Lineare Optimierung. Volker Kaibel Fakultät für Mathematik Institut für Mathematische Optimierung Otto-von-Guericke Universität Magdeburg
|
|
- Reinhold Biermann
- vor 5 Jahren
- Abrufe
Transkript
1 Lineare Optimierung Volker Kaibel Fakultät für Mathematik Institut für Mathematische Optimierung Otto-von-Guericke Universität Magdeburg VL 1: Einführung 10. April 2007
2 Überblick Optimierung unter Nebenbedingungen Konvexe Optimierung Konische Optimierung Unbeschränkte Optimierung Semidefinite Optimierung Kontinuierliche lineare Optimierung Ganzzahlige lineare Optimierung Polyeder Kombinatorische Optimierung
3 Überblick Optimierung unter Nebenbedingungen Konvexe Optimierung Konische Optimierung Unbeschränkte Optimierung Semidefinite Optimierung Kontinuierliche lineare Optimierung Ganzzahlige lineare Optimierung Polyeder Kombinatorische Optimierung
4 (Kontinuierliche) Lineare Optimierung max{ c, x : Ax b, x n }
5 Überblick Optimierung unter Nebenbedingungen Konvexe Optimierung Konische Optimierung Unbeschränkte Optimierung Semidefinite Optimierung Kontinuierliche lineare Optimierung Ganzzahlige lineare Optimierung Polyeder Kombinatorische Optimierung
6 Ganzzahlige lineare Optimierung max{ c, x : Ax b, x n }
7 Überblick Optimierung unter Nebenbedingungen Konvexe Optimierung Konische Optimierung Unbeschränkte Optimierung Semidefinite Optimierung Kontinuierliche lineare Optimierung Ganzzahlige lineare Optimierung Polyeder Kombinatorische Optimierung
8 Polyedrische Kombinatorik 1 a 2 b 3 4 c d 5 e
9 Überblick Optimierung unter Nebenbedingungen Konvexe Optimierung Konische Optimierung Unbeschränkte Optimierung Semidefinite Optimierung Kontinuierliche lineare Optimierung Ganzzahlige lineare Optimierung Polyeder Kombinatorische Optimierung
10 Konvexe Optimierung { } min c(x) s.t. g i (x) O m i [m] x n c, g i : n konvex
11 Überblick Optimierung unter Nebenbedingungen Konvexe Optimierung Konische Optimierung Unbeschränkte Optimierung Semidefinite Optimierung Kontinuierliche lineare Optimierung Ganzzahlige lineare Optimierung Polyeder Kombinatorische Optimierung
12 Differenzierbare Optimierung
13 Barrier-Funktionale min 500x + 200y s.t. x 0 x 1 y 0 x 1 x, y n
14 Überblick Optimierung unter Nebenbedingungen Konvexe Optimierung Konische Optimierung Unbeschränkte Optimierung Semidefinite Optimierung Kontinuierliche lineare Optimierung Ganzzahlige lineare Optimierung Polyeder Kombinatorische Optimierung
15 3-dimensionale Polytope
16 Platonische Körper Icosaeder Wasser Dodekaeder Universum Oktaeder Luft Tetraeder Feuer Plato [ ]: Timaeus Euklid [ ]: Elemente XIII Würfel Erde
17 Archimedische Körper Archimedes [ ] Kepler Archimedes [ ] [ ] Bilder: V. Butakov Kepler [ ]
18 Leonardo da Vinci [1509]
19 4-dimensionale Polytope
20 4-dimensionale Polytope
21 Überblick Optimierung unter Nebenbedingungen Konvexe Optimierung Konische Optimierung Unbeschränkte Optimierung Semidefinite Optimierung Kontinuierliche lineare Optimierung Ganzzahlige lineare Optimierung Polyeder Kombinatorische Optimierung
22 Netzwerkrouting / Mehrgüterflüsse Kommunikationsbedarfe: (1) 3 Einheiten 1 5 (2) 5 Einheiten 2 1 Kapazitäten: Kosten: u 1,..., u 10 + c 1,..., c 10 + Variablen: x i a + (i [2], a [10]) Anzahl Einheiten des Bedarfs i, die über Bogen a fließen.
23 Netzwerkrouting / Mehrgüterflüsse Nebenbedingungen: Ziel: x x x 1 8 x 1 3 x 1 10 = 0 x x x 2 8 x 2 3 x 2 10 = 0 x x x 1 10 x 1 7 = 3 x 2 2 x 2 1 x 2 8 x 2 9 = 5 x x 2 1 u 1 x min 10 c a (x 1 a + x 2 a) a=1
24 Formen linearer Optimierungsprobleme max{ c, x : Ax b, x n } max{ c, x : Ax = b, x O n, x n } Auch: Gleichungen und Ungleichungen Nichtnegativitätsbedingungen an einige Variablen -Ungleichungen Minimierung Notationsbeispiel: min c x, x + c y, y s.t. A x x + A y y b B x x + B y y = d y O nx Falls alle (einige) Variablen ganzzahlig sein müssen: (gemischt) ganzzahlige lineare Optimierung (ILP)
25 Graphenfärbung
26 Frequenzzuweisung
27 min s.t. Ganzzahliges lineares Optimierungsmodell q c=1 q c=1 y c x v,c = 1 für alle v V x v,c + x w,c 1 für alle {v, w} E, c [q] x v,c y c x O V [q] x V [q] y [q]
28 Komplexität Optimierungsprobleme: Kontin. lin. Optim. Kont. konvexe Min. Ganzz. lin. Opt. polynomial polynomial NP-schwer Lineare Zulässigkeitsprobleme: x n x n Ax = b polynomial polynomial Ax b polynomial NP-schwer
29 Dualität max{ (1, 1 2 ), (x, y) : 1 x, y 2, x 2 } ( (1, 0), (x, y) 2) ( (0, 1), (0, y) 2) (1, 1 2 ), (x, y) 3
30 X n c : X Optimierungsproblem Nach Kontext: Problem oder Optimalwert Maximum kann auch (nur) Supremum sein Menge der zulässigen Lösungen: Menge der Optimallösungen: Unzulässiges Optimierungsproblem: Unbeschränktes Optimierungsproblem: Minimierungsproblem analog max{c(x) : x X} X X = {x X : c(x) c( x) für alle x X} X = X und X =
31 Inhalt / Aufbau 1. Unbeschränkte Optimierung 2. Optimierung und Konvexität 3. Opt. unter Nebenbedingungen 4. Dualität und konische Optimierung 5. Innere-Punkte Verfahren 6. Geometrie der linearen Optimierung 7. Der Simplex-Algorithmus 8. Ganzzahlige lineare Optimierung 9. Lineare und kombinatorische Optimierung 10. Branch-and-Bound, Schnittebenen WS 07/08: Kombinatorische Optimierung und polyedrische Kombinatorik SS 08: Geometrische und algebraische Aspekte der ganzzahligen linearen Optimierung
32 Literatur 1. R. J. Vanderbei, Linear Programming. Springer, J. Matousek und B. Gärtner, Using and Understanding Linear Programming. Springer, V. Chvatal, Linear Programming. Freeman, D. Bertsimas and J. N. Tsitsiklis, Introduction to Linear Optimization. Athena, G. B. Dantzig, Linear Programming and Extensions. Princeton University Press, 1998 (Original: Rand Corporation, 1963). 6. A. Ruszcynski, Nonlinear Optimization. Princeton University Press, A. Schrijver, Theory of Linear and Integer Programming. Wiley, M. Grötschel, L. Lovasz, A. Schrijver, Geometric Algorithms and Combinatorial Optimization. Springer, 1988.
33 Organisatorisches VL: MO 11:15-12:45 (G02-210) DI 7:30-9:00 G Üblicherweise: Montags Beamer, Folien im Netz (montags 8:00) Sprechstunde VK: DO (G02-221b) Übungsgruppen: MI 13:15-14:45 (G05-211, Volker Kaibel) DO 11:15-12:45 (G02-210, Matthias Peinhardt) Scheinkriterium: 50% Übungspunkte (Abgabe in festen Zweiergruppen) und Klausur Erste Übungsgruppen: Nächste Woche (18./19. April) Abgabe Aufgaben, Austeilung neuer Übungsblätter: VL DI Rückgabe korrigierter Aufgaben: Übungsgruppen
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
1 Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14) Einleitung Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 11. Oktober 2013) 2 Kommunikationsnetzwerke...
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
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
MehrOptimierung Optimization. Vorlesung 01
Optimierung Optimization Vorlesung 01 Organisatorisches skopalik@mail.upb.de Büro: F1.209 (Sprechstunde nach Vereinbarung) Vorlesung: Freitags, 11:15 12:45, F0 053 Übungen: Dienstags, 13:15 14:00, F0 053
MehrDiskrete Optimierung
Diskrete Optimierung Mi 10-12, C118, Sand Dr. Stephanie Reifferscheid Universität Tübingen, WSI 12. Oktober 2011 Dr. Stephanie Reifferscheid Diskrete Optimierung 12. Oktober 2011 1 / 17 Technisches Erreichbarkeit
MehrVorlesung Lineare Optimierung (Sommersemester 2010)
1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 6: Die Geometrie der Linearen Optimierung Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Juni 2010) Gliederung 2 Das
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
MehrKonvexe Optimierung I Sommersemester Kapitel 0
Sommersemester 2013 Kapitel 0 Jun.-Prof. Dr. Thorsten Raasch Johannes Gutenberg-Universität Mainz Institut für Mathematik 15. April 2013 Konvexe Optimierung Was ist das? Was bedeutet Optimierung? Was bedeutet
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.
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Branch-and-Bound Konvexe Mengen, konvexe Hülle, konvexe Funktionen Relaxation Inhaltsübersicht für heute: Branch-and-Bound Konvexe Mengen, konvexe Hülle, konvexe Funktionen
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/4) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
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
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
MehrVorlesung Lineare Optimierung (Sommersemester 2007)
1 Vorlesung Lineare Optimierung (Sommersemester 007) Kapitel 9: Ganzzahlige Polyeder und Kombinatorische Dualität Volker Kaibel Otto-von-Guericke Universität Magdeburg Montag, 9. Juli 007 Gliederung Ganzzahlige
MehrInhalt. Problemstellung und Überblick. Allgemeine Problemstellung und Terminologie. Überblick über spezielle Klassen von Optimierungsproblemen
Inhalt Problemstellung und Überblick Allgemeine Problemstellung und Terminologie Überblick über spezielle Klassen von Optimierungsproblemen 40: 40 [40,40] 2.1 Das Optimierungsproblem in allgemeiner Form
MehrAufgabensammlung uncf Klausurentrainer zur Optimierung
Karl Heinz Borgwardt unter Mitarbeit von Matthias Tinkl und Thomas Wörle Aufgabensammlung uncf Klausurentrainer zur Optimierung Für die Bachelorausbildung in mathematischen Studiengängen STUDIUM 11 VIEWEG+
MehrDer LLL - Algorithmus. Seminar ganzzahlige Optimierung Wintersemester 2006/2007
Der LLL - Algorithmus Seminar ganzzahlige Optimierung Wintersemester 2006/2007 Autor: Konrad Schade Betreuer: Prof. Dr. J. Rambau 1 Einführung 1.1 Motivation In dieser Arbeit soll die Verwendung des LLL-Algotithmuses
MehrDas Travelling Salesman Problem Exakte Lösungsverfahren für NP-schwierige kombinatorische Optimierungsprobleme 5. VO
Das Travelling Salesman Problem Exakte Lösungsverfahren für NP-schwierige kombinatorische Optimierungsprobleme 5. VO 31.10.2005 Überblick Kurz-Wiederholung vom letzten Mal Kombinatorische Optimierungsprobleme
MehrVorlesung Lineare Optimierung (Sommersemester 2009)
1 Vorlesung Lineare Optimierung (Sommersemester 2009) Kapitel 7: Der Simplex-Algorithmus Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 18. Juni 2009) Gliederung 2 Ecken, Kanten, Extremalstrahlen
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,
MehrOptimierung für Wirtschaftsinformatiker: Lineare Programme
Optimierung für Wirtschaftsinformatiker: Lineare Programme Dr. Nico Düvelmeyer Dienstag, 31. Mai 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Lineare Programme Allgemeine Form 2 Spezielle Darstellungen
MehrLiteraturverzeichnis. c Springer-Verlag GmbH Deutschland W. Hochstättler, Lineare Optimierung, DOI /
Literaturverzeichnis [1] Alfter, M., Kern, W., & Wanka, A. (1990). On adjoints and dual matroids. Journal of Combinatorial Theory: Series B, 50(2), 208 213. [2] Arora, S., & Barak, B. (2009). Computational
MehrHow To Solve The Linear Ordering Problem (Lop)
Kap. 3: Hierarchische Zeichenverfahren 3.4 Kreuzungsminimierung ffff Exakte Verfahren Prof. Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering LS11 Universität Dortmund 11./12. VO WS07/08 19./20. November
MehrOptimierung I. Dr. Ulf Lorenz F2.413
Optimierung I Dr. Ulf Lorenz F2.413 flulo@upb.de Organisation Dozent: Dr. Ulf Lorenz F2.413 Fürstenallee 11 email: flulo@upb.de WWW: http://www.upb.de/cs/flulo (hier auch aktuelle Infos + Ü-Zettel) Vorlesungen:
MehrKörper zum Selberbauen Polydron
Körper zum Selberbauen Polydron Was versteht man unter Polydron? Polydron ist ein von Edward Harvey erfundenes intelligentes Spielzeug, mit dem man verschiedene geometrische Figuren bauen kann. Es ist
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
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Dualität Anwendung: Spieltheorie Komplementarität und Sensitivitätsanalyse Spaltengenerierung Schnittebenenverfahren Welchen Simplex wann? Inhaltsübersicht für heute: Dualität
MehrOperations Research I
Operations Research I Lineare Programmierung Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Sommersemester 2015 Peter Becker (H-BRS) Operations Research I Sommersemester 2015
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS2010/11 1 / 1 Teil IV Konvexe und ganzzahlige Optimierung Vorlesung 11 IV Konvexe und ganzzahlige Optimierung 2 / 34 Inhaltsübersicht 29Lineare Optimierung
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
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
Mehrist ein Polyeder. c) Sei F eine Seite von P. Wann ist f 1 (F ) eine Seite von f 1 (P )? Begründen Sie Ihre Antwort. x 1. x = max{ x i i N n }.
alteklausuraufgaben 1 LinOpt Klausur Sommersemester 05 Aufgabe 1 a) Definieren Sie den Begriff der konischen Hülle. b) Sei S R n. Zeigen Sie: Cone S = Lin S x S : x Cone (S \ {x}). Aufgabe 2 a) Definieren
MehrFK WMS: Wirtschaftsmathematik 2, Einheit 7/8
FK WMS: Wirtschaftsmathematik 2, Einheit 7/8 Markus Sinnl 1 markus.sinnl@univie.ac.at http://homepage.univie.ac.at/markus.sinnl basierend auf Folien von Dr. Ivana Ljubic, Mag. Christian Spreitzer und Mag.
Mehr3.2.5 Dualität der linearen Optimierung I
3..5 Dualität der linearen Optimierung I Jedem linearen Programm in Standardform kann ein sogenanntes duales Programm zugeordnet werden. Es entsteht dadurch, daß man von einem Minimierungsproblem zu einem
Mehr3.2 Lineare Optimierung (Entscheidungen unter Sicherheit)
3. Lineare Optimierung (Entscheidungen unter Sicherheit) Betrachtet wird hier der Fall Θ = (bzw. die Situation u(a, ϑ) bzw. l(a,ϑ) konstant in ϑ Θ für alle a A). Da hier keine Unsicherheit über die Umweltzustände
MehrKap. 8: Travelling Salesman Problem
Kap. 8: Travelling Salesman Problem Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 15. VO 5.2.07 Überblick 8.1 Einführung Einführung in TSP 8.2 ILP-Formulierung für TSP 8.3 Branch-and-Cut
MehrTraveling Salesman Problem (TSP) Exakte Algorithmen für NP-schwere Probleme Integer Lineare Programme Branch-and-Cut
Traveling Salesman Problem (TSP) Exakte Algorithmen für NP-schwere Probleme Integer Lineare Programme Branch-and-Cut VO Graphenalgorithmen WiSe 2009/10 Markus Chimani TU Dortmund NP-schwere Probleme 2
Mehr3.4 Exakte Verfahren für (Gemischt-) Ganzzahlige Optimierung
32KAPITEL 3. NP-SCHWIERIGE KOMBINATORISCHE OPTIMIERUNGSPROBLEME n Anzahl der Ungleichungen 3 8 4 20 5 40 6 910 7 87.472 8 >488.602.996 Tabelle 3.1: Anzahl der Ungleichungen des LOP-Polytops für n 8 3.4
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
MehrVorlesung Lineare Optimierung (Sommersemester 2010)
1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 2: Konvexe Mengen und Kegel Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 19. April 2010) Gliederung 2 Konvexe Mengen
MehrDiskrete Strukturen WS 2010/11. Ernst W. Mayr. Wintersemester 2010/11. Fakultät für Informatik TU München
WS 2010/11 Diskrete Strukturen Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2010ws/ds/ Wintersemester 2010/11 Diskrete Strukturen Kapitel 0 Organisatorisches Vorlesungen:
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
MehrApproximationsalgorithmen. Wintersemester 2013/14 HERZLICH WILLKOMMEN!
Approximationsalgorithmen Wintersemester 2013/14 HERZLICH WILLKOMMEN! 1 / 39 Worum geht s? Eine Bemerkung von Vasek Chvatal In den kommunistischen Ländern des Ostblocks in den 60 er und 70 er Jahren war
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS200/ / 29Lineare Optimierung 30Der Simplex-Algorithmus 3Das Heiratsproblem 32Ganzzahligkeit von Polyedern 33Ne Inhaltsübersicht 29Lineare Optimierung
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)
MehrWir gewichten die Kanten von G wie folgt: Kante e 1 e 2 e 3 e 4 e 5 e 6 e 7 e 8 d(e i )
Prof. Dr. U. Faigle J. Voss SS 2011 12. Übung zur Einführung in die Mathematik des Operations Research Dieses Übungsblatt wird nicht mehr gewertet. Aufgabe 1: Sei G = (V, E) ein gerichteter Graph und x
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
MehrIndex. Algorithmus 13 effizient 85 Arboreszenzen 164. Grad 178 Aus- 239 In- 239 Graph 24 gerichtet 34 vollständig 216 Greedy-Algorithmen 152
Last but not least Wir danken allen, die uns bei unserem mathematischen Abenteuer unterstützt und ermutigt haben, unseren Familien und Freunden, Kolleginnen und Kollegen, den Mitarbeitern des Springer-Verlags,
MehrDiskrete und kombinatorische Optimierung
Prof. Dr. Gerhard Reinelt Institut für Informatik Mathematikon 1.329 Im Neuenheimer Feld 205 Studieninformation zum Gebiet Diskrete und kombinatorische Optimierung 1. Beschreibung des Gebiets Diskrete
Mehr8. Lineare Optimierung
8. Lineare Optimierung 1 Einführung (1) Praktische Probleme sind oft Probleme mit Nebenbedingungen, z.b.: Ein Produktionsprozess hängt von Lieferterminen ab Die Menge der verstaubaren Güter ist durch die
MehrStabilität gemischt-ganzzahliger linearer Optimierungsprobleme
Stabilität gemischt-ganzzahliger linearer Optimierungsprobleme Überblick und oene Fragen Stefan Vigerske 8.2.2006 Forschungsseminar Numerik stochastischer Modelle Humboldt-Universität zu Berlin Optimierungsproblem
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
MehrKapitel 4. Optimierungsalgorithmen. Technische Universität Wien. Gunnar Klau Technische Universität Wien. Institut für Computergraphik und Algorithmen
Kapitel 4 Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen 1 Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
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
MehrInnere-Punkt-Methoden
Innere-Punkt-Methoden Johannes Stemick 26.01.2010 Johannes Stemick () Innere-Punkt-Methoden 26.01.2010 1 / 28 Übersicht 1 Lineare Optimierung 2 Innere-Punkt-Methoden Path-following methods Potential reduction
Mehr4.4 Quadratische Optimierungsprobleme
4.4 Quadratische Optimierungsprobleme 1. Quadratische Programme (QP) 1 2 xt P x + q T x + r s.t. Gx h (4.34) wobei P S n +, G R (m n) und A R (p n) Zielfunktion (ZF) ist (konvex) quadratisch Nebenbedingungen
Mehrlineare Programmierung
lineare Programmierung Viele Probleme sind durch lineare Gleichungssysteme charakterisiert lineare Programmiermethoden Der Lösungsraum ist häufig auf ganze Zahlen oder gar natürliche Zahlen eingeschränkt!
MehrSchnittebenenverfahren für das symmetrische
Schnittebenenverfahren für das symmetrische TSP Sebastian Peetz Mathematisches Institut Universität Bayreuth 19. Januar 2007 / Blockseminar Ganzzahlige Optimierung, Bayreuth Gliederung 1 Das symmetrische
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
MehrWie schreibe ich einen Kürzester Kruzester
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 5 Vorlesung Algorithmentechnik im WS 8/9 Ausgabe 16. Dezember 8 Abgabe 13. Januar 9, 15:3 Uhr (im Kasten vor Zimmer 319, Informatik-Hauptgebäude,
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
MehrLineare Programmierung
Seminar: Intelligente Algorithmen Stefan Kopp, Alfred Kranstedt, Nadine Leßmann Lineare Programmierung Frank Schönmann WS 2003/04 Inhaltsverzeichnis 1 Motivation 3 2 Lineare Programmierung (LP) 4 2.1 Einführendes
MehrEinführung in die Wirtschaftsinformatik VO WS 2008 / 2009
Einführung in die Wirtschaftsinformatik VO WS 2008 / 2009 Daten Modelle Steuerung Wilfried Grossmann Teil 3: Steuerung Mathematische Modelle werden häufig dazu verwendet um ein optimales Verhalten zu bestimmen
Mehr10. Komplexität der Linearen Optimierung und Innere Punkte Methoden
56 10.1 LP ist in NP! conp... 57 10.2 Zur Laufzeit des Simplexalgorithmus... 58 10.3 Die Ellipsoidmethode... 59... 60 10.1 LP ist in NP! conp 57-1 Wichtigste Aussagen dieses Kapitels (alle ohne vollständigen
MehrOptimierung Operations Research Spieltheorie
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Karl Heinz Borgwardt Optimierung Operations Research Spieltheorie
MehrDiskrete Strukturen WS Ernst W. Mayr. Wintersemester Fakultät für Informatik TU München
WS 2011 Diskrete Strukturen Ernst W. Mayr Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ws/ds/ Wintersemester 2011 Diskrete Strukturen Kapitel 0 Organisatorisches Vorlesung: Di 13:45
MehrAlgorithmische Geometrie: Einstimmung
Algorithmische Geometrie: Einstimmung Nico Düvelmeyer WS 2009/2010, 20.10.2009 Überblick 1 Organisatorisches 2 Fachgebiet Typische Untersuchungsgegenstände Typische Anwendungsgebiete 3 Inhalte der Vorlesung
MehrLineare Programmierung Teil I
Seminar über Algorithmen Prof. Dr. Helmut Alt Lineare Programmierung Teil I Lena Schlipf, Benjamin Jankovic Lena Schlipf, Benjamin Jankovic Seminar über Algorithmen SS05 1 Struktur des Vortrags 1. Was
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...
MehrDer Eulersche Polyedersatz
Der Eulersche Polyedersatz Def Die Anzahl der k Seiten eines konvexen Polytops P bezeichnen wir mit f k (P) oder kurz mit f k. Das n Tupel (f 0,f 1,...,f n 1 ) Z n heißt dann der f Vektor des (n dimensionalen)
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
MehrKap. 4: Das Handlungsreisendenproblem (TSP)
Kap. 4: Das Handlungsreisendenproblem (TSP) VO Algorithm Engineering Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 7./8. VO 24./26. April 2007 Literatur Mutzel: Skript zu Branch
MehrFormale Grundlagen der Informatik F3: Berechenbarkeit un
Formale Grundlagen der Informatik F3: Berechenbarkeit und Komplexität Fachbereich Informatik AB Theoretische Grundlagen der Informatik (TGI) Universität Hamburg farwer@informatik.uni-hamburg.de 14. Dezember
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...
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
MehrLinOpt - Tool zur Visualisierung eines multikriteriellen Optimierungsproblems
LinOpt Tool zur Visualisierung eines multikriteriellen Optimierungsproblems Erstellt von Michael Berklmeir, Michael Haarnagell, Stefan Kraus, Stephan Roser im Rahmen einer Seminararbeit am Lehrstuhl für
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
MehrPolyeder und Platonische Körper
Polyeder und Platonische Körper Ausarbeitung zum 30.11.2016 Linus Leopold Boes Matrikelnummer: 2446248 Algorithmen für planare Graphen Institut für Informatik HHU Düsseldorf Inhaltsverzeichnis 1 Einleitung
MehrDynamische Optimierung
Dynamische Optimierung Mike Hüftle 28. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1.................................... 2 2 Dynamisches Optimierungmodell 3 2.1 Grundmodell der dynamischen Optimierung............
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 1. VO A&D WS 08/09 14. Oktober 2008 1 bevor wir thematisch beginnen: Kapitel
MehrMethoden der linearen Optimierung
Methoden der linearen Optimierung Mike Hüftle 31. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1.................................... 2 2 Lineare Optimierung 3 2.1 Lineares Modell............................
MehrFreie Universität Berlin. Diskrete Mathematik. Ralf Borndörfer, Stephan Schwartz. Freie Universität. 08. April 2013
Diskrete Mathematik Ralf Borndörfer, Stephan Schwartz 08. April 2013 FUB VL Diskrete Mathematik SS 2013 1 Leonhard Euler (1707-1783) e i sin cos f(x) FUB VL Diskrete Mathematik SS 2013 2 Das Königsberger
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
MehrAbschätzung der Suchbaumgröße
Effiziente Algorithmen Lösen NP-vollständiger Probleme 263 Abschätzung der Suchbaumgröße Der Schätzwert für die Suchbaumgröße war 3529. Lassen wir das Programm laufen, ergibt sich, daß 1830 gültige Positionen
MehrDie historische Betrachtung der Platonischen Körper
Die historische Betrachtung der Platonischen Körper Christian Hartfeldt Otto-von-Guericke Universität Magdeburg Fakultät für Mathematik Institut für Algebra und Geometrie christian.hartfeldt@t-online.de
MehrOperations Research. Konvexe Funktionen. konvexe Funktionen. konvexe Funktionen. Rainer Schrader. 4. Juni Gliederung
Operations Research Rainer Schrader Konvexe Funktionen Zentrum für Angewandte Informatik Köln 4. Juni 2007 1 / 84 2 / 84 wir haben uns bereits mit linearen Optimierungsproblemen beschäftigt wir werden
MehrVIII Inhaltsverzeichnis 4 Innere - Punkte - Methoden für Lineare Programme Exkurs: Newton -Verfahren,Konvergenzraten Anwendung:
Inhaltsverzeichnis 1 Einleitung... 1 1.1 Modellbildung,mathematische Formulierung............... 1 1.2 Nichtlineare Programme................................. 2 1.3 Einteilung von nichtlinearen Programmen...
MehrSeminar Ausgewählte Kapitel des Operations Research Die Allgegenwärtigkeit von Lagrange (Teil 1)
Seminar Ausgewählte Kapitel des Operations Research Die Allgegenwärtigkeit von Lagrange (Teil 1) Anna Raaz 21.12.2007 Einführung Die Relaxierung von Lagrange wird in der stochastischen Optimierung meistens
MehrDISKRETE OPTIMIERUNG. Robert Weismantel
MATHEMATIK DISKRETE OPTIMIERUNG Robert Weismantel Unter einer Optimierungsaufgabe im mathematischen Sinne versteht man die Problemstellung, den maximalen oder minimalen Wert einer Funktion über einem zulässigen
MehrAlgorithmische Graphentheorie
c NASA (earthasart.gsfc.nasa.gov/ganges.html) 1 Algorithmische Graphentheorie Sommersemester 2015 2. Vorlesung Flüsse Prof. Dr. Alexander Wolff Lehrstuhl für Informatik I 2 Gewinnmaximierung Sie sind Chef
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
MehrNP-schwierige kombinatorische Optimierungsprobleme
Kapitel 3 NP-schwierige kombinatorische Optimierungsprobleme Optimierungsprobleme sind Probleme, die im Allgemeinen viele zulässige Lösungen besitzen. Jeder Lösung ist ein bestimmter Wert (Zielfunktionswert,
MehrZu Modellierungs- und Lösungs-Techniken für Frequenz-Zuweisungs-Probleme
Universität zu Köln Mathematisch-Naturwissenschaftliche Fakultät Zentrum für Angewandte Informatik Seminar: Ausgewählte Kapitel des Operations Research WS 07/ 08 Dozent: Prof. Dr. R. Schrader Referent:
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
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 =
MehrTechnische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 1: Facetten des Knapsack-Polytops
Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis Barbara Wilhelm Michael Ritter Station 1: Facetten des Knapsack-Polytops Diskutieren Sie folgende Fragen
MehrStandard-/kanonische Form Simplex Dualität Kompl./Sensitivität Spaltengen. Schnittebenen Welchen? Inhalt
Inhalt Lineare Optimierung Standardform und kanonische Form Der Simplex-Algorithmus Dualität Komplementarität und Sensitivitätsanalyse Spaltengenerierung Schnittebenenverfahren Welchen Simplex wann? 54:
Mehr