Simplex-Verfahren. Kapitel 4. Simplex-Verfahren. Peter Becker (H-BRS) Operations Research I Sommersemester / 298
|
|
- Miriam Becke
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 4 Simplex-Verfahren Peter Becker (H-BRS) Operations Research I Sommersemester / 298
2 Inhalt Inhalt 4 Simplex-Verfahren Dualer Simplexalgorithmus Vermeidung von Zyklen Peter Becker (H-BRS) Operations Research I Sommersemester / 298
3 Grundideen Der Simplexalgorithmus ist das Standardverfahren zur Lösung von linearen Programmen von George Bernard Dantzig in den 4ern des 2 Jahrhunderts entwickelt Vorgehen: versuche ausgehend von einer Startecke mit einer Ausgangsbasis durch Basisaustausch zu einer Ecke mit besserem Zielfunktionswert fortzuschreiten Da es nur endlich viele Ecken gibt, erhälten wir nach endlich vielen Schritten die optimale Lösung Der Basistausch geschieht dabei so sparsam wie möglich: Es wird stets genau eine Basisvariable gegen eine Nichtbasisvariable ausgetauscht Peter Becker (H-BRS) Operations Research I Sommersemester / 298
4 Fazit zu Grundideen Konstruktion einer Folge (x (r) ) von Basislösungen mit c T x (r+) c T x (r) und Abbruch, wenn keine Verbesserung mehr möglich ist Peter Becker (H-BRS) Operations Research I Sommersemester / 298
5 Beispiel für ein Simplextableau Beispiel 4 Wir bleiben beim Problem des Eisverkäufers (Beispiel 4) und ordnen die Daten in einem Simplextableau an: x x 2 x x 4 x 5 z b x x x 5 9 z 25 Peter Becker (H-BRS) Operations Research I Sommersemester 24 9 / 298
6 Fortsetzung Beispiel 4 Die Strukturvariablen x, x 2 sind NBV, dieschlupfvariablen x, x 4, x 5 sind BV Die Werte der BV ergeben sich aus den Nebenbedingungsgleichungen, die durch die Zeilen des Tableaus repräsentiert werden Hierdurch ist eine Ecke gegeben Für den Zielfunktionswert z = c T x wird eine neue Variable z eingeführt und die Gleichung c T x + z =wirdwieeinezusätzliche Nebenbedingung aufgefasst Wir betrachten also eigentlich das Problem: max z udn Ax = b c T x + z = x Letzte Zeile ist Zielfunktionszeile, aufgefasst als Nebenbedingung Der Zielfunktionswert z steht ganz rechts Peter Becker (H-BRS) Operations Research I Sommersemester 24 9 / 298
7 Beispiel für einen Basiswechsel Beispiel 42 Im Tableau von Beispiel 4 verspricht x den größeren Zuwachs, x -Spalte ist daher die Pivotspalte x kann höchstens den Wert /5 =6annehmen,x 4 würde dann x 4 -Zeile ist daher die Pivotzeile Wir nehmen x in die Basis auf, dafür wird x 4 aus der Basis herausgenommen Dies ist der Basisaustausch Pivotspalte und Pivotzeile schneiden sich im Pivotelement, hiera 2 = 5 Wir teilen die Pivotzeile durch das Pivotelement Damit entsteht x x x 4 =6 2 Aus dieser Gleichung folgt x =6 übrigen Gleichungen ein 5 x 2 5 x 4Diessetzenwirinalle Peter Becker (H-BRS) Operations Research I Sommersemester / 298
8 Fortsetzung Beispiel 42 Für die erste Zeile erhalten wir 6 2 ergibt 5 x 2 + x 5 x 4 = 4 5 x 2 5 x 4 + x 2 + x = Dies Die dritte Zeile bleibt unverändert, da x dort nicht auftritt Die Zielfunktionszeile wird zu (6 2 x 2 +6x 4 + z = 8 5 x 2 Jetzt können wir das neue Tableau aufstellen: x x 2 x x 4 x 5 z b x x x 5 9 z x 4) 25x 2 + z =, also Peter Becker (H-BRS) Operations Research I Sommersemester 24 9 / 298
9 Fortsetzung Beispiel 42 Durch Vertauschen der Spalten für x und x 4 können wir das Tableau wieder in die übliche Form bringen: Die zugehörige Ecke ist x 4 x 2 x x x 5 z b x x x 5 9 z C A Peter Becker (H-BRS) Operations Research I Sommersemester / 298
10 Fortsetzung Beispiel 42 Der nächste Austauschschritt liefert das Tableau: Das heißt in der Ecke angenommen x 2 x x 5 z 5 x 4 x x 2 x x 5 b i C A wird das Optimum mit z = 8 Peter Becker (H-BRS) Operations Research I Sommersemester / 298
11 Fazit für Beispiel 42 Wir dividieren also die Pivotzeile durch den Pivotwert Zu den übrigen Zeilen addieren wir ein Vielfaches der Pivotzeile, so dass in der Pivotspalte Nullen entstehen (analog zum Gaußalgorithmus) optionale Spaltenvertauschung, um wieder die reine kanonische Form zu erlangen Aus der Spalte b und den Basisvariablen ergibt sich die Ecke Solange in der Zielfunktionszeile Koe ezienten < auftreten,ist eine Verbesserung möglich Der Algorithmus terminiert, wenn in der Zielfunktionszeile alle Koe zienten sind Peter Becker (H-BRS) Operations Research I Sommersemester / 298
12 Kanonische Form Dieses Vorgehen funktioniert in der gezeigten Weise nur, wenn zu Beginn ein kanonisches Maximumproblem vorliegt, dh ein Problem der Form max c T x udn Ax apple b, x und zusätzlich b gilt Fur dieses kanonische Maximumproblem erhalten wir mit Hilfe von m Schlupfvariablen ein Problem in kanonischer Normalform Die erste Basislösung ist dann durch die Schlupfvariablen bestimmt (siehe Beispiel 4) Wegen b istdiesebasislösung zulässig und stellt damit eine Ecke (die Startecke) dar Peter Becker (H-BRS) Operations Research I Sommersemester / 298
13 Starttableau für kanonisches Maximumproblem BV x x n x n+ x n+m z b x n+ a, a,n b x n+m a m, a m,n b m z c c n Definition 4 Für b heißt solch ein Tableau primal zulässig Bemerkung: Da sich die Spalte z nie ändert, können wir auf diese Spalte im Tableau auch verzichten Peter Becker (H-BRS) Operations Research I Sommersemester / 298
14 Algorithmus 44 Es liege ein kanonisches Maximumproblem (b ) vormitn Variablen und m Nebenbedingungen, alson Struktur- und m Schlupfvariablen in Normalform Start: Ecke des Starttableaus ist: x x n x n+ x n+m = C B b b m mit z = Schlupfvariablen sind BV, Strukturvariablen sind NBV C A Peter Becker (H-BRS) Operations Research I Sommersemester / 298
15 Fortsetzung Algorithmus 44 Starttableau: x x t x n x n+ x n+s x n+m b i x n+ a n+, a n+,t a n+,n b x s a s, a s,n x n+m a n+m, a n+m,t a n+m,n b m z c c t c n Von hier ab stehen Indices nicht für eine Spalten- oder Zeilennummer, sondern für den Variablenindex in der entsprechenden Spalte- bzw Zeile des Simplextableaus Peter Becker (H-BRS) Operations Research I Sommersemester 24 2 / 298
16 Fortsetzung Algorithmus 44 Wahl der Pivotspalte: Ist die Zielfunktionszeile von der Gestalt z d d t d n d mit d j, (j =,,n), so liegt eine Optimallösung vor Andernfalls machen wir eine Spalte t mit negativem d t zur Pivotspalte und die NBV x t zur BV Wahl der Pivotzeile: Sind in der Pivotspalte alle a i,t apple, so wächst z unbeschränkt, da x t unbeschränkt wachsen kann Es gibt dann keine Optimallösung Andernfalls bestimmen wir eine Zeile s durch b s = m b i min für a i,t > i= a i,t Die NBV x t wird BV und bekommt den Wert bs Die bisherige BV x s wird NBV und nimmt den Wert an Peter Becker (H-BRS) Operations Research I Sommersemester 24 2 / 298
17 Fortsetzung Algorithmus 44 Austauschschritt: Das neue Tableau lautet: Linke Hälfte: x x t x n x a, a,t a s, a,n a,t a s,n a x s, a t s,n x m a m, a m,t a s, a m,n a m,t a s,n z d d t a s, d n d t a s,n Peter Becker (H-BRS) Operations Research I Sommersemester / 298
18 Fortsetzung Algorithmus 44 Rechte Hälfte: x n+ x s x n+m b i a,t b b s a,t a m,t b s b m b s d t d a m,t b s d t Terminierung: Wenn alle Koe zienten der Zielfunktionszeile nichtnegative Werte haben, beschreibt das Tableau eine optimale Ecke Rechts unten steht dann z Andernfalls vertauschen wir die Spalten, so dass das Tableau wieder kanonische Form annimmt Wir beginnen nun wieder von vorne Peter Becker (H-BRS) Operations Research I Sommersemester 24 2 / 298
19 Eigenschaften des primalen Simplexalgorithmus Satz 45 Das r-te Tableau beim Simplexalgorithmus sei primal zulässig Wählen wir die Pivotspalte und die Pivotzeile gemäß Algorithmus 44, so ist das (r + )-te Tableau wieder primal zulässig, und es gilt z (r+) z (r) Beweis Wir müssen b (r+) l für apple l apple m zeigen Nach Algorithmus 44 ist dies für die Pivotzeile s erfüllt, denn es gilt b (r+) s = b(r) s und > Wir brauchen uns also nur noch die Zeilen l 6= s anzuschauen Peter Becker (H-BRS) Operations Research I Sommersemester / 298
20 Fortsetzung Beweis zu Satz 45 Für l 6= s gilt b (r+) l = b (r) l b (r) s a l,t Hierbei bezeichnet t den Index der Pivotspalte Für a l,t apple folgt b (r+) l b (r) l Wir müssen also nur noch den Fall a l,t > betrachten Hier gilt nach der Regel zur Wahl der Pivotzeile b (r) l a l,t b s ) b (r) l b s a l,t ) b (r+) l = b (r) l b (r) s a l,t Peter Becker (H-BRS) Operations Research I Sommersemester / 298
21 Fortsetzung Beweis zu Satz 45 Wegen d (r) t apple, b (r) s und > folgt außerdem z (r+) = z (r) b (r) s d (r) t z (r) Bemerkung: Der Austauschschritt im primalen Simplexalgorithmus wird als primaler Austauschschritt bezeichnet Peter Becker (H-BRS) Operations Research I Sommersemester / 298
22 Beispiel zum primalen Simplexalgorithmus Beispiel 46 In einem Betrieb sind drei Maschinen vorhanden, die für die Herstellung zweier Produkte benötigt werden Bei der Produktion müssen die Produkte auf mehreren Maschinen bearbeitet werden, wobei die folgenden Bearbeitungszeiten anfallen: Maschine Maschine 2 Maschine Produkt A 4 24 Produkt B Die tägliche Maschinenlaufzeit beträgt 48 Minuten Der Ertrag pro Einheit beträgt e für Produkt A und 4 e für Produkt B Welche Anzahl der Produkte ist täglich zu fertigen, so dass der Ertrag maximal wird? Peter Becker (H-BRS) Operations Research I Sommersemester / 298
23 Fortsetzung Beispiel 46 Mathematische Modellierung: x produzierte Menge von Produkt A produzierte Menge von Produkt B x 2 LP: Maximiere z = F (x, x 2 ) = x + 4x 2 unter den Nebenbedingungen 4x + 24x 2 apple 48 24x + 48x 2 apple 48 6x 2 apple 48 x, x 2 Peter Becker (H-BRS) Operations Research I Sommersemester / 298
24 Fortsetzung Beispiel 46 Starttableau: x x 2 x x 4 x 5 z b x x x z 4 2 Tableau: x x 2 x x 4 x 5 z b x 4 2/5 288 x /5 96 x 2 /6 8 z 2/ 2 Peter Becker (H-BRS) Operations Research I Sommersemester / 298
25 Fortsetzung Beispiel 46 Tableau: Also ist eine optimale Lösung x x 2 x x 4 x 5 z b x 5/ 4/5 28 x /24 / 4 x 2 /6 8 z 5/2 / 6 x = C A Peter Becker (H-BRS) Operations Research I Sommersemester 24 2 / 298
26 Opportunitätskosten und Schattenpreise Das Endtableau von Beispiel 46 entspricht dem LGS: x 5 x x 5 = 28 x + 24 x 4 x 5 = 4 x x 5 = 8 Aufgelöst nach den Basisvariablen entsteht 5 2 x 4 + x 5 +z = 6 x = x x 5 x = 4 24 x 4 + x 5 x 2 = 8 6 x 5 z = x 4 x 5 Peter Becker (H-BRS) Operations Research I Sommersemester 24 2 / 298
27 Maschine 2 (x 4 = ) und Maschine (x 5 = ) sind voll ausgelastet, dagegen steht Maschine pro Tag x = 28 Minuten still Der Gewinn würde sich um 5 2 e bzw e pro Maschinenminute bei Maschine 2 bzw verringern, bzw um 5 2 e bzw e erhöhen, wenn eine Maschinenminute mehr zur Verfügung stehen würde Diese Werte nennen wir Opportunitätskosten bzw Schattenpreise Sie entsprechen dem entgangenen Gewinn durch die nicht mehr verfügbare Kapazität bzw den Preisen, die der Hersteller bereit wäre, für eine Maschinenminute von Maschine 2 bzw zu zahlen Peter Becker (H-BRS) Operations Research I Sommersemester / 298
Kapitel 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
Mehr3. Schnittebenenverfahren
3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research
MehrSchranken für zulässige Lösungen
Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung
MehrSimplex-Umformung für Dummies
Simplex-Umformung für Dummies Enthält die Zielfunktion einen negativen Koeffizienten? NEIN Optimale Lösung bereits gefunden JA Finde die Optimale Lösung mit dem Simplex-Verfahren! Wähle die Spalte mit
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
MehrLineares Optimieren. W. Kippels 12. April Inhaltsverzeichnis. 1 Einleitung 2. 2 Die Beispielaufgabe 2. 3 Einführung von Schlupfvariablen 2
Lineares Optimieren W. Kippels 1. April 015 Inhaltsverzeichnis 1 Einleitung Die Beispielaufgabe Einführung von Schlupfvariablen 4 Die Simplex-Methode 5 Das Basis-Austauschverfahren 4 6 Fortsetzung der
MehrOPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
MehrLineare Optimierungsmodelle
Lineare Optimierungsmodelle Simplex-Methode Vortragender: Michael Schneider Agenda Motivation Operations Research Aufbau linearer Optimierungsmodelle Simplex-Methode Ausblick 2 Problemstellung Futtermischung
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
MehrOptimierung und Simulation ökonomischer Problemlagen privater Haushalte 2. Vorlesung
Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 2. Vorlesung Rainer Hufnagel / Laura Wahrig 2006 Diese Woche LO - Rechnerische Lösung - Simplex- Algorithmus LO - Auswertung des
MehrBerufliches Gymnasium (WG, EG, AG, SG) Hauptprüfung 2006 Teil 2, Lineare Optimierung, Aufgabe 2 Baden-Württemberg
Berufliches Gymnasium (WG, EG, AG, SG) Hauptprüfung 2006 Teil 2, Lineare Optimierung, Aufgabe 2 Baden-Württemberg 2.1 Weinbauer Müller kann maximal 30 Hektar Rebfläche bewirtschaften. Er möchte Gutedel-
MehrLineare Programmierung Teil I
Seminar über Algorithmen Prof. Dr. Helmut Alt Lineare Programmierung Teil I Lena Schlipf, Benjamin Jankovic Lena Schlipf, Benjamin Jankovic Seminar über Algorithmen SS05 1 Struktur des Vortrags 1. Was
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
MehrFachakademie für Wirtschaft der FHM A2: Lineare Optimierung und das Simplexverfahren
A2.1 Lineare Optimierung mit dem Simplexverfahren Wenn ein Unternehmen ermitteln möchte, wie viele Mengeneinheiten von verschiedenen Produkten zu produzieren sind, damit bei gegebenen Verkaufspreisen der
Mehr(Technisch: Setze alle Skalarprodukte der allgemeinen Lösung mit den Basisvektoren des Kerns gleich Null eindeutige leastsqares Lösung)
Lineare Optimierung Unterbestimmte LGS und Optimierung Bei lösbaren unterbestimmten linearen Gleichungssystemen haben wir die Qual der Wahl in Abhängigkeit von den freien Parametern (Anzahl = Anzahl Unbekannte
MehrLineare Optimierung. Master 1. Semester
Prof. Dr.-Ing. Fritz Nikolai Rudolph Fachhochschule Trier Fachbereich Informatik Master 1. Semester Inhaltsverzeichnis 1 Einleitung... 2 1.1 Lineare Gleichungssysteme... 2 1.2 sprobleme... 3 2 Standardform...
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
MehrKapitel 2: Lineare Optimierung
Kapitel 2: Lineare Optimierung Aufgabe 2.1: Lösen Sie zeichnerisch die folgenden LP-Modelle: a) Max. F(x,y) = 4x + 3y b) Max. F(x,y) = x + y c) Max. F(x,y) = x y x + 3y 9 5x + y 1 2x y x + 2y 2 x + 2y
MehrOptimierung. Nürnberg, Oktober 2015
1 Optimierung Nürnberg, Oktober 2015 Prof. Dr. Yvonne Stry Technische Hochschule Nürnberg Fakultät Angewandte Mathematik, Physik und Allgemeinwissenschaften Keßlerplatz 12 90461 Nürnberg Germany 1 Beispiel
Mehr3 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
MehrMathematische Optimierung
Mathematische Optimierung Geschrieben von Jan Pöschko auf Grundlage der Vorlesung von Bettina Klinz TU Graz Sommersemester 2007 Stand: 27. Oktober 2009 Inhaltsverzeichnis I Lineare Optimierung 7 1 Grundlegende
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,
MehrOperations Research für Wirtschaftsinformatiker. Vorlesungsskript von Richard Mohr
Operations Research für Wirtschaftsinformatiker Vorlesungsskript von Richard Mohr Fachhochschule Esslingen, SS 2005 INHALTSVERZEICHNIS i Inhaltsverzeichnis Lineare Optimierung. Graphische Lösung des linearen
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:
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(
MehrLineare Gleichungssysteme (Teschl/Teschl 11.1)
Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...
Mehr10. Lineare Optimierung
10. Lineare Optimierung Im Kontext der Optimierungsmodelle: Zielfunktion lineare Funktion Nebenbedingungen lineare Funktionen Lösungsraum Unterraum des n Problem der linearen Optimierung Minimiere unter
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
MehrLösung von Optimierungsproblemen anhand von Simplex- Verfahren
Lineare Optimierung Lösung von Optimierungsproblemen anhand von Simplex- Verfahren Informatik-Seminar Studiengang: Informatik Autor: Zemp Michael Betreuer: Schwab Peter Auftraggeber: Schwab Peter Experten:
MehrÜbungsbuch Beschaffung, Produktion und Logistik
Vahlens Übungsbücher der Wirtschafts- und Sozialwissenschaften Übungsbuch Beschaffung, Produktion und Logistik Aufgaben, Lösungen und Implementierung in Excel von Prof. Dr. Dr. h.c. Hans-Ulrich Küpper,
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
MehrSensitivitätsanalyse in der Linearen Optimierung
Sensitivitätsanalyse in der Linearen Optimierung Bei der Sensitivitätsanalyse werden i. allg. Größen des Ausgangsproblems variiert, und es wird untersucht, welche Wirkung eine derartige Modifikation auf
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:
Mehr0. Einleitung. 0.1. Der Begriff Operations Research / Decision Support
0. Einleitung 0.1. Der Begriff Operations Research / Decision Support Es werden Methoden zur Entscheidungsunterstützung (Decision Support, DS) vorgestellt. Durch Problemanalyse, daraus formulierte mathematische
MehrZielfunktion lineare Funktion Nebenbedingungen lineare Funktionen
be/ji/3(2) 2-1 2 im Kontext der OR-Optimierungsmodelle Zielfunktion lineare Funktion Nebenbedingungen lineare Funktionen Standardform: - Planungsziel min bzw. min Z(x) = c 1 x 1 + c 2 x 2 + + c n x n Z(x)
MehrVorlesungsmitschrift Operations Research I und II
Vorlesungsmitschrift Operations Research I und II Bemerkung: Dies ist eine Überarbeitung der beiden Skripte [1] und [2] zu den oben genannten Vorlesungen von Prof. Sebastian, ergänzt um Anmerkungen, die
MehrOptimierung. Prof. Dr. H. Maurer WWU Münster, Wintersemester 2009/2010 Vorlesungsmitschrift von Christian Schulte zu Berge. 22.
Optimierung Prof. Dr. H. Maurer WWU Münster, Wintersemester 009/00 Vorlesungsmitschrift von Christian Schulte zu Berge. Januar 00 Inhaltsverzeichnis 0 Einführung 0. Typen von Optimierungsproblemen................................
MehrStatistik und Graphentheorie
Statistik und Graphentheorie Sommersemester 2012 3. Juli 2012 Teil Graphentheorie Name: Matrikelnummer: 1 (12) 2 (12) 3 (12) 4 (12) 5 (12) (60) Aufgabe 1 (12 Punkte) Gegeben sei das folgende Netzwerk:
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
MehrAUFGABEN. Klausur: Modul Optimierungsmethoden des Operations Research. Termin:
Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Prof. Dr. Andreas Kleine AUFGABEN Klausur: Modul 32621 Optimierungsmethoden des Operations Research Termin:
MehrSkript Operations Research, SS Dr. Reinhard Schaitzel, Hochschule Augsburg, Fakultät für Informatik
Skript Operations Research, SS 2014 Dr. Reinhard Schaitzel, Hochschule Augsburg, Fakultät für Informatik 5. März 2014 Inhaltsverzeichnis 1 Einführung 7 1.1 Begrisklärung............................ 7 1.1.1
MehrOptimierung und Simulation ökonomischer Problemlagen privater Haushalte 3. Vorlesung
Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 3. Vorlesung Rainer Hufnagel / Laura Wahrig 2006 Diese Woche LO - Sensitivitätsanalyse Simulation Beispiel Differenzengleichungen
MehrÜbungen zur Linearen Optimierung Sommersemester 2011. Übungsblatt 1
Universität Heidelberg Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Graduiertenschule HGS MathComp Dr. Stefan Körkel Magdalena Gottfried Übungen zur Linearen Optimierung Sommersemester 2011
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:
MehrARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES LINEARE OPTIMIERUNG
¾ REITSUNTERLGEN ZUR VORLESUNG UND ÜUNG N DER UNIVERSITÄT DES SRLNDES LINERE OPTIMIERUNG IM SS Lineare Optimierung (SS ). ufgabe (Graphische Lineare Optimierung) Nach einem anstrengenden Semester steht
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
MehrLineare Gleichungssysteme
Poelchau-Oberschule Berlin A. Mentzendorff September 2007 Lineare Gleichungssysteme Inhaltsverzeichnis 1 Grundlagen 2 2 Das Lösungsverfahren von Gauß 4 3 Kurzschreibweise und Zeilensummenkontrolle 6 4
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 Optimierung. Vorlesung von Prof. Christiane Tammer Author : Georg Kuschk (Quelle : www.rikuti.de)
Lineare Optimierung Vorlesung von Prof Christiane Tammer Author : Georg Kuschk (Quelle : wwwrikutide) 11 August 2006 Inhaltsverzeichnis 1 Einleitung, Beispiele 2 2 Das allgemeine lineare Optimierungsproblem
MehrAlgorithmische Anwendungen
Lineare Programmierung Studiengang: Allgemeine Informatik 7.Semester Gruppe: A blau Sibel Cilek 3835 Daniela Zielke 36577..6 Inhaltsverzeichnis Einleitung...3. Was ist lineare Optimierung?... 3. Anwendungsbeispiele...
Mehr2 Teilbarkeit in Z. (a) Aus a b folgt a b und a b und a b und a b. (b) Aus a b und b c folgt a c.
2 Teilbarkeit in Z Bis auf weiteres stehen kleine Buchstaben für ganze Zahlen. Teilbarkeit. Sei a 0. Eine Zahl b heißt durch a teilbar, wenn es ein q gibt mit b = qa. Wir sagen dann auch: a teilt b (ist
MehrAusgewählte Methoden der ganzzahligen Linearen Optimierung
Ausgewählte Methoden der ganzzahligen Linearen Optimierung Diplomarbeit zur Erlangung des akademischen Grades Magistra rerum naturalium eingereicht von Arntraud Bacher bei AUnivProf Dr Kurt Girstmair an
MehrMathematikreferat. von. Matthias Faß FG 99
Mathematikreferat von Matthias Faß FG 99 im Mai 2002 Inhaltsverzeichnis: Seite 1. Einleitung: Was ist eigentlich lineare Optimierung? 1 2. Geschichte der linearen Optimierung 1 3. Graphisches Verfahren
MehrLineare Programmierung. Beispiel: Wahlkampf. Beispiel: Wahlkampf. Mathematische Schreibweise. Lineares Programm. Datenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Einführung Standard- und Schlupfformen Simplex Algorithmus Matthias Zwicker Universität Bern Frühling 2009 2 Beispiel: Wahlkampf Ziel: mit möglichst wenig Werbung eine gewisse
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen Dr. Nico Düvelmeyer Freitag, 8. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 NLP Aufgabe KKT 2 Nachtrag
MehrNetzwerk-Simplex. MinCostFlow als Lineares Programm. 1 of 12 Netzwerksimplex
Netzwerk-Simplex MinCostFlow als Lineares Programm of 2 Netzwerksimplex MinCostFlow geg: gerichteter Graph G, Kapazitäten u R R 0 { }, Bedarfe b V R, Pfeilkosten c R R ges: zulässiger b-fluss f mit minimalen
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
MehrEinführung. Kapitel 1. Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298
Kapitel 1 Einführung Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298 Inhalt Inhalt 1 Einführung Was ist Operations Research? Planungsprozess im OR Peter Becker (H-BRS) Operations
Mehr(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)
3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten
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: 19.09.2016 Prüfer: Prof. Dr. Andreas
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
MehrÜbungen und Fallbeispiele zum Operations Research
Springer-Lehrbuch Übungen und Fallbeispiele zum Operations Research Bearbeitet von Wolfgang Domschke, Andreas Drexl, Robert Klein, Armin Scholl, Stefan Voß 8., aktualisierte Auflage 5. Buch. XII, S. Kartoniert
MehrPrüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten)
HTW Dresden 9. Februar 2012 FB Informatik/Mathematik Prof. Dr. J. Resch Prüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten) Name, Vorname: Matr.-nr.: Anzahl der abge-
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Lineare Algebra: Lineare Gleichungssysteme und Matrizen
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Lineare Algebra: Lineare Gleichungssysteme und Matrizen Das komplette Material finden Sie hier: School-Scout.de Thema: Lineare Algebra:
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrAllgemeines Gleichungssystem mit zwei Gleichungen und zwei Variablen. Der erste Index bezeichnet die Nummer der Zeile, der zweite die der Spalte.
Lineare Gleichungssysteme. Einleitung Lineare Gleichungssysteme sind in der Theorie und in den Anwendungen ein wichtiges Thema. Theoretisch werden sie in der Linearen Algebra untersucht. Die Numerische
MehrLineare Optimierungsmodelle
2 Lineare Optimierungsmodelle Lernziele: Kenntnisse über den Aufbau von linearen Optimierungsmodellen Verständnis darüber, warum lineare Modelle günstig sind Lösungsmethoden für lineare Modelle, insbesondere
MehrLineare Optimierung Ergänzungskurs
Lineare Optimierung Ergänzungskurs Wintersemester 2015/16 Julia Lange, M.Sc. Literatur Werner, F.; Sotskov, Y.N. (2006): Mathematics of Economics and Business; Routledge; London Bemerkungen Diese Unterlagen
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
Mehr1 Lineare Gleichungssysteme
MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
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
Mehr8 Lineare Optimierung
8. LINEARE OPTIMIERUNG 18 8 Lineare Optimierung 8.1 Lineare Optimierung in der Dimension Zum Einüben in die Problematik behandeln wir explizit zunächst ein Optimierungsproblem in der Dimension. 8.1.1 Ein
MehrLineares Programmieren Algorithmentechnik WS 09/10 Dorothea Wagner 7. Januar 2010
Lineares Programmieren Algorithmentechnik WS 09/10 Dorothea Wagner 7. Januar 2010 FAKULTÄT FÜR I NFORMATIK, I NSTITUT FÜR T HEORETISCHE I NFORMATIK KIT Universität des Landes Baden-Württemberg und nationales
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
Mehr4.13. Permutationen. Definition. Eine Permutation der Elementen {1,..., n} ist eine bijektive Abbildung
43 Permutationen Definition Eine Permutation der Elementen {,, n} ist eine bijektive Abbildung σ : {,,n} {,,n} Es ist leicht zu sehen, dass die Hintereinanderführung zweier Permutationen ergibt wieder
MehrMathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrFall 3: Mehrere Kapazitätsengpässe
Fall 3: Mehrere Kapazitätsengpässe ei Vorliegen mehrerer Engpässe ist zunächst zu prüfen, ob ein Engpass die anderen Engpässe dominiert. Ist dies der Fall, reduziert sich das Optimierungsproblem auf den
MehrKlausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler
Wintersemester 2006/07 05.03.2007 Dr. Priska Jahnke Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler Bitte lesbar ausfüllen, Zutreffendes ankreuzen Herr Frau Name, Vorname:
MehrPrüfungsklausur Mathematik I für Wirtschaftsingenieure am 8.02.11
HTWD, FB Informatik/Mathematik Prof. Dr. M. Voigt Prüfungsklausur Mathematik I für Wirtschaftsingenieure am 8.02.11 A Name, Vorname Matr. Nr. Sem. gr. Aufgabe 1 2 3 4 6 gesamt erreichbare P. 6 10 12 12
Mehr2. Spezielle anwendungsrelevante Funktionen
2. Spezielle anwendungsrelevante Funktionen (1) Affin-lineare Funktionen Eine Funktion f : R R heißt konstant, wenn ein c R mit f (x) = c für alle x R existiert linear, wenn es ein a R mit f (x) = ax für
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
MehrCopyright, Page 1 of 5 Die Determinante
wwwmathematik-netzde Copyright, Page 1 of 5 Die Determinante Determinanten sind ein äußerst wichtiges Instrument zur Untersuchung von Matrizen und linearen Abbildungen Außerhalb der linearen Algebra ist
MehrLineare Programmierung
Lineare Programmierung WS 2003/04 Rolle der Linearen Programmierung für das TSP 1954: Dantzig, Fulkerson & Johnson lösen das TSP für 49 US-Städte (ca. 6.2 10 60 mögliche Touren) 1998: 13.509 Städte in
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
MehrLINEARE GLEICHUNGSSYSTEME. Wir besprechen hier, wie MathematikerInnen an das Lösen linearer Gleichungssysteme wie. x + y + z = 1
LINEARE GLEICHUNGSSYSTEME 1. Ein kurzes Vorwort Wir besprechen hier, wie MathematikerInnen an das Lösen linearer Gleichungssysteme wie 2 x 1 + 2 x 2 = 3 6 a + 4 b = 3 (a) (b) 4 x 1 + 3 x 2 = 8 3 a + 2
MehrLineare (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik Universität Innsbruck Lehrer/innen/fortbildungstag Wien 2010 9. April 2010 Eine Maximumsaufgabe Eine Firma stellt aus
Mehr5 Lineare Optimierung
5 Lineare Optimierung 51 Lineare Optimierungsprobleme Eine lineare Zielfunktion f : R n R, f(x) = c 0 + c 1 x 1 + + c n x n, x = (x 1,,x n ), (Z) in n Variablen ist unter bestimmten linearen Nebenbedingungen
MehrLineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung
Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung Artur Trzewik sw562@uni-essen.de v1., 26.3.1998 korrigiert 16. Februar 2 Zusammenfassung Warnung: für die Richtigkeit der Definitionnen
MehrLineare (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-6020 Innsbruck, Österreich franz.pauer@uibk.ac.at 1 Einleitung In der linearen
Mehr1 Einführung...2 1.1 Was ist Operations Research?...2 1.2 Modellierung und Methodik...2
S. OPERATIONS RESEARCH Einführung.... Was ist Operations Research?.... Modellierung und Methodik... Lineare Optimierung.... Beschreibung linearer Optimierungsprobleme (LOP).... Modellierung ökonomischer
MehrKAPITEL 6 GANZZAHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULARE MATRIZEN
KPITEL 6 GNZZHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULRE MTRIZEN F. VLLENTIN,. GUNDERT. Ganzzahlige lineare Programme Viele Optimierungsprobleme des Operations Research lassen sich als ganzzahlige lineare
MehrAufstellen einer Funktionsgleichung nach vorgegebenen Eigenschaften
Aufstellen einer Funktionsgleichung nach vorgegebenen Eigenschaften W. Kippels 10. April 2016 Inhaltsverzeichnis 1 Grundlagen 2 1.1 Prinzipielle Vorgehensweise.......................... 2 1.2 Lösungsrezepte................................
MehrAufgabe 1: Bestimmen Sie Zahlen a b. ,, für die. = b. und gleichzeitig a + b + 1 = 0 gilt. Lösung zu Aufgabe 1:
WS 99/99 Aufgabe : Bestimmen Sie Zahlen a b,, für die 6 b a und gleichzeitig a + b + gilt. Lösung zu Aufgabe : WS 99/99 Aufgabe : Ein Unernehmen stellt aus ohstoffen (,,, ) Zwischenprodukte ( Z, Z, Z )
MehrEinführung in das Operations Research
S. Nickel, O. Stein, K.-H. Waldmann Einführung in das Operations Research Skript zur Vorlesung am Karlsruher Institut für Technologie Vorläufige Version, Stand: 11. März 2011 Inhaltsverzeichnis 1 Kernkonzepte
MehrNewton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme
Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es
MehrMathematische Optimierung. Volker John
Mathematische Optimierung Volker John Sommersemester 2007 Inhaltsverzeichnis 1 Einführung 3 I Lineare Optimierung 6 1 Grundlagen 7 2 Geometrische Deutung des Linearen Programms 10 3 Basislösungen eines
Mehr