Kombinatorische Optimierung
|
|
- Emma Schubert
- vor 6 Jahren
- Abrufe
Transkript
1 Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft
2 VORLESUNG 10 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 2
3 Literatur! Ulf Lorenz: Optimierung I. Vorlesungsfolien, Universität Paderborn.! Bertsimas, Tsitsiklis: Introduction to Linear Optimization.! Korte, Vygen: Kombinatorische Optimierung. Theorie und Algorithmen.! Hromkovic: Algorithmics for Hard Problems. Introduction to Combinatorial Optimization, Randomization, Approximation and Heuristics. 3
4 Beispielprobleme Futtermischung gegeben: Sojamehl Mais Anforderung Anteil im Futter in % % 4% 14% 56% 13% 30% Futter / kg Sojamehl 0,90 Mais 0,30 Mindestmenge Futter / Tag 800 kg 0 Ballaststoffe (max) Protein (min) Futterbestandteile Gesucht: Mischung, die die Nebenbedingungen erfüllt und minimale Kosten verursacht. 4
5 Formulierung mit Ungleichungen Þ Lineares Optimierungsmodell: min 0,9 x s + 0,3 x m (z) so dass x s + x m 800 (a) 0,17 x s + 0,04 x m 0,14(x s + x m ) (b) 0,56 x s + 0,13 x m 0,30(x s + x m ) (c) x s, x m 0 wobei: x s Menge an Sojamehl in kg x m Menge an Mais in kg x s und x m heißen Entscheidungsvariablen (a), (b), (c) (z) Nebenbedingungen Zielfunktion 5
6 Graphische Lösung x s + x m 800 (a) 0,17 x s + 0,04 x m 0,14(x s + x m ) (b) 0,56 x s + 0,13 x m 0,30(x s + x m ) (c) min 0,9 x s + 0,3 x m x s 1000 zulässiger Bereich (c) (z) bei (x m, x s ) = (484, 316) 0,3x m + 0,9x s = 429,6 (b) (a) x m (z) bei (x m, x s ) = (0, 0) 0,3x m + 0,9x s = 0 6
7 Lineares Programm (kanonische Form)! Definition: Problem LP (Lineares Programm in kanonischer Form)! Gegeben: Matrix A 2 R mxn, Spaltenvektoren b 2 R m, c 2 R n! Gesucht: x 2 R n 0 mit Ax b und c T x maximal! Beispiel: b 1 b 2 A x b c (c 1,c 2 ) = c 1 x 1 + c 2 x 2 max 7
8 Umwandlung in kanonische Form c T x min -c T x max 8
9 Aufgabe! Modellieren Sie das! Maximaler-Fluss-Problem! als LP! in kanonischer Form! 9
10 Standardform der linearen Optimierung (L S ) Max. F(x) :=! Auch hier gilt: A 2 R mxn, b 2 R m, c 2 R n sowie x 2 R n 0! Diese Darstellung ist wichtig, da sie für analytische Betrachtungen rechentechnische Vorteile bietet.! Gleichungen lassen sich oftmals besser handhaben als Ungleichungen. 10
11 Umwandlung Von kanonischer Form in Standardform! Sei (L K ) ein LP in kanonischer Form: max c T x u.d.n. x 0 und Ax b.! Durch Einführung so genannter Schlupfvariablen lässt sich ein (L K ) in ein (L S ) überführen.! Beispiel Futtermittel: max 0,9 x 1 0,3 x 2 so dass x 1 x ,03 x 1 0,10 x 2 0-0,26 x 1 + 0,17 x 2 0 x 1, x 2 0 n Strukturvariablen m Schlupfvariablen max 0,9 x 1 0,3 x 2 so dass x 1 x 2 + x 3 = 800 0,03 x 1 0,10 x 2 + x 4 = 0 0,26 x 1 + 0,17 x 2 + x 5 = 0 x 1, x 2, x 3, x 4, x
12 Umwandlung Von kanonischer Form in Standardform! Sei (L K ) ein LP in kanonischer Form: max c T x u.d.n. x 0 und Ax b. A := (A,E), b := b, c := c, x := 0 Dann wird durch max c T x u.d.n. x 0 und Ax = b ein Optimierungsproblem in Standardform (L S ) beschrieben.! Folgerung: (L K ) und (L S ) sind äquivalente Darstellungen. x x S Sei x eine Lösung von (L S ). Dann ist x Lösung von x c T x = ( c T, 0 T ) = c T x + 0 T x S = c T x. x S x Andererseits: Sei x Lösung von Ax -Ax+b x Dann ist x eine Lösung von (L S ): Ax = (A,E) = Ax Ax + b = b = b, -Ax+b offensichtlich ebenfalls mit c T x =c T x. 12
13 Polyeder konvexe Menge nicht konvexe Menge! Definition: Eine Menge S ½ R n ist konvex, falls für alle x, y 2 S und jedes 2 [0, 1] gilt: x + (1- )y 2 S! Definition: Ein Polyeder ist eine Menge, die sich in der Form {x 2 R n Ax b} schreiben lässt.! Behauptung: Der Lösungsraum eines LP ist ein konvexes Polyeder. 13
14 Theorem 1. Der Durchschnitt konvexer Mengen ist konvex. 2. Jedes Polyeder ist eine konvexe Menge. 3. Eine Konvexkombination einer endlichen Zahl von Elementen einer konvexen Menge gehört auch zu dieser Menge. 4. Die konvexe Hülle (Menge der Konvexkombinationen) einer endlichen Zahl von Vektoren ist eine konvexe Menge. 14
15 Konvexes Polyeder als Schnitt! Man kann ein konvexes Polyeder als Schnitt von Halbräumen oder Hyperebenen definieren: x j -Hyperebene ( n-1 ): x j = 0 x j -Halbraum ( n ): x j 0 zulässiger Bereich: Schnitt aller Halbräume Ecke: Schnitt von n Hyperebenen 15
16 Hyperebenen und Halbräume Hyperebenen im R n+1 sind Halbräume im R n Gleichungen und Ungleichungen x 2 = 1 x 1 + x 2 = 1 x 1 0 x x 1 1 x 1 0 x 1 = 1 x 3 =1 x 3 x 2 x 1 + x 3 = 1 x 1 0 x 2 0 x x 1 1 x 1 = 1 x 1
17 Der Simplex-Algorithmus Historie! 1939: Der russische Mathematiker Leonid Kantorowitsch beschreibt lineare Optimierung in Mathematische Methoden in der Organisation und Planung der Produktion ; Bedeutung verkannt, erst 1975 Nobelpreis für Kantorowitsch.! 1947: Durchbruch durch George Dantzigs Simplex-Algorithmus. Mit ihm verbindet man den Begriff der linearen Optimierung. Interesse zunächst von US Air Force. Neumann und Morgenstern entwickelten das Verfahren weiter.! seit den 1950ern: Computereinsatz und immer größere Probleminstanzen. Lineare Optimierung heute viel im Einsatz bei Wirtschaftsmodellierungen. 17
18 Notation Sei Max. F(x) := ctx u.d.n Ax = b x 0.! Das LP habe n Zeilen und m Spalten.! Annahme: Rang(A) = n! Dann: Basis: n linear unabhängige Spaltenvektoren a :,1,...,a :,n Basisvariablen (BV): x 1,...,x n Nichtbasisvariablen (NBV): alle anderen Komponenten von x (primal zulässige) Basislösung: NBV = 0, BV = konstanter Term 18
19 Beispiel Lineares Optimierungsmodell max 2x 1 + 1,5x 2 = z so dass 2x 1 + x 2 + x 3 = 1000 (a) x 1 + x 2 + x 4 = 800 (b) x 1 + x 5 = 400 (c) x 2 + x 6 = 700 (d) x 1, x 2, x 3,x 4,x 5,x 6 0 Ausgangsbasis NBV: x 1 = 0, x 2 = 0 BV: x 3 = 1000, x 4 = 800, x 5 = 400, x 6 = 700 z = 0 19
20 Der Simplex-Algorithmus Geometrische Formulierung! Schritt 1 (Initialisierung):! Beginne mit einer beliebigen Ecke v des Polyeders P.! Schritt 2 (Optimalitätstest):! Falls es keine verbessernde Kante inzident zu v in P gibt: stop, v ist optimal; sonst weiter mit Schritt 3.! Schritt 3 (Verbesserungsschritt):! Folge einer beliebigen verbessernden Kante e inzident zu v. Falls e unbeschränkt ist: stop, denn das LP ist unbeschränkt.! Sei u inzident zu v durch e. Setze v = u.! Gehe zu Schritt 2. 20
21 Simplex als Eckenläufer Optimale Lösung Startlösung [ 21
22 Der Simplex-Algorithmus Algebraische Formulierung! Schritt 1 (Initialisierung):! Beginne mit einer zulässigen Basis.! Schritt 2 (Optimalitätstest):! Falls alle Koeffizienten der Zielfunktion < 0: stop, sonst Schritt 3.! Schritt 3 (Basiswechsel):! Wähle eine Variable x i der Zielfunktion, deren Koeffizient positiv ist.! Suche die Zeile, die eine Erhöhung von x i am stärksten beschränkt.! Rechne das Gleichungssystem auf die neue Basis um.! Gehe zu Schritt 2.! Beh.: Durch den Basentausch springt der Simplex-Algorithmus von einer Ecke des konvexen Polyeders zur nächsten. 22
23 Beispiel Lineares Optimierungsmodell max 2x 1 + 1,5x 2 = z so dass 2x 1 + x 2 + x 3 = 1000 (a) x 1 + x 2 + x 4 = 800 (b) x 1 + x 5 = 400 (c) x 2 + x 6 = 700 (d) x 1, x 2, x 3,x 4,x 5,x 6 0 Ausgangsbasis NBV: x 1 = 0, x 2 = 0 BV: x 3 = 1000, x 4 = 800, x 5 = 400, x 6 = 700 z = 0 23
24 Simplex-Durchführung Iteration 1: 2. Pivot-Spalte (Aufnahmeregel) 1. Umformen z = 0 + 2x 1 + 1,5x 2 Zielfunktionszeile x3 = x 1 - x 2 x4 = x 1 - x 2 x5 = x 1 x6 = x 2 x x x x 1 + min 3. Eliminationsregel NBV: x 2 = 0, x 5 = 0 BV: x 1 = 400, x 3 = 200, x 4 = 400, x 6 = 700 z = Umformen: x 1 = x 5 37
25 Simplex-Durchführung Graphische Veranschaulichung von Iteration 1 x a: Phase II Iteration 1 b: Phase II Iteration 2 c: Phase II Iteration optimale Lösung c 100 zulässiger Bereich b Isogewinngerade a x 1 25
26 Simplex-Durchführung Iteration 1, Umformung des Gleichungssystems: vorher x 1 = x 5 z = 0 + 2x 1 + 1,5x 2 x 5 = x 1 x 3 = x 1 - x 2 x 4 = x 1 - x 2 x 6 = x 2 zwischendurch z = 0 + 2(400 - x 5 ) + 1,5x 2 x 1 = x 5 x 3 = (400 - x 5 ) - x 2 x 4 = (400 - x 5 ) - x 2 x 6 = x 2 nachher z = x 5 + 1,5x 2 x 1 = x 5 x 3 = x 5 - x 2 x 4 = x 5 - x 2 x 6 = x 2 26
27 Simplex-Durchführung Iteration 2: Umgeformt: x 1 z = x 5 + 1,5x 2 x 1 = 400 x 5 x 3 = x 5 x 2 x 4 = x 5 x 2 x 6 = 700 x 2 x 2 + x x x min NBV: x 3 = 0, x 5 = 0 BV: x 1 = 400, x 2 = 200, x 4 = 200, x 6 = 500 z = 1100 Umformen: x 2 = x 5 x 3 27
28 Simplex-Durchführung Iteration 3, Umformung des Gleichungssystems: Umgeformt z = x 5 1,5x 3 x 1 = 400 x 5 x 2 = x 5 x 3 x 4 = 200 x 5 + x 3 x 6 = x 5 + x 3 x x 5 + x x min NBV: x 3 = 0, x 4 = 0 BV: x 1 = 200, x 2 = 600, x 5 = 200, x 6 = 100 z = 1300 Umformen: x 5 = x 3 x 4 28
29 Simplex-Durchführung Terminierung Umgeformt: z = 1300 x 4 0,5 x 3 x 1 = x 4 x 3 x 2 = x 4 + x 3 x 5 = 200 x 4 + x 3 x 6 = x 4 x 3 nur negative Koeffizienten optimale Lösung gefunden: x 1 = 200, x 2 = 600 z =
30 Zusammenfassung! Lineare Programme häufig geeignete Modellierung von Optimierungsproblemen! Verschiedene Darstellungen sind äquivalent:! Kanonische Form! Standardform! Lösungsraum ist konvexes Polyeder! Optimum finden:! Graphisch: Hyperebene in Richtung c verschieben, bis das Polyeder gerade noch berührt wird! Simplex-Algorithmus: Ecken des Polyeders mit lokaler Suche ablaufen 30
OPERATIONS-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:
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
MehrAlgorithmen für schwierige Optimierungsprobleme Vorlesung für den Bereich Bachelor Informatik
Algorithmen für schwierige Optimierungsprobleme Vorlesung für den Bereich Bachelor Informatik Dozent: Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT
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,
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
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
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
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
1 Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14) Einleitung Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 11. Oktober 2013) 2 Kommunikationsnetzwerke...
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
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)
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
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
MehrEinführung in die Optimierung Sommersemester 2005. Anita Schöbel
Einführung in die Optimierung Sommersemester 2005 Anita Schöbel 9. Juli 2010 Vorwort Das vorliegende Vorlesungsskript entstand aufgrund der Notizen der von mir im Sommersemester 2005 gehaltenen Vorlesung
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
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Typische Prüfungsfragen Die folgenden Fragen dienen lediglich der Orientierung und müssen nicht den tatsächlichen Prüfungsfragen entsprechen. Auch Erkenntnisse aus den
MehrOptimierung mit Matlab
Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof. Dr. L. Cromme Computerbasierte Mathematische Modellierung für Mathematiker, Wirtschaftsmathematiker, Informatiker im Wintersemester
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
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
MehrMATTHIAS GERDTS. Optimierung für Wirtschaftsinformatiker
MATTHIAS GERDTS Optimierung für Wirtschaftsinformatiker Address of the Author: Matthias Gerdts Schwerpunkt Optimierung und Approximation Department Mathematik Universität Hamburg D-2146 Hamburg E-Mail:
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
MehrAnwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht
Anwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht Beispiele wirtschaftsmathematischer Modellierung Lehrerfortbildung, Speyer, Juni 2004-1- Beispiele wirtschaftsmathematischer Modellierung
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
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
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
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
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
MehrAnwendungen der linearen Programmierung
Anwendungen der linearen Programmierung BACHELOR-ARBEIT Referent Prof. Dr. Karl Frauendorfer vorgelegt von Simon Wehrmüller Universität St. Gallen Hochschule für Wirtschafts-, Rechts- und Sozialwissenschaften
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...
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...
MehrOptimierung I Wintersemester 1996/97
Optimierung I Wintersemester 1996/97 Florian arre Institut für Angewandte Mathematik und Statistik Universität Würzburg, Am Hubland D 97074 Würzburg 8 November 2000 Inhalt 1 Lineare Optimierung: Definition
Mehr4. Dynamische Optimierung
4. Dynamische Optimierung Allgemeine Form dynamischer Optimierungsprobleme 4. Dynamische Optimierung Die dynamische Optimierung (DO) betrachtet Entscheidungsprobleme als eine Folge voneinander abhängiger
MehrOPTIMIERUNG I. Christian Clason. Fakultät für Mathematik Universität Duisburg-Essen
OPTIMIERUNG I Vorlesungsskript, Sommersemester 2014 Christian Clason Stand vom 1. Juli 2014 Fakultät für Mathematik Universität Duisburg-Essen INHALTSVERZEICHNIS I GRUNDLAGEN 1 theorie der linearen ungleichungen
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
MehrEinführung in die Mathematische Optimierung
Einführung in die Mathematische Optimierung Rainer E. Burkard Technische Universität Graz Institut für Mathematik Steyrergasse 30 A-800 Graz, Austria burkard@opt.math.tu-graz.ac.at 2 Inhaltsverzeichnis
MehrEinführung in die Lineare Programmierung. Berthold Vöcking Lehrstuhl Informatik I Algorithmen & Komplexität RWTH Aachen
Einführung in die Lineare Programmierung Berthold Vöcking Lehrstuhl Informatik I Algorithmen & Komplexität RWTH Aachen 30. Juli 2008 Inhaltsverzeichnis 1 Lineare Programme 3 1.1 Die kanonische Form..........................
MehrOptimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg
Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei
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
MehrOptimierung für Nichtmathematiker (für Master) Vorlesung: Christoph Helmberg Übung: Anja Lau
Optimierung für Nichtmathematiker (für Master) Vorlesung: Christoph Helmberg Übung: Anja Lau Ziele: Einführung in richtige Einordnung von Optimierungsproblemen Modellierungstechniken praktische Umsetzung
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrGraphenalgorithmen und lineare Algebra Hand in Hand Vorlesung für den Bereich Diplom/Master Informatik
Vorlesung für den Bereich Diplom/Master Informatik Dozent: Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes
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 1 Programm des
MehrBabeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf
Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen
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
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
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:
MehrSkript zur Vorlesung Optimierung linearer Modelle Gültig ab Sommersemester 2010. Prof. Dr. S. Dempe
Skript zur Vorlesung Optimierung linearer Modelle Gültig ab Sommersemester 2010 Prof. Dr. S. Dempe Inhaltsverzeichnis Kapitel 0. Einleitung 5 0.1. Historische Entwicklung 5 0.2. Begriff des Operations
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
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrOuter Approximation für konvexe MINLP-Probleme
Outer Approximation für konvexe MINLP-Probleme im Rahmen des Sears Globale Optimierung unter Leitung von Dr. Johannes Schlöder und Dr. Ekaterina Kostina, Sommersemester 2005, Universität Heidelberg Hans
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
MehrApproximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling
Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
MehrUmgekehrte Kurvendiskussion
Umgekehrte Kurvendiskussion Bei einer Kurvendiskussion haben wir eine Funktionsgleichung vorgegeben und versuchen ihre 'Besonderheiten' herauszufinden: Nullstellen, Extremwerte, Wendepunkte, Polstellen
MehrIV. Spieltheorie. H. Weber, FHW, OR SS07, Teil 7, Seite 1
IV. Spieltheorie 1. Gegenstand der Spieltheorie 2. Einführung in Matrixspiele 3. Strategien bei Matrixspielen 4. Weitere Beispiele 5. Mögliche Erweiterungen H. Weber, FHW, OR SS07, Teil 7, Seite 1 1. Gegenstand
MehrLineare und Ganzzahlige Optimierung
Lineare und Ganzzahlige Optimierung Tim Nieberg Research Institute for Discrete Mathematics University of Bonn Lennéstr. 2 D-53113 Bonn nieberg@or.uni-bonn.de This device is provided without warranty of
MehrDiskrete Optimierung
Diskrete Optimierung Mi 10-12, C118, Sand Dr. Stephanie Reifferscheid Universität Tübingen, WSI 12. Oktober 2011 Dr. Stephanie Reifferscheid Diskrete Optimierung 12. Oktober 2011 1 / 17 Technisches Erreichbarkeit
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Tutorium 27 29..24 FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Definition
MehrBachelorarbeit. Vergleich von Ansätzen zur numerischen Lösung von MPCCs am Beispiel eines Mautproblems
Bachelorarbeit Vergleich von Ansätzen zur numerischen Lösung von MPCCs am Beispiel eines Mautproblems Vorgelegt an der Professur für Numerische Mathematik (Partielle Differentialgleichungen) von Prof.
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
MehrIntegrierte Umlauf- und Dienstplanung im ÖPNV
Integrierte Umlauf- und Dienstplanung im ÖPNV Frico 2007 Weíder Dres. Löbel, Borndörfer und GbR Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB) weider@zib.de http://www.zib.de/weider Planung im
MehrComputer Vision: Optische Flüsse
Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische
MehrLernmaterial für die Fernuni Hagen effizient und prüfungsnah
Lernmaterial für die Fernuni Hagen effizient und prüfungsnah www.schema-f-hagen.de Sie erhalten hier einen Einblick in die Dokumente Aufgaben und Lösungen sowie Erläuterungen Beim Kauf erhalten Sie zudem
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
MehrLineare Gleichungssysteme und Gauß'scher Algorithmus
Zurück Letzter Update 7... Lineare Gleichungssysteme und Gauß'scher Algorithmus In der Mathematik bezeichnet man mit Matrix ein rechteckiges Schema, in dem Zahlen oder Funktionen angeordnet werden. Hier
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg OPTIMIERUNG II. Aufgaben und Lösungen
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg OPTIMIERUNG II Aufgaben und Lösungen SS 2005 Aufgaben Aufgabe 41 Ein Betrieb stellt zwei Produkte P 1 und P 2 her, die die
MehrHeuristiken im Kontext von Scheduling
Heuristiken im Kontext von Scheduling Expertenvortrag CoMa SS 09 CoMa SS 09 1/35 Übersicht Motivation Makespan Scheduling Lokale Suche Weitere Metaheuristiken Zusammenfassung Literatur CoMa SS 09 2/35
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung für den Bereich Master Informatik
Algorithmische Methoden zur Netzwerkanalyse Vorlesung für den Bereich Master Informatik Dozent: Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR
MehrTHEMA. Research of suitable optimization strategies for the implementation of an intelligent charging management for electric vehicles
THEMA Untersuchung geeigneter Optimierungsstrategien zur Umsetzung eines intelligenten Lademanagements für Elektrofahrzeuge Research of suitable optimization strategies for the implementation of an intelligent
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrOptimierung. Florian Jarre Josef Stoer. Springer
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Florian Jarre Josef Stoer Optimierung Springer Inhaltsverzeichnis
MehrEinführung in die Lineare Optimierung
Kapitel 2 Einführung in die Lineare Optimierung lineare Modelle der relevanten Umwelt werden wegen ihrer Einfachheit häufig gegenüber nichtlinearen Ansätzen vorgezogen, lineare Optimierungsprobleme können
MehrMethoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien
Methoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien Katharina Witowski katharina.witowski@dynamore.de Übersicht Beispiel Allgemeines zum LS-OPT Viewer Visualisierung von Simulationsergebnissen
MehrOptimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz
Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel
MehrLösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung
Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung Ausarbeitung zum Vortrag im Seminar Stochastische Dynamische Optimierung vom 18.01.2008 Datum : 18.01.2008 Verfasser: Martin Schymalla
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
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrDie Verbindung von Linearer Programmierung und Graphentheorie
Die Verbindung von Linearer Programmierung und Graphentheorie Definition 5.9. Ein kombinatorisches Optimierungsproblem entspricht einem LP, bei dem statt der Vorzeichenbedingungen x i 0 Bedingungen der
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrAufgabenblatt 6 zur Lehrveranstaltung Quantitative Methoden der Betriebswirtschaftslehre I Frühjahrssemester 2015
Universität Bern Bern, den. März Professur für Quantitative Methoden der BWL Schützenmattstr., Bern Prof. Dr. Norbert Trautmann, Oliver Strub E-Mail: oliver.strub@pqm.unibe.ch Aufgabenblatt 6 zur Lehrveranstaltung
MehrGleichungen - Aufgabenstellung und Lösungsstrategien
Gleichungen - Aufgabenstellung und Lösungsstrategien Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 25, A-6020 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at 18. Juli 2006 1 Einleitung
MehrUmsetzung von DEA in Excel
Umsetzung von DEA in Excel Thorsten Poddig Armin Varmaz 30. November 2005 1 Vorbemerkungen In diesem Dokument, das als Begleitmaterial zum in der Zeitschrift,,Controlling, Heft 10, 2005 veröffentlichten
MehrGleichungen Lösen. Ein graphischer Blick auf Gleichungen
Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term
MehrMaximizing the Spread of Influence through a Social Network
1 / 26 Maximizing the Spread of Influence through a Social Network 19.06.2007 / Thomas Wener TU-Darmstadt Seminar aus Data und Web Mining bei Prof. Fürnkranz 2 / 26 Gliederung Einleitung 1 Einleitung 2
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
MehrOhne Mathematik undenkbar!
Die tägliche - Suche: Ohne Mathematik undenkbar! Dipl.-Wirt.Math. Jan Maruhn FB IV - Mathematik Universität Trier 29. März 2006 29. März 2006 Seite 1 Gliederung Einleitung und Motivation Das Internet als
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrEinführung in einige Teilbereiche der Wirtschaftsmathematik für Studierende des Wirtschaftsingenieurwesens
in einige Teilbereiche der für Studierende des Wirtschaftsingenieurwesens Sommersemester 2013 Hochschule Augsburg Kursrechnung Festverzinsliche Wertpapiere Wertpapier: Investor erwirbt für bestimmten Preis
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrInhaltsverzeichnis. Vorwort... V. Symbolverzeichnis... XIII
Inhaltsverzeichnis Vorwort................................................................. V Symbolverzeichnis...................................................... XIII Kapitel 1: Einführung......................................................
MehrPraktische Mathematik: Lineare und Netzwerk-Optimierung (SS 2015) Praktikumsaufgaben
Technische Universität Kaiserslautern Prof Dr Sven O Krumke Dr Sabine Büttner MSc Marco Natale Praktische Mathematik: Lineare und Netzwerk-Optimierung (SS 2015) Praktikumsaufgaben Aufgabe 1 (Konvertieren
Mehr