Dynamische Optimierung
|
|
- Fanny Huber
- vor 5 Jahren
- Abrufe
Transkript
1 Dynamische Optimierung Mike Hüftle 28. Juli 2006 Inhaltsverzeichnis 1 Einleitung Dynamisches Optimierungmodell Grundmodell der dynamischen Optimierung Modelltypen Diskrete dynamische Optimierung Dynamisches Programmieren Allgemeines Anwendungsbereiche Beispiel zur dynamischen Programmierung Die Bellmansche Rekursionsformel Optimalitätsprinzip Rekursionsformel Literatur Literatur zur dynamischen Programmierung
2 1 Einleitung 1.1 Dynamische Optimierung Die dynamische Optimierung betrachtet dynamische Optimierungsprobleme, d.h. Probleme mit einem über mehrere Perioden oder Stufen ablaufenden Entscheidungsprozess. In jeder Periode können jeweils andere Ziele und Nebenbedingungen gelten. Lösung von dynamischen Optimierungsproblemen Dynamische Optimierungsprobleme sind in der Regel nicht so einfach modellierund handhabbar wie z.b. lineare Optimierungsprobleme. Dies liegt insbesondere daran, dass die Modellierung eines solchen Problems recht schwierig ist und einiges an Erfahrung voraussetzt. Auch gibt es nicht das dynamische Optimierungsmodell, für welches ein allgemeingültiger Lösungsalgorithmus zur Verfügung steht. 2
3 2 Dynamisches Optimierungmodell 2.1 Grundmodell der dynamischen Optimierung Zielfunktion Die Grundform des dynamischesn Optimierungsmodells ist die folgende: n F (x 1, x 2,..., x n ) = f k (z k 1, x k ) (1) k=1 Nebenbedingungenu. d. NB: z k = t k (z k 1, x k ) für k = 1,..., n z 0 = α, z n = ω z k Z k für k = 1,..., n 1 x k X k (z k 1 ) für k = 1,..., n Bezeichnungen mit den Bezeichnungen: n: Anzahl der P erioden z k : Zustand in P eriode k Z k : Menge der möglichen Zustände in P eriode k z 0 = α : vorgegebener Anfangszustand z n = ω : vorgegebener Endzustand x k : Entscheidungsvariable X k (z k 1 ) : Entscheidungsmenge für den Zustand z k 1 t k (z k 1, x k ) : Zustandsübergang von z k 1 nach z k f k (z k 1, x k ) : stufenbezogene Zielfunktion, beschreibt Kosten bzw. Gewinn abhängig von P eriode k, Zustand z k und En 3
4 2.2 Modelltypen Diskrete und kontinuierliche Optimierung Ein wichtiges Unterscheidungsmerkmal dynamischer Optimierungsmodelle ist die Art, auf welche die Zeit modelliert wird: Bei diskreten Modellen werden zu diskreten Zeitpunkten Entscheidungen getroffen und das Modell geht in einen anderen Zustand über. Bei kontinuierlichen Modellen findet ein permanentes Steuern statt. Mit kontinuierlichen Modellen befassen sich insbesondere die Kontrolltheorie und die Regelungstechnik. Deterministische und stochastische Optimierung Je nachdem ob die Zustände nur einen bestimmten Wert annehmen können oder auch Wahrscheinlichkeiten berücksichtigt werden, wird von deterministischen oder stochastischen Modellen gesprochen. Stochastische dynamische Modelle sind sehr komplex und werden meist mit Methoden der Simulation gelöst. 4
5 2.3 Diskrete dynamische Optimierung Diskretisierung des Problems Die diskrete dynamische Optimierung ist eine häufig genutzte Möglichkeit, um ein dynamisches Optimierungsproblem zu modellieren. Das Problem wird hierfür diskretisiert, d.h. der abzubildende (zeitliche) Ablauf wird in verschiedene Stufen (Perioden) unterteilt. Hieraus folgt, dass es für jeden Zustand im Modell nur endlich viele Zustandsübergänge zur nächsten Stufe geben kann. Gibt es nur eine relativ kleine Anzahl von möglichen Zuständen, so vereinfacht sich das dynamische Optimierungmodell erheblich. Mit steigender Anzahl an Zuständen wächst die Komplexität des Problems jedoch stark an. Reale Problemstellungen Deshalb sind für reale Problemstellungen Lösungsmethoden erforderlich, welche das Problem erheblich vereinfachen. Eine Ansatz, den viele Methoden zur Lösung diskreter dynamischer Optimierungsprobleme einsetzten ist die Bellmansche Rekursionsformel. 5
6 3 Dynamisches Programmieren 3.1 Allgemeines Prinzip der dynamischen Programmierung Bei der dynamischen Programmierung sind die zu lösenden Teilprobleme vom gleichen Problemtyp wie das Gesamtproblem (z.b. lineare Optimierungsprobleme) und werden somit auch mit derselben Optimierungsmethode gelöst (z.b. Simplexverfahren). Die dynamische Programmierung ist also keine eigenständige Methodenklasse, die bestimmte Optimierungsprobleme löst, sondern ein Optimierungsprinzip. Nach diesem Prinzip wird ein Optimierungsproblem in eine Folge gleichartiger Teilprobleme zerlegt und aus den Lösungen der einzelnen Teilprobleme kann die Lösung des Gesamtproblems zusammengesetzt werden. Dynamisch modellierbare Optimierungsprobleme Die dynamische Programmierung ist somit ein Prinzip zur Lösung von Problemen: 1. Die rekursiv beschrieben werden können. 2. Die dem Bellmanschen Optimalitätsprinzip genügen. 3. Bei deren Berechnung wiederholt identische Teillösungen berechnet werden müssen. 6
7 3.2 Anwendungsbereiche Die dynamische Programmierung hat vielfältige Anwendungsbereiche: Kürzeste Wege-Probleme (z.b. Floyd-Warshall-Algorithmus) kombinatorische Optimierungsprobleme Markov-Entscheidungsprozesse Optimale Steuerung Optimale binäre Suchbäume Berechnung rekursiver Funktionen oder Matrixpultiplikationen 7
8 3.3 Beispiel zur dynamischen Programmierung Die Funktionsweise der dynamischen Programmierung wird am Beispiel der Berechnung der Fibbonacci-Zahlen gezeigt. Dieses Problem lässt sich rekursiv wie folgt definieren: f(0)=1 f(1)=1 f(n)=f(n-1)+f(n-2), n 3 Die Komplexität dieses Algorithmus ist jedoch O(2 n ). Das Problem kann jedoch auch mit geringerem Aufwand gelöst werden, indem Teilprobleme gespeichert werden, und zur Berechnung des Gesamtproblems auf Teilprobleme zurückgegriffen wird. Hierzu wird eine Reihenfolge der Teilprobleme festgelegt, wobei für die Lösung eines größeren Problems r nur auf die r-1 kleineren Probleme zurückgegriffen wird. Es werden also sukkzessive die Lösungen berechnet, die dann wieder als Teilprobleme in die nächste Berechnung eingehen. Die Teilprobleme werden so lange gespeichert, wie sie benötigt werden: Iteration i f(i) f(1)+f(2)=2 4 f(2)+f(3)=3 5 f(3)+f(4)= Die Komplexität dieses Algorithmus ist nur noch O(n). 8
9 4 Die Bellmansche Rekursionsformel 4.1 Optimalitätsprinzip Die Bellmansche Rekursionsformel basiert auf dem Bellmanschen Optimalitätsprinzip. Dies formuliert, wie ein optimaler Weg von einem vorgegebenen Anfangszustand z 0 über verschiedene Stufen zu einem vorgegebenen Endzustand z n verlaufen muss. Bellmansches Optimalitätsprinzip Es gebe eine optimale Folge von Zuständen z 0, z 1, z 2,..., z k 1, z k,..., z n von z 0 = α nach z n = ω. Dann ist jeder Zustandsübergang t k (z k 1, x k ) von z k 1 nach z k und somit jede Entscheidung x k dieser Folge optimal in Bezug auf den Zustandsübergang von z 0 = α nach z n = ω. Man spricht hier auch davon, dass jede Teilpolitik einer optimalen Politik selbst optimal ist. 9
10 4.2 Rekursionsformel Bellmansche Rekursionsformel Aus dem Optimalitätsprinzip kann unmittelbar die Bellmansche Rekursionsformel abgeleitet werden. Mit dieser kann das mehrstufige Optimierungsproblem in n einstufige Optimierungsprobleme zerlegt werden, die relativ einfach zu lösen sind. Der Zielfunktionswertim Zustand z k 1 wird berechnet als Summe aus dem Zielfunktionswert im optimalen Zustand z k und dem Minimum aus allen möglichen Zustandsübergängen z k 1 nach z k : F k 1 (z k 1 ) = min {f k (z k 1, x k ) + F k (t k (z k 1, x k )) x k X k (z k 1 )} (2) Vorgehen der Rekursion Das Vorgehen der Rekursion ist folgendes: Man betrachtet alle möglichen Zustände z k 1 zum Zeitpunkt k-1. Derjenige Zustand z k 1 ist optimal in Hinblick auf das Erreichen des Endzustandes z n, der den kleinsten Zielfunktionswert F k 1 aller Zustände z k 1 hat. Dies ist derjenige Zustand, dessen Zustandsübergang in z n die geringsten Kosten verursacht. In derr nächsten Iteration werden nur die Zustände z k 2 betrachtet, welche in den Zustand z k 1 übergehen können. Widerum wird der kleinste Zielfunktionswert F k 2 bestimmt. Die Rekursion wird so lange weitergeführt, bis der Zustand z o zum Zeitpunkt 0 erreicht wurde. Dann kann die optimale Politik, um von z o nach z 1 zu gelangen, durch eine Vorwärtsrechnung ermittelt werden. 10
11 5 Literatur 5.1 Literatur zur dynamischen Programmierung Literaturverzeichnis [] Bellmann, R.E.: Dynamic Programming. Princeton University Press, Princeton [] Dano, S.: Nonlinear and Dynamic Programming. Springer, Wien New York [] Ohse, D.: Quantitative Methoden der Betriebswirtschaftslehre. Franz Vahlen, München [] Nemhauser, G.L.: Introduction to Dynamic Programming, Wiley, New York London Sydney [] Zimmermann, H.-J.: Operations Research. Vieweg, Wiesbaden
4. Dynamische Optimierung
4. Dynamische Optimierung Allgemeine Form dynamischer Optimierungsprobleme 4. Dynamische Optimierung Die dynamische Optimierung (DO) betrachtet Entscheidungsprobleme als eine Folge voneinander abhängiger
MehrMarkovsche Entscheidungsprobleme. Kompetitive Analyse vs. MDP
Kompetitive Analyse versus Markovsche Entscheidungsprobleme Inhalt Einleitung: Optimierungsprobleme und Lösungsmethoden Kompetitive Analyse Markov Decision Problems Historische Entwicklung Der Anfang der
MehrDynamische Optimierung
Dynamische Optimierung Michaela Nettekoven Abteilung für Quantitative Betriebswirtschaftslehre und Operations Research Wirtschaftsuniversität Wien 21. Januar 2005 Unter dynamischer Optimierung versteht
MehrStochastische dynamische Optimierung
Bisher: Neuer Zustand s 0 auf Stufe n +1istdurchaltenZustands auf Stufe n und Aktion a eindeutig bestimmt. s 0 = z n (s, a) Jetzt: Neuer Zustand s 0 ist zusätzlich vom Zufall abhängig. Genauer: Zufallsvariable,
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
MehrDynamische Programmierung. Problemlösungsstrategie der Informatik
als Problemlösungsstrategie der Informatik und ihre Anwedung in der Diskreten Mathematik und Graphentheorie Fabian Cordt Enisa Metovic Wissenschaftliche Arbeiten und Präsentationen, WS 2010/2011 Gliederung
MehrOperations Research II (Nichtlineare und dynamische Optimierung)
Operations Research II (Nichtlineare und dynamische Optimierung) 5. April 007 Frank Köller,, Hans-Jörg von Mettenheim & Michael H. Breitner 8.4.007 # Nichtlineare Optimierung: Überblick Allgemeine Form:
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Dritte, verbesserte und erweiterte Auflage Mit 79 Abbildungen und 58 Tabellen Springer Votwort Symbolverzeichnis V XIII Kapitel 1: Einführung
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
Mehr(Lineare) stochastische Optimierung
(Lineare) stochastische Optimierung Bsp: Aus zwei Sorten Rohöl wird Benzin und Heizöl erzeugt. Die Produktivität sowie der Mindestbedarf (pro Woche) und die Kosten sind in folgender Tabelle angegeben:
MehrInhaltsverzeichnis. 1 Einleitung 1 Struktur und Einsatz von Optimierungsmethoden 2 Einsatz der Optimierung in der Steuerungs- und Regelungstechnik 6
1 Einleitung 1 Struktur und Einsatz von Optimierungsmethoden 2 Einsatz der Optimierung in der Steuerungs- und Regelungstechnik 6 Teil I Statische Optimierung 2 Allgemeine Problemstellung der statischen
MehrModelle und Methoden der Linearen Optimierung (Die Thesen zur Vorlesung 1)
(Die Thesen zur Vorlesung 1) das Thema der Vorlesung Grundlagen der Methode der linearen Optimierung (Grundlegende Annahmen der linearen Programmierung) Prof. Dr. Michal Fendek Institut für Operations
MehrMathematische Modellierung der Kostenund Wirkungszusammenhänge eines regionalen Energieverbundes
Mathematische Modellierung der Kostenund Wirkungszusammenhänge eines regionalen Energieverbundes Bestimmung des ökonomischen Nutzens von Energiespeichern Michael Hassler eines regionalen Energieverbundes
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
MehrTeil II Optimierung. Modellgestützte Analyse und Optimierung Kap. 5 Einführung Optimierung. Peter Buchholz 2006
Teil II Optimierung Gliederung 5 Einführung, Klassifizierung und Grundlagen 6 Lineare Optimierung 7 Nichtlineare Optimierung 8 Dynamische Optimierung (dieses Jahr nur recht kurz) (9 Stochastische Optimierungsmethoden
MehrQuantitative Methoden in der Betriebswirtschaftslehre
Quantitative Methoden in der Betriebswirtschaftslehre von Dr. Dietrich Ohse Professor für Betriebswirtschaftslehre, insbesondere Quantitative Methoden an der Johann Wolfgang Goethe-Universität Frankfurt
MehrAlgorithmen und Datenstrukturen 1 Kapitel 3
Algorithmen und Datenstrukturen 1 Kapitel 3 Technische Fakultät robert@techfak.uni-bielefeld.de Vorlesung, U. Bielefeld, Winter 2005/2006 3.6 Dynamische Programmierung Die rekursive Problemzerlegung kann
MehrOptimierung. Statische, dynamische, stochastische Verfahren für die Anwendung. Bearbeitet von Markos Papageorgiou, Marion Leibold, Martin Buss
Optimierung Statische, dynamische, stochastische Verfahren für die Anwendung Bearbeitet von Markos Papageorgiou, Marion Leibold, Martin Buss erweitert, überarbeitet 2012. Taschenbuch. XVIII, 519 S. Paperback
MehrLeibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Sitzplatznr.: Wiederholungsklausur zur Vorlesung Operations Research im Wintersemester
MehrDynamische Programmierung
Universität Bayreuth 29.06.08 1 2 3 4 5 Bezeichnungen und Formulierung Beispiel Lagerhaltungsproblem Beispiel Rucksackproblem Diskretes Dynamisches Optimierungsproblem Bezeichnungen und Formulierung Beispiel
MehrAlgorithmen und Komplexität
Algorithmen und Komplexität Dynamische Programmierung Markus Ullrich Norbert Baum Fachbereich Informatik - IIb07 Hochschule Zittau/Görlitz 28. Mai 2009 1 / 29 Wie sieht es mit langen Ketten aus? A 1 A
MehrDynamische Programmierung
Dynamische Programmierung Claudia Gerhold 9.5.6 Claudia Gerhold Dynamische Programmierung 9.5.6 / 4 Agenda Einführung Dynamische Programmierung Top-Down Ansatz mit Memoization Bottom-Up Ansatz 3 Anwendungsbeispiele
Mehr3.3 Optimale binäre Suchbäume
3.3 Optimale binäre Suchbäume Problem 3.3.1. Sei S eine Menge von Schlüsseln aus einem endlichen, linear geordneten Universum U, S = {a 1,,...,a n } U und S = n N. Wir wollen S in einem binären Suchbaum
MehrInformatik II: Algorithmen und Datenstrukturen SS 2013
Informatik II: Algorithmen und Datenstrukturen SS 2013 Vorlesung 11b, Mittwoch, 3. Juli 2013 (Editierdistanz, dynamische Programmierung) Prof. Dr. Hannah Bast Lehrstuhl für Algorithmen und Datenstrukturen
MehrDynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206
Kapitel 4 Dynamische Optimierung Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Inhalt Inhalt 4 Dynamische Optimierung Allgemeiner Ansatz und Beispiele Stochastische dynamische
MehrTutorium 23 Grundbegriffe der Informatik (9. Sitzung)
Tutorium 23 Grundbegriffe der Informatik (9. Sitzung) Tutor: Felix Stahlberg SOFTWARE DESIGN AND QUALITY GROUP Source: pixelio.de KIT The cooperation of Forschungszentrum Karlsruhe GmbH and Universität
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
Mehr14. Das Minimumprinzip
H.J. Oberle Variationsrechnung u. Optimale Steuerung SoSe 2008 14. Das Minimumprinzip In diesem Abschnitt behandeln wir die Idee der dynamischen Programmierung, die auf Bellmann 31 (1957) zurückgeht und
MehrRekursive Funktionen (1)
Rekursive Funktionen (1) Rekursive Algorithmen Wenn Gesamtlösung durch Lösen gleichartiger Teilprobleme erzielbar: Rekursion möglich Beispiel: Fakultät einer ganzen Zahl n: n i n! = i=1 für n > 0 1 für
MehrRekursive Funktionen (1)
Rekursive Funktionen (1) Rekursive Algorithmen Wenn Gesamtlösung durch Lösen gleichartiger Teilprobleme erzielbar: Rekursion möglich Beispiel: Fakultät einer ganzen Zahl n: nn ii nn! = ii=1 für nn > 0
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
MehrLineare Optimierung. Volker Kaibel Fakultät für Mathematik Institut für Mathematische Optimierung Otto-von-Guericke Universität Magdeburg
Lineare Optimierung Volker Kaibel Fakultät für Mathematik Institut für Mathematische Optimierung Otto-von-Guericke Universität Magdeburg VL 1: Einführung 10. April 2007 Überblick Optimierung unter Nebenbedingungen
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
MehrSystemanalyse und Modellbildung
Systemanalyse und Modellbildung Universität Koblenz-Landau Fachbereich 7: Natur- und Umweltwissenschaften Institut für Umweltwissenschaften Dr. Horst Niemes(Lehrbeauftragter) Systemanalyse und Modellbildung
MehrKap. 3: Exakte Lösungsverfahren für NPschwierige. Optimierungsprobleme VO Algorithm Engineering
Kap. 3: Exakte Lösungsverfahren für NPschwierige kombinatorische Optimierungsprobleme VO Algorithm Engineering 3.1 Einführung Professor Dr. Petra Mutzel 3.2 Komb. vs. Ganzzahlige Opt. Lehrstuhl für Algorithm
MehrHMMs und der Viterbi-Algorithmus
July 8, 2015 Das Problem Wir haben gesehen: wir können P( w q)p( q) ohne große Probleme ausrechnen ( w = b 1...b i, q = q 1...q i. P( w q)p( q) = π(q 1 )τ(b 1, q 1 )δ(q 1, q 2 )τ(b 2, q 2 )...δ(q i 1,
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
MehrKlausur zur Vorlesung Operations Research im Wintersemester 2009/10
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Sitzplatznr.: Klausur zur Vorlesung Operations Research im Wintersemester 2009/10
MehrEinführung in die Objektorientierte Programmierung Vorlesung 17: Dynamische Programmierung. Sebastian Küpper
Einführung in die Objektorientierte Programmierung Vorlesung 17: Dynamische Programmierung Sebastian Küpper Redundanz Rekursiver Lösungen Rekursion kann elegante Bescheibungen zur Problemlösung ergeben
MehrAlgorithmen I - Tutorium 28 Nr. 12
Algorithmen I - Tutorium 28 Nr. 12 20.07.2017: Spaß mit Dynamischer und Linearer Programmierung Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR. JÖRN
MehrWasserwirtschaftliche Planungsmethoden
Wasserwirtschaftliche Planungsmethoden 6. Optimierungsverfahren o.univ.prof. Dipl.Ing. Dr. H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau 6 Optimierungsverfahren
MehrKapitel III Selektieren und Sortieren
Kapitel III Selektieren und Sortieren 1. Einleitung Gegeben: Menge S von n Elementen aus einem total geordneten Universum U, i N, 1 i n. Gesucht: i-kleinstes Element in S. Die Fälle i = 1 bzw. i = n entsprechen
MehrFormulierung mittels Dynamischer Programmierung
Formulierung mittels Dynamischer Programmierung Beobachtung: die Anzahl der Teilprobleme A i j n mit i j n ist nur Folgerung: der naïve rekursive Algo berechnet viele Teilprobleme mehrfach! Idee: Bottom-up-Berechnung
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen Lerneinheit : Dynamisches Programmieren Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester.. Einleitung Diese Lerneinheit widmet sich einer
MehrAlgorithmen und Datenstrukturen SoSe 2008 in Trier. Henning Fernau Universität Trier
Algorithmen und Datenstrukturen SoSe 2008 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Algorithmen und Datenstrukturen Gesamtübersicht Organisatorisches / Einführung Grundlagen: RAM,
MehrProzedurales Programmieren und Problemlösungsstrategien
Prozedurales Programmieren und Problemlösungsstrategien Bachelorstudiengänge Umwelttechnik und Maschinenbau Prof. Dr. Thomas Hoch Problemlösungsstrategien Prozedurales Programmieren und Problemlösungsstrategien
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
Mehr1 Einleitung Optimierung in Technik-, Natur- und Wirtschaftswissenschaften Optimierung mit dem Computer
1 Einleitung...1 1.1 Optimierung in Technik-, Natur- und Wirtschaftswissenschaften... 4 1.2 Optimierung mit dem Computer... 5 1.2.1 Anwendung von Computeralgebrasystemen... 6 1.2.2 Anwendung von EXCEL...
MehrKlausur zur Vorlesung Einführung in das Operations Research im Wintersemester 2007/2008
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester
MehrMathematische Behandlung des Risikos in der Portfolio-Optimierung
Mathematische Behandlung des Risikos in der Portfolio-Optimierung Michael Manger Mathematisches Institut Universität Bayreuth Seminar Stochastische Dynamische Optimierung Bayreuth, 5. März 2008 Michael
MehrAutonomes Kreuzungsmanagement für Kraftfahrzeuge
Autonomes Kreuzungsmanagement für Kraftfahrzeuge Trajektorienplanung mittels Dynamischer Programmierung Torsten Bruns, Ansgar Trächtler AUTOREG 2008 / Baden-Baden / 13.02.2008 Szenario Kreuzungsmanagement
MehrOperations Research. Klaus Neumann Martin Morlock HANSER. 2. Auflage. Mit 288 Abbildungen und 111 Tafeln
Klaus Neumann Martin Morlock Operations Research 2. Auflage Mit 288 Abbildungen und 111 Tafeln Technische Universität Darmstadt Fach bar«! ah 1 e Bibliothek Abttall-Nr. HANSER HIIIIIIIIIIIHH Inhaltsverzeichnis
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg Beispiel: Graphische Darstellung Zulässigkeitsbereich Ungleichung (1) mit
MehrALP I Turing-Maschine
ALP I Turing-Maschine Teil I WS 2012/2013 Äquivalenz vieler Berechnungsmodelle Alonzo Church λ-kalkül Kombinatorische Logik Alan Turing Turing-Maschine Mathematische Präzisierung Effektiv Berechenbare
MehrProgrammieren 1 C Überblick
Programmieren 1 C Überblick 1. Einleitung 2. Graphische Darstellung von Algorithmen 3. Syntax und Semantik 4. Einstieg in C: Einfache Sprachkonstrukte und allgemeiner Programmaufbau 5. Skalare Standarddatentypen
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Dynamische Programmierung Einführung Ablaufkoordination von Montagebändern Längste gemeinsame Teilsequenz Optimale
MehrDynamische Optimierung im Dienstleistungsbereich
Dynamische Optimierung im Dienstleistungsbereich Univ.-Prof. Dr. Jochen Gönsch Universität Duisburg-Essen Mercator School of Management Lehrstuhl für Betriebswirtschaftslehre, insb. Service Operations
MehrDas Problem des Handlungsreisenden
Seite 1 Das Problem des Handlungsreisenden Abbildung 1: Alle möglichen Rundreisen für 4 Städte Das TSP-Problem tritt in der Praxis in vielen Anwendungen als Teilproblem auf. Hierzu gehören z.b. Optimierungsprobleme
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
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 22 1 Das Travelling Salesperson Problem
MehrAllgemeines zur Vorlesung
Operations Research Peter Becker Fachbereich Informatik FH Bonn-Rhein-Sieg peter.becker@fh-bonn-rhein-sieg.de Vorlesung Master Computer Science Spezialisierung Wirtschaftsinformatik Wintersemester 2007/08
MehrANWENDUNGEN DER LINEAREN PARAMETRISCHEN OPTIMIERUNG
ANWENDUNGEN DER LINEAREN PARAMETRISCHEN OPTIMIERUNG MATHEMATISCHE REIHE BAND69 LEHRBÜCHER UND MONOGRAPHIEN AUS DEM GEBIETE DER EXAKTEN WISSENSCHAFTEN ANWENDUNGEN DER LINEAREN PARAMETRISCHEN OPTIMIERUNG
MehrDynamische Programmierung
Dynamische Programmierung Ludwig Höcker 13.06.2012 Ludwig Höcker Dynamische Programmierung 13.06.2012 1 / 61 Gliederung Dynamic Programming Bsp.: FAU-Kabel Naiv Top-Down Bottom-Up Longest Increasing Subsequence
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / Vorlesung 9, Donnerstag 18.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 9, Donnerstag 18. Dezember 2014 (Teile und Herrsche, Mastertheorem) Junior-Prof. Dr.
MehrLösung von Optimierungsproblemen mit Monte Carlo Methoden
Lösung von Optimierungsproblemen mit Monte Carlo Methoden Am Beispiel des Problem des Handlungsreisenden Vortragende: Alexandra Vosseler Inhaltsverzeichnis I. Einleitung II. Optimierung mit MCM II.i Vom
MehrHeute. Stoff Abschlussprüfung VO. Testen. Einführung Rekursion IT I - VO 13 1
Heute Stoff Abschlussprüfung VO Testen Einführung Rekursion 23.01.2018 IT I - VO 13 1 Organisatorisches Diese Woche letzte UE (ohne Wissensüberprüfung) Nächste Woche Fragestunde in VO Abschlusstest am
Mehr8. Reinforcement Learning
8. Reinforcement Learning Einführung 8. Reinforcement Learning Wie können Agenten ohne Trainingsbeispiele lernen? Auch kennt der Agent zu Beginn nicht die Auswirkungen seiner Handlungen. Stattdessen erhält
MehrStand der Vorlesung Komplexität von Algorithmen (Kapitel 3)
Stand der Vorlesung Komplexität von Algorithmen (Kapitel 3) Technische Universität München Motivation: IT gestützte Steuerung, Überwachung, Fertigung, Produktion,. : erfordert effiziente Berechnungsvorschriften
MehrLineare Optimierung: Simplexverfahren Phase Ⅰ
Lineare Optimierung: Simplexverfahren Phase Ⅰ Zur Erinnerung: Die Lineare Optimierungsaufgabe in Standardform lautet z = c T x + c 0 min (.) bei Ax = b, x 0. Revidiertes Simplexverfahren Mit dem Simplexverfahren
MehrKlausur zur Vorlesung Einführung in das Operations Research im Wintersemester 2005/2006
Universität Hannover Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester 005/006
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Wintersemester 2012/13 25. Vorlesung Dynamisches Programmieren Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I Klausurvorbereitung Tipp: Schreiben Sie sich alle Fragen
Mehr1 Einführung in Lineare Programme und Dualität
Gliederung Inhaltsverzeichnis 1 Einführung in Lineare Programme und Dualität 1 1.1 Lineare Programme......................... 1 1.2 Dualität............................... 2 2 Grundlegende Sätze und Definitionen
MehrKommunikationsnetzwerkplanung unter Kosten- und Zuverlässigkeitsgesichtspunkten mit Hilfe von evolutionären Algorithmen
Kommunikationsnetzwerkplanung unter Kosten- und Zuverlässigkeitsgesichtspunkten mit Hilfe von evolutionären Algorithmen Dissertation zur Erlangung des akademischen Grades doctor rerum politicarum (Dr.
MehrKonzepte der Informatik
Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen Konzepte der Informatik Vorkurs Informatik zum WS 213/214 1.9. - 27.9.213 Dr. Werner Struckmann / Hendrik Freytag 1. April 21 Referent
MehrKapitel 3 Ereignisdiskrete Systeme (III)
Systemmodellierung Teil 1: Ereignisdiskrete Systeme Kapitel 3 Ereignisdiskrete Systeme (III) Modellierung mit E/A-Automaten Modellbildung mit Automaten Verfeinerte Modellbildung Beispiel: Fahrstuhltür
MehrDas Rucksackproblem: schwache NP-Härte und Approximation
Das Rucksackproblem: schwache NP-Härte und Approximation Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1. Februar 2010 Berthold Vöcking, Informatik 1 () Vorlesung
MehrBetriebswirtschaftliche Optimierung
Institut für Statistik und OR Uni Graz 1 Das Travelling Salesperson Problem 2 Das Travelling Salesperson Problem Zentrales Problem der Routenplanung Unzählige wissenschaftliche Artikel theoretischer sowie
MehrAnwendungen dynamischer Programmierung in der Biologie
Anwendungen dynamischer Programmierung in der Biologie Überblick Algorithmus zum Finden der wahrscheinlichsten Sekundärstruktur eines RNS Moleküls Sequence Alignment Verbesserung von Sequence Alignment
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 2016 Prof. Dr. Stefan Etschberger HSA Mögliche Fälle für Z Etschberger - WS2016 1 Z =, d.h., es existiert keine zulässige (x 1, x 2 )-Kombination. 2
MehrMathematische Optimierung mit Computeralgebrasystemen
Mathematische Optimierung mit Computeralgebrasystemen Einführung für Ingenieure, Naturwissenschaflter und Wirtschaftswissenschaftler unter Anwendung von MATHEMATICA, MAPLE, MATHCAD, MATLAB und EXCEL Bearbeitet
MehrGliederung. Algorithmen und Datenstrukturen II. Problem: Längste gemeinsame Teilsequenz. Problem: Längste gemeinsame Teilsequenz
Gliederung Algorithmen und Datenstrukturen II Algorithmen zur Textverarbeitung II D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg
MehrProzesse dieser Art sind in der Informatik z.b. bei der Untersuchung der Auslastung von Servern wichtig (Warteschlangenmodelle).
77 Markowketten 77 Motivation Der Zustand eines Systems zur Zeit n N werde durch eine Zufallsvariable X n beschrieben und soll nur von X n abhängen (nicht jedoch von früheren Zuständen X n, X n 3, ) Wir
MehrPlanung von Handlungen bei unsicherer Information
Planung von Handlungen bei unsicherer Information Dr.-Ing. Bernd Ludwig Lehrstuhl für Künstliche Intelligenz Friedrich-Alexander-Universität Erlangen-Nürnberg 20.01.2010 Dr.-Ing. Bernd Ludwig (FAU ER)
Mehr( )= c+t(n-1) n>1. Stand der Vorlesung Komplexität von Algorithmen (Kapitel 3)
Stand der Vorlesung Komplexität von Algorithmen (Kapitel 3) Motivation: IT gestützte Steuerung, Überwachung, Fertigung, Produktion,. : erfordert effiziente Berechnungsvorschriften Ziel: Methoden kennen
MehrParallelisierung durch Gebietszerlegung
Parallelisierung durch Gebietszerlegung Jahn Müller jahn.mueller@uni-muenster.de Westfälische Wilhelms-Universität Münster 25.01.2008 1 Einleitung 2 Gebietszerlegung nicht überlappende Zerlegung überlappende
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2/212 2.9. - 3.9.2 17.1. - 21.1.2 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 3 aus "Abenteuer Informatik" von Jens Gallenbacher
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
MehrDynamische Optimierung von Dienstleistungen
Dynamische Optimierung von Dienstleistungen Univ.-Prof. Dr. Jochen Gönsch WiSe 2018/19 Universität Duisburg-Essen Mercator School of Management Lehrstuhl für Betriebswirtschaftslehre, insb. Service Operations
MehrBestandsoptimierung für das Supply Chain Management
Lars Fischer Bestandsoptimierung für das Supply Chain Management Zeitdiskrete Modelle und praxisrelevante Ansätze Vorwort Abbildungsverzeichnis Tabellenverzeichnis Symbolverzeichnis Abkürzungsverzeichnis
MehrPlanung des Krankenhauspflegepersonals unter dem Einfluss der OP-Auslastung
Planung des Krankenhauspflegepersonals unter dem Einfluss der OP-Auslastung Tobias Kreisel Universität Bayreuth Mathematisches Institut Seminar zur Ganzzahligen Optimierung Ausgangssituation Beweggründe
MehrADS: Algorithmen und Datenstrukturen 2
.. ADS: Algorithmen und Datenstrukturen 2 8. Vorlesung Uwe Quasthoff Abteilung Automatische Sprachverarbeitung Institut für Informatik Universität Leipzig 6. Juni 2012 1 / 25 Editier-Distanz Beobachtungen:
MehrNICHTRESTRINGIERTE OPTIMIERUNG
3 NICHTRESTRINGIERTE OPTIMIERUNG Die Aufgabe, mit der wir uns im Folgen beschäftigen werden, ist die Lösung von Minimierungsproblemen der Form minimiere f(x) in R n, (3.1) wobei f : R n R eine gegebene
MehrAutomaten und Formale Sprachen
Automaten und Formale Sprachen Einführung Ralf Möller Hamburg Univ. of Technology Übung Fr. 14:30-15:15 Max Berndt, D1025 Literatur Gottfried Vossen, Kurt-Ulrich Witt: Grundkurs Theoretische Informatik,
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil 8 Gerhard Heyer, Florian Holz unter Verwendung der Materialien der letzten Jahre Abteilung Automatische Sprachverarbeitung Institut für Informatik Universität
MehrÜbung Algorithmen und Datenstrukturen
Übung Algorithmen und Datenstrukturen Sommersemester 017 Marc Bux, Humboldt-Universität zu Berlin Agenda 1. Vorrechnen von Aufgabenblatt 1. Wohlgeformte Klammerausdrücke 3. Teile und Herrsche Agenda 1.
MehrKapitel 6: Algorithmische Methoden und Techniken
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Algorithmen und Datenstrukturen Kapitel 6: Algorithmische Methoden und Techniken Skript zur Vorlesung Algorithmen und
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
MehrMethoden für den Entwurf von Algorithmen
Methoden für den Entwurf von Algorithmen Greedy Algorithmen: - Löse ein einfaches Optimierungsproblem durch eine Folge vernünftiger Entscheidungen. - Eine getroffene Entscheidung wird nie zurückgenommen.
Mehr