Ganzzahlige OR-Methoden: Operations Research II a. Übungsblatt 1
|
|
- Hajo Dunkle
- vor 7 Jahren
- Abrufe
Transkript
1 Operations Research und Wirtschaftsinformatik Prof. Dr. P. Recht // Dr. Eva-Maria Sprengel Ganzzahlige OR-Methoden: Operations Research II a Übungsblatt 1 Aufgabe 1 a) Erläutern Sie bitte die allgemeine Aufgabenstellung eines ganzzahligen Optimierungsproblems. b) In der Veranstaltung Einführung in das Operations Research haben Sie verschiedene Typen von Optimierungsproblemen kennengelernt. Geben Sie bitte einige Beispiele an, in denen die Ganzzahligkeit von Entscheidungsvariablen eine Rolle spielte. c) Welche Gründe führen dazu, dass die Lösungsstrategie : Lösen des Problems ohne Beachtung der Ganzzahligkeit und Runden der gefundenen Lösung, nicht angewendet werden kann? - Illustrieren Sie die Antwort anhand eines Beispiels. d) Geben Sie bitte jeweils ein Beispiel für ein (i) reellwertiges, (ii) ganzzahliges, (iii) kombinatorisches bzw. (iv) binäres Entscheidungsproblem an. (4 Punkte) Lösungsvorschlag: a) Ein Optimierungsproblem der Form min f(x 1,...,x n ) = f(x) u.d.n. x S R n heißt ganzzahliges Optimierungsproblem, falls für alle zulässigen Lösungen x 1,...,x n Z gilt. Wenn also die Variablen eines Optimierungsproblems einer Ganzzahligkeitsbedingung unterliegen, spricht man von einem ganzzahligen Optimierungsproblem. b) Beispiele aus OR I mit Ganzzahligkeit von Entscheidungsvariablen: Zuordnungsproblem, Transportproblem, TSP, Rucksackproblem c) (i) Die gerundete Lösung ist evtl. nicht zulässig. Beispiel: x = (2.4,2.2,5.4) unter der Nebenbedingung x 1 + x 2 + x 3 = 10. Keine herkömmliche Rundungsregel führt zu einer zulässigen ganzzahligen Lösung.
2 Zudem ist es ebenfalls möglich, dass die gerundete Lösung zwar zulässig, aber nicht optimal ist. Beispiel: max x 1 + 5x 2 udn 2x x 2 40 x 1 2 x 1,x 2 N 0 Die Optimallösung des relaxierten Problems ist x rel = (2, 9 5 ) mit ZFW 11. Wird diese Lösung gerundet, erhält man entweder x 1 ger = (2,2), welche eine unzulässige Lösung ist, oder x 2 ger = (2,1) mit einem ZFW von 7. Die optimale Lösung ist allerdings x opt = (0,2) mit einem ZFW von 10. (ii) Die nächste ganzzahlige Lösung ist nicht optimal. (Siehe Beispiel 1.1 der Vorlesung.) d) Beispiele für (i) reellwertige Optimierungsprobleme: Die meisten in OR I betrachteten Modelle setzen voraus, dass das betrachtete Optimierungsgut beliebig teilbar ist. Teilbarkeit liegt in den wenigsten Fällen tatsächlich vor. Beispiele für teilbare Güter sind: Sand, Mehl, Öl bzw. andere Flüssigkeiten. Entsprechende Entscheidungsfragen: Wie viele Tonnen Sand und Zement sollen bestellt werden? Wie viele Liter von Flüssigkeit A, B bzw. C sollen in die Mischung eingehen? Wie viele Kubikmeter Erde werden benötigt? (ii) ganzzahlige Optimierungsprobleme: Die entsprechenden Güter sind nicht teilbar - Angaben wie halbe Autos, 0.6 Bücher oder 1/4 Flasche ergeben keinen Sinn und sind nicht umsetzbar. Dementsprechend fallen alle Probleme, bei denen es um Geräte (Autos, Mixer, Bohrmaschinen, etc.) oder andere Gegenstände (Flaschen, Zeitungen, Bücher, oder auch Container, Paletten, usw.) geht, (eigentlich) in diese Klasse. Beispiel für eine mögliche Entscheidungsfrage: Wieviel Stück sollen produziert werden? (iii) kombinatorische Optimierungsprobleme: Von kombinatorischen Problemen wird gesprochen, wenn die Menge der zulässigen Punkte, also die Anzahl der möglichen Lösungen, endlich ist. Das Rucksackproblem beispielsweise ist ein kombinatorisches Optimierungsproblem. Entscheidungsfrage: Soll Gegenstand i eingepackt werden? (iv) binäre Optimierungsprobleme: Probleme, bei denen Ja/Nein Entscheidungen getroffen werden müssen, lassen sich durch binäre Variable modellieren. Klassisches Beispiel: TSP, Zuordnungsproblem. Entscheidungsfrage kann zum Beispiel sein: Soll von i nach j gefahren werden oder nicht? - Soll Produktionsart Y gewählt werden oder nicht?
3 Es sollte beachtet werden, dass oben beschriebene Problemklassen häufig nicht in reiner Form auftreten, sondern vermischt sein können. So treten in gemischt ganzzahligen Optimierungsproblemen sowohl x i Z als auch x j R auf. Auch die Einordnung von nur ganzzahlig oder binär oder kombinatorisch weicht einem oder und. Aufgabe 2 Ein chemischer Betrieb produziert zwei Erzeugnisse P 1 und P 2. Für die Herstellung einer Einheit von P 1 werden 0,5 Einheiten des Rohstoffes R 1 und 0,1 Einheiten des Rohstoffes R 2 benötigt. Um eine Einheit von P 2 zu produzieren wird nur R 2 (0,9 Einheiten) gebraucht, es entstehen allerdings 0,3 Einheiten R 1 als Nebenprodukt dieses Prozesses. Durch technische Einschränkungen ist es nur möglich, jeweils Mengen in Höhe von 0,10,20,30,... Einheiten zu produzieren. Die Rohstoffe sind mit 3 Einheiten R 1 und 63 Einheiten R 2 vorhanden. Durch die Produktion von P 1 entsteht ein Gewinn in Höhe von 2 Geldeinheiten pro Einheit, für P 2 beträgt der Gewinn 1 Geldeinheiten pro Einheit. a) Erstellen Sie unter obigen Bedingungen ein Modell zur Gewinnmaximierung. b) Lösen Sie das Problem graphisch. (5 Punkte) Lösungsvorschlag: a) Modell zur Gewinnmaximierung: Entscheidungsfrage: Wie viele Einheiten von P 1 und P 2 sollen hergestellt werden? Entscheidungsvariable: x i := produzierte Menge von P i in 10 Einheiten Dadurch, dass die Angabe der Entscheidungsvariablen in jeweils Vielfachen von 10 erfolgt, muss auch eine Transformation der Koeffizienten des Problems erfolgen! Zielfunktion: Entscheidungsschranken: 20x x 2 max! 5x 1 3x 2 3 x 1 + 9x 2 63 Nichtnegativität: Ganzzahligkeit: x 1,x 2 0 x 1,x 2 Z
4 b) Graphische Lösung: x 2 5x 1 3x 2 3 x 1 + 9x 2 63 x 1 20x x 2 Der schraffierte Bereich stellt den zulässigen Bereich ohne Berücksichtigung der Ganzzahligkeitsbedingung dar. Das darübergelegte Gitter gibt die ganzzahligen zulässigen Punkte an. Die verschobene Zielfunktion (fett gepunktet) nimmt den maximalen Wert im Punkt x = (4, 6) an. Das entspricht einer Produktion von 40 Einheiten P 1 und 60 Einheiten P 2 mit einem Gewinn von 140 Geldeinheiten. Der optimale Punkt des relaxierten Problems ist x r = (4.5,6.5). In diesem Fall hätte also Runden auf das richtige Ergebnis geführt. Im Allgemeinen ist das nicht so! (Siehe Beispiel aus der Vorlesung!) Aufgabe 3 Bei der Planung ihres Skiurlaubes stellt Dörte fest, dass sie nicht alle Sachen mitnehmen kann, da das Fassungsvermögen ihres Autos kleiner ist als vorher angenommen. Um zu entscheiden, welche Dinge mitgenommen werden sollen, erstellt sie sich eine Liste über das Gewicht der jeweiligen Gegenstände, den Nutzen, den sie sich von ihnen verspricht und die Anzahl mit der die Gegenstände vorhanden sind. Die Ladekapazität ihres Autos setzt sie mit 25 Gewichtseinheiten an.
5 Gegenstand Gewicht Nutzen Anzahl a) Erstellen Sie ein Optimierungsmodell, um herauszufinden, welche Gegenstände Dörte einpacken soll. b) Lassen Sie in dem Modell aus a) nun die Ganzzahligkeitsbedingung und die Mengenbeschränkung fallen und lösen das derart relaxierte Problem. c) Welche zusätzlichen Bedingungen müssen eingeführt werden, wenn Gegenstand 3 einen Ski darstellt, Gegenstand 5 einen passenden Skischuh und Gegenstand 4 ein Snowboard und Dörte entweder Ski oder Snowboard fahren möchte? d) Formen Sie das unter a) erstellte Modell in ein binäres Problem um. (6,5 Punkte) Lösungsvorschlag: Das vorgestellte Problem repräsentiert ein typisches Rucksackproblem: Eine begrenzte Kapazität soll Gewinn- bzw. Nutzenmaximal (optimal) gefüllt werden. Hier wird der Rucksack durch das Auto dargestellt, welches ein beschränktes Fassungsvermögen hat. Steht jeder Gegenstand nur einmal zur Verfügung, spricht man von einem binären Rucksackproblem. Sind die Gegenstände beliebig oft vorhanden, liegt ein unbeschränktes Rucksackproblem vor, und in dem konkreten Beispiel ist die Anzahl, in der die Gegenstände vorliegen jeweils beschränkt, daher wird es als beschränktes Rucksackproblem bezeichnet. a) Entscheidungsfrage: In welcher Anzahl soll Gegenstand i mitgenommen werden? Entscheidungsvariable: x i := einzupackende Anzahl von Gegenstand i,i = 1,...,5. Das Gewicht eines Gegenstandes i wird im folgenden mit g i und der Nutzen mit c i bezeichnet. Zielfunktion: Maximierung des Nutzens: 5 c i x i max! i=1 Entscheidungsschranken und Nebenbedingungen:
6 (i) Begrenzte Kapazität des Autos: 5 g i x i 25 i=1 (ii) Vorhandene Anzahl der Gegenstände: x 1 5 x 2 3. x 5 2 (iii) Nichtnegativität: (iv) Ganzzahligkeit: x i 0, i = 1,...,5 x i Z, i = 1,...,5 b) Wenn man das Problem als unbeschränktes Rucksackproblem ohne Ganzzahligkeitsbedingung aufstellt ergibt sich folgendes Modell: x i := einzupackende Anzahl von Gegenstand i,i = 1,...,5 5 c i x i max! i=1 5 g i x i 25 i=1 x i 0, i = 1,...,5 Das entsprechende duale Modell lautet: 25y min! unter den Nebenbedingungen: g 1 y c 1 g 2 y c 2. g 5 y c 5 y 0
7 Durch Einsetzen erhält man: 2y 3 y 1.5 5y 8 y 1.6 3y 4 y y 7 y y 3 y 1 Für y wird nun derjenige Wert gewählt, der alle Bedingungen erfüllt und die Zielfunktion minimiert: y = 1.6. Das ergibt einen Zielfunktionswert von 40. Mit Hilfe des Preistheorems aus OR I erkennt man, dass in der optimalen Lösung des primalen Problems nur die Variable x 2 einen positiven Wert annehmen kann. (Im dualen Optimum bindet nur die zweite Nebenbedingung. In den anderen Nebenbedingungen besteht positiver Schlupf.) Daraus folgt: x 2 = 5. (Mit 5 5 Gewichtseinheiten ist das Auto voll beladen und der maximale Nutzen von 40 Einheiten erreicht.) c) Derartige Forderungen sind für reale Probleme nicht untypisch. Häufig können Produkte nur in bestimmten Losgrößen hergestellt oder verkauft werden. Schuhe oder Ski sind Beispiele für Gegenstände, die im allgemeinen paarweise verkauft werden. Eine erste Möglichkeit der Modellierung besteht in einer anderen Definition der Entscheidungsvariablen: { 1, wenn das Paar Ski mitgenommen wird x 3 := 0, sonst. { 1, wenn das Paar Skischuhe mitgenommen wird x 5 := 0, sonst. Diese Definitionen erfordern dann, dass Gewicht und Nutzen entsprechend angepasst werden: g 3 := 6, c 3 := 8, g 5 := 6, c 5 := 6 Damit wird die Möglichkeit, nur einen Ski oder Schuh mitzunehmen, von vornherein ausgeschlossen. Um zu modellieren, dass entweder Ski oder Snowboard mit sollen, muss man in einer Nebenbedingung sicherstellen, dass die beiden Alternativen sich gegenseitig ausschließen: x 3 = 1 x 4. Ist x 4 = 0, so wird x 3 = 1 gesetzt; ist x 4 = 1, wird x 3 der Wert 0 zugewiesen. Jetzt muss noch sichergestellt werden, dass nicht nur Ski oder nur Schuhe mitgenommen werden können, denn zum Skifahren ist beides notwendig. Eine Möglichkeit wäre es, x 5 von x 3 abhängig zu machen: x 3 x 5 = 0
8 Zusammen mit der obigen Bedingung erhält man die gewünschte Koppelung. x 5 kann nur den Wert 1 annehmen, wenn x 3 = 1 ist und dann muss x 5 = 1 sein. Man kann natürlich auch eine entsprechende Formulierung wie oben benutzen, und auch x 5 an x 4 koppeln: x 5 = 1 x 4 Alternative: Es muss gelten: oder x 3 + x 5 = 4 Dörte nimmt beide Skier und beide Skischuhe mit x 4 = 1 Dörte nimmt das Snowboard mit. Für die Modellierug des oder wird eine zusätzliche binäre Variable y {0, 1} eingeführt, die als Schalter dient: { 1, Dörte möchte Ski fahren y := 0, Dörte möchte Snowboard fahren. Es müssen daher folgende Nebenbedingungen hinzugefügt werden: x 3 + x 5 = 4 y x 4 = 1 (1 y) y {0,1}. Für y = 1 gilt nämlich: Dörte möchte Ski fahren: x 3 + x 5 = 4 x 3 = x 5 = 2 x 4 = 1 0 = 0 Dörte packt daher jeweils zwei Skischuhe und zwei Skier ein, nicht jedoch das Snowboard. Für y = 0 gilt: Dörte möchte Snowboard fahren: x 3 + x 5 = 4 0 x 3 = x 5 = 0 x 4 = 1 1 = 1 Dörte packt daher kein Skischuh und kein Ski ein, dafür jedoch da Snowboard. d) In dem Modell unter a) wurden die Entscheidungsvariablen durch die Anzahlen der Gegenstände definiert. In einem binären Modell können die Variablen nur die Werte 0 und 1 annehmen. Um ein beschränktes Rucksackproblem in ein binäres umzuwandeln benutzt man folgenden Trick:
9 Für jeden Gegenstandstyp wird eine Reihe von Variablen eingeführt. Dabei steht jede dieser neuen Variablen für eine bestimmte Anzahl des Gegenstandes. Dementsprechend werden auch Gewicht und Wert für die neuen Variablen angepasst, so dass Gesamtgewicht und Gesamtwert erhalten bleiben. In unserem Fall: Aus der Variable x 1 werden die Variablen: { x 1 1, wenn Gegenstand 1 einmal eingepackt wird 1 ˆ= 0, wenn Gegenstand 1 nicht einmal eingepackt wird und entsprechend x 2 1,x3 1 ˆ= je zweimal Gegenstand 1 einpacken. Nehmen alle drei Variablen den Wert 1 an, so wird die maximal vorhandene Anzahl des Gegenstandes 1 eingepackt. Durch verschiedene 0-1 Kombinationen ist es möglich, jede Anzahl zwischen 0 und 5 anzugeben. Aus x 2 werden die Variablen: x 1 2 ˆ= einmal Gegenstand 2,x2 2 ˆ= zweimal Gegenstand 2. Aus x 3 werden die Variablen: x 1 3,x2 3 (beide Variable stehen jeweils für einen Gegenstand vom Typ 3!) x 4 ist im Prinzip schon eine binäre Variable, weil Gegenstand 4 nur einmal vorhanden ist. Aus x 5 wird: x 1 5,x2 5 (beide Variable stehen jeweils für einen Gegenstand vom Typ 5!) Das Modell lautet nun: 3x x x x x x x x 4 + 3x x 2 5 max! unter der Nebenbedingung: 2x x x x x x x x 4 + 3x x x j i {0,1},i = 1,...,5 und j = 1,2,3 Allgemein: Für jeden Gegenstandstyp, von dem b j Stück vorhanden sind, müssen log 2 b j zusätzliche Variable eingeführt werden. Damit führt die binäre Darstellung des beschränkten Rucksackproblems zu einer Vergrößerung des Modells um n j=1 log 2 b j Variable. Aufgabe 4 Die kleine Marie darf sich für ihren Geburtstag im Spielzeugladen einen Geburtstagskorb zusammenstellen. Auf Grund von Maries Interessen stehen folgende Spielzeuge zur Auswahl (angegeben mit einem Wunschfaktor zwischen 1 (wünsch ich mir ein wenig) und 10 (möchte ich unbedingt haben)) 1. Polizeiauto (3)
10 2. rosa Einhorn (9) 3. singende Barbie (10) 4. Teddy (5) 5. Roller (7) 6. Fahrrad (8) 7. Fahrradhelm mit rosa Sternen (2) 8. Kuschelpferd (6) 9. Playmobilschloss (8) 10. Filly-Turm (7) 11. Badepuppe (6) 12. Puppenzubehör (5) 13. Playmobilkutsche (4) Marie möchte den Korb natürlich mit dem größtmöglichen summierten Wunschfaktor zusammen stellen. Dabei muss sie allerdings einige Restriktionen beachten. Marie möchte unbedingt entweder das Einhorn oder das Kuschelpferd haben, allerdings nicht beides gleichzeitig. Ebenso möchte sie unbedingt die Barbie oder die Puppe haben. Sollte sie die Puppe bekommen, möchte sie dann auch das Zubehör haben. Das Fahrrad soll unbedingt dabei sein. Demzufolge muss auch der Helm im Korb sein, da der alte zu klein geworden ist. Des weiteren möchte sie nur entweder den Fillyturm oder das Schloss haben. Das PLaymobilschloss möchte sie nur genau dann haben, wenn sie auch die Playmobilkutsche bekommt. Zu guter Letzt überlegt sich Marie, dass sie das Auto eigentlich doch gar nicht haben möchte. Bitte helfen Sie Marie und bilden ihr Problem durch ein binäres Entscheidungsproblem ab. Beachten Sie dabei, dass Sie alle Entscheidungen von Marie in dem Modell erfassen. (5 Punkte) Lösungsvorschlag: Modellierung bestimmter logischer Beziehungen: Bezeichnung logische Beziehung Modellierung Oder x 1 = 1 oder x 2 = 1 x 1 + x 2 1 Exclusiv-Oder entweder x 1 = 1 oder x 2 = 1 x 1 + x 2 = 1 Und x 1 = 1 und x 2 = 1 x 1 + x 2 = 2 Nicht nicht x 1 = 1 x 1 = 0;1 x 1 = 1 Implikation x 1 = 1 x 2 = 1 x 1 x 2 0 Äquivalenz x 1 = 1 x 2 = 1 x 1 x 2 = 0
11 Entscheidungsfrage: Soll Marie Geganstand Nr. i in den Korb legen? Entscheidungsvariablen: { 1, Gegenstand Nr. i wird eingepackt x i := 0, sonst Zielfunktion: Maximierung des Gesamtwunschfaktors: 5 c i x i max! i=1 mit dem Wunschfaktor c i von Gegenstand i Entscheidungsschranken und Nebenbedingungen: a) Einhorn oder Pferd, aber nicht beides x 2 + x 8 = 1 b) Barbie oder Puppe c) Falls Puppe, dann Zubehör d) Fahrrad unbedingt dann auch den Helm x 3 + x 11 1 x 11 x 12 0 x 6 = 1 x 7 = 1 oder x 6 x 7 = 0 oder x 6 + x 7 = 2 e) Turm oder Schloss x 10 + x 9 1 f) Schloss genau dann, wenn Kutsche x 9 x 13 = 0 g) Auto nicht h) Binarität x 1 = 0 x i {0,1}, i = 1,...,13
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
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
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
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
MehrKlausur zur Vorlesung Operations Research im Sommersemester 2009
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Operations Research im Sommersemester 2009 Hinweise:
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
MehrWirtschaftsmathematik für International Management (BA)
Wirtschaftsmathematik für International Management (BA) Wintersemester 2012/13 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Lineare Algebra 4 Lineare Programme 5 Folgen und Reihen 6
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
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 2016 Prof. Dr. Stefan Etschberger HSA Mögliche Fälle für Z Etschberger - WS2016 1 Z =, d.h., es existiert keine zulässige (x 1, x 2 )-Kombination. 2
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
MehrGanzzahlige OR-Methoden: Operations Research II a. Übungsblatt 13
Operations Research und Wirtschaftsinformatik Prof. Dr. P. Recht // Dr. Eva-Maria Sprengel Ganzzahlige OR-Methoden: Operations Research II a Übungsblatt 13 Aufgabe 40 Für eine Menge K von Klassen einer
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
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
MehrOptimierung I. Dr. Ulf Lorenz F2.413
Optimierung I Dr. Ulf Lorenz F2.413 flulo@upb.de Organisation Dozent: Dr. Ulf Lorenz F2.413 Fürstenallee 11 email: flulo@upb.de WWW: http://www.upb.de/cs/flulo (hier auch aktuelle Infos + Ü-Zettel) Vorlesungen:
MehrMaximiere Gesamtgewinn aus verschiedenen Produkten unter Restriktionen an Produktmenge (Lagermenge, Transportmenge)
Beispiel: Produktionsplanung Maximiere Gesamtgewinn aus verschiedenen Produkten unter Restriktionen an Produktmenge (Lagermenge, Transportmenge) Produktionskapazität Ressourcenmenge bei als fest angenommenem
MehrModelle und Methoden der Linearen Optimierung (Die Thesen zur Vorlesung 1_Fallstudie)
(Die Thesen zur Vorlesung 1_Fallstudie) das Thema der Vorlesung Grundlagen der Methode der linearen Optimierung (Lineares Optimierungsmodell der Wahl der Produktionsstrategie des ) Prof. Dr. Michal Fendek
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
MehrSchnittebenenverfahren von Gomory. Stefan Allescher 30. Juni 2005
Schnittebenenverfahren von Gomory Stefan Allescher 30. Juni 2005 Inhaltsverzeichnis 1. Grundprinzip 2. Das Verfahren von Gomory 2.1. Vorgehen 2.2. Beweis der Endlichkeit 2.3. Algorithmische Durchführung
MehrKap. 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
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
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Branch-and-Bound Konvexe Mengen, konvexe Hülle, konvexe Funktionen Relaxation Inhaltsübersicht für heute: Branch-and-Bound Konvexe Mengen, konvexe Hülle, konvexe Funktionen
MehrVerfahren des Operations Research
Verfahren des Operations Research Blatt 3 (WS 2017/18) wird bearbeitet am 8.1.2018 26. Erweitern Sie das Xpress Modell für das Zuordnungsproblem aus der LV: Es gibt n Mitarbeiter und m Jobs, wobei n m
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 22 1 Das Travelling Salesperson Problem
MehrGanzzahlige Optimierung (IP)
Thema Ganzzahlige Optimierung (IP) Systematik * Problematik * Pragmatik IP und Branch and Bound 1 Agenda 1. Relevanz der Ganzzahligkeit? 2. Formulierung ganzzahliger Modelle 3. Zur Lösung ganzzahliger
MehrVeranstaltung und Übung: Optimierungssysteme Modelle, Software, Praxisanwendungen. Uwe Suhl Veronika Waue SS 2008
Veranstaltung 10033025 und 101053 Übung: Optimierungssysteme Modelle, Software, Praxisanwendungen Uwe Suhl Veronika Waue SS 2008 Organisatorisches Veronika Waue Sprechstunde Mi.11h-12h (R214) E-mail: veronika@waue.net
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg Beispiel: Graphische Darstellung Zulässigkeitsbereich Ungleichung (1) mit
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
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)
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
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)
MehrBetriebswirtschaftliche 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
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 =
MehrKurseinheit 2»Dualität und weiterführende Methoden«
Inhaltsübersicht 1 Gliederung Kurseinheit 1»Simpleverfahren«1. Einleitung 1.1. Einordnung und Übersicht des Stoffes 1.2. Einführendes Beispiel und Grundlagen 2. Lineare Gleichungssysteme 2.1. Die allgemeine
MehrSimplex-Verfahren. Kapitel 4. Simplex-Verfahren. Peter Becker (H-BRS) Operations Research I Sommersemester / 298
Kapitel 4 Simplex-Verfahren Peter Becker (H-BRS) Operations Research I Sommersemester 24 86 / 298 Inhalt Inhalt 4 Simplex-Verfahren Dualer Simplexalgorithmus Vermeidung von Zyklen Peter Becker (H-BRS)
MehrAUFGABEN. Klausur: Modul Optimierungsmethoden des Operations Research. Termin:
Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Prof. Dr. Andreas Kleine AUFGABEN Klausur: Modul 32621 Optimierungsmethoden des Operations Research Termin:
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg Sätze PLUS Es gilt für A, B R n n : det(ab) = det A det B (Determinantenmultiplikationssatz)
MehrLineare (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-6020 Innsbruck, Österreich franz.pauer@uibk.ac.at 1 Einleitung In der linearen
MehrDynamische Optimierung
Dynamische Optimierung Mike Hüftle 28. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1.................................... 2 2 Dynamisches Optimierungmodell 3 2.1 Grundmodell der dynamischen Optimierung............
MehrFachbereich Wirtschaftswissenschaften Professur f. Quantitativen Methoden Prof. Dr. Dietrich Ohse
Fachbereich Wirtschaftswissenschaften Professur f. Quantitativen Methoden Prof. Dr. Dietrich Ohse Diplomprüfung / Sommersemester 24 Quantitative Methoden der BWL Musterlösung der Prüfungsklausur vom. Juli
MehrEinführung in die Wirtschaftsinformatik VO WS 2008 / 2009
Einführung in die Wirtschaftsinformatik VO WS 2008 / 2009 Daten Modelle Steuerung Wilfried Grossmann Teil 3: Steuerung Mathematische Modelle werden häufig dazu verwendet um ein optimales Verhalten zu bestimmen
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
MehrLinOpt - Tool zur Visualisierung eines multikriteriellen Optimierungsproblems
LinOpt Tool zur Visualisierung eines multikriteriellen Optimierungsproblems Erstellt von Michael Berklmeir, Michael Haarnagell, Stefan Kraus, Stephan Roser im Rahmen einer Seminararbeit am Lehrstuhl für
MehrVerfahren des Operations Research
Verfahren des Operations Research Blatt 1 (WS 2018/19) wird bearbeitet am 31.10.2018 1. Ein Rohstoff kann zu drei Gütern G 1, G 2 und G 3 verarbeitet werden. Man benötigt für G 1 60 kg/stk, für G 2 80
MehrAUFGABENTEIL. Klausur: Modul Optimierungsmethoden des Operations Research. Termin:
Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. Andreas Kleine AUFGABENTEIL Klausur: Modul 32621 Termin: 19.09.2016 Prüfer: Prof. Dr. Andreas
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
MehrVerfahren des Operations Research
Verfahren des Operations Research Blatt 1 (WS 2017/18) wird bearbeitet am 23.10.2017 1. Ein Rohstoff kann zu drei Gütern G 1, G 2 und G 3 verarbeitet werden. Man benötigt für G 1 60 kg/stk, für G 2 80
MehrAbbildung 1: Graphische Lösung der ersten Übungsaufgabe
Lösungen zu den Übungsaufgaben im Kapitel 1 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier 1. Lösen Sie die folgende lineare Optimierungsaufgabe
MehrManagemententscheidungsunterstützungssysteme
tzungsssteme (Die Thesen zur Vorlesung 6) das Thema der Vorlesung Die Anwendung der Methoden der Mehrkriterienoptimierung bei der Lösung der ökonomischen Entscheidungsprobleme (Teil ) Prof. Dr. Michal
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
MehrModelle und Methoden der Linearen Optimierung (Die Thesen zur Vorlesung 1)
(Die Thesen zur Vorlesung 1) das Thema der Vorlesung Grundlagen der Methode der linearen Optimierung (Grundlegende Annahmen der linearen Programmierung) Prof. Dr. Michal Fendek Institut für Operations
MehrModelle und Methoden der Linearen Optimierung (Die Thesen zur Vorlesung 4)
Modelle und Methoden der Linearen Optimierung (Die Thesen zur Vorlesung 4) das Thema der Vorlesung Die Anwendung der Methoden der Mehrkriterienoptimierung bei der Lösung der ökonomischen Entscheidungsprobleme
MehrTeil II Optimierung. Modellgestützte Analyse und Optimierung Kap. 5 Einführung Optimierung. Peter Buchholz 2006
Teil II Optimierung Gliederung 5 Einführung, Klassifizierung und Grundlagen 6 Lineare Optimierung 7 Nichtlineare Optimierung 8 Dynamische Optimierung (dieses Jahr nur recht kurz) (9 Stochastische Optimierungsmethoden
MehrInhalt. 2 Transportoptimierung Das klassische Transportproblern Modell 73
Inhalt 1 Lineare Optimierung 13 1.1 Das Modell der linearen Optimierung 13 1.2 Graphische Lösung 20 1.3 Der primale Simplexalgorithmus 23 1.3.1 Grundlagen 24 1.3.2 Der Optimalitätstest 27 1.3.3 Verbesserungsschritt
Mehr4. Dynamische Optimierung
4. Dynamische Optimierung Allgemeine Form dynamischer Optimierungsprobleme 4. Dynamische Optimierung Die dynamische Optimierung (DO) betrachtet Entscheidungsprobleme als eine Folge voneinander abhängiger
MehrMathematische 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
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
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
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Achte Auflage fyj Springer Inhaltsverzeichnis Vorwort Symbolverzeichnis V XIII Kapitel 1: Einführung 1 1.1 Begriff des Operations Research
Mehr15. Algorithmus der Woche Das Rucksackproblem Die Qual der Wahl bei zu vielen Möglichkeiten
15. Algorithmus der Woche Das Rucksackproblem Die Qual der Wahl bei zu vielen Möglichkeiten Autoren Rene Beier, MPI Saarbrücken Berthold Vöcking, RWTH Aachen In zwei Monaten startet die nächste Rakete
MehrOptimieren unter Nebenbedingungen
Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht
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
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
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Dritte, verbesserte und erweiterte Auflage Mit 79 Abbildungen und 58 Tabellen Springer Votwort Symbolverzeichnis V XIII Kapitel 1: Einführung
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 Lineare Optimierung, Simplex-Verfahren
1 Lineare Optimierung, Simplex-Verfahren 1.1 Einführung Beispiel: In einer Fabrik werden n Produkte A 1, A 2,..., A n hergestellt. Dazu werden m Rohstoffe B 1, B 2,..., B m (inklusive Arbeitskräfte und
MehrAufgabenkomplex 5: Hauptachsentransformation, Lineare Optimierung, Differentialrechnung in mehreren Veränderlichen
Aufgabenkomplex 5: Hauptachsentransformation, Lineare Optimierung, Differentialrechnung in mehreren Veränderlichen 1. Bestimmen Sie für die folgenden Funktionen zunächst die kritischen Stellen und entscheiden
MehrAussage: richtig falsch
Aufgabe 1 (15 Minuten) Folgende Aussagen sind entweder richtig oder falsch! Kreuzen Sie jeweils direkt hinter der Aussage eines der Kästchen an! Stimmt Ihre Bewertung einer Aussage so gibt es einen Punkt.
MehrMathematische Grundlagen für Wirtschaftswissenschaftler Übungsaufgaben aus Kapitel 3 - Lineare Optimierung
Mathematische Grundlagen für Wirtschaftswissenschaftler Übungsaufgaben aus Kapitel 3 - Lineare Optimierung Sascha Kurz Jörg Rambau 24. November 2009 2 Aufgabe 3.1. Ein in m Depots gelagertes homogenes
MehrDas Rucksackproblem: schwache NP-Härte und Approximation
Das Rucksackproblem: schwache NP-Härte und Approximation Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 1. Februar 2010 Berthold Vöcking, Informatik 1 () Vorlesung
MehrOptimierung I, SS 2008
Aufgabe. ca. 4 Punkte Technische Universität München Zentrum Mathematik Prof. Dr. P. Gritzmann, Dipl.-Math. M. Ritter, Dipl.-Inf. Dipl.-Math. S. Borgwardt Optimierung I, SS 2008 Übungsblatt Um gegen die
MehrSubstitutionsverfahren
Substitutionsverfahren 1 Motivation Wir stehen vor folgendem Problem: In unserem Betrieb kann unsere einzige Maschine Produkt A in zwei Stunden und Produkt B in einer Stunde produzieren. Die Maschine läuft
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
MehrModellieren mit AMPL
Modellieren mit AMPL Elisabeth Gassner Mathematische Modelle in den Wirtschaftswissenschaften Prof. R. E. Burkard 27. April 2007 E. Gassner (Mathematische Modelle) AMPL 27. April 2007 1 / 21 Überblick
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
MehrÜbungsbeispiel 1: Quadratische Modellierung
Übungsbeispiel 1: Quadratische Modellierung Ein Uhrenhersteller möchte den Preis für sein neues Modell festlegen und führt dazu eine Marktanalyse durch. Das Ergebnis lautet: Bei einem Preis von 60 ist
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)
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
Mehr1. Hausaufgabenblatt (16.04./ )
Lehrstuhl Ingenieurmathematik Modul: (Wirtschaftsingenieurwesen/Betriebswirtschaftslehre/Informatik) Sommersemester 2014 1. Hausaufgabenblatt (16.04./23.04.2015) Aufgabe H 1.1 Lösen Sie die linearen Gleichungssysteme
MehrKonvexe Optimierung I Sommersemester Kapitel 0
Sommersemester 2013 Kapitel 0 Jun.-Prof. Dr. Thorsten Raasch Johannes Gutenberg-Universität Mainz Institut für Mathematik 15. April 2013 Konvexe Optimierung Was ist das? Was bedeutet Optimierung? Was bedeutet
MehrKlausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler
Wintersemester 2007/08 27.2.2008 Dr. Sascha Kurz Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler Bitte lesbar ausfüllen, Zutreffendes ankreuzen Herr Frau Name, Vorname: Anschrift:
MehrAUFGABENTEIL. Klausur: Modul Optimierungsmethoden des Operations Research. Termin:
Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. Andreas Kleine AUFGABENTEIL Klausur: Modul 32621 Termin: 14.09.2015 Prüfer: Prof. Dr. Andreas
MehrAlgorithmen I - Tutorium 28 Nr. 12
Algorithmen I - Tutorium 28 Nr. 12 20.07.2017: Spaß mit Dynamischer und Linearer Programmierung Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR. JÖRN
MehrDas Lagrange-duale Problem
Das Lagrange-duale Problem Tobias Kulke 29. April 2010 1 Einführung Für jedes Paar (λ, ν) mit λ 0 liefert die Langrange-duale Funktion ( ) p g(λ, ν) = inf L(x, λ, ν) = inf f 0 (x) + λ i f i (x) + ν i h
MehrGrundlagen der Mathematik
Universität Hamburg Winter 2016/17 Fachbereich Mathematik Janko Latschev Grundlagen der Mathematik Lösungsskizzen 2 Präsenzaufgaben (P2) Wir betrachten drei Teilmengen der natürlichen Zahlen: - A = {n
MehrLineare Programmierung (2)
Inhalt Rückblick Motivation - linearen Programmierung Flussprobleme Multiple Warenflüsse Fortsetzung Simplex Algorithmus Initialisierung Fundamentalsatz der linearen Programmierung schwache Dualität Dualität
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2009 11. Vorlesung Uwe Quasthoff Universität Leipzig Institut für Informatik quasthoff@informatik.uni-leipzig.de Das Rucksack-Problem Ein Dieb, der einen
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
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
MehrLösung allgemeiner linearer Programme
Lösung allgemeiner linearer Programme Bisher: Für Anwendung des Simplexalgorithmus muss eine primal oder eine dual zulässige Basislösung vorliegen. Für allgemeine lineare Programme können wir dies direkt
MehrEinführung. Kapitel 1. Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298
Kapitel 1 Einführung Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298 Inhalt Inhalt 1 Einführung Was ist Operations Research? Planungsprozess im OR Peter Becker (H-BRS) Operations
MehrAufgabe 3.1: LP-Problem mit allen Bedingungstypen
Johann Wolfgang Goethe-Universität Frankfurt am Main Lehrst.f.BWL, insb. Quant. Methoden Prof. Dr. Dietrich Ohse Interpretation, zulässige Lösung, Dualität 18. Mai 2004 Aufgabe 3.1: LP-Problem mit allen
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
MehrProbleme aus NP und die polynomielle Reduktion
Probleme aus NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 15. Dezember 2009 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrDISKRETE OPTIMIERUNG. Robert Weismantel
MATHEMATIK DISKRETE OPTIMIERUNG Robert Weismantel Unter einer Optimierungsaufgabe im mathematischen Sinne versteht man die Problemstellung, den maximalen oder minimalen Wert einer Funktion über einem zulässigen
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.
MehrDynamische Programmierung
Universität Bayreuth 29.06.08 1 2 3 4 5 Bezeichnungen und Formulierung Beispiel Lagerhaltungsproblem Beispiel Rucksackproblem Diskretes Dynamisches Optimierungsproblem Bezeichnungen und Formulierung Beispiel
MehrDie Klasse NP und die polynomielle Reduktion
Die Klasse NP und die polynomielle Reduktion Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen Dezember 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
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
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
Mehrz = c T x : Ax = b, x 0 }, - die Darstellung der Nichtbasisvektoren durch die Basis ist
Kapitel 5 Die Simplexmethode Es werden folgende Bezeichnungen verwendet: - das untersuchte Problem ist min x R n { z = c T x : Ax = b, x 0 }, - die erste zulässige Basislösung sei x = x 1, x 2,, x m, 0,,
Mehr