In the areas linear and network optimization
|
|
- Kirsten Sophie Beltz
- vor 6 Jahren
- Abrufe
Transkript
1 References In den Bereichen Lineare und Netzwerkoptimierung gibt es eine große Vielzahl von Lehrbüchern und Veröffentlichungen in wissenschaftlichen Zeitschriften. Wir verzichten darauf einen Versuch zu unternehmen, einen repräsentativen Überblick über diese Literatur zu geben, sondern beschränken uns darauf, einige wenige Lehrbücher zu zitieren, die besonders geeignet sind, zur Vertiefung und Ergänzung des von uns ausgewählten Stoffs beizutragen. In the areas linear and network optimization there is a great variety of textbooks and publications in professional journals. No attempt is made to give a representative overview of this literat ure, but we restrict ourselves to quote few textbooks which are particularly well-suited to add on and deepen the subjects which we have chosen in our book. Ahuja, R.K.; Magnanti, T.L.; Orlin, J.B.: "Network Flows: Theory, Algorithms and Applications", Prentice Hall, Englewood Cliffs, NJ, Bazaraa, M.S.; Jarvis, J.J.; Sherali, H.D.: "Linear Programming and Network Flows", 2nd. edition, Wiley, New York, Cook, W.J.; Cunningham, W.H.; Pulleyblank, W.R.; Shrijver, A.: "Combinatorial Optimization", Wiley, New York, Jungnickel, D.: "Graphen, Netzwerke und Algorithmen", 3. Auflage, BI Wissenschaftsverlag, Mannheim, Jungnickel, D.: "Graphs, Networks and Algorithms", Springer Verlag, Papadimitriou, C.H.; Steiglitz, K.: "Combinatorial Optimization: Algorithms and Complexity", Dover Pub!.,
2 Stichwort verzeichnis Adjazenzmatrix Algorithmen Algorithmus von Dijkstra Algorithmus von Floyd-Warshall Algorithmus von Karmarkar... 82, 93 Blattalgorithmus zur Berechnung von Basisflüssen Duales Simplexverfahren Ellipsoid Algorithmus innere Punkte Verfahren Knotenpotentialalgorithmus Label Correcting Algorithmus Label Setting Algorithmus Markierungsalgorithmus für MFPs 152 Minimale Kosten Matchingprobleme (MKMP) Negativer Dikreis Algorithmus Netzwerksimplexalgorithmus. 160, 174 Primal-dualer Simplex Algorithmus 75 Simplexverfahren 2-Phasen-Methode Duales Simplexverfahren Revidiertes Simplexverfahren Ungarische Methode Ungarischer Algorithmus ,216 Basis... 13, 50 Basen in NFP Basisaustausch Basisdarstellung Basisfluß Basisknoten Basislösung degenerierte Basislösung entartete Basislösung Optimalitätskriterium für Basislösungen zulässige Basislösung Basisvariablen... 14, 51 Baum alternierender Baum kürzester spannender Baum spannender Baum ungarischer Baum Wurzel eines Baumes , 202 Bland's Pivotregel Blatt Blattalgorithmus zur Berechnung von Basisflüssen Blüte Auflösung einer Blüte Degeneriertes LP Digraph antisymmetrischer Digraph azyklischer Digraph spannender Unterdigraph Unterdigraph zusammenhängender Digraph Dijkstra, Algorithmus von Dikreis konformer Dikreis Dikreisfluß Diweg Duales Simplexverfahren... 68, 69 Dualität duale Nebenbedingungen duale Quotientenregel duale Variablen duales LP duales Matching-LP schwacher Dualitätssatz starker Dualitätssatz Edmonds, Satz von Ellipsoid Algorithmus
3 234 Stich wort verzeichnis Floyd-Warshall, Algorithmus von Flussprobleme... 6 maximales Flussproblem (MFP) , 149 Zirkulationsproblem Fluß... 8, 135 Basisfluß Flußwert... 8 kreisfreier Fluß maximaler Fluß Fluß-Erhaltungsgleichungen Flußvergrößernder Weg Graph azyklischer Graph bipartiter Graph , 191 Inkrementgraph spannender Untergraph Untergraph zusammenhängender Graph Greedy-Methode Hauptsatz der Linearen Optimierung.. 30, 32 Inkrementgraph Inkrementnetzwerk Inkrementzirkulation innere Punkte Verfahren... 79, 82 Inzidenzmatrix Vollrang-Inzidenzmatrix Inzidenzvektor Kante... 7,105 freie Kante Kantenmenge Matchingkanten Kapazität , 212, 213 obere Kapazität untere Kapazität Kapazitätsbedingung... 8, 135 Karmarkar, Algorithmus von... 82,93 Klee-Minty, Beispiel von Knoten... 7, 105 äußerer Knoten Basisknoten Bedarfsknoten Durchflußknoten Endknoten exponierte Knoten gematchte Knoten gerade Knoten , 202 gesättigte Knoten innerer Knoten Knotenmenge Knotenpotentiale Knotenüberdeckung Pseudoknoten ungematchte Knoten ungerade Knoten , 202 Vorratsknoten Knotenpotentialalgorithmus Komplementaritätsbedingungen Komplexität exponentielle Algorithmen polynomiale Algorithmen Kreis Kreisen des Simplexverfahrens Kürzester Diwege Baum Kürzestes Diwege Problem , 130 Kürzestes Wegeproblem... 8 Label Correcting Algorithmus Label Setting Algorithmus Lineares Programm (LP)... 1, 2 degeneriertes LP LP in allgemeiner Form... 12, 60 LP mit 0-1 Variablen nicht-degeneriertes LP nicht-entartetes LP Markierungsalgorithmus für MFPs Matching Bipartite Matchingprobleme duales Matching-LP eigentliches Matching Kosten des Matchings Matching vergrößernder Baum Matching vergrößernder Weg Matching-LP Matchingkanten
4 Stichwort verzeichnis 235 Matchingprobleme in beliebigen Graphen Max-Min Satz für Matchings Maximale Matchingprobleme (MMP) , 186, 216 maximales Matching Minimale Kosten Matchingprobleme (MKMP) , 191,217,227 MK-Matching perfektes Matching Max Fluß - Min Schnitt Satz Max-Min Satz für Matchings Nebenbedingungen... 2 duale Nebenbedingungen funktionelle Nebenbedingungen... 2 Negativer alternierender Kreis Negativer Dikreis Algorithmus , 159 Netzwerk... 7, 134 s, t-netzwerk Netzwerkflußprobleme (NFP) , 148 Optimalitätskriterium für Netzwerkflußprobleme Netzwerksimplexalgorithmus , 174 Nichtbasisvariable Normalisierungsbedingung Optimalitätskriterium... 17, 46, 51 Perfektes Matching Pivotoperation Polyeder... 4 Potentialfunktion Primal-dualer Simplex Algorithmus primales Problem eingeschränktes primales Problem.. 73 Produktionsplanung... 1 Projektive Transformation Pseudoknoten Quelle... 8, 137 Quotientenregel... 20, 46 duale Quotientenregel Reduzierte Kosten Relative Kosten Satz vom komplementären Schlupf Satz von Edmonds Satz von König Schlupfvariablen Schnitt (s, t) Schnitt Schwacher Dualitätssatz Senke... 8, 137 Simplextableau optimales Simplextableau reduziertes Simplextableau Simplexverfahren. 2-Phasen-Methode... 43, 44 Duales Simplexverfahren Primal-dualer Simplex Algorithmus 75 Revidiertes Simplexverfahren... 45, 48 SST Standardform Starker Dualitätssatz Symmetrische Differenz Trennende Kantenmenge Tucker-Diagramm Überdeckung , 212 Knotenüberdeckung , 212 Überschußvariablen Ungarische Methode Ungarischer Algorithmus , 216 Ungarischer Baum Ungleichungen für ungerade Mengen Variable Basisvariablen... 14, 51 duale Variablen künstliche Variablen nicht vorzeichenbeschränkte Variablen os-nichtbasisvariablen us-nichtbasisvariablen Vollrang-Inzidenzmatrix Vorzeichenbedingungen... 2 Wald spannender Wald Weg , 181
5 236 Stichwort verzeichnis (i,j)-diweg... 8 alternierender Weg einfacher Weg Länge von Wegen Zielfunktion... 2 Zielfunktionswert... 3, 4 Zirkulation Zirkulationsnetzwerk Zirkulationsproblem Zulässige Basislösung... 39, 51 Zulässige Kantenmenge Zulässige Spalten Zulässige Startlösung Zulässiger Fluß , 157 Zulässigkeitsgraph Zuordnungsproblem
6 Index Adjacency matrix Aigorithms Aigorithm for MCMP in Arbitrary Graphs Aigorithm of Dijkstra Aigorithm of Floyd-Warshall Aigorithm of Karmarkar... 82, 93 Aigorithm of Kruskal Aigorithm of Prim Dual Simplex Method Ellipsoid Aigorithm Hungarian Method Hungarian Method for MCMP in Bipartite Graphs Interior-point algorithms Label Correcting algorithm Label Setting Aigorithm , 120 Labeling Aigorithm for MFP Leaf Aigorithm to Determine Basic Flows Minimal cost matching problems (MCMP) MMP in Arbitrary Graphs MMP in Bipartite Graphs Negative DicycIe Algorithm Network Simplex Aigorithm.. 160,174 Node Potential Aigorithm Primal-Dual Simplex Method Simplex Method 2-Phase-Method Dual Simplex Method Revised Simplex Method Are Assignment problem Basic feasible solution... 39, 51 Basis... 13, 50 base bases in NFP basic ßow basic representation basic solution basic feasible solution degenerate basic solution optimality condition for basic solutions basic variables... 14, 51 basis exchange Bland's pivot rule Blossom expansion of a blossom Capacity , 212, 213 lower capacity upper capacity Capacity constraints Circulation Circulation network Circulation problem Complementary slackness conditions66, 67 Complexity polynomial algorithms Conservation constraints Constraints capacity constraints... 8 dual constraints ßow conservation constraints... 8 functional constraints... 2 nonnegativity constraints... 2 normalization constraint Cover odd-set-(vertex)-cover Cut (s,t) cut CycIe Cycling of the Simplex Method
7 238 Index Dicycle conform dicycle Dicycle flow Digraph acyclic digraph antisymmetric digraph connected digraph spanning subdigraph subdigraph Dijkstra, Algorithm of Dipath Directed cycle Directed path Disconnecting set of edges Dual Simplex Method... 68, 69 Duality dual constraints dual LP dual matching-lp dual min ratio rule dual variables strong duality theorem weak duality theorem Edge... 7,105 free edges matching edges Edmonds, Theorem of Ellipsoid Algorithm Endpoint Feasibility graph Feasible columns Feasi ble edge set Feasible flow , 157 Feasible starting solution Flow... 8,135 basic flow flow value... 8 maximal flow Flow augmenting path Flow problem... 6 circulation problem max flow problem , 149 Floyd-Warshall, Algorithm of Forest spanning forest Full-rank incidence matrix Fundamental theorem of linear programming... 30, 32 Graph acyclic graph bipartite graph , 191 connected graph directed graph spanning subgraph subgraph Greedy Approach Head Hungarian Method Hungarian Method for MCMP in Bipartite Graphs Hungarian tree Incidence matrix full-rank incidence matrix Incidence vector Incremental circulations Incremental graph Incremental network Interior point methods... 79, 82 König's Theorem Karmarkar, Algorithm of , 93 Klee-Minty, example of Label Correcting algorithm Label Setting Algorithm , 120 Labeling Algorithm for MFP Leaf Leaf Algorithm to Determine Basic Flows 165 Linear Program (LP)... 1, 2, 12 LP in general form... 12, 60 LP with 0-1 variables non-degenerate LP Matching bipartite matching problems complete matching
8 Index 239 cost of the matching unmatched vertex dual matching-lp Node Potential Algorithm matching augmenting path Non-basic variables matching augmenting tree matching edges matching LP matching problems in arbitrary graphs Max-min theorem for matchings maximal matching maximal matching problems (MMP) , 186, 216 MC-matching minimal cost matching problems (MCMP) ,191,217,227 perfect matching proper matching Max-flow min-cut theorem Max-min theorem for matchings Min ratio rule... 20, 46 dual min ratio rule Objective (function) value... 4 Objective function... 2 objective (function) value... 3 Odd-set-inequalities Optimality condition... 17, 46, 51 Path... l06 (i, j)-dipath... 8 alternating path length of a path simple path Pivot operation Polyhedron... 4 Potential function Primal problem restricted primal problem Primal-Dual Simplex Method Production planning... 1 Projective transformation Pseudo vertex Nafets Algorithm For Exact Type Setting Negative alternating cycle Reduced costs Negative Dicycle Algorithm , 159 Relative costs Network... 7, 134 Residual network s, t-network Network flow problems (NFP) , 148 Shortest dipath problem , 130 Network Simplex Algorithm , 174 Shortest dipath tree Node (vertex)... 7, 105 Shortest path problem... 8 demand node Shortest spanning tree even vertex , 202 Simplex Method exposed vertex Phase-Method....43, 44 inner vertex degeneracy of the Simplex Method. 33 matched vertex Dual Simplex Method... 68, 69 node cover finiteness of the Simplex Method node potentials Primal-Dual Simplex Method odd vertex , 202 Revised Simplex Method odd-set-(vertex)-cover revised Simplex Method outer vertex Simplex tableau pseudo vertex optimal (simplex-) tableau saturated vertex reduced simplex tableau supply node Sink... 8, 137 transshipment node Slack variables... 12
9 240 Index Souree... 8, 137 SST... 1U Standard form Strong duality theorem Surplus variables Symmetrie differenee Tail Theorem of Edmonds Tree aiternating tree H ungarian tree root of a tree , 202 spanning tree Tueker diagram Variable artifieal variable basie variable dual variable lb-nonbasic variable not sign constrained variable ub-nonbasic variable Vertex (node)... 7, 105 Weak duality theorem... 63
Algorithmic Bioinformatics III Graphs, Networks, and Systems SS2008 Ralf Zimmer
Algorithmic Bioinformatics III Graphs, Networks, and Systems SS2008 Ralf Zimmer Graph Theory Introduction Ralf Zimmer, LMU Institut für Informatik, Lehrstuhl für Praktische Informatik und Bioinformatik,
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
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
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
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
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
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
MehrMinimal spannende Bäume
http://www.uni-magdeburg.de/harbich/ Minimal spannende Fakultät für Informatik Otto-von-Guericke-Universität 2 Inhalt Definition Wege Untergraphen Kantengewichtete Graphen Minimal spannende Algorithmen
MehrAufgabe 5.3 Duale Simplexverfahren
Aufgabe 5.3 Knut Krause Thomas Siwczyk Stefan Tittel Technische Universität Dortmund Fakultät für Informatik Algorithmen und Datenstrukturen 15. Januar 2009 Gliederung 1 Aufgabenstellung und Motivation
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik
Lösungsskizzen zu den Klausuraufgaben zum Kurs Algorithmische Mathematik KSL09 Aufgabe. Zeigen oder widerlegen Sie: Es existiert ein Graph mit Valenzsequenz (8,,,,,,,,,). Geben Sie im Falle der Existenz
MehrAufgabe 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
MehrDas Multi Traveling Salesman Problem
Das Multi Traveling Salesman Problem Harald Voit Seminar Ganzzahlige Optimierung 19. bis 21. Januar 2007 Wallenfels Das Multi Traveling Salesman Problem p.1/26 Übersicht Vom TSP zum ATSP Das Multi Traveling
MehrOperations Research. Klaus Neumann Martin Morlock HANSER. 2. Auflage. Mit 288 Abbildungen und 111 Tafeln
Klaus Neumann Martin Morlock Operations Research 2. Auflage Mit 288 Abbildungen und 111 Tafeln Technische Universität Darmstadt Fach bar«! ah 1 e Bibliothek Abttall-Nr. HANSER HIIIIIIIIIIIHH Inhaltsverzeichnis
MehrOptimization in Business Applications: 2. Modeling principles
Optimization in Business Applications: 2. Modeling principles IGS Course Dynamic Intelligent Systems Part 2 Universität Paderborn, June July 2010 Leena Suhl www.dsor.de Prof. Dr. Leena Suhl, suhl@dsor.de
MehrSeminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt;
Seminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt Referent Matthias Rost 1 Einleitung Definitionen Maximaler Dynamischer Fluss Algorithmus von Ford-Fulkerson Techniken zur
MehrWiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
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
MehrAusarbeitung über den Satz von Menger und den Satz von König
Ausarbeitung über den Satz von Menger und den Satz von König Myriam Ezzedine, 0326943 Anton Ksernofontov, 0327064 Jürgen Platzer, 0025360 Nataliya Sokolovska, 0326991 1. Beweis des Satzes von Menger Bevor
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 /
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
MehrEinführung in die Lineare Programmierung
Einführung in die Lineare Programmierung Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 RWTH Aachen 28. Mai 2008 Elementares Beispiel Die kanonische Form Die algebraische Gleichungsform Gegeben seien
MehrIntroduction FEM, 1D-Example
Introduction FEM, 1D-Example home/lehre/vl-mhs-1-e/folien/vorlesung/3_fem_intro/cover_sheet.tex page 1 of 25. p.1/25 Table of contents 1D Example - Finite Element Method 1. 1D Setup Geometry 2. Governing
MehrGraphen und Algorithmen
Graphen und Algorithmen Vorlesung #: Minimale aufspannende Bäume Dr. Armin Fügenschuh Technische Universität Darmstadt WS 007/008 Übersicht Definition und Eigenschaften von Bäumen Abzählen von Bäumen Aufspannende
MehrGraphen. Leonhard Euler ( )
Graphen Leonhard Euler (1707-1783) 2 Graph Ein Graph besteht aus Knoten (nodes, vertices) die durch Kanten (edges) miteinander verbunden sind. 3 Nachbarschaftsbeziehungen Zwei Knoten heissen adjazent (adjacent),
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
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck
Lemma 15 KLP 1 ist genau dann lösbar, wenn das dazugehörige LP KLP 2 eine Lösung mit dem Wert Z = 0 besitzt. Ist Z = 0 für x 0, x 0, dann ist x eine zulässige Lösung von KLP 1. Beweis von Lemma 15: Nach
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
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
MehrEinführung in die Graphentheorie. Monika König
Einführung in die Graphentheorie Monika König 8. 11. 2011 1 Vorwort Diese Seminararbeit basiert auf den Unterkapiteln 1.1-1.3 des Buches Algebraic Graph Theory von Chris Godsil und Gordon Royle (siehe
MehrDurchschnitt von Matroiden
Durchschnitt von Matroiden Satz von Edmonds Dany Sattler 18. Januar 2007/ Seminar zur ganzzahligen Optimierung / Wallenfels Definition: Unabhängigkeitssystem Definition: Ein Mengensystem (S, J ) nennt
MehrAlgorithmen zur Berechnung von Matchings
Algorithmen zur Berechnung von Matchings Berthold Vöcking 1 Einleitung Matchingprobleme sind Zuordnungsprobleme. Es geht darum z.b. Studierenden Plätze in Seminaren zuzuordnen, Bewerber auf freie Stellen
Mehr10.2 Dualitätstheorie Operations Research. In der Standardform eines Maximierungsproblem: b e ) mit ( w) + a ej ) x j + x g = ( b g + g G
48 0 Operations Research In der Standardform eines Maximierungsproblem: Max ( w) mit ( w) + u. d. N. z + x l + n ( a gj + j= g G e E n d j x j = z 0 j= n a l j x j = b l für alle l L j= x g n + a gj x
MehrOperations Research für Logistik
Operations Research für Logistik Lineare Optimierung (170.202) Ao. Univ. - Prof. Norbert SEIFTER Dipl. - Ing. Stefanie VOLLAND Sommersemester 2012 Lehrstuhl Industrielogistik Lineare Optimierung Inhalte:
MehrNetzwerk Simplex Algorithmus für Minimum Cost Flow Probleme
Netzwerk Simplex Algorithmus für Minimum Cost Flow Probleme Jan Burkl 13. Juni 2003 Seminar Universität Trier Sommersemester 2003 Prof. S. Näher, O. Zlotowski 1 Inhaltsverzeichnis 1 Einleitung 3 2 Bezeichnungen
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
MehrKAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN
KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN F. VALLENTIN, A. GUNDERT 1. Definitionen Notation 1.1. Ähnlich wie im vorangegangenen Kapitel zunächst etwas Notation. Wir beschäftigen uns jetzt mit ungerichteten
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
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
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 4 Programm des
MehrVollständiger Graph. Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete).
Vollständiger Graph Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete). Mit K n wird der vollständige Graph mit n Knoten bezeichnet. Bemerkung
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
MehrBipartite Graphen. Beispiele
Bipartite Graphen Ein Graph G = (V, E) heiÿt bipartit (oder paar), wenn die Knotenmenge in zwei disjunkte Teilmengen zerfällt (V = S T mit S T = ), sodass jede Kante einen Knoten aus S mit einem Knoten
MehrGraphen und Algorithmen
Graphen und Algorithmen Vorlesung #7: Matchingtheorie Dr. Armin Fügenschuh Technische Universität Darmstadt WS 2007/2008 Übersicht Matchings und erweiternde Wege Satz von Berge Das Heiratsproblem und der
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
MehrInteger Convex Minimization in Low Dimensions
DISS. ETH NO. 22288 Integer Convex Minimization in Low Dimensions A thesis submitted to attain the degree of DOCTOR OF SCIENCES of ETH ZURICH (Dr. sc. ETH Zurich) presented by TIMM OERTEL Diplom-Mathematiker,
MehrWie komme ich von hier zum Hauptbahnhof?
NP-Vollständigkeit Wie komme ich von hier zum Hauptbahnhof? P Wie komme ich von hier zum Hauptbahnhof? kann ich verwende für reduzieren auf Finde jemand, der den Weg kennt! Alternativ: Finde eine Stadtkarte!
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:
Mehr3. Übungsblatt zu Algorithmen II im WS 2011/2012
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders Moritz Kobitzsch, Dennis Schieferdecker 3. Übungsblatt zu Algorithmen II im WS 20/202 http://algo2.iti.kit.edu/algorithmenii.php
MehrOptimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
MehrAufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.
Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. a) Es seien W 1 = (V, E 1 ), W 2 = (V, E 2 ) Untergraphen von G, die beide Wälder sind. Weiter gelte E 1 > E 2.
MehrGraphalgorithmen 2. Oleksiy Rybakov. 3. Juni Betreuer: Tobias Werth, Daniel Brinkers
Graphalgorithmen 2 Oleksiy Rybakov 3. Juni 2015 Betreuer: Tobias Werth, Daniel Brinkers 1 / 40 Inhaltsverzeichnis 1 Minimale Spannbäume und Datenstrukturen 2 Kürzeste Wege 3 Spezielle Graphen 2 / 40 Minimale
Mehr8. Übung zu Algorithmen I 15. Juni 2016
8. Übung zu Algorithmen I 15. Juni 2016 Lisa Kohl Lisa.Kohl@kit.edu (mit Folien von Julian Arz, Timo Bingmann, Sebastian Schlag, Christian Staudt und Christoph Striecks) Nachtrag: Quicksort, alternative
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)
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
Mehr6. Übung zur Linearen Optimierung SS08
6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl
Mehr1. Übung Graphentheorie WS2016/17
1. Übung Graphentheorie WS2016/17 1. Schreiben Sie für jede Ecke der folgenden 7 Graphen den Grad auf! Welche der Graphen sind regulär? G 1 G 2 G 5 G 3 2. Bestimmen Sie alle paarweise nicht-isomorphen
MehrFlüsse, Schnitte, Bipartite Graphen II
Flüsse, Schnitte, Bipartite Graphen II Jonathan Hacker 06.06.2016 Jonathan Hacker Flüsse, Schnitte, Bipartite Graphen II 06.06.2016 1 / 42 Gliederung Einführung Jonathan Hacker Flüsse, Schnitte, Bipartite
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
MehrOptimierung für Wirtschaftsinformatiker: Lineare Programme
Optimierung für Wirtschaftsinformatiker: Lineare Programme Dr. Nico Düvelmeyer Dienstag, 31. Mai 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Lineare Programme Allgemeine Form 2 Spezielle Darstellungen
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
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2006 3. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Algorithmen für Graphen Fragestellungen: Suche
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen June 18, 2012 Ignaz Rutter INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Anwendung: Das Heiratsproblem Ganzzahligkeit von Polyedern Anwendung: Netzwerkflüsse Mehrgüterflussprobleme Ganzzahlige Optimierung Inhaltsübersicht für heute: Anwendung: Das
MehrGraph Paar (V,E) V: nichtleere Menge von Knoten (vertex) E: Menge von Kanten (edges): Relation (Verbindung) zwischen den Knoten
Graphentheorie Graph Paar (V,E) V: nichtleere Menge von Knoten (vertex) E: Menge von Kanten (edges): Relation (Verbindung) zwischen den Knoten gerichteter Graph (DiGraph (directed graph) E: Teilmenge E
MehrMaximale s t-flüsse in Planaren Graphen
Maximale s t-flüsse in Planaren Graphen Vorlesung Algorithmen für planare Graphen June 1, 2015 Ignaz Rutter INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg
MehrOptimierung in R. Michael Scholz
N Optimierung in R Fortgeschrittene Mathematik: Optimierung (WiSe 09/10) Michael Scholz Institut für Statistik und Ökonometrie Georg-August-Universität Göttingen Fortgeschrittene Mathematik: Optimierung
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
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem Dipl-Math. Wolfgang Kinzner 4.4.2012 Kapitel 6: Matchings und TSP-Problem Matching und Matchingproblem Flussalgorithmus
Mehra n = 2a n n 1 IV = 2(n 1)2 n n 1 = (n 1)2 n n 1 = n2 n 1.
Lösungsskizzen zu den Klausuraufgaben zum Kurs 4 Algorithmische Mathematik 4KSL07 Aufgabe. Wir definieren die Folge {a n } n N rekursiv vermöge a 0 := 0, a n := a n + n für n. Zeigen Sie: a n = n n für
Mehr5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt.
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 5. Musterlösung Problem : Vitale Kanten * In einem Netzwerk (D = (V, E); s, t; c) mit Maximalfluß f heißen Kanten e
MehrVorlesung Kombinatorische Optimierung (Wintersemester 2016/17)
Vorlesung Kombinatorische Optimierung (Wintersemester 06/7) Kapitel : Flüsse und Zirkulationen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 4. Oktober 06) Definition. Ein Netzwerk
MehrMatchings (Paarungen) in Graphen. PS Algorithmen auf Graphen SS `06 Steven Birr
Matchings (Paarungen) in Graphen PS Algorithmen auf Graphen SS `06 Steven Birr 1 Gliederung 1) Definitionen und Beispiele 2) Algorithmus des maximalen Matchings 3) Das Personal-Zuteilungsproblem Ungarischer
MehrKapitel 4: Minimal spannende Bäume Gliederung der Vorlesung
Kapitel : Minimal spannende Bäume Gliederung der Vorlesung. Fallstudie Bipartite Graphen 2. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Wege. Traveling
MehrOptimierung auf Netzwerken
KAPITEL 4 Optimierung auf Netzwerken Wir untersuchen hier spezielle lineare Programme, die eine zusätzliche kombinatorische (graphentheoretische) Struktur tragen. Nutzt man diese kombinatorische Struktur
MehrOptimierungsalgorithmen
Optimierungsalgorithmen Jakob Puchinger Algorithmen und Datenstrukturen 2 Arbeitsbereich für Algorithmen und Datenstrukturen Institut für Computergraphik und Algorithmen Technische Universität Wien Übersicht
MehrKapitel 4: Minimale spannende Bäume Gliederung der Vorlesung
Kapitel : Minimale spannende Bäume Gliederung der Vorlesung. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
MehrDaniel Borchmann. Sommerakademie Görlitz September 2007
Einführung in Semidenite Programmierung Daniel Borchmann Sommerakademie Görlitz 2007 12. September 2007 1 Einleitung Lineare Optimierung Semidenite Optimierung 2 MAX-CUT MAX-BISECTION MAX-2SAT Einleitung
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrFlüsse, Schnitte, bipartite Graphen
Flüsse, Schnitte, bipartite Graphen Vlad Popa 08.06.2010 Inhaltsverzeihnis 1. Flussnetzwerke und Flüsse 1.1 Ford- Fulkerson 1.2 Edmond Karp 1.3 Dinic 2. Schnitte 3. Maximaler Fluss bei minimalen Kosten
MehrAlgorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke
Algorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke Steve Göring 13.07.2012 1/18 Gliederung Einleitung Grundlagen Vertex-Cover-Problem Set-Cover-Problem Lösungsalgorithmen
MehrKürzeste Wege in Graphen. Orte mit Straßenverbindungen. Coma I Rolf Möhring
Kürzeste Wege in Graphen Orte mit Straßenverbindungen Orte als Knoten eines Graphen Straßenverbindungen als Kanten eines Graphen Ungerichteter Graph G = (V,E) Kanten Knoten Knotenmenge V = {,,n} oder {,,n
MehrBäume und Wälder. Definition 1
Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt
MehrDatenstrukturen. einfach verkettete Liste
einfach verkettete Liste speichert Daten in einer linearen Liste, in der jedes Element auf das nächste Element zeigt Jeder Knoten der Liste enthält beliebige Daten und einen Zeiger auf den nächsten Knoten
MehrMethoden der linearen Optimierung
Methoden der linearen Optimierung Mike Hüftle 31. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1.................................... 2 2 Lineare Optimierung 3 2.1 Lineares Modell............................
MehrDiskrete Optimierung (Einführung zur Vorlesung)
Diskrete Optimierung (Einführung zur Vorlesung) Christoph Helmberg : [,] Inhaltsübersicht Diskrete Optimierung. Das Heiratsproblem (ungerichtete Graphen).2 Ganzzahligkeit von Polyedern ( und gerichtete
Mehr1. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/2010
. Klausur zur Vorlesung Algorithmentechnik Wintersemester 2009/200 Lösung! Beachten Sie: Bringen Sie den Aufkleber mit Ihrem Namen und Matrikelnummer auf diesem Deckblatt an und beschriften Sie jedes Aufgabenblatt
MehrKapitel 5: Minimale spannende Bäume Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman Problem. Flüsse in Netzwerken
MehrOptimierung Operations Research Spieltheorie
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Karl Heinz Borgwardt Optimierung Operations Research Spieltheorie
MehrDiplomarbeit. Schwerpunkt. Kombinatorische Optimierung. Zum Thema
Diplomarbeit Schwerpunkt Kombinatorische Optimierung Zum Thema Praktische Lösung von Minimum Cost Flow Problemen: Ein Vergleich verschiedener Algorithmen Autor: Muhammed Ali Alat bei Institut für Mathematik
MehrDiskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 6: Graphentheorie
Referenzen zum Nacharbeiten: Diskrete Mathematik Sebastian Iwanowski FH Wedel Kap. 6: Graphentheorie Lang 6 Beutelspacher 8.1-8.5 Meinel 11 zur Vertiefung: Aigner 6, 7 (7.4: Algorithmus von Dijkstra) Matousek
MehrDas Steinerbaumproblem
Das Steinerbaumproblem Natalie Richert Fakultät für Elektrotechnik, Informatik und Mathematik, Universität Paderborn 4. Februar 008 / 3 Überblick Problembeschreibung Vorstellung von zwei Approimationsalgorithmen
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
Mehr8 Diskrete Optimierung
8 Diskrete Optimierung Definition 8.1. Ein Graph G ist ein Paar (V (G), E(G)) besteh aus einer lichen Menge V (G) von Knoten (oder Ecken) und einer Menge E(G) ( ) V (G) 2 von Kanten. Die Ordnung n(g) von
Mehr6. Flüsse in Netzwerken Berechnung maximaler Flüsse. dann berechnet der Markierungsalgorithmus für beliebige Kapazitätsfunktionen
6. Flüsse in Netzwerken Berechnung maximaler Flüsse Satz 6.4. Ersetzt man in Algorithmus 6.1 den Schritt 2 durch 2a. Wähle den Knoten, der zuerst in eingefügt wurde. Setze. dann berechnet der arkierungsalgorithmus
MehrBäume und Wälder. Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann
Bäume und Wälder Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann Ida Feldmann 2-Fach Bachelor Mathematik und Biologie 6. Fachsemester Inhaltsverzeichnis Einleitung 1 1. Bäume
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen Der Tragödie IV. Theyl Peter F. Stadler & Konstantin Klemm Bioinformatics Group, Dept. of Computer Science & Interdisciplinary Center for Bioinformatics, University
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
MehrStatic Lightpath Routing in IP over WDM Networks
Static Lightpath Routing in IP over WDM Networks Universität Würzburg/ITG Fachgruppe 5.. Workshop IP Netzmanagement, IP Netzplanung, und Optimierung Würzburg, Germany - July 4, 00 Dominic Schupke Munich
Mehrentheoretische Konzepte und Algorithmen
Sven Oliver Krumke, Hartmut Noitemeier entheoretische Konzepte und Algorithmen Teubner Inhaltsverzeichnis 1 Einleitung 1 1.1 Routenplanung 1 1.2 Frequenzplanung im Mobilfunk I 1.3 Museumswärter 3 1.4 Das
Mehr