Operations Research. Ganzzahlige lineare Programme. ganzzahlige lineare Programme. Ganzzahlige lineare Programme. Rainer Schrader. 25.
|
|
- Karola Kolbe
- vor 6 Jahren
- Abrufe
Transkript
1 Operations Research Rainer Schrader Ganzzahlige lineare Programme Zentrum für Angewandte Informatik Köln 25. Juni / 49 2 / 49 Ganzzahlige lineare Programme Gliederung ganzzahlige lineare Programme Schnittebenen das Verfahren von Gomory Rucksack-Probleme ganzzahlige lineare Programme wir betrachten nun Optimierungsprobleme vom Typ min c T x Ax = b x 0, x ganzzahlig wir nehmen in diesem Kapitel durchweg an, dass sämtliche Problemparameter A, c, b rational sind nach Skalierung können wir sogar Ganzzahligkeit voraussetzen: wir setzen wieder A Z m n, c Z n, b Z m. P = {x R n Ax = b, x 0} (1) 3 / 49 4 / 49
2 ganzzahlige lineare Programme ganzzahlige lineare Programme min c T x Ax = b x 0, x ganzzahlig das Optimierungsproblem (1) ist kein lineares Programm : der Zulässigkeitsbereich ist F = {x P x N n } und damit im allgemeinen nicht konvex und kein Polyeder ist F endlich, so sei P I = conv F dann ist (1) äquivalent zu dem Problem (1) P I min c T x x P I ist die konvexe Hülle von endlich vielen Punkten daher existiert eine Matrix A und ein Vektor b mit P I = P(A, b ) wären A und b bekannt, so könnte man das Ausgangsproblem (1) z.b. mit der Simplexmethode lösen: min c T x A x b min c T x x P I da die Ecken von P I Polyeder ganzzahlig sind, ist auch P(A, b ) ein rationales 5 / 49 6 / 49 ganzzahlige lineare Programme da die Ecken von P I ganzzahlig sind, ist auch P(A, b ) ein rationales Polyeder diese Aussage gilt aber auch, wenn F nicht endlich ist seien A Z m n und b Z m gegeben und P das entsprechende rationale Polyeder P = P(A, b) = {x R n Ax b} wir interessieren uns für die Menge P I = conv{x P x Z n }. Proposition 1 Ist P eine rationales Polyeder, dann ist auch P I ein rationales Polyeder. ganzzahlige lineare Programme im Fall P I = ist nichts zu beweisen sei also P I nach dem Satz von Weyl-Minkowski existieren endliche Mengen V, W Q n so, dass P = conv V + cone W. nach geeigneter Skalierung dürfen wir annehmen, dass die Vektoren w W ganzzahlig sind jedes x P hat dann eine Darstellung der Form x = V s + W t mit s, t 0, 1 T s = 1 7 / 49 8 / 49
3 ganzzahlige lineare Programme x = V s + W t mit s, t 0, 1 T s = 1 sei t der folgende Vektor: 8 < t i, falls t i Q N t i = 0, falls t i = 0 : t i 1, sonst deshalb Schnittebenen P = {V s + W t s 0, 1 T s = 1, 0 t 1} P Z n = P Z n + {W z z 0 ganzzahlig} sei weiter t = t t 0 P ist ein Polytop und somit beschränkt dann lässt sich x schreiben als x = (V s + W t) + W t = x + W t wobei t ganzzahlig und x in dem Polytop damit ist P Z n weiter ist eine endliche Menge P I = conv(p Z n ) + cone W (2) P = {V s + W t s 0, 1 T s = 1, 0 t 1} wegen W t Z n folgt x Z n x Z n somit ist P I ein Polyeder. 9 / / 49 Schnittebenen Schnittebenen Bemerkung 1: P I = conv(p Z n ) + cone W (2) aus (2) ließe sich im Prinzip (z.b. mit Fourier-Motzkin) eine lineare Beschreibung von P I durch Ungleichungen ableiten für das Optimierungsproblem (1) ist dies jedoch nicht interessant ein solches Vorgehen würde voraussetzen, dass man sämtliche ganzzahligen Vektoren in P auflisten müsste darunter auch die Optimallösung von (1) Bemerkung 2: die Voraussetzung der Rationalität der Daten ist wichtig betrachte das Polyeder P = {(x 1, x 2 ) x 1 + 2x } dann kann P I kein Polyeder sein, denn: die lineare Zielfunktion x 1 + 2x 2 ist nach oben durch 1 beschränkt 2 das Supremum sup {x 1 + 2x 2 (x 1, x 2 ) P I } wird jedoch nicht angenommen. 11 / / 49
4 Ganzzahlige lineare Programme Gliederung ganzzahlige lineare Programme das Verfahren von Gomory Rucksack-Probleme Das Verfahren von Gomory wir wollen eine lineare Beschreibung von P I erhalten wir gehen dazu von gültigen Ungleichungen für P = P(A, b) aus nach dem Lemma von Farkas können wir dazu ein beliebiges rationales y 0 und c T = y T A betrachten dann ist c T x z mit z = y T b eine gültige Ungleichung für P sei speziell c T = y T A ganzzahlig dann wird die folgende Ungleichung von allen ganzzahligen Vektoren in P erfüllt: c T x z mit z = y T b Z d.h. sie ist eine gültige Ungleichung für P I 13 / / 49 Das Verfahren von Gomory Es genügt dabei, sich auf y [0, 1] m zu beschränken: denn sei y Q n +, z = y N n + und y = y z dann ist 0 y 1 und es gilt: (1) (y ) T A Z n (y + z) T A Z n y T A Z n (2) Ax b impliziert bereits die Ungleichung (z T A)x z T b Z (3) für ganzzahliges x P(A, b) gilt daher y T Ax y T b = y T Ax + z T Ax y T b + z T b = (y T + z T )Ax (y T + z T )b = (y ) T Ax (y ) T b damit erhalten wir das Gomory-Polyeder Schnittebenen P = {x P (y T A)x y T b, y [0, 1) m, y T A Z n }. die Menge {y T A 0 y < 1} ist eine beschränkte Menge von Zeilenvektoren in R n sie enthält deshalb nur endlich viele ganzzahlige Vektoren daher ist P tatsächlich ein Polyeder d.h. die Gültigkeit von y T Ax y T b impliziert die Gültigkeit von (y ) T Ax (y ) T b 15 / / 49
5 Das Verfahren von Gomory Das Verfahren von Gomory iterieren wir diese Konstruktion, so ergibt sich die P P P... P I. Gomory-Folge der Beweis ist nicht schwierig, aber etwas aufwendig deshalb sei hier darauf verzichtet, wir beweisen nur: 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 2 (Gomory) Die Gomory-Folge eines rationalen Polyeders P hat endliche Länge und endet mit P I. Lemma 3 Sei P ein rationales Polytop mit P = P. Dann gilt P = P I. angenommen P P I dann hat P eine Ecke v mit (mindestens) einer Komponente v j wir wissen: zu jeder Seitenfläche F existiert eine Ungleichung c T x t so, dass F = P {x c T x = t} damit existiert ein c Z n derart, dass die Funktion f (x) = c T x über P genau von v maximiert wird / Z 17 / / 49 seien v (1),..., v (k ) Das Verfahren von Gomory die übrigen Ecken von P und min l=1,...,k (ct v c T v (l) ) = ε > 0 max x P x x n = M <. sei K N so gewählt, dass K ε > 2M gilt sei weiter c T = [Kc 1,..., Kc j + 1,..., Kc n ] = K c T + e T j. Das Verfahren von Gomory wegen c T v K c T v = v j / Z ist entweder c T v / Z oder c T v / Z also ist eine der folgenden Ungleichung für P I gültig, nicht aber für P: c T x c T v oder c T x c T v eine d.h. P P. dann maximiert v auch die Funktion c T x über P: denn für jede andere Ecke v (l) von P gilt K (c T v (l) ) + v (l) j K (c T v ε) + M < K c T v M < K c T v + v j 19 / / 49
6 Das Verfahren von Gomory Der Satz von Gomory führt zu einem endlichen Algorithmus zur Lösung des ganzzahligen Optimierungsproblems Gomory-Verfahren (1) setze P = {x Ax b} max c T x s.d. Ax b, x Z n. Ganzzahlige lineare Programme Gliederung ganzzahlige lineare Programme das Verfahren von Gomory Rucksack-Probleme (2) löse das lineare Programm max c T x s.d. x P (3) ist die Optimallösung x ganzzahlig, stop (4) andernfalls berechne das Gomory-Polyeder P (5) setze P = P und gehe zu (2) In der Praxis ist diese Vorgehensweise typischerweise höchst ineffizient. 21 / / 49 das Gomory-Verfahren versucht, das Polyeder P I zu beschreiben für die Optimierung kann es reichen, P I nur lokal zu beschreiben d.h. in der Nähe des Optimums dies versuchen die Vorgehensweise der (1) löse die LP-Relaxierung des Problems (2) sei x die gefundene Optimallösung (3) ist x ganzzahlig, stop (4) andernfalls sei a T x b eine Schnittebene, die x abschneidet (5) füge die Ungleichung zum LP hinzu und gehe zu (1) sei dazu x / P I eine Schnittebene ist eine Hyperebene, die x von P I trennt 23 / / 49
7 die Kunst liegt darin, schnell Schnittebenen bestimmen zu können sowie möglichst tiefe Schnitte zu finden bei speziellen kombinatorischen Problemen lassen sich oft gezielt Schnittebenen bestimmen, die zu praktikablen Algorithmen führen es ist aber immer möglich, aus dem Simplextableau Schnitte abzuleiten sei B die für die LP-Relaxierung gefundene optimale Basis sei die zugehörige Basislösung x noch nicht ganzzahlig dann existiert ein ein Index i B so, dass x i die i-te Zeile des Simplextableaus lautet: x i + X j N a ij x j = b i / N x i + X a ij x j = b i j N da die Variablen nicht negativ sind, folgt: x i + X a ij x j b i j N für ganzzahlige x folgt daraus die Gültigkeit der Ungleichung: x i + X a ij x j b i j N per Konstruktion ist dies eine Schnittebene für die Optimallösung wir illustrieren jetzt an einem Beispielproblem 25 / / 49 Ganzzahlige lineare Programme Gliederung ganzzahlige lineare Programme Schnittebenen das Verfahren von Gomory Rucksack-Probleme Beispiel: Wir betrachten das folgende ganzzahlige lineare Programm: Rucksack-Problem gegeben: c 1,..., c n, a 1,..., a n, b N bestimme eine Teilmenge I {1,..., n} so, dass a(i) = P i I a i b c(i) = P i I c i maximal Die ist offensichtlich ein spezielles ganzzahliges lineares Programm. 27 / / 49
8 Die ist offensichtlich ein spezielles ganzzahliges lineares Programm: max c 1 x 1 + c 2 x c n x n s.d a 1 x 1 + a 2 x a n x n b x 1 1 x 2 1. x n 1 x 1, x 2,..., x n, N zulässige Ungleichungen für das Rucksack-Problem: sei J {1,..., n} so, dass a(j) > b a(j j) b für alle j J dann ist die folgende Überdeckungs-Ungleichung zulässig: x(j) = X x j J 1 j J die Variablen liegen in {0, 1} das Programm enthält nur eine Restriktion 29 / / 49 Beispiel: Wir betrachten das folgende ganzzahlige lineare Programm: max 40x x x x 4 s.d 4x 1 + 2x 2 + 3x 3 + 1x 3 6 x 1 1 x 1 1 x 1 1 x 1 1 x 1, x 2, x 3, x 4, N Eine Optimallösung der LP-Relaxierung lautet: x 1 = 1, x 2 = 0.5, x 3 = 0, x 4 = 1 mit z = 57.5 Eine Optimallösung der LP-Relaxierung lautet: x 1 = 1, x 2 = 0.5, x 3 = 0, x 4 = 1 mit z = 57.5 Die Restriktion lautet: 4x 1 + 2x 2 + 3x 3 + 1x 3 6 offensichtlich passen x 1, x 2 und x 4 nicht gleichzeitig in den Rucksack d.h. x 1 + x 2 + x 4 2 ist eine Schnittebene wir fügen diese Ungleichung zum LP hinzu und lösen erneut die Optimallösung des erweiterten LP s lautet: x 1 = 1, x 2 = 1 mit z = / / 49
9 Ganzzahlige lineare Programme Gliederung ganzzahlige lineare Programme das Verfahren von Gomory Rucksack-Probleme wir gehen das Ganzzahligkeitsproblem nun von einer anderen Seite an sei A Z m n und P = {x R n Ax = b, x 0} obda nehmen wir wieder m = rg A an wir suchen nach Bedingungen an A, die folgendes garantieren: ist b ganzzahlig, so hat P nur ganzzahlige Ecken. 33 / / 49 Lemma 4 Sei A eine ganzzahlige, reguläre (m m)-matrix. Dann ist A 1 b Z m alle b Z m genau dann, wenn det A = 1. für Lemma 4 Sei A eine ganzzahlige, reguläre (m m)-matrix. Dann ist A 1 b Z m alle b Z m genau dann wenn det A = 1. für sei det A = 1 und x = A 1 b sei umgekehrt A 1 b Z m für alle b Z m nach der Cramerschen Regel gilt für die Komponenten von x: dann ist insbesondere A 1 e i Z m für alle Einheitsvektoren e i x j = det A(j, b) det A (j B), somit ist A 1 eine ganzzahlige Matrix damit sind sowohl det A als auch det A 1 ganzzahlig hierbei geht A(j, b) aus A hervor, indem die j-te Spalte durch b ersetzt wird da det A det A 1 = 1, folgt det A = 1. für b Z m ist dann det A(j, b) eine ganze Zahl 35 / / 49
10 Sei A eine ganzzahlige Matrix mit vollem Zeilenrang. A heißt unimodular, wenn für jede (m m)-basisteilmatrix A B von A gilt:. Satz 5 det A B = 1 Sei A eine ganzzahlige (m n)-matrix mit vollem Zeilenrang. Dann sind folgende Aussagen äquivalent: (i) A ist unimodular, (ii) für jedes b Z m hat das Polyeder {x Ax = b, x 0} nur ganzzahlige Ecken. (ii) habe umgekehrt für jedes b Z m das Polyeder {x Ax = b, x 0} nur ganzzahlige Ecken sei A B eine Basismatrix und w Z m nach Lemma 4 müssen wir zeigen: A 1 B w ist ganzzahlig sei y Z m so, dass y + A 1 B w 0 sei b = A B (y + A 1 B w) dann ist b ganzzahlig weiter ist x B = y + A 1 B w, x N = 0 N Basislösung von {x Ax = b, x 0} nach Voraussetzung ist dann x B ganzzahlig und somit ist auch A 1 B w = x B y ganzzahlig. (i) zu jeder Ecke x existiert eine Basismatrix A B mit x = A 1 B b nach Lemma 4 ist dann x ganzzahlig für jedes b Z m 37 / / 49 um Ganzzahligkeitsresultate auch für andere Polyederdarstellungen herleiten zu können, modifizieren wir den Begriff der eine Matrix A heißt total unimodular, wenn für jede quadratische Teilmatrix A von A gilt: det A { 1, 0, +1}. ist A total unimodular, so gilt insbesondere a ij { 1, 0 + 1} für alle i, j Lemma 6 A ist total unimodular [A, I] ist unimodular. sei [A, I] unimodular und B eine quadratische Teilmatrix von A dann ist B singluär (d.h. det B = 0) oder regulär im zweiten Fall kann B mit Einheitspalten zu einer Basismatrix B [A, I] erweitert werden nach Voraussetzung ist dann det B = 1 von Beispiel Die Matrix A =» ist unimodular, aber nicht total unimodular. Der Zusammenhang zwischen und totaler wird u.a. durch das folgende Lemma beschrieben: Entwicklung von det B nach den Einheitsspalten zeigt det B = 1 sei umgekehrt A total unimodular und B eine Basismatrix von [A, I] enthält B keine Spalten von I, so folgt det B = 1 per Voraussetzung im anderen Fall folgt die Aussage wieder aus der Entwicklung nach den Einheitsspalten. 39 / / 49
11 Damit folgt unmittelbar: Satz 7 Sei A eine ganzzahlige (m n)-matrix. Dann sind folgende Aussagen äquivalent: (i) A ist total unimodular, (ii) für jedes b Z m hat das Polyeder {x Ax b, x 0} nur ganzzahlige Ecken. wir erweitern wieder um Schlupfvariablen y dann ist äquvalent: {x Ax b, x 0} hat nur ganzzahlige Ecken {(x, y) Ax + Iy = b, x, y 0} hat nur ganzzahlige Ecken damit folgt die Aussage aus Satz 5. bevor wir Beispiele von total unimodularen Matrizen diskutieren, geben wir einige wichtige Matrixkonstruktionen an. Lemma 8 Sei A Z m n total unimodular und e Z m ein Einheitsvektor. Dann gilt: (i) wenn man eine Spalte von A mit 0 oder 1 multipliziert, erhält man wieder eine total unimodular Matrix (ii) A T total unimodular (iii) A = [A, e] ist total unimodular. (i) 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 41 / / 49 (iii) betrachte 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 9 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. ist A total unimodular, so folgt nach Lemma 8: A T ist total unimodular (A T I I) ist total unimodular (A T I I) T ist total unimodular damit ist P Lösungsmenge des total unimodularen Systems A b 4 I 5 x 4 u 5 I l 43 / / 49
12 Intervallmatrizen sei A eine (0, 1)-Matrix A heißt Intervallmatrix, wenn gilt: es gibt eine Umordnung der Zeilen so, dass in jeder Spalte die Einsen konsekutiv auftauchen Beispiele: C A C A offensichtlich ist jede quadratische Untermatrix einer Intervallmatrix wieder eine Intervallmatrix Die rechte Matrix ist keine Intervallmatrix, denn: die Zeilen 1 und 3, 2 und 4, 1 und 4 sowie 2 und 3 müssen benachbart sein damit muss die Permutation 231 oder 132 enthalten dann sind aber 2 und 4 oder 1 und 4 nicht benachbart 45 / / 49 Es gilt: Lemma 10 Jede Intervallmatrix A ist total unimodular. obda sei A = [a ij ] quadratisch und j 1 für j = 1,..., k a j1 = 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 Spalte ein Einheitsvektor Entwicklung der Determinante nach der ersten Spalte liefert dann die Behauptung per Induktion im Fall k 2 subtrahiere die erste Zeile von den Zeilen 2,..., k die resultierende Matrix ist wieder eine Intervallmatrix die Determinante hat sich nicht geändert auf die neue Matrix trifft dann der erste Fall zu. (0, 1)-Inzidenzmatrizen von allgemeinen Familien F von Teilmengen einer endlichen Grundmenge M sind typischerweise nicht total unimodular! 47 / / 49
13 Lemma 11 (Poincaré) Ist A eine { 1, 0, 1}-Matrix, bei der jede Spalte höchstens eine +1 und eine 1 enthält, so ist A total unimodular. sei B eine (k, k )-Untermatrix ist k = 1, so ist det(b) { 1, 0, 1} sei also k > 1 hat B eine Spalte mit höchstens einem Eintrag ungleich Null: entwickle die Determinante nach dieser Spalte per Induktion folgt det(b) { 1, 0, 1} andernfalls ist die Summe aller Spalten Null und somit det(b) = / 49
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
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,
Mehr3. Schnittebenenverfahren
3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research
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
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
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
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
Mehr3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
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:
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
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..........................
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
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
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
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
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
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....................
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
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.
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
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
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
MehrLineares 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
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:
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
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
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
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
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
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
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
MehrMathematische Optimierung
Mathematische Optimierung Geschrieben von Jan Pöschko auf Grundlage der Vorlesung von Bettina Klinz TU Graz Sommersemester 2007 Stand: 27. Oktober 2009 Inhaltsverzeichnis I Lineare Optimierung 7 1 Grundlegende
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
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.
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
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrPrüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?
1. Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? A. Wenn n = 3 ist, sind mindestens zwei der drei Euler-Winkel einer Drehung kleiner oder gleich π. B. Wenn n = 2
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
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
MehrSchranken für zulässige Lösungen
Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung
MehrLösungsvorschläge Blatt Z1
Theoretische Informatik Departement Informatik Prof. Dr. Juraj Hromkovič http://www.ita.inf.ethz.ch/theoinf16 Lösungsvorschläge Blatt Z1 Zürich, 2. Dezember 2016 Lösung zu Aufgabe Z1 Wir zeigen L qi /
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
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,
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrLineare 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
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
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
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,
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
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
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
Mehr3 Vom Zählen zur Induktion
7 3 Vom Zählen zur Induktion 3.1 Natürliche Zahlen und Induktions-Prinzip Seit unserer Kindheit kennen wir die Zahlen 1,, 3, 4, usw. Diese Zahlen gebrauchen wir zum Zählen, und sie sind uns so vertraut,
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
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
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrLineare Optimierung. bei Prof. Walter Alt. Semester: SS 2006 und WS 2009
Lineare Optimierung bei Prof. Walter Alt Semester: SS 2006 und WS 2009 Vorwort Dieses Dokument wurde als Skript für die auf der Titelseite genannte Vorlesung erstellt und wird jetzt im Rahmen des Projekts
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
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
MehrVorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel
Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3
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
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
MehrMathematik 1 für Wirtschaftsinformatik
für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Komplexe Zahlen 5 Lineare Algebra 6 Lineare Programme 2 Grundlegende
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
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
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
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
MehrOptimierungsalgorithmen
Optimierungsalgorithmen Jakob Puchinger Algorithmen und Datenstrukturen 2 Arbeitsbereich für Algorithmen und Datenstrukturen Institut für Computergraphik und Algorithmen Technische Universität Wien Übersicht
MehrOptimierung I. Einführung in die Optimierung. Skript zur Vorlesung von Prof. Dr. Mirjam Dür Prof. Dr. Alexander Martin Prof. Dr.
Optimierung I Einführung in die Optimierung Skript zur Vorlesung von Prof. Dr. Mirjam Dür Prof. Dr. Alexander Martin Prof. Dr. Stefan Ulbrich Wintersemester 2008/2009 TU Darmstadt Überarbeitete Version
MehrLösungen 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.
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
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 III. Lineare Abbildungen
Kapitel III. Lineare Abbildungen Beispiele: 1 Lineare Abbildungen a) Seien c 1,..., c n K vorgegeben. Betrachte die Funktion F (x 1,..., x n ) = c 1 x 1 + c 2 x 2 +... + c n x n in den Variablen x 1,...,
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,
MehrProf. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis
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
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Wiederholung Eine Menge von Vektoren a 1, a 2,, a k heisst linear unabhängig, wenn eine Linearkombination c 1 a 1 + c 2 a 2 + + c k a k = k c i a i (1) i=1 nur dann Null sein
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
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:
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
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 +...
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
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.
MehrÜbungen zur Linearen Optimierung Sommersemester 2011. Übungsblatt 1
Universität Heidelberg Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Graduiertenschule HGS MathComp Dr. Stefan Körkel Magdalena Gottfried Übungen zur Linearen Optimierung Sommersemester 2011
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
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
MehrThemen: Kubische Gleichungen, Ungleichungen, Induktion
Lo sungen zu U bungsblatt Mathematik fu r Ingenieure Maschinenbauer und Sicherheitstechniker), 1. Semester, bei Prof. Dr. G. Herbort im WiSe1/14 Dipl.-Math. T. Pawlaschyk, 05.11.1 Themen: Kubische Gleichungen,
MehrDivision 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
MehrEine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls
Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv
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
MehrOptimieren unter Nebenbedingungen
Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht
MehrARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES LINEARE OPTIMIERUNG
¾ REITSUNTERLGEN ZUR VORLESUNG UND ÜUNG N DER UNIVERSITÄT DES SRLNDES LINERE OPTIMIERUNG IM SS Lineare Optimierung (SS ). ufgabe (Graphische Lineare Optimierung) Nach einem anstrengenden Semester steht
Mehr(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)
3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten
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
Mehr0, 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,
MehrKLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008
KLAUSUR ZUR LINEAREN ALGEBRA I. Februar 008 MUSTERLÖSUNG Diese Klausur wurde je nach Sitzreihe in zwei verschiedenen Versionen geschrieben. Die andere Version unterscheidet sich von der vorliegenden jedoch
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 und Ganzzahlige Optimierung
Lineare und Ganzzahlige Optimierung Tim Nieberg Research Institute for Discrete Mathematics University of Bonn Lennéstr. 2 D-53113 Bonn nieberg@or.uni-bonn.de This device is provided without warranty of
Mehr4.4. Rang und Inversion einer Matrix
44 Rang und Inversion einer Matrix Der Rang einer Matrix ist die Dimension ihres Zeilenraumes also die Maximalzahl linear unabhängiger Zeilen Daß der Rang sich bei elementaren Zeilenumformungen nicht ändert
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
Mehr