Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 3. Vorlesung

Transkript

1 Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 3. Vorlesung Rainer Hufnagel / Laura Wahrig 2006

2 Diese Woche LO - Sensitivitätsanalyse Simulation Beispiel Differenzengleichungen zweiten Grades Rainer Hufnagel/ Laura Wahrig /22

3 Sensitivitätsanalyse Wir wollen uns nun damit befassen, wie groß der Stabilitätsbereich einer Lösung eines linearen Optimierungsproblems ist. Uns interessiert also, was passiert, wenn wir die gegebenen Voraussetzungen der Aufgabe ändern. Die Betrachtung dessen nennt sich Sensitivitätsanalyse. Rainer Hufnagel/ Laura Wahrig /22

4 Sensitivitätsanalyse Wir haben also folgendes Problem gegeben: G = p + p x + p x p x max! oder min! ist unsere Zielfunktion mit m Unbekannten Wir haben endlich viele Nebenbedingungen mit wieder jeweils m Unbekannten a11x 1 + a12x a1 mxm oder oder = a a n1x1 an2x2... anmxm oder oder = an0 m m Rainer Hufnagel/ Laura Wahrig /22

5 Sensitivitätsanalyse In der Sensitivitätsanalyse interessieren wir uns dafür, was mit der Lösung passiert, wenn wir ur 1. die Koeffizienten der Zielfunktion ändern (den Vektor p) oder 2. die rechte Seite der Nebenbedingungen ändern (den Vektor a uur ), also die Absolutglieder in der Restriktion 0 ändern (Kapazitäten/ Mindestanforderungen) 3. Koeffizienten in den Restriktionen ändern oder neue Variablen hinzufügen Rainer Hufnagel/ Laura Wahrig /22

6 Sensitivitätsanalyse Hier wollen wir nur die ersten beiden Möglichkeiten (graphisch) behandeln. Die dritte lassen wir weg, denn für diesen Kurs ist sie zu komplex. Besser ausgedrückt: Wir wollen nun bestimmen, welchen Gültigkeitsbereich der Lösungsvektor in Bezug auf die Koeffizienten der Zielfunktion oder die Nebenbedingungen hat. Rainer Hufnagel/ Laura Wahrig /22

7 Sensitivitätsanalyse Wofür kann es interessant sein, dies zu wissen? Bei Schätzung der Koeffizienten (oder Unsicherheit) Auswirkungen von geringfügigen Kapazitätsänderungen Also: Habe ich eine eher stabile oder eine eher instabile Lösung vorliegen? führt zu parametrischer Optimierung Rainer Hufnagel/ Laura Wahrig /22

8 Sensitivitätsanalyse Glücklicherweise muss man dafür nicht die ganze Aufgabe von neuen aufrollen. Rainer Hufnagel/ Laura Wahrig /22

9 Variation in Koeffizienten der Zielfunktion Wir betrachten das Problem, nachdem wir das Ausgangsproblem gelöst haben. Also, ein Koeffizient ändert sich um einen positiven oder negativen Betrag p M, der zu p M addiert wird. Unsere Frage: um wie viel kann sich der Koeffizient ändern, ohne dass sich die Basislösung ändert (so dass wir dieselbe optimale Lösung erhalten)? Dafür suchen wir eine untere Grenze p M ( 0)und eine obere Grenze p M ( 0). Rainer Hufnagel/ Laura Wahrig /22

10 Variation in Koeffizienten der Zielfunktion Beispiel 1 (Maximierung) Mathematische Umsetzung: G = 4x + 5x max! ist die Zielfunktion. 1 2 Die Nebenbedingungen sind: x + x 40 - ist die Zeitrestriktion x1+ 4x ist die Geldrestriktion. x 0 ; x 0 - Fensterbilder und Osterhasen 1 2 können nicht in negativen Mengen produziert werden. Rainer Hufnagel/ Laura Wahrig /22

11 Variation in Koeffizienten der Zielfunktion Beispiel 1 (Maximierung) Unsere Zielfunktion ist G = 4x1+ 5x2 max! Nun variieren wir den Koeffizient p 1 von x 1 so, dass sich die Basislösung nicht ändert. D.h. es soll weiterhin optimal sein, 80 Fensterbilder und 40 Osterhasen zu produzieren. Rainer Hufnagel/ Laura Wahrig /22

12 Variation in Koeffizienten der Zielfunktion Beispiel 1 (Maximierung) x x1 Zeitrestriktion Geldrestriktion Zielfunktion Rainer Hufnagel/ Laura Wahrig /22

13 Variation in Koeffizienten der Zielfunktion Beispiel 1 (Maximierung) 520 ( 4 + Δp ) 1 x2 = x1 5 5 soll weiterhin dieselbe Ecke schneiden. Daraus ergibt sich: I Δp 1 =-1.5 II 1 1 Δ p = Rainer Hufnagel/ Laura Wahrig /22

14 Variation in Koeffizienten der Zielfunktion Beispiel 1 (Maximierung) Der Optimalwert der Zielfunktion ändert sich folgendermaßen: Δ G* = Δp x * hier Δ G* = Δp x * Zum Beispiel: p 1 =1 Dann ist M 1 1 M Δ G* = 1 80 und c=520+80=600 Rainer Hufnagel/ Laura Wahrig /22

15 Variation in Koeffizienten der Zielfunktion Beispiel 1 (Maximierung) Diese Analyse kann man so nur für Koeffizienten von Variablen durchführen, die im Endtableau basisch sind, d.h. deren Lösung nicht gleich Null ist. Für Koeffizienten von Variablen, die nicht basisch sind, kann man nur eine untere oder obere Grenze bestimmen. Im Maximierungsbeispiel würden wir nach einer oberen Grenze suchen, im Minimierungsbeispiel nach einer unteren Grenze. Bei einer Nichtbasisvariable könnten wir den oberen Wert direkt aus der dualen Lösung der Variablen ablesen. Rainer Hufnagel/ Laura Wahrig /22

16 Variation in den Absolutgliedern der Restriktionen Es handelt sich um eine Änderung in a N0. Die Frage, die wir uns hier stellen lautet: Um wie viel kann sich die Kapazität/ der Mindestbedarf ändern, ohne dass die Basislösung sich ändert? Wenn a 0N Nichtbasisvariable ist, kann die Lösung sich nicht nicht ändern, wenn man a N0 ändert. Wenn a N0 Basisvariable ist, ist die Kapazität/ der Mindestbedarf nicht bindend. Es handelt sich in einem bestimmten Abschnitt um ein freies Gut. Wir können die Kapazität senken ( Δa 0 0 ) oder den Mindestbedarf erhöhen ( Δa 0 0 ). Rainer Hufnagel/ Laura Wahrig /22

17 Variation in den Absolutgliedern der Restriktionen Beispiel 2 (Minimierung) G = 8x + 12x min! ist die Zielfunktion 1 2 Die Nebenbedingungen sind: 0.1x1+ 0.2x2 1 - ist die Restriktion für Eiweiß 0.2x1+ 0.1x ist die Restriktion für Fett 0.1x1+ 0.6x ist die Restriktion für Kohlenhydrate x 0 ; x 0 - die Futtermittel können nicht in 1 2 negativen Mengen produziert werden Rainer Hufnagel/ Laura Wahrig /22

18 Variation in den Absolutgliedern der Restriktionen Beispiel 2 (Minimierung) x u 3 b 1 b 2 K u 2 40/3 4/3 -(20/3) 50/ x1 Eiweißrestriktion Fettrestriktion Kohlenhydraterestriktion Zielfunktion u 1 160/3 -(11/3) 10/3 -(20/3) Rainer Hufnagel/ Laura Wahrig /22

19 Variation in den Absolutgliedern der Restriktionen Beispiel 2 (Minimierung) Die Schlupfvariable der dritten Restriktion ist in der Basislösung der primalen Aufgabedie Restriktion ist nicht bindend. Aus dem Tableau können wir direkt ablesen, dass wir die Kohlenhydraterestriktion um 0.8 erhöhen können, ohne das die Basislösung sich ändert (oder der Optimalwert der Zielfunktion). Rainer Hufnagel/ Laura Wahrig /22

20 Simulation Es gibt viele Simulationsmöglichkeiten, die für den privaten Haushalt interessant sind. Wir befassen uns hier mit dem Beispiel einer linearen Differenzengleichung. Beispiel: Auf einem Girokonto gehen in jeder Periode Gehaltszahlungen F ein. Die Abhebungen sind proportional zum Guthaben der vorhergehenden Periode. Hierfür wollen wir ein Modell bilden. Uns interessiert besonders der Bestand auf dem Konto in jeder Periode - also eine mathematische Folge. Rainer Hufnagel/ Laura Wahrig /22

21 Simulation Parameter (exogen) sind: F Gehaltszahlung c Proportionalitätsfaktor des Konsums Variablen (endogen) sind: G(t) Bestand auf dem Konto in Periode t C(t) Konsum in Periode t Uns interessiert es, den Verlauf von G(t) zu simulieren und das Problem zu lösen. Rainer Hufnagel/ Laura Wahrig /22

22 Simulation Weiter mit dem OHP / an der Tafel Rainer Hufnagel/ Laura Wahrig /22