Modelle und Methoden der Linearen Optimierung (Die Thesen zur Vorlesung 4)
|
|
- Gerrit Kraus
- vor 7 Jahren
- Abrufe
Transkript
1 Modelle und Methoden der Linearen Optimierung (Die Thesen zur Vorlesung 4) das Thema der Vorlesung Die Anwendung der Methoden der Mehrkriterienoptimierung bei der Lösung der ökonomischen Entscheidungsprobleme Prof. Dr. Michal Fendek Institut für Operations Research und Ökonometrie Wirtschaftsuniversität Bratislava Dolnozemská Bratislava, Slowakei Universität Hamburg - November 004
2 (leikographische) Zieloptimierung Ziele dervorlesung: In der Vorlesung wird man basische Kenntnisse aus dem Bereich der Mehrkriterienoptimierungstheorie präsentieren. Auf einem kleinen hypothetischen Beispiel aus dem Bereich der Optimierung der Produktionsstrategie des Unternehmens wird die Differenz zwischen dem Begriff die optimale Lösung und die Pareto - optimale Lösung, bzw. die effektive Lösung erklärt. Erklären sich ausgewählte numerische und graphische Methoden für die Lösung der Mehrkriterienoptimierungsmodelle. Folie Nr.:
3 (leikographische) Zieloptimierung Allgemeine Formulierung des Mehrkriterienoptimierungsmodell f p ()= n j= c et unter den Bedingungen n j= j a ij 0 p j j j p {,,=} b j =, K,n { min, ma} p =, K, k () i i =, K,m () (3) wo k Zahl der Zielfunktionen des Problems, m Zahl der Nebenbedingungen des Problems, n Zahl der Variablen des Problems, c j p Koeffizienten der p-ten Zielfunktion, j=,...,n, p=,...,k b i Koeffizienten der rechten Seite, i=,...,m, a ij Koeffizienten der Matri des Systems der Nebenbedingungen, Nebenbedingungen, i=,...,m, j=,...,n, j - Entscheidungsvariablen, j=,...,n Folie Nr.:3
4 (leikographische) Zieloptimierung Beispiel (aus der Vorlesung ) BEKÜRZTE DISPOSITION: Unternehmen kann zwei Produkte herstellen Für die Fertigung einer Mengeneinheit des Produktes P werden benötigt: 3 Maschinenstunden von Maschine M und 3 Mengeneinheiten des Rohstoffes R Für die Fertigung einer Mengeneinheit des Produktes P werden benötigt: Maschinenstunden von Maschine M und 5 Mengeneinheiten des Rohstoffes R Maschine M hat Kapazität 00 Stunden Aus des Rohstoffes R ist 500 Einheiten zur Verfügung Die Marketingabteilung des Unternehmens hat eine Marktanalyse gemacht und jetzt sie wissen, daß sie auf den Markt maimal 00 Stücke des Produktes P plazieren können. Folie Nr.:4
5 (leikographische)zieloptimierung Das Unternehmen muß bei seiner Entscheidung über die optimale Produktionsstrategie zwei Ziele verfolgen: Ziel : Das Unternehmen will den maimalen Gesamterlös erreichen. Die Marktpreise der Produkte sind p = 80 Geldeinheiten pro Stück p = 00 Geldeinheiten pro Stück Ziel : Das Unternehmen hat ein eminentes Interesse der Anzahl der Arbeiter im Produktionsprozeß zu erhöhen. Deshalb das zweite Ziel des Unternehmens ist auch die Gesamtanwendung der Arbeitskraft maimieren. Für die Fertigung einer Mengeneinheit des Produkts P, bzw. P werden benötigt 00 Arbeitsstunden für das Produkt P und 50 Arbeitsstunden für das Produkt P Folie Nr.:5
6 (leikographische)zieloptimierung Für dieses Produktionsplanungsproblem wir können folgende mathematische Mehrkriterienoptimierungsmodell (MOP) formulieren: Die Zielfunktionen f f (, ) = (, ) = ma ma Unter den Nebenbedingungen (MOP) 3 3 5, Folie Nr.:6
7 (leikographische) Zieloptimierung Maschinenkapazität Isoerlöslinie f = Rohstoffbeschränkung MOPO =(66,6;00) f ( )=66630=f * f ( )=33304 =(333,3;00) f ( )=36664=f * f ( )=58330 Marketingbeschränkung Produkt 300 f f NB NB NB f f D Produkt Isoarbeitskraftlinie f =0 Folie Nr.:7
8 (leikographische) Zieloptimierung Aus diese Lösungen zwei Einkriterienoptimierungsprobleme, die hatten verschiedene optimale Lösungen, wir können sehen, daß es nicht einfach muß sein, die gemeinsame Lösung dieses Zweikriterienoptimierungsproblems zu finden. Wenn ich wäre ein Manager unseres Unternehmens und meine kurzfristige Priorität wäre der höchste Erlös erreichen, dann ich werde ganz bestimmt die basische Lösung in dem Gipfel akzeptieren. Aber wenn mein Interesse ist in der ersten Linie hohe Anwendung der Arbeitskraft in Unternehmen zu erlangen, dann ich werde natürlich die Lösung im Gipfel auswählen. Aber beide diese Alternative sind die Grenzsituationen. In realem Entscheidungsprozeß sind für uns aber diese Grenzalternativen, bzw. optimale Lösungen für einzelne Zielfunktionen praktisch unannehmbar. Folie Nr.:8
9 (leikographische) Zieloptimierung Wie können wir eigentlich nur eine gemeinsame Lösung für diese zwei Zielfunktionen finden? Und was für eine Eigenschaft muß solche gemeinsame Lösung haben? Kucken wir noch einmal achtsam auf graphische Darstellung der Lösung unseres Optimierungsproblems. Auf Abbildung wir haben außerdem zwei partiellen optimalen Lösungen, noch drei weitere zulässige Lösungen 3, 4, 5 dargestellt. Folie Nr.:9
10 (leikographische) Zieloptimierung =(66,6;00) f ( )= f ( )=66 630=f * MOPO 4 =(0;00) f ( 4 )=0 000 f ( 4 )= =(00;80) f ( 3 )= f ( 3 )= Produkt =(00;00) f ( 5 )=0 800 f ( 5 )=6 000 =(333,3;00) f ( )=36 664=f * f ( )= f f NB NB NB3 00 D MEL Produkt Folie Nr.:0
11 (leikographische) Zieloptimierung Wir werden jetzt untersuchen der Änderungen der Werte beider Zielfunktionen bei der Verschiebung zwischen einzelnen zulässigen Lösungen. Beginnen wir mit dem Punkt 5 = (00,00). (Bemerken wir nur, daß dieser Punkt ein innerer Punkt der Menge der zulässigen Lösungen ist. ) Wir sehen, zu diesem Punkt andere Punkte eistieren, in den beide Zielfunktionen schlechtere Werte haben, z. B. Punkt (0,0), aber zugleich eistieren auch Punkte, in den beide Zielfunktionen bessere Werte haben, z. B. Punkt 3 =(00,80). Ähnliche Eigenschaft hat auch weitere zulässige Lösung unseres Optimierungsproblems und zwar Punkt 4 = (0,00). Zu dieser Lösung ist aus dem Aspekt der Werte der Zielfunktionen besser z. B. Punkt =(66,00) aber auch die Punkte =(00,80) und =(333,00). Folie Nr.:
12 (leikographische) Zieloptimierung Jetzt werden wir der Eingeschaften des Punkts ausführlicher untersuchen. () Wir sehen, daß zu diesem Punkt sehr viel Punkte eistieren, in den beide Zielfunktionen schlechtere Werte haben (z. B. Punkt 3 ). Für weitere Punkte, z. B. Punkte 3, wir können zwar den Wert der Zielfunktion f zu verbessern aber zugleich der Wert der Zielfunktion f schlechter, genauer niedriger wird. () Also, wir können sehen und das ist wesentlich, daß zu dem Punkt nur solche Punkte eistieren, die entweder die Werte beide Zielfunktionen niedrigere haben, oder der Wert erster Zielfunktion zwar höher ist aber zugleich der Wert zweiter Zielfunktion niedriger ist. (3) Die zulässige Lösung mit dieser Eigenschaft ist so genannte effektive oder Pareto optimale Lösung. Es ist klar, daß auch zulässige Lösungen 3 und diese Eigenschaft haben. Die Menge allen Lösungen mit dieser Eigenschaft wir nennen Menge der effektiven Lösungen des Mehkriterienoptimierungsproblems. Folie Nr.:
13 (leikographische) Zieloptimierung In unserem Beispiel diese Menge der effektiven Lösungen bilden alle lineare Konvekombinationen der Punkte und, also für alle effektive Lösungen gilt ef ( λ ), 0, = λ λ ef λ = λ λ λ ( λ) =, 0, Folie Nr.:3
14 (leikographische) Zieloptimierung Formulieren wir endlich die Definition der effektiven Lösung des Mehrkriterienoptimierungsproblems. Untersuchen wir folgenden Mehrkriterienoptimierungsproblem f f p ( ) ma D : R n R (MOP) Definition: Vektor ef, der zulässige Lösung des Problems MOP ( ef D) ist, ist effektive Lösung des Problems MOP genau dann, wenn zugleich eistiert keine andere zulässige Lösung D, ef für die gilt n R p =, Kk f p ( ) f r, p p ( f r ef ) ( ) > f r ( für ef ) p =, K, k Folie Nr.:4
15 (leikographische) Zieloptimierung Unsere Aufgabe ist jetzt eine konkrete Lösung aus der Menge der effektiven Lösungen auszuwählen. Es ist erkenntlich, daß wahrscheinlich jede Lösung aus der Menge MEL gleiche Eigenschaft hat und jede Lösung ist deshalb für uns gleich annehmbar. Für die Wahl der konkreten Lösung aus der Menge MEL wir werden wahrscheinlich bestimmtes Ergänzungskriterium anwenden müssen. Auf dem Grund dieses Ergänzungskriteriums dann wir können so genannte Kompromißlösung wählen. Es gibt verschiedene Schemen für die Konstruktion des Verfahrens für die Ableitung der Kompromißlösung. Folie Nr.:5
16 (leikographische) Zieloptimierung Jetzt wir werden das Verfahren für die Lösung der Zieloptimierungsaufgabe, das ist aus zwei Aspekten effektiv und annehmbar, präsentieren.. Bei Anwendung dieser Methode wir definieren für jede Zielfunktion konkreten Zielwert. Es ist klar, daß diese Idee für die Lösung praktischen ökonomischen Entscheidungsproblemen sehr große Nützlichkeit hat.. Bei der Applikation dieser Methode das Problem der Mehrkriterienoptimierung auf das klassische Einkriterienoptimierungsproblem transformiert. Und für Lösung solches Problem wir können natürlich übliches Standardsoftware für Lösung der Optimierungsprobleme anwenden. Folie Nr.:6
17 (leikographische) Zieloptimierung Die praktische Realisation dieses Verfahrens wir werden auf die Lösung unseres Beispiels demonstrieren. Wir schlagen zum Beispiel vor, daß folgende Zielwerte sind für unsere zwei Zielfunktionen definiert f (, ) z (z =55 000)... Gesamterlös f (, ) z (z =00 000)... Anwendung der Arbeitskraft Die Menge der Punkten, die zulässige für diese zwei Bedingungen sind, ist so genannte Entscheidungsraum der Zielfunktionen (Z). Die Menge der Punkten, die sind zulässig für ursprüngliche Bedingungen des Problems bildet so genannte Entscheidungsraum der Nebenbedingungen (D). Folie Nr.:7
18 (leikographische) Zieloptimierung Jetzt es ist noch notwendig, daß die Zielfunktionen des Mehrkriterienoptimierungsproblems MOP mindestens die definierte Zielwerte z und z erreichen. Diese Förderungen dann werden wir deshalb als neue Nebenbedingungen des Problems formuliert. Wir bekommen folgende Formulierung der Nebenbedingungen unseres Problems f f (, ) = z ( z = ) ( ) = z ( z = ), 3 3 5, Folie Nr.:8
19 (leikographische) Zieloptimierung 700 f z = MOPO =(333,3;00) X =(66,6;00) Z Entscheidungsraum der Zielfunktionen f z = f Produkt 300 f NB NB NB3 00 D 00 Entscheidungsraum der Nebenbedingungen MEL Produkt Folie Nr.:9
20 (leikographische) Zieloptimierung Graphische Darstellung des Entscheidungsraums der Zielfunktionen (Z) und des Entscheidungsraums der Nebenbedingungen (D) ist auf der Abbildung abgebildet. Wir aber sehen, daß Schnittmenge von dieser zwei Entscheidungsräume ist leere Menge. Es zeigt, daß kein Punkt eistiert, der dem Element der Menge Z und zugleich dem Element der Menge D ist. Wir müssen eine Kompromißlösung unseres Problems suchen. Es ist ersichtlich, daß die Kompromißlösung in jedem Punkt aus der Menge der effektiven Lösungen MEL befinden sich kann. Deshalb in unserem Fall eistiert kein Punkt aus der Schnittmenge der Mengen D und Z, wir solchen Punkt aus der Menge der effektiven Lösungen MEL auswählen werden, der ist am nächstens von dem Entscheidungsraum der Zielfunktionen (Z), wie ist es auf der Abbildung demonstriert. Und jetzt schließlich die letzte Frage: Wie können wir den Betriff Punkt ist nicht weit von der Menge interpretieren aber vor allem quantifizieren. Folie Nr.:0
21 (leikographische) Zieloptimierung Selbstverständlich sehr oft haben die Menge MEL und die Menge Z leere Schnittmenge. Aber Kompromißlösung muß natürlich aus der Menge MEL, die Teilmenge von Menge D ist, sein. Dann aber dieser Punkt kann nicht aus der Menge Z sein und deshalb kann nicht die Restriktionen dieser Menge genügen. Diese Diskrepanz wir müssen im Rahmen der Nebenbedingungen der Menge Z lösen. In jede Nebenbedingung der Menge Z wir anwenden zwei neue Variablen y k, y k -, die gewünschte und unerwünschte Abweichungen von den Werten der einzelnen Zielfunktionen ausdrücken. Außerdem wir definieren so genannte nichtnegative Gewichtsfaktoren φ k, φ k -, die Priorität einzelner Zielfunktionen auszudrücken. Diese Gewichtsfaktoren einzelnen Abweichungsvariablen zugeordnet sind. Folie Nr.:
22 Folie Nr.: Optimierung bei mehrfacher Zielsetzung. Die Grundlage der Methode der (leikographische )Zieloptimierung Das Mehrkriterienoptimierungsproblem ist auf das Zieloptimierungsproblem in der folgenden Form transformiert (ZOP): ( ) 0,,,,,,, , 3 = = = = = = y y y y s s s s s y y y y min y y y y F ψ ψ
23 (leikographische )Zieloptimierung Das Optimierungsproblem (ZOP) repräsentiert eine Archimedian Konzeption des generellen Zieloptimierungsproblems. Auf dem Grund der Archimedian Konzeption des Zieloptimierungsproblems wir also konnten ein mathematischen Modell der Optimierung der Produktionsstrategie des Unternehmens formulieren. Optimale Lösung dieses Zieloptimierungsproblems wir können mit dem Standardsoftware für Optimierungsprobleme finden. Folie Nr.:3
24 (leikographische )Zieloptimierung Folie Nr.:4
25 (leikographische )Zieloptimierung Folie Nr.:5
26 (leikographische )Zieloptimierung Folie Nr.:6
27 (leikographische )Zieloptimierung Folie Nr.:7
28 (leikographische )Zieloptimierung Folie Nr.:8
29 (leikographische )Zieloptimierung Folie Nr.:9
30 (leikographische) Zieloptimierung Das Problem der Vektoroptimierung wir können als das Problem der Zieloptimierung in folgender genereller Form präsentieren: Ziel... f ( )= c T z Ziel... f ( )= c T z Ziel 3... f 3 ( )= c 3T = z 3 Ziel 4... f 4 ( )= c 4T < z 4 ug, z 4 og > D Folie Nr.:30
31 (leikographische) Zieloptimierung Die Interpretation der Zielen sind folgende: Ziel_... Die Zielfunktion f () muß mindestens ihren erwünschtlichen Wert z erreichen. Ziel_... Die Zielfunktion f () darf meistens ihren erwünschtlichen Wert z erreichen. Ziel_3... Die Zielfunktion f 3 () muß genau ihren erwünschtlichen Wert z 3 erreichen. Ziel_4... Die Zielfunktion f 4 () muß ihren Wert aus dem zulässigen Intervall z 4 ug, z 4 og erreichen. Folie Nr.:3
32 Folie Nr.:3 Optimierung bei mehrfacher Zielsetzung. Die Grundlage der Methode der (leikographische) Zieloptimierung Für die generellen Formulierung des mehrkriterien Optimierungsproblems resultiert daraus die folgende analytische Formulierung des linearen Zielprogrammierungsproblems: f(, ) = y y y y y y y y φ φ φ φ φ φ min bei Nebenbedingungen 0 y c c c c c D, z y - z y z = y - y z y - z y 4 og ug T T T T T
33 (leikographische) Zieloptimierung Bei der Lösung des oben beschriebenen Problems wurde als geeignetes Kompromissprinzip der Zielprogrammierung gewählt. Als Ausgangsformulierung des Problems betrachten wir die folgende: F p ( y y ) =, φ y φ y k = k k k k min unter den Bedingungen f y y = z k =,,..., p k k k k D y, y 0 k =,,..., p k k Wir setzen voraus, dass alle betrachteten Kennziffern von Maimierungstyp sind, dann y k ist die unerwünschte Abweichung vom k-ten Ziel, y k ist die gewünschte Abweichung vom k-ten Ziel, und φk, φk sind diesen Abweichungen zugeordnete nichtnegative Gewichtsfaktoren. Folie Nr.:33
34 (leikographische) Zieloptimierung Noch drei Bemerkungen zu der Interpretation der Abweichungsvariablen: () Als die Abweichungsvariable y - ist positive, dann die Variable drückt aus, das Erlös des Unternehmens war in dem Vergleich mit dem Zielwert gerade um den Wert dieser Variable unerfüllt. () Als die Abweichungsvariable y ist positive, dann die Variable drückt aus, das Erlös des Unternehmens war in dem Vergleich mit dem Zielwert gerade um den Wert dieser Variable übererfüllt. (3) Als beide Abweichungsvariablen y -, y - gleich Null werden, dann das Erlös des Unternehmens war in dem Vergleich mit dem Zielwert pünktlich erfüllt. Folie Nr.:34
35 (leikographische) Zieloptimierung Das Verfahren der Aggregation der Zielfunktionen für die Lösung des Mehrkriterienoptimierungsmodell f p ()= ma unter den Bedingungen n j= j Das Mehrkriterienoptimierungsmodell (), (), (3) wir können auf folgendes Einkriterienoptimierungsmodell transformieren F() = unter den Bedingungen D n j= a ij c 0 p j j j {,,=} b j =, K,n i i =, K,m p =, K, k n k p ( ψ pc j ) j ma () j= p= (),(3), ψ k p 0,, ψ p = p= wo Ψ, Ψ sind die Koeffizienten der Priorität für die einzelne Zielfunktionen () () (3) Folie Nr.:35
36 (leikographische )Zieloptimierung Folie Nr.:36
37 (leikographische )Zieloptimierung Folie Nr.:37
38 (leikographische ) Zieloptimierung Folie Nr.:38
39 (leikographische )Zieloptimierung Folie Nr.:39
40 (leikographische )Zieloptimierung Folie Nr.:40
41 (leikographische )Zieloptimierung Folie Nr.:4
Modelle und Methoden der Linearen Optimierung (Die Thesen zur Vorlesung 1_Fallstudie)
(Die Thesen zur Vorlesung 1_Fallstudie) das Thema der Vorlesung Grundlagen der Methode der linearen Optimierung (Lineares Optimierungsmodell der Wahl der Produktionsstrategie des ) Prof. Dr. Michal Fendek
MehrModelle und Methoden der Linearen Optimierung (Die Thesen zur Vorlesung 1)
(Die Thesen zur Vorlesung 1) das Thema der Vorlesung Grundlagen der Methode der linearen Optimierung (Grundlegende Annahmen der linearen Programmierung) Prof. Dr. Michal Fendek Institut für Operations
MehrModelle und Methoden der Linearen Optimierung (Die Thesen zur Vorlesung 3)
(Die Thesen zur Vorlesung 3) das Thema der Vorlesung Lösung der linearen Programmierungsrobleme: Das Simleverfahren Teil Prof. Dr. Michal Fendek nstitut für Oerations Research und Ökonometrie Wirtschaftsuniversität
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
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
MehrFK WMS: Wirtschaftsmathematik 2, Einheit 7/8
FK WMS: Wirtschaftsmathematik 2, Einheit 7/8 Markus Sinnl 1 markus.sinnl@univie.ac.at http://homepage.univie.ac.at/markus.sinnl basierend auf Folien von Dr. Ivana Ljubic, Mag. Christian Spreitzer und Mag.
Mehr10 Der Satz über implizite Funktionen und Umkehrfunktionen
Vorlesung SS 9 Analsis Prof. Dr. Siegfried Echterhoff SATZ ÜBER IMPLIZITE FKT UND UMKEHRFKT Der Satz über implizite Funktionen und Umkehrfunktionen Motivation: Sei F : U R R eine differenzierbare Funktion
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,
Mehr(x, x + y 2, x y 2 + z 3. = e x sin y. sin y. Nach dem Umkehrsatz besitzt f dann genau auf der Menge
ÜBUNGSBLATT 0 LÖSUNGEN MAT/MAT3 ANALYSIS II FRÜHJAHRSSEMESTER 0 PROF DR CAMILLO DE LELLIS Aufgabe Finden Sie für folgende Funktionen jene Punkte im Bildraum, in welchen sie sich lokal umkehren lassen,
Mehr7 Partielle Ableitung
Vorlesung SS 29 Analsis 2 Prof Dr Siegfried Echterhoff 7 Partielle Ableitung Definition 7 Sei U R n offen und f : U R m eine Funktion Dann heißt f im Punkt nach der j-ten Variablen j partiell differenierbar,
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
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
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
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
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
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
Mehr7. Vorlesung. 21. November 2006 Guido Schäfer
LETZTE ÄNDERUNG: 21. NOVEMBER 2006 Vorlesung: Einführung in die Spieltheorie WS 2006/2007 7. Vorlesung 21. November 2006 Guido Schäfer Wenn die Latenzfunktionen (c e ) e E differenzierbar und schwach monoton
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)
MehrDifferenzialrechnung für Funktionen mit mehreren unabhängigen Variablen. Graphentheorie
Differenzialrechnung für Funktionen mit mehreren unabhängigen Variablen Graphentheorie Differenzialrechnung für Funktionen mit mehreren unabhängigen Variablen Def.: eine Funktion n f :D mit D,x (x,...x
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 =
MehrMaximiere Gesamtgewinn aus verschiedenen Produkten unter Restriktionen an Produktmenge (Lagermenge, Transportmenge)
Beispiel: Produktionsplanung Maximiere Gesamtgewinn aus verschiedenen Produkten unter Restriktionen an Produktmenge (Lagermenge, Transportmenge) Produktionskapazität Ressourcenmenge bei als fest angenommenem
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
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg Sätze PLUS Es gilt für A, B R n n : det(ab) = det A det B (Determinantenmultiplikationssatz)
Mehr11 Optimierung von Funktionen einer Veränderlichen
11 Optimierung von Funktionen einer Veränderlichen In diesem Kapitel werden die bis hier behandelten Grundlagen der Analysis genutzt, um Methoden aus der Optimierungstheorie für eindimensionale Entscheidungsmengen
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
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
MehrKLAUSUR zu Einführung in die Optimierung. Studiengang: Bachelor Master Diplom (bitte ankreuzen)
Mathematisches Institut WS 2012/13 der Heinrich-Heine-Universität 7.02.2013 Düsseldorf Prof. Dr. Achim Schädle KLAUSUR zu Einführung in die Optimierung Bitte folgende Angaben ergänzen und DEUTLICH LESBAR
MehrLineare Optimierungsmodelle
Lineare Optimierungsmodelle Simplex-Methode Vortragender: Michael Schneider Agenda Motivation Operations Research Aufbau linearer Optimierungsmodelle Simplex-Methode Ausblick 2 Problemstellung Futtermischung
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
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrSattelpunkt-Interpretation
Sattelpunkt-Interpretation Vinzenz Lang 14. Mai 2010 Die Sattelpunkt-Interpretation befasst sich mit der Interpretation der Lagrange- Dualität. Sie wird im weiteren Verlauf des Seminars nicht noch einmal
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
MehrAlgebraische Kurven. Vorlesung 24. Tangenten bei Parametrisierungen. (Q)) die Richtung der Tangente von C in P.
Prof. Dr. H. Brenner Osnabrück SS 2012 Algebraische Kurven Vorlesung 24 Tangenten bei Parametrisierungen Satz 24.1. Es sei K ein unendlicher Körper und ϕ: A 1 K A n K eine durch n Polynome ϕ = (ϕ 1 (t),...,ϕ
MehrLineare Optimierungsaufgaben - eine Einführung
Lineare Optimierungsaufgaben - eine Einführung Aufgabenstellung, Beispiele, graphisches Lösen und Trafo auf Normalform Vortragsskript von Lorenz Fischer Operations Research bedeutet die Suche nach einer
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)
MehrOperations Research kompakt
Operations Research kompakt von Michael Sauer Oldenbourg Verlag München Inhalt s Verzeichnis 1 Einführung 1 1.1 Vorwort 1 1.2 Anwendungsbeispiel 2 1.3 Inhaltsüberblick 3 1.4 Einige Grundlagen 4 1.4.1 Grundbegriffe
MehrBeschäftigungsglättung
Beschäftigungsglättung Erläutern Sie das Problem der Beschäftigungsglättung. Mit welchen Planungsansätzen kann man es lösen? Gegeben sei folgende prognostizierte Nachfragezeitreihe (40, 80, 60, 110, 30,
MehrEinführung in die Volkswirtschaftslehre
Einführung in die Volkswirtschaftslehre Übung 1: Mathematische Analyseinstrumente Dipl.-Volksw. J.-E.Wesselhöft/ Dipl.-Volksw. J.Freese Bachelor Modul Volkswirtschaftliche Analyse (WS-14-V-03) HT 2009
Mehr8.1 Grundbegriffe der Mengen-Topologie
Die Menge der möglichen Handlungsalternativen eines Entscheidungsproblems wird Entscheidungsraum genannt. Die Entscheidungsräume vieler ökonomischer Entscheidungsprobleme sind Teilmengen des R n. In diesem
MehrÜber- und unterbestimmte
Über- und unterbestimmte Systeme (verallgemeinerte Lösungen) Über- und unterbestimmte Systeme Ax = b ist genau dann für alle b R m eindeutig lösbar, wenn m = n und rk A = n. Falls m n oder rk A < min{m,
MehrOptimierung unter Nebenbedingungen
Optimierung unter Nebenbedingungen Kapitel 7: Optimierung unter Nebenbedingungen Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 1. Juli 2009 1 / 18 7.1 Bemerkung
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
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
MehrKlausur zur Vorlesung: Mathematische Logik SS 2011
Klausur zur Vorlesung: Mathematische Logik SS 2011 Geben Sie am Ende Der Klausur Ihre Lösungen einschließlich dieses Deckblatts ab. Schreiben Sie auf jedes Blatt Ihren Namen und Ihre Matrikelnummer. Viel
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 II Optimierung. Modellgestützte Analyse und Optimierung Kap. 5 Einführung Optimierung. Peter Buchholz 2006
Teil II Optimierung Gliederung 5 Einführung, Klassifizierung und Grundlagen 6 Lineare Optimierung 7 Nichtlineare Optimierung 8 Dynamische Optimierung (dieses Jahr nur recht kurz) (9 Stochastische Optimierungsmethoden
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 Wirtschaftsinformatik VO WS 2008 / 2009
Einführung in die Wirtschaftsinformatik VO WS 2008 / 2009 Daten Modelle Steuerung Wilfried Grossmann Teil 3: Steuerung Mathematische Modelle werden häufig dazu verwendet um ein optimales Verhalten zu bestimmen
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
Mehr4. Dynamische Optimierung
4. Dynamische Optimierung Allgemeine Form dynamischer Optimierungsprobleme 4. Dynamische Optimierung Die dynamische Optimierung (DO) betrachtet Entscheidungsprobleme als eine Folge voneinander abhängiger
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
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 7 11. Mai 2010 Kapitel 8. Vektoren Definition 76. Betrachten wir eine beliebige endliche Anzahl von Vektoren v 1, v 2,..., v m des R n, so können
MehrAlgebraische Kurven - Vorlesung 29. Projektion weg von einem Punkt
Algebraische Kurven - Vorlesung 29 Definition 1. Die Abbildung P n K Projektion weg von einem Punkt {(1, 0,..., 0)} Pn 1 K, (x 0, x 1...,x n ) (x 1,..., x n ), heißt die Projektion weg vom Punkt (1, 0,...,
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:
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
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,
MehrKonvexe Mengen und Funktionen
Konvexe Mengen und Funktionen von Corinna Alber Seminararbeit Leiter: Prof. Jarre im Rahmen des Seminars Optimierung III am Lehrstuhl für Mathematische Optimierung an der Heinrich-Heine-Universität Düsseldorf
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
Mehr9 Optimierung mehrdimensionaler reeller Funktionen f : R n R
9 Optimierung mehrdimensionaler reeller Funktionen f : R n R 91 Optimierung ohne Nebenbedingungen Ein Optimum zu suchen heißt, den größten oder den kleinsten Wert zu suchen Wir suchen also ein x R n, sodass
Mehr3 Optimierung mehrdimensionaler Funktionen f : R n R
3 Optimierung mehrdimensionaler Funktionen f : R n R 31 Optimierung ohne Nebenbedingungen Optimierung heißt eigentlich: Wir suchen ein x R n so, dass f(x ) f(x) für alle x R n (dann heißt x globales Minimum)
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)
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
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 23 Die Gradformel Satz 1. Seien K L und L M endliche Körperweiterungen. Dann ist auch K M eine endliche Körpererweiterung und
MehrOptimieren unter Nebenbedingungen
Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht
MehrAffine Hülle. x x 1 ist lineare Kombination der Vektoren x 2 x 1,x 3 x 1,...,x k x 1. Tatsächlich, in diesem Fall ist λ 1 = 1 λ 2 λ 3...
Affine Hülle Wiederholung. Der Vektor x K n ist eine lineare Kombination der Vektoren x,...,x k K n, wenn es Zahlen λ,...,λ k K gibt mit x = λ x +... + λ k x k. Def. Gibt es solche Zahlen λ,...,λ k K mit
MehrVektorräume. Lineare Algebra I. Kapitel Juni 2012
Vektorräume Lineare Algebra I Kapitel 9 12. Juni 2012 Logistik Dozent: Olga Holtz, MA 378, Sprechstunden Freitag 14-16 Webseite: www.math.tu-berlin.de/ holtz Email: holtz@math.tu-berlin.de Assistent: Sadegh
MehrSattelpunkte und Optimalitätsbedingungen bei restringierten Optimierungsproblemen
Sattelpunkte und Optimalitätsbedingungen bei restringierten Optimierungsproblemen Sandro Grunert WS 08/09 Seminar Optimierung Technische Universität Chemnitz 1 Inhaltsverzeichnis 0 Grundlegende Situation
MehrMathematik I. Vorlesung 12. Lineare Abbildungen
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 12 Lineare Abbildungen Definition 12.1. Es sei K ein Körper und es seien V und W K-Vektorräume. Eine Abbildung heißt lineare Abbildung,
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
MehrDie Lagrange-duale Funktion
Die Lagrange-duale Funktion Gregor Leimcke 21. April 2010 1 Die Lagrangefunktion Wir betrachten das allgemeine Optimierungsproblem wobei minimiere f 0 über D sodass f i 0, i = 1,..., m 1.1 D = h i = 0,
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
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
Mehr8.1 Begriffsbestimmung
8 Gewöhnliche Differentialgleichungen 8 Gewöhnliche Differentialgleichungen 8.1 Begriffsbestimmung Wir betrachten nur Differentialgleichungen für Funktionen einer (reellen) Variablen. Definition: Für eine
MehrProbeklausur zur Analysis II
Probeklausur zur Analysis II Prof. Dr. C. Löh/M. Blank 3. Februar 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen Sie, ob Sie alle Seiten erhalten
MehrV gibt, dann gilt für jede andere Lösung y 0. V, daß =0, d.h. x 0. repräsentiert, wobei v j = a 11. a 1 n. a mn x1. a m1
Lineare Gleichungssystee Matrizen vs. Hooorphisen Man geht aus von einer linearen Abbildung :V W zwischen (endlichdiensionalen) K-Vektorräuen, gibt ein b W vor und fragt nach der Menge der Lösungen der
MehrFORMULIEREN VON AUSSAGEN KONSTANTEN VARIABLEN MENGEN DEFINITIONEN SÄTZEN BEWEISEN LOGIK VERSTEHE, WIE ES FUNKTIONIERT
FORMULIEREN VON AUSSAGEN KONSTANTEN VARIABLEN MENGEN DEFINITIONEN SÄTZEN BEWEISEN LOGIK VERSTEHE, WIE ES FUNKTIONIERT Dirix Workbooks, Seefeld am Pilsensee Autor: Martin Dirix ISBN 978-3-7347-7405-8 1.
Mehr(Lineare) stochastische Optimierung
(Lineare) stochastische Optimierung Bsp: Aus zwei Sorten Rohöl wird Benzin und Heizöl erzeugt. Die Produktivität sowie der Mindestbedarf (pro Woche) und die Kosten sind in folgender Tabelle angegeben:
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)
MehrVorlesung Wirtschaftsmathematik II SS 2011, 2/2 SWS. Prof. Dr. M. Voigt
Vorlesung Wirtschaftsmathematik II SS 2011, 2/2 SWS Prof. Dr. M. Voigt 28. April 2011 II Inhaltsverzeichnis 1 Funktionen einer Variablen 1 24 Februar 2011 III Kapitel 1 Funktionen einer Variablen 1.1 Eigenschaften
MehrÜbung 5, Analytische Optimierung
Übung 5, 5.7.2011 Analytische Optimierung Aufgabe 5.1 Bei der Herstellung von Konserven werden für Boden und Deckel bzw. für den Konservenmantel verschiedene Materialien verwendet, die g 1 = bzw. g 2 =
MehrMathematik für Anwender I
Prof. Dr. H. Brenner Osnabrück WS 2011/2012 Mathematik für Anwender I Vorlesung 7 Die Lösungsmenge eines homogenen linearen Gleichungssystems in n Variablen über einem Körper K ist ein Untervektorraum
MehrSeminaraufgabensammlung zur Lehrveranstaltung. Prozessoptimierung 1. 1 Formulieren und Lösen linearer Optimierungsprobleme
Fachgebiet Simulation und Optimale Prozesse Fakultät für Informatik und Automatisierung Institut für Automatisierungsund Systemtechnik Seminaraufgabensammlung zur Lehrveranstaltung Prozessoptimierung Vorlesender:
MehrKörper der komplexen Zahlen (1)
Die komplexen Zahlen Körper der komplexen Zahlen (1) Da in angeordneten Körpern stets x 2 0 gilt, kann die Gleichung x 2 = 1 in R keine Lösung haben. Wir werden nun einen Körper konstruieren, der die reellen
MehrMathematik für Anwender I
Prof. Dr. H. Brenner Osnabrück WS 2011/2012 Mathematik für Anwender I Vorlesung 9 Lineare Abbildungen Definition 9.1. Es sei K ein Körper und es seien V und W Vektorräume über K. Eine Abbildung ϕ : V W
MehrOperations Research I
Operations Research I Lineare Programmierung Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Sommersemester 2015 Peter Becker (H-BRS) Operations Research I Sommersemester 2015
MehrKuhn-Tucker Bedingung
Kapitel 13 Kuhn-Tucker Bedingung Josef Leydold Mathematik für VW WS 017/18 13 Kuhn-Tucker Bedingung 1 / Optimierung unter Nebenbedingungen Aufgabe: Berechne das Maximum der Funktion f (x, y) g(x, y) c,
MehrElemente in Φ werden Wurzeln genannt. Bemerkung 3.2. (a) Zu einem Wurzelsystem können wir immer eine Spiegelungsgruppe definieren
3. Wurzelsysteme Als erstes führen wir den Begriff eines Wurzelsystems ein. Definition 3.1 (Wurzelsystem). Eine endliche Teilmenge Φ V {0} heißt Wurzelsystem falls gilt: (R1) Φ Rα = {±α} für α Φ, (R2)
MehrIK Ökonomische Entscheidungen und Märkte LVA
IK Ökonomische Entscheidungen und Märkte LVA LVA-Leiter: Michael Noldi Einheit 1: Vorbesprechung und mathematische Grundlagen Vorbesprechung und mathematische Grundlagen IK WS 2014/15 1 Organisatorisches
MehrLineare Hülle. span(a) := λ i v i : so dass k N, λ i R und v i A.
Lineare Hülle Def A sei eine nichtleere Teilmenge des Vektorraums (V,+, ) Die lineare Hülle von A (Bezeichung: span(a)) ist die Menge aller Linearkombinationen der Elemente aus A { k } span(a) := λ i v
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
Mehr(Eigenfertigung und Fremdbezug)
454 KE - Kostenminimierung / Kosteneinsparung (Eigenfertigung und Fremdbezug Beispiel Klausur Sept. 003 Aufg. 5 a Begründen Sie, warum die Entscheidung zwischen Eigenfertigung und Fremdbezug ein Verfahrenswahlproblem
MehrPropädeutik Klausur in Analysis für Wirtschaftswissenschaftler
Universität Mannheim SS 998 Dr. Matthias Blonski Propädeutik Klausur in Analysis für Wirtschaftsissenschaftler Man beachte folgende Hineise:. Die Klausur umfaßt 5 Aufgaben (jeeils auf einem Blatt) zuzüglich
MehrInhaltsverzeichnis. Vorwort Kapitel 1 Einführung, I: Algebra Kapitel 2 Einführung, II: Gleichungen... 57
Vorwort... 13 Vorwort zur 3. deutschen Auflage... 17 Kapitel 1 Einführung, I: Algebra... 19 1.1 Die reellen Zahlen... 20 1.2 Ganzzahlige Potenzen... 23 1.3 Regeln der Algebra... 29 1.4 Brüche... 34 1.5
MehrInhaltsverzeichnis. Vorwort Kapitel 1 Einführung, I: Algebra Kapitel 2 Einführung, II: Gleichungen... 57
Vorwort... 13 Vorwort zur 3. deutschen Auflage... 17 Kapitel 1 Einführung, I: Algebra... 19 1.1 Die reellen Zahlen... 20 1.2 Ganzzahlige Potenzen... 23 1.3 Regeln der Algebra... 29 1.4 Brüche... 34 1.5
MehrMathematik für Biologen mathematische Ergänzungen und Beispiele Teil I
Mathematik für Biologen mathematische Ergänzungen und Beispiele Teil I 1. Mengen und Abbildungen In der Mathematik beschäftigt man sich immer -direkt oder indirekt- mit Mengen. Wir benötigen den Mengenbegriff
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
Mehr1. EINFÜHRUNG INS STATE-PRICING 1
1. EINFÜHRUNG INS STATE-PRICING 1 1. Einführung ins State-Pricing In diesem Kapitel betrachten wir eine Periode. Das heisst, wir können nur zu den Zeitpunkten 0 und 1 handeln. Im weiteren arbeiten wir
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
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
MehrLineare Algebra und analytische Geometrie I
Prof Dr H Brenner Osnabrück WS 205/206 Lineare Algebra und analytische Geometrie I Vorlesung 9 Basiswechsel Wir wissen bereits, dass in einem endlichdimensionalen Vektorraum je zwei Basen die gleiche Länge
Mehr