1 Der Simplex Algorithmus I
|
|
- Nicole Böhler
- vor 7 Jahren
- Abrufe
Transkript
1 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 beläuft sich auf 1 SFr. und für grobes Papier auf 7.5 SFr. Der Altpapierverbrauch beträgt.6 Tonnen pro Tonne grobes Papier und eine Tonne pro Tonne feines Papier. Maximal können 15 Tonnen Altpapier verarbeitet werden. Die Herstellung von einer Tonne feinem Papier erfordert 5 Kilogramm Vorstoffe und für eine Tonne grobes Papier werden 1 Kilogramm Vorstoffe benötigt. Es stehen höchstens 5 Kilogramm Vorstoffe zur Verfügung. Welches Produktionsprogramm bringt den grössten Erlös, wenn maximal 2 Tonnen grobes Papier abgesetzt werden können? Wir bezeichnen nun mit x 1 die Anzahl produzierter Tonnen feines Papier und mit x 2 die Anzahl Tonnen grobes Papier. Dann ist der Erlös Dies ist die sogenannte Zielfunktion. 1x x 2 Die Zielfunktion soll maximiert werden unter den folgenden Nebenbedingungen x 1 +.6x 2 15 (Altpapier 5x 1 + 1x 2 5 (Vorstoffe x 2 2 (Grobpapier Ausserdem müssen wir sicherstellen, dass die Variablen x 1 und x 2 nicht negativ sind. Wir fordern also zusätzlich x 1, x 2 Da sowohl Zielfunktion wie auch Nebenbedingungen linear in x 1 und x 2 sind, sprechen wir bei diesem Problem von einem linearen Programm oder kurz (LP. Wir möchten also folgendes (LP lösen: max 1x x 2 unter x 1 +.6x x 1 + 1x 2 5 x 2 2 x 1, x 2
2 2 Nicoletta Andri Graphische Interpretation Damit ein Punkt zulässig ist, muss er gleichzeitig alle Nebenbedingungen erfüllen, einschliesslich Nichtnegativität. Deshalb nennt man diese Punkte zulässige Lösungen und die Menge aller zulässigen Lösungen heisst zulässiges Gebiet. Offensichtlich stellt jede Nebenbedingung ein Halbraum dar, in unserem 2D- Beispiel die eine Seite der entsprechenden Gerade. Das zulässige Gebiet ist demnach der Durchschnitt dieser Halbräume, also ein konvexes Polyeder. Abbildung 1: Graphische Lösung des (LP Besitzt eine Grenze einer Nebenbedingung keinen gemeinsamen Punkt mit dem zulässigen Gebiet, so heisst diese Nebenbedingung redundant. Redundante Nebenbedingungen können ohne Einschränkung aus den Betrachtungen gestrichen werden. Die Zielfunktion ist eine Kurvenschar. Sie beschreibt den Term, der maximiert werden soll. In unserem Beispiel ist dies der Erlös ZF: z = 1x x 2 Im 2D-Fall sind die Niveaulinien für beliebige z-werte Geraden. Ändert sich der Wert von z, so verschiebt sich die Niveaulinie parallel dazu. Eine optimale Lösung findet man, indem man die Niveaulinie der Zielfunktion parallel in Richtung zunehmender Zielfunktionswerte verschiebt, bis sie das zulässige Gebiet gerade noch berührt. Für die Papiermühle ist die optimale Lösung folglich der Punkt C mit (x 1, x 2 = (3, 2. Der Erlös beträgt somit 18 SFr. Die Optimallösung wird in einem Eckpunkt oder sogenanntem Extremalpunkt angenommen.
3 3 Nicoletta Andri Mathematische Formulierung Kanonische Struktur eines linearen Programms: max z = c j x j unter Einhaltung der Nebenbedingungen a ij x j b i, i = 1,..., m x j, j = 1,..., n. Hierbei bezeichnet n die Anzahl Variablen und m die Anzahl Nebenbedingungen. In Matrixschreibweise: unter max z = c T x Ax b x Wobei wir mit v 1 v 2 meinen, dass komponentenweise gelten soll. Durch die Einführung von sogenannten Schlupfvariablen y i, i = 1,..., m lässt sich die kanonische Form auf die sogenannte Standardform bringen, nämlich max z = c j x j unter Einhaltung der Nebenbedingungen a ij x j + y i = b i, i = 1,..., m x j, j = 1,..., n y i, i = 1,..., m In Matrixschreibweise: unter max z = c T x Ax + y = b x Die Einführung von Schlupfvariablen würde bei unserem Beispiel folgendermassen aussehen: x 1 +.6x 2 + y 1 = 15 (Altpapier 5x 1 + 1x 2 + y 2 = 5 (Vorstoffe x 2 + y 3 = 2 (Grobpapier
4 4 Nicoletta Andri 1.2 Wiederholung: Lineare Algebra Wir müssen oft Gleichungssysteme der folgenden Form lösen: Ax = b, Hierzu bietet sich das Gaussverfahren an. A R m n, b R m Um die Anzahl Lösungen von Ax = b zu bestimmen, muss man eine Fallunterscheidung machen. 1. r(a b > r(a Ax = b hat keine Lösung, weil sich b nicht als Linearkombination der Spaltenvektoren von A darstellen lässt. 2. r(a b = r(a = min(m, n, n m Ax = b hat genau eine Lösung. 3. r(a b = r(a = min(m, n, m < n Ax = b hat unendlich viele Lösungen. 4. r(a b = r(a < min(m, n Ax = b enthält k = min(m, n r(a redundante Gleichungen, die gestrichen werden können. Nach dem Streichen dieser Gleichungen befinden wir uns entweder im zweiten oder im dritten Fall. Uns interessiert offensichtlich nur der dritte Fall. Wir gehen also im Folgenden von r(a = m aus. Dann können wir A folgendermassen umordnen. A = [B N], Entsprechend müssen wir auch x umordnen. ( xb x = B R m m regulär, N R m (n m Die Komponenten von x B heissen Basisvariablen, x N sind die Nichtbasisvariablen. x N Dann gilt ( xb Ax = [B N] x N = Bx B + Nx N = b Der (n m-dimensionale Lösungsraum lässt sich folglich beschreiben als L = { (x B, x N T x B = B 1 b B 1 Nx N, x N R n m beliebig } Eine sogenannte Basislösung von Ax = b erhält man, indem man die Nichtbasisvariablen gleich Null setzt: ( B x = 1 b Da die Wahl von B nicht eindeutig ist, gibt es natürlich mehrere Basislösungen.
5 5 Nicoletta Andri 1.3 Polyedrische Mengen Definition: (Polyeder Eine Menge P R n heisst polyedrische Menge oder einfach Polyeder, falls P ein endlicher Durchschnitt von Halbräumen ist, das heisst von der Form P = {x R n Ax b} { ( y = x R n [I A] x } = b, y Wenn man noch zusätzlich Nichtnegativität fordert, dann gilt { ( } y P = x R n [I A] = b, x, y x {( ( } y y = R m+n [I A] = b, x, y x x Ein Polyeder ist offensichtlich konvex. Definition: (Extremalpunkt Ein Punkt x einer konvexen Menge X heisst Extremalpunkt, falls aus x = λx 1 + (1 λx 2, x 1, x 2 X, λ (, 1 folgt, dass x 1 = x 2 = x. Satz: (Zusammenhang Basislösung-Extremalpunkt Betrachte P = {x Ax = b, x }, A R m n, b R m, r(a = m( n. x P ist Extremalpunkt ( ( Es gibt eine Zerlegung A = [B N] mit B xb B regulär, x = = 1 b mit B 1 b. x N Beweis: = : ( xb Sei A = [B N], B regulär, x = Zu zeigen: x ist extremal x N = ( B 1 b, B 1 b Sei x = λx 1 ( + (1 λx 2, x 1 (, x 2 P, λ (, 1. x1b x2b Setze x 1 =, x 2 =. Dann gelten x 1N x 2N B 1 b = λx 1B + (1 λx 2B = λx 1N + (1 λx 2N Weil x 1, x 2 P gilt, sind alle Komponenten nichtnegativ. Deshalb folgt aus der zweiten Gleichung x 1N = x 2N =
6 6 Nicoletta Andri Weil B regulär ist, folgt aus der ersten Gleichung Damit ist die eine Richtung gezeigt. x 1B = x 2B = B 1 b = : Sei x P extremal. Zu zeigen: Es gibt eine entsprechende Zerlegung A = [B N] und x = mit B 1 b. ( B 1 b Ordne A so, dass x = (x 1,..., x k,,..., T Behauptung: Die ersten k Kolonnen von A sind linear unabhängig. Annahme: Die ersten k Kolonnen von A sind linear abhängig. Dann gibt es ein λ R k, λ mit ( k λ i=1 λ ia i = bzw. A =. ( ( λ λ Setze x = x + α, x = x α mit α > klein genug, so dass x, x immer noch zulässig sind. Dies kann folgendermassen konstruiert werden: Definiere { α 1 := min x } i 1 i k λ i λ i < { } xi α 2 := min 1 i k λ i > λ i Wähle α (, min {α 1, α 2 } { } Weil λ ist, können die beiden Mengen x i λ i λ i < nicht beide leer sein. α ist entsprechend wohldefiniert. Weil λ und α > sind, ist x x. x, x sind in P, weil Ax = ( λ Ax + α A = Ax = b }{{} Ax = = ( λ Ax α A = Ax = b }{{} = und { } x i λ i λ i > Nun gilt aber x = 1 2 x x. Dies ist ein Widerspruch zur Extremalität von x. Die ersten k Kolonnen von A müssen also tatsächtlich linear unabhängig sein.
7 7 Nicoletta Andri Weil r(a = m ist, kann man (a 1,..., a k durch weitere (m k Vektoren a k+1,..., a m A\ {a 1,..., a k } zu einer Basis ergänzen. Definiere B = (a 1,..., a k, a k+1,..., a m und zerlege A entsprechend: A = [B N] Weil x P ist, gilt Wegen der Regularität von B gilt ( xb Ax = [B N] x N = b B 1 b = x = (x 1,..., x k,..., T Damit ist auch die zweite Richtung gezeigt. q.e.d. Jede zulässige Basislösung entspricht also einem Extremalpunkt des Polyeders, und umgekehrt lässt sich jedem Extremalpunkt des Polyeders eine Basislösung zuordnen. Diese Zuordnung ist eindeutig, falls die Basislösung nichtdegeneriert ist. Definition: (Degeneriertheit Eine (zulässige Basis B heisst degeneriert, falls es ein i gibt mit (B 1 b i =, und nichtdegeneriert, falls B 1 b >. Abbildung 2: Degenerierte Basislösung Definition: (Extremalrichtung Sei X R n eine nichtleere, konvexe und abgeschlossene Menge. Dann heisst d R n Richtung in X, falls x + λd X, für alle λ und x X. Eine Richtung d heisst Extremalrichtung, falls für Richtungen d 1, d 2 dass aus d = λ 1 d 1 + λ 2 d 2, λ 1, λ 2 > folgt, dass d 1 = αd 2, für ein α >. gilt,
8 8 Nicoletta Andri Satz: (Darstellungssatz von Polyeder Jedes Polyeder P kann eindeutig geschrieben werden als P = Q + C, Q := conv {x 1, x 2,..., x k }, C := cone {d 1, d 2,..., d l } 1.4 Dualität Primale Aufgabe (LP: Duale Aufgabe (LD: max c T x unter Ax b x min b T y unter A T y c y In unserem Einführungsbeispiel ist die duale Aufgabe min 15y 1 + 5y y 3 unter y 1 + 5y 2 1.6y 1 + 1y 2 + y y 1, y 2, y 3 Lemma: (Schwache Dualität Sei x eine zulässige Lösung von (LP, y eine zulässige Lösung von (LD. Dann gilt c T x b T y Beweis: c T x (y T Ax = y T Ax y T b = b T y q.e.d. Korollar: (Zertifikat Seien x, y zulässig für (LP resp. (LD und es gelte b T y = c T x. Dann sind x, y optimal für (LP resp. (LD. Satz: (Dualitätssatz der linearen Programmierung Seien A R m n, b R m, c R n. Dann gilt max { c T x Ax b, x } = min { b T y A T y c, y } sofern beide Aufgaben zulässige Lösungen besitzen. Beweis: Für den Beweis dieses Satzes verwenden wir das Lemma von Farkas, das wir hier ohne Beweis aufführen.
9 9 Nicoletta Andri Lemma: (Farkas Gegeben seien eine Matrix A R m n und ein Vektor b R m. Dann hat genau eines der beiden folgenden Systeme eine Lösung: 1. x mit Ax b 2. y mit y T A und y T b < Um den Satz zu beweisen, reicht es zu zeigen, dass es ein x und ein y gibt mit Ax b, A T y c, c T x b T y. (Mit der schwachen Dualität folgt nämlich c T x = b T y. ( x Das heisst, wir müssen zeigen, dass es ein z := gibt mit y A ( b Âz := c T b T x =: A T y ˆb. c Gemäss Farkas-Lemma hat genau eines der folgenden zwei Systeme eine Lösung: 1. z mit Âz ˆb 2. s mit s T Â und s Tˆb <. Zu zeigen: Das zweite System hat keine Lösung. Das heisst, wir zeigen, dass für alle (u, v, w, u R m, v R, w R n mit u T A vc T vb T w T A T gilt u T b w T c. Hierzu machen wir eine Fallunterscheidung. 1. Fall: v > u T b = 1 v vut b = 1 v ut vb }{{} Aw 1 v ut }{{} A w vc T = 1 v vct w = c T w = w T c.
10 1 Nicoletta Andri 2. Fall: v = In diesem Fall gilt u T A w T A T Weil (LP und (LD zulässig sind, gibt es ein x und ein y mit Ax b und A T y c. Folglich gilt u T b u}{{} T A x (w T A T y = w T A T y }{{} c = w T c. q.e.d. Korollar: Besitzt (LP eine endliche Optimallösung x, so besitzt auch (LD eine endliche Optimallösung y und es gilt c T x = b T y. Beweis: Es genügt zu zeigen, dass (LD eine zulässige Lösung besitzt. Annahme: Es gibt kein y mit A T y c. Das heisst, ( es gibt kein y ( und kein s mit A T y s = c bzw. es gibt y y kein v := mit [A s T I] = c. s Nach dem Farkas-Lemma muss es folglich ein z geben mit z T [A T I] und z T c >. Also gilt z Az c T z > Dies bedeutet aber, dass z eine Richtung mit wachsendem Zielfunktionswert für (LP ist. Denn für alle λ ist x + λz zulässig: A(x + λz = }{{} Ax + λ b }{{} }{{} Az b
11 11 Nicoletta Andri Für den Zielfunktionswert gilt c T (x + λz = c T x + λ }{{} c T z c T x. > Man kann also λ immer grösser machen, bleibt immer im zulässigen Bereich und der Zielfunktionswert wächst immer mehr an. Dies ist ein Widerspruch zur Endlichkeit der Optimallösung x von (LP. q.e.d. Satz: (Komplementaritätssatz Sei x eine zulässige Lösung von (LP und y eine zulässige Lösung von (LD. (x, y sind genau dann Optimallösungen der entsprechenden Probleme, falls m a ij yi = c j oder x j =, j = 1,..., n i=1 a ij x j = c i oder yi =, i = 1,..., m. Beweis: Seien x, y primal bzw. dual zulässig. Dann gelten 1. ( m c j x j a ij yi x j, i=1 j = 1..., n 2. ( a ij x j yi b i yi, i = 1..., m. Summieren wir die erste Ungleichung über j = 1,..., n und die zweite Ungleichung über i = 1,..., m, so erhalten wir 1. c j x j ( m a ij yi i=1 x j 2. ( m a ij x j yi i=1 m b i yi. i=1 Folglich gilt c j x j m b i yi. i=1 Damit Gleichheit gilt, müssen beide Ungleichungen mit Gleichheit erfüllt sein. Dies ist nur der Fall, wenn für alle i und für alle j gilt
12 12 Nicoletta Andri x j = und/oder c j = y i = und/oder b i = m a ij yi, i=1 a ij x j. q.e.d. Zulässigkeit und Komplementarität lassen sich auch folgendermassen zusammenfassen. Satz: (Kuhn-Tucker (x, y sind genau dann ein Paar von Optimallösungen zu (LP und (LD, wenn sie die nachfolgenden Gleichungen erfüllen. 1. Ax b, x 2. A T y c, y 3. (x T (A T y c = (y T ( Ax + b =
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 =
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
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
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
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,
MehrEffiziente Algorithmen Lineares Programmieren 216. Schwache Dualität
Effiziente Algorithmen Lineares Programmieren 216 Schwache Dualität Sei wieder z = max{ c T x Ax b, x 0 } (P ) und w = min{ b T u A T u c, u 0 }. (D) x ist primal zulässig, wenn x { x Ax b, x 0 }. u ist
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
Mehr3.1. Existenzsatz und Struktur der Lösungsmenge
3. EXISTENZ UND DUALITÄT 3.1. Existenzsatz und Struktur der Lösungsmenge Nach dem Satz von Weierstraß besitzt eine lineare Funktion auf einem Polytop stets ein Minimum und ein Maximum. Im allgemeinen Fall
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
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
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.
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
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)
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
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
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
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
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,
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
Mehr4.3.3 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
MehrLineare (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik Universität Innsbruck Lehrer/innen/fortbildungstag Wien 2010 9. April 2010 Eine Maximumsaufgabe Eine Firma stellt aus
MehrOperations Research. Konvexe Funktionen. konvexe Funktionen. konvexe Funktionen. Rainer Schrader. 4. Juni Gliederung
Operations Research Rainer Schrader Konvexe Funktionen Zentrum für Angewandte Informatik Köln 4. Juni 2007 1 / 84 2 / 84 wir haben uns bereits mit linearen Optimierungsproblemen beschäftigt wir werden
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
Mehr3. 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
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)
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)
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
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
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.
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
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
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
MehrDiskrete Optimierung
Alexander Martin, Sven O. Krumke Diskrete Optimierung SPIN Springer s internal project number, if known 14. April 2009 Springer Berlin Heidelberg NewYork Hong Kong London Milan Paris Tokyo Wir widmen
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
MehrOptimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
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
MehrGeometrische Interpretation
Geometrische Interpretation Stefanie Riedel 10. Mai 2010 1 Starke und schwache Dualität über Wertemengen Wir betrachten eine einfache geometrische Interpretation dualer Funktionen aus der Menge G: G =
MehrGrundlagen der Optimierung. Übung 6
Technische Universität Chemnitz Chemnitz, 2. November 24 Prof. Dr. R. Herzog, J. Blechschmidt, A. Schäfer Abgabe am 28. November 24 Grundlagen der Optimierung Übung 6 Aufgabe 2: Verschiedene Verfahren
MehrVorlesung 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..............................
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
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
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
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 +
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
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
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
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
MehrAnalyis I -Metrische Räume - eine Einführung in die Topologie
Analyis I -Metrische Räume - eine Einführung in die Topologie E = E isolierter Punkte x 1 x 2 x 3 E ist abgeschlossen U ɛ (x) x innerer Punkt Ω Häufungspunkte Ω Metrik Metrische Räume Definition Sei X
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
MehrInnere-Punkt-Methoden
Innere-Punkt-Methoden Johannes Stemick 26.01.2010 Johannes Stemick () Innere-Punkt-Methoden 26.01.2010 1 / 28 Übersicht 1 Lineare Optimierung 2 Innere-Punkt-Methoden Path-following methods Potential reduction
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
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
Mehr6 Lineare Optimierung
6 Lineare Optimierung Um die Aufgabenstellung deutlich zu machen, beginnen wir mit einem (natürlich sehr vereinfachten) Beispiel: Produtionsplan einer (zugegebenermaßen sehr leinen) Schuhfabri. Hergestellt
MehrKuhn-Tucker-Bedingung
Kuhn-Tucker-Bedingung Ist x ein lokales Minimum einer skalaren Funktion f unter den Nebenbedingungen g i (x) 0 und sind die Gradienten der aktiven Gleichungen g i (x ) = 0, i I, linear unabhängig, dann
MehrVorlesung Lineare Optimierung (Sommersemester 2010)
1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 6: Die Geometrie der Linearen Optimierung Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Juni 2010) Gliederung 2 Das
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:
MehrEinführung in die Lineare Programmierung
Einführung in die Lineare Programmierung Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 RWTH Aachen 28. Mai 2008 Elementares Beispiel Die kanonische Form Die algebraische Gleichungsform Gegeben seien
Mehr4.4 Quadratische Optimierungsprobleme
4.4 Quadratische Optimierungsprobleme 1. Quadratische Programme (QP) 1 2 xt P x + q T x + r s.t. Gx h (4.34) wobei P S n +, G R (m n) und A R (p n) Zielfunktion (ZF) ist (konvex) quadratisch Nebenbedingungen
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 =
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
MehrInsbesondere sind nach dieser Definition also auch die leere Menge und einpunktige Teilmengen konvex.
Konvexe Mengen 2 Wie am Ende des vorigen Kapitels bereits erwähnt, ist die notwendige Gradientenbedingung aus Satz 1.4.6 für konvexe Zielfunktionen auch hinreichend. Diese Tatsache mag als erste Motivation
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 014/015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 7 Abgabetermin: Freitag, 05.1.014, 11 Uhr Aufgabe 7.1 (Vektorräume
Mehr3 Lineare Algebra (Teil 1): Lineare Unabhängigkeit
3 Lineare Algebra (Teil : Lineare Unabhängigkeit 3. Der Vektorraum R n Die Menge R n aller n-dimensionalen Spalten a reeller Zahlen a,..., a n R bildet bezüglich der Addition a b a + b a + b. +. :=. (53
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
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
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
Mehr4. ggt und kgv. Chr.Nelius: Zahlentheorie (SS 2007) 9
Chr.Nelius: Zahlentheorie (SS 2007) 9 4. ggt und kgv (4.1) DEF: Eine ganze Zahl g heißt größter gemeinsamer Teiler (ggt) zweier ganzer Zahlen a und b, wenn gilt: GGT 0 ) g 0 GGT 1 ) g a und g b GGT 2 )
MehrSeminar Ausgewählte Kapitel des Operations Research Die Allgegenwärtigkeit von Lagrange (Teil 1)
Seminar Ausgewählte Kapitel des Operations Research Die Allgegenwärtigkeit von Lagrange (Teil 1) Anna Raaz 21.12.2007 Einführung Die Relaxierung von Lagrange wird in der stochastischen Optimierung meistens
Mehr5.7 Lineare Abhängigkeit, Basis und Dimension
8 Kapitel 5. Lineare Algebra 5.7 Lineare Abhängigkeit, Basis und Dimension Seien v,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von v,...,v n, nämlich { n
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
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
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
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.
MehrVektorräume. Kapitel Definition und Beispiele
Kapitel 3 Vektorräume 3.1 Definition und Beispiele Sei (V,,0) eine abelsche Gruppe, und sei (K, +,, 0, 1) ein Körper. Beachten Sie, dass V und K zunächst nichts miteinander zu tun haben, deshalb sollte
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,,
MehrOperations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung.
Operations Research Rainer Schrader Flüsse in Netzwerken Zentrum für Angewandte Informatik Köln 2. Juli 2007 1 / 53 2 / 53 Flüsse in Netzwerken Unimodularität Gliederung Netzwerke und Flüsse bipartite
Mehr1. EINFÜHRUNG INS STATE-PRICING 1
1. EINFÜHRUNG INS STATE-PRICING 1 1. Einführung ins State-Pricing In diesem Kapitel betrachten wir eine Periode. Das heisst, wir können nur zu den Zeitpunkten 0 und 1 handeln. Im weiteren arbeiten wir
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
MehrGEOMETRIE DER POLYEDER
GEOMETRIE DER POLYEDER Das Polyeder P sei gegeben durch P = x R n Ax b. Definition. (i) Die Hyperebene H = x R n c T x = d,c, heißt Stützhyperebene von P, falls die Ungleichungc T x d redundant ist bzgl.
MehrLineare Optimierung Dantzig 1947
Lineare Optimierung Dantzig 947 Lineare Optimierungs-Aufgaben lassen sich mit Maple direkt lösen: with(simplex): g:= 4*x + x2
MehrSkalarprodukt, Norm & Metrik
Skalarprodukt, Norm & Metrik Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 11. Mai 2016 Stefan Ruzika 5: Skalarprodukt, Norm & Metrik 11. Mai 2016 1 / 13 Gliederung 1
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
MehrVorlesung Lineare Optimierung (Sommersemester 2009)
1 Vorlesung Lineare Optimierung (Sommersemester 2009) Kapitel 7: Der Simplex-Algorithmus Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 18. Juni 2009) Gliederung 2 Ecken, Kanten, Extremalstrahlen
MehrTeil 5: Lineare Programmierung. (Blum, Kapitel 8)
Teil 5: Lineare Programmierung (Blum, Kapitel 8) Was sind Optimierungsprobleme? Eingabe: Menge F von zulässigen Lösungen. Zielfunktion z:f R. Aufgabe: Finde x F, so dass x F : z(x) z(x ). (für Minimierungsprobleme)
Mehrtechnische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof. Dr. H. M. Möller
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof. Dr. H. M. Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 4.3 und 4.4
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 05.11.2013 Alexander Lytchak 1 / 14 Linearkombinationen Definition Es sei V ein reeller Vektorraum. Es sei (v i ) i
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
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
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
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
MehrKAPITEL 13. Polynome. 1. Primfaktorzerlegung in den ganzen Zahlen. ,, p r
KAPITEL 13 Polynome 1. Primfaktorzerlegung in den ganzen Zahlen DEFINITION 13.1 (Primzahl). Eine Zahl p ist genau dann eine Primzahl, wenn folgende beiden Bedingungen gelten: (1) Es gilt p > 1. (2) Für
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:
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 3 Der Axiator Eigenschaften des Axiators Bestimmung des Kegelschnitts Geometrische Betrachtungen Dualer Kegelschnitt Pol-Polare
MehrLineare Programmierung (2)
Inhalt Rückblick Motivation - linearen Programmierung Flussprobleme Multiple Warenflüsse Fortsetzung Simplex Algorithmus Initialisierung Fundamentalsatz der linearen Programmierung schwache Dualität Dualität
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
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:
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,
MehrKapitel V. Affine Geometrie
Kapitel V Affine Geometrie 1 Affine Räume Betrachte ein lineares Gleichungssystem Γ : a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a 2n x n = b 2 a m1 x 1 + a m2 x 2 + + a mn x n = b
Mehr