denen ein Umstieg von einer Linie zu einer anderen Linie erfolgen kann, zu betrachten. Zusätzlich sind die Haltestellen Sierichstr. und Billstedt aufzunehmen. Die hierzu erforderlichen Daten sind zu recherchieren (HVV). Die Pfeile, die zwei unterschiedliche Haltestellen verbinden, sind mit den Fahrzeiten zu bewerten. Pfeile, die eine Umsteigemöglichkeit repräsentieren (identische Haltestellen), sind mit einer erwarteten Umsteigezeit zu bewerten. Bestimmen Sie mit GAMS den kürzesten Weg von der Haltestelle Billstedt zur Haltestelle Sierichstr. bei einer erwarteten Umsteigezeit von 1. drei Minuten und 2. sechs Minuten. Beispiel 3.5 Gegeben sei folgender Graph:
8 Übung QM 3 GRAPHENTHEORIE Aufgabe 3.7 Minimaler 1-Baum Wir betrachten den minimalen 1-Baum des Beispieles 3.5 aus dem Skript. In einer Rundreise besitzt jeder Knoten einen Knotengrad von zwei, d.h. jeder Knoten ist genau mit zwei anderen Knoten verbunden. Der Knotengrad vom Knoten i = 4 ist 3 und der von Knoten i = 5 ist 1. Erhöhen Sie die Bewertungen sämtlicher mit Knoten i = 4 verbundenen Kanten um 2 LE und reduzieren Sie die Bewertungen sämtlicher mit Knoten i = 5 verbundenen Kanten um 2 LE. Unter Beachtung der modifizierten Kantenbewertungen ist ein minimaler 1-Baum zu bestimmen.
9 Übung QM 4 TRANSPORTPLANUNG 9 4 Transportplanung Aufgabe 4.1 Vogel sche Approximationsmethode Bestimmen Sie mit der Vogel schen Approximationsmethode für das Beispiel Nachfrager Anbieter N1 N2 N3 Angebot A A Nachfrage eine Startlösung. Aufgabe 4.2 Modi-Methode Überprüfen Sie mit der Modi-Methode, ob die in Aufgabe 4.1 berechnete Lösung optimal ist. Aufgabe 4.3 Lösung von TP Ein Unternehmen betreibt 3 Kraftwerke zur Stromversorgung von 4 Städten. Bestimmen Sie die kostenminimale Stromversorgung unter Verwendung folgender Daten: von/nach Stadt 1 Stadt 2 Stadt 3 Stadt 4 Angebot Kraftwerk Kraftwerk Kraftwerk Nachfrage Stellen Sie die optimale Lösung graphisch dar. Aufgabe 4.4 Lösung von TP Gegeben sei folgendes Transportproblem: Nachfrager Anbieter N1 N2 N3 N4 Angebot A A A Nachfrage Bestimmen Sie mit der Vogel schen Approximationsmethode eine Startlösung. 2. Überprüfen Sie, ob die Lösung optimal ist. 3. Veranschaulichen Sie die Lösung graphisch.
10 Übung QM 4 TRANSPORTPLANUNG 10 Aufgabe 4.5 Transportproblem mit Umschlagsknoten Gegeben sei nachfolgendes Distributionsnetz eines Unternehmens aus der Konsumgüterindustrie. Die Knoten u 1, u 2 und u 3 sind reine Umschlagsknoten. Bezüglich der Transportmengen gibt es keine Kapazitätsbeschränkungen. 1 b 1 = 35 a 1 = u b 2 = a 2 = b 3 = u a 3 = b 4 = u b 5 = 40 a 4 = b 6 = 30 Bestimmen Sie eine transportkostenminimale Lösung. (Lösungshinweis: Transformation in ein einstufiges Transportnetz mit den jeweils kostenminimalen Verknüpfungen.)
11 Übung QM 5 GANZZAHLIGE OPTIMIERUNG 11 5 Ganzzahlige Optimierung Aufgabe 5.1 Reoptimierung Lösen Sie die Teilprobleme des aus der Vorlesung bekannten Beispiels mit Hilfe des Simplextableaus. Nutzen Sie die Techniken der Reoptimierung. Beispiel (vgl. Vorlesungsskript) Gegeben sei folgendes ganzzahliges Optimierungsproblem max F = x 1 + 2x 2 x 1 + 3x 2 7 3x 1 + 2x 2 10 x 1, x 2 0 und ganzzahlig Aufgabe 5.2 Branching Die LP-Relaxation der Problemstellung max F = 200x x x x 4 2x 1 + 4x 2 + 5x 3 + 1x 4 8 1x 1 + 4x 2 + 3x 3 + 3x 4 6 2x 1 + 3x 2 + 2x 3 + 2x 4 6 x 1, x 2, x 3, x 4 {0, 1} liefert folgende optimale Lösung: F = 587.5, x 1 = 1, x 2 = 0.875, x 3 = 0.5, x 4 = 0 1. Formulieren Sie die Teilprobleme, wenn nach x 2 verzweigt wird. 2. Formulieren Sie das Teilproblem, wenn nach x 2 = 1 und x 3 = 0 verzweigt wird. Aufgabe 5.3 B&B-Verfahren Gegeben sei folgendes Optimierungsproblem max F = 5x 1 + 8x 2 1x 1 + 1x 2 6 5x 1 + 9x 2 45 x 1, x 2 0 und ganzzahlig
12 Übung QM 5 GANZZAHLIGE OPTIMIERUNG Stellen Sie das Problem graphisch dar. 2. Bestimmen Sie die optimale ganzzahlige Lösung graphisch. 3. Lösen Sie das Problem mit Hilfe von Branch-and-Bound unter Verwendung folgender Regeln: (a) Betrachtet wird die LP-Relaxation. (b) reine Tiefensuche (c) Verzweige die Variable mit dem geringsten Abstand zur nächstgelegenen ganzen Zahl. (d) Ist die Auswahl der nächsten Variable nicht eindeutig, so wähle die Variable mit dem größten Index aus. (e) Verzweige die ausgewählte Variable zunächst in Richtung der nächstgelegenen ganzen Zahl. 4. Stellen Sie die Lösungsräume der einzelnen Teilprobleme graphisch dar. 5. Lösen Sie das Problem erneut unter Anwendung der Tiefensuche mit vollständiger Verzweigung, wobei bei der Auswahl eines der bei der Verzweigung entstehenden zwei Teilprobleme die MUB-Regel anzuwenden ist. Aufgabe 5.4 B&B-Suchverfahren Gegeben ist folgender Branch-and-Bound-Baum: P x 1 2 x 1 1 P P x 3 7 x 3 6 x 3 7 x 3 6 P P P P x 5 3 x 5 4 P P 11 unzul. x 2 0 x 2 1 P P x 4 0 x 4 1 x 1 2 x 1 3 P P P P Die Knotennumerierung spiegelt die Reihenfolge wider, in der die einzelnen Teilprobleme ohne Anwendung von Bounding betrachtet wurden. Die Endknoten repräsentieren ganzzahlige Lösungen. Lediglich P 11 hat keine zulässige Lösung. Welche Teilprobleme werden unter Anwendung von Bounding betrachtet?
13 Übung QM 5 GANZZAHLIGE OPTIMIERUNG 13 Aufgabe 5.5 B&B-Modellierung Ein Binnenschiffer hat die Möglichkeit, in Hamburg Schüttgut zu laden. Die einzelnen Produkte unterscheiden sich hinsichtlich des Volumens, des Gewichts und der maximal zu transportierenden Menge in t. Insgesamt besteht die Möglichkeit, Ladung bis zu 200 m 3 (Volumen) und bis zu 200 t (Gewicht) aufzunehmen. Produktbezeichnung A B C D E Volumen in m 3 pro t max. Ladung in t Erlös in Euro pro t Aufgrund technischer Rahmenbedingungen können maximal drei Aufträge angenommen werden. Formulieren Sie hierzu ein Entscheidungsmodell. Aufgabe 5.6 B&B-Modellierung (2) Ein Binnenschiffer hat die Möglichkeit, in Hamburg folgende Aufträge anzunehmen: Aufträge A B C D E Volumen in m Erlös in Euro Ein Auftrag kann nur vollständig übernommen werden. Insgesamt verfügt das Schiff über 4 freie Ladeluken. Jede Ladeluke hat ein Volumen von 20 m 3. Es muss sichergestellt werden, dass die Aufträge separat eingelagert werden, d.h. es dürfen in einer Ladeluke nicht Materialien verschiedener Aufträge gemeinsam eingelagert werden. Modellieren Sie ein Entscheidungsmodell zur Maximierung der Erlöse.
14 Übung QM 6 OPTIMIERUNG BEI MEHRFACHER ZIELSETZUNG 14 6 Optimierung bei mehrfacher Zielsetzung Aufgabe 6.1 Goal Programming Wir betrachten erneut das Beispiel 6.1aus dem Skript. Modellieren Sie das Problem als Goal-Programming-Ansatz unter der Prämisse, dass die maximale absolute relative Abweichung minimiert werden soll. Aufgabe 6.2 Goal Programming Wir betrachten erneut das Beispiel 6.1aus dem Skript. Modellieren Sie das Problem als Goal-Programming-Ansatz unter der Prämisse, dass die Summe der absoluten relativen Abweichungen (Umsatz, Deckungsbeitrag) minimiert werden soll. Aufgabe 6.3 Goal Programming Das Gleichungssystem des Goal-Programming Ansatzes ist wie folgt gegeben: 20x 1 30x 2 +1y 1 1Z 2 = x 1 15x 2 +1y 2 1Z 2 = 75 +1x 1 +1x 2 +1y 3 = 5 +1x 1 +3x 2 +1y 4 = 9 +1Z 2 +1F = 0 Lösen Sie das Optimierungsproblem mit dem dualen Simplexalgorithmus.
15 Übung QM 7 DISKRETE AUSWAHLENTSCHEIDUNGEN VON INDIVIDUEN 15 7 Diskrete Auswahlentscheidungen von Individuen Aufgabe 7.1 Wir betrachten erneut das Beispiel 7.2 aus dem Skript. Eine Studentin benötigt für die Fahrt zur Universität mit dem Fahrrad 15 Minuten und mit dem ÖPNV 13 Minuten. Mit welcher Wahrscheinlichkeit geht die Studentin zu Fuss zur Universität? Aufgabe 7.2 Wir betrachten erneut das Beispiel 7.2 aus dem Skript. Angenommen, wir hätten eine Stichprobe mit n = 200 Studierenden und BIOGOME hätte folgendes ausgewiesen: Final log-likelihood: -80 Welchen Wert hätten wir für das ρ 2 (Rho-square) erhalten?
16 Übung QM 8 MEHRSTUFGE ENTSCHEIDUNGEN BEI DISKRETEN UMWELTZUSTÄNDEN 16 8 Mehrstufge Entscheidungen bei diskreten Umweltzuständen Aufgabe 8.1 Gegeben seien die beiden möglichen Ausprägungen x 1 = 1200 und x 2 = 0 sowie deren Eintrittswahrscheinlichkeiten p 1 = bzw. p 2 = Dann erhalten wir den zugehörigen Erwartungswert µ, die Varianz σ 2 und die Standardabweichung σ wie folgt: µ = = σ 2 = (x 1 µ) 2 p 1 + (x 2 µ) 2 p 2 = ( ) ( ) = σ = = Wir betrachten erneut das Beispiel 8.2 aus dem Skript, wobei wir jetzt von einem risikoaversen Entscheidungsträger ausgehen wollen. Seine Risikofunktion lautet s = µ 0.5σ, wobei s das Risikoäquivalent darstellt. Bestimmen Sie die optimale Strategie des Entscheidungsträgers.
Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester 2005/2006
Universität Hannover Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester 005/006
MehrKlausur zur Vorlesung Einführung in das Operations Research im Wintersemester 2007/2008
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester
MehrKlausur zur Vorlesung Operations Research im Sommersemester 2009
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Operations Research im Sommersemester 2009 Hinweise:
MehrLeibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Sitzplatznr.: Wiederholungsklausur zur Vorlesung Operations Research im Wintersemester
MehrKlausur zur Vorlesung Operations Research im Wintersemester 2009/10
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Sitzplatznr.: Klausur zur Vorlesung Operations Research im Wintersemester 2009/10
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.
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
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)
MehrOptimierung. Vorlesung 02
Optimierung Vorlesung 02 LPs in kanonischer Form Für i = 1,, m und j = 1,, d seien c j, b i und a ij reele Zahlen. Gesucht wird eine Belegung der Variablen x 1,, x d, so das die Zielfunktion d c j x j
Mehr1. Hausaufgabenblatt (16.04./ )
Lehrstuhl Ingenieurmathematik Modul: (Wirtschaftsingenieurwesen/Betriebswirtschaftslehre/Informatik) Sommersemester 2014 1. Hausaufgabenblatt (16.04./23.04.2015) Aufgabe H 1.1 Lösen Sie die linearen Gleichungssysteme
MehrKlausurrepetitorium ABWL
Klausurrepetitorium ABWL Planungs- und Südwestfälische Industrie- und Handelskammer 9. August 5 Dr. Friedhelm Kulmann, Sandra Rudolph 9.8.5 Gliederung. Nichtlineare Optimierungsprobleme.. Quadratisches
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
Mehr10. Die Berücksichtigung nicht vorzeichenbeschränkter Variablen
10. Die Berücksichtigung nicht vorzeichenbeschränkter Variablen Bisher haben wir immer vorausgesetzt, dass alle Variablen eines LOP der Bedingung x i 0 liegen. Im Folgenden wollen wir auch sogenannte freie
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Achte Auflage fyj Springer Inhaltsverzeichnis Vorwort Symbolverzeichnis V XIII Kapitel 1: Einführung 1 1.1 Begriff des Operations Research
Mehr1. Transport- und Zuordnungsprobleme
1. Transport- und Zuordnungsprobleme Themen 1. Transport- und Zuordnungsprobleme Themen: Analyse der Problemstruktur Spezielle Varianten des Simplexalgorithmus für Transport- und Zuordnungsprobleme Bezug
MehrAufgabe 3.1: LP-Problem mit allen Bedingungstypen
Johann Wolfgang Goethe-Universität Frankfurt am Main Lehrst.f.BWL, insb. Quant. Methoden Prof. Dr. Dietrich Ohse Interpretation, zulässige Lösung, Dualität 18. Mai 2004 Aufgabe 3.1: LP-Problem mit allen
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
MehrChinese Postman Problem Hamiltonsche Graphen und das Traveling Salesman Problem Max-Flow-Min-Cut...151
Inhaltsverzeichnis 1 Kernkonzepte der linearen Optimierung... 1 1.1 Einführung... 1 1.2 Grundlegende Definitionen... 8 1.3 Grafische Lösung... 10 1.4 Standardform und grundlegende analytische Konzepte...
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 7
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
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
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
Mehr3.6 Branch-and-Bound-Verfahren
36 Branch-and-Bound-Verfahren Die Branch-and-Bound -Methode beruht darauf, auf eine intelligente Weise alle zulässigen Lösungen eines kombinatorischen Optimierungsproblems aufzulisten und mit Hilfe von
MehrKapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel:
Kapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel: Eine Firma produziert die Produkte P 1, P 2,..., P q aus den Rohstoffen R 1, R 2,..., R m. Dabei stehen b j Einheiten
MehrAufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1
Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Dritte, verbesserte und erweiterte Auflage Mit 79 Abbildungen und 58 Tabellen Springer Votwort Symbolverzeichnis V XIII Kapitel 1: Einführung
MehrLogistik: Transport. Grundlagen, lineare Transport- und Umladeprobleme. von Prof. Dr. Wolfgang Domschke. TU Darmstadt. 5.,.überarbeitete Auflage
Logistik: Transport Grundlagen, lineare Transport- und Umladeprobleme von Prof. Dr. Wolfgang Domschke TU Darmstadt 5.,.überarbeitete Auflage R. Oldenböurg Verlag München Wien Inhaltsverzeichnis Vorwort
MehrKlausur Management Science. Donnerstag, 19. Februar 2015
run Lehrstuhl fiir Operations Management Prof. Dr. Rainer Kolisch ArcisstraBe 21, 80333 Miinchen Klausur Management Science Donnerstag, 19. Februar 2015 Name: Vorname: Matrikelnummer: Studiengang: Fachsemester:
MehrInhaltsverzeichnis Grundlagen der Linearen Optimierung
Inhaltsverzeichnis 4 Grundlagen der Linearen Optimierung 1 4.1 Grundbegriffe............................. 1 4.1.1 Lineare Optimierung..................... 1 4.1.2 Das Grundmodell eines linearen Optimierungsproblems
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
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
MehrWir gewichten die Kanten von G wie folgt: Kante e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 d(e i )
Prof. Dr. U. Faigle J. Voss SS 2011 12. Übung zur Einführung in die Mathematik des Operations Research Dieses Übungsblatt wird nicht mehr gewertet. Aufgabe 1: Sei G = (V, E) ein gerichteter Graph und x
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
MehrEffiziente Algorithmen I
H 10. Präsenzaufgabenblatt, Wintersemester 2015/16 Übungstunde am 18.01.2015 Aufgabe Q Ein Reiseveranstalter besitzt ein Flugzeug, das maximal p Personen aufnehmen kann. Der Veranstalter bietet einen Flug
MehrIII. Transportaufgaben 1. Problemstellung 2. Analyse 3. Bestimmung der Startecke 4. Eckenaustausch 5. Umladeprobleme 6. Zuordnungsprobleme
III. Transportaufgaben 1. Problemstellung 2. Analyse 3. Bestimmung der Startecke 4. Eckenaustausch 5. Umladeprobleme 6. Zuordnungsprobleme H. Weber, FHW, OR SS07, Teil 6, Seite 1 1. Problemstellung Wir
MehrDie duale Simplexmethode
Kapitel 0 Die duale Simplexmethode Bei der dualen Simplexmethode ist eine Startlösung oftmals leichter angebbar als bei der Simplexmethode für das ursprüngliche lineare Programm, da man keine Nichtnegativitätsanforderungen
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
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..............................
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 6 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 16. Mai 2018 [Letzte Aktualisierung: 18/05/2018,
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
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)
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
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
MehrGraphentheorie. Kürzeste Wege. Kürzeste Wege. Kürzeste Wege. Rainer Schrader. 25. Oktober 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 25. Oktober 2007 1 / 20 2 / 20 Wir werden Optimierungsprobleme vom folgenden Typ betrachten: gegeben eine Menge X und eine Funktion
MehrLineare Optimierung: Simplexverfahren Phase Ⅰ
Lineare Optimierung: Simplexverfahren Phase Ⅰ Zur Erinnerung: Die Lineare Optimierungsaufgabe in Standardform lautet z = c T x + c 0 min (.) bei Ax = b, x 0. Revidiertes Simplexverfahren Mit dem Simplexverfahren
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
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
MehrGanzzahlige Optimierung (IP)
Thema Ganzzahlige Optimierung (IP) Systematik * Problematik * Pragmatik IP und Branch and Bound 1 Agenda 1. Relevanz der Ganzzahligkeit? 2. Formulierung ganzzahliger Modelle 3. Zur Lösung ganzzahliger
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 4 Prof. Dr. Gerhard Heyer Institut für Informatik Abteilung Automatische Sprachverarbeitung Universität Leipzig 24. April 2019 [Letzte Aktualisierung: 24/04/2019,
MehrOptimierung. Vorlesung 08
Optimierung Vorlesung 08 Heute Dualität Ganzzahligkeit Optimierung der Vorlesung durch Evaluierung 2 Das duale LP Das primale LP Maximiere c T x unter Ax b, x R d 0. wird zu dem dualen LP Minimiere b T
MehrLineare Optimierungsmodelle
Lineare Optimierungsmodelle Simplex-Methode Vortragender: Michael Schneider Agenda Motivation Operations Research Aufbau linearer Optimierungsmodelle Simplex-Methode Ausblick 2 Problemstellung Futtermischung
MehrKurseinheit 2»Dualität und weiterführende Methoden«
Inhaltsübersicht 1 Gliederung Kurseinheit 1»Simpleverfahren«1. Einleitung 1.1. Einordnung und Übersicht des Stoffes 1.2. Einführendes Beispiel und Grundlagen 2. Lineare Gleichungssysteme 2.1. Die allgemeine
MehrSchnittebenenverfahren von Gomory. Stefan Allescher 30. Juni 2005
Schnittebenenverfahren von Gomory Stefan Allescher 30. Juni 2005 Inhaltsverzeichnis 1. Grundprinzip 2. Das Verfahren von Gomory 2.1. Vorgehen 2.2. Beweis der Endlichkeit 2.3. Algorithmische Durchführung
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
MehrAufgabe 3.1: LP-Informationen im Optimum
Johann Wolfgang Goethe-Universität Frankfurt am Main Lehrst.f.BWL, insb. Quant. Methoden Prof. Dr. Dietrich Ohse LPUE:SQM6 LP und Erweiterungen lpueb03_ 2003s.doc Aufgabe 3.1: LP-Informationen im Optimum
MehrOptimierung. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn
Optimierung Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung 1 Assignment Problem (Zuordnungsproblem) Gewichtetes Perfektes Bipartites Matching agents Costs tasks Weise jedem Agenten genau
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
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
MehrLineare Optimierung Teil 2
Lineare Optimierung Teil 2 Primale Degeneration Duale Degeneration = Mehrdeutigkeit Normalform kanonische Form Duale Simplexmethode HTW-Berlin FB3 Prof. Dr.F. Hartl 1 Primale Degeneration/1 Besitzt eine
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
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
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
MehrOptimierung. Vorlesung 04
Optimierung Vorlesung 04 Übungsbetrieb Mangels Teilnehmer keine Dienstagsübung mehr. Prüfung laut Paul: Di, 10. Feb. 2015 00:01-23:59 2 Was bisher geschah LP: Maximiere c T x unter Ax = b, x 0. Basis:
Mehrmax 16x x 2 (1) 4x 1 + 2x (2) 10x (3) 2x 1 + 4x (4) 2x (5) x 1, x 2 0 (6)
Aufgabe 1 (33 Punkte, ca. 20 Minuten) Ein Konditor stellt zu Ostern besonders exklusive Osterhasen (x 1 ) und Ostereier (x 2 ) her. Diese bestehen aus einer Schokoladengrundmasse und werden mit weiteren
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.
MehrMathematische Grundlagen für Wirtschaftswissenschaftler Lösungshinweise zu den Übungsaufgaben aus Kapitel 3 - Lineare Optimierung
Mathematische Grundlagen für Wirtschaftswissenschaftler Lösungshinweise zu den Übungsaufgaben aus Kapitel - Lineare Optimierung Sascha Kurz Jörg Rambau 8. August Lösung Aufgabe.. Da es sich um ein homogenes
Mehr2. Optimierungsprobleme 6
6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen
MehrWiederholung. Divide & Conquer Strategie
Wiederholung Divide & Conquer Strategie Binäre Suche O(log n) Rekursives Suchen im linken oder rechten Teilintervall Insertion-Sort O(n 2 ) Rekursives Sortieren von a[1..n-1], a[n] Einfügen von a[n] in
MehrOptimierung. Vorlesung 9
Optimierung Vorlesung 9 Heute Facility location problem 1. Komplemetärer Schlupf 2. Das Facility Location Problem 3. Problemstellung LP, Duales, Schlupf Eine Approximationsalgorithmus Analyse und Beweis
MehrOPERATIONS RESEARCH I LINEARE PLANUNGS RECHNUNO UND NETZPLANTECHNIK
BODO RUNZHEIMER OPERATIONS RESEARCH I LINEARE PLANUNGS RECHNUNO UND NETZPLANTECHNIK SIMPLEX-METHODE -TRANSPORT-METHODE STRUKTURANALYSE ZEITPLANUNG ZEIT-KOSTEN PLANUNG- ANWENDUNGSMÖGLICHKEITEN 5., VERBESSERTE
MehrAlgorithmen & Komplexität
Algorithmen & Komplexität Angelika Steger Institut für Theoretische Informatik steger@inf.ethz.ch Kürzeste Pfade Problem Gegeben Netzwerk: Graph G = (V, E), Gewichtsfunktion w: E N Zwei Knoten: s, t Kantenzug/Weg
MehrAUFGABENTEIL. Klausur: Modul Optimierungsmethoden des Operations Research. Termin:
Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. Andreas Kleine AUFGABENTEIL Klausur: Modul 32621 Termin: 23.03.2017 Prüfer: Prof. Dr. Andreas
MehrInhalt. 2 Transportoptimierung Das klassische Transportproblern Modell 73
Inhalt 1 Lineare Optimierung 13 1.1 Das Modell der linearen Optimierung 13 1.2 Graphische Lösung 20 1.3 Der primale Simplexalgorithmus 23 1.3.1 Grundlagen 24 1.3.2 Der Optimalitätstest 27 1.3.3 Verbesserungsschritt
MehrLineare und kombinatorische Optimierung
Lineare und kombinatorische Optimierung Theorie, Algorithmen und Anwendungen Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Wintersemester 2017/18 Peter Becker (H-BRS) Lineare
MehrBranch-and-Bound und Varianten. Kapitel 3. Branch-and-Bound und Varianten. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 98 / 159
Kapitel 3 und Varianten Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 98 / 159 Inhalt Inhalt 3 und Varianten Anwendungsbeispiele Branch-and-Cut Peter Becker (H-BRS) Operations Research
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
MehrWie schreibe ich einen Kürzester Kruzester
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 5 Vorlesung Algorithmentechnik im WS 8/9 Ausgabe 16. Dezember 8 Abgabe 13. Januar 9, 15:3 Uhr (im Kasten vor Zimmer 319, Informatik-Hauptgebäude,
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
MehrRundreisen und Touren
Logistik: Rundreisen und Touren von Prof. Dr. Dr. b.c. Wolfgang Domschke TU Darm Stadt und Prof. Dr. Armin Scholl Universität Jena 5., überarbeitete und aktualisierte Auflage Oldenbourg Verlag München
MehrAlgorithmen I - Tutorium 28 Nr. 12
Algorithmen I - Tutorium 28 Nr. 12 20.07.2017: Spaß mit Dynamischer und Linearer Programmierung Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR. JÖRN
MehrLineare Programmierung (2)
Inhalt Rückblick Motivation - linearen Programmierung Flussprobleme Multiple Warenflüsse Fortsetzung Simplex Algorithmus Initialisierung Fundamentalsatz der linearen Programmierung schwache Dualität Dualität
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
MehrDer Branching-Operator B
Branching 1 / 17 Der Branching-Operator B Unser Ziel: Löse das allgemeine Minimierungsproblem minimiere f (x), so dass Lösung(x). B zerlegt eine Menge von Lösungen in disjunkte Teilmengen. Die wiederholte
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)
MehrLogistik: Transport. Grundlagen, lineare Transportund Umladeprobleme. Von Dr. Wolfgang Domschke. o. Professor für Betriebswirtschaftslehre
Logistik: Transport Grundlagen, lineare Transportund Umladeprobleme Von Dr. Wolfgang Domschke o. Professor für Betriebswirtschaftslehre Zweite, ergänzte Auflage TECHNISCH!: MOC cchule DARiviSTAOT j P e
MehrWiederholung. Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b
Wiederholung Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b x 0. x R n heißt Basislösung, wenn Ax = b und rang(a J ) = J, wobei J = {j x (j) 0}; Basislösung
MehrSandro Pirkwieser, (Bin Hu, Jakob Puchinger) SS 2010
Lösungsverfahren für Ganzzahlige Optimierung Sandro Pirkwieser, (Bin Hu, Jakob Puchinger) Fortgeschrittene Algorithmen und Datenstrukturen Arbeitsbereich für Algorithmen und Datenstrukturen Institut für
MehrTransportoptimierung
Transportoptimierung Mathematisches Modell Konstruktionsverfahren für einen zulässigen Transportplan Duale Aufgabe des TOP Verbesserungsverfahren: MODI-Verfahren 1 Transport ein zentrales Element jedes
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
MehrDiskrete Optimierung: Fallstudien aus der Praxis
Diskrete Optimierung: Fallstudien aus der Praxis Branh and Bound Grundlagen Barbara Langfeld, Mihael Ritter, Barbara Wilhelm Tehnishe Universität Münhen 20A Ganzzahlige Programmierung max T x Ax b x 0
MehrKap. 3: Exakte Lösungsverfahren für NPschwierige. Optimierungsprobleme VO Algorithm Engineering
Kap. 3: Exakte Lösungsverfahren für NPschwierige kombinatorische Optimierungsprobleme VO Algorithm Engineering 3.1 Einführung Professor Dr. Petra Mutzel 3.2 Komb. vs. Ganzzahlige Opt. Lehrstuhl für Algorithm
MehrBERGISCHE UNIVERSITÄT WUPPERTAL FB B: SCHUMPETER SCHOOL OF BUSINESS AND ECONOMICS. Master of Science
Name: Vorname: Matrikel-Nr.: BERGISCHE UNIVERSITÄT WUPPERTAL FB B: SCHUMPETER SCHOOL OF BUSINESS AND ECONOMICS Master of Science Wintersemester 2014/2015 Prüfungsgebiet: MWiWi 4.1 Advanced OR methods in
MehrOptimierungsverfahren in der Transportlogistik
Optimierungsverfahren in der Transportlogistik Jakob Puchinger 1 1 Dynamic Transportation Systems, arsenal research Jakob Puchinger (arsenal research) Optimierungsverfahren in der Transportlogistik 1 /
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
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 22 1 Das Travelling Salesperson Problem
MehrLineare Optimierung Dantzig 1947
Lineare Optimierung Dantzig 947 Lineare Optimierungs-Aufgaben lassen sich mit Maple direkt lösen: with(simplex): g:= 4*x + x2
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,
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
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
Mehr