Wirtschaftsmathematik und Schulen
|
|
- Brit Schubert
- vor 6 Jahren
- Abrufe
Transkript
1 Wirtschaftsmathematik und Schulen Prof Dr Horst W Hamacher Fachbereich Mathematik, Universität Kaiserslautern Studienkreis Schule und Wirtschaft Rheinland-Pfalz November 2002
2 Wirtschaftsmathematik: Uni Kaiserslautern - Schulen WiMS/TeMS (Wirtschafts- und Technomathematik in Schulen) Reisemittel für Schüler, Modellierungstage und -woche, Lehrerfort- und -weiterbildung MaMaEuSch (Managenment Mathematics in European Schools) Tri-Linguale Lehrmaterialien, Austausch mit Klagenfurt und Sevilla Bertelsmann Stiftung: Mathematik und Ökonomie Ansprechpartner: Dipl Math Silvia Schwarze, Dr Klaus-Peter Nieschulz Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 2
3 Was ist Wirtschaftsmathematik? Praktisches Einsatz von mathematischen Problem Methoden (Projekt) zur Lösung von wirtschaftlichen Problemen Interpretation und Mathematik: Evaluierung der Strukturieren Lösung in Praxis Verstehen Abstraktes Lösen von Problemen Aufstellen eines Wirtschaften: mathematischen über knappe Modell Mittel so zu verfügen, dass sich die menschlichen Bedürfnisse befriedigen lassen Lösung des mathematischen Modells Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 3
4 Was ist Wirtschaftsmathematik? Beispiele: Problem Ressource Mathematische Methoden Lagerhaltung Platz, Zeit Simulation, Stochastik psb Nahverkehr Zeit, Umwelt Graphentheorie, Flußprobleme ÖV Krebsbestrahlung Gesundheit Optimierung Kre Notfallplanung Leben Geometrie Tiro Supply Chain Management Standorttheorie SC Transporte Platz, Geld (Un-)Gleichungssysteme IP Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 4
5 Notfallrettung durch Hubschrauber E 2 E Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 5
6 Mittelpunkt zwischen E und E 2: Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 6
7 Notfallrettung durch Hubschrauber Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 7
8 Mittelsenkrechte zwischen E und E 2: Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 8
9 Der beste Standort eines Hubschraubers für 3 Einsatzorte : MS 23 E 2 MS 2 E 3 E MS 3 Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 9
10 E 2 E 3 E eckige Kreise Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 0
11 Standorttheorie Verbotene Gebiete Barrieren Wege, Kreise Multikriteriell Distanzmaße LOLA Library of Location Algorithms Roboter Buslinien Industrieanlagen Notfallanlagen Krebstherapie GIS SAP IBM Kommunen Verkehrsverbünde DKFZ Arcview Markant Krankenhäuser ptv Standortanwendungen Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite
12 Parallellager- und Materialflußplanung Parallellager mit Durchfluß von Transporteinheiten (TE) pro Stunde, Pirmasens, Germany Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 2
13 Erwartete Anzahl aktiver Stockwerke Daten: n = Anzahl der Stockwerke m = Anzahl von Lagerplätzen/Stockwerk n T = Anzahl der TEen (unabhängig, gleichförmig verteilt, n T >n En occ n = ( ) k = 0 k i= 0 i n k mk i nm k i ( ) n n T T k Rechentest: Man kann nur 70% bis 90% aktiver Stockwerke erwarten (in der Praxis) Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 3
14 Optimierungsbeispiel: Hubrahmen Ziel: Gleichmäßige Verteilung auf Ebenen Gleichmäßige Auslastung der Kommissionierplätze Von den n! vielen möglichen Permutationen können (m+)!(m+) n-m- realisiert werden Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 4
15 Optimierungsbeispiel: Hubrahmen Kosten der Plazierung von TE i auf Ebene j zb #TE derselben Farbe min i, j c ij x ij x ij = TE i auf Ebene j unter den Nebenbedingungen ij j i x x ij ij ij = i = j {x i, j} sind zulässige Permutationen x {0,} i, j Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 5
16 Systemoptimierung durch (dynamische) Netzwerkflußprobleme Hubrahmen Materialflußnetzwerk Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 6
17 IP Model für Wabenproblem Minimiere Abweichung von alten Tarifen: Westpfalz Verkehrsverb neuer (k,l) Wabentarif alter (i,j) Entfernungstarif Haltestelle i - Zone k Zuordnung i, j, k, l st hh d p ik jl ij kl hik = i k h p ik kl {,} 0 i, k, d R ij NP-schweres Problem einfach, falls Zonen gegeben sind Zonen können unzusammenhängend sein Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 7
18 Bestrahlungstherapie Applikation von hochenergetischer Strahlung zur Tumorkontrolle Tumorzerstörung Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 8
19 Optimization Problems realization: network flow geometry: location theory profile computation: multi-criteria approach Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 9
20 Problemstellung Dosisanforderungen: Zielvolumen: Risiken: 50 Gray (minimal) 30 Gray (maximal) 20 Gray (maximal) 5 Gray (maximal) Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 20
21 InverseTherapieplanung Berechnung der physikalischen Setup-Parameter aus den Dosisvorgaben Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 2
22 3-stufige Vorgehensweise Phase I: Phase II: Phase III: Wahl der Einstrahlgeometrie Standortproblem Bestimmung der Intensitätsprofile Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 22 multikriterielles Problem Durchführung der Bestrahlung Ganzzahliges Problem
23 Phase I: Einstrahlgeometrie Isozentrisches Modell: Wahl von N Einstrahlrichtungen Wahl eines Isozentrums Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 23
24 Phase II: Intensitätsprofile Ansatz Diskretisierung Approximation der Dosisverteilung Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 24
25 K-kriterielles Problem K Organe von Interesse ( Ziel, Risiken ) maximale Dosisabweichung t k = t k ( x ) für Intensität x 0 ( Organ k=,,k ) K-kriterielle lineare Optimierungsaufgabe t Min, t Min, 2, t Min K ( es existiert i A keine Nullösung ) Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 25
26 Ergebnisdatenbank Generierung einer Datenbank mit Setup-Parametern Visualiserungen Isodosen DVHs t-vektoren Isodosen: Nachbarschaftsstruktur intelligenter Online-Suchhilfe Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 26
27 Durchführung: Multileaf Collimator Idee: Benutze dünne Metall blätter, hoch genug um die Bestrahlung abzublocken 5-7cm 05-cm Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 27
28 Linke Blätter Rechte Blätter Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 28
29 Patientenblick Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 29 Quelle: Mitsubishi
30 Multileaf Collimators: Mechanik Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 30
31 Multileaf Collimator Ein Beispiel Maximale Größe des Bestrahlungsfeldes Setup für Zeiteinheit + Setup für 2 Zeiteinheit eine Zeile der ersten Reliefmatrix eine Zeile der zweiten Reliefmatrix eine Zeile der Intensitätsmatrix Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 3
32 Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 32 Prof Dr Horst W Hamacher Verschiedene Aufteilung in Reliefmatrizen = * * * * Beam-on Zeit: 6 Setups : 4 Beam-on Zeit: 5 Setups: 2 + = 0 0 2* 3*
33 Mathematische Modellierung: Ganzzahlige Optimierung L R y ijt ijt ijt = 0 = 0 = 0 falls das linke Blatt in Kanal i links von Spalte j zur Zeit t steht sonst falls das rechte Blatt in Kanal i links von Spalte j zur Zeit t steht otherwise falls die Spalte jin Kanal i zur Zeit t bestrahlt wird sonst Kanal i zur Zeit t: Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 33 L ijt =2 R ijt = y ijt = Spaltennr
34 Ganzzahlige Variable beschreiben MLC: In jedem Kanal und zu jeder Zeit gibt es ein linkes und ein rechtes Blatt: (a) (b) Ncells+ j= L Ncells+ j= R ijt ijt = = i Row, i Row, t T t T Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 34
35 Ganzzahlige Variable beschreiben MLC: Kollisionen zwischen benachbarten Blätterpaaren werden ausgeschlossen: (2) Ncells+ j= j * L ijt Ncells+ j= j * R kjt i Row, t T, k { i, i, i + }: k Row Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 35
36 Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 36 Prof Dr Horst W Hamacher Ganzzahlige Optimierung: Formulierung I T t Col j Row, i L R y (7b) T t Col j Row, i R L y (7a) T t Row i 0 y (6b) T t Row i 0 y (6a) T t Col j Row, i R y y (5) T t Col j Row, i L y y (4) Col j Row, i I y (3) Row k i i i k T t Row, i R j L j (2) T t Col i R (b) T t Row, i L (a) st Behandlungszeit t j i t j i ijt ijt ijt ijt t i t Ncells i ijt ijt t j i ijt t j i ijt ij Ntime t ijt Ncells j kjt Ncells j ijt Ncells j ijt Ncells j ijt = = = + = = = + = + = + = + =,,,,,, }:,, {, * *, min,,,,,0,,,,,,,
37 Beispiel: Transport von Gefahrengütern Wieviel Einheiten eines Gutes bzw 2 kann man transportieren, wenn pro Einheit: Gut Gut 2 Profit: 2 7 (Mill Euro) Kapazität: 4 (Platzeinheiten) Gefahrenwert: 9-4 ( -0 bis +0 Skala) (additiv) Dabei Gesamtkapazität: 4 Gefahrenhöchstwert: 36 Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 37
38 Mathematisches Modell Ganzzahliges, Lineares Programm pro Einheit: Gut Gut 2 Gesam Profit: 2 7 (Mill ECUs) Kapazität: 4 (Platzeinheiten) 4 wissensch Wert: -9 4 ( -0 bis +0 Skala) 36 Maximiere 2x + 7x 2 unter den Nebenbedingungen x + 4x 2 < 4 9x -4x 2 < 36 Vorzeichenbedingungen x,x 2 > 0 Ganzzahligkeitsbedingungen x,x 2 ganzzahlig Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 38
39 Lösung der Relaxation x 2 Maximiere 2x + 7x 2 unter den Nebenbedingungen x + 4x 2 < 4 9x -4x 2 < 36 Vorzeichenbedingungen x,x 2 > 0 Ganzzahligkeitsbedingungen x,x 2 ganzzahli x + 4x 2 < x -4x 2 < 36 Optimallösung ohne Ganzzahligkei x * =5, x 2* =225 Zielfunktionswert: 2x + 7x 2 =25,75 x Zielfunktionswert: 2x + 7x 2 =8 Zielfunktion: 2x + 7x 2 = 0 Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 39
40 x 2 Partition des Problems in zwei Teilprobleme x + 4x 2 < 4 3 9x -4x 2 < 36 x 2 * > 3 x * =5, x 2* =225 2 x 2 * < 2 Zielfunktion 2x Zielfunktion + 7x 2 = 25 2x + 7x 2 = 23,9 x Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 40
41 Ziel: Finde eine Beschreibung der konvexen Hülle der ganzzahligen Lösungen x 2 x + 4x 4 < 4 x * =2, x 2* =3 3 9x -4x 4 < 36 2 Zielfunktion: 2x + 7x 2 =25 x Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 4 Zielfunktion: 2x + 7x 2
42 Supply Chain Management Ein einfaches Vertriebsnetzwerk Lieferanten Werke Vertriebszentren Kunden store store Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 42
43 Vertriebsnetzwerk-Design Werke Vertriebszentren Kunden Typische Entscheidungen: store Wie viele? Vetriebs- Wo? zentren Größe? store Welche Kunden werden von jedem Vertriebszentrum beliefert? Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 43
44 Schritt : Analyse eines existierenden Vertriebsnetzwerks Input: Netzwerkstruktur Kundennachfrage Transportkosten Entscheidungen: Belieferungsmuster: vom VZ zum Kunden Größe der Vertriebszentren Vertriebszentren Kunden store Ziel: Minimierung der Entfernungen store Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 44
45 Analyse eines existierenden Vertriebsnetzwerks (Forts) Annahmen: identische Vertriebszentren (VZ) gleicher Güterpreis in jedem VZ Transportkosten = fester Preis Distanz jeder Kunde wird von dem nächstgelegenen VZ beliefert Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 45
46 Voronoi-Diagramme Für 2 Punkte: Für 3 Punkte: Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 46
47 Analyse eines existierenden Vertriebsnetzwerks (Forts) Ansatz: Unterteilung der Ebene in N Zellen, V(VZ ),,V(VZ N ) V(VZ i ) = k: k i { 2 x :d(x,vz) } i d(x,vz) k Voronoi-Diagramm VZen Kunden Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 47
48 Vorteile: schnelles geometrisches Verfahren niedrige Datenanforderungen: nur Koordinaten von VZ,,VZ N falls l 2 -Norm benutzt wird Plane Sweep Algorithmus O(NlogN) (S Fortune (987)) Nachteile: Kundenzuordnung mit Hilfe von Voronoi-Diagrammen einige wichtige Aspekte werden nicht beachtet: Kosten sind nicht immer proportional zur Entfernung Standorte mit begrenzter Kapazität nicht entworfen für mehrstufige Vertriebsnetzwerke Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 48
49 Schritt 2: Redesign eines Input: Vertriebsnetzwerks - oder 2-Stufe(n) Netzwerkstruktur Kundennachfrage Transportkosten Werke Vertriebszenteren Kunden Entscheidungen: Platziere neue VZen Belieferungsmuster: vom Werk zum VZ vom VZ zum Kunden Größe der Werke/ VZen store store Ziel: Minimierung der Gesamtentfernungen Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 49
50 Heuristik: Initialisierungsschritt Menge : wähle Voronoi-Knoten mit Wahl der Kandidatenstandorte für ein neues VZ a) größtem Gewicht b) zweitgrößtem Gewicht c) drittgrößtem Gewicht Knoten-Gewicht = Gesamtnachfrage aller Kunden in den angrenzenden Zellen Startlokation löse Lageverbesserung : Standortproblem Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 50 Neues Voronoi-Diagramm
51 Heuristik: Initialisierungsschritt Menge 2: wähle Voronoi-Zelle mit a) größtem Gewicht b) zweitgrößtem Gewicht c) drittgrößtem Gewicht Position des Kandidaten = optimaler Standort in der ausgewählten Zelle Kandidat- Lageverbesserung : Zelle optimaler Standort löse Standortproblem Neues Voronoi-Diagramm Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 5
52 Heuristische Annäherung mit Hilfe der Voronoi-Diagramme Starte mit Voronoi-Diagramm(en) für existierende VZen (und Werke) Suche nach dem Standort des k-ten neuen VZs (k =,,#neuer VZen): wähle Startlokation für neuen Standort erstelle ein Voronoi-Diagramm löse einzelne -Standortproblem e in Voronoi-Zellen mit neuen Standorten V erbesserungsschritt speichere die kostengünstigste Lösung nein berechne neues Voronoi-Diagramm und Gesamtkosten ja Kostenverbesserung? nein alle Startlokationen ausgewählt? ja Ende Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 52
53 THE END Studienkreis Schule und Wirtschaft, Rheinland-Pfalz Seite 53
Mathematik: Geometrie und Anwendungen in der Wirtschaft
Mathematik: Geometrie und Anwendungen in der Wirtschaft Voronoidiagramme und Kundenzuordnung von Horst W Hamacher IFB, Juni 2003 - Voronoidiagramme und Kundenzuordnung Seite 1 Gliederung Erinnerung SAP
MehrAnwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht
Anwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht Standortplanung Kunden Speyer, Juni 2004 - Beispiele mathematischer Medellierung Seite 1 Prof Dr Horst W Hamacher Standortplanung
MehrHinweis für Leser der Folien. Mathematik und Wirtschaft. Was ist Wirtschaftsmathematik? Gliederung. Bedeutung der Wirtschaftsmathematik in der Schule
optimaler Standort Mathematik und Wirtschaft Hinweis für Leser der Folien Folien dienen in einem Vortrag der Unterstützung des gesprochenen Wortes Wenn Sie diese Folien ohne Vortrag lesen, sind naturgemäß
MehrAnwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht
Anwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht Beispiele wirtschaftsmathematischer Modellierung Lehrerfortbildung, Speyer, Juni 2004-1- Beispiele wirtschaftsmathematischer Modellierung
MehrDas Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering
Das Linear Ordering Problem Exakte Lösungsverfahren VO Algorithm Engineering für NP-schwierige Professor Dr. Petra Mutzel kombinatorische Lehrstuhl für Algorithm Engineering, LS11 Optimierungsprobleme
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 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
MehrKombinatorische Optimierung
Kombinatorische Optimierung Zuweisungsprobleme 2 1 3 5 4 Kombinatorische Optimierung Rucksackpackproblem 1 10 2 4 6 3 5 8 6 Aufspannende Bäume Travelling Salesman VLSI Design C. Kanzow, M. Gerdts Kombinatorische
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Lineare Optimierung Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 1. Juli 2012 Outline Lineares Programm (LP) in Standardform
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Dynamische Programmierung Einführung Ablaufkoordination von Montagebändern Längste gemeinsame Teilsequenz Optimale
MehrKapitel 4. Optimierungsalgorithmen. Technische Universität Wien. Gunnar Klau Technische Universität Wien. Institut für Computergraphik und Algorithmen
Kapitel 4 Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen 1 Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
MehrHurra, Hurra, die Feuerwehr ist da oder: Schulgeometrie ausnahmsweise realitätsnahe
Hurra, Hurra, die Feuerwehr ist da oder: Schulgeometrie ausnahmsweise realitätsnahe Markus Buchtele markus.buchtele buchtele@uni-klu.ac.at http://www www.mathematik.uni-kl.de/~ kl.de/~mamaeusch/ http://www
MehrScheduling-Theorie. Mathematische Modelle und Methoden für deterministische Scheduling-Probleme. LiSA - A Library of Scheduling Algorithms
Scheduling-Theorie Mathematische Modelle und Methoden für deterministische Scheduling-Probleme LiSA - A Library of Scheduling Algorithms Otto-von-Guericke Universität Magdeburg/FMA/Heidemarie Bräsel &
Mehr5. Clusteranalyse. Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer Clusterstruktur kennen, verschiedene
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 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:
MehrKlausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler
Wintersemester 2007/08 27.2.2008 Dr. Sascha Kurz Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler Bitte lesbar ausfüllen, Zutreffendes ankreuzen Herr Frau Name, Vorname: Anschrift:
MehrDynamische Programmierung. Problemlösungsstrategie der Informatik
als Problemlösungsstrategie der Informatik und ihre Anwedung in der Diskreten Mathematik und Graphentheorie Fabian Cordt Enisa Metovic Wissenschaftliche Arbeiten und Präsentationen, WS 2010/2011 Gliederung
Mehr2. Optimierungsprobleme 6
6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen
Mehr»La filosofia è scritta in questo grandissimo libro che continuamente ci sta aperto innanzi a
MOTTO GALILEO GALILEI: DIE GOLDWAAGE (IL SAGGIATORE) VON 623»La filosofia è scritta in questo grandissimo libro che continuamente ci sta aperto innanzi a gli occhi (io dico l universo), ma non si può intendere
MehrSeminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt;
Seminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt Referent Matthias Rost 1 Einleitung Definitionen Maximaler Dynamischer Fluss Algorithmus von Ford-Fulkerson Techniken zur
MehrStatistik und Graphentheorie
Statistik und Graphentheorie Sommersemester 2012 3. Juli 2012 Teil Graphentheorie Name: Matrikelnummer: 1 (12) 2 (12) 3 (12) 4 (12) 5 (12) (60) Aufgabe 1 (12 Punkte) Gegeben sei das folgende Netzwerk:
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
MehrOptimale Steuerung 1
Optimale Steuerung 1 Kapitel 5: Eindimensionale Nichtlineare Optimierung Prof. Dr.-Ing. Pu Li Fachgebiet Simulation und Optimale Prozesse (SOP) Beispiel: Optimierung des Rohrleitungsdurchmessers für den
MehrOptimierung für Nichtmathematiker
Technische Universität Chemnitz Chemnitz, 19.10.2009 Prof. Dr. C. Helmberg, A. Lau Optimierung für Nichtmathematiker Übung 2 Einführung in die Modellierungssprache AMPL 1. Wir betrachten zunächst das Mozartproblem
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
MehrSysteme von linearen Ungleichungen
Systeme von linearen Ungleichungen ALGEBRA Kapitel 6 MNProfil - Mittelstufe KZN Ronald Balestra CH - 8046 Zürich www.ronaldbalestra.ch Name: Vorname: 28. Februar 2016 Überblick über die bisherigen ALGEBRA
MehrModelle und Methoden der Linearen Optimierung (Die Thesen zur Vorlesung 1_Fallstudie)
(Die Thesen zur Vorlesung 1_Fallstudie) das Thema der Vorlesung Grundlagen der Methode der linearen Optimierung (Lineares Optimierungsmodell der Wahl der Produktionsstrategie des ) Prof. Dr. Michal Fendek
MehrParameteroptimierung von Simulationsmodellen mit Evolutionären Algorithmen in optislang
Parameteroptimierung von Simulationsmodellen mit Evolutionären Algorithmen in optislang Kopplung mit CAE-Tools SimulationX und Simulink Dipl.-Ing. M. Koch Weimarer Optimierungs- und Stochastiktage 6.0
MehrSS 2005 FAU Erlangen 20.6.2005. Eine Wegeplanungs-Strategie. Jeremy Constantin, Michael Horn, Björn Gmeiner
SS 2005 FAU Erlangen 20.6.2005 Voronoi Diagramm Eine Wegeplanungs-Strategie Jeremy Constantin, Michael Horn, Björn Gmeiner Grundseminar: Umgebungsexploration und Wegefindung mit Robotern am Beispiel "Katz
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,
MehrEinführung. Kapitel 1. Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298
Kapitel 1 Einführung Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298 Inhalt Inhalt 1 Einführung Was ist Operations Research? Planungsprozess im OR Peter Becker (H-BRS) Operations
MehrLagrange-Relaxierung und Subgradientenverfahren
Lagrange-Relaxierung und Subgradientenverfahren Wir wollen nun eine Methode vorstellen, mit der man gegebene Relaxierungen verbessern kann. Wir werden die Idee zunächst an der 1-Baum-Relaxierung des symmetrischen
MehrVerbesserungsheuristiken
Verbesserungsheuristiken Bestandteile der Lokalen Suche Für schwierige Optimierungsaufgaben haben Verbesserungsheuristiken eine große praktische Bedeutung. Sie starten mit Ausgangslösungen, die von z.b.
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
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
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
Mehr15. Algorithmus der Woche Das Rucksackproblem Die Qual der Wahl bei zu vielen Möglichkeiten
15. Algorithmus der Woche Das Rucksackproblem Die Qual der Wahl bei zu vielen Möglichkeiten Autoren Rene Beier, MPI Saarbrücken Berthold Vöcking, RWTH Aachen In zwei Monaten startet die nächste Rakete
MehrStandortoptimierung. Dortmund, Oktober 1998
Standortoptimierung Dortmund, Oktober 1998 Prof. Dr. Heinz-Michael Winkels, Fachbereich Wirtschaft FH Dortmund Emil-Figge-Str. 44, D44227-Dortmund, TEL.: (0231)755-4966, FAX: (0231)755-4902 1 Inhalt Seite
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
MehrMathematik für Wirtschaftswissenschaftler
Knut Sydsaeter Peter HammondJ Mathematik für Wirtschaftswissenschaftler Basiswissen mit Praxisbezug 2., aktualisierte Auflage Inhaltsverzeichnis Vorwort 13 Vorwort zur zweiten Auflage 19 Kapitel 1 Einführung,
MehrDas Voronoi Diagramm. 1. Definition. 2. Eigenschaften. 3. Größe und Speicherung. 4. Konstruktion. 5. Verwendung
Das Voronoi Diagramm 1. Definition 2. Eigenschaften 3. Größe und Speicherung 4. Konstruktion 5. Verwendung Das Voronoi- Diagramm Voronoi Regionen Euklidische Distanz: d(p,q) = (px-qx)^2+(py-qy)^2 Das Voronoi-Diagramm
MehrRanking by Reordering Tobias Joppen
Ranking by Reordering Tobias Joppen 09.07.2014 Fachbereich Informatik Knowledge Engineering Prof. Johannes Fürnkranz 1 Überblick Einleitung Rank-differential Methode Idee Problemdefinition Beispiel Vereinfachung
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
MehrVoronoi Diagramme und Delaunay Triangulation
Voronoi Diagramme und Delaunay Triangulation Verfasser: Arbeit im Rahmen des Informatik-Seminars FS 2016 an der Berner Fachhochschule BFH Lukas Weber (lukas.weber@students.bfh.ch) Betreuer: Peter Schwab
MehrDas Multi Traveling Salesman Problem
Das Multi Traveling Salesman Problem Harald Voit Seminar Ganzzahlige Optimierung 19. bis 21. Januar 2007 Wallenfels Das Multi Traveling Salesman Problem p.1/26 Übersicht Vom TSP zum ATSP Das Multi Traveling
MehrInhaltsverzeichnis. Vorwort Kapitel 1 Einführung, I: Algebra Kapitel 2 Einführung, II: Gleichungen... 57
Vorwort... 13 Vorwort zur 3. deutschen Auflage... 17 Kapitel 1 Einführung, I: Algebra... 19 1.1 Die reellen Zahlen... 20 1.2 Ganzzahlige Potenzen... 23 1.3 Regeln der Algebra... 29 1.4 Brüche... 34 1.5
MehrWohin mit den Hubschraubern? Standortplanung in der Mathematik
3. Runde Landeswettbewerb Mathematik Rheinland-Pfalz 20. 22. April 2004 Wohin mit den Hubschraubern? Standortplanung in der Mathematik Workshop Silvia Schwarze Simone Horn Die Aufgabe: Hubschrauber positionieren
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
MehrFACHCURRICULUM KL. 9. Raum und Form Figuren zentrisch strecken Üben und Festigen. Strahlensätze. Rechtwinklige Dreiecke.
MATHEMATIK Schönbuch-Gymnasium Holzgerlingen Seite 1/5 Ähnliche Figuren - Strahlensätze Figuren zentrisch strecken Eigenschaften der zentrischen Streckung kennen und Zentrische Streckung anwenden Strahlensätze
MehrGrundlagen, Vorgehensweisen, Aufgaben, Beispiele
Hans Benker - Wirtschaftsmathematik Problemlösungen mit EXCEL Grundlagen, Vorgehensweisen, Aufgaben, Beispiele Mit 138 Abbildungen vieweg TEIL I: EXCEL 1 EXCEL: Einführung 1 1.1 Grundlagen 1 1.1.1 Tabellenkalkulation
MehrStoffverteilungsplan Mathematik im Jahrgang 7 Lambacher Schweizer 7
Argumentieren / Kommunizieren Lesen Informationen aus einfachen mathematikhaltigen Darstellungen (Text, Bild, Tabelle, Graph) ziehen, strukturieren und bewerten. Verbalisieren Arbeitsschritte bei mathematischen
MehrPraxisbeispiele für taktische und operative Planungsverfahren im Rundholztransport
Praxisbeispiele für taktische und operative Planungsverfahren im Rundholztransport Institut für Produktionswirtschaft und Logistik Univ. Ass. DI. Dr. Peter Rauch Workshop Kooperative Holzlogistik 1 Plannungsverfahren
Mehr9 Optimierung mehrdimensionaler reeller Funktionen f : R n R
9 Optimierung mehrdimensionaler reeller Funktionen f : R n R 91 Optimierung ohne Nebenbedingungen Ein Optimum zu suchen heißt, den größten oder den kleinsten Wert zu suchen Wir suchen also ein x R n, sodass
MehrVerteilte Systeme. Verteilte Systeme. 5 Prozeß-Management SS 2016
Verteilte Systeme SS 2016 Universität Siegen rolanda.dwismuellera@duni-siegena.de Tel.: 0271/740-4050, Büro: H-B 8404 Stand: 31. Mai 2016 Betriebssysteme / verteilte Systeme Verteilte Systeme (1/14) i
MehrXCargo 5.0 - ein Steckbrief
XCargo 5.0 - ein Steckbrief Seite 1 XCargo 5.0 Die Stärken des Logistikplanungstools Wer Excel kennt, kann XCargo sofort einsetzen! Vorteile: Geringer Einarbeitungsaufwand Vorhandene Daten in Excel direkt
MehrPrüfungsklausur Operations Research,
HTWD, FB Informatik/Mathematik Prof. Dr. M. Voigt Prüfungsklausur Operations Research, 10.7.2008 A Name, Vorname Matr. Nr. Aufgabe 1 : In drei Porzellanwerken W 1, W 2 und W 3 werden Speiseservice hergestellt,
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
MehrKlausur Management Science. Donnerstag, 19. Februar 2015
run Lehrstuhl fiir Operations Management Prof. Dr. Rainer Kolisch ArcisstraBe 21, 80333 Miinchen Klausur Management Science Donnerstag, 19. Februar 2015 Name: Vorname: Matrikelnummer: Studiengang: Fachsemester:
MehrÜbungsaufgaben. Grundkurs Höhere Mathematik für Wirtschaftswissenschaftler. Teil 1: Lineare Algebra und Optimierung.
Übungsaufgaben Grundkurs Höhere Mathematik für Wirtschaftswissenschaftler Teil : Lineare Algebra und Optimierung Wintersemester Matrizenrechnung Aufgabe ( 3 0 Gegeben sind die Matrizen A = 2 5 2 4 D =
MehrVorbereitungen und dosimetrische Überprüfung für IMRT im Kopf-Hals-Bereich
AK IMRT DGMP, Dezember 2002: Vorbereitungen und dosimetrische Überprüfung für IMRT im Kopf-Hals-Bereich K.L. Rittmann, Rätisches Kantons- und Regionalspital Chur, CH zuvor, bis Juni 2001 Abteilung Strahlentherapie
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
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Fit in Test und Klassenarbeit - Mathe 7./8.
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Fit in Test und Klassenarbeit - Mathe 7./8. Klasse Gymnasium Das komplette Material finden Sie hier: School-Scout.de Christine Kestler
MehrAUFGABEN. Klausur: Modul 31811 Planen mit mathematischen Modellen. Termin: 16.09.2013
Lehrstuhl für Betriebswirtschaftslehre, insb Quantitative Methoden und Wirtschaftsmathematik Univ-Prof Dr Andreas Kleine AUFGABEN Klausur: Modul 31811 Termin: 16092013 Prüfer: Univ-Prof Dr Andreas Kleine
MehrGefühl*** vorher / nachher. Situation* Essen (was und wie viel?) Ess- Motiv** Tag Datum Frühstück Zeit: Allgemeines Befinden
Name: Größe: cm Gewicht: kg Alter: Jahre Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation* Essen Ess- Situation*
MehrBabeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf
Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen
MehrLineare Optimierungsmodelle
Lineare Optimierungsmodelle Simplex-Methode Vortragender: Michael Schneider Agenda Motivation Operations Research Aufbau linearer Optimierungsmodelle Simplex-Methode Ausblick 2 Problemstellung Futtermischung
MehrLokalisierung von inneren und äußeren Grenzen in Sensornetzwerken
Lokalisierung von inneren und äußeren Grenzen in Sensornetzwerken Seminararbeit: Algorithmen für Sensornetzwerke Thomas Gramer 1 Thomas Gramer: KIT Universität des Landes Baden-Württemberg und nationales
MehrMonaco Kontrollierbare IMRT-Planung. Dr. Gustav Meedt Neuruppin, 27.3.2008
Monaco Kontrollierbare IMRT-Planung Dr. Gustav Meedt Neuruppin, 27.3.2008 Monaco Integriertes IMRT Planungssystem Monaco Monaco Kontrolle in IMRT? Kontrolle in IMRT Verschreibung Optimierung Applikation
MehrSchulinterner Lehrplan Version 2014 Lambacher Schweizer Kl. 9
Schulinterner Lehrplan Version 2014 Lambacher Schweizer Kl. 9 1 Verbalisieren Erläutern mathematischer Zusammenhänge und Kommunizieren Überprüfung und Bewertung von Problembearbeitungen Vergleichen und
MehrLineare (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-6020 Innsbruck, Österreich franz.pauer@uibk.ac.at 1 Einleitung In der linearen
MehrAlgorithmen zur Berechnung der Smith-Normalform und deren Implementation auf Parallelrechnern
Algorithmen zur Berechnung der Smith-Normalform und deren Implementation auf Parallelrechnern Gerold Jäger Institut für Experimentelle Mathematik Ellernstraße 29 45326 Essen 20. Juli 2001 1 Einführung
MehrOperations Management
Ulrich Thonemann Operations Management Unter Mitarbeit von Marc Albers Andreas Brinkhoff Kai Hoberg Marcel Sieke ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills,
MehrA cutting plane algorithm for graph coloring
A cutting plane algorithm for graph coloring Ein Schnittebenenverfahren zur Färbung von Graphen Bachelor-Thesis von Lena Maria Schwan aus Hachenburg Oktober 2010 Fachbereich Mathematik AG Optimierung A
MehrSchwierige Probleme in der Informatik Informationen für die Lehrperson
Schwierige Probleme in der Informatik Informationen für die Lehrperson Thema, Adressaten,... Das Thema dieses Moduls sind NP-vollständige Probleme, also schwierige Probleme in der Informatik. GraphBench
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrLineare Optimierung im Mathematikunterricht
Lineare Optimierung im Mathematikunterricht Horst W. Hamacher Stefanie Müller WiMS/TeMS -Report, Wirtschafts- und Technomathematik in Schulen Fachbereich Mathematik, Universität Kaiserslautern WiMS/TeMS
MehrG8 Curriculum Mathematik Klasse 7
G8 Curriculum Mathematik Klasse 7 1. Lerneinheit: Prozent- und Zinsrechnung (20 Stunden) - mit Prozentangaben in vielfältigen und auch komplexen Situationen sicher umgehen - Prozentsatz, Prozentwert, Grundwert
Mehrantiproportionale Zuordnungen mit Anwendungen
Chemie: Graphen zu -Versuchsreihen Thema: Proportionale und antiproportionale Zuordnungen mit Anwendungen Umfang: 12 Wochen Jahrgangsstufe 7 Proportionale und antiproportionale Zuordnungen Darstellen Zuordnungen
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
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
MehrDie berufsbildenden Schulen im Land Bremen. Handelsschule. Mathematik. Rahmenplan. Freie Hansestadt Bremen. Die Senatorin für Bildung und Wissenschaft
Die berufsbildenden Schulen im Land Bremen Handelsschule Mathematik Rahmenplan Die Senatorin für Bildung und Wissenschaft Freie Hansestadt Bremen 2 Handelsschule Rahmenplan Mathematik Herausgegeben von
MehrKollisionserkennung
1 Kollisionserkennung von Jens Schedel, Christoph Forman und Philipp Baumgärtel 2 1. Einleitung Wozu wird Kollisionserkennung benötigt? 3 - für Computergraphik 4 - für Simulationen 5 - für Wegeplanung
MehrKorrespondenzanalyse
Seite 1 von 5 Korrespondenzanalyse Ziel der Korrespondenzanalyse... 1 Anforderungen an die Daten (Stärke des Verfahrens)... 1 Einordnung in die multivariaten Verfahren... 1 Normierung der Daten... 1 Festlegung
MehrAlgorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke
Algorithmen zum Lösen von Vertex und Set Cover Instanzen zur Planung von Angriffen auf Netzwerke Steve Göring 13.07.2012 1/18 Gliederung Einleitung Grundlagen Vertex-Cover-Problem Set-Cover-Problem Lösungsalgorithmen
MehrPolynome im Einsatz: Bézier-Kurven im CAD
Polynome im Einsatz: Bézier-Kurven im CAD Dipl.-Inform. Wolfgang Globke Institut für Algebra und Geometrie Arbeitsgruppe Differentialgeometrie Universität Karlsruhe 1 / 25 Kurven im Raum Eine Kurve im
MehrProjekt Standardisierte schriftliche Reifeprüfung in Mathematik. T e s t h e f t B 1. Schulbezeichnung:.. Klasse: Vorname: Datum:.
Projekt Standardisierte schriftliche Reifeprüfung in Mathematik T e s t h e f t B Schulbezeichnung:.. Klasse: Schüler(in) Nachname:. Vorname: Datum:. B Große und kleine Zahlen In Wikipedia findet man die
MehrGegeben sei das folgende formale Modell aus dem Bereich der Transportplanung: Transportkosten pro Stück zwischen Standort s und Kunde k in Euro
Aufgabe 2 Transportmodell Gegeben sei das folgende formale Modell aus dem Bereich der Transportplanung: Mengen und Indices S Menge der Unternehmensstandorte (Index s) K Menge der Kunden (Index k) Parameter
MehrEntwicklung eines Dispatchmodells im Gasmarkt. EnInnov 2016 Graz, Benedikt Eberl
Entwicklung eines Dispatchmodells im Gasmarkt EnInnov 2016 Graz, 12.2.2016 Benedikt Eberl 1 Die Forschungsstelle für Energiewirtschaft e.v. Unabhängige Forschung seit 65 Jahren Ziel der nachuniversitären
MehrOptimierung der Auswahl von Glasbauteilen
Optimierung der Auswahl von Glasbauteilen Flavio Foradini windays 2015 Biel Zertifizierung Strategic && Ökobilanz thinking und undenergetische in sustainable Gebäude energy Entwicklung der «Fensterproblematik»
MehrLösung (die Geraden laufen parallel) oder unendlich viele Lösungen.
1 Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 2008 Kapitel 16 Determinanten und inverse Matrizen
MehrDer Solver. Gerald Kurz
Der Solver Gerald Kurz Was ist der Solver Der Solver ist ein Calc-Zusatzprogramm zur Lösung von Optimierungsaufgaben. Im Gegensatz zur Zielwertsuche können hier Aufgaben auch mit mehreren Variablen und
MehrHeinrich-Heine-Gymnasium Herausforderungen annehmen Haltungen entwickeln Gemeinschaft stärken
Heinrich-Heine-Gymnasium Herausforderungen annehmen Haltungen entwickeln Gemeinschaft stärken Schulinterner Lehrplan Mathematik in der ab dem Schuljahr 2014/15 Eingeführtes Schulbuch: Mathematik Gymnasiale
MehrGeometrische Algorithmen
Geometrische Algorithmen Thomas Röfer Motivation Scan-line-Prinzip Konvexe Hülle Distanzprobleme Voronoi-Diagramm Rückblick Manipulation von Mengen Vorrangwarteschlange Heap HeapSort swap(a, 0, 4) 1 5
MehrVerbindungs- und Kostenverteilungsprobleme
MaMaEuSch Management Mathematics for European Schools http://www.mathematik.unikl.de/ mamaeusch Verbindungs- und Kostenverteilungsprobleme Federico Perea Justo Puerto MaMaEuSch Management Mathematics for
MehrNewton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme
Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es
MehrJahrgang: 8 Themenkreise 1/5. Operieren führen Rechnungen mit dem eingeführten Taschenrechner aus und bewerten die Ergebnisse
Terme und Auflösen einer Klammer Subtrahieren einer Klammer Ausklammern Binomische Formeln Faktorisieren Mischungsaufgaben mit Parametern Typ T 1 T 2 = 0 7 46 10 16 17 18 19 21 22 27 28 33 34 37 38 40
MehrAusarbeitung zum Modulabschluss. Graphentheorie. spannende Bäume, bewertete Graphen, optimale Bäume, Verbindungsprobleme
Universität Hamburg Fachbereich Mathematik Seminar: Proseminar Graphentheorie Dozentin: Haibo Ruan Sommersemester 2011 Ausarbeitung zum Modulabschluss Graphentheorie spannende Bäume, bewertete Graphen,
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
MehrStoffverteilungsplan Mathematik Klasse 7
Kapitel I Prozente und Zinsen Schnäppchen gesucht Prozentgummi Prozente im Straßenverkehr Mit Prozenten zoomen 1 Prozente Vergleiche werden einfacher 2 Prozentsatz Prozentwert Grundwert 3 Grundaufgaben
Mehr