3. Schnittebenenverfahren
|
|
|
- Theodor Knopp
- vor 9 Jahren
- Abrufe
Transkript
1 3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 121
2 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Ganzzahliges lineares Programm Definition 3.1. Ein lineares Programm mit zusätzlichen Bedingungen x i Z für alle Variablen x i heißt ganzzahliges lineares Programm (integer linear program, ILP). Gilt x i Z nicht für alle sondern nur für einige der Variablen, so spricht man von einem gemischt-ganzzahligen linearen Programm (mixed integer program, MIP). Das lineare Programm, das entsteht, wenn man in einem ILP bzw. MIP die Bedingungen für die Ganzzahligkeit weglässt, heißt LP-Relaxation. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 122
3 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Beispiele Beispiel 3.1. Wir betrachten das ILP maxx 1 +2x 2 unter den Neben- und Vorzeichenbedingungen 2x 2 5 2x 1 + 3x 2 12 x 1,x 2 0 x 1,x 2 Z Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 123
4 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Die LP-Relaxation hat die optimale Lösung x = ( 9 4,5 2 ) mit einem Zielfunktionswert z = Das ILP hat dagegen als optimale Lösung x = (3,2) mit Zielfunktionswert z = 7. Man beachte: Die ganzzahlige Lösung, die x am nächsten liegt, ist nicht optimal. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 124
5 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Beispiel 3.2. Für das ILP maxx 1 +2x 2 unter den Neben- und Vorzeichenbedingungen x 2 3 2x 1 + 3x 2 12 x 1,x 2 0 x 1,x 2 Z hat die LP-Relaxation die eindeutige optimale Lösung x = ( 3 2,3). Das ILP hat dagegen zwei unterschiedliche optimale Lösungen: x = (3, 2) und x = (1,3). Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 125
6 3. Schnittebenenverfahren Schnittebenenverfahren Grundidee des Schnittebenenverfahren 1. Bestimme die optimale Lösung x der LP-Relaxation. 2. Gilt x Z n, dann ist x = x die optimale Lösung des ILP. 3. Ansonsten finde eine lineare Nebenbedingung (Schnittrestriktion), die von allen zulässigen Lösungen des ILP erfüllt wird aber von x nicht erfüllt wird. 4. Füge diese Nebenbedingung dem ILP hinzu und gehe zu Schritt 1. x wird aus dem Zulässigkeitsbereich der LP-Relaxation geschnitten. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 126
7 3. Schnittebenenverfahren Schnittebenenverfahren Veranschaulichung 4 3 x 2 Schnittebene Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 127
8 3. Schnittebenenverfahren Schnittebenenverfahren Begriffe Schnittebenenverfahren werden auch als Cutting-Plane-Verfahren bezeichnet. Die zur Schnittrestriktion gehörende Ebene ist die Schnittebene bzw. Cutting-Plane. Das Verfahren wurde 1958 von dem amerikanischen Informatiker Ralph E. Gomory veröffentlicht. Deshalb werden die Schnittrestriktionen auch als Gomory-Cuts bezeichnet, bzw. das Verfahren als Verfahren von Gomory. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 128
9 3. Schnittebenenverfahren Schnittebenenverfahren Voraussetzungen Gegeben sei ein Maximumproblem mit folgenden zusätzlichen Einschränkungen: der Begrenzungsvektor b ist ganzzahlig, die Koeffizienten des Zielfunktionsvektors c sind ganzzahlig und die Koeffizienten der Matrix A der Nebenbedingungen sind ganzzahlig. Konsequenz: Schlupfvariablen und Zielfunktionswert sind ebenfalls ganzzahlig. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 129
10 3. Schnittebenenverfahren Schnittebenenverfahren Beispielhafte Darstellung von Schnittebenenverfahren Beispiel 3.3. Wir lösen beispielhaft das ILP von Beispiel 3.2. Zunächst lösen wir die LP-Relaxation. Starttableau: x 1 x 2 x 3 x 4 b x x z x 2 ist Pivotspalte, x 3 Pivotzeile x 1 x 2 x 3 x 4 b x x z Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 130
11 3. Schnittebenenverfahren Schnittebenenverfahren x 1 ist Pivotspalte, x 4 Pivotzeile x 1 x 2 x 3 x 4 b x x z Damit haben wir die optimale Lösung x = ( ) der LP-Relaxation ermittelt. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 131
12 3. Schnittebenenverfahren Schnittebenenverfahren 4 3 x Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 132
13 3. Schnittebenenverfahren Schnittebenenverfahren Wir betrachten die Zeile der nicht-ganzzahligen BV x 1 : x x x 4 = 3 2 Wir formen die Gleichung um, indem wir alle Brüche aufspalten in einen ganzzahligen Anteil und einen Bruchanteil aus dem Intervall (0, 1). x 1 + ( 2+ 1 ) x ( 0+ 1 ) x 4 = 2 ( 1+ 1 ) 2 Jetzt bringen wir alle ganzzahligen Teile auf die linke und die Bruchteile auf die rechte Seite: x 1 2x 3 1 = 1 2 x x ( ) Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 133
14 3. Schnittebenenverfahren Schnittebenenverfahren Wegen x 3,x 4 0 folgt 1 2 x x 4 0 und damit die Ungleichung 1 2 x x < 1 Andererseits muss wegen ( ) die linke Seite der Ungleichung ganzzahlig sein. Daher können wir die Ungleichung verschärfen zu 1 2 x x bzw. 1 2 x x 4 1 ( ) 2 Diese Ungleichung wird von x nicht erfüllt, aber von jeder ganzzahligen zulässigen Lösung. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 134
15 3. Schnittebenenverfahren Schnittebenenverfahren Mit Hilfe der Schlupfvariablen x 5 fügen wir die Ungleichung ( ) dem ILP hinzu. Das neue Tableau lautet: x 1 x 2 x 3 x 4 x 5 b x x x z Dieses Tableau ist nicht primal zulässig, aber dual: Pivotzeile x 5, Pivotspalte x 3 x 1 x 2 x 3 x 4 x 5 b x x x z Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 135
16 3. Schnittebenenverfahren Schnittebenenverfahren Damit haben wir eine optimale Lösung x für das ILP. In Basisvariablen ausgedrückt lautet die Schnittrestriktion (Herleitung ): x 1 +2x x Visualisierung: 2 x Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 136
17 3. Schnittebenenverfahren Konstruktion von Schnittebenen Ausgangssituation Ausgangslage: Wir haben die LP-Relaxation mit dem primalen Simplexverfahren gelöst, das zugehörige Tableau liegt vor. Bezeichungen: a r ij : Koeffizienten im Tableau b r i : Komponenten des Begrenzungsvektors im Tableau x r i : Variablenwerte Für jede BV x r i gilt x r i + j I NBV a r ijx r j = b r i Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 137
18 3. Schnittebenenverfahren Konstruktion von Schnittebenen Man beachte: I NBV ist die Menge der Indizes der NBVs, a r ii = 1, a r ij = 0, falls xr j BV und x r j = 0, falls xr j NBV. Daher insgesamt (wie bekannt) x r i = b r i Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 138
19 3. Schnittebenenverfahren Konstruktion von Schnittebenen Konstruktion von Schnittebenen Definition 3.2. Für a R bezeichne a Z die ganze Zahl, für die a 1 < a a gilt. a heißt das größte Ganze von a. Wir zerlegen nun die Koeffizienten b r i bzw. ar ij in ganzzahlige Anteile b r i bzw. ar ij und positive Bruchanteile β r i (0,1) bzw. αr ij [0,1). Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 139
20 3. Schnittebenenverfahren Konstruktion von Schnittebenen Damit gilt b r i = b r i +β r i a r ij = a r ij +α r ij und es folgt mit der Gleichung von Folie 137 x r i + j I NBV a r ij x r j + j I NBV α r ijx r j = b r i +β r i Fassen wir die ganzzahligen Teile auf der linken und die Brüche auf der rechten Seite zusammen, ergibt sich x r i + j I NBV a r ij x r j b r i = j I NBV α r ijx r j +β r i Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 140
21 3. Schnittebenenverfahren Konstruktion von Schnittebenen Wegen x r j 0 und αr ij 0 folgt j I NBV α r ij xr j j I NBV α r ijx r j +β r i β r i < 1 0 und damit Andererseits muss die linke Seite dieser Ungleichung ganzzahlig sein, daher kann die Ungleichung zu 0 verschärft werden und es folgt die Schnittrestriktion: j I NBV α r ijx r j β r i Als Gleichung mit zusätzlicher Schlupfvariable r i 0 ergibt sich für die Schnittrestriktion: j I NBV α r ijx r j +r i = β r i Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 141
22 3. Schnittebenenverfahren Konstruktion von Schnittebenen Beispiel: Herleitung von Schnittebenen Beispiel 3.4. Wir wollen das folgende ILP lösen: maxx 1 +2x 2 unter den Neben- und Vorzeichenbedingungen: 6x 1 + 5x x 1 + 9x 2 36 x 1,x 2 0 x 1,x 2 Z Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 142
23 3. Schnittebenenverfahren Konstruktion von Schnittebenen Lösen der LP-Relaxation: x 1 x 2 x 3 x 4 b x x z x 1 x 2 x 3 x 4 b x 3 34/ /9 10 x 2 4/ /9 4 z 1/ /9 8 x 1 x 2 x 3 x 4 b x /34 5/34 45/17 x /17 3/17 48/17 z 0 0 1/34 7/34 141/17 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 143
24 3. Schnittebenenverfahren Konstruktion von Schnittebenen Lösung ist nicht ganzzahlig. Mögliche Schnittrestriktionen: 1. x x x 4 = ( x ) ( x ) x 4 = Daraus ergibt sich die Schnittrestriktion ( ) x x bzw. als Gleichung mit zusätzlicher Schlupfvariable r x x 4+r 1 = Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 144
25 3. Schnittebenenverfahren Konstruktion von Schnittebenen 2. Für die x 2 -Zeile ergibt sich analog x x bzw x x 4 +r 2 = Auch aus der Zielfunktionszeile lässt sich eine Schnittrestriktion herleiten: 1 34 x x bzw x x 4 +r 3 = 5 17 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 145
26 3. Schnittebenenverfahren Konstruktion von Schnittebenen Eigenschaften Die bisher optimale Lösung ist wegen nicht mehr zulässig. r i = b r i b r i < 0 Alle anderen ganzzahligen zulässigen Punkte erfüllen dagegen die zusätzliche Ungleichung. Wir nehmen die zusätzliche Ungleichung zum Tableau hinzu. Dadurch entsteht auch eine neue Schlupfvariable. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 146
27 3. Schnittebenenverfahren Konstruktion von Schnittebenen Wegen der negativen rechten Seite ist das entstehende Tableau nicht mehr primal, aber dual zulässig. Durch Anwendung des dualen Simplexalgorithmus erhalten wir eine optimale Lösung für die Relaxation mit zusätzlicher Ungleichung. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 147
28 3. Schnittebenenverfahren Auswahlkriterium für Schnittrestriktionen Auswahl einer Schnittrestriktion Prinzipiell könnten wir alle in Beispiel 3.4 hergeleiteten Schnittrestriktionen dem Tableau hinzufügen. Nachteil: Jeweils auch eine zusätzliche Schlupfvariable. Tableau wird größer, je mehr Schnittrestriktionen hinzugenommen werden. Deshalb: Auswahl genau einer Schnittrestriktion Welche? Auswahl kann entscheidend für die Effizienz sein. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 148
29 3. Schnittebenenverfahren Auswahlkriterium für Schnittrestriktionen Effizienz für verschiedene Schnittrestriktionen Beispiel 3.5. Wir setzen Beispiel 3.4 fort. Wir wählen die dritte Schnittrestriktion von Beispiel 3.4. Damit entsteht: x 1 x 2 x 3 x 4 r 3 b x /34 5/ /17 x /17 3/ /17 r /34 7/34 1 5/17 z 0 0 1/34 7/ /17 Dual zulässig, r 3 ist Pivotzeile, wähle x 3 als Pivotspalte. Es entsteht: Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 149
30 3. Schnittebenenverfahren Auswahlkriterium für Schnittrestriktionen x 1 x 2 x 3 x 4 r 3 b x x x z Damit haben wir eine optimale Lösung für das ILP. Wir nehmen die zweite Schnittrestriktion von Beispiel 3.4. Damit entsteht: x 1 x 2 x 3 x 4 r 2 b x /34 5/ /17 x /17 3/ /17 r /17 3/ /17 z 0 0 1/34 7/ /17 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 150
31 3. Schnittebenenverfahren Auswahlkriterium für Schnittrestriktionen Dual zulässig, r 2 ist Pivotzeile, x 3 Pivotspalte. Es entsteht: x 1 x 2 x 3 x 4 r 2 b x /5 3/10 12/5 x /5 2/15 44/15 x /5 17/15 14/15 z /5 1/30 124/15 Nicht ganzzahlig. Wir müssten jetzt weitere Schnittrestriktionen herleiten. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 151
32 3. Schnittebenenverfahren Auswahlkriterium für Schnittrestriktionen Auswahlkriterium Wähle die Schnittrestriktion, deren Schnittebene den größten Abstand vom nicht-ganzzahligen Optimum hat. Ebenendarstellung: Für d R n,d 0 und e R beschreibt die Menge eine Ebene E des R n. E = { x R n d T x+e = 0 } Der Vektor d ist ein Normalenvektor für die Ebene E, die Gleichung ist eine Normalengleichung für E. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 152
33 3. Schnittebenenverfahren Auswahlkriterium für Schnittrestriktionen Normierte Ebenendarstellung: Indem wir die Normalengleichung durch d teilen, erhalten wir die Hessesche Normalform für eine Ebene: E = { x R n 1 d dt x+ e } d = 0 Der Vektor 1 d d heißt Normaleneinheitsvektor. Abstand Punkt zu Ebene: Der Abstand eines Punktes p R n zu einer Ebene E ergibt sich, indem man p in die Gleichung der Hesseschen Normalenform für E einsetzt: distance(p,e) = 1 d d T p+e Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 153
34 3. Schnittebenenverfahren Auswahlkriterium für Schnittrestriktionen Beispiel: Auswahlkriterium Beispiel 3.6. Wir führen die Berechnung für die drei Schnittebenen von Beispiel 3.4 durch. Wir haben 45 p = Ebenengleichung: 9 34 x x = 0 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 154
35 3. Schnittebenenverfahren Auswahlkriterium für Schnittrestriktionen und damit distance(p, E) = = Ebenengleichung: und damit x x = 0 distance(p, E) = = Ebenengleichung: 1 34 x x = 0 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 155
36 3. Schnittebenenverfahren Auswahlkriterium für Schnittrestriktionen und damit distance(p, E) = = 2 = Also wählen wir die 3. Schnittrestriktion wie in Beispiel 3.5. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 156
37 3. Schnittebenenverfahren Zusammenfassung Zusammenfassung Mit Schnittebenenverfahren können wir prinzipiell ILPs und MIPs lösen. Problem: Terminierung ist bis heute nicht bewiesen. Problem: Tableau und Rechenaufwand wird mit jeder zusätzlichen Schnittebene größer. Ausblick: Schnittebenen für spezielle Problemklassen Kombination solcher Schnittebenen mit Verfahren des nächsten Kapitels Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 157
Minimumproblem. 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.
Eigenschaften 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
Simplex-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)
Zugeordneter 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
1. 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
Die 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)
Schnittebenenverfahren 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
Der 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
Lösung 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
1. 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
10. 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
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
Optimierung. 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
Die 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
Dr. Anita Kripfganz SS 2014
Dr. Anita Kripfganz SS 2014 4. Lösungsverfahren 4.1. Schnittebenenmethode Im Jahre 1958 hat R. Gomory ein allgemeines Schnittebenenverfahren zur Lösung ganzzahliger linearer Optimierungsprobleme vorgeschlagen.
CARL 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
Simplex-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
Übung 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
Abbildung 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
Kapitel 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
Mathematische Grundlagen für Wirtschaftswissenschaftler Lösungshinweise zu den Übungsaufgaben aus Kapitel 3 - Lineare Optimierung
Mathematische Grundlagen für Wirtschaftswissenschaftler Lösungshinweise zu den Übungsaufgaben aus Kapitel - Lineare Optimierung Sascha Kurz Jörg Rambau 8. August Lösung Aufgabe.. Da es sich um ein homogenes
Lineare 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
8. 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
Lineare 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
Operations 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
VORLESUNG 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
4.3.3 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
Optimierung. 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
Vorlesung 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..............................
Kombinatorische Optimierung
Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales
Branch-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
Aufgabe 5.3 Duale Simplexverfahren
Aufgabe 5.3 Knut Krause Thomas Siwczyk Stefan Tittel Technische Universität Dortmund Fakultät für Informatik Algorithmen und Datenstrukturen 15. Januar 2009 Gliederung 1 Aufgabenstellung und Motivation
Studientag 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
Dualitätssätze 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 =
3. Übungsblatt Aufgaben mit Lösungen
. Übungsblatt Aufgaben mit Lösungen Aufgabe : Gegeben sind zwei Teilmengen von R : E := {x R : x x = }, und F ist eine Ebene durch die Punkte A = ( ), B = ( ) und C = ( ). (a) Stellen Sie diese Mengen
Schranken 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
Operations 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
Probeklausur 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)
Lineare Optimierungsmodelle
Lineare Optimierungsmodelle Simplex-Methode Vortragender: Michael Schneider Agenda Motivation Operations Research Aufbau linearer Optimierungsmodelle Simplex-Methode Ausblick 2 Problemstellung Futtermischung
MODULPRÜFUNG Numerische Methoden (Elektrotechnik, Meteorologie, Geodäsie und Geoinformatik)
Karlsruher Institut für Technologie KIT) Institut für Analysis Dr. S. Wugalter Herbst 7.9.7 MODULPRÜFUNG Numerische Methoden Elektrotechnik, Meteorologie, Geodäsie und Geoinformatik) Aufgabe 4 Punkte)
Schnittebenenverfahren 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
Kapitel 17 Skalar- und Vektorprodukt
Kapitel 17 Skalar- und Vektorprodukt Mathematischer Vorkurs TU Dortmund Seite 1 / 22 Bisher hatten wir die Möglichkeit Vektoren des R n zu addieren und Vektoren mit rellen Zahlen zu multiplizieren. Man
Ebenengleichungen und Umformungen
Ebenengleichungen und Umformungen. Januar 7 Ebenendarstellungen. Parameterdarstellung Die Parameterdarstellung einer Ebene ist gegeben durch einen Stützvektor r, der einen Punkt auf der Ebene angibt und
Optimale 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
Angewandte 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
(x 1. Vektoren. g: x = p + r u. p r (u1. x 2. u 2. p 2
Vektoren Mit der Vektorrechnung werden oft geometrische Probleme gelöst. Wenn irgendwelche Aufgabenstellungen geometrisch darstellbar sind, z.b. Flugbahnen oder Abstandsberechnungen, dann können sie mit
Kap. 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
Wie man die Matrix der Zeit versteht (Matrix)
Lineare und Nichtlineare Optimierung 1Semester Begleitendes Skriptum zur Vorlesung im FH-Masterstudiengang Technisches Management von Johann Wiesenbauer FH Campus Wien 2014 1 Lineare Optimierung 11 Grundbegrie
Ecken 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.
Computer 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
VORLESUNG 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
Leibniz 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
z = 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,,
Berufliches Gymnasium (WG, EG, AG, SG) Hauptprüfung 2008 Teil 2, Lineare Optimierung, Aufgabe 2 Baden-Württemberg
Berufliches Gymnasium (WG, EG, AG, SG) Hauptprüfung 8 Teil, Lineare Optimierung, Aufgabe Baden-Württemberg.. Ein Fertigungsbetrieb für Frottierartikel stellt unter anderem Handtücher und Badetücher her.
Hauptsatz 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
Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra
A. Filler[-3mm] Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra, Teil 8 Folie 1 /27 Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra 8. Das Skalarprodukt, metrische
Lineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
Cramersche 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
Aufgaben zu Kapitel 23
Aufgaben zu Kapitel 23 Aufgaben zu Kapitel 23 Verständnisfragen Aufgabe 23 Bestimmen Sie grafisch die optimale Lösung x der Zielfunktion z = c T x unter den Nebenbedingungen mit dem Zielfunktionsvektor
Kapitel 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
Lineare 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
Prof. 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
Teil 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,
Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr)
WS 2011/12 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ws/ds/uebung/ 18. Januar 2012 ZÜ DS ZÜ XII
Ganzzahlige lineare Programme
KAPITEL 5 Ganzzahlige lineare Programme Wir betrachten nun Optimierungsprobleme vom Typ (42) min c T x s.d. Ax = b, x 0, x ganzzahlig, wobei die Matrix A R m n und die Vektoren c R n, b R m gegeben seien.
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
Zusammenfassung der Analytischen Geometrie
Zusammenfassung der Analytischen Geometrie 1. Rechnen mit Vektoren (Addition, Subtraktion, S-Multiplikation, Linearkombinationen) 1. Gegeben sind die Punkte A(2-6 ) und B(-1 14-4), 4 4 sowie die Vektoren
6 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
Technische 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
1 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
Lineare 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
Klausur 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
Klausur 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
Operations 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
(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
Aufgabe 1: Betrachtet werde das Matrixspiel mit der Auszahlungsmatrix a. 1. Für welche Werte von a gibt es ein Nash sches Gleichgewicht?
Lösungen zu den Übungsaufgaben im Kapitel 7 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe : Betrachtet werde das Matrixspiel mit
Mitschrift 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.......................
Das 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
Wirtschaftsmathematik 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
VORLESUNG 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
mit. Wir definieren (Skalarprodukt = Winkel).
1 Grundidee des Simplexverfahrens (von George Dantzig): Man bestimmt eine beliebige Ecke (Extremalpunkt) einer Lösungsmenge eines Ungleichungssystems. Nun geht man an den Kanten vom Punkt entlang und kontrolliert
Optimierung. 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:
Wirtschaftsmathematik
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
Kurzskript zur Vorlesung Mathematik I für MB, WI/MB und andere Prof. Dr. Ulrich Reif
14 Oktober 2008 1 Kurzskript zur Vorlesung Mathematik I für MB, WI/MB und andere Prof Dr Ulrich Reif Inhalt: 1 Vektorrechnung 2 Lineare Gleichungssysteme 3 Matrizenrechnung 4 Lineare Abbildungen 5 Eigenwerte
10. Übung zur Linearen Algebra I -
. Übung zur Linearen Algebra I - en Kommentare an [email protected] FU Berlin. WS 29-. Aufgabe 37 i Für welche α R besitzt das lineare Gleichungssystem 4 αx + αx 2 = 4x + α + 2x 2 = α genau eine,
3.2.5 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
6. 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
HM II Tutorium 1. Lucas Kunz. 24. April 2018
HM II Tutorium 1 Lucas Kunz 24. April 2018 Inhaltsverzeichnis 1 Theorie 2 1.1 Körper...................................... 2 1.2 Gruppen..................................... 2 1.3 Vektorraum...................................
3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
Betriebswirtschaftliche Optimierung
Institut für Statistik und OR Uni Graz 1 Das Travelling Salesperson Problem 2 Das Travelling Salesperson Problem Zentrales Problem der Routenplanung Unzählige wissenschaftliche Artikel theoretischer sowie
Pflichtteilaufgaben zu Gegenseitige Lage, Abstand, Baden-Württemberg
Pflichtteilaufgaben zu Gegenseitige Lage, Abstand, Baden-Württemberg Hilfsmittel: keine allgemeinbildende Gymnasien Alexander Schwarz wwwmathe-aufgabencom September 6 Abituraufgaben (Haupttermin) Aufgabe
Das Wichtigste auf einen Blick
Das Wichtigste auf einen Blick Zusammenfassung Geometrie.Parameterform einer Geraden Eine Gerade ist wie auch in der Analysis durch zwei Punkte A, B im Raum eindeutig bestimmt einer der beiden Punkte,