Der Wedelin Algorithmus
|
|
- Caroline Blau
- vor 5 Jahren
- Abrufe
Transkript
1 Der Wedelin Algorithmus Lösung von großen 0-1 Problemen mit Lagrange Relaxation Christian Spieler 20. Januar 2007 Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
2 Ausgangsfrage Die Ausgangsfrage lautet: Was haben diese 3 Objekte miteinander zu tun?... Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
3 Ausgangsfrage Die Ausgangsfrage lautet: Was haben diese 3 Objekte miteinander zu tun?... Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
4 Ausgangsfrage Die Ausgangsfrage lautet: Was haben diese 3 Objekte miteinander zu tun?... Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
5 Gliederung Einführung Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
6 Gliederung Einführung Das binäre ganzzahlige Problem (BIP) Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
7 Gliederung Einführung Das binäre ganzzahlige Problem (BIP) Der Algorithmus Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
8 Gliederung Einführung Das binäre ganzzahlige Problem (BIP) Der Algorithmus ohne Approximation Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
9 Gliederung Einführung Das binäre ganzzahlige Problem (BIP) Der Algorithmus ohne Approximation mit Approximation Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
10 Gliederung Einführung Das binäre ganzzahlige Problem (BIP) Der Algorithmus ohne Approximation mit Approximation LP Interpretation Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
11 Gliederung Einführung Das binäre ganzzahlige Problem (BIP) Der Algorithmus ohne Approximation mit Approximation LP Interpretation Greedy Algorithmus Interpretation Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
12 Gliederung Einführung Das binäre ganzzahlige Problem (BIP) Der Algorithmus ohne Approximation mit Approximation LP Interpretation Greedy Algorithmus Interpretation Rechnergestützte Ergebnisse für SCPs Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
13 Einführung Binäre ganzzahlige Probleme wesentlich schwerer zu lösen als LPs Beispiele: Traveling Salesman Problem, Assignment Problem (z.b.: Tanzpaare bilden) Merkmal: Entscheidungsvariablen x i B = {0,1} sind binär Dag Wedelin entwickelte im Rahmen eines Forschungsprojektes Algorithmus zur Lösung von großen 0-1 Problemen im Bereich des Airline Crew Scheduling Partner: Firma CARMEN SYSTEMS mit Sitz in Göteborg (Geschäftsfeld: Verkauf von Optimierungssoftware für die Transportindustrie) Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
14 Pressemitteilung aus 2006: Einführung Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
15 Das binäre ganzzahlige Problem (BIP) Das (BIP) lautet in Standardform wie folgt: (BIP) min c T x s.t. Ax = b x j B Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
16 Das binäre ganzzahlige Problem (BIP) Das (BIP) lautet in Standardform wie folgt: (BIP) min c T x s.t. Ax = b x j B BIP ist NP - schwer bzw. NP - hart Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
17 Das binäre ganzzahlige Problem (BIP) Das (BIP) lautet in Standardform wie folgt: (BIP) min c T x s.t. Ax = b x j B BIP ist NP - schwer bzw. NP - hart NP - schwere Probleme sind z.b.: Set Partitioning, Set Covering, Set Packing Probleme. Ebenso Vertexcover und Knapsack Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
18 Das binäre ganzzahlige Problem (BIP) Behandlung von Ungleichungsrestriktionen: Ungleichungsnebenbedingungen können durch Hinzufügen von binären Schlupfvariablen zu Null Kosten durch Gleichungen ersetzt werden. Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
19 Das binäre ganzzahlige Problem (BIP) Behandlung von Ungleichungsrestriktionen: Ungleichungsnebenbedingungen können durch Hinzufügen von binären Schlupfvariablen zu Null Kosten durch Gleichungen ersetzt werden. x 1 + x 2 + x 3 2 wird ersetzt durch: x 1 + x 2 + x 3 + x 4 + x 5 = 2. (Einführung von x 4,x 5 {0,1}) Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
20 Das binäre ganzzahlige Problem (BIP) Behandlung von Ungleichungsrestriktionen: Ungleichungsnebenbedingungen können durch Hinzufügen von binären Schlupfvariablen zu Null Kosten durch Gleichungen ersetzt werden. x 1 + x 2 + x 3 2 wird ersetzt durch: x 1 + x 2 + x 3 + x 4 + x 5 = 2. (Einführung von x 4,x 5 {0,1}) x 1 + x 2 + x 3 2 wird analog ersetzt durch: x 1 + x 2 + x 3 + x 4 + x 5 + x 6 = 5 Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
21 Das binäre ganzzahlige Problem (BIP) Gewöhnliche Lösungsmethoden für (BIP): basieren auf der LP Relaxation (d.h. man fordert nur noch x j [0; 1] (LP)) Branch & Bound Strategien Beseitigung fraktionaler Werte und Produktion einer echt ganzzahligen Lösung Ansatz versagt jedoch oft für sehr große Probleme Greedy Heuristiken: liefern zulässige ganzzahlige Lösungen, allerdings von schlechter Qualität Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
22 Das binäre ganzzahlige Problem (BIP) Gewöhnliche Lösungsmethoden für (BIP): basieren auf der LP Relaxation (d.h. man fordert nur noch x j [0; 1] (LP)) Branch & Bound Strategien Beseitigung fraktionaler Werte und Produktion einer echt ganzzahligen Lösung Ansatz versagt jedoch oft für sehr große Probleme Greedy Heuristiken: liefern zulässige ganzzahlige Lösungen, allerdings von schlechter Qualität Daher lauten die Hauptziele des Wedelin-Algorithmus: 1 Lösung von sehr großen 0,1 Problemen in einer direkteren Art 2 Stabile Methode zum Auffinden zulässiger ganzzahliger Lösungen höchstmöglicher Qualität Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
23 Der Algorithmus - Der Algorithmus besteht aus 2 interagierenden Komponenten: 1 Einfacher duale Koordinaten-Suchalgorithmus zum Auffinden einer 0-1 Lösung für (BIP) durch Heranziehen der Lagrangeschen Relaxation Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
24 Der Algorithmus - Der Algorithmus besteht aus 2 interagierenden Komponenten: 1 Einfacher duale Koordinaten-Suchalgorithmus zum Auffinden einer 0-1 Lösung für (BIP) durch Heranziehen der Lagrangeschen Relaxation 2 Approximationsschema, welches den Kostenvektor c der Zielfunktion so wenig wie möglich manipuliert, um Konvergenz zu ermöglichen und um eine eindeutige binäre Lösung für das relaxierte Problem zu bekommen. Wichtig hierbei: Approximationsparameter κ Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
25 Der Algorithmus Lagrange Relaxation von (BIP) min {0 x 1} c T x + y T (b Ax) (R) Dies ist die Lagrange Relaxation für alle y, denn jedes für (BIP) zulässige x ist auch zulässig für (R), mit selbem Zielfunktionswert. Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
26 Der Algorithmus Lagrange Relaxation von (BIP) min {0 x 1} c T x + y T (b Ax) (R) Idee: Dies ist die Lagrange Relaxation für alle y, denn jedes für (BIP) zulässige x ist auch zulässig für (R), mit selbem Zielfunktionswert. Auffinden eines Vektors y, so dass Lösung von (R) zulässig für (BIP) Zielfunktionswerte gleich = Lösung auch optimal für (BIP) Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
27 Der Algorithmus Äquivalente Form von (R): min {0 x 1} (c T y T A)x + y T b (R) 1 reduzierte Kosten Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
28 Der Algorithmus Äquivalente Form von (R): min {0 x 1} (c T y T A)x + y T b (R) Lösung von (R): Durch Definition von c := c A T y 1 ist : 0 falls c j > 0 x j = z [0,1] falls c j = 0 1 falls c j < 0 1 reduzierte Kosten Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
29 Der Algorithmus Äquivalente Form von (R): min {0 x 1} (c T y T A)x + y T b (R) Lösung von (R): Durch Definition von c := c A T y 1 ist : 0 falls c j > 0 x j = z [0,1] falls c j = 0 1 falls c j < 0 Falls c in jeder Koordinate nicht Null ist, ist die Lösung binär und eindeutig! Ansonsten wird eine Approximation eingeführt um ein y zu finden, so dass c 0 1 reduzierte Kosten Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
30 Der Algorithmus ohne Approximation Wahl des zu NB zugehörigen y i derart, dass die Lösung x für (R) Nebenbedingung i : A i x = b i erfüllt Voraussetzung: Alle Matrixeinträge a ij {0,1} und b ganzzahlig Berechnung der y i wie folgt: Für jedes i definiere das Array c i := {c j a ij = 1} und setze r i := c i + y i (Aufheben des Effekts eines vorhergehenden Wertes für y i ) Wähle r als b i. niedrigstes Element von r i, r + als b i + 1. niedrigstes Setze als neuen Wert für y i : y i := r +r + 2 Üblicherweise Konvergenz des Algorithmus gegen Punkt, an dem viele Elemente c i j = 0 Ausweg: mit Approximation. Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
31 Der Algorithmus mit Approximation Ziel: Störe c so wenig wie möglich, um eine ganzzahlige Lösung für x mithilfe der Koordinatensuche zu finden Höhe der Störung festgelegt durch Approximationsparameter κ Konstante δ sorgt dafür, dass Elemente von c nie Null werden. Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
32 Der Algorithmus mit Approximation Ziel: Störe c so wenig wie möglich, um eine ganzzahlige Lösung für x mithilfe der Koordinatensuche zu finden Höhe der Störung festgelegt durch Approximationsparameter κ Konstante δ sorgt dafür, dass Elemente von c nie Null werden. Algorithmus 1 r i := c i s i (Rückgängigmachung vorheriger Iteration) 2 r := b i. niedrigstes Element von r i r + := b i + 1. niedrigstes Element von r i y i := y i + κ 1 κ (r + r ) + δ y + i := y i κ 1 κ (r + r ) δ s i j := { y i y + i falls rj i r falls rj i r + 3 c i := r i + s i Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
33 Der Algorithmus mit Approximation Anmerkungen zum Algorithmus mit Approximation: Iteration durchläuft wiederholt zyklisch die NB Auch eine Paralleliteration von NB, die keine gem. Variablen besitzen, ist möglich Wahl von κ, δ ist schwierig Keine Konvergenz des Algorithmus garantiert! Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
34 LP Interpretation (R) ist ebenso eine Relaxation von (LP), die sogenannte Lagrange Relaxation. Algorithmus ohne Approximation (d.h. κ = 0) eingebettet ins vertraute Rahmenwerk von Linearer Programmierung Betrachtung der Koordinatensuche von einem dualen Standpunkt aus Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
35 LP Interpretation (R) ist ebenso eine Relaxation von (LP), die sogenannte Lagrange Relaxation. Algorithmus ohne Approximation (d.h. κ = 0) eingebettet ins vertraute Rahmenwerk von Linearer Programmierung Betrachtung der Koordinatensuche von einem dualen Standpunkt aus Das Problem (LP) und seine Relaxation (R) sind verwandt zu dem nichtlinearen unrestringierten Problem der Form Nichtlin. Problem max f (y) y mit f (y) = y T b + min {0 x 1} (c T y T A)x Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
36 LP Interpretation (R) ist ebenso eine Relaxation von (LP), die sogenannte Lagrange Relaxation. Algorithmus ohne Approximation (d.h. κ = 0) eingebettet ins vertraute Rahmenwerk von Linearer Programmierung Betrachtung der Koordinatensuche von einem dualen Standpunkt aus Das Problem (LP) und seine Relaxation (R) sind verwandt zu dem nichtlinearen unrestringierten Problem der Form Nichtlin. Problem max f (y) y mit f (y) = y T b + min {0 x 1} (c T y T A)x Dies ist das Lagrangesches Dualproblem mit alleiniger Betrachtung der NB Ax=b Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
37 LP Interpretation Bemerkung: f (y) ist das Minimum einer Menge von linearen Funktionen in y, eine für jede Variablenbelegung von x. Folgerung: f (y) ist stückweise linear und konkav Partielle Ableitungen für y f y i = b i a i x R (1) Dabei bezeichne x R die Lösung von (R) für dieses y. Erinnerung: In der Koordinatensuche wird y i immer so gewählt, dass die Lösung von (R) a i x = b i erfüllt. = f y i = 0 f (y) konkav = notwendige Bedingung auch hinreichend; Man kann schließen, dass dieser Punkt auch das Maximum entlang der y i darstellt. Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
38 Greedy Algorithmus Interpretation Wiederholung Formel für y i, y + i : y i := y i + κ 1 κ (r + r ) + δ y + i := y i κ 1 κ (r + r ) δ Geht Approximationsparameter κ 1, dann ist der zweite Summand der y i, y + i Formel {+, } und jeder Wert von c ist auf + oder gesetzt. Erfüllung der Restriktionen setzt sodann die Kostenstruktur des Problems ganz außer Kraft. Der Algorithmus verhält sich wie ein Greedy Algorithmus. Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
39 Greedy Algorithmus Interpretation Greedy Algo für (BIP) Jede Variable x i hat 3 Möglichkeiten: 0,1 oder unknown. Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
40 Greedy Algorithmus Interpretation Greedy Algo für (BIP) Jede Variable x i hat 3 Möglichkeiten: 0,1 oder unknown. Start: Alle x i werden auf Status unknown gesetzt. k := 1 Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
41 Greedy Algorithmus Interpretation Greedy Algo für (BIP) Jede Variable x i hat 3 Möglichkeiten: 0,1 oder unknown. Start: Alle x i werden auf Status unknown gesetzt. k := 1 Betrachte die k.-te NB A k x = b i : Setze jedes x i {x i x i = unknown} auf 0 oder 1, so dass NB erfüllt. (Zuweisung abh. von Werten des Kostenvektors c) Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
42 Greedy Algorithmus Interpretation Greedy Algo für (BIP) Jede Variable x i hat 3 Möglichkeiten: 0,1 oder unknown. Start: Alle x i werden auf Status unknown gesetzt. k := 1 Betrachte die k.-te NB A k x = b i : Setze jedes x i {x i x i = unknown} auf 0 oder 1, so dass NB erfüllt. (Zuweisung abh. von Werten des Kostenvektors c) Ausnahme: Verändern einer gesetzten Variablen x i nur erlaubt, wenn die unknown Variablen nicht ausreichen, um NB zu erfüllen. Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
43 Greedy Algorithmus Interpretation Greedy Algo für (BIP) Jede Variable x i hat 3 Möglichkeiten: 0,1 oder unknown. Start: Alle x i werden auf Status unknown gesetzt. k := 1 Betrachte die k.-te NB A k x = b i : Setze jedes x i {x i x i = unknown} auf 0 oder 1, so dass NB erfüllt. (Zuweisung abh. von Werten des Kostenvektors c) Ausnahme: Verändern einer gesetzten Variablen x i nur erlaubt, wenn die unknown Variablen nicht ausreichen, um NB zu erfüllen. Setze k := k + 1. Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
44 Greedy Algorithmus Interpretation Greedy Algo für (BIP) Jede Variable x i hat 3 Möglichkeiten: 0,1 oder unknown. Start: Alle x i werden auf Status unknown gesetzt. k := 1 Betrachte die k.-te NB A k x = b i : Setze jedes x i {x i x i = unknown} auf 0 oder 1, so dass NB erfüllt. (Zuweisung abh. von Werten des Kostenvektors c) Ausnahme: Verändern einer gesetzten Variablen x i nur erlaubt, wenn die unknown Variablen nicht ausreichen, um NB zu erfüllen. Setze k := k + 1. Anmerkungen: Generell kann Algorithmus im Finden einer binären Lösung fehlschlagen Konvergenz aber garantiert bei strikter Ersetzung der Gleichungsrestriktionen durch oder Schnelles Auffinden einer suboptimalen Lösung Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
45 Rechnergestützte Ergebnisse für SCPs Test des Algorithmus Der vorgestellte Algorithmus wurde besonders an großen Set Covering Problemen (SCP), die aus der Anwendung des Airline Crew Scheduling stammen, getestet. Daher nun zuerst Definition des Airline Crew Scheduling Problems. Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
46 Rechnergestützte Ergebnisse für SCPs Test des Algorithmus Der vorgestellte Algorithmus wurde besonders an großen Set Covering Problemen (SCP), die aus der Anwendung des Airline Crew Scheduling stammen, getestet. Daher nun zuerst Definition des Airline Crew Scheduling Problems. Das Airline Crew Scheduling Problem Annahme: Ein Zeitplan mit allen Flugabschnitten ist gegeben Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
47 Rechnergestützte Ergebnisse für SCPs Test des Algorithmus Der vorgestellte Algorithmus wurde besonders an großen Set Covering Problemen (SCP), die aus der Anwendung des Airline Crew Scheduling stammen, getestet. Daher nun zuerst Definition des Airline Crew Scheduling Problems. Das Airline Crew Scheduling Problem Annahme: Ein Zeitplan mit allen Flugabschnitten ist gegeben Ein Flugabschnitt ist ein gegebener Flug zu einer gegebenen Zeit Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
48 Rechnergestützte Ergebnisse für SCPs Test des Algorithmus Der vorgestellte Algorithmus wurde besonders an großen Set Covering Problemen (SCP), die aus der Anwendung des Airline Crew Scheduling stammen, getestet. Daher nun zuerst Definition des Airline Crew Scheduling Problems. Das Airline Crew Scheduling Problem Annahme: Ein Zeitplan mit allen Flugabschnitten ist gegeben Ein Flugabschnitt ist ein gegebener Flug zu einer gegebenen Zeit Zuweisung von Crews zu diesen Flugabschnitten, so dass jede Crew einen durchführbaren Flugplan erhält und diese Lösung möglichst kostengünstig ist Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
49 Rechnergestützte Ergebnisse für SCPs Test des Algorithmus Der vorgestellte Algorithmus wurde besonders an großen Set Covering Problemen (SCP), die aus der Anwendung des Airline Crew Scheduling stammen, getestet. Daher nun zuerst Definition des Airline Crew Scheduling Problems. Das Airline Crew Scheduling Problem Annahme: Ein Zeitplan mit allen Flugabschnitten ist gegeben Ein Flugabschnitt ist ein gegebener Flug zu einer gegebenen Zeit Zuweisung von Crews zu diesen Flugabschnitten, so dass jede Crew einen durchführbaren Flugplan erhält und diese Lösung möglichst kostengünstig ist Die Zuweisung von Personen zu den Flugbesatzungen wird nicht berücksichtigt Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
50 Rechnergestützte Ergebnisse für SCPs Test des Algorithmus Der vorgestellte Algorithmus wurde besonders an großen Set Covering Problemen (SCP), die aus der Anwendung des Airline Crew Scheduling stammen, getestet. Daher nun zuerst Definition des Airline Crew Scheduling Problems. Das Airline Crew Scheduling Problem Annahme: Ein Zeitplan mit allen Flugabschnitten ist gegeben Ein Flugabschnitt ist ein gegebener Flug zu einer gegebenen Zeit Zuweisung von Crews zu diesen Flugabschnitten, so dass jede Crew einen durchführbaren Flugplan erhält und diese Lösung möglichst kostengünstig ist Die Zuweisung von Personen zu den Flugbesatzungen wird nicht berücksichtigt Jede Crew hat einen Heimatflughafen, ein Flugplan besteht aus einer Sequenz von Flugabschnitten mit Ausgangs- und Endpunkt Heimatflughafen (dies nennt man Pairing, dt: Paarung) Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
51 Rechnergestützte Ergebnisse für SCPs Test des Algorithmus Der vorgestellte Algorithmus wurde besonders an großen Set Covering Problemen (SCP), die aus der Anwendung des Airline Crew Scheduling stammen, getestet. Daher nun zuerst Definition des Airline Crew Scheduling Problems. Das Airline Crew Scheduling Problem Annahme: Ein Zeitplan mit allen Flugabschnitten ist gegeben Ein Flugabschnitt ist ein gegebener Flug zu einer gegebenen Zeit Zuweisung von Crews zu diesen Flugabschnitten, so dass jede Crew einen durchführbaren Flugplan erhält und diese Lösung möglichst kostengünstig ist Die Zuweisung von Personen zu den Flugbesatzungen wird nicht berücksichtigt Jede Crew hat einen Heimatflughafen, ein Flugplan besteht aus einer Sequenz von Flugabschnitten mit Ausgangs- und Endpunkt Heimatflughafen (dies nennt man Pairing, dt: Paarung) Wirkende Einflussgrößen auf Pairing: Gesamtzeitdauer, max. Flugzeit pro Tag etc. Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
52 Rechnergestützte Ergebnisse für SCPs Gewöhnliche Lösung des Problems in 2 Schritten: 1 Berechnung einer großen Anzahl von erlaubten Pairings und Berechnung der Kosten für jedes Pairing unter Benutzung einer vorher gefundenen Lösung als Leitfaden Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
53 Rechnergestützte Ergebnisse für SCPs Gewöhnliche Lösung des Problems in 2 Schritten: 1 Berechnung einer großen Anzahl von erlaubten Pairings und Berechnung der Kosten für jedes Pairing unter Benutzung einer vorher gefundenen Lösung als Leitfaden 2 Auswahl einer Teilmenge der erzeugten Pairings, so dass jeder Flug im Flugplan in mind. einem der ausgewählten Pairings enthalten ist. Dies sollte so erfolgen, dass die Totalkosten (Summe Einzelkosten) minimiert werden. Eine Crew kann auch bei einer anderen Flugbesatzung als Passagier mitfliegen, falls kostengünstiger. Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
54 Rechnergestützte Ergebnisse für SCPs Problem ist also ein Set Covering Problem der Form: (SCP) min c T x s.t. Ax 1 x j B A 0-1 Matrix. Zeile entspricht Flugabschnitt, Spalte dem Pairing Typisch: Flüge, Pairings und 5 10 Nichtnulleinträge pro Spalte der Matrix A (dünnbesetzt) Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
55 Rechnergestützte Ergebnisse für SCPs Vergleich des Wedelin - Algorithmus mit dem CPLEX-System (v2.1) für lineare und ganzzahlige Optimierung: Gesamtlaufzeit des Wedelin-Algorithmus wesentlich geringer als die des Lösers CPLEX zum Auffinden einer LP Lösung bei größeren Problemen Verbrauch von mehr Arbeitsspeicher bei CPLEX während des Rechenvorgangs Qualität der Lösungen kann sich im Vergleich zu den bewährten Methoden, die auf Lin. Programmierung und Branch & Bound basieren (bei Löser CPLEX verwendet) sehen lassen Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
56 Rechnergestützte Ergebnisse für SCPs CPLEX vs. Wedelin Abbildung: Größe des Problems vor und nach der Vorverarbeitung Abbildung: Testergebnisse (Zielfunktionswert, Zeit) für echte SCPs Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
57 Beantwortung Ausgangsfrage Die Ausgangsfrage lautete: Was haben diese 3 Objekte miteinander zu tun? Dag Wedelin, Entwickler des Algorithmus Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
58 Beantwortung Ausgangsfrage Die Ausgangsfrage lautete: Was haben diese 3 Objekte miteinander zu tun? Dag Wedelin, Entwickler des Algorithmus Joseph Louis Lagrange, berühmter Mathematiker ( ) Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
59 Beantwortung Ausgangsfrage Die Ausgangsfrage lautete: Was haben diese 3 Objekte miteinander zu tun? Dag Wedelin, Entwickler des Algorithmus Joseph Louis Lagrange, berühmter Mathematiker ( ) Boeing der Lufthansa Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
60 Beantwortung Ausgangsfrage Danke für die Aufmerksamkeit! Abbildung: Ab in die Lüfte... Christian Spieler () Der Wedelin Algorithmus 20. Januar / 25
3. Der Algorithmus a) ohne Approximation b) mit Approximation
Kapitel 9 Lösung von großen 0-1 Problemen mithilfe der Lagrange Relaxation - Der Wedelin Algorithmus Seminar Ganzzahlige Optimierung, WS 2006/07 Gliederung 1. Einführung 2. Das binäre ganzzahlige Problem
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 =
MehrOptimierung. Vorlesung 08
Optimierung Vorlesung 08 Heute Dualität Ganzzahligkeit Optimierung der Vorlesung durch Evaluierung 2 Das duale LP Das primale LP Maximiere c T x unter Ax b, x R d 0. wird zu dem dualen LP Minimiere b T
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
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
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
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
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.
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
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
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
MehrGanzzahlige OR-Methoden: Operations Research II a. Übungsblatt 12
Operations Research und Wirtschaftsinformatik Prof. Dr. P. Recht // Dr. Eva-Maria Sprengel Ganzzahlige OR-Methoden: Operations Research II a Übungsblatt 12 Aufgabe 37 Auf einem Güterumschlagplatz werden
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
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
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. Optimierung. Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung Fabian Kuhn
Optimierung Vorlesung 9 Lineare Programmierung & Kombinatorische Optimierung 1 Assignment Problem (Zuordnungsproblem) Gewichtetes Perfektes Bipartites Matching agents Costs tasks Weise jedem Agenten genau
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
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
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
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
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
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)
MehrOptimierung. Optimierung. Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus Fabian Kuhn
Optimierung Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus 1 Resource Allocation Beispiel aus Vorlesung 6 Primales LP: Duales LP: max 3 4 2 2 4 2 8 3 6 0, 0, 0 min 4 8 6 2 3 3 4 2 2 0, 0,
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
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
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
MehrKapitel 2. Mathematik für Mikroökonomie
Kapitel Mathematik für Mikroökonomie 1 Mathematik der Optimierung Ökonomische Theorien basieren auf der Annahme, dass die Agenten versuchen, den optimalen Wert einer Funktion zu wählen. Konsumenten maximieren
MehrVORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)
VORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 53 Wiederholung! Basis-Startlösung berechnet! Künstliche Variablen! Erkennung von unlösbaren Problemen! Eliminierung
MehrMathematik für Wirtschaftswissenschaftler Kapitel 4-6. Universität Trier Wintersemester 2013 / 2014
Mathematik für Kapitel 4-6 Universität Trier Wintersemester 2013 / 2014 Kapitel 4 1. Extremwerte 2. Lokale Optimalpunkte 3. Wendepunkte 2 Kapitel 4.1 EXTREMWERTE 3 Extrempunkte und Extremwerte 4 Strikte
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)
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
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
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
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 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
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
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
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
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
MehrSattelpunkte und Optimalitätsbedingungen bei restringierten Optimierungsproblemen
Sattelpunkte und Optimalitätsbedingungen bei restringierten Optimierungsproblemen Sandro Grunert WS 08/09 Seminar Optimierung Technische Universität Chemnitz 1 Inhaltsverzeichnis 0 Grundlegende Situation
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
MehrOptimierung. Optimierung. Vorlesung 5 Optimierung mit Nebenbedingungen Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 5 Optimierung mit Nebenbedingungen 1 Minimierung mit Gleichheitsrestriktionen Gegeben: Funktion,,,, : Ziel:,,, Unrestringierter Fall: Notwendige Bedingung für lokales Minimum keine
Mehr1. Transport- und Zuordnungsprobleme
1. Transport- und Zuordnungsprobleme Themen 1. Transport- und Zuordnungsprobleme Themen: Analyse der Problemstruktur Spezielle Varianten des Simplexalgorithmus für Transport- und Zuordnungsprobleme Bezug
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
MehrAusgleichsproblem. Definition (1.0.3)
Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst
MehrOptimalitätsbedingungen
Optimalitätsbedingungen Nadja Irmscher 28. Mai 2010 1 Nachweis von Suboptimalität und Abbruchkriterien Über das gegebene Programm minimiere f 0 (x) über x D sodass f i (x) 0, i = 1,..., m h i (x) = 0,
MehrNäherungsalgorithmen (Approximationsalgorithmen) WiSe 2008/09 in Trier. Henning Fernau Universität Trier
Näherungsalgorithmen (Approximationsalgorithmen) WiSe 2008/09 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Näherungsalgorithmen Gesamtübersicht Organisatorisches Einführung / Motivation
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
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
MehrOptimierung. Vorlesung 9
Optimierung Vorlesung 9 Heute Facility location problem 1. Komplemetärer Schlupf 2. Das Facility Location Problem 3. Problemstellung LP, Duales, Schlupf Eine Approximationsalgorithmus Analyse und Beweis
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
Mehr14.4 Warum die Methode der Lagrange-Multiplikatoren funktioniert
14 Optimierung unter Nebenbedingungen 14.4 Warum die Methode der Lagrange-Multiplikatoren funktioniert [1] Lösen sie die folgenden Probleme, indem Sie diese auf ein univariates Problem zurückführen. Zeigen
Mehrf(x) f(x 0 ) lokales Maximum x U : gilt, so heißt x 0 isoliertes lokales Minimum lokales Minimum Ferner nennen wir x 0 Extremum.
Fabian Kohler Karolina Stoiber Ferienkurs Analsis für Phsiker SS 4 A Extrema In diesem Abschnitt sollen Extremwerte von Funktionen f : D R n R diskutiert werden. Auch hier gibt es viele Ähnlichkeiten mit
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
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
MehrKapitel 12. Lagrange-Funktion. Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 1 / 28. f (x, y) g(x, y) = c. f (x, y) = x y 2
Kapitel 12 Lagrange-Funktion Josef Leydold Mathematik für VW WS 2017/18 12 Lagrange-Funktion 1 / 28 Optimierung unter Nebenbedingungen Aufgabe: Berechne die Extrema der Funktion unter der Nebenbedingung
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
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
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
MehrWiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
MehrEffiziente Algorithmen (SS2015)
Effiziente Algorithmen (SS205) Kapitel 5 Approximation II Walter Unger Lehrstuhl für Informatik 2.06.205 07:59 5 Inhaltsverzeichnis < > Walter Unger 5.7.205 :3 SS205 Z Inhalt I Set Cover Einleitung Approximation
MehrRückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
Mehr3. Schnittebenenverfahren
3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research
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
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
MehrTechnische Universität München
Technische Universität München Zentrum Mathematik Fallstudien Diskrete Optimierung Dipl.-Math.Oec Melanie Bestle Dr. Michael Ritter Dienstag, 10. Mai 2011: Dualität 1 Dualität: Geometrische Herleitung
MehrDas Traveling Salesman Problem und das Assignment Problem zweiter Ordnung. Gerold Jäger
Das Traveling Salesman Problem und das Assignment Problem zweiter Ordnung Gerold Jäger Martin-Luther-Universität Halle-Wittenberg Zusammenarbeit mit Frank Fischer, Anja Lau, Paul Molitor DFG-Projekt: Toleranzbasierte
MehrMathematische Grundlagen für Wirtschaftswissenschaftler Leseprobe - Abschnitt 6.5 (das agraökonomische Schaf )
Mathematische Grundlagen für Wirtschaftswissenschaftler Leseprobe - Abschnitt 65 (das agraökonomische Schaf ) Sascha Kurz Jörg Rambau 25 November 2009 2 66 Die Karush-Kuhn-Tucker-Methode Die Erkenntnisse
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
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
MehrBERGISCHE UNIVERSITÄT WUPPERTAL FB B: SCHUMPETER SCHOOL OF BUSINESS AND ECONOMICS. Master of Science
Name: Vorname: Matrikel-Nr.: BERGISCHE UNIVERSITÄT WUPPERTAL FB B: SCHUMPETER SCHOOL OF BUSINESS AND ECONOMICS Master of Science Wintersemester 2014/2015 Prüfungsgebiet: MWiWi 4.1 Advanced OR methods in
MehrKuhn-Tucker Bedingung
Kapitel 13 Kuhn-Tucker Bedingung Josef Leydold Mathematik für VW WS 017/18 13 Kuhn-Tucker Bedingung 1 / Optimierung unter Nebenbedingungen Aufgabe: Berechne das Maximum der Funktion f (x, y) g(x, y) c,
MehrLineare Optimierungsaufgaben - eine Einführung
Lineare Optimierungsaufgaben - eine Einführung Aufgabenstellung, Beispiele, graphisches Lösen und Trafo auf Normalform Vortragsskript von Lorenz Fischer Operations Research bedeutet die Suche nach einer
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
MehrNewton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme
Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es
MehrApproximationsalgorithmen. 19. Dezember / 28
Approximationsalgorithmen 19. Dezember 2017 1 / 28 Optimierungsprobleme Das Ziel: Bearbeite schwierige Optimierungsprobleme der Form opt y f (x, y) so dass L(x, y). Die Zielfunktion f (x, y) ist zu minimieren
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
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:
MehrInhaltsverzeichnis. Innere-Punkte-Verfahren 3. Inhaltsverzeichnis 1
Inhaltsverzeichnis 1 Inhaltsverzeichnis Innere-Punkte-Verfahren 3 1 Theoretische Grundlagen 3 1.1 Die KKT-Bedingungen........................... 3 1.2 Der zentrale Pfad.............................. 4
MehrBranch-and-Bound und Varianten. Kapitel 3. Branch-and-Bound und Varianten. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 98 / 159
Kapitel 3 und Varianten Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 98 / 159 Inhalt Inhalt 3 und Varianten Anwendungsbeispiele Branch-and-Cut Peter Becker (H-BRS) Operations Research
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.
MehrÜberblick Kap. 5: Graph Coloring
Überblick Kap. 5: Graph Coloring Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 10./11. VO 18.12.0 / 8.1.07 5.1 Einführung Definition und Motivation Sudoku 5.2 ILP-Formulierungen
MehrKap. 5: Graph Coloring
Kap. 5: Graph Coloring Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 10./11. VO 18.12.06 / 8.1.07 Überblick 5.1 Einführung Definition und Motivation Sudoku 5.2 ILP-Formulierungen
MehrSattelpunkte und Optimalitätsbedingungen bei restringierten Optimierungsproblemen
Sattelpunkte und Optimalitätsbedingungen bei restringierten Optimierungsproblemen Sandro Grunert WS 08/09 Seminar Optimierung Technische Universität Chemnitz Inhaltsverzeichnis 2 Inhaltsverzeichnis 0 Grundlegende
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
Mehr1. Über stückweise lineare Zielfunktionen bei der Transportmethode
- 2-1. Über stückweise lineare Zielfunktionen bei der Transportmethode Die Transportkosten entlang eines Transportweges sind stückweise linear, konkret, sie setzen sich aus drei linearen Teilstücken zusammen:
Mehr1 Umkehrfunktionen und implizite Funktionen
Mathematik für Physiker III WS 2012/2013 Freitag 211 $Id: implizittexv 18 2012/11/01 20:18:36 hk Exp $ $Id: lagrangetexv 13 2012/11/01 1:24:3 hk Exp hk $ 1 Umkehrfunktionen und implizite Funktionen 13
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik
Lösungsskizzen zu den Klausuraufgaben zum Kurs Algorithmische Mathematik KSL09 Aufgabe. Zeigen oder widerlegen Sie: Es existiert ein Graph mit Valenzsequenz (8,,,,,,,,,). Geben Sie im Falle der Existenz
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
Mehr4 Der Gauß Algorithmus
4 Der Gauß Algorithmus Rechenverfahren zur Lösung homogener linearer Gleichungssysteme Wir betrachten ein GLS (1) a 11 x 1 + a 1 x + + a 1n x n = a 1 x 1 + a x + + a n x n = a m1 x 1 + a m x + + a mn x
MehrZuordnungsproblem. Beispiele. Mathematisches Modell. Lösungsmethoden. auch Ernennungs-, Zuweisungs-, Assignmentproblem
Zuordnungsproblem auch Ernennungs-, Zuweisungs-, Assignmentproblem Beispiele Mathematisches Modell Lösungsmethoden HTW-Berlin FB3 Prof. Dr. F. Hartl 1 2 Anwendungen Zuordnung von - 1 ME von A i nach B
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)
Mehr18.2 Implizit definierte Funktionen
18.2 Implizit definierte Funktionen Ziel: Untersuche Lösungsmengen von nichtlinearen Gleichungssystemen g(x) = 0 mit g : D R m, D R n, d.h. betrachte m Gleichungen für n Unbekannte mit m < n, d.h. wir
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
MehrLineare Optimierung Dantzig 1947
Lineare Optimierung Dantzig 947 Lineare Optimierungs-Aufgaben lassen sich mit Maple direkt lösen: with(simplex): g:= 4*x + x2
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
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 Mathematik, 1. Oktober 2012, A
Klausur, Mathematik, Oktober 2012, Lösungen, A 1 Klausur Mathematik, 1. Oktober 2012, A Die Klausureinsicht ist Do, 8.11.2012 um 18:00 in MZG 8.136. Die Klausur ist mit 30 Punkten bestanden. Falls Sie
Mehr6. Softwarewerkzeuge für die Lineare Programmierung
6. Softwarewerkzeuge für die Lineare Programmierung Inhalt 6. Softwarewerkzeuge für die Lineare Programmierung GNU Linear Programming Kit Operations Research I Hochschule Bonn-Rhein-Sieg, SS 2013 314 GNU
Mehr