Ganzzahlige lineare Programme
|
|
- Heinrich Feld
- vor 6 Jahren
- Abrufe
Transkript
1 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. Wir setzen P = {x R n Ax = b, x 0}. Das mathematische Optimierungsproblem (42) ist kein lineares Programm im strengen Sinn, da der Zulässigkeitsbereich F = {x P x N n } eine diskrete Menge und im allgemeinen kein Polyeder ist. Ist F endlich und setzen wir P I = conv F, so ist (42) äquivalent zu dem Problem min c T x s.d. x P I. Wäre eine Matrix A und ein Vektor b mit P I = P (A, b ) bekannt, so könnte man das Ausgangsproblem (42) z.b. dadurch lösen, indem man mit der Simplexmethode löst. min c T x s.d. A x b VEREINBARUNG. In diesem Kapitel nehmen wir durchweg an, dass sämtliche Problemparameter A, c, b rational sind. OBdA dürfen (und werden) wir bei der Problemanalyse deshalb sogar Ganzzahligkeit annehmen: A Z m n, c Z n, b Z m. 1. Schnittebenen Es seien A Z m n und b Z m gegeben und P = P (A, b) = {x R n Ax b} das entsprechende rationale Polyeder. Wir interessieren uns für die Menge P I = conv {x P x Z n }. PROPOSITION 5.1. Ist P eine rationales Polyeder, dann ist auch P I ist ein rationales Polyeder. 59
2 60 5. GANZZAHLIGE LINEARE PROGRAMME Beweis. Im Fall P I = ist nichts zu beweisen. Sei also P I. Nach dem Dekompositionssatz von Weyl-Minkowski existieren endliche Mengen V, W Q n so, dass P = conv V + cone W. Nach geeigneter Skalierung dürfen wir die Vektoren w W obda dabei als ganzzahlig annehmen. Ein beliebiges x P kann in der Form x = V s + W t mit s, t 0, 1 T s = 1 dargestellt werden. Bezeichen wir mit t der ganzzahlig nach unten gerundeten Komponenten von t und setzen t = t t 0, dann erhalten wir x = (V s + W t) + W t = x + W t mit dem ganzzahligen t und x in dem Polytop(!) Wegen W t Z n finden wir und deshalb P = {V s + W t s 0, 1 T s = 1, 0 t 1}. x Z n x Z n P Z n = P Z n + {W z z 0 ganzzahlig}. Da P ein Polytop (und somit beschränkt) ist, ist P Z n eine endliche Menge. Wegen (43) P I = conv (P Z n ) + cone W erkennen wir P I somit als Polyeder. Im Prinzip könnte man aus der Darstellung (43) (z.b. mit Fourier-Motzkin) eine lineare Beschreibung von P I durch Ungleichungen ableiten. Für das Optimierungsproblem (42) ist dies jedoch nicht interessant, da ein solches Vorgehen bedeutet, dass man ohnehin zuerst sämtliche ganzzahligen Vektoren in P (darunter auch die Optimallösung von (43) ) auflisten müsste Das Verfahren von Gomory. Um eine lineare Beschreibung von P I zu erzielen, gehen wir von gültigen Ungleichungen für das Polyeder P = P (A, b) aus. Gemäss dem Lemma von Farkas betrachten wir deshalb ein beliebiges rationales y 0 und c T = y T A. Dann ist c T x z mit z = y T b eine gültige Ungleichung für P. Wir dürfen y als ganzzahlig annnehmen. Der springende Punkt ist dann die Beobachtung c T = y T A ist ganzzahlig und c T x z mit z = y T b Z eine gültige Ungleichung für P I, da sie von allen ganzzahligen Vektoren in P erfüllt wird.
3 1. SCHNITTEBENEN 61 Tatsächlich genügt es, sich dabei auf y mit Komponenten y i [0, 1] zu beschränken. Denn bei allgemeinem y Q n + und z Z n + mit 0 y = y z 1 ist die Ungleichung (z T A)x z T b Z ja ohnehin schon von Ax b impliziert. Für ganzzahliges x P (A, b) gilt darum (y ) T Ax (y ) T b y T Ax y T b. Damit erhalten wir das Gomory-Polyeder P = {x P (y T A)x y T b, y [0, 1] m, y T A Z n }. BEMERKUNG. P ist tatsächlich ein Polyeder, denn es gibt nur endlich viele verschiedene Gomory-Schnitte. Das sieht man so: Die Menge {y T A 0 y 1} ist eine beschränkte Menge von Zeilenvektoren in R n und enthält deshalb nur endlich viele ganzzahlige Vektoren. Iterieren wir diese Konstruktion, so ergibt sich die Gomory-Folge P P P... P I. Man bemerke, dass keine der Gomory-Ungleichungen einen ganzzahligen Punkt aus P abschneidet. Ausserdem gilt: Sobald bei der Gomory-Folge kein neues Polyeder konstruiert wird, hat man genügend viele Ungleichungen erzeugt, die P I festlegen. Ohne Beweis bemerken wir SATZ 5.1 (Gomory). Die Gomory-Folge eines rationalen Polyeders P hat endliche Länge und endet mit P I. Der Beweis ist nicht schwer aber etwas aufwendig. Deshalb sei hier darauf verzichtet. Wir beweisen nur: LEMMA 5.1. Sei P ein rationales Polytop mit P = P. Dann gilt P = P I. Beweis. Sei P P I. Dann besitzt P eine Ecke v mit (mindestens) einer Komponente v j / Z. Ausserdem existiert ein c Z n derart, dass die Funktion f(x) = c T x über P genau von v maximiert wird. Seien v (1),..., v (k) die übrigen Ecken von P und max l=1,...,k (ct v c T v (l) ) = ε > 0 max x n x P = M <. Sei K N so gewählt, dass Kε > 2M erfüllt ist. Dann maximiert v auch die Funktion f(x) = c T x über P, mit c T = [Kc 1,..., Kc j + 1,..., Kc n ] = Kc T + e T j.
4 62 5. GANZZAHLIGE LINEARE PROGRAMME Denn für jede andere Ecke v (l von P gilt K(c T v (l) ) + v (l) j < K(c T v ε) + M < Kc T v M < Kc T v + v j. Wegen c T v Kc T v = v j / Z ist entweder c T v oder c T v keine ganze Zahl. Also ist c T x c T v oder c T x c T v eine Ungleichung, die zwar für P I gültig ist aber nicht für P. D.h. P P. Der Satz von Gomory führt zu einem endlichen Algorithmus zur Lösung von des ganzzahligen Optimierungsproblems Man löst die LP-Relaxierung max c T x s.d. Ax b, x Z n. max c T x s.d. Ax b. Ist die gefundene Optimallösung x ganzzahlig, dann ist nichts weiter zu tun. Andernfalls berechnet man das Gomory-Polyeder P und löst max x P ct x usw. bis das ganzzahlige Optimum gefunden ist. In der Praxis ist diese Vorgehensweise typischerweise jedoch hoffnungslos ineffizient Schnittebenenverfahren. Die Idee hinter Schnittebenenverfahren zur Lösung ganzzahliger linearer Programme ist wie die des Gomory-Verfahrens: Man löst die LP-Relaxierung des Problems. Ist die gefundene Optimallösung x, so fügt man dem LP eine Ungleichung a T x b hinzu, die für alle x P Z n gilt und von x verletzt wird. Die entsprechende Hyperebene H(a, b) = {x R n a T x = b} heisst Schnittebene (bzgl. P und P I ). Unter der Ausnutzung der speziellen kombinatorischen Struktur, die das Optimierungsproblem haben mag, lassen sich in der Praxis oft gezielt Schnittebenen bestimmen, die zu effizienteren Algorithmen führen als das Allzweck-Gomoryverfahren. Ein Schnittebenen-Verfahren geht nach folgendem Prinzip zur Lösung des Problems vor: max c T x s.d. Ax b, x Z n (SE0) Löse das relaxierte LP-Problem max c T x s.d. Ax b. Ist die gefundene Optimallösung x ganzzahlig, STOP.
5 1. SCHNITTEBENEN 63 (SE1) Bestimme im Fall x / Z n eine Schnittebenenungleichung a T x b für P I, die von x verletzt wird (d.h. a T x > b) und füge diese den Restriktionen hinzu. Löse nun max c T x s.d. Ax b, a T x b. Ist die gefundene Optimallösung x ganzzahlig, STOP. (SE2) Bestimme im Fall x / Z n eine Schnittebenenungleichung a T x b für P I, die von x verletzt wird (d.h. a T x > b) und füge diese den bisherigen Restriktionen hinzu usw Quadratische boolesche Optimierung. Als Beispiel betrachten wir zu gegebenen Paramentern q ij R das Problem n n max q ij x i x j, x i {0, 1}. i=1 j=1 Sei V = {1,..., n} und E die Menge aller Paarmengen {i, j}. Zu e = {i, j} setzen wir d i = q ii und c e = q ij + q ji. Wegen x 2 i = x i und y e = x i x j {0, 1} erhalten wir eine Formulierung als ganzzahliges LP: max i V d i x i + e E c e y e (44) s.d. y e x i 0 e E, i e x i + x j y e 1 e = {i, j} x i, y e 1 x i, y e 0 x i, y e ganzzahlig. BEMERKUNG. Man kann sich dieses Problem vorstellen als die Aufgabe, im vollständigen Graphen K n mit Knotenmenge V und Kantenmenge E einen vollständigen Untergraphen maximalen Gesamtgewichts zu wählen. Dabei sind die Knoten i V mit d i und die Kanten e E mit c e gewichtet. Als Schnittebenen für das von den ganzzahligen Lösungen von (44) erzeugte Polytop P I kommen alle Ungleichungen in frage, die von den ganzzahligen Lösungsvektoren erfüllt werden. Beispiele sind etwa die Dreiecksungleichungen x i + x j + x k y e y f y g 1 für jeweils drei Knoten i, j, k V und die dazugehörigen Kanten e, f, g E des entsprechenden Dreiecks {i, j, k}. Dieses Beispiel kann verallgemeinert werden. Dazu setzen für S V mit S 2 x(s) = x i und y(s) = y e, i S e E(S)
6 64 5. GANZZAHLIGE LINEARE PROGRAMME wobei E(S) die Menge aller Paarmengen e = {i, j} S ist. Zu α N definieren wir die entsprechende Cliquenungleichung als αx(s) y(s) α(α + 1)/2. LEMMA 5.2. Jede zulässige (0, 1)-Lösung (x, y) von (44) erfüllt jede Cliquenungleichung. Beweis. Sei C = {i S x i = 1} und s = C S. Dann gilt x(s) = s und y(s) = s(s 1)/2. Also finden wir α(α + 1)/2 αx(s) y(s) = [α(α + 1) 2αs + s(s 1)]/2 = (α s)(α s + 1)/2. Da α und s ganze Zahlen sind, ist der letzte Ausdruck immer nichtnegativ. Es gibt allein schon 2 n n 1 Cliquenungleichungen. Diese genügen noch nicht, um P I vollständig zu beschreiben. Bei nicht zu grossen booleschen Problemen (n 40) kommt man damit aber in der Praxis schon recht weit. 2. Unimodularität Wir gehen das Ganzzahligkeitsproblem nun von einer anderen Seite an und suchen nach Bedingungen für die Matrix A Z m n, die garantieren, dass jede Ecke des Polyeders P = {x R n Ax = b, x 0} ganzzahlige Ecken hat, sofern b ganzzahlig ist. OBdA nehmen wir wieder m = rg A an. Wir nennen A unimodular, wenn jede (m m)-basisteilmatrix A B von A die Eigenschaft det A B = 1 besitzt. Sei A B eine Basismatrix mit zugeordneter Basislösung x. Nach der Cramerschen Regel ergeben sich die Komponenten als x j = det A B(j, b) det A B (j B), wobei A B (j, b) aus A B hervorgeht, indem die Spalte j durch den Vektor b ersetzt wird. Im Fall b Z m ist det A B (j, b) eine ganze Zahl. Folglich finden wir A unimodular = x j Z für alle b Z m. PROPOSITION 5.2. Sei A Z m n eine unimodulare Matrix vom Rang m = rg A und b Z m. Dann gilt für jedes c R n : Entweder hat das lineare Programm min c T x s.d. Ax = b, x 0 keine Optimallösung oder es existiert eine optimale Lösung x mit ganzzahligen Komponenten x j.
7 Beweis. Simplexalgorithmus. 2. UNIMODULARITÄT 65 Für viele Anwendungen ist es geschickt, den Begriff der Unimodularität zu verschärfen. Wir nennen eine Matrix A total unimodular, wenn für jede quadratische Teilmatrix A von A unimodular ist, d.h. det A { 1, 0, +1}. Insbesondere gilt a ij { 1, 0 + 1} für alle Koeffizienten der total unimodularen Matrix A = [a ij ]. EX Die Matrix A = [ ] 1 1 ist unimodular aber nicht total unimodular. 1 2 Bevor wir Beispiele von total unimodularen Matrizen diskutieren, geben wir einige wichtige Matrixkonstruktionen an. LEMMA 5.3. Sei A Z m n total unimodular und e Z m ein Einheitsvektor. Dann gilt: (a) Wenn man Spalte von A mit 0 oder 1 multipliziert, erhält man wieder eine total unimodular Matrix. (b) A T total unimodular. (c) A = [A, e] total unimodular. Beweis. (a) folgt aus der Tatsache, dass sich die Skalarmultiplikation eine Spalte einer Matrix in der Skalarmultiplikation der Determinante auswirkt. (b) ergibt sich aus dem Transpositionssatz det C = det C T. Um (c) einezusehen, betrachten wir eine quadratische Untermatrix A von [A, e]. OBdA dürfen wir annehmen, dass die Spalte e in A auftaucht. Wir entwickeln die Determinate nach dieser Spalte e und finden det A = ±1 det A, wobei A eine quadratische Untermatrix von A ist. Also gilt det A { 1, 0 + 1}. PROPOSITION 5.3. Sei A Z m n total unimodular, b Z m und l, u Z n derart, dass P = {x R n Ax b, l x u}. Dann ist P eine Polytop mit ganzzahligen Ecken. Beweis. P ist die Lösungsmenge des total unimodularen Ungleichungssystems A I x b u I l
8 66 5. GANZZAHLIGE LINEARE PROGRAMME Intervallmatrizen. Sei M = {1,..., m}. Unter einem Intervall versteht man eine Teilmenge F M derart, dass Elemente i, j M existieren mit der Eigenschaft F = {k M i k j}. Eine (0, 1)-Matrix A heisst Intervallmatrix, wenn die Zeilen von A in einer solchen Reihenfolge angeordnet werden können, dass jede Spalte der (0, 1)-Inzidenzvektor eines Intervalls der Zeilenindices ist. Es ist klar, dass jede quadratische Untermatrix einer Intervallmatrix selber eine Intervallmatrix ist. Es gilt LEMMA 5.4. Jede Intervallmatrix A ist total unimodular. Beweis. OBdA sei A = [a ij ] quadratisch und { 1 für j = 1,..., k a 1j = 0 für j = k + 1,..., n. Ausserdem entspreche die erste Spalte von A dem kleinsten Intervall, das 1 enthält. Im Fall k = 1 ist die erste Zeile ein Einheitsvektor. Entwicklung der Determinante nach der ersten Zeile liefert dann die Behauptung per Induktion wie bei Netzwerkmatrizen. Im Fall k 2 subtrahiert man die erste Spalte von den Spalten 2,..., k. Die resultierende Matrix ist wieder eine Intervallmatrix und die Determinante hat sich nicht geändert. Auf die neue Matrix trifft aber der vorige Fall zu. BEMERKUNG. (0, 1)-Inzidenzmatrizen von allgemeinen Familien F von Teilmengen einer endlichen Grundmenge M sind typischerweise nicht total unimodular!
KAPITEL 6 GANZZAHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULARE MATRIZEN
KPITEL 6 GNZZHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULRE MTRIZEN F. VLLENTIN,. GUNDERT. Ganzzahlige lineare Programme Viele Optimierungsprobleme des Operations Research lassen sich als ganzzahlige lineare
MehrDie Verbindung von Linearer Programmierung und Graphentheorie
Die Verbindung von Linearer Programmierung und Graphentheorie Definition 5.9. Ein kombinatorisches Optimierungsproblem entspricht einem LP, bei dem statt der Vorzeichenbedingungen x i 0 Bedingungen der
MehrOptimierung auf Netzwerken
KAPITEL 4 Optimierung auf Netzwerken Wir untersuchen hier spezielle lineare Programme, die eine zusätzliche kombinatorische (graphentheoretische) Struktur tragen. Nutzt man diese kombinatorische Struktur
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,
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrFlüsse in Netzwerken
Skript zum Seminar Flüsse in Netzwerken WS 2008/09 David Meier Inhaltsverzeichnis 1 Einführende Definitionen und Beispiele 3 2 Schnitte in Flussnetzwerken 12 2.1 Maximaler s t Fluss..........................
Mehr3. Schnittebenenverfahren
3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research
MehrLineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
MehrLineares Programmieren Algorithmentechnik WS 09/10 Dorothea Wagner 7. Januar 2010
Lineares Programmieren Algorithmentechnik WS 09/10 Dorothea Wagner 7. Januar 2010 FAKULTÄT FÜR I NFORMATIK, I NSTITUT FÜR T HEORETISCHE I NFORMATIK KIT Universität des Landes Baden-Württemberg und nationales
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrWiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
MehrLineare Programmierung
Lineare Programmierung WS 2003/04 Rolle der Linearen Programmierung für das TSP 1954: Dantzig, Fulkerson & Johnson lösen das TSP für 49 US-Städte (ca. 6.2 10 60 mögliche Touren) 1998: 13.509 Städte in
MehrDiskrete Optimierungsverfahren zur Lösung von Sudokus
Diskrete Optimierungsverfahren zur Lösung von Sudokus Seminarvortrag von Daniel Scholz am 6. Dezember 2006 Am Beispiel der Lösung von Sudokurätseln mit Hilfe der linearen Optimierung werden verschiedenen
MehrKombinatorische Geometrien
KAPITEL 5 Kombinatorische Geometrien Beispiele von Geometrien wurden schon als Inzidenzstrukturen (z.b. projektive Ebenen) gegeben. Wir nehmen hier einen anderen Standpunkt ein und verstehen unter einer
MehrTechnische Universitat Darmstadt
Technische Universitat Darmstadt Diskrete Optimierung Nach einer Vorlesung vom Sommersemester 2006 gehalten von Prof. Dr. Alexander Martin Inhaltsverzeichnis 1 Einführung 5 1.1 Beispiele und Formulierungen....................
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrNP-schwierige kombinatorische Optimierungsprobleme
Kapitel 3 NP-schwierige kombinatorische Optimierungsprobleme Optimierungsprobleme sind Probleme, die im Allgemeinen viele zulässige Lösungen besitzen. Jeder Lösung ist ein bestimmter Wert (Zielfunktionswert,
MehrVorlesung 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
MehrVorlesung Kombinatorische Optimierung (Wintersemester 2016/17)
Vorlesung Kombinatorische Optimierung (Wintersemester 06/7) Kapitel : Flüsse und Zirkulationen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 4. Oktober 06) Definition. Ein Netzwerk
MehrSpezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:
Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr4. Vektorräume und Gleichungssysteme
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 41 und 42 4 Vektorräume
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
MehrSpezialgebiet Mathematik(Christian Behon ) 1. Matrizen. Kapitel 1 Definitionen und Herleitung von Matrizen. Kapitel 2 Matrizenoperation
. Inhaltsverzeichnis.............. Spezialgebiet Mathematik(Christian Behon ) 1 Matrizen Kapitel 1 Definitionen und Herleitung von Matrizen 1.1 Was sind Matrizen 1.2 Arten von Matrizen Kapitel 2 Matrizenoperation
Mehr3.2 Lineare Optimierung (Entscheidungen unter Sicherheit)
3. Lineare Optimierung (Entscheidungen unter Sicherheit) Betrachtet wird hier der Fall Θ = (bzw. die Situation u(a, ϑ) bzw. l(a,ϑ) konstant in ϑ Θ für alle a A). Da hier keine Unsicherheit über die Umweltzustände
MehrLineare Algebra I Klausur. Klausur - Musterlösung
Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra I Klausur Klausur - Musterlösung 20. Februar 203 Aufgabe - Lösung Aussage wahr falsch (Z, +, 0) ist eine abelsche Gruppe. Der Ring Z/24Z ist nullteilerfrei.
MehrDER LIFT & PROJECT- SCHNITTEBENENALGORITHMUS FÜR GEMISCHT-GANZZAHLIGE 0/1-OPTIMIERUNGSAUFGABEN
DER LIFT & PROJECT- SCHNITTEBENENALGORITHMUS FÜR GEMISCHT-GANZZAHLIGE 0/1-OPTIMIERUNGSAUFGABEN Diplomarbeit von Stefan Körkel Betreuer: Prof. Dr. Gerhard Reinelt März 1995 UNIVERSITÄT HEIDELBERG FAKULTÄT
Mehr5 Zwei spieltheoretische Aspekte
5 Zwei spieltheoretische Aspekte In diesem Kapitel wollen wir uns mit dem algorithmischen Problem beschäftigen, sogenannte Und-Oder-Bäume (kurz UOB) auszuwerten. Sie sind ein Spezialfall von Spielbäumen,
MehrKLAUSUR zu Einführung in die Optimierung. Studiengang: Bachelor Master Diplom (bitte ankreuzen)
Mathematisches Institut WS 2012/13 der Heinrich-Heine-Universität 7.02.2013 Düsseldorf Prof. Dr. Achim Schädle KLAUSUR zu Einführung in die Optimierung Bitte folgende Angaben ergänzen und DEUTLICH LESBAR
Mehr2. Stetige lineare Funktionale
-21-2. Stetige lineare Funktionale Die am Ende von 1 angedeutete Eigenschaft, die ein lineares Funktional T : D(ú) 6 verallgemeinerten Funktion macht, ist die Stetigkeit von T in jedem n 0 0 D(ú). Wenn
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
Mehr2 Euklidische Vektorräume
Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,
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
MehrWS 2010/ Januar Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch
Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch WS 2010/2011 14. Januar 2011 Geometrie mit Übungen Übungsblatt 9, Musterlösungen Aufgabe 33. Es werden Kreise in der Euklidischen
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Anwendung: Das Heiratsproblem Ganzzahligkeit von Polyedern Anwendung: Netzwerkflüsse Mehrgüterflussprobleme Ganzzahlige Optimierung Inhaltsübersicht für heute: Anwendung: Das
MehrDiskrete Optimierung (Einführung zur Vorlesung)
Diskrete Optimierung (Einführung zur Vorlesung) Christoph Helmberg : [,] Inhaltsübersicht Diskrete Optimierung. Das Heiratsproblem (ungerichtete Graphen).2 Ganzzahligkeit von Polyedern ( und gerichtete
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
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} Ganze Zahlen : Aus
MehrMathematik für Wirtschaftswissenschaftler im WS 2013/14 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7
Mathematik für Wirtschaftswissenschaftler im WS 203/4 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7 Aufgabe 27 Sei eine lineare Abbildung f : R 4 R 3 gegeben durch f(x, x 2, x 3 ) = (2 x 3 x 2
Mehr1 Zahlentheorie. 1.1 Kongruenzen
3 Zahlentheorie. Kongruenzen Der letzte Abschnitt zeigte, daß es sinnvoll ist, mit großen Zahlen möglichst einfach rechnen zu können. Oft kommt es nicht darauf, an eine Zahl im Detail zu kennen, sondern
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrKonvexe Mengen und konvexe Funktionen
Konvexe Mengen und konvexe Funktionen Teilnehmer: Moritz Butz Franziska Ihlefeldt Johannes Jendersie Marie Lambert Eike Müller Gregor Pasemann Konstantin Rohde Herder-Gymnasium Herder-Gymnasium Georg-Forster-Gymnasium
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
MehrAlgorithmen und Datenstrukturen Kapitel 10
Algorithmen und Datenstrukturen Kapitel 10 Flüsse Frank Heitmann heitmann@informatik.uni-hamburg.de 6. Januar 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/8 Flüsse Graphen Grundlagen Definition
Mehr2. Repräsentationen von Graphen in Computern
2. Repräsentationen von Graphen in Computern Kapitelinhalt 2. Repräsentationen von Graphen in Computern Matrizen- und Listendarstellung von Graphen Berechnung der Anzahl der verschiedenen Kantenzüge zwischen
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
Mehr6. Flüsse und Zuordnungen
6. Flüsse und Zuordnungen In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über solch eine Kante pro Zeiteinheit transportiert werden können. Wir können uns einen
MehrOPTIMIERUNG I. Christian Clason. Fakultät für Mathematik Universität Duisburg-Essen
OPTIMIERUNG I Vorlesungsskript, Sommersemester 2014 Christian Clason Stand vom 1. Juli 2014 Fakultät für Mathematik Universität Duisburg-Essen INHALTSVERZEICHNIS I GRUNDLAGEN 1 theorie der linearen ungleichungen
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
MehrTropische Kurven zählen. Enumerative Geometrie. Alg. Geometrie. Beispiel Strategie. Geometrie. Kurven Multiplizität Correspondence Theorem Ergebnisse
Alg. Ebene e Hannah Markwig Technische Universität Kaiserslautern 6. Juli 2006 Alg. Inhalt 1 () 2 3 Der Algorithmus zum Zählen ebener 4 Der Algorithmus Alg. Algebraische Geometrische Objekte sind Nullstellengebilde
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrDaniel Borchmann. Sommerakademie Görlitz September 2007
Einführung in Semidenite Programmierung Daniel Borchmann Sommerakademie Görlitz 2007 12. September 2007 1 Einleitung Lineare Optimierung Semidenite Optimierung 2 MAX-CUT MAX-BISECTION MAX-2SAT Einleitung
MehrOptimierungsalgorithmen
Optimierungsalgorithmen Jakob Puchinger Algorithmen und Datenstrukturen 2 Arbeitsbereich für Algorithmen und Datenstrukturen Institut für Computergraphik und Algorithmen Technische Universität Wien Übersicht
MehrOptimierungsprobleme. B. Langfeld, M. Ritter, B. Wilhelm Diskrete Optimierung: Fallstudien aus der Praxis
Optimierungsprobleme Instanz eines Optimierungsproblems zulässiger Bereich (meist implizit definiert) Zielfunktion Optimierungsrichtung opt {max, min} Optimierungsproblem Menge von Instanzen meist implizit
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
MehrTechnische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt
Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik Prof. Dr. A. Taraz, Dipl-Math. A. Würfl, Dipl-Math. S. König Weihnachtsblatt Aufgabe W.1 Untersuchen Sie nachstehenden
MehrOPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
MehrAlgebra und Diskrete Mathematik, PS3. Sommersemester Prüfungsfragen
Algebra und Diskrete Mathematik, PS3 Sommersemester 2016 Prüfungsfragen Erläutern Sie die Sätze über die Division mit Rest für ganze Zahlen und für Polynome (mit Koeffizienten in einem Körper). Wodurch
MehrOptimierung I. Dr. Ulf Lorenz F2.413
Optimierung I Dr. Ulf Lorenz F2.413 flulo@upb.de Organisation Dozent: Dr. Ulf Lorenz F2.413 Fürstenallee 11 email: flulo@upb.de WWW: http://www.upb.de/cs/flulo (hier auch aktuelle Infos + Ü-Zettel) Vorlesungen:
MehrGemischt-ganzzahlige und Kombinatorische Optimierung
5. Präsenzaufgabenblatt, Sommersemester 2015 Übungstunde am 15.06.2015 Aufgabe J Betrachten Sie die LP-Relaxierung max c T x a T x b 0 x i 1 des 0/1-Knapsack-Problems mit n Gegenständen, c 0 und a > 0.
MehrGraphentheorie. Maximale Flüsse. Maximale Flüsse. Maximale Flüsse. Rainer Schrader. 31. Oktober Gliederung. sei G = (V, A) ein gerichteter Graph
Graphentheorie Rainer Schrader Zentrum ür Angewandte Inormatik Köln 31. Oktober 2007 1 / 30 2 / 30 Gliederung maximale Flüsse Schnitte Edmonds-Karp-Variante sei G = (V, A) ein gerichteter Graph sei c eine
MehrLineare Programmierung
Seminar: Intelligente Algorithmen Stefan Kopp, Alfred Kranstedt, Nadine Leßmann Lineare Programmierung Frank Schönmann WS 2003/04 Inhaltsverzeichnis 1 Motivation 3 2 Lineare Programmierung (LP) 4 2.1 Einführendes
MehrEffiziente Algorithmen I
H 10. Präsenzaufgabenblatt, Wintersemester 2015/16 Übungstunde am 18.01.2015 Aufgabe Q Ein Reiseveranstalter besitzt ein Flugzeug, das maximal p Personen aufnehmen kann. Der Veranstalter bietet einen Flug
MehrHomogenität Assoziativgesetz A (B 1 + B 2 ) = A B 1 + A B 2 Distributivgesetz 1 (A 1 + A 2 ) B = A 1 B + A 2 B Distributivgesetz 2
1. Formatbedingungen der Matrixoperationen Die Addition (Subtraktion) A ± B verlangt gleiches Format der Operanden A und B. Das Ergebnis hat das Format der Operanden. Skalarmultiplikation λa: Es gibt keine
MehrOptimierung. Zusammenfassung
Optimierung Zusammenfassung Inhalte 1. Lineare Programmierung 2. Simplexalgorithmus 3. Ellipsoidmethode 4. Dualität 5. Ganzzahligkeit 6. Facility Location 7. Randomisiertes Runden 8. Branch and Bound &
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrKapitel 17. Determinanten
Kapitel 17. Determinanten Vorschau: Determinanten Es gibt drei Problemfelder, für die Determinanten von großem Nutzen sind: die formelmäßige Überprüfung der linearen Unabhängigkeit eines Systems von n
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
Mehr3.3 Klassifikation quadratischer Formen auf R n
3.3. Klassifikation quadratischer Formen auf R n 61 3.3 Klassifikation quadratischer Formen auf R n Wir können den Hauptsatz über symmetrische Matrizen verwenden, um uns einen Überblick über die Lösungsmengen
Mehrx y f : R 2 R 3, Es gilt: Bild f = y : wobei x,y R Kern f = 0 (wird auf der nächsten Folie besprochen)
Def Wiederholung Sei f : V U eine lineare Abbildung Das Bild von f ist die folgende Teilmenge von U: Bild f = {u U so dass es gibt ein Element v V mit f (v) = u} (Andere Bezeichnung: f (V) wird in Analysis-Vorlesung
MehrApproximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling
Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani
Mehr6. Flüsse in Netzwerken Berechnung maximaler Flüsse. dann berechnet der Markierungsalgorithmus für beliebige Kapazitätsfunktionen
6. Flüsse in Netzwerken Berechnung maximaler Flüsse Satz 6.4. Ersetzt man in Algorithmus 6.1 den Schritt 2 durch 2a. Wähle den Knoten, der zuerst in eingefügt wurde. Setze. dann berechnet der arkierungsalgorithmus
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2016 Lineare Gleichungssysteme Schwerpunkte: Interpretation und Verständnis der Gleichungen Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik unter
MehrKapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung
Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter
MehrLineare (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik Universität Innsbruck Lehrer/innen/fortbildungstag Wien 2010 9. April 2010 Eine Maximumsaufgabe Eine Firma stellt aus
Mehrklar. 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
MehrLineare Gleichungssysteme (Teschl/Teschl 11.1)
Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...
MehrBrückenkurs Elementarmathematik
Brückenkurs Elementarmathematik IV. Ungleichungen November 13, 2013 Inhalt 1 Ungleichungen 2 Umformungen von Ungleichungen 2.1 Äquivalenzumformungen 2.2 Addition und Multiplikation von Ungleichungen 3
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
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
MehrBeispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger
Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Stefan Lell 2. Juli 2 Aufgabe. Sei t Q und A t = t 4t + 2 2t + 2 t t 2t 2t Mat 3Q a Bestimmen Sie die Eigenwerte von A t in Abhängigkeit
MehrLineare Algebra II 5. Übungsblatt
Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross / Mai Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Algebraisch abgeschlossener Körper) Ein Körper heißt algebraisch abgeschlossen,
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrDer Golay-Code und das Leech-Gitter
Der Golay-Code und das Leech-Gitter Vortrag zum Seminar Gitter und Codes Nils Malte Pawelzik.5.5 Inhaltsverzeichnis Designs 3. Elementare Eigenschaften eines Designs und die Eindeutigkeit eines - (, 5,
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen 5. Zwei spieltheoretische Aspekte Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2015/2016 1 / 36 Überblick
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrKapitel III. Stetige Funktionen. 14 Stetigkeit und Rechenregeln für stetige Funktionen. 15 Hauptsätze über stetige Funktionen
Kapitel III Stetige Funktionen 14 Stetigkeit und Rechenregeln für stetige Funktionen 15 Hauptsätze über stetige Funktionen 16 Konvergenz von Funktionen 17 Logarithmus und allgemeine Potenz C 1 14 Stetigkeit
MehrKap 5: Rang, Koordinatentransformationen
Kap 5: Rang, Koordinatentransformationen Sei F : V W eine lineare Abbildung. Dann ist der Rang von F erklärt durch: rang F =dim ImF. Stets gilt rang F dimv, und ist dimv
MehrKAPITEL 3. Kooperative Spiele
KAPITEL 3 Kooperative Spiele In den bisher betrachteten Modellen spielen die Spieler gegeneinander und versuchen dabei, ihren persönlichen Nutzen zu maximieren. Dabei hat sich herausgestellt, dass das
Mehr6.2 Perfekte Sicherheit
04 6.2 Perfekte Sicherheit Beweis. H(B AC) + H(A C) = H(ABC) H(AC) + H(AC) H(C) Wegen gilt Einsetzen in die Definition gibt = H(AB C). H(A BC) = H(AB C) H(B C). I(A; B C) = H(A C) H(AB C) + H(B C). Da
Mehr