Mathematik: Geometrie und Anwendungen in der Wirtschaft

Größe: px
Ab Seite anzeigen:

Download "Mathematik: Geometrie und Anwendungen in der Wirtschaft"

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 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

Mehr

Hinweis für Leser der Folien. Mathematik und Wirtschaft. Was ist Wirtschaftsmathematik? Gliederung. Bedeutung der Wirtschaftsmathematik in der Schule

Hinweis 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

Mehr

Wirtschaftsmathematik und Schulen

Wirtschaftsmathematik und Schulen Wirtschaftsmathematik und Schulen Prof Dr Horst W Hamacher Fachbereich Mathematik, Universität Kaiserslautern Studienkreis Schule und Wirtschaft Rheinland-Pfalz November 2002 Wirtschaftsmathematik: Uni

Mehr

Anwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht

Anwendungen 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

Mehr

Anwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht

Anwendungen 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

Mehr

Algorithmische Geometrie

Algorithmische 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

Mehr

Optimierung für Wirtschaftsinformatiker: Lineare Programme

Optimierung 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

Mehr

Optimale Stationierung von Rettungshubschraubern

Optimale 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,

Mehr

Geradenarrangements und Dualität von Punkten und Geraden

Geradenarrangements 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

Mehr

Geradenarrangements und Dualität von Punkten und Geraden

Geradenarrangements 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

Mehr

Grundlagen 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): 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

Mehr

Computer Science Department - High Performance and Web Computing Group. Optimierungsprobleme

Computer 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

Mehr

12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme

12. 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"

Mehr

Hurra, Hurra, die Feuerwehr ist da oder: Schulgeometrie ausnahmsweise realitätsnahe

Hurra, 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 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

Mehr

Kapitel 9: Lineare Programmierung Gliederung

Kapitel 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

Mehr

Grundlagen der Optimierung. Übung 6

Grundlagen 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

Mehr

Übung Computergrafik 3

Übung 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:

Mehr

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Wirtschaftsmathematik 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)

Mehr

Formale Grundlagen der Informatik F3: Berechenbarkeit un

Formale 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

Mehr

Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler

Klausur 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:

Mehr

2. Optimierungsprobleme 6

2. 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

Wirtschaftsmathematik für International Management (BA)

Wirtschaftsmathematik 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

Mehr

3. Grundlagen der Linearen Programmierung

3. 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

Mehr

Aussage: richtig falsch Entscheidungen über Investitionen werden stets in der kurzfristigen (operativen) Planung getroffen.

Aussage: 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

Mehr

Lernkontrolle Relationen, Funktionen, lineare Funktionen

Lernkontrolle 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

Mehr

1 Der Simplex Algorithmus I

1 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

Mehr

Kap. 4: Lineare Programmierung

Kap. 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.

Mehr

Produktionsplanung und Lineare Optimierung

Produktionsplanung 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

Mehr

Eigenschaften von LPs

Eigenschaften 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

Mehr

11. Übung zu Algorithmen I 6. Juli 2016

11. 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

Mehr

7.1 Matrizen und Vektore

7.1 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

Mehr

Einführung in die Robotik. Jianwei Zhang

Einführung 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

Mehr

Inhalt: Die vorliegenden Folienvorlagen enthalten folgende Elemente:

Inhalt: 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

Mehr

Optimierung für Nichtmathematiker

Optimierung 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

Mehr

Studientag zur Algorithmischen Mathematik

Studientag 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

Mehr

LinOpt - Tool zur Visualisierung eines multikriteriellen Optimierungsproblems

LinOpt - 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

Mehr

Mathematik 1 für Wirtschaftsinformatik

Mathematik 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

Mehr

MATHEMATIK NEUE WEGE BADEN-WÜRTTEMBERG

MATHEMATIK 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

Mehr

Lineare Optimierung und Simplex-Algorithmus

Lineare 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

Mehr

INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS

INSTITUT 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.

Mehr

MATHEMATIK 5 STUNDEN

MATHEMATIK 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

Mehr

Flüsse, Schnitte, Bipartite Graphen II

Flüsse, 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

Mehr

Inhalt. 8.1 Motivation. 8.2 Optimierung ohne Nebenbedingungen. 8.3 Optimierung unter Nebenbedingungen. 8.4 Lineare Programmierung

Inhalt. 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

Mehr

Voronoi-Diagramme. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK

Voronoi-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 :

Mehr

Lineare Programmierung

Lineare 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

Mehr

Aufgabe 3b) [$, Unterschied zwischen $ auf der linken und der rechten Seite]

Aufgabe 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

»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

Mehr

Operations Management

Operations 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,

Mehr

Lineare Gleichungssysteme mit 2 Variablen

Lineare 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)

Mehr

Aufgaben zu Kapitel 23

Aufgaben 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

Mehr

Lineare Funktionen. Klasse 8 Aufgabenblatt für Lineare Funktionen Datum: Donnerstag,

Lineare 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.

Mehr

Branch-and-Bound und Varianten. Kapitel 3. Branch-and-Bound und Varianten. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 98 / 159

Branch-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

Mehr

2. Mathematik-Schularbeit für die 5. Klasse Autor: Gottfried Gurtner

2. 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

Mehr

Abbildung 6.1 Übersicht über die Teilpläne der Produktionsplanung

Abbildung 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)

Mehr

Mathematik für Wirtschaftswissenschaftler II

Mathematik 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

Mehr

Algorithmische Geometrie: Rest Lokalisierung von Punkten; Voronoi Diagramme (1/2)

Algorithmische 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

Mehr

SS 2005 FAU Erlangen 20.6.2005. Eine Wegeplanungs-Strategie. Jeremy Constantin, Michael Horn, Björn Gmeiner

SS 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

Mehr

V. Metriken. Gliederung. I. Motivation. Lesen mathematischer Symbole. Wissenschaftliche Argumentation. Matrizenrechnung. Seite 67

V. 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

Mehr

Lineares Programmieren

Lineares 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

Mehr

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. 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

Mehr

Lineare (Un-)Gleichungen und lineare Optimierung

Lineare (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

Mehr

Aufgabe 7.1: Wirtschaftsplanung

Aufgabe 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

Mehr

Voronoi-Diagramme INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK. Dr. Martin Nöllenburg Vorlesung Algorithmische Geometrie

Voronoi-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

Mehr

Teil I. Lineare Optimierung

Teil 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,

Mehr

KAPITEL 3. Konvexe Funktionen

KAPITEL 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

Mehr

Schranken für Mengenüberdeckungsprobleme. Diplomarbeit. vorgelegt von. Markus Thiemann. Januar 2009

Schranken 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

Mehr

8. Lineare Optimierung

8. 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

Mehr

KLAUSUR zu Einführung in die Optimierung. Studiengang: Bachelor Master Diplom (bitte ankreuzen)

KLAUSUR 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

Mehr

Produktionsplanung und Lineare Optimierung im Rahmen des Projekts Mathematik und Ökonomie 12./13. November 2003 in Düsseldorf.

Produktionsplanung 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

Mehr

Klausur Algorithmen und Datenstrukturen II 29. Juli 2013

Klausur 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

Mehr

Grundwissen 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.

Grundwissen 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

Mehr

Berufsreifeprüfung Mathematik Lehrplan laut Berufsreifeprüfungscurriculaverordnung Volkshochschule Floridsdorf Februartermin 2014

Berufsreifeprüfung 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:

Mehr

x 1 x 2 a) Erläutern Sie den prinzipiellen Weg, wie man den Standort der Person aus den gegebenen Daten berechnen kann.

x 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

{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,

Mehr

Kombinatorische Optimierung

Kombinatorische Optimierung Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales

Mehr

Abbildung 1: Graphische Lösung der ersten Übungsaufgabe

Abbildung 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

Mehr

Algorithmische Geometrie: Einstimmung

Algorithmische 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

Mehr

Das 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 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

Mehr

Statistik und Graphentheorie

Statistik 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:

Mehr

VORLESUNG 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) 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

Mehr

Begriffsklärung: Dominanz

Begriffsklärung: 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

Mehr

Vorlesung Lineare Optimierung (Sommersemester 2009)

Vorlesung 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

Mehr

Klausur Wirtschaftsmathematik VO

Klausur Wirtschaftsmathematik VO Klausur Wirtschaftsmathematik VO 01. Oktober 2016 Bitte leserlich in Druckbuchstaben ausfüllen! NACHNAME: VORNAME: MATRIKELNUMMER: ERLAUBT: nur die Formelsammlung des Instituts! VERBOTEN: Taschenrechner

Mehr

Integrierte Kampagnenplanung. Netzwerken der chemischen Industrie

Integrierte 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

Mehr

Übungsblatt 6 Lösungsvorschläge

Übungsblatt 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

Mehr

Perlen der Informatik I Wintersemester 2012 Aufgabenblatt 7

Perlen 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

Mehr

5. Gitter, Gradienten, Interpolation Gitter. (Rezk-Salama, o.j.)

5. 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.)

Mehr

Wo liegt der optimale Standort

Wo 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

Mehr

6. Softwarewerkzeuge für die Lineare Programmierung

6. 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

Mehr

Das Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering

Das 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

Mehr

Funktionaler Zusammenhang. Lehrplan Realschule

Funktionaler Zusammenhang. Lehrplan Realschule Funktionaler Bildungsstandards Lehrplan Realschule Die Schülerinnen und Schüler nutzen Funktionen als Mittel zur Beschreibung quantitativer Zusammenhänge, erkennen und beschreiben funktionale Zusammenhänge

Mehr

Operations Research. Ganzzahlige lineare Programme. ganzzahlige lineare Programme. Ganzzahlige lineare Programme. Rainer Schrader. 25.

Operations 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

Mehr

Schranken für zulässige Lösungen

Schranken 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

Mehr

Prüfungsklausur Operations Research,

Prüfungsklausur 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,

Mehr

Optimierung. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn

Optimierung. 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

Mehr

Operations Research. Die Simplexmethode. LP-Dualität. Die Simplexmethode. Rainer Schrader. 18. Juni Zur Erinnerung: Gliederung

Operations 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

Mehr

Aufgaben. zu Inhalten der 5. Klasse

Aufgaben. 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

Mehr

Graphentheorie. Kürzeste Wege. Kürzeste Wege. Kürzeste Wege. Rainer Schrader. 25. Oktober 2007

Graphentheorie. 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

Mehr

Theoretische Informatik 1

Theoretische 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