4.3.3 Simplexiteration
|
|
- Kai Kohler
- vor 7 Jahren
- Abrufe
Transkript
1 7. Januar Simplexiteration Eine Simplexiteration entspricht dem Übergang von einer Ecke des zulässigen Bereiches in eine benachbarte Ecke Dabei wird genau eine Nichtbasisvariable (die zugehörige Ungleichung is als Gleichung erfüllt) zu einer Basisvariablen (die zugehörige Ungleichung ist i.a. nicht als Gleichung erfüllt) und umgekehrt. Der Übergang von einer Ecke zu einer benachbarten Ecke erfolgt in 6 Schritten. 1. Wahl der Pivotspalte Pivot: Dreh- und Angelpunkt Wähle die Spalte mit (kleinstem) negativem Wert in der letzten Zeile. Der Spaltenindex sei s, d.h. a m+1,s = min{a m+1,j j =1,...,n}, a m+1,s < 0 Falls mehrere Spalten als Pivotspalten in Frage kommen, spricht man von dualer Entartung. Man wählt beliebig einen der Kandidaten aus. Hintergrund: Wenn ich mich von der Startecke in Richtung der entsprechenden wachsenden Nichtbasisvariable bewege, wächst die Zielfunktion am stärksten (verglichen mit den anderen n-1 Möglichkeiten). Die etsprechnede Nichtbasisvariable soll jetzt Basisvariable werden. Eine Basisvariable muß dafür zur Nichtbasisvariable werden s. Waschpulver, s =1 2. Wahl der Pivotzeile Wähle diejenige Zeile, die den kleinsten nichtnegativen Quotienten aus dem Wert der letzten Spalte und dem technischen Koeffizienten der Pivotspalte aufweist. Der entsprechende Zeilenindex sei z, d.h. a z,n+1 = min{ a i,n+1 a is i =1,...,m} a z,n+1 0 Hintergrund: Man versucht so weit wie möglich in der ausgewählten Richtung zu gehen, aber dabei nicht den zulässigen Bereich zu verlassen. Beispiel Waschpulver
2 54 7. Januar 2013 Mögliche Entartungen werden später behandelt. s. Waschpulver: z =3 3. Umrechnung des Pivotelements, s. AB 7, Folie a zs := 1 4. Umrechnung der restlichen Pivotspalte a is := a is, i =1,...,m+1 i z 5. Umrechnung der restlichen Pivotzeile a zj := a zj, j =1,...,n+1 j s 6. Umrechnung des restlichen Tableaus a ij := a ij a is a zj i =1,...,m+1 i z, j =1,...,n+1 j s. oder Umrechnung mit Hilfe der Kellerzeile (s. ATV) Bemerkung: Tritt in der letzten Spalte ein negativer Wert auf, so liegt ein Fehler bei der Wahl des Pivotelementes (zul. Bereich verlassen) oder in der Rechnung vor Lösung des LOP (a) Abbruchkriterium, Optimalitätskriterium Die Elemente a m+1,...,a m+1,n der letzten Zeile heißen Optimalitätsindikatoren Der Algorithmus endet, wenn alle Optimalitätsindikatoren positiv sind. Die eindeutige Optimallösung wurde gefunden.
3 7. Januar (b) Beispiel Waschpulver: (c) Basislösungen Eine Basislösung ist eine zulässige Lösung des kanonischen Gleichungssystems (s. 3.1.(a)) mit höchstens m Nicht-Null-Einträgen (alle NBV = 0). Jede Basislösung entspricht einer Ecke des zulässigen Bereiches. Eine Basislösung heißt nicht degeneriert wenn sie genau m Nicht-Null-Einträge enthält, sonst heißt sie degeneriert. (d) Schattenpreise: Den Schattenpreis einer NBV liest man in der letzten Zeile der zugehörigen Spalte ab. Der Schattenpreis einer Basisvariablen ist 0. (Interpretation später) (e) Angabe der Lösung (am Beispiel):
4 56 7. Januar Sensitivitätsanalyse Bemerkung: Der optimale Zielfunktionswert Z max und die optimale Lösung x eines LOP hängen wesentlich ab von den Koeffizienten c j der Zielfunktion und von den rechten Seiten b i der Restriktionen Aus dem optimalen Tableau der Simplex-Methode kann abgelesen werden, wie stark eine Veränderung jedes einzelnen Koeffizienten b i oder c j den optimalen Zielfunktionswert beeinflusst, und innerhalb welcher Intervalle für die Veränderung dieser Koeffizienten (einzeln!) diese Aussagen gelten. Bezeichnungen: x B :enthält die Werte der Basisvariablen (Spalte n +1) Δ N :enthält die Schattenpreise der Nichtbasisvariablen (Zeile m +1) Gültigkeitsbereich und Bedeutung des Schattenpreises Abhängigkeit des optimalen Zielfunktionswertes und der optimalen Lösung von der Änderung der rechten Seite b i der i-ten Restriktionen: b i := b i + t Aus dem Endtableau wird durch die Bestimmung der Grenzen für t der Gültigkeitsbereich,b (o) ] des Schattenpreises der Restriktion berechnet. [b (u) i i Für LOP in Standard-Maximum-Form gilt Falls die zugehörige Schlupfvariable y i Basisvariable ist (Restriktion ist inaktiv), gilt t [ y i, ): Z max und x B ändern sich nicht. Falls die zugehörige Schlupfvariable y i Nichtbasisvariable ist (Restriktion ist aktiv), gilt t mit x B = x B + t (a 1i,...,a mi ) T 0 ((a 1i,...,a mi,a m+1,i ) T ist die zu y i gehörige Spalte des Simplextableaus )
5 7. Januar Z max := Z max + t a m+1,i, x B = x B + t (a 1i,...,a mi ) T Stabilitätsbereiche Abhängigkeit des optimalen Zielfunktionswertes von der Änderung eines Koeffizienten c j der Zielfunktion: c j := c j + t Aus dem Endtableau wird durch die Bestimmung der Grenzen für t der Stabilitätsbereich des Zielfunktionskoeffizienten berechnet. Für LOP in Standard-Maximum-Form gilt Falls x j Nichtbasisvariable ist, gilt t (,a m+1,j ]=(, Δ j ]: Z max und x B ändern sich nicht. Δ j ist der Schattenpreis von x j. Falls x j Basisvariable ist, gilt t mit Δ N = Δ N + t (a j1,...,a jn ) T 0 ((a j1,...,a jn ) ist die zu x j gehörende Zeile des Simplextableaus) Bemerkung: x B ändert sich nicht, Z max := Z max + t x j. Für LOP, die nicht in Standard-Maximum-Form gegeben sind, gelten analoge Formeln, wobei speziell die Vorzeichen für die Änderungen neu zu überlegen sind. Bei einer Verschärfung der Restriktionen kann sich der optimale Zielfunktionswert nur verschlechtern, bei einer Abschwächung von Restriktionen kann er sich nur verbessern.
6 58 7. Januar Sonderfälle des Simplexalgorithmus (a) Duale Entartung Problem: Bei der Wahl der Pivotspalte kommen mehrere Spalten in Frage. Lösung: Wähle eine beliebige davon aus. Wirkung: Die Wahl hat zwar möglicherweise Einfluß auf die Anzahl der Iterationsschritte, aber nicht auf die Lösung. (b) Primale Entartung 1. Art Problem: Bei der Wahl der Pivotzeile kommen mehrere Zeilen mit dem gleichen Wert in Frage. Es schneiden sich mehrere Restriktionen in einer Ecke. Die zugehörige Basislösung ist entartet. Durch entsprechende Austauschschritte ergeben sich eventuell mehrere Vektoren für die Schattenpreise: Δ (1),..., Δ (k) der optimalen Basislösung (s. Sensitivitätsanalyse): Beispiel: Z =2x 1 +3x 2 max! 4x 1 +5x 2 20 x 2 4 x 1,x 2 0 Δ i = min{ Δ (j) i,j=1,...,k} rechnerisch + graphisch: x =(0, 4 0, 0) T, Δ (1) =(0, 0 1 2, 1 2 )T, Δ (2) =( 2 5, 0 3 5, 0)T Es kann passieren, daß man bei ungünstiger Wahl der Zeile nach mehreren Schritten zum gleichen Tableau zurückkommt - und das kann sich endlos wiederholen. Das Problem nennt man Kreiseln. Lösung: Es gibt kein einfaches Rezept dagegen. Üblicherweise (insbesondere in der rechentechnischen Umsetzung) wählt man die Zeile zufällig. Damit steigt die Wahrscheinlichkeit, daß man nicht endlos kreiselt. (c) Primale Entartung 2. Art Problem: Es kommt keine Pivotzeile in Frage: Alle entsprechenden Elemente sind negativ oder null. Beispiel: Z =3x 1 +2x 2 max! x 2 4
7 7. Januar x 1,x 2 0 rechnerisch+graphisch: Das Problem hat keine endliche Lösung: Z max (d) Mehrere Lösungen, Lösungsmenge Problem: Alle Optimalitätsindikatoren sind nichtnegativ, aber es gibt Indikatoren gleich Null: a m+1,j 0 j =1,...,n und s : a m+1,s =0 Vorgehensweise: Das Simplexverfahren wird solange mit einer Pivotspalte mit a m+1,s = 0 wiederholt, solange sich neue Basislösungen ergeben. Seien x (1),..., x (k) die so ermittelten optimalen Lösungen. Lösungsmenge: Die Menge aller Optimallösungen ist dann die Menge der konvexen Linearkombinationen der x (l) : { } k k L = x R n x = λ l x (l), λ l =1,λ l 0 für l =1,...,k l=1 Beispiel: Z =3x 1 +2x 2 max! x 2 4 3x 1 +2x 2 12 x 1,x 2 0 rechnerisch+graphisch (nur Lösung, keine Schattenpreise): x (1) =(4, 0 4, 0) T, x (2) =( 4, 4 0, 0)T 3 L = { x R 2 x = λ 1 x (1) + λ 2 x (2),λ 1,λ 2 0,λ 1 + λ 2 =1} oder L = { x R 2 x = x (1) + λ( x (2) x (1) ), 0 λ 1} oder L = { x R 2 x =(1 λ) x (1) + λ x (2), 0 λ 1} l=1 Spezialfall: a m+1,s = 0 und a is 0 i =1,...,m d.h. es kommt keine Pivotzeile in Frage (s. Serie 12, 1 (e)). Der zulässige Bereich ist unbeschränkt und Z verläuft parallel zu einer der Restriktionsgleichungen. Sei a m+1,s = 0 und a is 0 i =1,...,m Sei x 1 die zum Tableau gehörige Basislösung. Berechne 2. Lösung x mit Hilfe des Tableaus für beliebiges λ, z.b. λ =1: -) Setze die zur Pivotspalte gehörige NBV = λ -) Die restlichen NBV sind = 0 -) Für i =1,...,m ist die Basisvariable der i-ten Zeile = a i,m+1 λ a is L = { x R n x = x (1) + λ( x ( ) x (1) ), 0 λ}
8 60 7. Januar Die 2-Phasen-Methode Problem: Das LOP liegt häufig nicht in Standard Form vor. Um trotzdem den Simplexalgorithmus anwenden zu können ist eine Transformation des Problems in ein Ersatzproblem in Standard Form nötig Transformation in Standard Form Beispiel: Serie 13, 3 (g) (a) Transformation der Zielfunktion: (s. AB 8, Folie) Falls ein Minimierungsproblem Z = c T x min vorliegt, so erhält man daraus das äquivalente Maximierungsproblem Z =( c) T x max, indem alle Zielfunktionskoeffizienten mit ( 1) multipliziert werden. (b) Transformation der Restriktionen: Zuerst wird jede Restriktion, deren rechte Seite negativ ist, mit ( 1) multipliziert z.b.: 3x 1 4x 2 5 3x 1 +4x 2 5; Danach werden in den so entstandenen Restriktionen Schlupfvariable y i 0 und/oder Hilfsschlupfvariable h i 0 eingeführt, um ein Gleichungssystem in kanonischer Form zu erhalten. Problem: Bei Restriktionen mit = oder ist die übliche Startlösung x 1 = = x n =0möglicherweise nicht zulässig. Es muß zunächst eine erste zulässige Lösung berechnet und dafür passende Basisvariable gefunden werden. s. AB(8) (Folie) 1. a T i x b i = a T i x + y i = b i (BV : y i ) 2. a T i x = b i = a T i x + h i = b i (BV : h i ) 3. a T i x b i = a T i x y i + h i = b i (BV : h i ) mit a T i =(a i1,...,a in ) (c) Transformation der Variablen: (s. AB 8, Folie) In Abhängigkeit von den vorgegebenen Vorzeichenbeschränkungen werden die Variablen x j gegebenenfalls durch neue, nichtnegative Variable x j,x j substituiert: 1. x j 0 = keine Substitution 2. x j 0 = (x j = x j) = x j 0 3. x j bel. = (x j = x j x j ) = x j,x j 0
9 7. Januar Die zwei Phasen (a) Phase 1: Bestimmung einer zulässigen Basislösung durch Eliminierung der Hilfsschlupfvariablen: Phase-1-Zielfunktion Z1: Bemerkung: Das originale LOP ist lösbar h i =0 i Zielstellung: h i min. Daraus ergibt sich als Hilfszielfunktion: i Z1 = i h i max Optimalitätsindikatoren für Z1: Stelle sämtliche Restriktionen, die eine Hilfsschlupfvariable h i enthalten nach h i um und setze diese in Z1 ein. Wir erhalten Z1 inabhängigkeit von den Nichtbasisvariablen. Die entsprechenden Koeffizienten dienen als Optimalitätsindikatoren. Z1 im Tableau: Im Tableau wird eine zusätzliche (letzte) Z1-Zeile mitgeführt. über diese Zeile wird in Phase 1 die Wahl der Pivotspalte gesteuert. Bemerkung: Die Z1-Zeile berechnet sich einfach als die negative Summe aller Zeilen, die Hilfsschlupfvariable enthalten. Iteration in Phase 1: Die Iteration erfolgt wie gewohnt mit dem einzigen Unterschied, daß die Wahl der Pivotspalte auschließlich über die Z1-Zeile gesteuert wird. Spalten die zu einer Hilsschlupfvariable der Nichtbasis gehören werden gestrichen. Ende von Phase 1: Phase 1 endet erfolgreich, wenn keine Hilfsschlupfvariablen mehr in der Basis ist, d.h. h i =0 i. Die Z1 Zeile enthält dann nur noch Nullen und kann gestrichen werden. Eine zulässige Startlösung für das Originalproblem wurde gefunden. (b) Phase 2: Bestimmung einer optimalen Basislösung Ausgehend vom Endtableau von Phase 1 wird die übliche Simplexiteration durchgeführt. (c) Mögliche Probleme in Phase 1:
10 62 7. Januar 2013 Wird in Phase 1 eine optimale Lösung des Ersatzproblems (Phase-1-Zielfunktion) erreicht, bei der noch mindetsens eine Hilfsschlupfvariable positiv ist, so ist das LOP nicht lösbar - der zulässige Bereich ist leer Wird in Phase 1 eine entartete optimale Lösung des Ersatzproblems gefunden, bei der noch Hilfsschlupfvariablen in der Basis sind, aber Z1 = 0 gilt, so sind noch weitere Austauschschritte auszuführen. Wahl des Pivotelementes: wähle aus einer zu einer Hilfsschlupfvariablen gehörenden Zeile ein Element 0.
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..............................
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
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)
MehrDer 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
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.
MehrÜbung 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
MehrVORLESUNG 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
Mehr6 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
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
MehrLineare 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
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
MehrOperations 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
MehrLineares Optimieren. W. Kippels 12. April Inhaltsverzeichnis. 1 Einleitung 2. 2 Die Beispielaufgabe 2. 3 Einführung von Schlupfvariablen 2
Lineares Optimieren W. Kippels 1. April 015 Inhaltsverzeichnis 1 Einleitung Die Beispielaufgabe Einführung von Schlupfvariablen 4 Die Simplex-Methode 5 Das Basis-Austauschverfahren 4 6 Fortsetzung der
MehrZugeordneter 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
MehrLineare Optimierungsmodelle
Lineare Optimierungsmodelle Simplex-Methode Vortragender: Michael Schneider Agenda Motivation Operations Research Aufbau linearer Optimierungsmodelle Simplex-Methode Ausblick 2 Problemstellung Futtermischung
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
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. 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,
MehrZeilenstufenform eines Gleichungssystems
Zeilenstufenform eines Gleichungssystems Ein lineares Gleichungssystem mit einer m n-koeffizientenmatrix lässt sich mit Gauß-Transformationen auf Zeilenstufenform (Echelon-Form) transformieren: Ax = b...
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck
Lemma 15 KLP 1 ist genau dann lösbar, wenn das dazugehörige LP KLP 2 eine Lösung mit dem Wert Z = 0 besitzt. Ist Z = 0 für x 0, x 0, dann ist x eine zulässige Lösung von KLP 1. Beweis von Lemma 15: Nach
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
Mehrmit. 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
MehrOperations 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
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
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
Mehr2 Lineare Gleichungssysteme
2 Lineare Gleichungssysteme Betrachte ein beliebiges System von m linearen Gleichungen in den n Unbekannten x,,x n : a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x n = b 2 () a m x + a m2 x
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
MehrAufgaben 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
MehrOPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
Mehr10.2 Dualitätstheorie Operations Research. In der Standardform eines Maximierungsproblem: b e ) mit ( w) + a ej ) x j + x g = ( b g + g G
48 0 Operations Research In der Standardform eines Maximierungsproblem: Max ( w) mit ( w) + u. d. N. z + x l + n ( a gj + j= g G e E n d j x j = z 0 j= n a l j x j = b l für alle l L j= x g n + a gj x
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
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
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
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,,
MehrAufgabe 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
MehrLineare Gleichungssysteme - Grundlagen
Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente
Mehr(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
MehrKap. 4.2: Simplex- Algorithmus
Kap. 4.: Simplex- Algorithmus Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS Fakultät für Informatik, TU Dortmund Literatur für diese VO V. Chvatal: Linear Programming D. ertsimas:
MehrLineare Optimierung Dantzig 1947
Lineare Optimierung Dantzig 947 Lineare Optimierungs-Aufgaben lassen sich mit Maple direkt lösen: with(simplex): g:= 4*x + x2
Mehr8. Lineare Optimierung
8. Lineare Optimierung 1 Einführung (1) Praktische Probleme sind oft Probleme mit Nebenbedingungen, z.b.: Ein Produktionsprozess hängt von Lieferterminen ab Die Menge der verstaubaren Güter ist durch die
MehrOptimierung und Simulation ökonomischer Problemlagen privater Haushalte 2. Vorlesung
Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 2. Vorlesung Rainer Hufnagel / Laura Wahrig 2006 Diese Woche LO - Rechnerische Lösung - Simplex- Algorithmus LO - Auswertung des
MehrTeil 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,
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
MehrLineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
Mehr3. Schnittebenenverfahren
3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Dualität Anwendung: Spieltheorie Komplementarität und Sensitivitätsanalyse Spaltengenerierung Schnittebenenverfahren Welchen Simplex wann? Inhaltsübersicht für heute: Dualität
Mehr4 Lineare Optimierung
4 Lineare Optimierung In diesem Kapitel werden wir uns mit effizienten Verfahren im Bereich der linearen Optimierung beschäftigen. 4.1 Einführung Als Einführung betrachten wir das Beispiel einer Erdölraffinerie.
MehrBerufliches 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.
MehrLineare Optimierung und Simplex-Algorithmus
Lineare Optimierung und Simplex-Algorithmus Problemstellung Beispiel : Unser Unternehmen verfügt über drei Maschinen A, B, C, mit denen zwei verschiedene Produkte P, P2 hergestellt werden. Die Maschinen
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
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
MehrLineare Gleichungssysteme
Kapitel 2 Lineare Gleichungssysteme 21 Lineare Gleichungssysteme und Matrizen Lernziele 2 Lineare Gleichungssysteme definieren Matrizen, Matrizen definieren lineare Abbildungen, Lösen von linearen Gleichungssystemen
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
Mehr3 Systeme linearer Gleichungen
3 Systeme linearer Gleichungen Wir wenden uns nun dem Problem der Lösung linearer Gleichungssysteme zu. Beispiel 3.1: Wir betrachten etwa das folgende System linearer Gleichungen: y + 2z = 1 (1) x 2y +
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS2010/11 1 / 1 Teil IV Konvexe und ganzzahlige Optimierung Vorlesung 11 IV Konvexe und ganzzahlige Optimierung 2 / 34 Inhaltsübersicht 29Lineare Optimierung
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)
MehrKap. 4: Lineare Programmierung
Kap. 4: Lineare Programmierung Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 13./14. VO A&D WS 08/09 27.11./2.12.2008 Petra Mutzel Alg. & Dat.
Mehr6 Lineare Gleichungssysteme
6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α
MehrLineare Algebra I (WS 12/13)
Lineare Algebra I (WS 12/13) Bernhard Hanke Universität Augsburg 17.10.2012 Bernhard Hanke 1 / 9 Wir beschreiben den folgenden Algorithmus zur Lösung linearer Gleichungssysteme, das sogenannte Gaußsche
MehrBonusmaterial Lineare Optimierung ideale Ausnutzung von Kapazitäten
Bonusmaterial Lineare Optimierung ideale Ausnutzung von Kapazitäten 23 231 Die Zweiphasenmethode Beim Simplexalgorithmus zur Lösung linearer Optimierungsprobleme in Standardform wählt man im zugehörigen
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
MehrSensitivitätsanalyse in der Linearen Optimierung
Sensitivitätsanalyse in der Linearen Optimierung Bei der Sensitivitätsanalyse werden i. allg. Größen des Ausgangsproblems variiert, und es wird untersucht, welche Wirkung eine derartige Modifikation auf
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
MehrOptimierung. Nürnberg, Oktober 2015
1 Optimierung Nürnberg, Oktober 2015 Prof. Dr. Yvonne Stry Technische Hochschule Nürnberg Fakultät Angewandte Mathematik, Physik und Allgemeinwissenschaften Keßlerplatz 12 90461 Nürnberg Germany 1 Beispiel
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
MehrSimplex-Umformung für Dummies
Simplex-Umformung für Dummies Enthält die Zielfunktion einen negativen Koeffizienten? NEIN Optimale Lösung bereits gefunden JA Finde die Optimale Lösung mit dem Simplex-Verfahren! Wähle die Spalte mit
MehrLänge eines Vektors und Abstand von zwei Punkten 2. 4 = 6. Skalarprodukt und Winkel zwischen Vektoren
Länge eines Vektors und Abstand von zwei Punkten Aufgabe Bestimme die Länge des Vektors x. Die Länge beträgt: x ( ) =. Skalarprodukt und Winkel zwischen Vektoren Aufgabe Es sind die Eckpunkte A(; ), B(
Mehr4. Dualität Dualität 4.1 Dualität von LPs und der Dualitätssatz. Die duale Form eines LP in allgemeiner Form. Herleitung der dualen Form
2... 22 4.2 Die Bedingungen vom komplementären Schlupf... 23 4.3 Das Kürzeste-Wege-Problem und zugehörige duale Problem... 24 4.4 Das Farkas Lemma... 25 4.5 Duale Information im Tableau... 26 4.6 Der duale
Mehrx a 2n + + a mn
Lineare Gleichungssysteme(LGS Es sei a i j R und i R für alle (i = 1,, m und ( j = 1,, n. Dann heißt a 11 + a 12 + + a 1n = 1 + a 22 + + a 2n = 2 + a m2 + + a mn = m ein lineares Gleichungssystem mit m
MehrTEIL II LINEARE ALGEBRA
TEIL II LINEARE ALGEBRA 1 Kapitel 10 Lineare Gleichungssysteme 101 Motivation Sei K ein fest gewählter Körper (zb K = R, C, Q, F p ) Betrachten das lineare Gleichungssystem (L) α 11 x 1 + α 12 x 2 + +
MehrMethoden der linearen Optimierung
Methoden der linearen Optimierung Mike Hüftle 31. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1.................................... 2 2 Lineare Optimierung 3 2.1 Lineares Modell............................
Mehrλ i x i λ i 0, x i X, nur endlich viele λ i 0}.
jobname LinOpt Sommer Aufgabe a) Sei X R n. Dann ist b) Cone X = { x i X λ i x i λ i, x i X, nur endlich viele λ i }. x Cone S = Lin S x Lin S = Cone S. Also gibt es nicht-negative Koeffizienten µ i von
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 7 11. Mai 2010 Kapitel 8. Vektoren Definition 76. Betrachten wir eine beliebige endliche Anzahl von Vektoren v 1, v 2,..., v m des R n, so können
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
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. Entscheidung bei Unsicherheit
Prof. Dr. Ma C. Wewel Lösungen zu den Übungsaufgaben Management Science Seite. Entscheidung bei Unsicherheit A. B. C. 6 km 6 km 6 km D. a) Nutzenmatri (Kundenanteile von K in %) u(k A,M A ), 6 +, 6 +,
Mehr1. Das klassische Transportproblem
schreier@math.tu-freiberg.de (03731) 39 2261 1. Das klassische Transportproblem 1.1. Formulierung der Aufgabe Problemstellung Die einfachste Transportaufgabe, nach Hitchcock benannt, läßt sich wie folgt
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
MehrSchranken 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
MehrProseminar Lineare Algebra WS 08/09 Prof. Dr. O. Bogopolski 1. Vortrag: Lineare Gleichungen. am 11. März von Maximilian Wahner
Proseminar Lineare Algebra WS 08/09 Prof. Dr. O. Bogopolski 1 Vortrag: Lineare Gleichungen am 11. März 2009 von Maximilian Wahner Technische Universität Dortmund Fakultät für Mathematik Proseminar Lineare
Mehr10. Lineare Optimierung
10. Lineare Optimierung Im Kontext der Optimierungsmodelle: Zielfunktion lineare Funktion Nebenbedingungen lineare Funktionen Lösungsraum Unterraum des n Problem der linearen Optimierung Minimiere unter
MehrStandard-/kanonische Form Simplex Dualität Kompl./Sensitivität Spaltengen. Schnittebenen Welchen? Inhalt
Inhalt Lineare Optimierung Standardform und kanonische Form Der Simplex-Algorithmus Dualität Komplementarität und Sensitivitätsanalyse Spaltengenerierung Schnittebenenverfahren Welchen Simplex wann? 54:
MehrÜbungsaufgaben. Grundkurs Höhere Mathematik für Wirtschaftswissenschaftler. Teil 1: Lineare Algebra und Optimierung.
Übungsaufgaben Grundkurs Höhere Mathematik für Wirtschaftswissenschaftler Teil : Lineare Algebra und Optimierung Wintersemester Matrizenrechnung Aufgabe ( 3 0 Gegeben sind die Matrizen A = 2 5 2 4 D =
MehrLineare Algebra I (WS 12/13)
Lineare Algebra I (WS 12/13) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 18.10.2012 Alexander Lytchak 1 / 12 Lineare Gleichungssysteme Wir untersuchen nun allgemeiner Gleichungssysteme der
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
MehrMathematik I. Vorlesung 12. Lineare Abbildungen
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 12 Lineare Abbildungen Definition 12.1. Es sei K ein Körper und es seien V und W K-Vektorräume. Eine Abbildung heißt lineare Abbildung,
MehrLineare Gleichungssysteme (Teschl/Teschl 11.1)
Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...
MehrLineare Programmierung Teil I
Seminar über Algorithmen Prof. Dr. Helmut Alt Lineare Programmierung Teil I Lena Schlipf, Benjamin Jankovic Lena Schlipf, Benjamin Jankovic Seminar über Algorithmen SS05 1 Struktur des Vortrags 1. Was
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
Mehr2.2 Lineare Gleichungssysteme (LGS)
2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 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
MehrLineare Optimierung. Master 1. Semester
Prof. Dr.-Ing. Fritz Nikolai Rudolph Fachhochschule Trier Fachbereich Informatik Master 1. Semester Inhaltsverzeichnis 1 Einleitung... 2 1.1 Lineare Gleichungssysteme... 2 1.2 sprobleme... 3 2 Standardform...
Mehr9 Lineare Gleichungssysteme
9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der
MehrDer Kern einer Matrix
Die elementaren Zeilenoperationen p. 1 Der Kern einer Matrix Multipliziert man eine Matrix mit den Spaltenvektoren s 1,..., s m von rechts mit einem Spaltenvektor v := (λ 1,..., λ m ) T, dann ist das Ergebnis
MehrPrüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten)
HTW Dresden 11. Februar 2014 FB Informatik/Mathematik Prof. Dr. J. Resch Prüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten) Name, Vorname: Matr.-nr.: Anzahl der abge-
MehrMathematische Methoden der Algorithmik
Mathematische Methoden der Algorithmik Dozent: Prof. Dr. Sándor P. Fekete Assistent: Nils Schweer Digitalisierung: Winfried Hellmann Wintersemester 2008/2009 Inhaltsverzeichnis 2 1 Einführung Problem 1.1
Mehr3 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Martin Gubisch Lineare Algebra I WS 27/28 Definition (a ij ) 1 j n 1 i n heiÿt eine m n-matrix mit Komponenten a ij K Dabei bezeichnet i den Zeilenindex und j den Spaltenindex
MehrMathematischer Vorkurs
Mathematischer Vorkurs Dr. Agnes Lamacz Mathematischer Vorkurs TU Dortmund Seite 1 / 170 Vollständige Induktion Kapitel 13 Vollständige Induktion Mathematischer Vorkurs TU Dortmund Seite 117 / 170 Vollständige
Mehr