OPERATIONS-RESEARCH (OR)

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "OPERATIONS-RESEARCH (OR)"

Transkript

1 OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen: Unternehmensforschung, Optimalplanung, Management Science, Decision Analysis, Quantitative Analysis for Business. Unternehmensbereiche, in denen OR-Problemstellungen auftreten: Produktionsplanung, Logistik, Lagerhaltung, Gerätewartung, Projektplanung und abwicklung usw. Zu optimierende wirtschaftlichen Größen: Kosten, Gewinne, Zeitaufwand, Arbeitsaufwand und Verbrauch von Ressourcen jeglicher Art. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 1

2 Die mathematischen Methoden und Modelle Viele Methoden stellen reine mathematische Disziplinen dar und lassen apriori keinen Bezug zum unternehmerischen Anwendungsbereich erkennen. Dazu zählen vor allem die lineare Optimierung, die nichtlineare Optimierung, die ganzzahlige Optimierung, die Spieltheorie, die Simulation, die Graphentheorie und die Netzplantechnik. Andere Methoden wie z.b. die Warteschlangentheorie und die Lagerhaltungstheorie tragen in ihren Bezeichnungen noch das konkrete Anwendungsgebiet, in dem sie entstanden sind. Von den genannten OR-Gebieten werden in dieser Vorlesung die Grundlagen der folgenden behandelt werden, sofern dies zeitlich möglich ist: Lineare Optimierung Ganzahlige Optimierung Nichtlineare Optimierung Transportaufgaben Lagerhaltungsmodelle Warteschlangenmodelle Netzplantechnik E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 2

3 I. Lineare Optimierung 1. Das Standardproblem der linearen Optimierung 2. Beispiele mit graphischer Darstellung 3. Das Standard-LOP mit Nebenbedingungen in Gleichungsform 4. Lösungen und Basislösungen von Ax + y = b, Basistausch 5. Basistausch bei vorzeichenbeschränkten Variablen 6. Die Berücksichtigung der Zielfunktion beim Basistausch 7. Der Simplex-Algorithmus 8. Die Algorithmische Durchführung 9. Die 2-Phasenmethode 10. Variablen ohne Vorzeichenbeschränkung 11. Dualität 12. Dualität bei gemischten Nebenbedingungen und freien Variablen 13. Weitere Sätze zur Dualität 14. Komplexität E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 3

4 I. Lineare Optimierung 1. Das Standardproblem der linearen Optimierung Gegeben a) Eine lineare Funktion, die sogenannte Zielfunktion F(x 1,x 2,...,x n ) = c 1 x 1 + c 2 x c n x n wobei die Koeffizienten c i beliebige relle Zahlen sind. b) Nebenbedingungen, bestehend aus m Ungleichungen a 11 x 1 + a 12 x a 1n x n b 1 a 21 x 1 + a 22 x a 2n x n b a m1 x 1 + a m2 x a mn x n b m, wobei für die rechten Seiten b i 0 gilt und die a ij beliebig sind, und Vorzeichenbeschränkungen x j 0 für j = 1,2,...,n. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 4

5 Gesucht Werte der Variablen x 1, x 2,..., x n, welche die Nebenbedingungen (Ungleichungen und Vorzeichenbeschränkungen) erfüllen und für welche die Zielfunktion einen maximalen Wert annimmt. Aufgabenstellung in Vektor- und Matrix-Schreibweise Maximiere F = c T x unter Ax b und x 0 wobei b 0 gilt. Bezeichnungen Menge der zulässigen Punkte: alle Vektoren x mit Ax b und x 0 nicht zulässige Punkte: alle Vektoren x, für die eine der Nebenbedingungen nicht erfüllt ist Lösungen des LOPs oder optimale Lösungen: zulässige Punkte x*, für die F(x*) F(x) für alle zulässigen x gilt E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 5

6 Bemerkungen x =(0, 0,..., 0) ist immer ein zulässiger Punkt des Standard-LOP, weil damit Ax = 0 gilt und 0 b vorausgesetzt wurde Ein Lineares Optimierungs-Problem (LOP) kann auch in anderer Form auftreten, z.b. - mit Minimierung von F statt Maximierung - oder mit Ax = b statt Ax b - oder ohne die Vorzeichenbeschränkungen x 0 - oder ohne die Voraussetzung b 0 u.s.w Jedes LOP kann mit mehr oder weniger Aufwand auf das Standard- LOP zurückgeführt werden. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 6

7 2. Beispiele mit graphischer Darstellung Beispiel 1 Maximiere F(x 1, x 2 ) = 5 x x 2 unter 6x 1 + 3x x 1 - x 2 6 -x 1 + 4x 2 8 und x 1, x 2 0 Dimensionen, Vektor- und Matrixkomponenten für dieses Beispiel: m=3, n=2; x T = (x 1, x 2 ), c T = (c 1, c 2 ) = (5, 4) a 11 a b 1 12 A = a 21 a 22 = 4-1 b = b 2 = 6 a 31 a b 3 8 E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 7

8 5x 1 + 4x 2 = x 2 6x 1 + 3x 2 = 12 5x 1 + 4x 2 = 4 - x 1 + 4x 2 = 8 5x 1 + 4x 2 =0 Menge der 4x 1 - x 2 = 6 zulässigen Punkte 0 x 1 An der graphischen Darstellung liest man ab: a) Die Menge der zulässigen Punkte ist konvex und beschränkt b) Die optimale Lösung wird in einer Ecke angenommen E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 8

9 Beispiel 2 Maximiere F(x 1, x 2 ) = 5 x x 2 unter 4x 1-20x 2 6 -x 1 + 4x 2 8 und x 1, x 2 0 Dimensionen, Vektor- und Matrixkomponenten für dieses Beispiel: m=2, n=2; x T = (x 1, x 2 ), c T = (c 1, c 2 ) = (5, 4) a 11 a b 1 6 A = = b = = a 21 a b 2 8 E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 9

10 x 2 5x 1 + 4x 2 = 40 5x 1 + 4x 2 = 4 - x 1 + 4x 2 = 8 5x 1 + 4x 2 =0 Menge der zulässigen Punkte 4x 1-20x 2 = 6 0 x 1 An der graphischen Darstellung liest man ab: a) Die Menge der zulässigen Punkte ist konvex und unbeschränkt. b) Die Zielfunktion ist unbeschränkt. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 10

11 Beispiel 3 Maximiere F(x 1, x 2 ) = - 5 x 1 + 5x 2 unter 4x 1-20x 2 6 -x 1 + 4x 2 8 und x 1, x 2 0 Dimensionen, Vektor- und Matrixkomponenten für dieses Beispiel: m=2, n=2; x T = (x 1, x 2 ), c T = (c 1, c 2 ) = (-5, 5) a 11 a b 1 6 A = = b = = a 21 a b 2 8 E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 11

12 x 2 - x 1 + 4x 2 = 8-5x 1 + 5x 2 = 10 Menge der zulässigen Punkte 4x 1-20x 2 = 6-5x 1 + 5x 2 = 0 0 x 1 An der graphischen Darstellung liest man ab: a) Die Menge der zulässigen Punkte ist konvex und unbeschränkt. b) Die Zielfunktion ist beschränkt. Die optimale Lösung wird in einer Ecke angenommen. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 12

13 Fazit aus den 3 Beispielen Die Menge der zulässigen Punkte eines LOP ist eine konvexe Menge, die beschränkt oder unbeschränkt sein kann. Auch wenn die Menge der zulässigen Punkte unbeschränkt ist, kann die Zielfunktion trotzdem beschränkt sein und damit das LOP eine optimale Lösung besitzen. Falls das LOP eine einzige optimale Lösung besitzt, dann ist dies ein Eckpunkt. Besitzt das LOP mehrere optimale Lösungen, dann ist mindestens eine davon eine Ecke und die Menge aller optimalen Lösungen ist eine konvexe Menge. Ansatz für einen Algorithmus zur Bestimmung einer optimalen Lösung: Berechne alle Eckpunkte (z.b. als Schnittpunkte von je zwei Geraden) und suche die Ecke mit dem größten Wert der Zielfunktion aus. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 13

14 3. Das Standard-LOP mit Gleichungen als Nebenbedingungen Beispiel mit Ungleichungen als Nebenbedingungen (m=3, n=2) 6x 1 + 3x x 1 - x 2 6 -x 1 + 4x 2 8 und x 1, x 2 0 Jedem 2-dimensionalen Punkt x T = (x 1, x 2 ), der diese Nebenbedingungen erfüllt, entspricht ein 5-dimensionaler Punkt x T = (x 1, x 2, x 3, x 4, x 5 ) der die folgenden Nebenbedingungen erfüllt 6x 1 + 3x 2 + x 3 = 12 4x 1 - x 2 + x 4 = 6 -x 1 + 4x 2 + x 5 = 8 und x 1, x 2, x 3, x 4, x 5 0 und umgekehrt. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 14

15 Folgerung: Das LOP Maximiere F(x 1, x 2 ) = 5 x x 2 unter 6x 1 + 3x x 1 - x 2 6 -x 1 + 4x 2 8 mit x 1, x 2 0 ist gleichwertig mit dem LOP Maximiere F(x 1, x 2 ) = 5 x x 2 unter 6x 1 + 3x 2 + x 3 = 12 4x 1 - x 2 + x 4 = 6 -x 1 + 4x 2 + x 5 = 8 mit x 1, x 2, x 3, x 4, x 5 0 Unterscheide Problemvariablen x 1, x 2 und Schlupfvariablen x 3, x 4, x 5. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 15

16 Matrix-Schreibweise und allgemeine Betrachtung LOP mit Ungleichungen: Maximiere F = c T x unter Ax b und x 0 wobei b 0 gilt. LOP mit Gleichungen: Maximiere F = c T x unter Ax + y = b, x 0 und y 0 wobei b 0 gilt, und y die Komponenten y T = (y 1, y 2,..., y m ) = (x n+1, x n+2,..., x n+m ) hat. Die beiden LO-Probleme sind gleichwertig. Das ergibt sich daraus, dass aus der Aussage Ax b die Aussage y = b - Ax 0 folgt und umgekehrt. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 16

17 4. Lösungen und Basislösungen von Ax + y = b, Basistausch Betrachte die Nebenbedingungen unseres Beispiels in der Form: 6x 1 + 3x 2 + x 3 = 12 4x 1 - x 2 + x 4 = 6 -x 1 + 4x 2 + x 5 = 8 Das ist ein System mit 3 Gleichungen für 5 Unbekannte. Man sagt, das System sei in einer kanonischen Form, da die Matrix A = die kanonische Basis des 3-dimensionalen Raums enthält. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 17

18 Hinsichtlich der Lösungen des Systems stellen wir fest: Es gibt 2 Freiheitsgrade, z.b. kann man x 1 und x 2 beliebig vorgeben, dann sind x 3, x 4 und x 5 eindeutig bestimmt. Der Spezialfall x 1=0 und x 2=0 Dann ist x T = (0, 0, 12, 6, 8) eine Lösung des Gleichungssystems. Sie heißt Basislösung, x 3, x 4 und x 5 heißen Basisvariablen. Unter dem Gesichtspunkt der Suche nach Lösungen des Gleichungssystems mit vorzeichenbeschränkten Variablen x i 0 ist x T auch eine zulässige Basislösung. Man stellt auch fest, dass x T der Ecke (x 1, x 2 ) = (0, 0) in der graphischen Darstellung entspricht. Verallgemeinernd kann man den Satz formulieren: Eine zulässige Basislösungen der Nebenbedingungen des Standard-LOPs in Gleichungsform entspricht einer Ecke der zulässigen Punktmenge. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 18

19 Bestimmung einer weiteren Basislösungen Ausgangssituation: 6x 1 + 3x 2 + x 3 = 12 4x 1 - x 2 + x 4 = 6 -x 1 + 4x 2 + x 5 = 8 Wir führen folgende Operationen durch: Division der 1. Zeile durch 3 Addition der neuen 1. Zeile zur 2. Zeile Subtraktion des 4-fachen der neuen 1. Zeile von der 3. Zeile Das Ergebnis ist eine neue kanonische Form der Nebenbedingungen: 2x 1 + x / 3 x 3 = 4 6x / 3 x 3 + x 4 = 10-9x 1-4 / 3 x 3 + x 5 = -8 mit der Basislösung x T = (0, 4, 0, 10, -8) E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 19

20 Die Umrechnung der kanonischen Form 6x 1 + 3x 2 + x 3 = 12 4x 1 - x 2 + x 4 = 6 -x 1 + 4x 2 + x 5 = 8 in die neue kanonische Form 2x 1 + x / 3 x 3 = 4 6x / 3 x 3 + x 4 = 10-9x 1-4 / 3 x 3 + x 5 = -8 heißt Basistausch der Variablen x 3 gegen x 2. Der Koeffizient a 12 =3 heißt Pivotelement des Basistauschs. Bemerkungen zur Basislösung nach dem Basistausch - Die Basislösung x T = (0, 4, 0, 10, -8) ist nicht zulässig, denn die x 5 -Komponente ist negativ. - (x 1, x 2 ) = (0, 4) ist keine Ecke der zulässigen Punktmenge sondern der Schnittpunkt zweier Geraden, außerhalb der zulässigen Punktmenge. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 20

21 Basistausch x 5 gegen x 2 Ausgangssituation: 6x 1 + 3x 2 + x 3 = 12 4x 1 - x 2 + x 4 = 6 -x 1 + 4x 2 + x 5 = 8 Wähle als Pivotelement a 32 = 4 Division der 3. Zeile durch 4 Addition der neuen 3. Zeile zur 2. Zeile Subtraktion des 3-fachen der neuen 3. Zeile von der 1. Zeile Die neue kanonische Form ist 27 / 4 x 1 + x 3-3 / 4 x 5 = 6 15 / 4 x 1 + x / 4 x 5 = 8-1 / 4 x 1 + x / 4 x 5 = 2 Die neue Basislösung x T = (0, 2, 6, 8, 0) ist zulässig und entspricht der Ecke (x 1, x 2 ) = (0, 2) der zulässigen Punktemenge. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 21

22 Wieviel Basislösungen bzw. wieviel kanonische Formen gibt es? Antwort mit Hilfe der Kombinatorik: Jede kanonische Form entspricht einer Auswahl von 3 (Basisvariablen) bzw. von 2 (Nichtbasisvaribalen) aus 5 (Variablen). ( 5 3) = ( 5 2) = 5!/(3!*2!) = 10 Bemerkungen: - Nicht jede kombinatorische Auswahl ergibt eine neue Basislösung. - Alle Basislösungen können mit der Methode des Basistauschs gefunden werden. Ansatz für einen Algorithmus zur Bestimmung einer optimalen Lösung: Berechne alle Basislösungen und bestimme diejenige, die den größten Zielfunktionswert besitzt und zulässig ist. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 22

23 5. Die Berücksichtigung der Vorzeichenbeschränkungen beim Basistausch Ausgehend von der Anfangssituation 6x 1 + 3x 2 + x 3 = 12 4x 1 - x 2 + x 4 = 6 -x 1 + 4x 2 + x 5 = 8 fassen wir die Ergebnisse noch einmal unter Berücksichtigung der Vorzeichenbeschränkungen x i 0 zusammen. Pivotelement a 12 = 3 ergab (0, 4, 0, 10, -8), -> nicht zulässig Pivotelement a 32 = 4 ergab (0, 2, 6, 8, 0), -> zulässig Pivotelement a 22 = -1 ergibt -6 auf der rechten Seite -> nicht zulässig Folgerung: Es gibt in Spalte 2 nur ein geeignetes Pivotelement (a 32 =4), das beim Basistausch auf eine neue zulässige Basislösung führt. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 23

24 Untersuchung der ersten Spalte von 6x 1 + 3x 2 + x 3 = 12 4x 1 - x 2 + x 4 = 6 -x 1 + 4x 2 + x 5 = 8 Pivotelement a 31 = -1 Pivotelement a 11 =6 Pivotelement a 21 =4 -> nicht zulässig -> nicht zulässig -> zulässig Folgerung: Es gibt auch in Spalte1 nur ein geeignetes Pivotelement (a 21 =4). Eigenschaften der geeigneten Pivotelemente in beiden Spalten: a) sie sind positiv b1) Quotient b 2 /a 21 = 6 / 4 = 1,5 ist kleiner als b 1 /a 11 = 12 / 6 = 2 b2) Quotient b 3 /a 32 = 8 / 4 = 2 ist kleiner als b 1 /a 12 = 12 / 3 = 4 E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 24

25 Um sicher zu stellen, dass beim Basistausch mit vorzeichenbeschränkten Variablen wieder eine zulässige Basislösung entsteht, ist also das folgende, allgemeine Kriterium für die Wahl eines Pivotelements zu berücksichtigen: - Wähle eine Spalte j, die wenigstens ein a ij > 0 enthält, als Pivotspalte - Berechne in dieser Spalte j die Quotienten b i /a ij für alle positiven a ij - Wähle als Pivotzeile i diejenige, in der b i /a ij am kleinsten ist E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 25

26 6. Die Berücksichtigung der Zielfunktion beim Basistausch Im Beispiel lautet die Zielfunktion: Maximiere F(x 1, x 2 ) = 5x 1 + 4x 2 Gleichwertige Forderung ist: Maximiere F unter 5x 1 + 4x 2 - F = 0. F ist eine weitere Variable in einer zusätzlichen Nebenbedingung kanonische Form des Standard-LOPs: Maximiere F unter 6x 1 + 3x 2 + x 3 = 12 4x 1 - x 2 + x 4 = 6 -x 1 + 4x 2 + x 5 = 8 5x 1 + 4x 2 - F = 0 und x 1, x 2,..., x 5 0 x T =(0, 0, 12, 6, 8) mit Zielfunktionswert F = 0 ist zulässige Basislösung. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 26

27 Jede zulässige Lösung mit x 1 > 0 oder x 2 > 0 führt zu einer Vergrößerung des Zielfunktionswerts, da die Zielfunktionskoeffizienten c 1 =5 und c 2 =4 positiv sind: F neu = 0 + 5x 1 neu > 0 falls x 1 > 0 neue Basisvariable wird. F neu = 0 + 4x 2 neu > 0 falls x 2 > 0 neue Basisvariable wird. Wir wählen x 1 als neue Basisvariable, d.h. j=1 als Pivotspalte. Pivotelement wird dann a 21 = 4: 4.50 x 2 + x x 4 = 3 x x x 4 = x x 4 + x 5 = x x 4 - F = -7.5 neue Basislösung: x T =(1.5, 0, 3, 0, 9.5), neuer Zielfunktionswert: F=7.5 Beachte: Bei der Umformung zur neuen kanonischen Form wird die Nebenbedingung mit der Zielfunktionsvariablen F wie die anderen umgerechnet. Bei einem Basistausch mit x 2 ist wiederum eine Vergrößerung der Zielfunkton zu erwarten, bei einem Basistausch mit x 4 allerdings nicht. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 27

28 Basistasuch mit x 2, Pivotelement a 12 = 4.5 x x x 4 = x x x 4 = x x 4 + x 5 = x x 4 - F = Basislösung x T =(1.666, 0.666, 0, 0, 7.0), Zielfunktionswert F=11.0 Basistausch mit x 4. Pivotelement a 34 = 1.5 x x x 5 = x x x 5 = x 3 + x x 5 = x x 5 - F = Basislösung x T =(0.888, 2.222, 0, 4.666, 0), Zielfunktionswert F= Verfahrensende, da keine Vergrößerung der Zielfunktion mehr möglich ist. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 28

29 7. Der Simplex-Algorithmus Ausgehend von der kanonischen Form des Standard-LOPs erzeugt der Simplexalgorithmus weitere kanonische Formen mittels Basistausch wie bisher am Beispiel beschrieben. Es soll hier auf den Ablauf, die Korrektheit und dieterminierung des Algorithmus für das allgemeine Standard-LOP eingegangen werden. Jede auftretende kanonische Form kann man wie folgt schreiben: Dabei ist A BN x N + x B = b B mit b B 0 c N T x N - F = f N die Indexmenge der n nicht-basisvariablen B die Indexmenge der m Basisvariblen N B = {1, 2,..., n + m}, N B = A BN eine mxn -Matrix, c N ein Vektor mit n Komponenten (x N, x B ) mit x N = 0 und x B = b B die zugehörige Basislösung F = -f der zugehörige Zielfunktionswert E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 29

30 A BN x N + x B = b B mit b B 0 c N T x N - F = f Ablauf des Algorithmus: 0. Initialisierung: N = {1,2,..,n}, B = {n+1,..., n+m}, A BN = A, b B = b, c N = c, f = 0 1. Auswahl eines Index j N: Falls alle c j 0: ENDE, die zugehörige Basislösung ist optimal. Anderenfalls wählen wir einen Index j mit c j > 0, weiter bei 2 2. Auswahl eines Index i B: Falls alle a ij 0: ENDE, die Zielfunktion ist unbeschränkt. Anderenfalls wähle einen Index i B mit a ij > 0 und minimalem Quotienten b i /a ij, weiter bei 3 3. Führe den Basistausch i gegen j durch, weiter bei 1. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 30

31 Zur Korrektheit des Algorithmus 1. Angenommen der Algorithmus endet weil alle c j 0. Wir haben dann in der kanonischen Form: c N T x N - F = f mit c N 0 Für eine beliebige zulässige Lösung x N 0, x B 0 gilt deshalb F = -f + c N T x N = -f + c k x k -f k N Das heißt die Basislösung x N = 0, x B = b B ist optimale Lösung des LOP. 2. Angenommen der Algorithmus endet weil in einer Spalte der kanonischen Form, in der es ein c j > 0 gibt, a ij 0 für alle i B ist,. Wir bezeichnen diese Spalte mit a j. Für jeden Wert x j > 0 gilt dann x B = b B - x j a j 0 Das heißt alle Punkte (x N, x B ) mit x k = 0 für k N außer x j >0 und x B = b B - x j a j erfüllen die Vorzeichenbedingungen. Sie erfüllen sogar alle Nebenbedingungen, denn es gilt auch: A BN x N + x B = x j a j + b B - x j a j = b B E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 31

32 Für die Zielfunktion dieser zulässigen Lösungen erhält man aber: F = -f + c N T x N = -f + c j x j für x j, da c j > 0. Die Zielfunktion ist also unbeschränkt. Zur Terminierung des Algorithmus Der Simplexalgorithmus terminiert auf jeden Fall, wenn sich bei jedem Basistausch die Zielfunktion tatsächlich vergrößert, denn es gibt nur endlich viele Basislösungen, die sich dann nicht wiederholen können. Der Algorithmus endet also entweder mit Kriterium 1 oder 2. Falls sich die Zielfunktion nicht vergrößert, was der Fall ist, wenn entartete Ecken auftreten, kann es zur Wiederholung von Basislösungen beim Basisaustausch kommen. Der Simplex-Algorithmus terminiert aber auch in diesem Fall, wenn folgende Regel zur Wahl des Pivotelements eingehalten wird: Wähle unter den Spalten mit c j >0 diejenige mit dem kleinsten Index j als Pivotspalte und, falls der minimale Quotient b j /a ij in mehreren Zeilen auftritt, diejenige mit dem kleinsten Index i als Pivotzeile. E. Oswald/H. Weber, FHW, OR SS06, Teil1, Seite 32

3. Grundlagen der Linearen Programmierung

3. 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

Mehr

Bestimmung einer ersten

Bestimmung 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,

Mehr

Schranken für zulässige Lösungen

Schranken 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

Mehr

Lineare Programmierung. Beispiel: Wahlkampf. Beispiel: Wahlkampf. Mathematische Schreibweise. Lineares Programm. Datenstrukturen & Algorithmen

Lineare 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

Mehr

Simplex-Umformung für Dummies

Simplex-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

Mehr

Eigenschaften von LPs

Eigenschaften 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

Mehr

Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 3. Vorlesung

Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 3. Vorlesung Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 3. Vorlesung Rainer Hufnagel / Laura Wahrig 2006 Diese Woche LO - Sensitivitätsanalyse Simulation Beispiel Differenzengleichungen

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder

Mehr

Minimumproblem. 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. 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.

Mehr

Die Verbindung von Linearer Programmierung und Graphentheorie

Die 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

Mehr

Kapitel 15. Lösung linearer Gleichungssysteme

Kapitel 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

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare 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

Mehr

Optimierung für Nichtmathematiker

Optimierung 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

Mehr

Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 2. Vorlesung

Optimierung 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

Mehr

Lineare Gleichungssysteme

Lineare 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

Mehr

Erinnerung/Zusammenfassung zu Abbildungsmatrizen

Erinnerung/Zusammenfassung zu Abbildungsmatrizen Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend

Mehr

Teil II. Nichtlineare Optimierung

Teil 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

Mehr

Lineare Gleichungssysteme I (Matrixgleichungen)

Lineare Gleichungssysteme I (Matrixgleichungen) Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst

Mehr

Simplex-Verfahren. Kapitel 4. Simplex-Verfahren. Peter Becker (H-BRS) Operations Research I Sommersemester / 298

Simplex-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)

Mehr

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung. Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,

Mehr

GF(2 2 ) Beispiel eines Erweiterungskörpers (1)

GF(2 2 ) Beispiel eines Erweiterungskörpers (1) GF(2 2 ) Beispiel eines Erweiterungskörpers (1) Im Kapitel 2.1 wurde bereits gezeigt, dass die endliche Zahlenmenge {0, 1, 2, 3} q = 4 nicht die Eigenschaften eines Galoisfeldes GF(4) erfüllt. Vielmehr

Mehr

Lösungen zum 3. Aufgabenblatt

Lösungen zum 3. Aufgabenblatt SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.

Mehr

Einführung. Kapitel 1. Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298

Einführung. Kapitel 1. Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298 Kapitel 1 Einführung Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298 Inhalt Inhalt 1 Einführung Was ist Operations Research? Planungsprozess im OR Peter Becker (H-BRS) Operations

Mehr

4.3.3 Simplexiteration

4.3.3 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

Mehr

Lineare Optimierung. Master 1. Semester

Lineare 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...

Mehr

Computer Science Department - High Performance and Web Computing Group. Optimierungsprobleme

Computer 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

Mehr

Elemente der Analysis II

Elemente 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

Mehr

1 Lineare Gleichungssysteme

1 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

Mehr

Optimalitätskriterien

Optimalitätskriterien 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

Mehr

IV. Spieltheorie. H. Weber, FHW, OR SS07, Teil 7, Seite 1

IV. 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

Mehr

Vorlesung 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 Vorlesung Wirtschaftsmathematik I WS 2007/2008, Wirtschaftingenieurwesen Kapitel IV: Grundlagen der Linearen Optimierung Inhaltsverzeichnis Abschnitt 3-5 3 Der Simplexalgorithmus 58 3.1 Grundlagen..............................

Mehr

Optimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn

Optimierung. 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

Mehr

Mathematische Optimierung. Volker John

Mathematische Optimierung. Volker John Mathematische Optimierung Volker John Sommersemester 2007 Inhaltsverzeichnis 1 Einführung 3 I Lineare Optimierung 6 1 Grundlagen 7 2 Geometrische Deutung des Linearen Programms 10 3 Basislösungen eines

Mehr

Kapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel:

Kapitel 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

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

Lineare Algebra I (WS 12/13)

Lineare Algebra I (WS 12/13) Lineare Algebra I (WS 12/13) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 18.10.2012 Alexander Lytchak 1 / 12 Lineare Gleichungssysteme Wir untersuchen nun allgemeiner Gleichungssysteme der

Mehr

Operations Research für Wirtschaftsinformatiker. Vorlesungsskript von Richard Mohr

Operations 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

Mehr

Optimale Steuerung 1 Prozessoptimierung 1

Optimale 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

Mehr

Teil I. Lineare Optimierung

Teil 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,

Mehr

Skript 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 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

Mehr

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren

Mehr

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V

Mehr

Der Simplex-Algorithmus

Der Simplex-Algorithmus 5 Lineare Programmierung Simplex-Algorithmus Der Simplex-Algorithmus Standardverfahren zur Lösung von LPs, von G B Dantzig entwickelt Grundidee: Versuche ausgehend von einer Startecke mit einer Ausgangsbasis

Mehr

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

Lineare 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

Mehr

Die duale Simplexmethode

Die 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

Mehr

Lernmaterial für die Fernuni Hagen effizient und prüfungsnah

Lernmaterial 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

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. 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

Mehr

Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen

Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html

Mehr

VORLESUNG 11 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)

VORLESUNG 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

Mehr

3. LINEARE GLEICHUNGSSYSTEME

3. LINEARE GLEICHUNGSSYSTEME 176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an

Mehr

Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen

Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Dr. Abebe Geletu Ilmenau University of Technology Department of Simulation and Optimal Processes

Mehr

Dualitätssätze der linearen Optimierung

Dualitätssätze 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 =

Mehr

9 Lineare Gleichungssysteme

9 Lineare Gleichungssysteme 9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der

Mehr

Ausgewählte Methoden der ganzzahligen Linearen Optimierung

Ausgewählte 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

Mehr

Lineare Programmierung

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

Mehr

Institut 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 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

Mehr

Lineare Algebra I (WS 12/13)

Lineare Algebra I (WS 12/13) Lineare Algebra I (WS 12/13) Bernhard Hanke Universität Augsburg 17.10.2012 Bernhard Hanke 1 / 9 Wir beschreiben den folgenden Algorithmus zur Lösung linearer Gleichungssysteme, das sogenannte Gaußsche

Mehr

Einführung in die Lineare Optimierung

Einführung 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

Mehr

Mathematische Planungsverfahren

Mathematische Planungsverfahren Mathematische Planungsverfahren Stefan Etschberger Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg 12 April 2005 Organisatorisches Literatur Starke Orientierung an Hauke/Opitz:

Mehr

Extrema von Funktionen in zwei Variablen

Extrema von Funktionen in zwei Variablen Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,

Mehr

Charakteristikenmethode im Beispiel

Charakteristikenmethode im Beispiel Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)

Mehr

Periodische Fahrpläne und Kreise in Graphen

Periodische 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

Mehr

III. Transportaufgaben 1. Problemstellung 2. Analyse 3. Bestimmung der Startecke 4. Eckenaustausch 5. Umladeprobleme 6. Zuordnungsprobleme

III. Transportaufgaben 1. Problemstellung 2. Analyse 3. Bestimmung der Startecke 4. Eckenaustausch 5. Umladeprobleme 6. Zuordnungsprobleme III. Transportaufgaben 1. Problemstellung 2. Analyse 3. Bestimmung der Startecke 4. Eckenaustausch 5. Umladeprobleme 6. Zuordnungsprobleme H. Weber, FHW, OR SS07, Teil 6, Seite 1 1. Problemstellung Wir

Mehr

0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )

0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 ) Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,

Mehr

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte 50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien

Mehr

Lineare Optimierung. Vorlesung von Prof. Christiane Tammer Author : Georg Kuschk (Quelle : www.rikuti.de)

Lineare 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

Mehr

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen. Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems

Mehr

Mathematischer Vorbereitungskurs für Ökonomen

Mathematischer Vorbereitungskurs für Ökonomen Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen

Mehr

8. Lineare Optimierung

8. Lineare Optimierung 8. Lineare Optimierung 1 Einführung (1) Praktische Probleme sind oft Probleme mit Nebenbedingungen, z.b.: Ein Produktionsprozess hängt von Lieferterminen ab Die Menge der verstaubaren Güter ist durch die

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

Einführung in die Mathematische Optimierung

Einführung 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

Mehr

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x

Mehr

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011 Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h

Mehr

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Einführung 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:

Mehr

V 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,

V 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

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:

Mehr

0. Einleitung. 0.1. Der Begriff Operations Research / Decision Support

0. 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

Mehr

Operations Research. Die Simplexmethode. LP-Dualität. Die Simplexmethode. Rainer Schrader. 18. Juni Zur Erinnerung: Gliederung

Operations 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

Mehr

Prüfung: Produktion, Logistik und Operations Research SS 2009. Prüfungsbogen. Vom Klausurteilnehmer auszufüllen!

Prüfung: Produktion, Logistik und Operations Research SS 2009. Prüfungsbogen. Vom Klausurteilnehmer auszufüllen! Klausur: 1122 1 von 12 Prüfung: Produktion, Logistik und Operations Research SS 29 Prüfer: Prof. Dr. Karl Inderfurth Prüfungsbogen Vom Klausurteilnehmer auszufüllen! Name, Vorname : Fakultät : Matrikelnummer

Mehr

Wiederholung. 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 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

Mehr

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.

Scheduling 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

Mehr

6 Korrektheit des Simplexalgorithmus

6 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

Mehr

Gleichungen Lösen. Ein graphischer Blick auf Gleichungen

Gleichungen 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

Mehr

Lineares Optimieren. W. Kippels 12. April Inhaltsverzeichnis. 1 Einleitung 2. 2 Die Beispielaufgabe 2. 3 Einführung von Schlupfvariablen 2

Lineares Optimieren. W. Kippels 12. April Inhaltsverzeichnis. 1 Einleitung 2. 2 Die Beispielaufgabe 2. 3 Einführung von Schlupfvariablen 2 Lineares Optimieren W. Kippels 1. April 015 Inhaltsverzeichnis 1 Einleitung Die Beispielaufgabe Einführung von Schlupfvariablen 4 Die Simplex-Methode 5 Das Basis-Austauschverfahren 4 6 Fortsetzung der

Mehr

7 Die Determinante einer Matrix

7 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) =

Mehr

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume

Mehr

6 Allgemeine Theorie des elektromagnetischen Feldes im Vakuum

6 Allgemeine Theorie des elektromagnetischen Feldes im Vakuum 6 ALLGEMEINE THEORIE DES ELEKTROMAGNETISCHEN FELDES IM VAKUUM 25 Vorlesung 060503 6 Allgemeine Theorie des elektromagnetischen Feldes im Vakuum 6.1 Grundaufgabe der Elektrodynamik Gegeben: Ladungsdichte

Mehr

Dr. Jürgen Roth. Fachbereich 6: Abteilung Didaktik der Mathematik. Elemente der Algebra. Dr. Jürgen Roth 3.1

Dr. Jürgen Roth. Fachbereich 6: Abteilung Didaktik der Mathematik. Elemente der Algebra. Dr. Jürgen Roth 3.1 .1 Dr. Jürgen Roth Fachbereich 6: Abteilung Didaktik der Mathematik Elemente der Algebra . Inhaltsverzeichnis Elemente der Algebra & Argumentationsgrundlagen, Gleichungen und Gleichungssysteme Quadratische

Mehr

Mathematische Grundlagen der Kryptographie. 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe. Stefan Brandstädter Jennifer Karstens

Mathematische Grundlagen der Kryptographie. 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe. Stefan Brandstädter Jennifer Karstens Mathematische Grundlagen der Kryptographie 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe Stefan Brandstädter Jennifer Karstens 18. Januar 2005 Inhaltsverzeichnis 1 Ganze Zahlen 1 1.1 Grundlagen............................

Mehr

Algorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck

Algorithmik 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

Mehr

7.1 Matrizen und Vektore

7.1 Matrizen und Vektore 7.1 Matrizen und Vektore Lineare Gleichungssysteme bestehen aus einer Gruppe von Gleichungen, in denen alle Variablen nur in der 1. Potenz vorkommen. Beispiel Seite 340 oben: 6 x 2 = -1 + 3x 2 = 4 mit

Mehr

Anwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht

Anwendungen 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

Mehr

1 Der Simplex Algorithmus I

1 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

Mehr

Übung 3, Simplex-Algorithmus

Übung 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

Mehr

1 Lineare Gleichungssysteme und Matrizen

1 Lineare Gleichungssysteme und Matrizen 1 Lineare Gleichungssysteme und Matrizen Das Studium linearer Gleichungssysteme und ihrer Lösungen ist eines der wichtigsten Themen der linearen Algebra. Wir werden zunächst einige grundlegende Begriffe

Mehr

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse

Mehr