1. Über stückweise lineare Zielfunktionen bei der Transportmethode
|
|
- Holger Diefenbach
- vor 5 Jahren
- Abrufe
Transkript
1 Über stückweise lineare Zielfunktionen bei der Transportmethode Die Transportkosten entlang eines Transportweges sind stückweise linear, konkret, sie setzen sich aus drei linearen Teilstücken zusammen: Das erste Stück geht bis 100 Einheiten (x 1 ), das zweite Stück betrifft weitere 150 Einheiten (x 2 ), das dritte Stück ist unbeschränkt (x 3 ). Die Transporteinheitskosten für die Teilstücke sind wie folgt im Rahmen von drei Alternativen vorgegeben c 1 c 2 c 3 Alternative Alternative Alternative Formulieren Sie für jede der Alternativen Zielfunktion und Restriktionen, letztere redundanzfrei: Alternative 1: 2 Alternative 2: 3 Alternative 3: 4
2 Sensitivität der Transporteinheitskosten Das folgende klassische 3 4-Transportproblem ist gegeben Die Optimallösung lautet: Die Höhe der Transporteinheitskosten ist in Wirklichkeit natürlich nicht sicher. Deswegen soll hier die Frage untersucht werden, in welchen Bandbreiten jeder der c ij ceteris paribus variieren könnte, ohne daß sich die obige Optimallösung ändert. Tragen sie diese Bandbreiten für die c ij in die folgende Tabelle ein: c 11 c 12 c 13 c c 21 c 22 c 23 c 24 c 31 c 32 c 33 c 34
3 Zur Sanierung des Ungarischen Algorithmus Die worst case Komplexität des Ungarischen Algorithmus ist denkbar schlecht, wie sich aus folgendem Beispiel ergibt B M M = Sehr große positive Zahl M M B = Große positive Zahl 0 B M M M 0 M M M M Das soll im weiteren saniert werden! Wie wir von dem Beweisweg für die sog. MODI-Methode wissen, kann man zu einzelnen Zeilen und/oder Spalten Konstante addieren, ohne daß sich die Lage des Optimums ändert. Das obige Anfangstableau ist u.a. deshalb schlecht weil es nur zwei unabhängige Nullen hat. In diesem Fall ist es so, daß man durch geschicktes Hineinaddieren von Konstanten die Anzahl der unabhängigen Nullen so erhöhen kann, daß nach Abzug der Zeilenminima und nach Abzug der Spaltenminima vier unabhängige Nullen existieren und man nur noch eine Iteration bis zum Optimum benötigt. Rechnen Sie das unter Anwendung dieser Idee vor: B M M M 0 B M M M 0 M M M M 12
4 Minimale Kosten bei minimalem Bottleneck: K(BN) Ein Unternehmen hat 4 Betriebsstätten (B 1... B 4 ), in denen ein Produkt in folgenden Mengen hergestellt werden kann: B 1 B 2 B 3 B Es gibt 4 Nachfrager (N 1... N 4 ), die in der folgenden Periode voraussichtlich folgende Mengen nachfragen werden: N 1 N 2 N 3 N Die Transporteinheitskosten sind wie folgt gegeben: N 1 N 2 N 3 N 4 B B B B a) Geben Sie die kostenminimale Lösung und deren Kosten an: K min =... b) Die Nachfrager bestellen häufig sehr kurzfristig. Der Anbieter überlegt, ob es nicht günstiger ist, eine Lösung zu realisieren, die zwar mit höheren Transportkosten verbunden ist, dafür aber geringere Transport- = Lieferzeiten hat. Die Transporteinheitskosten sind in folgender Tabelle angegeben: 4 N 1 N 2 N 3 N 4 B B B B Tragen Sie die effizienten Lösungen in das folgende K/BN-Koordinatensystem ein und vermerken Sie neben den Lösungspunkten die zugehörigen Koordinaten. K/BN-Koordinatensystem siehe nächstes Blatt!
5 - 6 - K BN
6 Berechnung eines Minimum weight matching für einen Graphen mit gerader Knotenzahl Gegeben ist ein ungerichteter vollständiger Graph mit 8 Knoten. Die Kantengewichte sind in der folgenden Matrix gegeben: Zeichnen Sie in das folgende Knotengerüst das Minimum weight matching ein und geben Sie das Gewicht des Minimum weight matching an:...
7 Über untere und obere Schranken für das Optimum beim TS-Problem Das TS-Problem kann man bekanntlich nicht mit einem Differentialrechnungsalgorithmus lösen und folglich nicht die Optimalität mit den sog. Kuhn Tucker Bedingungen (=zulässige Lösung und erfüllte Vorzeichenbedingung für die Lagrange schen Variablen) überprüfen bzw. konstatieren. Dann stellt sich die Frage, ob man nicht irgendwie gute untere und obere Schranken für das Optimum berechnen kann, denn wenn beide Schranken (hinreichend) koinzidieren, hätte man ebenfalls das Optimum konstatiert. Eine untere Schranke erhält man z.b. durch die Lösung des TS-Problems als AS-Problem. Hinsichtlich einer oberen Schranke ist die Wissenschaft bisher nicht weiter vorgedrungen als zu folgender Aussage: Das Optimum ist kleiner/gleich dem arithmetischen Mittel über alle Elemente der Kostenmatrix, multipliziert mit n (=Anzahl der Zeilen bzw. Spalten der Kostenmatrix). Dazu das folgende TS-Beispiel: Der durchschnittliche Kostenwert errechnet sich wie folgt: 78 / 12 = 6,5. Die obere Schranke hat also den Wert 4 6,5 = 26. Die optimale AS-Lösung hat einen Wert von 14. Es gelten also folgende Schranken: 14 TS opt 26. Obwohl die obere Schranke sehr schlecht ist, besteht hier die Aufgabe darin, diese Schranke (allgemein) zu beweisen: 8
8 Lösung eines unsymmetrischen TS-Problems Das folgende unsymmetrische 8x8-TS-Problem ist gegeben: A B C D E F G H B C D E F G H Markieren Sie die optimale Lösung und geben sie deren Zielwert an:...
9 Warum es sich i.a. nicht lohnt beim Absuchen von Orten nach einem Gegenstand unterschiedliche Existenzwahrscheinlichkeiten zu berücksichtigen Wenn man einen Gegenstand sucht, der sich an verschiedenen Orten befinden kann, so ist das prinzipiell ein TS-Problem. Wir unterstellen zunächst einmal, daß die Existenzwahrscheinlichkeit des Gegenstandes in jedem der Orte gleich hoch ist. Dann steigt die Wahrscheinlichkeit, den Gegenstand gefunden zu haben, im Prinzip linear mit der zurückgelegten Suchentfernung. Diese Suchfunktion ist im folgenden Koordinatensystem geometrisch dargestellt: 1 Wahrscheinlichkeit des Findens 4 0,5 TS opt Beim Suchen zurückgelegte Entfernung Nun ist es jedoch in aller Regel so, daß die Existenzwahrscheinlichkeit des Gegenstandes in jedem der Orte unterschiedlich hoch ist. Dann stellt sich die Frage, ob es sich lohnt, diese Existenzwahrscheinlichkeiten bei der Ermittlung der optimalen Such-Reihenfolge zu berücksichtigen. Zeichnen sie in das obige Koordinatensystem eine solche (kontinuierliche) Suchfunktion ein, die (teilweise) zu besseren Suchergebnissen führt. Begründen Sie, warum es kaum zu erwarten ist, daß die Berücksichtigung von Existenzwahrscheinlicheiten zum schnelleren Auffinden des Gegenstandes führt: 6
10 Zur Anzahl der Ganzzahligen Lösungen für ein Lineares Programm Ganzzahlige Lineare Programme werden der Kategorie - Restriktionen sind (von vornherein) nicht bekannt und - Menge der Alternativen ist (von vornherein) nicht bekannt zugeordnet. Daran könnte man Zweifel haben, wenn man ein zweidimensionales Beispiel betrachtet: Die Menge der ganzzahligen Lösungen läßt sich leicht enumerieren und diejenigen Restriktionen, die die konvexe Hülle bilden, sind auch relativ leicht anzugeben. Aber schon dreidimensional ist das alles anders. Dann ist bereits die Enumeration der Menge der zulässigen Lösungen (Alternativen) Knochenarbeit, worüber wir uns nunmehr für das folgende Lineare Programm eine Vorstellung verschaffen wollen Z max x 1 x 2 x 3 Rel RS = 0 Ermitteln Sie die Anzahl der ganzzahligen Lösungen mit dem ff. Enumerationsbaum: Enumerationsbaum siehe nächstes Blatt
11 x 1 = 0 x 1 = 1 x 1 = 2 x 1 = 3 x 1 = 4 10 x 2 = 0 x 2 = 1 x 2 = 2 x 2 = 3 x 2 = 4 x 2 = 5 x 3 = 0 x 3 = 1 x 3 = 2 x 3 = 3 x 3 = 4 Die Anzahl der ganzzahligen Lösungen beträgt:...
12 Über Isoquanten von (duovariablen) Zielfunktionen Betrachtet werden duovariable Zielfunktionen Z(x 1,x 2 ). a. Kann man aus der geometrischen Darstellung der Isoquanten (in der x1/x2-ebene) erkennen, ob die Zielfunktion konvex oder konkav ist? (Ja oder Nein, mit Begründung) 2 b. Erläutern Sie, warum jede Isoquante einer konvexen Zielfunktion ihrerseits ein konvexes Gebiet bildet (Empfehlung: Widerspruchsbeweis)! 4
13 Geometrische Veranschaulichung des Restriktionssystems bei binärer Optimierung Das fixed charge Problem ist ein Transportproblem, bei dem man es mit folgenden (extrem degressiven) Kostenfunktionen zu tun hat: K ij Kf ij Dieses Problem kann man mit einem binären Linearen Programm lösen. Die Zielfunktion lautet x ij Z min = i,j x ij Kf ij und die Restriktionen, pars pro toto für die Variablen x ij und x ij : x ij 0 x ij /M x ij (x ij 1) = 0 x ij Zeichnen Sie das Restriktionssystem für das Variablenpaar x ij und x ij in das folgende Koordinatensystem ein x ij x' ij Schraffieren Sie die unzulässigen Seiten und machen Sie die zulässigen Gebiete (Punkte, Strecken) kenntlich.
Prof. Dr. Hans G. Bartels Frankfurt, SS 2002
Prof. Dr. Hans G. Bartels Frankfurt, SS 00 Klausur zur Veranstaltung Ganzzahlige und Kombinatorische Optimierung Bearbeiter Maximale Punktzahl: Matr.-Nr. :... Studienfach :... Semesterzahl :... Tragen
MehrProbeklausur Optimierung
Universität Hamburg Fakultät für Mathematik, Informatik und Naturwissenschaften Dr. Nico Düvelmeyer Hamburg, 4. Juli 2011 Probeklausur Optimierung Bitte selber ausfüllen: Name: (darf anonymisiert werden)
MehrÜbung 5, Analytische Optimierung
Übung 5, 5.7.2011 Analytische Optimierung Aufgabe 5.1 Bei der Herstellung von Konserven werden für Boden und Deckel bzw. für den Konservenmantel verschiedene Materialien verwendet, die g 1 = bzw. g 2 =
MehrAufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1
Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung
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
MehrÜber fixe Kosten und Elastizitäten von Produktionsprogrammen
- -. Über fixe Kosten und Elastizitäten von Produktionsprogrammen Bei Produktionsprogrammen kommen zwei Zielfunktionen in Frage die Deckungsbeitragsfunktion (DB), die Gewinnfunktion (G), die man erhält,
MehrZuordnungsproblem. Beispiele. Mathematisches Modell. Lösungsmethoden. auch Ernennungs-, Zuweisungs-, Assignmentproblem
Zuordnungsproblem auch Ernennungs-, Zuweisungs-, Assignmentproblem Beispiele Mathematisches Modell Lösungsmethoden HTW-Berlin FB3 Prof. Dr. F. Hartl 1 2 Anwendungen Zuordnung von - 1 ME von A i nach B
MehrOptimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung
Optimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung Dr. Nico Düvelmeyer Freitag, 24. Juni 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Dualität Motivation Duales LP Dualitätssätze
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik. a 0 = 0 =
Lösungsskizzen zu den Klausuraufgaben zum Kurs 4 Algorithmische Mathematik 4KSL3 6 Punkte Aufgabe. Die Folge (a n ) n N natürlicher Zahlen a n sei rekursiv definiert durch a 0 = 0, a n = a n + n falls
MehrAnhang: Ungarische Methode
Ungarische Methode 107 Anhang: Ungarische Methode Zum Schluss des Kurses soll noch der Algorithmus der Ungarischen Methode beschrieben werden. Wir lehnen uns hierbei eng an der Darstellung von DOMSCHKE
MehrPrüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten)
HTW Dresden 11. Februar 2014 FB Informatik/Mathematik Prof. Dr. J. Resch Prüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten) Name, Vorname: Matr.-nr.: Anzahl der abge-
MehrAufgaben zur Klausurvorbereitung
Vorlesung Graphen und Optimierung Sommersemester 2013/14 Prof. S. Lange Aufgaben zur Klausurvorbereitung Hier finden Sie eine Reihe von Übungsaufgaben, die wir an den beiden Vorlesungsterminen am 29.01.2014
MehrSchnittebenenverfahren von Gomory. Stefan Allescher 30. Juni 2005
Schnittebenenverfahren von Gomory Stefan Allescher 30. Juni 2005 Inhaltsverzeichnis 1. Grundprinzip 2. Das Verfahren von Gomory 2.1. Vorgehen 2.2. Beweis der Endlichkeit 2.3. Algorithmische Durchführung
MehrEffiziente Algorithmen I
H 10. Präsenzaufgabenblatt, Wintersemester 2015/16 Übungstunde am 18.01.2015 Aufgabe Q Ein Reiseveranstalter besitzt ein Flugzeug, das maximal p Personen aufnehmen kann. Der Veranstalter bietet einen Flug
MehrDualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
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
MehrKuhn-Tucker Bedingung
Kapitel 13 Kuhn-Tucker Bedingung Josef Leydold Mathematik für VW WS 017/18 13 Kuhn-Tucker Bedingung 1 / Optimierung unter Nebenbedingungen Aufgabe: Berechne das Maximum der Funktion f (x, y) g(x, y) c,
MehrLineare Optimierung Teil 2
Lineare Optimierung Teil 2 Primale Degeneration Duale Degeneration = Mehrdeutigkeit Normalform kanonische Form Duale Simplexmethode HTW-Berlin FB3 Prof. Dr.F. Hartl 1 Primale Degeneration/1 Besitzt eine
MehrOptimierung. Optimierung. Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus Fabian Kuhn
Optimierung Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus 1 Resource Allocation Beispiel aus Vorlesung 6 Primales LP: Duales LP: max 3 4 2 2 4 2 8 3 6 0, 0, 0 min 4 8 6 2 3 3 4 2 2 0, 0,
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
MehrHauptsatz und Optimalitätskriterium der Simplexmethode
Kapitel 4 Hauptsatz und Optimalitätskriterium der Simplexmethode In diesem Abschnitt wird das wichtigste Verfahren zur Lösung linearer Optimierungsprobleme eingeführt die Simplexmethode Es existiere für
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
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
MehrPrüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten)
HTW Dresden 9. Februar 2012 FB Informatik/Mathematik Prof. Dr. J. Resch Prüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten) Name, Vorname: Matr.-nr.: Anzahl der abge-
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
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik
Lösungsskizzen zu den Klausuraufgaben zum Kurs Algorithmische Mathematik KSL09 Aufgabe. Zeigen oder widerlegen Sie: Es existiert ein Graph mit Valenzsequenz (8,,,,,,,,,). Geben Sie im Falle der Existenz
MehrArbeitsblatt Dierentialrechnung
1 Darmerkrankung Das Robert-Koch-Institut in Berlin hat den Verlauf der Darmerkrankung EHEC untersucht. Die Zahl der Erkrankten kann näherungsweise durch folgende Funktionsgleichung dargestellt werden:
MehrKlausur zur Vorlesung Logistik im Sommersemester 2015
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Florian Sahling Sitzplatznr.: Klausur zur Vorlesung Logistik im Sommersemester 2015 Hinweise:
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
MehrDie duale Simplexmethode
Kapitel 0 Die duale Simplexmethode Bei der dualen Simplexmethode ist eine Startlösung oftmals leichter angebbar als bei der Simplexmethode für das ursprüngliche lineare Programm, da man keine Nichtnegativitätsanforderungen
MehrKlausurrepetitorium ABWL
Klausurrepetitorium ABWL Planungs- und Südwestfälische Industrie- und Handelskammer 9. August 5 Dr. Friedhelm Kulmann, Sandra Rudolph 9.8.5 Gliederung. Nichtlineare Optimierungsprobleme.. Quadratisches
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
MehrZugeordneter bipartiter Graph
Zugeordneter bipartiter Graph Für ein Transportproblem sei A = {A 1,...,A m } die Menge der Fabriken und B = {B 1,...,B n } sei die Menge der Warenhäuser. Wir ordnen nun einem Transportproblem einen bipartiten
MehrFachhochschule Bochum Fachhochschule Münster Fachhochschule Südwestfalen
Fachhochschule Bochum Fachhochschule Münster Fachhochschule Südwestfalen Verbundstudiengang Wirtschaftsingenieurwesen Prof. Dr. rer. nat. habil. J. Resch Prüfung: Mathematik Termin: 1. September 2012 Bearbeitungszeit:
MehrKlausur zur Vorlesung Logistik im Sommersemester 2013
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Logistik im Sommersemester 2013 Hinweise: Die Klausur
MehrGanzzahlige Optimierung (IP)
Thema Ganzzahlige Optimierung (IP) Systematik * Problematik * Pragmatik IP und Branch and Bound 1 Agenda 1. Relevanz der Ganzzahligkeit? 2. Formulierung ganzzahliger Modelle 3. Zur Lösung ganzzahliger
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
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
MehrEcken des Zuordnungsproblems
Total unimodulare Matrizen Ecken des Zuordnungsproblems Definition.6 Ein Zuordnungsproblem mit den Vorzeichenbedingungen 0 apple x ij apple für i, j =,...,n statt x ij 2{0, } heißt relaxiertes Zuordnungproblem.
MehrKOSTEN- UND PREISTHEORIE
KOSTEN- UND PREISTHEORIE Fikosten, variable Kosten und Grenzkosten Jedes Unternehmen hat einerseits Fikosten (Kf, sind immer gleich und hängen nicht von der Anzahl der produzierten Waren ab, z.b. Miete,
MehrAufgabenkomplex 5: Hauptachsentransformation, Lineare Optimierung, Differentialrechnung in mehreren Veränderlichen
Aufgabenkomplex 5: Hauptachsentransformation, Lineare Optimierung, Differentialrechnung in mehreren Veränderlichen 1. Bestimmen Sie für die folgenden Funktionen zunächst die kritischen Stellen und entscheiden
Mehr5 Grundlagen der Differentialrechnung
VWA-Mathematik WS 2003/04 1 5 Grundlagen der Differentialrechnung 5.1 Abbildungen Unter einer Abbildung f, f:d W, y= f( ) von einer Menge D (Definitionsbereich) in eine Menge W (Wertemenge) versteht man
MehrEinführung in das Seminar Algorithmentechnik
Einführung in das Seminar Algorithmentechnik 10. Mai 2012 Henning Meyerhenke, Roland Glantz 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Roland undglantz: nationales Einführung Forschungszentrum
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,
MehrAbiturprüfung Mathematik 2012 Baden-Württemberg Allgemeinbildende Gymnasien Wahlteil Geometrie II 2 Lösungen
1 Abiturprüfung Mathematik 2012 Baden-Württemberg Allgemeinbildende Gymnasien Wahlteil Geometrie II 2 Lösungen klaus_messner@web.de www.elearning-freiburg.de 2 Aufgabe II 2 In einem Koordinatensystem beschreibt
MehrDifferenzialrechnung für Funktionen mit mehreren unabhängigen Variablen. Graphentheorie
Differenzialrechnung für Funktionen mit mehreren unabhängigen Variablen Graphentheorie Differenzialrechnung für Funktionen mit mehreren unabhängigen Variablen Def.: eine Funktion n f :D mit D,x (x,...x
MehrIII. Transportaufgaben 1. Problemstellung 2. Analyse 3. Bestimmung der Startecke 4. Eckenaustausch 5. Umladeprobleme 6. Zuordnungsprobleme
III. Transportaufgaben 1. Problemstellung 2. Analyse 3. Bestimmung der Startecke 4. Eckenaustausch 5. Umladeprobleme 6. Zuordnungsprobleme H. Weber, FHW, OR SS07, Teil 6, Seite 1 1. Problemstellung Wir
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Dualität Anwendung: Spieltheorie Komplementarität und Sensitivitätsanalyse Spaltengenerierung Schnittebenenverfahren Welchen Simplex wann? Inhaltsübersicht für heute: Dualität
MehrDie Ungarische Methode für das Assignment Problem von H. W. Kuhn (1955)
Die Ungarische Methode für das Assignment Problem von H. W. Kuhn (1955) Seminar Kombinatorische Optimierung SS08: Christof Schulz 11.07.2008 1 Harold William Kuhn 2 Das Assignmentproblem Einfaches Assignmentproblem
MehrDie Ungarische Methode für das Assignmentproblem
Die Ungarische Methode für das Assignmentproblem Seminar: Kombinatorische Optimierung SS08, Christof Schulz 11.07.2008 Hauptquellen: The Hungarian Method for the Assignment Problem von H.W. Kuhn (1955)
MehrAufgabe des Monats Januar 2012
Aufgabe des Monats Januar 2012 Ein Unternehmen stellt Kaffeemaschinen her, für die es jeweils einen Preis von 100 Euro (p = 100) verlangt. Die damit verbundene Kostenfunktion ist gegeben durch: C = 5q
MehrEinführung in die Mathematik des Operations Research
Universität zu Köln Mathematisches Institut Prof. Dr. F. Vallentin Einführung in die Mathematik des Operations Research Sommersemester 3 en zur Klausur (7. Oktober 3) Aufgabe ( + 3 + 5 = Punkte). Es sei
MehrSandro Pirkwieser, (Bin Hu, Jakob Puchinger) SS 2010
Lösungsverfahren für Ganzzahlige Optimierung Sandro Pirkwieser, (Bin Hu, Jakob Puchinger) Fortgeschrittene Algorithmen und Datenstrukturen Arbeitsbereich für Algorithmen und Datenstrukturen Institut für
MehrKlausur zur Vorlesung Logistik im Sommersemester 2012
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Jun.-Prof. Dr. Florian Sahling Klausur zur Vorlesung Logistik im Sommersemester 2012 Hinweise: Die
MehrOperations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung.
Operations Research Rainer Schrader Flüsse in Netzwerken Zentrum für Angewandte Informatik Köln 2. Juli 2007 1 / 53 2 / 53 Flüsse in Netzwerken Unimodularität Gliederung Netzwerke und Flüsse bipartite
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)
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
MehrVergleichsklausur 2006 für Jahrgangsstufe 11
Vergleichsklausur 2006 für Jahrgangsstufe Termin: 3.05.2006, 3. und 4. Stunde reine Arbeitszeit: 90 min Jeder Schüler muss drei Aufgaben bearbeiten. Die. Aufgabe und 2. Aufgabe (Analysis) sind verpflichtende
MehrRelationen und Graphentheorie
Seite Graphentheorie- Relationen und Graphentheorie Grundbegriffe. Relationen- und Graphentheorie gehören zu den wichtigsten Hilfsmitteln der Informatik, die aus der diskretenmathematik stammen. Ein Graph
MehrKlausur zum Modul Einführung in die Diskrete Mathematik
Klausur zum Modul Einführung in die Diskrete Mathematik 11.2.2014 Aufgabe 1 [10 Punkte] Sei G ein ungerichteter Graph, k N und x, y, z V (G). Zeigen Sie: Gibt es k paarweise kantendisjunkte x-y-wege und
MehrLineare Optimierung Dantzig 1947
Lineare Optimierung Dantzig 947 Lineare Optimierungs-Aufgaben lassen sich mit Maple direkt lösen: with(simplex): g:= 4*x + x2
MehrAufgabe 1 Beschriften Sie in der folgenden Darstellung die einzelnen Funktionen und geben Sie die Bedeutung der Punkte A H an.
Kosten-Preis-Theorie Aufgabe 1 Beschriften Sie in der folgenden Darstellung die einzelnen Funktionen und geben Sie die Bedeutung der Punkte A H an. Aufgabe 2 Von einer ertragsgesetzlichen Kostenfunktion
MehrEinführung. Ablesen von einander zugeordneten Werten
Einführung Zusammenhänge zwischen Größen wie Temperatur, Geschwindigkeit, Lautstärke, Fahrstrecke, Preis, Einkommen, Steuer etc. werden mit beschrieben. Eine Zuordnung f, die jedem x A genau ein y B zuweist,
MehrVORLESUNG 11 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)
VORLESUNG Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 3 Wiederholung! Lineare Programme häufig geeignete Modellierung von Optimierungsproblemen! Verschiedene Darstellungen sind
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg OPTIMIERUNG II. Aufgaben und Lösungen
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg OPTIMIERUNG II Aufgaben und Lösungen SS 2005 Aufgaben Aufgabe 41 Ein Betrieb stellt zwei Produkte P 1 und P 2 her, die die
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
MehrOperatoren für das Fach Mathematik
Operatoren für das Fach Mathematik Anforderungsbereich I Angeben, Nennen Sachverhalte, Begriffe, Daten ohne nähere Erläuterungen und Begründungen, ohne Lösungsweg aufzählen Geben Sie die Koordinaten des
MehrÜbersicht Grundwissen 8. Klasse
Übersicht Grundwissen 8. Klasse Direkt proportionale Größen 1. Diese Größen sind direkt proportional, wenn es bei mehreren Äpfeln keinen Preisnachlass (Rabatt) gibt. Diese beiden Größen sind voneinander
MehrMathematik (RLP 2012)
Kaufmännische Berufsmatura 06 (RLP 0) Serie A - Lösungen Prüfungsdauer: Max. zahl: 0 Minuten 80 Bewertungshinweise: Mehrfachlösungen sind nicht gestattet. Als Resultate gelten nur eindeutig gekennzeichnete
MehrDie duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme
Kapitel 11 Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme Wir betrachten folgendes Optimierungsproblem z = c T x min! Ax = b (11.1) (11.2) x j ganz für j = 1,..., n 1 n, (11.3)
MehrAlgorithmen und Datenstrukturen 1 VL Übungstest WS Januar 2011
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 2. Übungstest WS 2010 14. Januar
Mehr1.Aufgabe: Minimal aufspannender Baum
1.Aufgabe: Minimal aufspannender Baum 11+4+8 Punkte v 1 v 2 1 3 4 9 v 3 v 4 v 5 v 7 7 4 3 5 8 1 4 v 7 v 8 v 9 3 2 7 v 10 Abbildung 1: Der Graph G mit Kantengewichten (a) Bestimme mit Hilfe des Algorithmus
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
MehrWirtschaftsmathematik/Statistik WS 2007/2008
Hochschule Bochum / Fachhochschule Münster Fachhochschule Südwestfalen / Fachhochschule Bielefeld weiterbildender Verbundstudiengang (MBA) Technische Betriebswirtschaft Prof.Dr.Kaczmarczyk - Prof.Dr.Schwarz
Mehr1 Matroide. 1.1 Definitionen und Beispiele. Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler
Seminar zur ganzzahligen Optimierung Thema: Durchschnitt von Matroiden - Satz von Edmonds von Dany Sattler 1 Matroide 1.1 Definitionen und Beispiele 1. Definition (Unabhängigkeitssystem): Ein Mengensystem
MehrAUFGABEN. Klausur: Modul Problemlösen in graphischen Strukturen. Termin:
Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. Andreas Kleine AUFGABEN Klausur: Modul 31801 Problemlösen in graphischen Strukturen Termin:
MehrAlgorithmische Geometrie: Lineare Optimierung (I)
Algorithmische Geometrie: Lineare Optimierung (I) Nico Düvelmeyer WS 2009/2010, 17.11.2009 Überblick 1 Geometrie von Gießformen 2 Durchschnitte von Halbebenen 3 Inkrementeller Algorithmus Überblick 1 Geometrie
MehrKapitel II Funktionen reeller Variabler
Kapitel II Funktionen reeller Variabler D (Funktion) Es sei f XxY eine Abbildung Die Abbildung f heiß Funktion, falls sie eindeutig ist Man schreibt dann auch: f : X Y f ( x) = y, wobei y das (eindeutig
MehrAUFGABEN. Klausur: Modul Problemlösen in graphischen Strukturen. Termin:
Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. Andreas Kleine AUFGABEN Klausur: Modul 31801 Problemlösen in graphischen Strukturen Termin:
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
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
MehrKapitel 2. Mathematik für Mikroökonomie
Kapitel Mathematik für Mikroökonomie 1 Mathematik der Optimierung Ökonomische Theorien basieren auf der Annahme, dass die Agenten versuchen, den optimalen Wert einer Funktion zu wählen. Konsumenten maximieren
MehrMathematik 4 Primarstufe
Mathematik 4 Primarstufe Handlungs-/Themenaspekte Bezüge zum Lehrplan 21 Die Übersicht zeigt die Bezüge zwischen den Themen des Lehrmittels und den Kompetenzen des Lehrplans 21. Es ist jeweils diejenige
MehrOptimieren unter Nebenbedingungen
Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht
MehrÜbung 3, Simplex-Algorithmus
Übung 3, 21.6.2011 Simplex-Algorithmus Aufgabe 3.1 Lösen Sie das folgende Optimierungsproblem (von Aufgabe 2.3) graphisch. Substituieren Sie dazu z = 5 y um ein 2-dimensionales Problem zu erhalten. Rechnung
Mehra,b,c a,b,d a,d,e b,c,e c,d,e ( ) ( ) ( ) ( ) ( )
Klausur, Mathematik, Juli 2012, A 1 [ 1 ] Bestimmen Sie Y und C in dem makroökonomischen Modell Y = C + Ī C = a + by mit a = 300, b = 0.7 und Ī = 600. Y = C = [ 2 ] Die folgenden Aussagen befassen sich
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,
MehrHAK, HUM, HLSF, BAKIP (HTL1) Geogebra
Finale Vorbereitung auf die srdp 2016 HAK, HUM, HLSF, BAKIP (HTL1) Geogebra Lösung der Bewegungsaufgabe a) Ansicht: Algebra und Grafik Eingabefenster : s(t)= Funktion[- x^3/180+x^2/2,0,100] ENTER 0der
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Achte Auflage fyj Springer Inhaltsverzeichnis Vorwort Symbolverzeichnis V XIII Kapitel 1: Einführung 1 1.1 Begriff des Operations Research
MehrKuhn-Tucker-Bedingung
Kuhn-Tucker-Bedingung Ist x ein lokales Minimum einer skalaren Funktion f unter den Nebenbedingungen g i (x) 0 und sind die Gradienten der aktiven Gleichungen g i (x ) = 0, i I, linear unabhängig, dann
MehrÜbungsblatt 1. a) Wie können diese drei Bereiche weiter unterteilt werden?
INSTITUT FÜR BETRIEBSWIRTSCHAFTLICHE PRODUKTIONS- UND INVESTITIONSFORSCHUNG Georg-August-Universität Göttingen Abteilung für Unternehmensplanung Prof. Dr. Dr. h. c. Jürgen Bloech Aufgabe. (Produktionsfaktorsystem)
Mehrz = c T x : Ax = b, x 0 }, - die Darstellung der Nichtbasisvektoren durch die Basis ist
Kapitel 5 Die Simplexmethode Es werden folgende Bezeichnungen verwendet: - das untersuchte Problem ist min x R n { z = c T x : Ax = b, x 0 }, - die erste zulässige Basislösung sei x = x 1, x 2,, x m, 0,,
MehrAufgabensammlung zum Üben Blatt 1
Aufgabensammlung zum Üben Blatt 1 Seite 1 Lineare Funktionen ohne Parameter: 1. Die Gerade g ist durch die Punkte A ( 3 4 ) und B( 2 1 ) festgelegt, die Gerade h durch die Punkte C ( 5 3 ) und D ( -2-2
MehrLineare Optimierungsaufgaben - eine Einführung
Lineare Optimierungsaufgaben - eine Einführung Aufgabenstellung, Beispiele, graphisches Lösen und Trafo auf Normalform Vortragsskript von Lorenz Fischer Operations Research bedeutet die Suche nach einer
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
MehrAlgorithmen und Datenstrukturen Tafelübung 14. Jens Wetzl 8. Februar 2012
Algorithmen und Datenstrukturen Tafelübung 14 Jens Wetzl 8. Februar 2012 Folien Keine Garantie für Vollständigkeit und/oder Richtigkeit Keine offizielle Informationsquelle LS2-Webseite Abrufbar unter:
MehrMathematik für Wirtschaftswissenschaftler Kapitel 4-6. Universität Trier Wintersemester 2013 / 2014
Mathematik für Kapitel 4-6 Universität Trier Wintersemester 2013 / 2014 Kapitel 4 1. Extremwerte 2. Lokale Optimalpunkte 3. Wendepunkte 2 Kapitel 4.1 EXTREMWERTE 3 Extrempunkte und Extremwerte 4 Strikte
MehrGraphentheorie. Kardinalitätsmatchings. Kardinalitätsmatchings. Kardinalitätsmatchings. Rainer Schrader. 11. Dezember 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 11. Dezember 2007 1 / 47 2 / 47 wir wenden uns jetzt einem weiteren Optimierungsproblem zu Gliederung Matchings in bipartiten Graphen
MehrMultivariate Analysis
Kapitel Multivariate Analysis Josef Leydold c 6 Mathematische Methoden I Multivariate Analysis / 38 Lernziele Funktionen in mehreren Variablen Graph und Niveaulinien einer Funktion in zwei Variablen Partielle
MehrDifferentialrechnung. Mathematik W14. Christina Sickinger. Berufsreifeprüfung. v 1 Christina Sickinger Mathematik W14 1 / 79
Mathematik W14 Christina Sickinger Berufsreifeprüfung v 1 Christina Sickinger Mathematik W14 1 / 79 Die Steigung einer Funktion Wir haben bereits die Steigung einer linearen Funktion kennen gelernt! Eine
Mehr