III. Transportaufgaben 1. Problemstellung 2. Analyse 3. Bestimmung der Startecke 4. Eckenaustausch 5. Umladeprobleme 6. Zuordnungsprobleme
|
|
- Waldemar Weber
- vor 6 Jahren
- Abrufe
Transkript
1 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
2 1. Problemstellung Wir beschäftigen uns hier mit einer speziellen Form von linearen Optimierungsproblemen, den sog. Transportproblemen. Hierbei sollen die Kosten für den Transport von Gütern von einer Reihe von Lagerplätzen zu Verbrauchsplätzen minimiert werden. Annahme: es existieren m Lagerplätze R 1, R 2,..., R m (z.b. Lagerhäuser) n Verbrauchsplätze D 1, D 2,..., D n (z.b. Fabriken) a i bezeichne die Anzahl der vorrätigen Waren am Lagerplatz R i. b j bezeichne die Zahl der benötigten Waren am Verbrauchsplatz D j. c ij seine die Kosten pro Einheit für den Transport von R i nach D j. C = (c ij ) ist die Kostenmatrix. H. Weber, FHW, OR SS07, Teil 6, Seite 2
3 Gesucht sind die Anzahlen x ij der von R i nach D j zu transportierenden Waren, so daß die Kosten minimiert werden. X = (x ij ) ist die Transportmatrix. Mathematisch kann das Problem folgendermaßen formuliert werden: m n Minimiere f = c ij x ij (1) i=1 j=1 n unter den Nebenbedingungen x ij = a i, i = 1,..., m (2) j=1 m x ij = b j, j = 1,..., n (3) i=1 und Vorzeichenbedingungen x ij 0, i = 1,..., m, j = 1,..., n. (4) H. Weber, FHW, OR SS07, Teil 6, Seite 3
4 Dies ist ein LOP mit m*n Variablen und m+n Nebenbedingungen. Wir nehmen ferner an, daß der totale Bedarf gleich dem totalen Vorrat an Waren ist (Geschlossenheitsbedingung): n m a i = b j = c i=1 j=1 Man kann jedes Transportproblem in ein geschlossenes Transportproblem überführen. Im Fall n m a i > b j i=1 j=1 führt man einen fiktiven Kunden D n+1 mit dem Bedarf n m b n+1 = a i - b j ein. c i,n+1 sind dann die Lagerkosten des Lagers R i. i=1 j=1 H. Weber, FHW, OR SS07, Teil 6, Seite 4
5 Im Fall n m a i < b j i=1 j=1 führt man ein fiktives Lager R m+1 mit dem Vorrat m n a m+1 = b j - a i ein. c m+1,j sind dann die Kosten der j =1 i =1 Nichtbelieferung. Wir legen also in Zukunft o.b.d.a. ein geschlossenes Transportproblem zugrunde. H. Weber, FHW, OR SS07, Teil 6, Seite 5
6 2. Analyse Dieses Transportproblem wurde erstmals von Hitchcock (1941) und Koopmans (1947) betrachtet. Es weist gegenüber normalen LOPs einige Besonderheiten in der Struktur der Nebenbedingungen auf: Nur Gleichungsnebenbedingungen. Alle Nichtnull-Koeffizienten der Nebenbedingungen sind gleich 1. Die Koeffizienten erscheinen in einer Dreiecksform. Jede Variable erscheint nur einmal in den ersten m Gleichungen und einmal in den folgenden n Gleichungen. H. Weber, FHW, OR SS07, Teil 6, Seite 6
7 Das Transportproblem hat also die Form x 11 +x x 1n = a 1 x 21 +x x 2n = a x m1 +x m x mn = a m x 11 +x 21 +x m1 = b 1 x 12 +x 22 +x m2 = b x 1n +x 2n +x mn = b n c 11 x 11 +c 12 x c 1n x 1n c m1 x m1 +c m2 x m c mn x mn = f H. Weber, FHW, OR SS07, Teil 6, Seite 7
8 Transportprobleme können leicht als Graphen dargestellt werden: Lagerplätze I, II, III, Verbrauchsplätze A, B, C, D H. Weber, FHW, OR SS07, Teil 6, Seite 8
9 Das oben definierte Transportproblem kann mit einem ganz normalen Programm für den Simplex-Algorithmus aufgelöst werden (2 Phasen). Jedoch ist dies wegen der Grösse der üblichen Probleme sehr aufwendig und nicht optimal. Vielmehr gibt es wegen der genannten besonderen Struktur sog. Transport-Techniken bzw. -Algorithmen, die speziell angepasste Simplex-Algorithmen darstellen. Satz 1: Die mxn Matrix der Nebenbedingungen H. Weber, FHW, OR SS07, Teil 6, Seite 9
10 des Transportproblems hat den Rang m+n-1, da die Summe der Zeilen 1 bis m gleich der der Zeilen m+1 bis m+n ist. Satz 2: Sind alle a i und b j positiv, also auch c, so besitzt das Transportproblem mindestens eine zulässige Lösung, nämlich x ij = a i b j /c Dies ist allerdings keine Ecke! Da der zulässige Bereich wegen 0 x ij min(a i, b j ) beschränkt ist, existiert ein Optimum der Zielfunktion, es liegt in einer Ecke. H. Weber, FHW, OR SS07, Teil 6, Seite 10
11 Vorgehensweise bei der Lösung des Transportproblems: 1. Bestimmung einer zulässigen Startlösung (Ausgangsecke). 2. Optimalitätstest für die gegenwärtige zulässige Lösung: falls die Lösung optimal ist, gehe nach 6, andernfalls nach Auswahl einer Variablen, die Basisvariable werden soll. 4. Auswahl einer Variablen, die Nichtbasisvariable werden soll. 5. Bestimmung einer neuen zulässigen Lösung, dann nach Fertig! H. Weber, FHW, OR SS07, Teil 6, Seite 11
12 3. Bestimmung der Startecke Zur Bestimmung der Anfangsecke gibt es eine Reihe von Verfahren, unter anderem: die Nordwesteckenregel, die Vogel sche Approximationsmethode, die Spaltenminimum-Methode, die Matrixminimum-Methode und andere mehr. Am einfachsten ist die Nordwesteckenregel, da sie die Kostenmatrix nicht beachtet. Die Nordwesteckenregel Hier ermittelt man im Transporttableau von links oben nach rechts unten fortschreitend die anfänglichen Basisvariablen. H. Weber, FHW, OR SS07, Teil 6, Seite 12
13 Start : i := j := 1. Iteration: x ij = min { a i, b j } ; a i := a i - x ij ; b j := b j - x ij ; if a i = 0 then i:= i+1 else j:= j+1; Gehe zu nächsten Iteration. Abbruch: Falls i = m und j=n, wird nach der ersten Zeile der Iteration abgebrochen. x ij ist jeweils ein größtmöglicher Transport von R i nach D j. In der ersten Zeile der Iteration werden Vorrat und Bedarf neu berechnet. Wenn a i = 0 ist, ist der Vorrat in R i aufgebraucht, man geht zur nächsten Zeile, i+1, weil aus R i kein Transport mehr erfolgen kann. Wenn b j = 0 ist, ist der Bedarf von D j gedeckt, man geht zur nächsten Spalte, j+1, weil zum Kunden D j kein Transport mehr erfolgen soll. Werden zwischendurch nie a i und b j beide Null, so werden m+n-1 Plätze H. Weber, FHW, OR SS07, Teil 6, Seite 13
14 in der Transportmatrix mit positiven Zahlen besetzt, darunter x 11 und x mn. Sie sind die Basisvariablen. Die übrigen Werte werden implizit gleich Null gesetzt. Wird bei diesem Verfahren zwischendurch zugleich a i = 0 und b j = 0, so fährt man bei R i+1 und D j+1 fort, nimmt aber x i+1,j oder x i,j+1 als Basisvariable mit Wert 0 in die Basis auf. Die Ecke ist dann entartet. Beispiel: Ausgangspunkt D 1 D 2 D 3 D 4 a i i=1, j=1 R R b j H. Weber, FHW, OR SS07, Teil 6, Seite 14
15 D 1 D 2 D 3 D 4 a i x 11 = 2000, a 1 = 2000, b 1 = 0 R i=1, j = 2 R b j D 1 D 2 D 3 D 4 a i x 12 = 2000, a 1 = 0, b 2 = 1000 R i=2, j = 2 R b j H. Weber, FHW, OR SS07, Teil 6, Seite 15
16 D 1 D 2 D 3 D 4 a i x 22 = 1000, a 2 = 6000, b 2 = 0 R i=2, j = 3 R b j D 1 D 2 D 3 D 4 a i x 23 = 5000, a 2 = 1000, b 3 = 0 R i=2, j = 4 R b j H. Weber, FHW, OR SS07, Teil 6, Seite 16
17 D 1 D 2 D 3 D 4 a i x 24 = 1000, a 2 = 0, b 4 = 0 R R b j Insgesamt ergibt sich so ein Zickzackweg von links oben nach rechts unten. Die Nordwesteckenregel ist ein sehr einfaches, heuristisches Verfahren zur Bestimmung der Anfangsecke. Sie benutzt die Werte c ij der Kostenmatrix überhaupt nicht. Dadurch ergibt sich meist keine besonders gute Startlösung. H. Weber, FHW, OR SS07, Teil 6, Seite 17
18 4. Eckenaustausch Die MODI Methode (u-v-methode) von Vajda Die zum Transportproblem (1)-(4) duale Aufgabenstellung lautet m n Maximiere z = a i u i + b j v j i=1 j=1 unter den Nebenbedingungen u i + v j c ij, i=1,,m, j=1, n mit nicht vorzeichenbeschränkten, reellen Variablen u i, v j. Seien x = (x 11,...,x ij,... x mn ) T und (u T, v T ) T optimale, zulässige Lösungen von Primal- und Dualproblem. Dann entsprechen den Problemvariablen x ij des Primalproblems die Schlupfvariablen d ij = c ij u i v j des Dualproblems. H. Weber, FHW, OR SS07, Teil 6, Seite 18
19 Nach dem Satz über den komplementären Schlupf gilt x ij * d ij = 0. D.h. für Basisvariable x ij > 0 gilt d ij = c ij u i v j = 0, und aus d ij 0, d.h. c ij u i v j 0 folgt x ij = 0. Satz 3: Für die Indizes (i,j) der Basisvariablen x ij stellen u i + v j = c ij m+n-1 lineare (unterbestimmte) Gleichungen für die m+n Unbekannten u i, v j dar. Setzt man etwa u 1 = 0 (oder v 1 = 0), so kann man alle u i, v j eindeutig berechnen. Für die Indizes (i,j) der Nichtbasisvariablen x ij berechnet man daraus die Koeffizienten d ij = c ij u i v j, die den Werten der Zielfunktionszeile im üblichen Simplextableau entsprechen. Falls alle d ij 0 sind, i=1,...,m, j=1,...,n, so ist die Basislösung optimal. H. Weber, FHW, OR SS07, Teil 6, Seite 19
20 Andernfalls wird diejenige Nichtbasisvariable aufgenommen x rs, für die d rs = min {d ij } < 0. i, j x rs soll nun Basisvariable werden und einen möglichst großen Wert x rs (θ) = θ > 0 bekommen. Die übrigen Nichtbasisvariablen sollen den Wert 0 behalten. Die Basisvariablen sind neu zu berechnen, so daß alle Nebenbedingungen erfüllt sind. Die aus der Basis zu eliminierende Variable wird bei Simplex-Algorithmus durch Minimumbildung von Quotienten im Tableau bestimmt. Dies ist hier nicht möglich. Man bestimmt hier dazu im Transport-Tableau einen Pfad aus jenen Basiselementen, deren Wert sich bei Erhöhung des Wertes von x rs ändert, damit die Gleichungen der Nebenbedingungen eingehalten werden (Stepping Stone Path). Durch Hinzufügen von x rs entsteht ein Zyklus. H. Weber, FHW, OR SS07, Teil 6, Seite 20
21 Für die x ij des geschlossenen Zickzackweges, der von x rs ausgeht und durch Basisvariable zu x rs zurückführt, setzt man abwechselnd x* ij (θ) = x ij θ und x* ij (θ) + θ Dann sind die Nebenbedingungen erfüllt, weil in einer Zeile bzw. Spalte jeweils θ addiert und subtrahiert wird. Nun suchen wir das grösstmögliche θ so, daß noch alle Vorzeichenbedingungen erfüllt sind, d.h. es darf beim Subtrahieren nie etwas Negatives entstehen. Es ergibt sich θ = min { x ij alte Basisvar. in Zickzackweg}. Ein x* ij (θ), das Null wird, wird neue Nichtbasisvariable, also gegen x rs mit Wert θ ausgetauscht. Der Zielfunktionswert verbessert, d.h. verringert sich bei diesem Basistausch um d rs *θ. Im Tableau wird der Zyklus durch Einzeichnen von + und markiert. H. Weber, FHW, OR SS07, Teil 6, Seite 21
22 Beispiel: Es sei der optimale Transportplan zu finden für folgendes Problem: Lager R 1, R 2 und R 3 mit Vorräten a 1 = 20, a 2 = 25 und a 3 = 40 des Produktes P, Verbraucher D 1, D 2, D 3 und D 4 mit Nachfragen b 1 = 10, b 2 = 25, b 3 = 15, b 4 = 35 Die Transportkosten ergeben sich aus der Matrix D 1 D 2 D 3 D 4 R R R H. Weber, FHW, OR SS07, Teil 6, Seite 22
23 Die Nordwestecken-Regel führt zur Ausgangslösung: D 1 D 2 D 3 D 4 a i R R R b j Basisvariablen sind: x 11, x 12, x 22, x 23, x 33, x 34. Zur Bestimmung der d ij ist das folgende Gleichungssystem für die Basisvariablen (mit v 1 = 0) zu lösen: u 1 + v 1 = c 11 = 1 u 2 + v 3 = c 23 = 5 => u 1 = 1, u 2 = -7, u 3 = -4, u 1 + v 2 = c 12 = 8 u 3 + v 3 = c 33 = 8 v 1 = 0, v 2 = 7, v 3 = 12, u 2 + v 2 = c 22 = 0 u 3 + v 4 = c 34 = 1 v 4 = 5 H. Weber, FHW, OR SS07, Teil 6, Seite 23
24 Nun wird für alle Nichtbasisvariablen d ij = c ij u i v j berechnet. Die jeweils zweite Zahl im Tableau ist d ij. D 1 D 2 D 3 D 4 u i R 1 1/0 8/0 4/-9 7/1 1 R 2 9/16 0/0 5/0 7/9-7 R 3 3/7 6/3 8/0 1/0-4 v j Die durch die Nordwestecken-Regel gefundene Ausgangslösung ist nicht optimal, wie d 13 = -9 < 0 aussagt. Die Nichtbasisvariable x 13 ist also in die Basis aufzunehmen. Das folgende Tableau zeigt den Zickzackweg, der x 13 enthält. H. Weber, FHW, OR SS07, Teil 6, Seite 24
25 D 1 D 2 D 3 D 4 a i R R R b j Es ergibt sich θ = 10 und damit der neue Plan : D 1 D 2 D 3 D 4 a i R R R b j H. Weber, FHW, OR SS07, Teil 6, Seite 25
26 Wegen der Entartung konnten wir hier wählen, ob x 23 oder x 12 Basisvariable mit Wert Null bleiben sollten. Wir haben uns für x 23 entschieden. Ist dieser Plan optimal? Es müssen wieder die dualen Vektoren u und v berechnet werden und aus ihnen die d ij. Basisvariablen sind: x 11, x 13, x 22, x 23, x 33, x 34. Zur Bestimmung der d ij ist das folgende Gleichungssystem für die Basisvariablen (mit v 1 = 0) zu lösen: u 1 + v 1 = c 11 = 1 u 2 + v 3 = c 23 = 5 => u 1 = 1, u 2 = 2, u 3 = 5, u 1 + v 3 = c 13 = 4 u 3 + v 3 = c 33 = 8 v 1 = 0, v 2 = -2, v 3 = 3, u 2 + v 2 = c 22 = 0 u 3 + v 4 = c 34 = 1 v 4 = -4 Im Tableau stehen wieder die d ij = c ij u i v j rechts neben den c ij. H. Weber, FHW, OR SS07, Teil 6, Seite 26
27 D 1 D 2 D 3 D 4 u i R 1 1/0 8/9 4/0 7/10 1 R 2 9/7 0/0 5/0 7/9 2 R 3 3/-2 6/3 8/0 1/0 5 v j Wegen d 31 = -2 < 0 ist diese Lösung noch nicht optimal, wir müssen x 31 neu in die Basis aufnehmen. Die Schleife ist wie üblich bezeichnet: D 1 D 2 D 3 D 4 a i R R R b j H. Weber, FHW, OR SS07, Teil 6, Seite 27
28 Mit θ = 5 verläßt x 33 die Basis. Es ergibt sich der neue Plan D 1 D 2 D 3 D 4 a i R R R b j Wir überprüfen die Optimalität: Basisvariablen sind: x 11, x 13, x 22, x 23, x 31, x 34. Aufzulösen ist (v 1 = 0!): u 1 + v 1 = c 11 = 1 u 2 + v 3 = c 23 = 5 => u 1 = 1, u 2 = 2, u 3 = 3, u 1 + v 3 = c 13 = 4 u 3 + v 1 = c 31 = 3 v 1 = 0, v 2 = -2, v 3 = 3, u 2 + v 2 = c 22 = 0 u 3 + v 4 = c 34 = 1 v 4 = -2 H. Weber, FHW, OR SS07, Teil 6, Seite 28
29 Die d ij stehen rechts neben den c ij im neuen Tableau: D 1 D 2 D 3 D 4 u i R 1 1/0 8/9 4/0 7/8 1 R 2 9/7 0/0 5/0 7/7 2 R 3 3/0 6/5 8/2 1/0 3 v j Alle d ij sind positiv. Dies zeigt die Optimalität der Lösung: x 11 = 5, x 13 = 15, x 22 = 25, x 23 = 0, x 31 = 5, x 34 = 5 mit Zielfunktionswert 115. H. Weber, FHW, OR SS07, Teil 6, Seite 29
30 5. Umladeprobleme Es gibt verschiedene, kompliziertere Varianten von Transportproblemen, darunter Umladeprobleme. Hier wird ein Produkt nicht direkt zu den Bedarfsorten, sondern zunächst zu Umladeorten versandt. Von dort erfolgt der Transport zu den Bedarfsorten. An den Umladeorten kann u.u. auch eine Lagerung bzw. Bearbeitung des Produkts stattfinden. Zur Lösung von Umladeproblemen verwendet man ganz ähnliche Methode wie bei Transportproblemen. Beispiel: In Rohstoffbetrieben A und B wird ein Produkt zu Kosten von 50 Euro bzw. 60 Euro je ME hergestellt. Die Kapazitäten betragen 2000 bzw ME pro Woche. In den Betrieben C, D und E wird das Produkt weiterbearbeitet, wobei die Kosten von 40, 55 bzw. 48 Euro pro ME entstehen. Die Kapazitäten sind durch 1000, 1200 und 1800 ME pro Woche begrenzt. H. Weber, FHW, OR SS07, Teil 6, Seite 30
31 Die Transportkosten von A nach C,D und E betragen 8, 4 und 3 Euro/ME. Die Transportkosten von B aus sind 4, 6 und 7 Euro/ME. Von den Betrieben C,D und E aus sind Kunden I bis IV mit den Mengen 800, 600, 500 bzw ME zu beliefern. Die Transportkosten sind in der folgenden Tabelle enthalten. C D E I II III IV Leerlauf a i A B C D E b j H. Weber, FHW, OR SS07, Teil 6, Seite 31
32 6. Zuordnungsprobleme Eine Sonderform der Transportprobleme bilden die Zuordnungsprobleme. Bei ihnen sind die Angebots- und Bedarfsmengen alle gleich Eins. Ferner sind die Anzahlen der Anbieter und Nachfrager gleich. Zuordnungsprobleme sind solche, bei denen je einem Element einer Menge je ein Element einer anderen Menge zuzuordnen ist, wobei die Eignung einer Einzelzuordnung in Kosten oder einer anderen sinnvollen Größe anzugeben ist. H. Weber, FHW, OR SS07, Teil 6, Seite 32
33 Beispiel: Heiratsproblem \ Tochter Karin Ingrid Elke Sigrid Freier \ Oskar Willi Emil Hugo Antipathieziffern: 0 (volle Symp.)... 9 (volle Antipathie) Zur Heirat sind die Freier nur bereit, wenn die Mitgift der Antipathieziffer entspricht. Das Problem kann mit dem Transportalgorithmus gelöst werden. H. Weber, FHW, OR SS07, Teil 6, Seite 33
1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme. Duales Problem. a i u i + i=1. j=1
1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme Duales Problem Lemma 1.4. Das zum Transportproblem duale Problem lautet: max unter den Nebenbedingungen m a i u i + i=1
MehrZugeordneter bipartiter Graph
Zugeordneter bipartiter Graph Für ein Transportproblem sei A = {A 1,...,A m } die Menge der Fabriken und B = {B 1,...,B n } sei die Menge der Warenhäuser. Wir ordnen nun einem Transportproblem einen bipartiten
MehrLösung allgemeiner linearer Programme
Lösung allgemeiner linearer Programme Bisher: Für Anwendung des Simplexalgorithmus muss eine primal oder eine dual zulässige Basislösung vorliegen. Für allgemeine lineare Programme können wir dies direkt
MehrMinimumproblem. Definition 4.7. Ein LP der Form. unter den Nebenbedingungen. d ij x j b i (i =1,...,m)
Minimumproblem Definition 4.7 Ein LP der Form nx Minimiere Z = c j x j j=1 unter den Nebenbedingungen nx d ij x j b i (i =1,...,m) j=1 und den Vorzeichenbedingungen x j 0(j =1,...,n) heißt Minimumproblem.
MehrUnimodularität. Kapitel 1. Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206
Kapitel 1 Unimodularität Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206 Inhalt 1 Unimodularität Total unimodulare Matrizen Inzidenzmatrix Optimierungsprobleme auf Graphen Peter
MehrVORLESUNG 11 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)
VORLESUNG Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 3 Wiederholung! Lineare Programme häufig geeignete Modellierung von Optimierungsproblemen! Verschiedene Darstellungen sind
MehrEigenschaften von LPs
2 Lineare Programmierung Eigenschaften von LPs Eigenschaften von LPs Definition 24 Eine Menge K IR n heißt konvex gdw für je zwei Punkte Punkte x (1) K und x (2) K auch jeder Punkt mit 0 λ 1 zu K gehört
Mehr4.3.3 Simplexiteration
7. Januar 2013 53 4.3.3 Simplexiteration Eine Simplexiteration entspricht dem Übergang von einer Ecke des zulässigen Bereiches in eine benachbarte Ecke Dabei wird genau eine Nichtbasisvariable (die zugehörige
MehrSimplex-Verfahren. Kapitel 4. Simplex-Verfahren. Peter Becker (H-BRS) Operations Research I Sommersemester / 298
Kapitel 4 Simplex-Verfahren Peter Becker (H-BRS) Operations Research I Sommersemester 24 86 / 298 Inhalt Inhalt 4 Simplex-Verfahren Dualer Simplexalgorithmus Vermeidung von Zyklen Peter Becker (H-BRS)
MehrComputer Science Department - High Performance and Web Computing Group. Optimierungsprobleme
Optimierungsprobleme Häufig in Alltagssituationen anzutreffen (z.b. Kauf eines Gerätes) Optimierungsprobleme (OPs) sind Probleme, die i.a. viele zulässige Lösungen besitzen Jeder Lösung ist ein bestimmter
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:
MehrInhaltsverzeichnis Transportoptimierung
Inhaltsverzeichnis 2 Transportoptimierung 1 2.1 Das klassische Transportproblem....................... 2 2.1.1 Modell.................................. 2 2.1.2 Qualitative Grundlagen.........................
MehrKombinatorische Optimierung
Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales
MehrAbbildung 1: Graphische Lösung der ersten Übungsaufgabe
Lösungen zu den Übungsaufgaben im Kapitel 1 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier 1. Lösen Sie die folgende lineare Optimierungsaufgabe
MehrÜbung 3, Simplex-Algorithmus
Übung 3, 21.6.2011 Simplex-Algorithmus Aufgabe 3.1 Lösen Sie das folgende Optimierungsproblem (von Aufgabe 2.3) graphisch. Substituieren Sie dazu z = 5 y um ein 2-dimensionales Problem zu erhalten. Rechnung
MehrVorlesung Wirtschaftsmathematik I WS 2007/2008, Wirtschaftingenieurwesen. Kapitel IV: Grundlagen der Linearen Optimierung
Vorlesung Wirtschaftsmathematik I WS 2007/2008, Wirtschaftingenieurwesen Kapitel IV: Grundlagen der Linearen Optimierung Inhaltsverzeichnis Abschnitt 3-5 3 Der Simplexalgorithmus 58 3.1 Grundlagen..............................
MehrLineare Optimierungsmodelle
Lineare Optimierungsmodelle Simplex-Methode Vortragender: Michael Schneider Agenda Motivation Operations Research Aufbau linearer Optimierungsmodelle Simplex-Methode Ausblick 2 Problemstellung Futtermischung
MehrDie duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme
Kapitel 11 Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme Wir betrachten folgendes Optimierungsproblem z = c T x min! Ax = b (11.1) (11.2) x j ganz für j = 1,..., n 1 n, (11.3)
Mehr(Technisch: Setze alle Skalarprodukte der allgemeinen Lösung mit den Basisvektoren des Kerns gleich Null eindeutige leastsqares Lösung)
Lineare Optimierung Unterbestimmte LGS und Optimierung Bei lösbaren unterbestimmten linearen Gleichungssystemen haben wir die Qual der Wahl in Abhängigkeit von den freien Parametern (Anzahl = Anzahl Unbekannte
MehrDualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
MehrOptimale Steuerung 1 Prozessoptimierung 1
Optimale Steuerung 1 Prozessoptimierung 1 Kapitel 2: Lineare Optimierung Prof. Dr.-Ing. Pu Li Fachgebiet Simulation und Optimale Prozesse (SOP) Lineare Algebra (Mathematische Grundlagen) 2 Beispiel: Produktionsplanung
Mehr3.2.5 Dualität der linearen Optimierung I
3..5 Dualität der linearen Optimierung I Jedem linearen Programm in Standardform kann ein sogenanntes duales Programm zugeordnet werden. Es entsteht dadurch, daß man von einem Minimierungsproblem zu einem
Mehrz = c T x : Ax = b, x 0 }, - die Darstellung der Nichtbasisvektoren durch die Basis ist
Kapitel 5 Die Simplexmethode Es werden folgende Bezeichnungen verwendet: - das untersuchte Problem ist min x R n { z = c T x : Ax = b, x 0 }, - die erste zulässige Basislösung sei x = x 1, x 2,, x m, 0,,
MehrVORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)
VORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 96 H. Meyerhenke: Kombinatorische Optimierung Dualität bei linearen Programmen Def.: Es sei (L): c T x max
MehrLineare Optimierung Teil 2
Lineare Optimierung Teil 2 Primale Degeneration Duale Degeneration = Mehrdeutigkeit Normalform kanonische Form Duale Simplexmethode HTW-Berlin FB3 Prof. Dr.F. Hartl 1 Primale Degeneration/1 Besitzt eine
MehrPrüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten)
HTW Dresden 11. Februar 2014 FB Informatik/Mathematik Prof. Dr. J. Resch Prüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten) Name, Vorname: Matr.-nr.: Anzahl der abge-
MehrAufgabe 3.1: LP-Informationen im Optimum
Johann Wolfgang Goethe-Universität Frankfurt am Main Lehrst.f.BWL, insb. Quant. Methoden Prof. Dr. Dietrich Ohse LPUE:SQM6 LP und Erweiterungen lpueb03_ 2003s.doc Aufgabe 3.1: LP-Informationen im Optimum
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 7 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 200 Prof. Dr. Klaus Höllig (IMNG)
MehrLogistik: Transport. Grundlagen, lineare Transportund Umladeprobleme. Von Dr. Wolfgang Domschke. o. Professor für Betriebswirtschaftslehre
Logistik: Transport Grundlagen, lineare Transportund Umladeprobleme Von Dr. Wolfgang Domschke o. Professor für Betriebswirtschaftslehre Zweite, ergänzte Auflage TECHNISCH!: MOC cchule DARiviSTAOT j P e
Mehr1. Das klassische Transportproblem
schreier@math.tu-freiberg.de (03731) 39 2261 1. Das klassische Transportproblem 1.1. Formulierung der Aufgabe Problemstellung Die einfachste Transportaufgabe, nach Hitchcock benannt, läßt sich wie folgt
MehrOptimierung. Optimierung. Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus Fabian Kuhn
Optimierung Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus 1 Resource Allocation Beispiel aus Vorlesung 6 Primales LP: Duales LP: max 3 4 2 2 4 2 8 3 6 0, 0, 0 min 4 8 6 2 3 3 4 2 2 0, 0,
MehrOptimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung
Optimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung Dr. Nico Düvelmeyer Freitag, 24. Juni 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Dualität Motivation Duales LP Dualitätssätze
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck
Lemma 15 KLP 1 ist genau dann lösbar, wenn das dazugehörige LP KLP 2 eine Lösung mit dem Wert Z = 0 besitzt. Ist Z = 0 für x 0, x 0, dann ist x eine zulässige Lösung von KLP 1. Beweis von Lemma 15: Nach
MehrVORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)
VORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 53 Wiederholung! Basis-Startlösung berechnet! Künstliche Variablen! Erkennung von unlösbaren Problemen! Eliminierung
MehrLogistik: Transport. Grundlagen, lineare Transport- und Umladeprobleme. von Prof. Dr. Wolfgang Domschke. TU Darmstadt. 5.,.überarbeitete Auflage
Logistik: Transport Grundlagen, lineare Transport- und Umladeprobleme von Prof. Dr. Wolfgang Domschke TU Darmstadt 5.,.überarbeitete Auflage R. Oldenböurg Verlag München Wien Inhaltsverzeichnis Vorwort
MehrDer 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
Mehr10.2 Dualitätstheorie Operations Research. In der Standardform eines Maximierungsproblem: b e ) mit ( w) + a ej ) x j + x g = ( b g + g G
48 0 Operations Research In der Standardform eines Maximierungsproblem: Max ( w) mit ( w) + u. d. N. z + x l + n ( a gj + j= g G e E n d j x j = z 0 j= n a l j x j = b l für alle l L j= x g n + a gj x
MehrOPERATIONS RESEARCH I LINEARE PLANUNGS RECHNUNO UND NETZPLANTECHNIK
BODO RUNZHEIMER OPERATIONS RESEARCH I LINEARE PLANUNGS RECHNUNO UND NETZPLANTECHNIK SIMPLEX-METHODE -TRANSPORT-METHODE STRUKTURANALYSE ZEITPLANUNG ZEIT-KOSTEN PLANUNG- ANWENDUNGSMÖGLICHKEITEN 5., VERBESSERTE
MehrGraphentheorie. Kürzeste Wege. Kürzeste Wege. Kürzeste Wege. Rainer Schrader. 25. Oktober 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 25. Oktober 2007 1 / 20 2 / 20 Wir werden Optimierungsprobleme vom folgenden Typ betrachten: gegeben eine Menge X und eine Funktion
Mehr3. Schnittebenenverfahren
3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research
MehrZuordnungsproblem. Beispiele. Mathematisches Modell. Lösungsmethoden. auch Ernennungs-, Zuweisungs-, Assignmentproblem
Zuordnungsproblem auch Ernennungs-, Zuweisungs-, Assignmentproblem Beispiele Mathematisches Modell Lösungsmethoden HTW-Berlin FB3 Prof. Dr. F. Hartl 1 2 Anwendungen Zuordnung von - 1 ME von A i nach B
MehrTeil I. Lineare Optimierung
Teil I Lineare Optimierung 5 Kapitel 1 Grundlagen Definition 1.1 Lineares Optimierungsproblem, lineares Programm. Eine Aufgabenstellung wird lineares Optimierungsproblem oder lineares Programm genannt,
Mehr7.1 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
MehrLineare Programmierung (2)
Inhalt Rückblick Motivation - linearen Programmierung Flussprobleme Multiple Warenflüsse Fortsetzung Simplex Algorithmus Initialisierung Fundamentalsatz der linearen Programmierung schwache Dualität Dualität
MehrÜbung QM 1 EINFÜHRUNG 1. 1 Einführung. ohne Übungsaufgaben
Übung QM 1 EINFÜHRUNG 1 1 Einführung ohne Übungsaufgaben Übung QM 2 LINEARE OPTIMIERUNG 2 2 Lineare Optimierung Aufgabe 2.1 LP-Modellierung und Begriffe Wild West GmbH produziert Cowboyhüte. Momentan werden
MehrOperations Research. Die Simplexmethode. LP-Dualität. Die Simplexmethode. Rainer Schrader. 18. Juni Zur Erinnerung: Gliederung
Operations Research Rainer Schrader Die Simplexmethode Zentrum für Angewandte Informatik Köln 18 Juni 00 1 / 1 / 1 Gliederung LP-Dualität ein lineares Produktionsmodell der Simplexalgorithmus Phase I Endlichkeit
MehrDie Ungarische Methode für das Assignmentproblem
Die Ungarische Methode für das Assignmentproblem Seminar: Kombinatorische Optimierung SS08, Christof Schulz 11.07.2008 Hauptquellen: The Hungarian Method for the Assignment Problem von H.W. Kuhn (1955)
MehrPrüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten)
HTW Dresden 9. Februar 2012 FB Informatik/Mathematik Prof. Dr. J. Resch Prüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten) Name, Vorname: Matr.-nr.: Anzahl der abge-
MehrTransportproblem: Getränkehersteller
Transportproblem: Getränkehersteller Ein Getränkehersteller besitzt Abfüllanlagen in Hannover (H) und in Mainz (MZ) mit täglichen Produktionskapazitäten von 50 [ME = 100 hl] in Hannover und 80 [ME] in
MehrOptimierung für Wirtschaftsinformatiker: Lineare Programme
Optimierung für Wirtschaftsinformatiker: Lineare Programme Dr. Nico Düvelmeyer Dienstag, 31. Mai 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Lineare Programme Allgemeine Form 2 Spezielle Darstellungen
Mehr1 Lineare Optimierung, Simplex-Verfahren
1 Lineare Optimierung, Simplex-Verfahren 1.1 Einführung Beispiel: In einer Fabrik werden n Produkte A 1, A 2,..., A n hergestellt. Dazu werden m Rohstoffe B 1, B 2,..., B m (inklusive Arbeitskräfte und
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
MehrLeibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Sitzplatznr.: Wiederholungsklausur zur Vorlesung Operations Research im Wintersemester
Mehr1 Der Simplex Algorithmus I
1 Nicoletta Andri 1 Der Simplex Algorithmus I 1.1 Einführungsbeispiel In einer Papiermühle wird aus Altpapier und anderen Vorstoffen feines und grobes Papier hergestellt. Der Erlös pro Tonne feines Papier
Mehr8. 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
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
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
MehrWirtschaftsmathematik für International Management (BA)
Wirtschaftsmathematik für International Management (BA) Wintersemester 2012/13 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Lineare Algebra 4 Lineare Programme 5 Folgen und Reihen 6
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,
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
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
MehrEcken des Zuordnungsproblems
Total unimodulare Matrizen Ecken des Zuordnungsproblems Definition.6 Ein Zuordnungsproblem mit den Vorzeichenbedingungen 0 apple x ij apple für i, j =,...,n statt x ij 2{0, } heißt relaxiertes Zuordnungproblem.
Mehr6 Lineare Optimierung
6 Lineare Optimierung Um die Aufgabenstellung deutlich zu machen, beginnen wir mit einem (natürlich sehr vereinfachten) Beispiel: Produtionsplan einer (zugegebenermaßen sehr leinen) Schuhfabri. Hergestellt
MehrOperations Research / Graphentheorie Inf. 1.1/ 1.2
Operations Research / Graphentheorie Inf. 1.1/ 1.2 Inhaltsangabe Simplex-Algorithmus Simplex-Verfahren (Maximierung)...2 Gleichungen als Restriktionen...4 Minimierung der Zielfunktion...4 Graphische Lösung
MehrAufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1
Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung
MehrLineare Optimierung Dantzig 1947
Lineare Optimierung Dantzig 947 Lineare Optimierungs-Aufgaben lassen sich mit Maple direkt lösen: with(simplex): g:= 4*x + x2
MehrKap. 4: Lineare Programmierung
Kap. 4: Lineare Programmierung Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 13./14. VO A&D WS 08/09 27.11./2.12.2008 Petra Mutzel Alg. & Dat.
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
MehrBerufliches Gymnasium (WG, EG, AG, SG) Hauptprüfung 2008 Teil 2, Lineare Optimierung, Aufgabe 2 Baden-Württemberg
Berufliches Gymnasium (WG, EG, AG, SG) Hauptprüfung 8 Teil, Lineare Optimierung, Aufgabe Baden-Württemberg.. Ein Fertigungsbetrieb für Frottierartikel stellt unter anderem Handtücher und Badetücher her.
MehrOptimierungsverfahren in der Transportlogistik
Optimierungsverfahren in der Transportlogistik Jakob Puchinger 1 1 Dynamic Transportation Systems, arsenal research Jakob Puchinger (arsenal research) Optimierungsverfahren in der Transportlogistik 1 /
MehrNumerische Methoden 4. Übungsblatt
Karlsruher Institut für Technologie (KIT) SS 0 Institut für Analysis Prof. Dr. Michael Plum Dipl.-Math.techn. Rainer Mandel Numerische Methoden 4. Übungsblatt Aufgabe 9: QR-Verfahren (Bearbeitung bis Do,.05.)
Mehr2.2 Lineare Gleichungssysteme (LGS)
2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +
Mehr9 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
MehrAufgabe 3.1: LP-Problem mit allen Bedingungstypen
Johann Wolfgang Goethe-Universität Frankfurt am Main Lehrst.f.BWL, insb. Quant. Methoden Prof. Dr. Dietrich Ohse Interpretation, zulässige Lösung, Dualität 18. Mai 2004 Aufgabe 3.1: LP-Problem mit allen
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS2010/11 1 / 1 Teil IV Konvexe und ganzzahlige Optimierung Vorlesung 11 IV Konvexe und ganzzahlige Optimierung 2 / 34 Inhaltsübersicht 29Lineare Optimierung
MehrPrüfung: 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
MehrOperations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung.
Operations Research Rainer Schrader Flüsse in Netzwerken Zentrum für Angewandte Informatik Köln 2. Juli 2007 1 / 53 2 / 53 Flüsse in Netzwerken Unimodularität Gliederung Netzwerke und Flüsse bipartite
Mehr2 Lineare Gleichungssysteme
2 Lineare Gleichungssysteme Betrachte ein beliebiges System von m linearen Gleichungen in den n Unbekannten x,,x n : a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x n = b 2 () a m x + a m2 x
MehrLineare Gleichungssysteme. 1-E Ma 1 Lubov Vassilevskaya
Lineare Gleichungssysteme 1-E Ma 1 Lubov Vassilevskaya Systeme linearer Funktionen und Gleichungen y = a 1 a 2... a n lineare Funktion Funktion ersten Grades,,..., unabhängige Variablen y abhängige Variable
MehrSimplex-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
Mehr6 Korrektheit des Simplexalgorithmus
6 Korrektheit des Simplexalgorithmus Folgerung: Es sei L: Ax = b, c T x max LP und A B nicht-degenerierte PZB von L und es gebe c r := c r c B A B A r > 0 a) Falls a r := A B a r 0, dann L unbeschränkt
MehrMaximiere Gesamtgewinn aus verschiedenen Produkten unter Restriktionen an Produktmenge (Lagermenge, Transportmenge)
Beispiel: Produktionsplanung Maximiere Gesamtgewinn aus verschiedenen Produkten unter Restriktionen an Produktmenge (Lagermenge, Transportmenge) Produktionskapazität Ressourcenmenge bei als fest angenommenem
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 7
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik. a 0 = 0 =
Lösungsskizzen zu den Klausuraufgaben zum Kurs 4 Algorithmische Mathematik 4KSL3 6 Punkte Aufgabe. Die Folge (a n ) n N natürlicher Zahlen a n sei rekursiv definiert durch a 0 = 0, a n = a n + n falls
MehrOperations Research. Ganzzahlige lineare Programme. ganzzahlige lineare Programme. Ganzzahlige lineare Programme. Rainer Schrader. 25.
Operations Research Rainer Schrader Ganzzahlige lineare Programme Zentrum für Angewandte Informatik Köln 25. Juni 2007 1 / 49 2 / 49 Ganzzahlige lineare Programme Gliederung ganzzahlige lineare Programme
MehrFachakademie für Wirtschaft der FHM A2: Lineare Optimierung und das Simplexverfahren
A2.1 Lineare Optimierung mit dem Simplexverfahren Wenn ein Unternehmen ermitteln möchte, wie viele Mengeneinheiten von verschiedenen Produkten zu produzieren sind, damit bei gegebenen Verkaufspreisen der
MehrDer Gaußsche Algorithmus
Der Gaußsche Algorithmus Der Gaußsche Algorithmus beinhaltet das Vertauschen der Zeilen der erweiterten Koeffizientenmatrix (A, b) und das Additionsverfahren. Ziel ist es, möglichst viele Nullen unterhalb
MehrMathematische Methoden der Algorithmik
Mathematische Methoden der Algorithmik Dozent: Prof. Dr. Sándor P. Fekete Assistent: Nils Schweer Digitalisierung: Winfried Hellmann Wintersemester 2008/2009 Inhaltsverzeichnis 2 1 Einführung Problem 1.1
MehrBasiswissen Matrizen
Basiswissen Matrizen Mathematik GK 32 Definition (Die Matrix) Eine Matrix A mit m Zeilen und n Spalten heißt m x n Matrix: a a 2 a 4 A a 2 a 22 a 24 a 4 a 42 a 44 Definition 2 (Die Addition von Matrizen)
MehrWiederholung. Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b
Wiederholung Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b x 0. x R n heißt Basislösung, wenn Ax = b und rang(a J ) = J, wobei J = {j x (j) 0}; Basislösung
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
MehrLineare Gleichungssysteme
Poelchau-Oberschule Berlin A. Mentzendorff September 2007 Lineare Gleichungssysteme Inhaltsverzeichnis 1 Grundlagen 2 2 Das Lösungsverfahren von Gauß 4 3 Kurzschreibweise und Zeilensummenkontrolle 6 4
MehrLineare 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
MehrAufgabe 5.3 Duale Simplexverfahren
Aufgabe 5.3 Knut Krause Thomas Siwczyk Stefan Tittel Technische Universität Dortmund Fakultät für Informatik Algorithmen und Datenstrukturen 15. Januar 2009 Gliederung 1 Aufgabenstellung und Motivation
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
Mehr4. Dualität Dualität 4.1 Dualität von LPs und der Dualitätssatz. Die duale Form eines LP in allgemeiner Form. Herleitung der dualen Form
2... 22 4.2 Die Bedingungen vom komplementären Schlupf... 23 4.3 Das Kürzeste-Wege-Problem und zugehörige duale Problem... 24 4.4 Das Farkas Lemma... 25 4.5 Duale Information im Tableau... 26 4.6 Der duale
MehrLineare Gleichungssysteme: eine Ergänzung
Lineare Gleichungssysteme: eine Ergänzung Ein lineares Gleichungssystem, bei dem alle Einträge auf der rechten Seite gleich sind heiÿt homogenes lineares Gleichungssystem: a x + a 2 x 2 +... + a n x n
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrSensitivitätsanalyse in der Linearen Optimierung
Sensitivitätsanalyse in der Linearen Optimierung Bei der Sensitivitätsanalyse werden i. allg. Größen des Ausgangsproblems variiert, und es wird untersucht, welche Wirkung eine derartige Modifikation auf
Mehr8.2 Invertierbare Matrizen
38 8.2 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
Mehr