Kap. 4: Lineare Programmierung
|
|
- Theodor Armbruster
- vor 6 Jahren
- Abrufe
Transkript
1 Kap. 4: Lineare Programmierung Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 13./14. VO A&D WS 08/ / Petra Mutzel Alg. & Dat. WS 08/09 1
2 Literatur für diese VO V. Chvatal: Linear Programming D. Bertsimas: Linear Programming B. Vöcking: Crashkurs Lineare Programmierung, Vorlesung Effiziente Algorithmen an der Universität Dortmund SS2003 (s. Web) P.Mutzel: Skript-Teil Optimierung (s. Web) Petra Mutzel Alg. & Dat. WS 08/09 2
3 3.1 Einführung Beispiel Ölraffinerie Überblick Beispiel Diätproblem Geometrische Interpretation Standardformen Simplex-Algorithmus Motivation der Dualität 3.2 Der Simplex-Algorithmus VO am Donnerstag entfällt wg. Trauerfeier für Prof. Wegener Petra Mutzel Alg. & Dat. WS 08/09 3
4 Lineare Optimierungsprobleme Definition Lineares Optimierungsproblem (LP): Das Problem, einen Vektor zu finden, der unter allen Vektoren, die die Bedingungen Ax<=b erfüllen, derjenige ist, mit größtem (kleinstem) Zielfunktionswert. Formal: Petra Mutzel Alg. & Dat. WS 08/09 4
5 Beispiel Ölraffinerie 2 Crackverfahren für Rohöl mit folgender Ausbeute und Kosten: Crackprozeß 1: 2S, 2M, 1L, Kosten 3 EUR Crackprozeß 2: 1S, 2M, 4L, Kosten 5 EUR Ziele: mindestens 3S, 5M, 4L herstellen (Lieferbedingungen) möglichst billig herstellen Petra Mutzel Alg. & Dat. WS 08/09 5
6 Beispiel Ölraffinerie Zielfunktion subject to Restriktionen definieren den Lösungsraum Matrixschreibweise: (Tafel) Petra Mutzel Alg. & Dat. WS 08/09 6
7 y (0,6) Geometrische Interpretation Zielfunktion = 0.9* *0.706 =13.1 Mio NB1 Maximiere 0.90 x y subject To NB1: 0.42 x y <= NB2: 0.13 x y <= NB3: 0.35 x y <= NB4: x >= 0 NB5: y >= 0 (0,1.5) (0,1) (0.882,0.706) (0,0) Zulässige Lösungen (1,0) NB2 (2,0) (3,0) x
8 Geometrische Interpretation LP Beispiel: Ölraffinerie Petra Mutzel Alg. & Dat. WS 08/09 8
9 Beispiel Diätproblem Ziel: Möglichst billiger Einkauf, so dass mindestens 2000 kcal, 55g Proteine, 800 g Calcium Einkaufsbedingungen: Haferflocken zu 28g Packungen, die 110 kcal, 4 g Proteine, 2 mg Calcium zu 3 Cent Huhn in 100 g Packungen, mit 205kcal, 32 g Proteine, 12 mg Calcium zu 24 Cent Eier in Doppelpacks mit 160 kcal, 13 g Proteine, 54 mg Calcium zu 13 Cent Milch je Packung 237 ml, 160 kcal, 8g Proteine, 285 g Calcium zu 9 Cent Kirschkuchen in 179 g Packung mit 420 kcal, 4 g Proteine, 22 mg Calcium zu 20 Cent Bohnen in 260g Packung mit 19 Cent, 260kcal, 14g Proteine, 80 mg Calcium zu 19 Cent
10 LP für Diätproblem selbst Zusätzliche Nebenbedingung: Haferflocken sollen nicht ohne Milch gegessen werden: Für je eine Packung Haferflocken werden je eine halbe Packung Milch benötigt: 0.5 x 4 x 1 Petra Mutzel Alg. & Dat. WS 08/09 10
11 Lineare Optimierungsprobleme Lineare Optimierungsprobleme tauchen in verschiedenen Formulierungen auf und können alle ineinander übergeführt werden: max oder min c T x: Ax b min c T x: Ax b und x 0 min c T x: Ax=b und x 0 Wir betrachten die Standardform: max c T x: Ax=b und x 0 Petra Mutzel Alg. & Dat. WS 08/09 11
12 Lineare Optimierungsprobleme LP in seiner allgemeinsten Form: Jeder Vektor (x,y), der alle Nebenbedingungen (constraints) erfüllt heißt zulässige Lösung des LP. Petra Mutzel Alg. & Dat. WS 08/09 12
13 Geometrische Repräsentation: Lösungsraum Eine Variablenbelegung x=(x j ) entspricht einem Punkt im n-dimensionalen Raum R n. Jede Restriktion a it x b i definiert einen Halbraum. Die Grenze dieses Halbraumes ist die Hyberebene a it x=b i. Der Halbraum besteht aus den Punkten auf einer Seite dieser Hyperebene inklusive der Punkte auf der Hyperebene selbst. Die Schnittmenge der Halbräume über alle Restriktionen ist der Raum der zulässigen Lösungen. Der Lösungsraum bildet ein Polyeder. Beschränkte Polyeder heißen Polytope. Die durch ein Polyeder beschriebene Punktmenge ist konvex, d.h. für jedes Punktepaar x,y P sind auch alle Punkte auf der Verbindungslinie zwischen x und y in P. Auszug aus Vöcking (s.o.)
14 Geometrische Repräsentation: Zielfunktion Die Zielfunktion z(x)=c T x gibt eine Richtung im R n an. Wir können diese Richtung durch einen am Ursprung startenden durch den Punkt c führenden Strahl visualisieren. Sei H eine Hyperebene, die zum Strahl der Zielfunktion orthogonal ist, d.h. es gibt einen Wert z R, so dass H={x R n c T x=z}. Alle Punkte auf H haben den gleichen Zielfunktionswert z, den wir z(h) nennen. Ein LP dessen Zielfunktionswert z(x) durch die Nebenbedingungen nach oben (bei max z(x)) beschränkt ist, wird als beschränktes LP bezeichnet. Andernfalls ist das LP unbeschränkt. Auszug aus Vöcking (s.o.)
15 Geometrische Repräsentation: Ecklösungen Jeweils n linear unabhängige Hyperebenen schneiden sich in einem Schnittpunkt. Schnittpunkte die im Lösungspolyeder P enthalten sind werden als die Ecken von P bezeichnet. Zwei Ecken sind benachbart, wenn sie sich in genau einer Hyperebene unterscheiden. Benachbarte Ecken sind durch eine Kante miteinander verbunden. Die Kante entspricht der Schnittmenge der n-1 gemeinsamen Hyperebenen dieser Ecken. Auszug aus Vöcking (s.o.)
16 Geometrische Repräsentation: Optimallösung Gegeben sei ein beschränktes LP in Form max c T x s.t. Ax b, x 0 mit Zielfunktion z und Lösungspolyeder P. H eine zu z orthogale Hyperebene, die P schneidet. Wir stellen uns vor, H wird nach oben (d.h. in Richtung der Zielfunktion) verschoben. Dadurch erhöht sich z(h) kontinuierlich. Wir verschieben H genau soweit, dass sich kein Punkt mehr oberhalb von H befindet. Sei H* die so erhaltene Hyperebene. Dann enthält H* P die optimalen Lösungen des LPs. Wegen der Konvexität ist mindestens einer dieser Punkte eine Ecke von P. Also existiert immer eine Ecke mit optimalem Zielwert. Sei Auszug aus Vöcking (s.o.)
17 Geometrische Repräsentation: Optimale Ecke Sei v eine beliebige Ecke des Polyeders P. Sei H v die zu z orthogale Hyperebene, die durch v verläuft. Sei e eine der zu v inzidenten Kanten. Falls e oberhalb von H v verläuft, verbessert sich der Zielwert, wenn man von v startend entlang von e läuft. Eine solche Kante heißt verbessernde Kante. Falls v keine verbessernde Kante hat, können wir H v nicht nach oben verschieben ohne P zu verlassen (wegen Konvexität). Also ist H v =H* und somit v optimal. Hier gilt: Das globale Optimum entspricht einer lokal optimalen Ecke. Auszug aus Vöcking (s.o.)
18 Zusammenfassung Theorem: Für jedes beschränkte LP der Form max c T x s.t. Ax b, x 0 mit Lösungspolyeder P gibt es mindestens eine Ecke von P, die den optimalen Zielfunktionswert annimmt (die optimale Ecke). Eine Ecke ohne verbessernde inzidente Kante ist eine optimale Ecke.
19 Lineare Programmierung Für den Zulässigkeitsbereich P eines Linearen Programms gibt es drei verschiedene Möglichkeiten: P= es existiert keine einzige zulässige Lösung LP ist unlösbar P und inf{c T x x P} existiert nicht (z.b. 0x -1) LP ist lösbar, aber es gibt keine optimale Lösung P und min{c T x x P} existiert LP ist lösbar und hat eine endliche Lösung x* mit c T x*=min{c T x x P} Petra Mutzel Alg. & Dat. WS 08/09 19
20 Dualität der Linearen Programmierung Es ist vorteilhaft, Schranken für Lineare Programme angeben zu können Ein Punkt, der (2)-(4) erfüllt, erfüllt auch die Ungleichung: 2(2)+(3) Wir suchen die besten Schranken: Dualität Petra Mutzel Alg. & Dat. WS 08/09 20
21 Dualität der Linearen Programmierung Primales Programm: Duales Programm: Petra Mutzel Alg. & Dat. WS 08/09 21
22 Dualität der Linearen Programmierung Primales Programm (P): Duales Programm (D): Schwacher Dualitätssatz: Sei x ein zulässiger Punkt für (P) und y zulässig für (D). Dann gilt: y T b c T x Korollar: Ist (P) unbeschränkt, dann ist (D) unlösbar. Petra Mutzel Alg. & Dat. WS 08/09 22
23 Dualität der Linearen Programmierung Primales Programm (P): Duales Programm (D): Starker Dualitätssatz: Sei x* ein zulässiger Punkt für (P) und y* zulässig für (D). Dann gilt: y* T b=c T x* beide Lösungen x* und y* sind optimal Details: später in der Vorlesung Petra Mutzel Alg. & Dat. WS 08/09 23
24 3.2 Der Simplex-Algorithmus Lineare Programme werden in der Praxis mit Hilfe des Simplex-Algorithmus gelöst [Dantzig 1955]. Max 3x 1 + 2x 2 + 2x 3 Subject to x 1 + x 3 8 x 1 + x 2 7 x 1 + 2x 2 12 x 1, x 2, x 3 0 Petra Mutzel Alg. & Dat. WS 08/09 24
25 Visualisierung des Simplex-Algorithmus Max z = 3x 1 + 2x 2 + 2x 3 x 3 (0,0,8) (0,6,8) Optimal! (2,5,6) z = 28 z = 0 (0,6,0) x 2 (7,0,1) z = 23 (2,5,0) x 1 (7,0,0) z = 21
26 Simplex-Algorithmus Gegeben: LP mit Lösungspolyeder P (1) Bestimme einen beliebige Ecke (Initialecke) v von P. (2) Falls es keine verbessernde Kante inzident zu v gibt stop: v ist optimal. (3) Folge einer beliebigen verbessernden Kante e von v. Falls e unbeschränkt ist, d.h. keinen anderen Endpunkt hat stop: Das LP ist unbeschränkt. (4) Sei u der andere Endpunkt von e. Setze v=u. Gehe zu (2)
27 Offene Fragen zu Simplex-Algorithmus Wie findet man eine Initialecke v von P? Bei zulässigen LPs in Standardform mit nicht-negativen a ij und b i ist der Ursprung (Punkt 0) immer ein Knoten von P. Ansonsten verwendet man ein Preprocessing (Phase 1), das an einem Schnittpunkt evtl. außerhalb von P startet und durch ähnliche Basisaustauschschritte zu einer Ecke in P läuft. Wie wird das Polyeder abgespeichert? Man speichert das durch die Restriktionen beschriebene Gleichungssystem in Form eines Tableaus ab. In jedem Simplexschritt verändert sich das Tableau und die ausgehenden Kanten des aktuellen Ecke können aus dem Tableau berechnet werden. Teste, ob die aktuelle Ecke optimal ist? Falls nicht, welche verbessernde Kante wählt man? Terminiert der Algorithmus? s. Vorlesung: gleich
28 Definitionen Gegeben sei ein Gleichungssystem Ax=b mit A R m n, m<n, b R m, rang(a)=m. Sei B=(p 1,p 2,...,p m ) {1,2,...,n} m Spaltenindexmenge und N=(q 1,q 2,...,q n-m ) {1,2,...,n} n-m Spaltenindexmengen mit B N={1,2,...,n} und B N=. Für J {1,2,...n}: A J ist die Untermatrix von A nach Streichen der Spalten aus {1,2,...,n} \ J. Wir schreiben A B statt A B und A N statt A N. Ist A B regulär (=invertierbar), so heißt A B Basismatrix oder Basis von A und B Basisindexvektor oder Basis von A; analog A N, N Nichtbasisindexvektor. Der Vektor x R n mit x N =0, x B =A B -1 b heißt Basislösung von Ax=b zur Basis A B.
29 Definitionen Ist A B regulär (=invertierbar), so heißt A B Basismatrix oder Basis von A und B Basisindexvektor oder Basis von A; analog A N, N Nichtbasisindexvektor. Der Vektor x R n mit x N =0, x B =A B -1 b heißt Basislösung von Ax=b zur Basis A B. Ist A B eine Basis, so heißen die Variablen x j, j B, Basisvariablen und die x j, j N Nichtbasisvariablen. Ist A B Basis und gilt A B -1 b 0, so heißen A B, B und die zugehörige Basislösung x zulässig, sonst unzulässig. Eine zulässige Basislösung x zur Basis A B heißt nichtdegeneriert, falls (x B ) i =(A B -1 b) i >0 für alle i B, sonst degeneriert.
30 Simplex-Gleichungsschema und Simplex Tableau max c T x s.t. Ax=b, x 0 max c B c N T x B x N s.t. (A B, A N ) x B = b, x B 0 x N x N A B x B + A N x N = b x B = A B 1 b A B 1 A N x N Zielfunktionswert: z = c B T x B + c N T x N = c B T (A B 1 b A B 1 A N x N ) + c N T x N = = c T B A 1 B b + (c T N c T B A 1 B A N )x N Simplex-Gleichungsschema: x B = A 1 B b A 1 B A N x N z = c T B A 1 B b + (c T N c T B A 1 B A N )x N
31 Simplex-Gleichungsschema und Simplex Tableau Simplex-Gl.schema: x B = A B 1 b A B 1 A N x N z = c B T A B 1 b + (c N T c B T A B 1 A N )x N Zielfunktionswert Simplex-Tableau: Werte der Basisvariablen - c B T A B 1 b A B 1 b c N T c B T A B 1 A N A B 1 A N reduzierte Kosten
32 Simplex-Gleichungsschema und Simplex Tableau Satz: Sei A B eine zulässige Basis mit Basislösung x, A = A 1 B A N, b = A 1 B b und c T = c T N c T B A 1 B A N die reduzierten Kosten. (a) Gilt c T x 0, so ist x optimal (b) Sei q s N mi t c s > 0. (b1) Ist A s 0, dann ist c T x auf P = (A,b):={x R n Ax=b,x 0} unbeschränkt. (b2) Ist A S 0, dann sei λ 0 = min b i i =1,2,...,m, a is > 0 a is und r { 1,2,...,m} so dass b r = λ 0, a rs > 0 a rs so ist A B mit B =(p 1,...,p r-1,q s,p r+1...,p m ) eine zulässige Basis mit Basislösung x und c T x c T x. (b3) Gelten die Voraussetzungen von (b2) und ist A B nichtdegeneriert, so gilt c T x >c T x. Beweis: nächste VO Di Beispiel, s. Tafel
33 Petra Mutzel Alg. & Dat. WS 08/09 33
Lineare 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
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:
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
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
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
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)
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..........................
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
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,
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...
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
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
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
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
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 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
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
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
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...
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
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
Mehr4. Dynamische Optimierung
4. Dynamische Optimierung Allgemeine Form dynamischer Optimierungsprobleme 4. Dynamische Optimierung Die dynamische Optimierung (DO) betrachtet Entscheidungsprobleme als eine Folge voneinander abhängiger
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
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
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...
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
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
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
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
MehrOptimierung mit Matlab
Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof. Dr. L. Cromme Computerbasierte Mathematische Modellierung für Mathematiker, Wirtschaftsmathematiker, Informatiker im Wintersemester
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
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
MehrKap. 4.2: Binäre Suchbäume
Kap. 4.2: Binäre Suchbäume Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 11. VO DAP2 SS 2009 26. Mai 2009 1 Zusätzliche Lernraumbetreuung Morteza Monemizadeh:
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
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
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
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
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 /
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
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg,
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg, Literatur Richard Hartle and Andrew Zisserman. Multiple View Geometr in computer vision, Cambridge Universit Press, 2 nd Ed., 23. O.D.
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
MehrSeminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn
Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Ein 5.55-Approximationsalgorithmus für das VPND-Problem Lars Schäfers Inhalt Einführung:
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
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
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
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
MehrDefinition 27 Affiner Raum über Vektorraum V
Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,
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:
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
MehrKapitel 2. Mathematische Optimierungsmodelle. Lineare Optimierung. Uwe H. Suhl Lehrstuhl für Wirtschaftsinformatik Freie Universität Berlin
Kapitel 2 Mathematische Optimierungsmodelle Lineare Optimierung Uwe H. Suhl Lehrstuhl für Wirtschaftsinformatik Freie Universität Berlin Optimierungssysteme Version 1.1 / SS 2008 Mathematische Optimierungsmodelle
MehrAlgorithms for Regression and Classification
Fakultät für Informatik Effiziente Algorithmen und Komplexitätstheorie Algorithms for Regression and Classification Robust Regression and Genetic Association Studies Robin Nunkesser Fakultät für Informatik
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik
Mehr17. Penalty- und Barriere-Methoden
H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende
MehrKap. 4.4: B-Bäume Kap. 4.5: Dictionaries in der Praxis
Kap. 4.4: B-Bäume Kap. 4.5: Dictionaries in der Praxis Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 13./14. VO DAP2 SS 2009 2./4. Juni 2009 1 2. Übungstest
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
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
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
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
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
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
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
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 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/ws0910
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
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.
MehrLineare Optimierung/Programmplanung
Nutzen des Simplexalgorithmus J. Böhm-Rietig Vorlesung Mathematik für Wirtschaftsingenieure im Zusatzstudium Übersicht Einleitung, was und wofür?. Die Modellbildung 1.1 Heuristische, graphische Lösung
Mehr4. Kapitel 3D Engine Geometry
15.11.2007 Mathematics for 3D Game Programming & Computer Graphics 4. Kapitel 3D Engine Geometry Anne Adams & Katharina Schmitt Universität Trier Fachbereich IV Proseminar Numerik Wintersemester 2007/08
MehrPeriodische Fahrpläne und Kreise in Graphen
Periodische Fahrpläne und Kreise in Graphen Vorlesung Algorithmentechnik WS 2009/10 Dorothea Wagner Karlsruher Institut für Technologie Eisenbahnoptimierungsprozess 1 Anforderungserhebung Netzwerkentwurf
Mehr4. Relationen. Beschreibung einer binären Relation
4. Relationen Relationen spielen bei Datenbanken eine wichtige Rolle. Die meisten Datenbanksysteme sind relational. 4.1 Binäre Relationen Eine binäre Relation (Beziehung) R zwischen zwei Mengen A und B
MehrProf. Dr. J. Böhm-Rietig LO FH-Köln, Fak.10 boehm@gm.fh-koeln.de 02261/8196-120. Lineare Optimierung. Foliensammlung.
Lineare Optimierung Foliensammlung. Definition: die optimale Allokation begrenzter Resourcen auf konkurrierende Aktivitäten. Anwendungsbereiche lineare Produktionsprogrammplanung Kuppelproduktion Intensitätsplanung
MehrLineare Optimierung. (Algorithmische Diskrete Mathematik II) Skriptum zur Vorlesung im WS 2003/2004
Lineare Optimierung (Algorithmische Diskrete Mathematik II) Skriptum zur Vorlesung im WS 2003/2004 Prof. Dr. Martin Grötschel Institut für Mathematik Technische Universität Berlin Version vom 27. Februar
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
MehrLineare Algebra - alles was man wissen muß
Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
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
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
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 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
MehrAlgorithmentheorie. 13 - Maximale Flüsse
Algorithmentheorie 3 - Maximale Flüsse Prof. Dr. S. Albers Prof. Dr. Th. Ottmann . Maximale Flüsse in Netzwerken 5 3 4 7 s 0 5 9 5 9 4 3 4 5 0 3 5 5 t 8 8 Netzwerke und Flüsse N = (V,E,c) gerichtetes Netzwerk
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen
MehrFormelsammlung zur Kreisgleichung
zur Kreisgleichung Julia Wolters 6. Oktober 2008 Inhaltsverzeichnis 1 Allgemeine Kreisgleichung 2 1.1 Berechnung des Mittelpunktes und Radius am Beispiel..... 3 2 Kreis und Gerade 4 2.1 Sekanten, Tangenten,
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
MehrLineare und Ganzzahlige Programmierung
Lineare und Ganzzahlige Programmierung (Algorithmische Diskrete Mathematik II) Skriptum zur Vorlesung im WS 2009/2010 Prof. Dr. Martin Grötschel Institut für Mathematik Technische Universität Berlin Version
MehrSchöne Körper: Die Polyeder des Platon und Archimedes. Konrad Engel
: Die Polyeder des Platon und Archimedes Konrad Engel 1. Der Begriff des Polyeders (Konvexes) Polyeder: Durchschnitt von mehreren durch Ebenen begrenzten Halbräumen (Konvexes) Polytop: Beschränktes Polyeder
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
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
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
MehrDiplomprüfung. Operations Research I WS 2007/2008 (4 Punkte)
Dr. Jörg Kalcsics 11.0.008 Diplomprüfung (Wiederholungsprüfung gem. NPO) Operations Research I WS 007/008 ( Punkte) Vorbemerkung: Zugelassene Hilfsmittel: nicht programmierbarer Taschenrechner. Beginnen
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
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
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
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
MehrStatische Optimierung unter Ungleichungsrestriktionen (Kuhn-Tucker)
Kapitel 3 Statische Optimierung unter Ungleichungsrestriktionen (Kuhn-Tucker) 3.1 Einleitung/Ziel/Bedeutung/Übersicht In ökonomischen Anwendungen treten die Restriktionen häufig als Ungleichungen (statt
MehrLeitfaden Lineare Algebra: Determinanten
Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv
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
MehrTheoretische Informatik 2 (WS 2006/07) Automatentheorie und Formale Sprachen / Kontextfreie Sprachen und Kellerautomaten
Inhalt 1 Einführung 2 Automatentheorie und Formale Sprachen Grammatiken Reguläre Sprachen und endliche Automaten Kontextfreie Sprachen und Kellerautomaten Kontextsensitive und Typ 0-Sprachen 3 Berechenbarkeitstheorie
MehrTeil III: Routing - Inhalt I. Literatur. Geometric Routing. Voraussetzungen. Unit Disk Graph (UDG) Geometric Routing 29
1 29 Teil III: Routing - Inhalt I Literatur Compass & Face Routing Bounded & Adaptive Face Routing Nicht Ω(1) UDG E. Kranakis, H. Singh und Jorge Urrutia: Compass Routing on Geometric Networks. Canadian
MehrSpieltheoretische Modellierung. Nullsummenspiele
Spieltheoretische Modellierung Nullsummenspiele Definition 2.1 Unter einem Zweipersonen-Nullsummenspiel in Normalformdarstellung versteht man ein Tripel (X, Y, K), bestehend aus ) einer nichtleeren Menge
MehrBinäre lineare Optimierung mit K*BMDs p.1/42
Binäre lineare Optimierung mit K*BMDs Ralf Wimmer wimmer@informatik.uni-freiburg.de Institut für Informatik Albert-Ludwigs-Universität Freiburg Binäre lineare Optimierung mit K*BMDs p.1/42 Grundlagen Binäre
Mehr