Vorlesung Lineare Optimierung (Sommersemester 2009)
|
|
- Nele Nora Hofer
- vor 6 Jahren
- Abrufe
Transkript
1 1 Vorlesung Lineare Optimierung (Sommersemester 2009) Kapitel 7: Der Simplex-Algorithmus Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 18. Juni 2009) Gliederung 2 Ecken, Kanten, Extremalstrahlen Geometrische Beschreibung des Simplex-Algorithmus Algebraische Beschreibung des Simplex-Algorithmus Pivot-Regeln und Komplexität Der Simplex-Algorithmus im Gleichungsformat Der revidierte Simplex-Algorithmus Pivotisieren in Tableaus/Dictionaries Der duale Simplex-Algorithmus
2 Das Bild 3 [Bild: Marc Pfetsch, TU Braunschweig] Ecken 4 Erinnerung Ein Polyeder P heißt spitz, wenn lineal(p) = {O} ist. Ecken sind die minimalen Seiten eines spitzen Polyeders. Spitze Polyeder sind nicht-leer. Die Ecken eines Polyeders P sind seine null-dimensionalen (d.h. einpunktigen) Seitenflächen. Ist {v} eine Ecke von P, so nennen wir auch den Punkt v eine Ecke von P. spitz nicht spitz
3 Ecken und Lineare Optimierung 5 Folgerungen Sind P (A, b) spitz und (LP) max{ c, x : Ax b, x R n } nicht unbeschränkt, so nimmt (LP) sein Optimum in einer Ecke von P (A, b) an (Bem.6.4 und Kor. 6.31). (Eine solche optimale Ecke kann mit polynomialen Algorithmen für lineare Optimierungsprobleme in polynomialer Zeit bestimmt werden.) Ist P R n + ein Polyeder, so ist P spitz oder P =. Jedes lineare Optimierungsproblem kann in die Form gebracht werden. max{ c, x : Cx d, x R n +} Charakterisierungen von Ecken 6 Satz 7.1 Für A R m n, b R m und v P (A, b) sind folgende Aussagen paarweise äquivalent (mit Eq(v) = {i [m] : A i,, v = b i }): 1. v ist eine Ecke von P (A, b). 2. {v} = {x P (A, b) : A Eq(v), x = b Eq(v) } 3. {v} = {x R n : A Eq(v), x = b Eq(v) } 4. rang(a Eq(v), ) = n 5. Für alle x, y P (A, b) \ {v} gilt v conv{x, y}.
4 Eindimensionale Seiten spitzer Polyeder 7 Definition 7.2 Eine eindimensionale Seite F eines spitzen Polyeders P heißt eine Kante von P, wenn F beschränkt ist, und ein Extremalstrahl von P, wenn F unbeschränkt ist. Bemerkung 7.3 Sei P R n ein spitzes Polyeder. 1. Zu einer Kante E von P gibt es genau zwei Ecken v und w von P mit E = conv {v, w}; v und w heißen dann Nachbarn voneinander. 2. Zu einem Extremalstrahl R von P gibt es genau eine Ecke v von P und ein y char(p) \ {O} mit R = v + cone(y). Extremalstrahlen von polyedrischen Kegeln 8 Bemerkung 7.4 Ist K R n ein spitzer polyedrischer Kegel, so ist O n die einzige Ecke von K. Sind y (1),..., y (r) R n \ {O n } so, dass cone(y (1) ),...,cone(y (r) ) die Extremalstrahlen von K sind, so ist K = ccone{y (1),..., y (r) }. (Die Extremalstrahlen sind die minimalen echten Seiten von K.)
5 Der Radialkegel einer Ecke 9 Satz 7.5 Seien A R m n, b R m und v eine Ecke von P = P (A, b). Dann gelten für K v (P) = cone (P v) und N v (P) = (K v (P)) : 1. K v (P) = {y R n : A Eq(v), y O Eq(v) } 2. Sind w (1),..., w (s) P die Nachbarn von v in P und v + cone(y (1) ),..., v + cone(y (t) ) die Extremalstrahlen von P, deren Ecke v ist (mit y (1),... y (t) R n \ {O n }), so sind cone (w (1) v),..., cone (w (s) v), cone (y (1) ),..., cone (y (t) ) die Extremalstrahlen von K v (P). Insbesondere ist dann { N v (P) = z R n : z, w (i) z, v für alle i [s], } z, y (i) 0 für alle i [t]. Beispiel 10
6 In einer Ecke 11 Korollar 7.6 Für alle v P (A, b) und c R n gilt: v ist genau dann Optimallösung von max{ c, x : Ax b, x R n }, wenn c ccone{a i, : i Eq(v)} ist. Korollar 7.7 (Mit den Notationen aus Satz 7.5) Ist c R n, so gilt für (LP) max{ c, x : Ax b, x R n } wenigstens eine der drei Aussagen: 1. v ist Optimallösung von (LP). 2. Es gibt einen Nachbarn w (i) (i [s]) von v mit c, v < c, w (i). 3. Es gibt ein y (i) (i [t]) mit c, y (i) > 0 (also ist (LP) unbeschränkt). Der Simplex-Algorithmus (geometrisch) Eingabe: A Q m n, b Q m, c Q n, P = P (A, b) Ausgabe: Eine Optimallösung von (LP) max{ c, x : Ax b, x R n } oder die Feststellung, dass (LP) unbeschränkt ist. Annahme: Wir kennen eine Ecke v von P Finde ein y R n \ {O n }, so dass cone (y) Extremalstrahl von K v (P) ist mit c, y > 0 (Fall A) oder stelle fest, dass kein solches y existiert (Fall B). 2. Fall B: STOP ( v ist eine Optimallösung von (LP) ) 3. Fall A: Falls Ay Om (also v + cone(y) Extremalstrahl von P): STOP ( (LP) unbeschränkt ) Sonst: w = v + max{λ R+ : v + λy P (A, b)} Nachbar von v mit c, v < c, w (es gilt cone(y) = cone(w v)) Setze v w und gehe zu Schritt 1. (Endet, weil P endlich viele Ecken hat.)
7 Bemerkungen und Fragen 13 Wie führt man Schritt 1 algebraisch aus? Welchen Extremalstrahl wählt man in Schritt 1, wenn mehrere in Frage kommen? (II) Wie findet man eine Startecke? Originalproblem: (LP) max{ c, x : Ax b} Transformation in: (LP ) max{ f, z : Bz d, z O} (mit B Q m n, d Q m, f Q n ) Hilfsproblem: (AUX) max{ 1 m, s : Bz + s d, z O n, s O m } Definiere s (start) Q m via s (start) i := min{d i, 0} (i [m]) (O n, s (start) ) ist Ecke des für (AUX) zulässigen Polyeders. Simplex-Algorithmus optimale Ecke (z, s ) für (AUX). Falls s O m : (LP )/(LP) unzulässig Sonst: z Startecke für Simplex-Algorithmus für (LP ) (I) Spitze Kegel Sei A R p n so, dass K = {y R n : Ay O p } spitz ist (also rang(a) = n). Sei I [p] ( I = n) so, dass A I, regulär ist (I U-Basis) K(I ) := {y R n : A I, y O I } ist spitz mit K K(I ). Simplizialer Relaxationskegel 14 Satz von Carathéodory (Satz 2.31) Wenn c K = ccone{a 1,,... A p, }, dann gibt es I [p] mit {A i, : i I } linear unabhängig und c ccone{a i, : i I } (also c ( K(I ) ) für ein I I ).
8 15 Spitze Kegel Satz 6.27 impliziert für y R n : cone(y) ist genau dann Extremalstrahl von K(I ), wenn A I, y = αe i für ein i I und α > 0 ist. Mit y (i) = A 1 I, e i (für i I ) sind also cone (y (i) ) (i I ) die Extremalstrahlen von K(I ) ( y (i) ist Spalte i von A 1 I, ) Falls c, y (i) 0 für alle i I ( optimal ): c, y 0 für alle y K K(I ) Sonst wähle i aus I mit c, y (i aus) > 0. Setze I > := {i [p] : A i,, y (i aus) > 0} [p] \ I Falls I > = ( verbessernde Richtung ): cone(y (i aus) ) ist Extremalstrahl von K mit c, y (i aus) > 0 Sonst wähle i ein I > und setze I neu := I \ {i aus } {i ein }. A Ineu, ist regulär (A I \{iaus }, y (i aus) = O, A iein,, y (i aus) 0). 16 Bland s Regel Lemma 7.8 Sei I (0), I (1),..., I (s) eine gemäß der Regeln auf der vorigen Folie erzeugte Folge von U-Basen I (σ) [p], wobei für jedes σ {0, 1,..., s 1} mit I = I (σ) gelte: i aus = min{i I : c, y (i) > 0} (1) i ein = min(i > ) (2) I (σ + 1) = I neu Dann sind die U-Basen I (0), I (1),..., I (s) von [p] paarweise verschieden. Insbesondere: s ( p n) (beschränkt in p und n). Bemerkung 7.9 Bland s Regel (die Auswahlregeln (1) und (2)) sind eine Antwort auf Fragen (I) und (II).
9 Der Simplex-Algorithmus (algebraisch) Ecke v von P = P (A, b) und I Eq(v) mit A I, regulär (I ist eine U-Basis von v) (K v (P) = {y R n : A Eq(v), y O Eq(v) }) Berechne y (i) = A 1 I, e i (für alle i I ) 2. Falls c, y (i) 0 für alle i I : STOP ( v Optimallösung ) 3. Sonst wähle i aus {i I : c, y (i) > 0}. (W-aus) 4. Berechne I > = {i Eq(v) : A i,, y (iaus) > 0} Eq(v) \ I. 5. Falls I > : Wähle iein I >. (W-ein) Setze I I \ {iaus } {i ein } und gehe zu Sonst (y (iaus) K v (P) mit c, y (iaus) > 0): Berechne I > rest = {i [m] \ Eq(v) : A i,, y (iaus) > 0} Falls I > rest = (y (iaus) char(p)): STOP ( unbeschränkt ) Sonst berechne λi = b i A i,,v > A i, > 0 (für alle i I,y (iaus) rest) Wähle iein I rest > mit λ iein = min{λ i : i I rest}. > Ersetze v v + λiein y (iaus) und I I \ {i aus } {i ein }, gehe zu 1. Bemerkungen zur Korrektheit Für I = I \ {i aus } und I neu = I {i ein } ist A Ineu, regulär, da A I, y (i aus) = O I, aber A iein,, y (i aus) 0. λ iein > 0 und λ iein = max{λ : v + λy (i aus) P} Für w = v + λ iein y (i aus) gilt also w ist die Nachbarecke von v mit cone(w v) = cone(y (i aus ) ) Ineu Eq(w), c, w c, v = λ iein c, y (i aus) > 0 18 Satz 7.10 Der Simplex-Algorithmus stoppt nach endlich vielen Schritten mit einer korrekten Antwort, wenn man die Wahlen (W-aus) und (W-ein) stets minimal vornimmt (Bland s Regel). Es gibt Beispiele, bei denen der Algorithmus bei ungeeigneten Wahlen (W-aus) und (W-ein) nicht endet ( Zykeln). Andere zykelfreie Strategien: lexikographische Regeln Ist das Problem nicht-degeneriert (d.h., für alle Ecken v gilt Eq(v) = n), so terminiert der Simplex-Algorithmus bei jeder Wahl (W-aus); es gilt dann immer I > =.
10 Zertifikate (P) max{ c, x : Ax b} (D) min{ b, u : A T u = c, u O m } Sei I [m] eine U-Basis der Ecke v = A 1 I, b I. Also y (i) = A 1 I, e i für alle i I. { Definiere u R m c, y (i) (i I ) via u i = 0 (i [m] \ I ) Gilt: u I = (A 1 I, )T c und u [m]\i = O [m]\i Also: A T u = (A I, ) T u I = c Und: b, u = b I, u I = (A I, v, (A 1 I, )T c = v T (A I, ) T (A 1 I, )T c = v, c STOP ( v Optimallösung ): c, y (i) 0 für alle i I, also u O m, A T u = c mit b, u = c, v (Optimalitätsbeweis). STOP ( unbeschränkt ): Ay (i aus) O m, also (D) unzulässig wegen c, y (i aus) > 0 (Beweis für Unbeschränktheit von (P)). 19 Voll-dimensionale einfache Polytope 20 Sei P = P (A, b) R n ein Polytop mit dim(p) = n und: Ax b ist irredundant (genau eine Ungleichung für jede Facette von P) Jede Ecke hat eine eindeutige Basis (nicht-degeneriert), sie liegt also in genau n Facetten (d.h., P ist einfach), Sei N (v) die Menge der Nachbarn der Ecke v und F(v) die Menge der v enthaltenden Facetten. Es gibt eine Bijektion Φ : F(v) N (v), so dass jedes w N (v) die Ecke ist, zu der man über die eindeutige v enthaltende Kante kommt, die nicht in der Facette Φ(w) liegt.
11 Nicht-degenerierte LPs Nicht-Degeneriertheit kann man in der Praxis (und auch für die Theorie) durch Perturbation von b erreichen. (W-aus) ist dann die Entscheidung, mit welchem Nachbarn mit größerem Zielfunktionswert man fortfährt. Blands Regel: Gehe zu dem verbessernden Nachbarn, den man durch Verlassen der Facette mit niedrigstem Index erreicht. 21 Klee-Minty Würfel (hier: Dimension 3) Bemerkung 7.11 Selbst auf einfachen Polytopen kann der Simplex-Algorithmus mit Blands Regel exponentiell viele Schritte benötigen. Andere Pivot-Regeln 22 Regel des größten Koeffizienten: Wähle i aus so, dass c, y (i aus) maximal ist (Dantzigs Original-Regel). Regel des größten Fortschritts: Wähle einen Nachbarn w, so dass c, w > c, v maximal ist. Regel des steilsten Anstiegs: Wähle eine Kante, deren Winkel mit c minimal ist ( c,y (iaus) minimal). c y (iaus) (... ) Bemerkung 7.12 Noch nicht einmal für LPs über einfachen Polytopen ist eine Regel bekannt, die polynomiale Laufzeit garantiert. Es gibt polynomiale Average-Case Garantien (für die Schattenecken-Regel ). In der Praxis: Häufig sehr effizient (z.b. mit steilstem Anstieg)!
12 Gleichungsformat für LPs 23 Definition 7.13 Ein lineares Optimierungsproblem hat Gleichungsformat, wenn es gestellt ist als mit C Q p n, d Q p. Bemerkung 7.14 max{ c, x : Cx = d, x O n } Jedes lineare Optimierungsproblem mit s Variablen und t Nebenbedingungen kann in ein LP im Gleichungsformat (mit n 2s + t und p = t) transformiert werden (siehe Übungsblatt 1, Aufgabe 2). Basen und Basis-Lösungen 24 Definition 7.15 Seien C Q p n und d Q p (mit rang(c) = p) B [n] mit B = p heißt eine Basis von C, wenn C,B regulär ist. Eine Basis B [n] von C ist eine zulässige Basis für Cx = d, x O n, wenn C 1,B d O B ist. Für eine zulässige Basis B [n] für Cx = d, x O p heißt (x B, x N ) R n mir X N = O N und X B = C 1,Bd die zugehörige zulässige Basislösung. Beobachtung 7.16 Für C Q p n und d Q p (mit rang(c) = p) sind die zulässigen Basislösungen von Cx = d, x O p genau die Ecken des Polyeders {x R n : Cx = d, x O n }.
13 Standard U-Basen Im folgenden seien stets: C R p n mit rang(c) = p und d R p I n O n A = C R m n und b = d C d (mit m = n + 2p) R m P = {x R n : Cx = d, x O n } = P (A, b) 25 Definition 7.17 Eine Standard U-Basis einer Ecke v ist eine U-Basis I [m] von v mit {n + 1,..., m} I. Für jede Standard U-Basis I [m] gilt I [n + p]. Jede Ecke v von P besitzt eine Standard U-Basis (weil {n + 1,..., n + p} Eq(v)). Simplex-Algorithmus mit Standard U-Basen 26 Seien c R n und I [m] eine Standard U-Basis der Ecke v. Seien y (i) R n \ {O n } (i I ) wie im Simplex-Algorithmus. Für K(I ) = {y R n : A I, y O I } ist K(I ) ker(c) eine Seite von K(I ). Also K v (P) K(I ) ker(c) = ccone {y (i) : i I [n]} Daher: Falls c, y (i) 0 für alle i I [n] dann c N v (P). Beobachtung 7.18 Startet man den Simplex-Algorithmus mit einer Standard U-Basis, und beschränkt man die Überprüfung in Schritt 2 sowie die Auswahl (W-aus) von i aus in Schritt 3 auf I [n], so arbeitet der Simplex-Algorithmus weiterhin korrekt, und er verwendet ausschließlich Standard U-Basen.
14 Zulässige Basen und Standard U-Basen 27 Bemerkung 7.19 Sei v eine Ecke von P. 1. Für alle I [m] gilt: I ist genau dann eine Standard U-Basis bzgl. Ax b für v, wenn B(I ) = [n] \ N(I ) mit N(I ) = I [n] eine zulässige Basis für Cx = d, x O n mit Basislösung v ist. 2. Für alle B [n] gilt: B ist genau dann eine zulässige Basis für Cx = d, x O n mit Basislösung v, wenn I (B) = N {n + 1,..., n + p} mit N = [n] \ B eine Standard U-Basis bzgl. Ax b für v ist. Achtung: Ein q [n] ist q genau dann in der U-Basis I, wenn q nicht in der Basis B ist. Graphisch 28 I I C N B
15 Wiederholung: Der Simplex-Algorithmus (algebraisch) Ecke v von P = P (A, b) und I Eq(v) mit A I, regulär (I ist eine U-Basis von v) (K v (P) = {y R n : A Eq(v), y O Eq(v) }) Berechne y (i) = A 1 I, e i (für alle i I ) 2. Falls c, y (i) 0 für alle i I : STOP ( v Optimallösung ) 3. Sonst wähle i aus {i I : c, y (i) > 0}. (W-aus) 4. Berechne I > = {i Eq(v) : A i,, y (iaus) > 0} Eq(v) \ I. 5. Falls I > : Wähle iein I >. (W-ein) Setze I I \ {iaus } {i ein } und gehe zu Sonst (y (iaus) K v (P) mit c, y (iaus) > 0): Berechne I > rest = {i [m] \ Eq(v) : A i,, y (iaus) > 0} Falls I > rest = (y (iaus) char(p)): STOP ( unbeschränkt ) Sonst berechne λi = b i A i,,v > A i, > 0 (für alle i I,y (iaus) rest) Wähle iein I rest > mit λ iein = min{λ i : i I rest}. > Ersetze v v + λiein y (iaus) und I I \ {i aus } {i ein }, gehe zu 1. Der Simplex-Algorithmus (algebraisch, vereinfacht) 30 Ecke v von P = P (A, b) und I Eq(v) mit A I, regulär (I ist eine U-Basis von v) (K v (P) = {y R n : A Eq(v), y O Eq(v) }) 1. Berechne y (i) = A 1 I, e i (für alle i I ) 2. Falls c, y (i) 0 für alle i I : STOP ( v Optimallösung ) 3. Sonst wähle i aus {i I : c, y (i) > 0}. (W-aus) 4. Berechne K > = {k [m] \ I : A k,, y (i aus) > 0}. 5. Falls K > = (y (i aus) char(p)): STOP ( unbeschränkt ) 6. Sonst berechne λ k = b k A k,,v A k,,y (i aus) 0 (für alle k K > ) 7. Wähle k ein K > mit λ kein = min{λ k : k K > }. (W-ein) 8. Ersetze v v + λ kein y (i aus), I I \ {i aus } {k ein }, gehe zu 1.
16 Die entscheidenden Daten Sei I [m] Standard U-Basis der Ecke v mit B = [n] \ N und N = I [n]. C(B) := C 1,B C,N Q B N c(b) := c N + cb T C(B) = c N cb TC 1,B C,N Q N (reduzierte Kosten zur Basis B) d(b) := C 1,B d = v B Q B Für i I [n] = N: y (i) Lösung von A I, y = e i (i) Also y N\{i} = O N\{i}, y (i) i = 1, y (i) B = C(B),i c, y (i) = c(b) i Für k {n + 1,..., m}; Ak,, y (i) = 0; also K > [n] \ I = B Für alle k B: A k,, y (i) = y (i) k = C(B) k,i b k A k,, v = 0 + v k = d(b) k Also: λ k = d(b) k C(B) k,i 31 Simplex-Algorithmus mit Basen von Gleichungssystemen 32 Gegeben: C Q p n (rang(c) = p), d Q p, c Q n (LP) max{ c, x : Cx = d, x O n } Sei B [n] ( B = p) eine zulässige Basis, N = [n] \ B. 1. Falls c(b) O N : STOP ( ( d B, O N ) Optimallösung ) 2. Sonst wähle ein j ein N mit c jein > 0 (j ein = i aus ) 3. Falls C(B),jein O B : STOP ( unbeschränkt ) 4. Sonst wähle j aus B mit C(B) jaus,j ein < 0 und (j aus = k ein ) d(b) jaus C(B) jaus,j ein = min { d(b) k C(B) k,jein : k B, C(B) k,jein < 0 } 5. Setze B B \ {j aus } {j ein }, N [n] \ B
17 Zertifikate 33 Das zu (P) max{ c, x : Cx = d, x O n } duale Problem ist (D) min{ d, u : C T u c} Sei B [n] eine zulässige Basis für (P). Falls c(b) O N ( Optimallösung ): Definiere u = (C 1,B )T c B C T u = C T (C 1,B )T c B = (c T B (C 1,B C))T u zulässig für (D) = (c B T (I B, C 1,B C,N)) T = (c B, c N c(b)) d, u = d, (C 1,B )T c B = C 1,B d, c B = c, ( d(b), O N ) Falls C(B),jein O B ( unbeschränkt ): Für λ := ( C(B),jein, e jein ) R B R N gilt λ O n. λ T C T = (Cλ) T = (C,B C(B),jein + C,jein ) T = ( C,jein + C,jein ) T T = O p λ, c = C(B),jein, c B + c jein = c jein > 0 Also (Farkas-Lemma): (D) unzulässig Bemerkungen für die Praxis 34 Finden einer zulässigen Startbasis im Tableaux-Format (LP) max{ c, x : Cx = d, x O n } Können annehmen: d O p (Skalierung von Cx = d) Löse (AUX) max{ (O n, 1 p ), (x, s) : Cx + s = d, x O n, s O p } Startbasis für (AUX): B = {n + 1,..., n + p} [n + p] mit zugehöriger Ecke (O n, d) O n+p. Falls (AUX) negativen Optimalwert hat: (LP) unlösbar. Sonst sei B [n + p] optimale Basis für (AUX). Mit M := B {n + 1,..., n + p} ist B zulässige Startbasis für (LP ) max{ c, x : Cx = d, s = O M, x O n, s O M } Falls B [n]: M = und (LP ) gleich (LP).
18 Benötigte Daten in einer Iteration Für die Durchführung einer Iteration braucht man: Ein jein N mit c(b) jein = c N cb TC 1,B C,j ein > 0 d(b) = C 1,B d QB C(B),jein = C 1,B C,j ein Q B Generiere diese Daten nur aus C 1,B, wenn sie gebraucht werden. Für j N: Ist u(b) Q p die Lösung von (C,B ) T z = c B, so ist c(b) j = c j u(b), C,j. C(B),j ist die Lösung von (C,B ) T z = C,j. 35 d(b) ist die Lösung von (C,B ) T z = d. Hat man z.b. eine LU-Zerlegung von C,B, so kann man die Lösung von (C,B ) T z = q in O(p 2 ) Schritten bestimmen. Beim Basiswechsel B B \ {j aus } {j ein } kann man die LU-Zeregung in O(p 2 ) Schritten anpassen. revidierter Simplexalgorithmus Hinzufügen von Variablen Seien C R m (n+1) mit C,[n] = C und c R n+1 mit c [n] = c. Sei B [n] eine zulässige Basis von Cx = d, x O n. Wegen C,B = C,B ist B auch eine zulässige Basis für C x = d, x O n+1 Sind c(b) Q [n]\b und c (B) Q [n+1]\b die reduzierten Kosten von B bzgl. max{ c, x : Cx = d, x O n } bzw. max{ c, x : C x = d, x O n+1 }, so ist c (B) [n] = c(b). 36 Beobachtung 7.20 Hat man für ein lineares Optimierungsproblem (LP) im Gleichungsformat mit der Simplex-Methode eine optimale zulässige Basis B bestimmt, und fügt man dem Problem dann eine Variable hinzu, so kann man B als Startbasis für das neue Problem verwenden; alle ursprünglichen Variablen haben bzgl. B auch im neuen Problem nicht-positve reduzierte Kosten. Spaltengenerierung
19 Eine Charakterisierung von C(B), c(b), d(b) 37 Lemma 7.21 Sei B [n] eine zulässige Basis von Cx = d, x O n, N = [n] \ B, und A = {(x, ζ) R n+1 : Cx = d, c, x = ζ}. Für T R B N, t R B, g R N und γ R gilt: x B = Tx N + t und ζ = g, x N + γ für alle x A T = C(B), t = d(b), g = c(b), und γ = c B, d(b) Der Simplex-Algorithmus mittels Pivotisierens Sei B [n] ( B = p) eine zulässige Basis, N = [n] \ B. Seien T Q B N, t Q B, g R N, γ R so dass (1) x B = Tx N + t und (2) ζ = g, x N + γ für alle (x, ζ) A (siehe Lemma 7.21) gilt (also Cx = d aufgelöst nach x B und dann x B eliminiert aus ζ = c, x ) Falls g O N : STOP ( (t, O N ) Optimallösung, Wert γ ) 2. Sonst wähle ein j ein N mit g jein > 0 3. Falls T,jein O B : STOP ( unbeschränkt ) 4. Sonst wähle j aus B mit T jaus,j ein < 0 und t j aus T j aus,j ein = min { t k T k,jein : k B, T k,jein < 0 } 5. Löse die Gleichung x jaus = T jaus,, x N + t jaus in (1) nach x jein auf und setze den für x jein erhaltenen Ausdruck in die übrigen Gleichungen in (1) und in (2) ein. 6. Setze B B \ {j aus } {j ein }, N [n] \ B 7. Gehe zu Schritt 1.
20 Dual zulässige Basen (P) max{ c, x : Cx = d, x O} (D) min{ d, u : C T u c} C R p n (rang(c) = p), d R p, c R n, P ( C T, c) ist spitz u R p ist genau dann eine Ecke von P ( C T, c), wenn es I [n] gibt mit I = p, und rang( C T I, ) = p, (C T ) I, u = c I und C T [n]\i, u c [n]\i d.h., wenn es eine Basis B [n] von C gibt mit (N = [n] \ B): Definition 7.22 u = (C 1,B )T c B (C T ) N, u c N, d.h. c(b) O N Eine Basis B [n] von C (nicht notwendigerweise primal zulässig) heißt dual zulässig, wenn c(b) O N ist. Beobachtung 7.23 Die dual zulässigen Basen von C sind genau die U-Basen der Ecken von P ( C T, c). 39 Duales Optimalitätskriterium min{ d, u : u P ( C T, c)} = max{ d, u : P ( C T, c)} Sei B [n] dual zulässige Basis zur Ecke v = (C 1,B )T c B. Für i B: y (i) = (C 1,B )T e i (Extremalstrahlen des von B definierten simplizialen Relaxierungskegels in v ) Optimalitätskriterium: d, y (i) 0 (für alle i B) d, y (i) = d T (C 1,B )T e i = (C 1,B d)t e i = d(b) i 40 Beobachtung 7.24 Ist B [n] eine dual zulässige Basis mit d(b) O B (d.h., B ist auch primal zulässig), so sind (C 1,B )T c B eine duale und ( d(b), O N ) eine primale Optimallösung. Für k N, i B: (C T ) k,, y (i) = C(B) i,k Für k N: c k (C T ) k,, v = c(b) k
21 Der duale Simplex-Algorithmus 41 Umformulierung des Simplex-Algorithmus (algebraisch, vereinfacht) für max{ d, u : P ( C T, c)}. Sei B [n] eine dual zulässige Basis. 1. Falls d(b) O B : STOP ( Optimallösungen gefunden ) 2. Sonst wähle j aus {j B : d(b) j < 0}. 3. Falls C(B) jaus, O N: STOP ( (D) unbeschr., (P) unzul. ) 4. Sonst wähle j ein N mit C(B) jaus,j ein > 0 und c(b) jein C(B) j aus,j ein = min{ c(b) k C(B) j aus,k : k N, C(B) jaus,k > 0} 5. Ersetze B B \ {j aus } {j ein } und gehe zu 1. Der duale Simplex-Algorithmus mittels Pivotisierens Sei B [n] eine dual zulässige Basis, N = [n] \ B. Seien T Q B N, t Q B, g R N, γ R so dass (1) x B = Tx N + t und (2) ζ = g, x N + γ für alle (x, ζ) A (siehe Lemma 7.21) gilt (also Cx = d aufgelöst nach x B und dann x B eliminiert aus ζ = c, x ). 1. Falls t O B : STOP ( (t, O N ) und (C 1,B )T c B sind Optimallösungen für (P) bzw. (D) vom Wert γ ) 2. Sonst wähle ein j aus B mit t jaus < 0 3. Falls T jaus, O N : STOP ( (D) unbeschr., (P) unzulässig ) 4. Sonst wähle j ein N mit T jaus,j ein > 0 und g jein T j = min { g k aus,j ein T j : k N, T jaus,k > 0 } aus,k Löse die Gleichung x jaus = T jaus,, x N + t jaus in (1) nach x jein auf und setze den für x jein erhaltenen Ausdruck in die übrigen Gleichungen in (1) und in (2) ein. 6. Setze B B \ {j aus } {j ein }, N [n] \ B 7. Gehe zu Schritt 1.
22 Hinzufügen von Ungleichungen Sei B [n] eine dual zulässige Basis für (LP) max{ c, x : Cx = d, x O n } mit zugehöriger Duallösung u = (C 1,B )T c B. Angenommen, man möchte das mit der Ungleichung a, x β weiter eingeschränkte Problem lösen. (LP ) max{ c, x : C (x ) = d, x O n+1 } (der Größe (p + 1) (n + 1) mit C [p], = (C, O p ), C p+1, = (a, 1), d [p] = d, d p+1 = β, c = (c, 0)) B {p + 1} ist dual zulässig für (LP ) mit zugehöriger Duallösung (u, 0). 43 Beobachtung 7.25 Hat man ein Optimallösung eines linearen Optimierungsproblems (LP) mit der Simplex-Methode berechnet, so kann man die zugehörige Basis als duale Startbasis für ein Problem verwenden, das entsteht, wenn man zu (LP) eine Ungleichung hinzufügt. Dualer Start für einen Spezialfall Für A Q m n, b Q m, c Q n und c O n : 44 min{ c, x : Ax b, x O n } Äquivalent (bis auf Multiplikation mit 1): max{ c, x : Ax b, x O n } mit c = c O n Gleichungsformat: max{ (c, O m ), (x, s) : Ax + s = b, x O n, s O m } Dual zulässige Basis: B = {n + 1,..., n + m} [n + m] mit zugehöriger Duallösung O n+m (gültig wegen O n c).
23 Dualer Simplex-Algorithmus graphisch 45
Vorlesung Lineare Optimierung (Sommersemester 2010)
1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 6: Die Geometrie der Linearen Optimierung Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Juni 2010) Gliederung 2 Das
MehrOptimierung. Optimierung. Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus Fabian Kuhn
Optimierung Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus 1 Resource Allocation Beispiel aus Vorlesung 6 Primales LP: Duales LP: max 3 4 2 2 4 2 8 3 6 0, 0, 0 min 4 8 6 2 3 3 4 2 2 0, 0,
MehrVORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)
VORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 53 Wiederholung! Basis-Startlösung berechnet! Künstliche Variablen! Erkennung von unlösbaren Problemen! Eliminierung
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
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
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
MehrKombinatorische Optimierung
Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales
MehrVORLESUNG 11 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)
VORLESUNG Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 3 Wiederholung! Lineare Programme häufig geeignete Modellierung von Optimierungsproblemen! Verschiedene Darstellungen sind
MehrOperations Research. Ganzzahlige lineare Programme. ganzzahlige lineare Programme. Ganzzahlige lineare Programme. Rainer Schrader. 25.
Operations Research Rainer Schrader Ganzzahlige lineare Programme Zentrum für Angewandte Informatik Köln 25. Juni 2007 1 / 49 2 / 49 Ganzzahlige lineare Programme Gliederung ganzzahlige lineare Programme
MehrDualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
MehrGrundlagen der Optimierung. Übung 6
Technische Universität Chemnitz Chemnitz, 2. November 24 Prof. Dr. R. Herzog, J. Blechschmidt, A. Schäfer Abgabe am 28. November 24 Grundlagen der Optimierung Übung 6 Aufgabe 2: Verschiedene Verfahren
MehrOptimierung. Vorlesung 04
Optimierung Vorlesung 04 Übungsbetrieb Mangels Teilnehmer keine Dienstagsübung mehr. Prüfung laut Paul: Di, 10. Feb. 2015 00:01-23:59 2 Was bisher geschah LP: Maximiere c T x unter Ax = b, x 0. Basis:
MehrÜbung 3, Simplex-Algorithmus
Übung 3, 21.6.2011 Simplex-Algorithmus Aufgabe 3.1 Lösen Sie das folgende Optimierungsproblem (von Aufgabe 2.3) graphisch. Substituieren Sie dazu z = 5 y um ein 2-dimensionales Problem zu erhalten. Rechnung
MehrComputer Science Department - High Performance and Web Computing Group. Optimierungsprobleme
Optimierungsprobleme Häufig in Alltagssituationen anzutreffen (z.b. Kauf eines Gerätes) Optimierungsprobleme (OPs) sind Probleme, die i.a. viele zulässige Lösungen besitzen Jeder Lösung ist ein bestimmter
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
MehrKap. 4.3: Das Dualitätstheorem der linearen Optimierung
Kap. 4.3: Das Dualitätstheorem der linearen Optimierung Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 18. VO A&D WS 08/09 18.12.2008 1 Literatur
MehrOptimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung
Optimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung Dr. Nico Düvelmeyer Freitag, 24. Juni 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Dualität Motivation Duales LP Dualitätssätze
Mehr6 Korrektheit des Simplexalgorithmus
6 Korrektheit des Simplexalgorithmus Folgerung: Es sei L: Ax = b, c T x max LP und A B nicht-degenerierte PZB von L und es gebe c r := c r c B A B A r > 0 a) Falls a r := A B a r 0, dann L unbeschränkt
MehrKap. 4: Lineare Programmierung
Kap. 4: Lineare Programmierung Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 13./14. VO A&D WS 08/09 27.11./2.12.2008 Petra Mutzel Alg. & Dat.
MehrGanzzahlige lineare Programme
KAPITEL 5 Ganzzahlige lineare Programme Wir betrachten nun Optimierungsprobleme vom Typ (42) min c T x s.d. Ax = b, x 0, x ganzzahlig, wobei die Matrix A R m n und die Vektoren c R n, b R m gegeben seien.
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
MehrEigenschaften von LPs
2 Lineare Programmierung Eigenschaften von LPs Eigenschaften von LPs Definition 24 Eine Menge K IR n heißt konvex gdw für je zwei Punkte Punkte x (1) K und x (2) K auch jeder Punkt mit 0 λ 1 zu K gehört
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS2010/11 1 / 1 Teil IV Konvexe und ganzzahlige Optimierung Vorlesung 11 IV Konvexe und ganzzahlige Optimierung 2 / 34 Inhaltsübersicht 29Lineare Optimierung
MehrKap. 4.2: Simplex- Algorithmus
Kap. 4.: Simplex- Algorithmus Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS Fakultät für Informatik, TU Dortmund Literatur für diese VO V. Chvatal: Linear Programming D. ertsimas:
MehrDie duale Simplexmethode
Kapitel 0 Die duale Simplexmethode Bei der dualen Simplexmethode ist eine Startlösung oftmals leichter angebbar als bei der Simplexmethode für das ursprüngliche lineare Programm, da man keine Nichtnegativitätsanforderungen
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Dualität Anwendung: Spieltheorie Komplementarität und Sensitivitätsanalyse Spaltengenerierung Schnittebenenverfahren Welchen Simplex wann? Inhaltsübersicht für heute: Dualität
MehrTeil I. Lineare Optimierung
Teil I Lineare Optimierung 5 Kapitel 1 Grundlagen Definition 1.1 Lineares Optimierungsproblem, lineares Programm. Eine Aufgabenstellung wird lineares Optimierungsproblem oder lineares Programm genannt,
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
MehrH. Meyerhenke: Kombinatorische Optimierung. Paralleles Rechnen, Institut für Theoretische Informatik, Fakultät für Informatik
VORLESUNG 13 Smoothed Analysis des Simplex-Algorithmus Nach Heiko Röglin, Universität Bonn, Vorlesungsskript Introduction to Smoothed Analysis vom 9. Januar 2012 78 Wiederholung Simplex-Algorithmus! Korrektheit:!
MehrMinimumproblem. Definition 4.7. Ein LP der Form. unter den Nebenbedingungen. d ij x j b i (i =1,...,m)
Minimumproblem Definition 4.7 Ein LP der Form nx Minimiere Z = c j x j j=1 unter den Nebenbedingungen nx d ij x j b i (i =1,...,m) j=1 und den Vorzeichenbedingungen x j 0(j =1,...,n) heißt Minimumproblem.
MehrInnere-Punkt-Methoden
Innere-Punkt-Methoden Johannes Stemick 26.01.2010 Johannes Stemick () Innere-Punkt-Methoden 26.01.2010 1 / 28 Übersicht 1 Lineare Optimierung 2 Innere-Punkt-Methoden Path-following methods Potential reduction
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
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
MehrGEOMETRIE DER POLYEDER
GEOMETRIE DER POLYEDER Das Polyeder P sei gegeben durch P = x R n Ax b. Definition. (i) Die Hyperebene H = x R n c T x = d,c, heißt Stützhyperebene von P, falls die Ungleichungc T x d redundant ist bzgl.
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
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
MehrInsbesondere sind nach dieser Definition also auch die leere Menge und einpunktige Teilmengen konvex.
Konvexe Mengen 2 Wie am Ende des vorigen Kapitels bereits erwähnt, ist die notwendige Gradientenbedingung aus Satz 1.4.6 für konvexe Zielfunktionen auch hinreichend. Diese Tatsache mag als erste Motivation
MehrKapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel:
Kapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel: Eine Firma produziert die Produkte P 1, P 2,..., P q aus den Rohstoffen R 1, R 2,..., R m. Dabei stehen b j Einheiten
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
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
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)
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
Mehr8. Konvexe Polytope. Tobias Boelter. Mittwoch, 5. März TopMath Frühlingsschule
1 / 31 8. Konvexe Tobias Boelter TopMath Frühlingsschule Mittwoch, 5. März 2014 2 / 31 Es können auch nicht konvexe untersucht werden, wir beschränken uns hier aber auf konvexe. Mit einem Polytop ist hier
Mehrmit. Wir definieren (Skalarprodukt = Winkel).
1 Grundidee des Simplexverfahrens (von George Dantzig): Man bestimmt eine beliebige Ecke (Extremalpunkt) einer Lösungsmenge eines Ungleichungssystems. Nun geht man an den Kanten vom Punkt entlang und kontrolliert
MehrEffiziente Algorithmen Lineares Programmieren 216. Schwache Dualität
Effiziente Algorithmen Lineares Programmieren 216 Schwache Dualität Sei wieder z = max{ c T x Ax b, x 0 } (P ) und w = min{ b T u A T u c, u 0 }. (D) x ist primal zulässig, wenn x { x Ax b, x 0 }. u ist
MehrVorlesung Wirtschaftsmathematik I WS 2007/2008, Wirtschaftingenieurwesen. Kapitel IV: Grundlagen der Linearen Optimierung
Vorlesung Wirtschaftsmathematik I WS 2007/2008, Wirtschaftingenieurwesen Kapitel IV: Grundlagen der Linearen Optimierung Inhaltsverzeichnis Abschnitt 3-5 3 Der Simplexalgorithmus 58 3.1 Grundlagen..............................
MehrKonvexe Optimierungsprobleme
von: Veronika Kühl 1 Konvexe Optimierungsprobleme Betrachtet werden Probleme der Form (P) min x C f(x) wobei f : C R eine auf C konvexe, aber nicht notwendigerweise differenzierbare Funktion ist. Ziel
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 17. Januar 2012 INSTITUT FÜR THEORETISCHE 0 KIT 18.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
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
MehrTechnische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 1: Facetten des Knapsack-Polytops
Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis Barbara Wilhelm Michael Ritter Station 1: Facetten des Knapsack-Polytops Diskutieren Sie folgende Fragen
MehrProseminar Lineare Algebra WS 08/09 Prof. Dr. O. Bogopolski 1. Vortrag: Lineare Gleichungen. am 11. März von Maximilian Wahner
Proseminar Lineare Algebra WS 08/09 Prof. Dr. O. Bogopolski 1 Vortrag: Lineare Gleichungen am 11. März 2009 von Maximilian Wahner Technische Universität Dortmund Fakultät für Mathematik Proseminar Lineare
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 7 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 200 Prof. Dr. Klaus Höllig (IMNG)
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,
Mehrλ i x i λ i 0, x i X, nur endlich viele λ i 0}.
jobname LinOpt Sommer Aufgabe a) Sei X R n. Dann ist b) Cone X = { x i X λ i x i λ i, x i X, nur endlich viele λ i }. x Cone S = Lin S x Lin S = Cone S. Also gibt es nicht-negative Koeffizienten µ i von
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
MehrOperations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung.
Operations Research Rainer Schrader Flüsse in Netzwerken Zentrum für Angewandte Informatik Köln 2. Juli 2007 1 / 53 2 / 53 Flüsse in Netzwerken Unimodularität Gliederung Netzwerke und Flüsse bipartite
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik
Lösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik 1142KWL09 Aufgabe 1. Zeigen Sie, dass für alle n 2 gilt: n paarweise verschiedene Geraden im R 2 schneiden sich untereinander
Mehr1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme. Duales Problem. a i u i + i=1. j=1
1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme Duales Problem Lemma 1.4. Das zum Transportproblem duale Problem lautet: max unter den Nebenbedingungen m a i u i + i=1
MehrStandard-/kanonische Form Simplex Dualität Kompl./Sensitivität Spaltengen. Schnittebenen Welchen? Inhalt
Inhalt Lineare Optimierung Standardform und kanonische Form Der Simplex-Algorithmus Dualität Komplementarität und Sensitivitätsanalyse Spaltengenerierung Schnittebenenverfahren Welchen Simplex wann? 54:
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
MehrLineare Programmierung (2)
Inhalt Rückblick Motivation - linearen Programmierung Flussprobleme Multiple Warenflüsse Fortsetzung Simplex Algorithmus Initialisierung Fundamentalsatz der linearen Programmierung schwache Dualität Dualität
MehrLineares Programmieren
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.05.2011 Nachtrag Art Gallery Problem Lässt sich der Triangulierungs-Algorithmus
MehrAufgaben zu Kapitel 23
Aufgaben zu Kapitel 23 Aufgaben zu Kapitel 23 Verständnisfragen Aufgabe 23 Bestimmen Sie grafisch die optimale Lösung x der Zielfunktion z = c T x unter den Nebenbedingungen mit dem Zielfunktionsvektor
Mehr3.1. Existenzsatz und Struktur der Lösungsmenge
3. EXISTENZ UND DUALITÄT 3.1. Existenzsatz und Struktur der Lösungsmenge Nach dem Satz von Weierstraß besitzt eine lineare Funktion auf einem Polytop stets ein Minimum und ein Maximum. Im allgemeinen Fall
MehrDie duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme
Kapitel 11 Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme Wir betrachten folgendes Optimierungsproblem z = c T x min! Ax = b (11.1) (11.2) x j ganz für j = 1,..., n 1 n, (11.3)
MehrMathematische Methoden der Algorithmik
Mathematische Methoden der Algorithmik Dozent: Prof. Dr. Sándor P. Fekete Assistent: Nils Schweer Digitalisierung: Winfried Hellmann Wintersemester 2008/2009 Inhaltsverzeichnis 2 1 Einführung Problem 1.1
MehrNash-Gleichgewichte in 2-Spieler Systemen. Katharina Klost Freie Universität Berlin
Nash-Gleichgewichte in 2-Spieler Systemen Katharina Klost Freie Universität Berlin Seminar über Algorithmen, 29.10.2013 Grundlegende Definitionen A Gewinnmatrix für Spieler 1, B Gewinnmatrix für Spieler
MehrKlausurrepetitorium ABWL
Klausurrepetitorium ABWL Planungs- und Südwestfälische Industrie- und Handelskammer 9. August 5 Dr. Friedhelm Kulmann, Sandra Rudolph 9.8.5 Gliederung. Nichtlineare Optimierungsprobleme.. Quadratisches
Mehr2.11 Eigenwerte und Diagonalisierbarkeit
2.11. EIGENWERTE UND DIAGONALISIERBARKEIT 127 Die Determinante eines Endomorphismus Wir geben uns jetzt einen endlichen erzeugten K-Vektorraum V und einen Endomorphismus ϕ : V V vor. Wir wollen die Determinante
Mehr6. Normale Abbildungen
SKALARPRODUKE 1 6 Normale Abbildungen 61 Erinnerung Sei V ein n-dimensionaler prä-hilbertraum, also ein n-dimensionaler Vektorraum über K (R oder C) versehen auch mit einer Skalarprodukt, ra K Die euklidische
Mehr3 Systeme linearer Gleichungen
3 Systeme linearer Gleichungen Wir wenden uns nun dem Problem der Lösung linearer Gleichungssysteme zu. Beispiel 3.1: Wir betrachten etwa das folgende System linearer Gleichungen: y + 2z = 1 (1) x 2y +
MehrGeometrische Interpretation
Geometrische Interpretation Stefanie Riedel 10. Mai 2010 1 Starke und schwache Dualität über Wertemengen Wir betrachten eine einfache geometrische Interpretation dualer Funktionen aus der Menge G: G =
MehrÜbungen zur Linearen Optimierung Sommersemester 2011. Übungsblatt 1
Universität Heidelberg Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Graduiertenschule HGS MathComp Dr. Stefan Körkel Magdalena Gottfried Übungen zur Linearen Optimierung Sommersemester 2011
Mehr6 Lineare Gleichungssysteme
6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α
MehrOperations Research. Konvexe Funktionen. konvexe Funktionen. konvexe Funktionen. Rainer Schrader. 4. Juni Gliederung
Operations Research Rainer Schrader Konvexe Funktionen Zentrum für Angewandte Informatik Köln 4. Juni 2007 1 / 84 2 / 84 wir haben uns bereits mit linearen Optimierungsproblemen beschäftigt wir werden
MehrSchnittebenenverfahren für das symmetrische
Schnittebenenverfahren für das symmetrische TSP Sebastian Peetz Mathematisches Institut Universität Bayreuth 19. Januar 2007 / Blockseminar Ganzzahlige Optimierung, Bayreuth Gliederung 1 Das symmetrische
MehrDifferentialgleichungen und Hilberträume Sommersemester 2014 Übungsblatt 11
Institut für Analysis Prof. Dr. Wolfgang Reichel Dipl.-Math. Anton Verbitsky Aufgabe 1 Differentialgleichungen und Hilberträume Sommersemester 14 Übungsblatt 11 5 Punkte In dieser Aufgabe geht es um die
MehrOptimierung. R. Verfürth
Optimierung für Elektro- und Informationstechniker Vorlesungsskriptum SS 207 R. Verfürth Fakultät für Mathematik, Ruhr-Universität Bochum Inhaltsverzeichnis Einleitung 5 Kapitel I. Grundlagen I.. Problemstellung
Mehr3.2.5 Dualität der linearen Optimierung I
3..5 Dualität der linearen Optimierung I Jedem linearen Programm in Standardform kann ein sogenanntes duales Programm zugeordnet werden. Es entsteht dadurch, daß man von einem Minimierungsproblem zu einem
MehrKapitel V. Affine Geometrie
Kapitel V Affine Geometrie 1 Affine Räume Betrachte ein lineares Gleichungssystem Γ : 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 x 1 + a m2 x 2 + + a mn x n = b
Mehrz = c T x : Ax = b, x 0 }, - die Darstellung der Nichtbasisvektoren durch die Basis ist
Kapitel 5 Die Simplexmethode Es werden folgende Bezeichnungen verwendet: - das untersuchte Problem ist min x R n { z = c T x : Ax = b, x 0 }, - die erste zulässige Basislösung sei x = x 1, x 2,, x m, 0,,
Mehr4.4 Quadratische Optimierungsprobleme
4.4 Quadratische Optimierungsprobleme 1. Quadratische Programme (QP) 1 2 xt P x + q T x + r s.t. Gx h (4.34) wobei P S n +, G R (m n) und A R (p n) Zielfunktion (ZF) ist (konvex) quadratisch Nebenbedingungen
MehrDas Lagrange-duale Problem
Das Lagrange-duale Problem Tobias Kulke 29. April 2010 1 Einführung Für jedes Paar (λ, ν) mit λ 0 liefert die Langrange-duale Funktion ( ) p g(λ, ν) = inf L(x, λ, ν) = inf f 0 (x) + λ i f i (x) + ν i h
MehrLineare Programmierung Teil I
Seminar über Algorithmen Prof. Dr. Helmut Alt Lineare Programmierung Teil I Lena Schlipf, Benjamin Jankovic Lena Schlipf, Benjamin Jankovic Seminar über Algorithmen SS05 1 Struktur des Vortrags 1. Was
MehrDie lineare Programmierung. Die Standardform 1 / 56
Die lineare Programmierung Die Standardform 1 / 56 Die Standardform der linearen Programmierung - Für n reellwertige, nichtnegative Variablen x 1 0,..., x n 0 erfülle die m linearen Gleichungen n a ij
MehrLineare Abbildungen und Matrizen
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 31. Mai 2016 Stefan Ruzika 9: Lineare Abbildungen und Matrizen 31. Mai 2016 1 / 16 Gliederung 1 Schulstoff 2 Körper 3 Vektorräume
MehrLineare Programmierung
Übung Algorithmische Geometrie Lineare Programmierung LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 14.05.2014 Übersicht Übungsblatt 4 Lineares
MehrDie Lösung linearer Gleichungssysteme
Die Lösung linearer Gleichungssysteme Lineare Algebra I Kapitel 6 6 Mai 22 Logistik Dozent: Olga Holtz, MA 378, Sprechstunden Freitag 4-6 Webseite: wwwmathtu-berlinde/ holtz Email: holtz@mathtu-berlinde
Mehr4 Lineare Optimierung
4 Lineare Optimierung In diesem Kapitel werden wir uns mit effizienten Verfahren im Bereich der linearen Optimierung beschäftigen. 4.1 Einführung Als Einführung betrachten wir das Beispiel einer Erdölraffinerie.
MehrEine Einführung in die algebraische D-Modultheorie
Eine Einführung in die algebraische D-Modultheorie Daniel Andres 4. November 2010 Übersicht 2 / 27 1 Die Weylalgebra 2 G-Algebren und Gröbnerbasen 3 Der s-parametrische Annihilator 4 Schnitte von Ideal
Mehr12 Lineare Algebra - Übersicht. Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen
12 Lineare Algebra - Übersicht Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen Unterräume Sei X ein Vektorraum über Ã. Eine Teilmenge M X heißt Unterraum von X, wenn
Mehr1 Zum Aufwärmen. 1.1 Notationen. 1.2 Lineare Abbildungen und Matrizen. 1.3 Darstellungsmatrizen
1 Zum Aufwärmen 1.1 Notationen In diesem Teil der Vorlesung bezeichnen wir Körper mit K, Matrizen mit Buchstaben A,B,..., Vektoren mit u,v,w,... und Skalare mit λ,µ,... Die Menge der m n Matrizen bezeichnen
MehrReguläre Sprachen. R. Stiebe: Theoretische Informatik für ING-IF und Lehrer,
Reguläre Sprachen Reguläre Sprachen (Typ-3-Sprachen) haben große Bedeutung in Textverarbeitung und Programmierung (z.b. lexikalische Analyse) besitzen für viele Entscheidungsprobleme effiziente Algorithmen
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
Mehr3 Polytope. 3.1 Polyeder
28 3 Polytope 3.1 Polyeder Polytope in der Ebene und im Raum standen neben Kreis und Kugel schon während der griechischen Antike im Mittelpunkt des mathematischen (und philosophischen) Interesses. Durch
MehrSeminar Ausgewählte Kapitel des Operations Research Die Allgegenwärtigkeit von Lagrange (Teil 1)
Seminar Ausgewählte Kapitel des Operations Research Die Allgegenwärtigkeit von Lagrange (Teil 1) Anna Raaz 21.12.2007 Einführung Die Relaxierung von Lagrange wird in der stochastischen Optimierung meistens
MehrTeil 5: Lineare Programmierung. (Blum, Kapitel 8)
Teil 5: Lineare Programmierung (Blum, Kapitel 8) Was sind Optimierungsprobleme? Eingabe: Menge F von zulässigen Lösungen. Zielfunktion z:f R. Aufgabe: Finde x F, so dass x F : z(x) z(x ). (für Minimierungsprobleme)
MehrKAPITEL 3. Konvexe Funktionen
KAPITEL 3 Konvexe Funktionen Sei F R n ein Definitionsbereich und f : F R eine Funktion. Unter dem Epigraphen von f versteht man die Menge epif = {(x, z) R n+1 x F, z R, z f(x)}. Man nennt f konvex, wenn
MehrWiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
Mehr