1. Transport- und Zuordnungsprobleme
|
|
- Kristin Klein
- vor 5 Jahren
- Abrufe
Transkript
1 1. Transport- und Zuordnungsprobleme Themen 1. Transport- und Zuordnungsprobleme Themen: Analyse der Problemstruktur Spezielle Varianten des Simplexalgorithmus für Transport- und Zuordnungsprobleme Bezug zur Graphentheorie Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 12
2 1. Transport- und Zuordnungsprobleme Transportproblem Transportproblem siehe Beispiel 1.4 aus OR I Definition 1.1. Das Optimierungsproblem unter den Nebenbedingungen min m i=1 n c ij x ij j=1 n x ij = a i für i = 1,...,m j=1 n x ij = b j i=1 für j = 1,...,n Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 13
3 1. Transport- und Zuordnungsprobleme Transportproblem und den Vorzeichenbedingungen x ij 0 für i = 1,...,m und j = 1,...,n heißt Transportproblem. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 14
4 1. Transport- und Zuordnungsprobleme Transportproblem Bemerkungen: Wir setzen ein geschlossenes Transportproblem voraus: a i > 0,b j > 0 und m i=1 a i = n j=1 b j, also Gesamtangebot = Gesamtnachfrage. Für den Fall m i=1 a i > n j=1 b j führen wir ein zusätzliches Warenhaus mit b n+1 = m i=1 a i n j=1 b j und c i,n+1 = 0 ein. Für den Fall m i=1 a i < n j=1 b j führen wir eine zusätzliche Produktionsstätte mit a m+1 = n j=1 b j m i=1 a i ein. Die c m+1,j modellieren dann die Kosten pro ME für das mangelnde Angebot in Warenhaus j. Anzahl Variablen: m n Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 15
5 1. Transport- und Zuordnungsprobleme Transportproblem Beispielproblem Beispiel 1.1. Wir gehen von folgenden Kosten, Angebot und Nachfrage aus: B 1 B 2 B 3 A A Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 16
6 1. Transport- und Zuordnungsprobleme Transportproblem Damit lautet das zugehörige Transportproblem unter den Nebenbedingungen min9x 11 +x 12 +3x 13 +4x 21 +5x 22 +8x 23 x 11 + x 12 + x 13 = 50 + x 21 + x 22 + x 23 = 70 x 11 + x 21 = 40 x 12 + x 22 = 40 x 13 + x 23 = 40 und Vorzeichenbedingungen x 11,x 12,x 13,x 21,x 22,x 23 0 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 17
7 1. Transport- und Zuordnungsprobleme Transportproblem Lösbarkeit des Transportproblems Satz 1.1. Zu jedem Transportproblem existiert eine optimale Lösung. Beweis: Es sei und Dann gilt: G = m a i = i=1 x ij = a ib j G n j=1 b j n x ij = j=1 n j=1 a i b j G = a n i j=1 b j G = a i für i = 1,...,m Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 18
8 1. Transport- und Zuordnungsprobleme Transportproblem und m x ij = i=1 m i=1 a i b j G = b j m i=1 a i G Damit existiert eine zulässige Lösung. = b j für j = 1,...,n Wegen 0 x ij min{a i,b j } ist der Zulässigkeitsbereich X darüberhinaus beschränkt. Also existiert eine optimale Lösung (siehe Satz 3.8 und Folie 174, OR I). Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 19
9 1. Transport- und Zuordnungsprobleme Transportproblem Transportproblem in Matrixdarstellung A = c = (c 11,c 12,...,c 1n,c 21,...,c 2n,...,c m1,...,c mn ) R m n x = (x 11,x 12,...,x 1n,x 21,...,x 2n,...,x m1,...,x mn ) R m n R (m+n) m n Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 20
10 1. Transport- und Zuordnungsprobleme Transportproblem genauer a ij = Begrenzungsvektor: 1 falls 1 i m (i 1) n < j i n 1 falls m < i m+n j = k n+(i m) 0 sonst b = (a 1,...,a m,b 1,...,b n ) R m+n Damit hat das Transportproblem in Normalform die Darstellung minc T x unter den Nebenbedingungen Ax = b, x 0 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 21
11 1. Transport- und Zuordnungsprobleme Transportproblem Satz 1.2. Die Matrix A des Transportproblems hat den Rang r(a) = m+n 1. Beweis: Die Summe der Zeilen 1 bis m ist gleich der Summe der Zeilen m+1 bis m+n. Also sind die m+n Zeilenvektoren linear abhängig und es folgt r(a) m+n 1. Andererseits sind die m+n 1 Spaltenvektoren mit den Indizes 1,2,...,n,n+1,2n+1,...,(m 1)n+1 linear unabhängig, also r(a) m+n 1. Insgesamt folgt r(a) = m+n 1. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 22
12 Eröffnungsverfahren Nach Satz 1.2 besteht eine Basislösung eines Transportproblems aus m+n 1 Basisvariablen. Zur Konstruktion einer ersten Ecke benötigen wir daher eine zulässige Lösung mit n+m 1 Variablen x ij > 0 und restlichen Variablen x ij = 0 (falls keine Entartung vorliegt). Wir stellen nun zwei Verfahren zur Konstruktion einer ersten zulässigen Basislösung bzw. Ecke vor: Nordwesteckenregel Minimale-Kosten-Regel Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 23
13 Transporttableau B 1 B 2 B n c 11 B 11 c 12 B 12 c 1n B 1n A 1 x 11 x 12 x 1n a 1 c 21 B 21 c 22 B 22 c 2n B 2n A 2 x 21 x 22 x 2n a 2.. c m1 B m1 c m2 B m2 c mn B mn A m x m1 x m2 x mn a m b 1 b 2 b n z Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 24
14 A i : i-te Fabrik (bleibt unverändert) a i : noch zu transportierende Menge aus Fabrik i B j : j-tes Warenhaus (bleibt unverändert) b j : noch zu transportierende Menge zu Warenhaus j c ij : Kosten pro Einheit für den Transport von A i zu B j (bleibt unverändert) x ij : Transportmenge von A i nach B j (nur für Basisvariablen gesetzt) B ij : Schattenpreise (nur für Nichtbasisvariablen gesetzt) z: Zielfunktionswert Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 25
15 Nordwesteckenregel Idee: Man transportiere über die Verbindung ganz links oben im Tableau so viel wie möglich. Wird dadurch das Lager erschöpft, streiche man die erste Zeile des Tableaus, ansonsten die erste Spalte, und beginne wieder mit dem ersten Schritt. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 26
16 Algorithmus 1.1. [Nordwesteckenregel] x ij := 0 für i = 1,...,m, j = 1,...,n z := 0 i := 1,j := 1 while i m and j n do x ij := min{a i,b j } z := z +c ij x ij a i := a i x ij b j := b j x ij if a i = 0 then i := i+1 else j := j +1 end end Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 27
17 Die tatsächlichen Kosten werden zur Auswahl der Basisvariablen nicht berücksichtigt, daher i.d.r. keine gute zulässige Lösung. Entartung, wenn in einer Iteration sowohl a i als auch b j gleich 0 werden. In der nächsten Iteration wird dann x i+1,j Basisvariable mit x i+1,j = 0. In jeder Iteration wird genau eine Zeile oder Spalte gestrichen, in letzter Iteration ist aber nur genau eine Spalte und genau eine Zeile übrig. Daher insgesamt m+n 1 Iterationen mit der Auswahl von m+n 1 Basisvariablen. Die B ij betrachten wir erst später! Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 28
18 Beispiel 1.2. Wir gehen von Kosten, Angebot und Nachfrage gemäß Beispiel 1.1 aus. Starttableau: B 1 B 2 B 3 9 B 11 1 B 12 3 B 13 A B 21 5 B 22 8 B 23 A Iteration: x 11 = 40,a 1 = 10,b 1 = 0,z = Iteration: x 12 = 10,a 1 = 0,b 2 = 30,z = Iteration: x 22 = 30,a 2 = 40,b 2 = 0,z = 520 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 29
19 4. Iteration: x 23 = 40,a 2 = 0,b 3 = 0,z = 840 Tableau nach Nordwesteckenregel: B 1 B 2 B 3 A B 13 A 2 4 B Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 30
20 Minimale-Kosten-Regel Statt die erste Möglichkeit links oben im Transporttableau wählt man unter den möglichen Variablen x ij diejenige mit minimalen Kosten c ij. Ansonsten verläuft der Algorithmus analog zur Nordwesteckenregel. I.d.R. erhalten wir eine bessere zulässige Basis als bei der Nordwesteckenregel, dies ist aber nicht garantiert. Typischer Greedy-Algorithmus: Treffe die lokal beste Entscheidung! Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 31
21 Algorithmus 1.2. [Minimale-Kosten-Regel] x ij := 0 für i = 1,...,m, j = 1,...,n I := {1,...,m};J := {1,...,n};z := 0 while I and J do wähle i und j so, dass c ij = min{c lk l I,k J} x ij := min{a i,b j } z := z +c ij x ij a i := a i x ij b j := b j x ij if a i = 0 then I := I \{i} else J := J \{j} end end Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 32
22 Beispiel Iteration: i = 1,j = 2,x 12 = 40,a 1 = 10,b 2 = 0,I = {1,2},J = {1,3},z = Iteration: i = 1,j = 3,x 13 = 10,a 1 = 0,b 3 = 30,I = {2},J = {1,3},z = Iteration: i = 2,j = 1,x 21 = 40,a 2 = 30,b 1 = 0,I = {2},J = {3},z = Iteration: i = 2,j = 3,x 23 = 30,a 2 = 0,b 3 = 30,I =,J =,z = 470 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 33
23 Tableau nach Minimale-Kosten-Regel: B 1 B 2 B 3 A 1 9 B A B Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 34
Unimodularität. 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
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
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
MehrMinimumproblem. Definition 4.7. Ein LP der Form. unter den Nebenbedingungen. d ij x j b i (i =1,...,m)
Minimumproblem Definition 4.7 Ein LP der Form nx Minimiere Z = c j x j j=1 unter den Nebenbedingungen nx d ij x j b i (i =1,...,m) j=1 und den Vorzeichenbedingungen x j 0(j =1,...,n) heißt Minimumproblem.
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
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
MehrSimplex-Verfahren. Kapitel 4. Simplex-Verfahren. Peter Becker (H-BRS) Operations Research I Sommersemester / 298
Kapitel 4 Simplex-Verfahren Peter Becker (H-BRS) Operations Research I Sommersemester 24 86 / 298 Inhalt Inhalt 4 Simplex-Verfahren Dualer Simplexalgorithmus Vermeidung von Zyklen Peter Becker (H-BRS)
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
MehrKapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel:
Kapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel: Eine Firma produziert die Produkte P 1, P 2,..., P q aus den Rohstoffen R 1, R 2,..., R m. Dabei stehen b j Einheiten
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.
Mehr3. Schnittebenenverfahren
3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research
MehrLösung allgemeiner linearer Programme
Lösung allgemeiner linearer Programme Bisher: Für Anwendung des Simplexalgorithmus muss eine primal oder eine dual zulässige Basislösung vorliegen. Für allgemeine lineare Programme können wir dies direkt
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
Mehr4.3.3 Simplexiteration
7. Januar 2013 53 4.3.3 Simplexiteration Eine Simplexiteration entspricht dem Übergang von einer Ecke des zulässigen Bereiches in eine benachbarte Ecke Dabei wird genau eine Nichtbasisvariable (die zugehörige
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
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,,
Mehr10. Die Berücksichtigung nicht vorzeichenbeschränkter Variablen
10. Die Berücksichtigung nicht vorzeichenbeschränkter Variablen Bisher haben wir immer vorausgesetzt, dass alle Variablen eines LOP der Bedingung x i 0 liegen. Im Folgenden wollen wir auch sogenannte freie
MehrVorlesung Wirtschaftsmathematik I WS 2007/2008, Wirtschaftingenieurwesen. Kapitel IV: Grundlagen der Linearen Optimierung
Vorlesung Wirtschaftsmathematik I WS 2007/2008, Wirtschaftingenieurwesen Kapitel IV: Grundlagen der Linearen Optimierung Inhaltsverzeichnis Abschnitt 3-5 3 Der Simplexalgorithmus 58 3.1 Grundlagen..............................
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Lineare Optimierung Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 1. Juli 2012 Outline Lineares Programm (LP) in Standardform
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
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
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)
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck
Lemma 15 KLP 1 ist genau dann lösbar, wenn das dazugehörige LP KLP 2 eine Lösung mit dem Wert Z = 0 besitzt. Ist Z = 0 für x 0, x 0, dann ist x eine zulässige Lösung von KLP 1. Beweis von Lemma 15: Nach
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
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 =
MehrDer Simplex-Algorithmus
5 Lineare Programmierung Simplex-Algorithmus Der Simplex-Algorithmus Standardverfahren zur Lösung von LPs, von G B Dantzig entwickelt Grundidee: Versuche ausgehend von einer Startecke mit einer Ausgangsbasis
Mehr5. Das klassische Transportproblem
5 Das klassische Transportproblem Ein homogenes Gut soll von verschiedenen Lagerplätzen abtransportiert und so auf die Zielorte verteilt werden, dass dort der Bedarf der Kunden gedeckt wird Die Vorrats-
Mehr6. Einführung 43. gilt. Dann soll also A B x B = b eindeutig lösbar sein, also A B vollen Rang haben, d. h. invertierbar (regulär) sein.
6. Einführung 43 und aus der linearen Unabhängigkeit der (a i ) i I(x) folgt y i = z i auch für i I(x). Insgesamt gilt also y = z, d. h., nach Definition 6.9 ist x eine Ecke von P. Beachte: Der Koordinatenvektor
MehrVORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)
VORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 96 H. Meyerhenke: Kombinatorische Optimierung Dualität bei linearen Programmen Def.: Es sei (L): c T x max
Mehr1. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme. f(x) min, x G (1.1) (Legende)
. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme X Banachraum, wobei X = R n G zulässige Menge des Optimierungsproblems f: G R Zielfunktion f(x) min, x G (.) (Legende)
MehrOperations Research. Die Simplexmethode. LP-Dualität. Die Simplexmethode. Rainer Schrader. 18. Juni Zur Erinnerung: Gliederung
Operations Research Rainer Schrader Die Simplexmethode Zentrum für Angewandte Informatik Köln 18 Juni 00 1 / 1 / 1 Gliederung LP-Dualität ein lineares Produktionsmodell der Simplexalgorithmus Phase I Endlichkeit
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 7 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 200 Prof. Dr. Klaus Höllig (IMNG)
Mehr1. Hausaufgabenblatt (16.04./ )
Lehrstuhl Ingenieurmathematik Modul: (Wirtschaftsingenieurwesen/Betriebswirtschaftslehre/Informatik) Sommersemester 2014 1. Hausaufgabenblatt (16.04./23.04.2015) Aufgabe H 1.1 Lösen Sie die linearen Gleichungssysteme
MehrInhaltsverzeichnis Grundlagen der Linearen Optimierung
Inhaltsverzeichnis 4 Grundlagen der Linearen Optimierung 1 4.1 Grundbegriffe............................. 1 4.1.1 Lineare Optimierung..................... 1 4.1.2 Das Grundmodell eines linearen Optimierungsproblems
Mehr1. Das klassische Transportproblem
schreier@math.tu-freiberg.de (03731) 39 2261 1. Das klassische Transportproblem 1.1. Formulierung der Aufgabe Problemstellung Die einfachste Transportaufgabe, nach Hitchcock benannt, läßt sich wie folgt
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,
MehrSchranken für zulässige Lösungen
Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung
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
MehrKap. 4: Lineare Programmierung
Kap. 4: Lineare Programmierung Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 13./14. VO A&D WS 08/09 27.11./2.12.2008 Petra Mutzel Alg. & Dat.
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
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
MehrKap. 4.2: Simplex- Algorithmus
Kap. 4.2: Simplex- Algorithmus Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 14.-17. VO A&D WS 08/09 2.12.-16.12.2008 Petra Mutzel Alg. & Dat.
MehrTransportoptimierung
Transportoptimierung Mathematisches Modell Konstruktionsverfahren für einen zulässigen Transportplan Duale Aufgabe des TOP Verbesserungsverfahren: MODI-Verfahren 1 Transport ein zentrales Element jedes
MehrLineare Programmierung
asis Definition 3.38 Gegeben sei ein LP in der Normalform mit m als Rang der Matrix 2 R m n. x 2 R n mit x = b heißt asislösung gdw. n m Komponenten x i gleich Null und die zu den restlichen Variablen
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
MehrInhaltsverzeichnis Transportoptimierung
Inhaltsverzeichnis 2 Transportoptimierung 1 2.1 Das klassische Transportproblem....................... 2 2.1.1 Modell.................................. 2 2.1.2 Qualitative Grundlagen.........................
MehrMinimalpolynome und Implikanten
Kapitel 3 Minimalpolynome und Implikanten Wir haben bisher gezeigt, daß jede Boolesche Funktion durch einfache Grundfunktionen dargestellt werden kann. Dabei können jedoch sehr lange Ausdrücke enstehen,
MehrOptimale Steuerung 1 Prozessoptimierung 1
Optimale Steuerung 1 Prozessoptimierung 1 Kapitel 2: Lineare Optimierung Prof. Dr.-Ing. Pu Li Fachgebiet Simulation und Optimale Prozesse (SOP) Lineare Algebra (Mathematische Grundlagen) 2 Beispiel: Produktionsplanung
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
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
MehrKapitel 5. Peter Becker (H-BRS) Operations Research I Sommersemester / 298
Kapitel 5 Dualität Peter Becker (H-BRS) Operations Research I Sommersemester 2014 241 / 298 Inhalt 5 Dualität Dualitätssätze Zweiphasen-Simplexalgorithmus Peter Becker (H-BRS) Operations Research I Sommersemester
MehrWiederholung. Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b
Wiederholung Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b x 0. x R n heißt Basislösung, wenn Ax = b und rang(a J ) = J, wobei J = {j x (j) 0}; Basislösung
Mehr5. Bäume und Minimalgerüste
5. Bäume und Minimalgerüste Charakterisierung von Minimalgerüsten 5. Bäume und Minimalgerüste Definition 5.1. Es ein G = (V, E) ein zusammenhängender Graph. H = (V,E ) heißt Gerüst von G gdw. wenn H ein
MehrGrundlagen der Optimierung. Übung 6
Technische Universität Chemnitz Chemnitz, 2. November 24 Prof. Dr. R. Herzog, J. Blechschmidt, A. Schäfer Abgabe am 28. November 24 Grundlagen der Optimierung Übung 6 Aufgabe 2: Verschiedene Verfahren
Mehr6 Lineare Gleichungssysteme
6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α
MehrOptimierung. Vorlesung 04
Optimierung Vorlesung 04 Übungsbetrieb Mangels Teilnehmer keine Dienstagsübung mehr. Prüfung laut Paul: Di, 10. Feb. 2015 00:01-23:59 2 Was bisher geschah LP: Maximiere c T x unter Ax = b, x 0. Basis:
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
MehrBerechnung von Abständen
3. Kreis- und Wegeprobleme Abstände in Graphen Abstände in Graphen Definition 3.4. Es sei G = (V, E) ein Graph. Der Abstand d(v, w) zweier Knoten v, w V ist die minimale Länge eines Weges von v nach w.
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
MehrLineare Algebra I (WS 12/13)
Lineare Algebra I (WS 12/13) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 18.10.2012 Alexander Lytchak 1 / 12 Lineare Gleichungssysteme Wir untersuchen nun allgemeiner Gleichungssysteme der
MehrCramersche Regel. Satz Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei. A j := (a 1,...,a j 1,b,a j+1,...
Cramersche Regel Satz 2.4. Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei A j := (a,...,a j,b,a j+,...,a n ) also die Matrix, die entsteht, wenn in A die j-spalte durch den
MehrCARL HANSER VERLAG. Peter Stingl. Operations Research Linearoptimierung
ARL HANSER VERLAG Peter Stingl Operations Research Linearoptimierung -446-228-6 wwwhanserde 2 Lineare Optimierungsprobleme x 2 6 P P sentartete Ecke ( 4) x +x 2 5 PPPPPPPPPPPPPPP X x + x 2 7 2x +x 2 8
MehrEigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren Siehe Analysis (von der Hude, Folie 20: Definition 2.3. Ein Vektor x R n heißt Eigenvektor der quadratischen n n-matrix A zum Eigenwert λ R, wenn gilt Ax = λx Die Eigenwerte
Mehr36 2 Lineare Algebra
6 Lineare Algebra Quadratische Matrizen a a n sei jetzt n m, A, a ij R, i, j,, n a n a nn Definition Eine quadratische Matrix A heißt invertierbar genau dann, wenn es eine quadratische Matrix B gibt, so
MehrSimplex-Verfahren. Kapitel 3. Simplex-Verfahren. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/ / 372
Kapitel 3 Simplex-Verfahren Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 104 / 372 Inhalt Inhalt 3 Simplex-Verfahren Primaler Simplexalgorithmus Unbeschränktheit
MehrLineare und kombinatorische Optimierung
Lineare und kombinatorische Optimierung Theorie, Algorithmen und Anwendungen Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Wintersemester 2017/18 Peter Becker (H-BRS) Lineare
MehrA = A A
Musterlösung - Aufgabenblatt 8 Aufgabe 1 Gegeben ist das Polytop P = conv {±e i ± e j : 1 i, j 3, i j} = conv {e 1 + e 2, e 1 e 2, e 1 + e 2, e 1 e 2, e 1 + e 3, e 1 e 3, e 1 + e 3, e 1 e 3, e 2 + e 3,
MehrVerfahren des Operations Research
Verfahren des Operations Research Blatt 1 (WS 2017/18) wird bearbeitet am 23.10.2017 1. Ein Rohstoff kann zu drei Gütern G 1, G 2 und G 3 verarbeitet werden. Man benötigt für G 1 60 kg/stk, für G 2 80
Mehr(Technisch: Setze alle Skalarprodukte der allgemeinen Lösung mit den Basisvektoren des Kerns gleich Null eindeutige leastsqares Lösung)
Lineare Optimierung Unterbestimmte LGS und Optimierung Bei lösbaren unterbestimmten linearen Gleichungssystemen haben wir die Qual der Wahl in Abhängigkeit von den freien Parametern (Anzahl = Anzahl Unbekannte
Mehr1 Der Simplex Algorithmus I
1 Nicoletta Andri 1 Der Simplex Algorithmus I 1.1 Einführungsbeispiel In einer Papiermühle wird aus Altpapier und anderen Vorstoffen feines und grobes Papier hergestellt. Der Erlös pro Tonne feines Papier
MehrIn allen Fällen spielt die 'Determinante' einer Matrix eine zentrale Rolle.
Nachschlag:Transposition von Matrizen Sei Explizit: Def: "Transponierte v. A": (tausche Zeilen mit Spalten d.h., spiegle in der Diagonale) m Reihen, n Spalten n Reihen, m Spalten z.b. m=2,n=3: Eigenschaft:
MehrKlausur zur Vorlesung Operations Research im Sommersemester 2009
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Operations Research im Sommersemester 2009 Hinweise:
MehrHamiltonsche Graphen
Hamiltonsche Graphen Definition 3.2. Es sei G = (V, E) ein Graph. Ein Weg, der jeden Knoten von G genau einmal enthält, heißt hamiltonscher Weg. Ein Kreis, der jeden Knoten von G genau einmal enthält,
MehrAngewandte Mathematik für die Informatik
Angewandte Mathematik für die Informatik PD Dr. Louchka Popova-Zeugmann PD Dr. Wolfgang Kössler 17. Mai 2017 1 Lineare Optimierung Allgemeine LOA Ganzzahlige Optimierung Differentialgleichungen Differentialgleichungen
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
Mehr6 Korrektheit des Simplexalgorithmus
6 Korrektheit des Simplexalgorithmus Folgerung: Es sei L: Ax = b, c T x max LP und A B nicht-degenerierte PZB von L und es gebe c r := c r c B A B A r > 0 a) Falls a r := A B a r 0, dann L unbeschränkt
MehrVerfahren des Operations Research
Verfahren des Operations Research Blatt 1 (WS 2018/19) wird bearbeitet am 31.10.2018 1. Ein Rohstoff kann zu drei Gütern G 1, G 2 und G 3 verarbeitet werden. Man benötigt für G 1 60 kg/stk, für G 2 80
MehrMitschrift der Vorlesung: Kombinatorische Optimierung
Mitschrift der Vorlesung: Kombinatorische Optimierung bei Prof. Socher-Ambrosius Niels-Peter de Witt 26. April 2002 Inhaltsverzeichnis 1 Einführung 2 1.1 Beispiel: Profil zersägen.......................
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
Mehr2.2 Lineare Gleichungssysteme (LGS)
2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +
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
MehrOptimierung. Vorlesung 02
Optimierung Vorlesung 02 LPs in kanonischer Form Für i = 1,, m und j = 1,, d seien c j, b i und a ij reele Zahlen. Gesucht wird eine Belegung der Variablen x 1,, x d, so das die Zielfunktion d c j x j
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
MehrOperations Research. Linearoptimierung. Bearbeitet von Peter Stingl
Operations Research Linearoptimierung earbeitet von Peter Stingl Auflage 22 uch 76 S Hardcover ISN 978 446 228 8 Format ( x L): 4,5 x 2 cm Gewicht: 26 g Wirtschaft > etriebswirtschaft: Theorie & Allgemeines
MehrMathematisches Seminar Optimierung. Fundamentale Eigenschaften von Monge-Matrizen
Mathematisches Seminar Optimierung Fundamentale Eigenschaften von Monge-Matrizen von Mathias Fischer (Matrikel-Nr. 45809) Januar 2010 1 Inhaltsverzeichnis 1 Einleitung 3 1.1 Motivation...........................................
MehrMathematik I. Vorlesung 12. Lineare Abbildungen
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 12 Lineare Abbildungen Definition 12.1. Es sei K ein Körper und es seien V und W K-Vektorräume. Eine Abbildung heißt lineare Abbildung,
MehrEinführung in Operations Research Vorlesung 9:
Einführung in Operations Research Vorlesung 9: 11.1.2018 Prof. Dr. Thomas Slawig AG Algorithmische Optimale Steuerung basierend auf einer LV, Folien und Beispielen von Prof. Dr. Klaus Jansen Institut für
MehrProf. Dr. Roland Griesse. Höhere Mathematik für Bachelorstudiengänge I.2
Höhere Mathematik für Bachelorstudiengänge I.2 Wir nehmen an, dass die LOA bereits in Normalform vorliegt: Maximiere c x, wobei A x = b sowie x 0 mit A R m n, b R m und c R n. Neben b 0 nehmen wir noch
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 1 Einführung Lineare Gleichungen Definition
Mehr3 Systeme linearer Gleichungen
3 Systeme linearer Gleichungen Wir wenden uns nun dem Problem der Lösung linearer Gleichungssysteme zu. Beispiel 3.1: Wir betrachten etwa das folgende System linearer Gleichungen: y + 2z = 1 (1) x 2y +
MehrWenn wir zudem a ii = 1 für 1 i n setzen, dann gilt für A k (boolesches Produkt, A 0 = I) 0 falls es im Graphen keinen Pfad von v i nach v j,
6.2 Boolesche Matrixmultiplikation und Transitive Hülle Wir ersetzen nun im vorhergehenden Abschnitt die Distanzmatrix durch die (boolesche) Adjazenzmatrix und (min, +) durch (, ), d.h.: n C = A B; c ij
MehrKap. 4.3: Das Dualitätstheorem der linearen Optimierung
Kap. 4.3: Das Dualitätstheorem der linearen Optimierung Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 18. VO A&D WS 08/09 18.12.2008 1 Literatur
MehrLogistik: Transport. Grundlagen, lineare Transportund Umladeprobleme. Von Dr. Wolfgang Domschke. o. Professor für Betriebswirtschaftslehre
Logistik: Transport Grundlagen, lineare Transportund Umladeprobleme Von Dr. Wolfgang Domschke o. Professor für Betriebswirtschaftslehre Zweite, ergänzte Auflage TECHNISCH!: MOC cchule DARiviSTAOT j P e
MehrD-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler. Lösungen Serie 10
D-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler Lösungen Serie 10 1. Für a 1 : 1 1 0, a 2 : 1 1, a 3 : 1 1 1, b : 2 2 2 1 und A : (a 1, a 2, a 3 ) gelten welche der folgenden Aussagen? (a) det(a)
MehrChinese Postman Problem Hamiltonsche Graphen und das Traveling Salesman Problem Max-Flow-Min-Cut...151
Inhaltsverzeichnis 1 Kernkonzepte der linearen Optimierung... 1 1.1 Einführung... 1 1.2 Grundlegende Definitionen... 8 1.3 Grafische Lösung... 10 1.4 Standardform und grundlegende analytische Konzepte...
Mehr- A-l - Beschreibung des MPS-Formats Bei der nachfolgenden Beschreibung werden nicht benutzbare Spalten schraffiert gekennzeichnet.
- A-l - Anhang A Beschreibung des MPS-Formats Bei der nachfolgenden Beschreibung werden nicht benutzbare Spalten schraffiert gekennzeichnet. NAflE-Abschni tt Die NA~E-Karte ist die erste Abschnittskarte
MehrÜbung QM 1 EINFÜHRUNG 1. 1 Einführung. ohne Übungsaufgaben
Übung QM 1 EINFÜHRUNG 1 1 Einführung ohne Übungsaufgaben Übung QM 2 LINEARE OPTIMIERUNG 2 2 Lineare Optimierung Aufgabe 2.1 LP-Modellierung und Begriffe Wild West GmbH produziert Cowboyhüte. Momentan werden
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
Mehr