Mathematik: Geometrie und Anwendungen in der Wirtschaft
|
|
- Friedrich Morgenstern
- vor 6 Jahren
- Abrufe
Transkript
1 Prof Dr Horst W Hamacher Mathematik: Geometrie und Anwendungen in der Wirtschaft Einführende Anwendungsbeispiele von Horst W Hamacher IFB, Juni Einführende Anwendungsbeispiele Seite 1
2 Prof Dr Horst W Hamacher Gliederung Supply Chain Management (SAP,) SCM Krebsbestrahlung (Krebshilfe, BMBF) Krebs Tarifplanung im Öffentlichen Personennahverkehr - Waben (WVV,) ÖPNV Produktionsplanung (IBM, psb,) Notfallhubschrauber (Weisses Kreuz (Tirol)) Sonstige SchülerProjekte Prod Notfall Misc IFB, Juni Einführende Anwendungsbeispiele Seite 2
3 Prof Dr Horst W Hamacher Supply Chain Management Ein einfaches Vertriebsnetzwerk Lieferanten Werke Vertriebszentren Kunden store store IFB, Juni Einführende Anwendungsbeispiele Seite 3
4 Prof Dr Horst W Hamacher Vertriebsnetzwerk-Design Werke Vertriebszentren Kunden Typische Entscheidungen: store Wie viele? Vetriebs- Wo? zentren Größe? store Welche Kunden werden von jedem Vertriebszentrum beliefert? IFB, Juni Einführende Anwendungsbeispiele Seite 4
5 Prof Dr Horst W Hamacher Schritt 1: 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 IFB, Juni Einführende Anwendungsbeispiele Seite 5
6 Prof Dr Horst W Hamacher 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 IFB, Juni Einführende Anwendungsbeispiele Seite 6
7 Prof Dr Horst W Hamacher Voronoi-Diagramme Für 2 Punkte: Für 3 Punkte: IFB, Juni Einführende Anwendungsbeispiele Seite 7
8 Prof Dr Horst W Hamacher Analyse eines existierenden Vertriebsnetzwerks (Forts) Ansatz: Unterteilung der Ebene in N Zellen, V(VZ 1 ),,V(VZ N ) V(VZ i ) = k: k i { 2 x :d(x,vz) } i d(x,vz) k Voronoi-Diagramm VZen Kunden IFB, Juni Einführende Anwendungsbeispiele Seite 8
9 Prof Dr Horst W Hamacher Vorteile: schnelles geometrisches Verfahren niedrige Datenanforderungen: nur Koordinaten von VZ 1,,VZ N falls l 2 -Norm benutzt wird Plane Sweep Algorithmus O(NlogN) (S Fortune (1987)) 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 IFB, Juni Einführende Anwendungsbeispiele Seite 9
10 Prof Dr Horst W Hamacher Schritt 2: Redesign eines Input: Vertriebsnetzwerks 1- 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 IFB, Juni Einführende Anwendungsbeispiele Seite 10
11 Prof Dr Horst W Hamacher Heuristik: Initialisierungsschritt Menge 1: 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 IFB, Juni Einführende Anwendungsbeispiele Seite 11 Neues Voronoi-Diagramm
12 Prof Dr Horst W Hamacher 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 IFB, Juni Einführende Anwendungsbeispiele Seite 12
13 Prof Dr Horst W Hamacher Gliederun 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 = 1,,#neuer VZen): wähle Startlokation für neuen Standort erstelle ein Voronoi-Diagramm löse einzelne 1-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 IFB, Juni Einführende Anwendungsbeispiele Seite 13
14 Prof Dr Horst W Hamacher Krebsbestrahlung Geometrische Methoden werden benutzt, um Krebszellen zu zerstören und gesunde Organe zu schonen konforme Bestrahlung IFB, Juni Einführende Anwendungsbeispiele Seite 14
15 Prof Dr Horst W Hamacher Wie entdeckt man Krebs? IFB, Juni Einführende Anwendungsbeispiele Seite 15
16 Prof Dr Horst W Hamacher Krebsbestrahlung - Linearbeschleuniger Intensity Modulated Radiation Therapy IFB, Juni Einführende Anwendungsbeispiele Seite 16
17 Prof Dr Horst W Hamacher Krebsbestrahlung - Standortprobleme auf der Kugel An welchen Stellen stoppt die Bestrahlungseinheit? Sphärische Geometrie! IFB, Juni Einführende Anwendungsbeispiele Seite 17 Gliederun
18 Prof Dr Horst W Hamacher Tarifplanung im ÖPNV - Waben Westpfalz Verkehrsverb Ändere Entfernungstarif in Wabentarif, so dass Kunden möglichst wenig betroffen sind i,j, k,l, Haltestellen (unbekannte) Waben alter (i,j) Entfernungstarif d ij neuer (k,l) Wabentarif p kl Haltestelle i - Zone k Zuordnung h ik œ{0,1} Geometrie als Werkzeug nicht als Widerspiegelung der räumlichen Wirklichkeit IFB, Juni Einführende Anwendungsbeispiele Seite 18
19 Prof Dr Horst W Hamacher Tarifplanung im ÖPNV - Waben Minimiere Abweichung von alten Tarifen: Westpfalz Verkehrsverb neuer (k,l) Wabentarif alter (i,j) Entfernungstarif minimiere Haltestelle i - Zone k Zuordnung i, j, k, l unter den Nebenbedingungen hh d p ik jl ij kl = 1 i {0,1} i, k, d 0 IFB, Juni Einführende Anwendungsbeispiele Seite 19 k h p ik kl h ik ij NP-schweres Problem einfach, falls Zonen gegeben sind Zonen können unzusammenhängend sein Gliederun
20 Prof Dr Horst W Hamacher Produktionsplanung Der Gewinn beim Verkauf von Kakaoprodukten soll maximiert werden Daten: Kakaopulver Schokolade Vorhandene Kapazität Gewinn Anlage Anlage Anlage Lineares Programm: IFB, Juni Einführende Anwendungsbeispiele Seite 20 maximiere 30 x x 2 unter 3 x x x x x x 2 12 x 1,x 2 0
21 Prof Dr Horst W Hamacher Algorithmus 11: Grafisches Verfahren zur Lösung Linearer Programme mit zwei Variablen Input: Lineares Programm der Form max cx+ cy x y unter den Nebenbedingungen a x+ a y b 1x 1y 1 a x+ a y b 2x 2y 2 a x+ a y b mx my m xy, 0 Output Optimallösung (x* y*) mit optimalem Zielfunktionswert z* Schritt 1: Für i = 1,,m zeichne nacheinander die Geraden a ix x + a iy y = b i und die zugehörigen Halbräume a ix x + a iy y < b i Schritt 2: Bestimme den Zulässigkeitsbereich als das Polyeder P, das gegeben ist als Durchschnitt der Halbräume a ix x + a iy y < b i Schritt 3 Wähle irgendeine Zahl z und zeichne die Gerade c x x + c y y = z Schritt 4: Verschiebe diese Gerade parallel, so dass der Wert von z größer wird, solange bis ein Wert z =:z* erreicht ist, so dass die Gerade c x x + c y y = z* durch einen Eckpunkt (x* y*) von P geht IFB, Juni Einführende Anwendungsbeispiele Seite 21
22 Prof Dr Horst W Hamacher x=0 x> x + 50y =150 3 Optimallösung (x* y*) = (2 6) Zulässigkeitspolyeder x < 4 x = 4 2y = 12 2y < 12 LP (SchokoLeb Beispiel) Max 30x + 50y udn 3x + 2y < 18 x < 4 2y < 12 x, y > 0 30x + 50y = x + 2y < 18 Algorithm y>0 y= x + 2y = 18 IFB, Juni Einführende Anwendungsbeispiele Seite 22 Gliederun
23 Prof Dr Horst W Hamacher Platzierung von Notfallhubschraubern Einsatzorte (bekannt) Hubschrauberstandort (unbekannt) IFB, Juni Einführende Anwendungsbeispiele Seite 23
24 Prof Dr Horst W Hamacher Platzierung von Notfallhubschraubern x = (x 1,x 2 ) Ex m =(a 1,a 2 ) Ziel: (unbekannte) Standortkoordinaten des Hubschrauberlandeplatzes (bekannte) Koordinaten der Einsatzorte optimiere den schlimmsten Einsatzfall minimiere { dist (x,ex m ) : m = 1,,M} IFB, Juni Einführende Anwendungsbeispiele Seite 24 Gliederun
25 Prof Dr Horst W Hamacher Schülerprojekte Anschlußsicherung bei Verspätung Auslieferungsproblem Evakuierungsplanung Gartenbewässerung Gefahrenguttransporte Linienplanung bei Bustransporten Auto-Navigationssysteme Arbeitsablaufplanung Stücklistenprobleme Zuschnittprobleme Anschluß Ausliefer Evak Garten Gefahr Bus Navigate Sched Stück Zuschnitt IFB, Juni Einführende Anwendungsbeispiele Seite 25
26 Prof Dr Horst W Hamacher Und jetzt wird gearbeitet! IFB, Juni Einführende Anwendungsbeispiele Seite 26
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
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
MehrWirtschaftsmathematik und Schulen
Wirtschaftsmathematik und Schulen Prof Dr Horst W Hamacher Fachbereich Mathematik, Universität Kaiserslautern Studienkreis Schule und Wirtschaft Rheinland-Pfalz November 2002 Wirtschaftsmathematik: Uni
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
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
MehrAlgorithmische Geometrie
Algorithmische Geometrie Martin Peternell TU Wien 31. Fortbildungstagung für Geometrie 2010, Strobl 1 Themen der Algorithmische Geometrie Entwurf von Algorithmen für geometrische Fragestellungen betreffend
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
MehrOptimale Stationierung von Rettungshubschraubern
Rettungshubschraubern Universität Stuttgart Mathematische Modellierung Priv.-Doz. Dr. Iryna Rybak SS16 08.06.2016- Julia Löffelhardt Gliederung 1. Einführung 2. Modellrahmen 3. 1 Hubschrauber 1. 1 Hubschrauber,
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare
MehrGeradenarrangements und Dualität von Punkten und Geraden
Vorlesung Algorithmische Geometrie von Punkten und Geraden INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 12.06.2012 Dualitätsabbildung Bisher haben wir Dualität für planare
MehrGrundlagen zur Delaunay-Triangulierung und zur konvexen Hülle. zum Begriff des Voronoi-Diagramms (vgl. auch Vorlesung "Algorithmische Geometrie"):
Grundlagen zur Delaunay-Triangulierung und zur konvexen Hülle zum Begriff des Voronoi-Diagramms (vgl. auch Vorlesung "Algorithmische Geometrie"): 1 Erzeugung des Voronoi-Diagramms (siehe Vorlesung "Algorithmische
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
Mehr12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme
12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme (Einfache) Voronoi-Diagramme: Motivation: gegeben: Raum R, darin Menge S von Objekten Frage nach Zerlegung von R in "Einflusszonen"
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
Mehr(1) Geometrie. Vorlesung Computergraphik 3 S. Müller U N I V E R S I T Ä T KOBLENZ LANDAU
(1) Geometrie Vorlesung Computergraphik 3 S. Müller KOBLENZ LANDAU KOBLENZ LANDAU Organisatorisches Vorlesung CG 2+3 Die Veranstaltung besteht aus 2 Teilen, wobei in der Mitte und am Ende eine Klausur
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrGrundlagen der Optimierung. Übung 6
Technische Universität Chemnitz Chemnitz, 2. November 24 Prof. Dr. R. Herzog, J. Blechschmidt, A. Schäfer Abgabe am 28. November 24 Grundlagen der Optimierung Übung 6 Aufgabe 2: Verschiedene Verfahren
MehrÜbung Computergrafik 3
Übung Computergrafik 3 1.Übungsblatt: Geometrie Stephan Groß (Dank an Irini Schmidt und Jakob Bärz) Institut für Computervisualistik Universität Koblenz-Landau 6. Juli 2011 Aufgabe 1: Fragezeichen Gegeben:
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg Sätze PLUS Es gilt für A, B R n n : det(ab) = det A det B (Determinantenmultiplikationssatz)
MehrFormale Grundlagen der Informatik F3: Berechenbarkeit un
Formale Grundlagen der Informatik F3: Berechenbarkeit und Komplexität Fachbereich Informatik AB Theoretische Grundlagen der Informatik (TGI) Universität Hamburg farwer@informatik.uni-hamburg.de 14. Dezember
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:
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
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
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
MehrAussage: richtig falsch Entscheidungen über Investitionen werden stets in der kurzfristigen (operativen) Planung getroffen.
Aufgabe 1 Richtig oder Falsch? (20 Punkte) Folgende Aussagen sind entweder richtig oder falsch! Kreuzen Sie jeweils direkt hinter der Aussage eines der Kästchen an. Stimmt Ihre Bewertung einer Aussage
MehrLernkontrolle Relationen, Funktionen, lineare Funktionen
Lernkontrolle Relationen, Funktionen, lineare Funktionen A 1) Im folgenden Diagramm bedeuten A, B, C, D jeweils die Kinder einer Familie; die Pfeile drücken die Relation "hat als Schwester" aus. a) Wie
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
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.
MehrProduktionsplanung und Lineare Optimierung
MaMaEuSch Management Mathematics for European Schools http://www.mathematik.unikl.de/~mamaeusch/ Produktionsplanung und Lineare Optimierung Horst W. Hamacher Diese Veröffentlichung ist Teil des Buchprojektes
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
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
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
MehrEinführung in die Robotik. Jianwei Zhang
- Jianwei Zhang zhang@informatik.uni-hamburg.de Fakultät für Mathematik, Informatik und Naturwissenschaften Technische Aspekte Multimodaler Systeme 26. Juni 2012 J. Zhang 296 Programmierung auf Aufgabenebene
MehrInhalt: Die vorliegenden Folienvorlagen enthalten folgende Elemente:
Inhalt: Punkte im Koordinatensstem Funktionen und ihre Schaubilder Punktprobe und Koordinaten berechnen Proportionale Funktionen 5 Steigung und Steigungsdreieck 6 Die Funktion = m + b 7 Funktionsgleichungen
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
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
MehrLinOpt - Tool zur Visualisierung eines multikriteriellen Optimierungsproblems
LinOpt Tool zur Visualisierung eines multikriteriellen Optimierungsproblems Erstellt von Michael Berklmeir, Michael Haarnagell, Stefan Kraus, Stephan Roser im Rahmen einer Seminararbeit am Lehrstuhl für
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg Berechnung von Eigenwerten und Eigenvektoren Mathematik 1 Bestimmung von Eigenwerten und Eigenvektoren Jedes λ, das det(a
MehrMATHEMATIK NEUE WEGE BADEN-WÜRTTEMBERG
MATHEMATIK NEUE WEGE BADEN-WÜRTTEMBERG Gegenüberstellung der Bildungsstandards Klasse 8 und der in den Schülerbänden 3 und 4 1. Leitidee Zahl die Unvollständigkeit von Zahlbereichen verstehen und aufzeigen
MehrLineare Optimierung und Simplex-Algorithmus
Lineare Optimierung und Simplex-Algorithmus Problemstellung Beispiel : Unser Unternehmen verfügt über drei Maschinen A, B, C, mit denen zwei verschiedene Produkte P, P2 hergestellt werden. Die Maschinen
MehrINSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS
Julian Arz, Timo Bingmann, Sebastian Schlag INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS KIT Julian Universität Arz, des Timo LandesBingmann, Baden-Württemberg Sebastian und Schlag nationales 2.
MehrMATHEMATIK 5 STUNDEN
EUROPÄISCHES ABITUR 202 MATHEMATIK 5 STUNDEN DATUM :. Juni 202, Vormittag DAUER DER PRÜFUNG: 3 Stunden (80 Minuten) ZUGELASSENE HILFSMITTEL : Prüfung mit technologischem Hilfsmittel /6 DE AUFGABE B ANALYSIS
MehrFlüsse, Schnitte, Bipartite Graphen II
Flüsse, Schnitte, Bipartite Graphen II Jonathan Hacker 06.06.2016 Jonathan Hacker Flüsse, Schnitte, Bipartite Graphen II 06.06.2016 1 / 42 Gliederung Einführung Jonathan Hacker Flüsse, Schnitte, Bipartite
MehrInhalt. 8.1 Motivation. 8.2 Optimierung ohne Nebenbedingungen. 8.3 Optimierung unter Nebenbedingungen. 8.4 Lineare Programmierung
8. Optimierung Inhalt 8.1 Motivation 8.2 Optimierung ohne Nebenbedingungen 8.3 Optimierung unter Nebenbedingungen 8.4 Lineare Programmierung 8.5 Kombinatorische Optimierung 2 8.1 Motivation Viele Anwendungen
MehrVoronoi-Diagramme. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 29.05.2011 Das Postamt-Problem b(p, q) = {x R 2 : xp = xq } p q h(p, q) h(q, p) = {x :
MehrLineare Programmierung
Übung Algorithmische Geometrie Lineare Programmierung LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 14.05.2014 Übersicht Übungsblatt 4 Lineares
MehrAufgabe 3b) [$, Unterschied zwischen $ auf der linken und der rechten Seite]
Aufgabe 3 Aufgabe 3a) [Bedingte Wertzuweisung] Gegeben sei folgendes GAMS-Skript: set i /1*4/ j /1*4/; table c(i,j) Bewertung aller Kombinationen von i und j 1 2 3 4 1 10 12 7 2 1 12 30 3 2-4 8 4 1 6 8
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
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,
MehrLineare Gleichungssysteme mit 2 Variablen
Lineare Gleichungssysteme mit 2 Variablen Lineare Gleichungssysteme mit 2 Variablen Einzelne lineare Gleichungen mit zwei Variablen Bis jetzt haben wir nur lineare Gleichungen mit einer Unbekannten (x)
MehrAufgaben zu Kapitel 23
Aufgaben zu Kapitel 23 Aufgaben zu Kapitel 23 Verständnisfragen Aufgabe 23 Bestimmen Sie grafisch die optimale Lösung x der Zielfunktion z = c T x unter den Nebenbedingungen mit dem Zielfunktionsvektor
MehrLineare Funktionen. Klasse 8 Aufgabenblatt für Lineare Funktionen Datum: Donnerstag,
Lineare Funktionen Aufgabe 1: Welche der folgenden Abbildungen stellen eine Funktion dar? Welche Abbildungen stellen eine lineare Funktion dar? Ermittle für die linearen Funktionen eine Funktionsgleichung.
MehrBranch-and-Bound und Varianten. Kapitel 3. Branch-and-Bound und Varianten. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 98 / 159
Kapitel 3 und Varianten Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 98 / 159 Inhalt Inhalt 3 und Varianten Anwendungsbeispiele Branch-and-Cut Peter Becker (H-BRS) Operations Research
Mehr2. Mathematik-Schularbeit für die 5. Klasse Autor: Gottfried Gurtner
. Mathematik-Schularbeit für die 5. Klasse Autor: Gottfried Gurtner Arbeitszeit: 50 Minuten Lernstoff: Mathematische Grundkompetenzen: AG1.1 Wissen über die Zahlenmengen,,, verständig einsetzen können
MehrAbbildung 6.1 Übersicht über die Teilpläne der Produktionsplanung
Abbildung 6.1 Übersicht über die Teilpläne der Produktionsplanung Produktionsplanung Vollzugs- und Prozessplanung Bereitstellungsplanung Losgrößen Ablaufplanung Anlagen Werkstoffe Personal (Beschaffung)
MehrMathematik für Wirtschaftswissenschaftler II
Mathematik für Wirtschaftswissenschaftler II Lineare Wirtschaftsalgebra von Dr. Dietrich Ohse Professor für Betriebswirtschaftslehre, insbesondere Quantitative Methoden, an der Johann Wolfgang Goethe-Universität
MehrAlgorithmische Geometrie: Rest Lokalisierung von Punkten; Voronoi Diagramme (1/2)
Algorithmische Geometrie: Rest Lokalisierung von Punkten; Voronoi Diagramme (1/2) Nico Düvelmeyer WS 2009/2010, 22.12.2009 Überblick 1 Fertigstellung Kapitel 7 2 Definition Voronoi Diagramm 3 Grundlegende
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
MehrV. Metriken. Gliederung. I. Motivation. Lesen mathematischer Symbole. Wissenschaftliche Argumentation. Matrizenrechnung. Seite 67
Gliederung I. Motivation II. III. Lesen mathematischer Symbole Wissenschaftliche Argumentation IV. Matrizenrechnung V. Metriken Seite 67 Problemstellung: Gegeben seien 2 Punkte im Raum. Wie groß ist die
MehrLineares Programmieren
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.05.2011 Nachtrag Art Gallery Problem Lässt sich der Triangulierungs-Algorithmus
Mehr1. 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
MehrLineare (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik Universität Innsbruck Lehrer/innen/fortbildungstag Wien 2010 9. April 2010 Eine Maximumsaufgabe Eine Firma stellt aus
MehrAufgabe 7.1: Wirtschaftsplanung
Johann Wolfgang Goethe-Universität Frankfurt am Main Lehrst.f.BWL, insb. Quant. Methoden Prof. Dr. Dietrich Ohse LPUE:SQM6 LP und Erweiterungen lpueb07_ 2003s.doc Aufgabe 7.1: Wirtschaftsplanung Eine Volkswirtschaft
MehrVoronoi-Diagramme INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.06.2014 1 Das Postamt-Problem b(p, q) = {x 2 R 2 : xp = xq } p q h(p, q) h(q, p) = {x
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,
MehrKAPITEL 3. Konvexe Funktionen
KAPITEL 3 Konvexe Funktionen Sei F R n ein Definitionsbereich und f : F R eine Funktion. Unter dem Epigraphen von f versteht man die Menge epif = {(x, z) R n+1 x F, z R, z f(x)}. Man nennt f konvex, wenn
MehrSchranken für Mengenüberdeckungsprobleme. Diplomarbeit. vorgelegt von. Markus Thiemann. Januar 2009
Schranken für Mengenüberdeckungsprobleme Diplomarbeit vorgelegt von Markus Thiemann geboren am 30. September 1982 in Georgsmarienhütte Januar 2009 Angefertigt im Institut für Numerische und Angewandte
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
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
MehrProduktionsplanung und Lineare Optimierung im Rahmen des Projekts Mathematik und Ökonomie 12./13. November 2003 in Düsseldorf.
Übungsaufgaben Aufgabe 1a Medikamentenmischung Ein Pharmaziehersteller möchte ein neues Medikament auf den Markt bringen. Das Medikament kann aus vier verschiedenen Komponenten (K1 K4) zusammengestellt
MehrKlausur Algorithmen und Datenstrukturen II 29. Juli 2013
Technische Universität Braunschweig Sommersemester 2013 Institut für Betriebssysteme und Rechnerverbund Abteilung Algorithmik Prof. Dr. Sándor P. Fekete Stephan Friedrichs Klausur Algorithmen und Datenstrukturen
MehrGrundwissen Mathematik Klasse 8. Beispiel: m= 2,50 1 = 5,00. Gleichung: y=2,50 x. Beispiel: c=1,5 160=2,5 96=3 80=6 40=240.
I. Funktionen 1. Direkt proportionale Zuordnungen Grundwissen Mathematik Klasse x und y sind direkt proportional, wenn zum n fachen Wert für x der n fache Wert für y gehört, die Wertepaare quotientengleich
MehrBerufsreifeprüfung Mathematik Lehrplan laut Berufsreifeprüfungscurriculaverordnung Volkshochschule Floridsdorf Februartermin 2014
BRP Mathematik VHS Floridsdorf Gruppe A / 15.02.2014 Seite 1/7 Berufsreifeprüfung Mathematik Lehrplan laut Berufsreifeprüfungscurriculaverordnung Volkshochschule Floridsdorf Februartermin 2014 Notenschlüssel:
Mehrx 1 x 2 a) Erläutern Sie den prinzipiellen Weg, wie man den Standort der Person aus den gegebenen Daten berechnen kann.
Lineare Algebra / Analytische Geometrie Leistungskurs Aufgabe 5: GPS Eine Person bestimmt ihre Position auf der Erdoberfläche mit Hilfe eines GPS-Gerätes. Dieser Vorgang soll in dieser Aufgabe prinzipiell
Mehr{0,1} rekursive Aufteilung des Datenraums in die Quadranten NW, NE, SW und SE feste Auflösung des Datenraums in 2 p 2 p Gitterzellen
4.4 MX-Quadtrees (I) MatriX Quadtree Verwaltung 2-dimensionaler Punkte Punkte als 1-Elemente in einer quadratischen Matrix mit Wertebereich {0,1} rekursive Aufteilung des Datenraums in die Quadranten NW,
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
MehrAlgorithmische Geometrie: Einstimmung
Algorithmische Geometrie: Einstimmung Nico Düvelmeyer WS 2009/2010, 20.10.2009 Überblick 1 Organisatorisches 2 Fachgebiet Typische Untersuchungsgegenstände Typische Anwendungsgebiete 3 Inhalte der Vorlesung
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
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:
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
MehrBegriffsklärung: Dominanz
Einführung Begriffsklärung: Dominanz Gegeben: d-dimensionaler Raum, jeder Punkt p im Raum hat d Attribute: (p 1,,p d ) Definition Dominanz: 1 i d : p i p i und 1 i d : p i < p i Begriffsklärung: Dominanz
MehrVorlesung Lineare Optimierung (Sommersemester 2009)
1 Vorlesung Lineare Optimierung (Sommersemester 2009) Kapitel 7: Der Simplex-Algorithmus Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 18. Juni 2009) Gliederung 2 Ecken, Kanten, Extremalstrahlen
MehrKlausur Wirtschaftsmathematik VO
Klausur Wirtschaftsmathematik VO 01. Oktober 2016 Bitte leserlich in Druckbuchstaben ausfüllen! NACHNAME: VORNAME: MATRIKELNUMMER: ERLAUBT: nur die Formelsammlung des Instituts! VERBOTEN: Taschenrechner
MehrIntegrierte Kampagnenplanung. Netzwerken der chemischen Industrie
Markus Meiler Integrierte Kampagnenplanung in logistischen Netzwerken der chemischen Industrie Mit einem Geleitwort von Prof. Dr. Hans-Otto Günther VA Springer Gabler RESEARCH Inhaltsverzeichnis IX Inhaltsverzeichnis
MehrÜbungsblatt 6 Lösungsvorschläge
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Lösungsvorschläge Vorlesung Algorithmentechnik im WS 09/10 Problem 1: Größter Kreis in konvexem Polygon [vgl. Kapitel 6
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
Mehr5. Gitter, Gradienten, Interpolation Gitter. (Rezk-Salama, o.j.)
5. Gitter, Gradienten, Interpolation 5.1. Gitter (Rezk-Salama, o.j.) Gitterklassifikation: (Bartz 2005) (Rezk-Salama, o.j.) (Bartz 2005) (Rezk-Salama, o.j.) Allgemeine Gitterstrukturen: (Rezk-Salama, o.j.)
MehrWo liegt der optimale Standort
aaeusch anagement athematics for European Schools http://www.mathematik.unikl.de/~mamaeusch/ Wo liegt der optimale Standort Horst W. Hamacher Diese Veröffentlichung ist Teil des Buchprojektes athematik
Mehr6. Softwarewerkzeuge für die Lineare Programmierung
6. Softwarewerkzeuge für die Lineare Programmierung Inhalt 6. Softwarewerkzeuge für die Lineare Programmierung GNU Linear Programming Kit Operations Research I Hochschule Bonn-Rhein-Sieg, SS 2013 314 GNU
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
MehrFunktionaler Zusammenhang. Lehrplan Realschule
Funktionaler Bildungsstandards Lehrplan Realschule Die Schülerinnen und Schüler nutzen Funktionen als Mittel zur Beschreibung quantitativer Zusammenhänge, erkennen und beschreiben funktionale Zusammenhänge
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
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
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,
MehrOptimierung. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn
Optimierung Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung 1 Assignment Problem (Zuordnungsproblem) Gewichtetes Perfektes Bipartites Matching agents Costs tasks Weise jedem Agenten genau
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
MehrAufgaben. zu Inhalten der 5. Klasse
Aufgaben zu Inhalten der 5. Klasse Universität Klagenfurt, Institut für Didaktik der Mathematik (AECC-M) September 2010 Zahlbereiche Es gibt Gleichungen, die (1) in Z, nicht aber in N, (2) in Q, nicht
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
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 10.06.2016 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
Mehr