Wiederholung. Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b
|
|
- Hans Fiedler
- vor 7 Jahren
- Abrufe
Transkript
1 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 ist gültige Basislösung, wenn x 0 Basis ist Indexmenge B {1,...,n} mit rang(a B ) = m und B = m x R n mit A B x B = b und x (j) = 0 für alle j / B heißt die Basislösung zur Basis B 25/ 64
2 Wiederholung Wenn LP optimale Lösung besiztzt dann existiert optimale Basislösung Optimale Basislösungen kann man aufzählen (ineffizient) Muß man alle gültigen Basislösungen betrachten? Simplex Algorithmus Prinzip: Wandere von Basislösung zu Basislösung in Richtung abnehmender Kosten, bis ein optimaler Eckpunkt erreicht ist. 26/ 64
3 Bringe neuen Index in Basis Betrachte Basis B mit x gültige assoziierte Basislösung Wähle Index j / B Erhöhe x (j) von 0 auf θ > 0 Andere Nichtbasisvariablen sollen unverändert auf 0 bleiben Damit Gültigkeit erhalten bleibt müssen sich Basisvariablen evtl. ändern Übergang von x zu x + θ d Forderungen an d: d(j) = 1 d(k) = 0, k B, k j A(x + θ d) = b soll für θ > 0 gelten; aus Ax = b und θ > 0 folgt Ad = 0. Also insgesamt A B d B + a j = 0 und da B Basis (also A B invertierbar) folgt d B = A 1 B aj. 27/ 64
4 j-te Basisrichtung Definition 3 (j-te Basisrichtung) Sei B eine Basis und j / B. Der Vektor d mit d(j) = 1, d(k) = 0, k B, k j und d B = A 1 B aj heißt j-te Basisrichtung von B. Beim Übergang von x zu x + θd ändert sich die Zielfunktion um Betrag θ c T d = θ( c T B A 1 B aj + c(j)) = θ (c(j) c T B A 1 B aj ) (c(j) c T B A 1 B aj ) repräsentiert die Zunahme der Kosten für θ = 1. Definition 4 (Reduzierte Kosten) Sei B eine Basis. Für j {1,...,n} heißen c(j) = c(j) c T B A 1 B aj die reduzierten Kosten der Variablen x(j) 28/ 64
5 Beispiel Wir betrachten das lineare Optimierungsproblem min{c T x Ax = b,x 0} mit ( ) ( ) A = und b = ( ) 1 1 Wähle B = {1,2}. Dann gilt A B =, also ist B eine Basis. 2 0 Wir setzen x(3) = x(4) = 0 und erhalten aus x B = A 1 B b die gültige Basislösung x = (1,1,0,0) Die dritte Basisrichtung erhalten wir wie folgt: Es gilt d(3) = 1,d(4) = 0 und ( ) ( ) ( ) ( ) d(1) d B = = A 1 0 1/2 1 3/2 d(2) B a3 = = 1 1/2 3 1/2 Die reduzierten Kosten in dieser Richtung sind c(3) = 3 2 c(1) c(2) + c(3). 29/ 64
6 Ein Optimalitätskriterium Lemma 5 Sei B eine Basis und x eine zulässige Basislösung zur Basis B. Wenn c 0, dann ist x optimale Lösung des LPs. Bevor wir dieses Lemma beweisen, kommen wir zu einem fundametalen Konzept der linearen Programmierung 30/ 64
7 Das duale LP Definition 6 Sei ein LP in Standardform. Das LP min{c T x Ax = b, x 0} (3) max{b T y A T y c} (4) in Ungleichungsstandardform ist das duale Lineare Programm zum LP (17). Das LP (17) nennen wir das primale Programm. 31/ 64
8 Schwache Dualität Sei x eine gültige Lösung des primalen LPs und y eine gültige Lösung des Dualen LPs. Dann gilt Beweis. Da b = Ax folgt Da A T y c und x 0 folgt b T y c T x. (5) b T y = x T A T y. x T A T y x T c = c T x. Zusammen bekommen wir die erwünschte Aussage: b T y c T x. 32/ 64
9 Beweis von Lemma 5 Erinnerung x zulässige Basislösung zur Basis B und c(j) = c(j) c T B A 1 B aj 0 für alle j {1,...,n}. (6) (6) kann man umschreiben als c A T A 1 B T cb 0 A T A 1 T cb c. (7) y = A 1 T B cb ist gültige Lösung des Dualen max{b T y A T y c} von min{c T x Ax = b, x 0}. Zielfunktionswert: b T y = (A x ) T y = (A B x B )T y = (A B x B )T A 1 = xb T A T B A 1 = c T x B T B cb T B cb 33/ 64
10 Degenerierte Basislösung Die Frage ist nun, ob auch die Umkehrung von Lemma 5 gilt. Also die Aussage: Wenn c(j) < 0 für ein j {1,...,n}, dann ist dann die Basislösung x nicht Optimal. Sei x eine gültige Basislösung zur Basis B, j / B und d, die j-te Basisrichtung Wenn x (l) = 0 für ein l B, dann ist möglicherweise x + θ d für alle θ > 0 nicht gültig (Wenn auch d(l) < 0) Definition 7 (Degenierte Basislösung) Eine Basislösung x eines LPs heißt degeneriert, wenn J < m, wobei J = {j x (j) > 0}. 34/ 64
11 Die Umkehrung von Lemma 5 gilt eingeschränkt Lemma 8 Sei B eine Basis und x eine zulässige Basislösung zur Basis B. Wenn c(j) < 0 für ein j {1,...,n} und x nichtdegeneriert, dann ist x nicht optimal. Beweis. Sei d R n die j-te Basisrichtung von B. Es gilt A d = 0, d(j) = 1 und d(k) = 0 für alle k B, k j. c(j) gibt die Zunahme der Zielfunktion an, beim Übergang von x zu x + d. Also c(j) = c T d. Da x B > 0 gibt es ein θ > 0 mit x + θ d 0 und somit x + θ d gültige Lösung. c T (x + θ d) = c T x + θ c T d < c T x 35/ 64
12 Optimale Basis Definition 9 Sei B {1,...,n} eine Basis des LP min{c T x Ax = b, x 0} in Standardform. Die Basis ist optimal, wenn folgende Bedingungen gelten A 1 B b 0 assoziierte Basislösung gültig y = A 1 T B cb ist gültige duale Lösung oder äquivalent reduzierte Kosten c von B sind nichtnegativ Eine optimale Basis liefert eine optimale Basislösung, dagegen kann degenerierte optimale Basislösung negative reduzierte Kosten haben 36/ 64
13 Entwicklung der Simplex Methode (nichtdeg. Fall) Sei x nicht-degenerierte zulässige Basislösung von min{c T x Ax = b,x 0} und c Vektor der reduzierten Kosten Wenn c 0, dann ist x optimal Falls c(j) < 0 für ein j dann exist. θ > 0 mit x + θ d gültig, wobei d j-te Basisrichtung Durch Fortschreiten, wird Variable x(j) positiv und alle anderen Nichtbasisvariablen bleiben 0 Wir sagen, j tritt in die Basis ein. Da Kosten in Richtung d abnehmen sollte man so weit wie möglich vorangehen: θ = max{θ 0 x + θ gültig}. Die zugehörige Verringerung der Kosten ist θ c T d = θ c(j). Da Ad = 0, gilt A(x + θ d) = Ax = b Gefahr droht nur der Einhaltung der x 0 Bedingung 37/ 64
14 Wir unterscheiden zwei Fälle: a) Wenn d 0, dann ist x + θd 0, für alle θ 0, der Vektor x + θd wird nie ungültig, mann kann θ = wählen Das LP ist unbeschränkt b) Wenn d(i) < 0, für ein i {1,...,n}, dann folgt aus x (i) + θd(i) 0, dass θ x (i)/d(i) Sei K {1,...,n} definiert durch K = {i d(i) < 0} Größter Wert für θ ist gegeben durch θ = min {i K} ( x (i) d(i) ) (8) Da d(i) 0, für i B, gilt K B. Beachte, dass θ > 0, da x B > 0 wegen Nichtgeneriertheit von x 38/ 64
15 Erinnerung Beispiel Wir betrachten das lineare Optimierungsproblem min{c T x Ax = b,x 0} mit A = ( ) und b = ( ) 2. 2 ( ) 1 1 Wähle B = {1,2}. Dann gilt A B =, also ist B eine Basis. 2 0 Wir setzen x(3) = x(3) = 0 und erhalten aus x B = A 1 B b die gültige Basislösung x = (1,1,0,0) 3-te Basisrichtung: Es gilt d(3) = 1, d(4) = 0 und ( ) ( ) ( ) ( ) d(1) d B = = A 1 0 1/2 1 3/2 d(2) B a3 = = 1 1/2 3 1/2 Die reduzierten Kosten in dieser Richtung sind c(3) = 3 2 c(1) c(2) + c(3). 39/ 64
16 Fortsetzung Beispiel Wir nehmen an, dass c = (2,0,0,0) T, also c 3 = 3. Basisrichtung für j = 3 ist d = ( 3/2, 1/2, 1, 0). Betrachte die Punkte y = x + θd, für θ > 0. Einzige Komponente von y, die abnimmt, ist y 1 (da d(1) < 0) Maximaler Wert von θ ist daher θ = x1 /d(1) = 2/3 Neuer Punkt y = x d = (0,4/3,2/3,0). Die zugehörigen Spalten a 2,a 3 sind linear unabhängig und B = {2, 3} ist eine neue Basis. Wir sagen, 1 hat die Basis verlassen und 3 ist in die Basis eingetreten. 40/ 64
17 Basiswechsel Wenn θ endlich ist, gelangen wir zu neuer gültiger Lösung y = x + θ d Da x(j) = 0 und d(j) = 1, gilt y(j) = θ > 0 Sei l ein Index für den in (8) Minimum angenommen wird Dann gilt d(l) < 0 und y (l) = x(l) + θ d(l) = 0 Basisvariable x(l) wird also 0, während Nichtbasisvariable x(j) positiv geworden ist Dies legt nahe, in Basis B Index l durch j zu ersetzen, d.h. überzugehen zu B = (B \ {l}) {j}. (9) 41/ 64
18 B ist Basis Theorem 10 a) rang(a B ) = m b) y = x + θ d ist eine zu B gehörige gültige Basislösung Beweis. a) Zu zeigen ist: Spalten von A B sind linear unabhängig Betrachte Indexmenge M = {i d(i) 0,i j} B und beachte, dass l M Es gilt (da Ax = b) a j = i M d(i)a i (10) Annahme: Vektoren a i, i B sind linear abhängig. 42/ 64
19 Da Spalten von A B und insbesondere von A B\{l} linear unabhängig sind, muss folglich a j im Erzeugnis der Vektoren a i, i B \ {l} liegen Folglich gibt es Zahlen ν(i), i B \ {l} mit a j = i B\{l} ν(i)a i. (11) Durch Subtraktion der Gleichung (10) von der Gleichung (11) erhalten wir ν(i)a i + (ν(i) + d(i))a i + d(l)a l = 0 (12) i (B\{l})\M i M\{l} was zeigt, dass die Spalten von A B linear abhängig sind. (Wiederspruch!) b) Ist klar, da y gültige Basislösung zur Basis B ist. (y (i) 0 = i B ) 43/ 64
1 Der Simplex Algorithmus I
1 Nicoletta Andri 1 Der Simplex Algorithmus I 1.1 Einführungsbeispiel In einer Papiermühle wird aus Altpapier und anderen Vorstoffen feines und grobes Papier hergestellt. Der Erlös pro Tonne feines Papier
MehrOptimierung. Vorlesung 02
Optimierung Vorlesung 02 LPs in kanonischer Form Für i = 1,, m und j = 1,, d seien c j, b i und a ij reele Zahlen. Gesucht wird eine Belegung der Variablen x 1,, x d, so das die Zielfunktion d c j x j
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)
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 =
Mehr6. Einführung 43. gilt. Dann soll also A B x B = b eindeutig lösbar sein, also A B vollen Rang haben, d. h. invertierbar (regulär) sein.
6. Einführung 43 und aus der linearen Unabhängigkeit der (a i ) i I(x) folgt y i = z i auch für i I(x). Insgesamt gilt also y = z, d. h., nach Definition 6.9 ist x eine Ecke von P. Beachte: Der Koordinatenvektor
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.
MehrVORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)
VORLESUNG 12 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 53 Wiederholung! Basis-Startlösung berechnet! Künstliche Variablen! Erkennung von unlösbaren Problemen! Eliminierung
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. 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,
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
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
Mehr1. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme. f(x) min, x G (1.1) (Legende)
. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme X Banachraum, wobei X = R n G zulässige Menge des Optimierungsproblems f: G R Zielfunktion f(x) min, x G (.) (Legende)
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)
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
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
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.
MehrLineare Optimierung: Simplexverfahren Phase Ⅰ
Lineare Optimierung: Simplexverfahren Phase Ⅰ Zur Erinnerung: Die Lineare Optimierungsaufgabe in Standardform lautet z = c T x + c 0 min (.) bei Ax = b, x 0. Revidiertes Simplexverfahren Mit dem Simplexverfahren
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
MehrHauptsatz und Optimalitätskriterium der Simplexmethode
Kapitel 4 Hauptsatz und Optimalitätskriterium der Simplexmethode In diesem Abschnitt wird das wichtigste Verfahren zur Lösung linearer Optimierungsprobleme eingeführt die Simplexmethode Es existiere für
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
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
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
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
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
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
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
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
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
MehrLineare Programmierung (2)
Inhalt Rückblick Motivation - linearen Programmierung Flussprobleme Multiple Warenflüsse Fortsetzung Simplex Algorithmus Initialisierung Fundamentalsatz der linearen Programmierung schwache Dualität Dualität
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. 4.3: 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
Mehr3. Der Simplexalgorithmus Der Simplexalgorithmus 3.1 Formen des Linearen Optimierungsproblem. (3.1) Allgemeine Form !"#! " # # R $ %!
11 3.1 Formen des Linearen Optimierungsproblem... 12 3.2 Zulässige Basislösungen... 13 3.3 Die Geometrie von Linearen Programmen... 14 3.4 Lokale Suche unter den zulässigen Basislösungen... 15 3.5 Organisation
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,,
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
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
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
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
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 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..............................
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
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.
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
MehrKap. 4.2: Simplex- Algorithmus
Kap. 4.2: Simplex- Algorithmus Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 14.-17. VO A&D WS 08/09 2.12.-16.12.2008 Petra Mutzel Alg. & Dat.
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,
MehrDr. Anita Kripfganz SS 2014
Dr. Anita Kripfganz SS 2014 4. Lösungsverfahren 4.1. Schnittebenenmethode Im Jahre 1958 hat R. Gomory ein allgemeines Schnittebenenverfahren zur Lösung ganzzahliger linearer Optimierungsprobleme vorgeschlagen.
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
MehrKAPITEL 10 DIE INNERE-PUNKTE-METHODE
KAPITEL DIE INNERE-PUNKTE-METHODE F. VALLENTIN, A. GUNDERT Vorteile: + Löst effizient lineare Programme (in Theorie und Praxis) + erweiterbar (zu einer größeren Klasse von Optimierungsproblemen) + einfach
MehrOptimierung. Vorlesung 04
Optimierung Vorlesung 04 Übungsbetrieb Mangels Teilnehmer keine Dienstagsübung mehr. Prüfung laut Paul: Di, 10. Feb. 2015 00:01-23:59 2 Was bisher geschah LP: Maximiere c T x unter Ax = b, x 0. Basis:
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
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
Mehr4.1. Basislösung und kanonische Form
4.1. asislösung und kanonische Form ekannt: Jedes LOP kann äquivalent in ein Programm vom Typ III umgeformt werden. Jedes nichtleere Polyeder vom Typ III ist spitz. Für ein LOP vom Typ III gehört im Falle
MehrOptimierung 1 Zwischenklausur
Optimierung Zwischenlausur Tobias Breiten und Laurent Pfeiffer, Universität Graz 8. Mai 8 Lösung der Aufgabe. Wir führen Schlupfvariablen ein (positiv und negativ), um das Problem auf Standardform zu bringen
MehrLineare Optimierung Dantzig 1947
Lineare Optimierung Dantzig 947 Lineare Optimierungs-Aufgaben lassen sich mit Maple direkt lösen: with(simplex): g:= 4*x + x2
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Dualität Anwendung: Spieltheorie Komplementarität und Sensitivitätsanalyse Spaltengenerierung Schnittebenenverfahren Welchen Simplex wann? Inhaltsübersicht für heute: Dualität
MehrInhaltsverzeichnis Grundlagen der Linearen Optimierung
Inhaltsverzeichnis 4 Grundlagen der Linearen Optimierung 1 4.1 Grundbegriffe............................. 1 4.1.1 Lineare Optimierung..................... 1 4.1.2 Das Grundmodell eines linearen Optimierungsproblems
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)
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
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
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
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
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
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
MehrH. Meyerhenke: Kombinatorische Optimierung. Paralleles Rechnen, Institut für Theoretische Informatik, Fakultät für Informatik
VORLESUNG 13 Smoothed Analysis des Simplex-Algorithmus Nach Heiko Röglin, Universität Bonn, Vorlesungsskript Introduction to Smoothed Analysis vom 9. Januar 2012 78 Wiederholung Simplex-Algorithmus! Korrektheit:!
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
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
MehrGraphentheorie. Kürzeste Wege. Kürzeste Wege. Kürzeste Wege. Rainer Schrader. 25. Oktober 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 25. Oktober 2007 1 / 20 2 / 20 Wir werden Optimierungsprobleme vom folgenden Typ betrachten: gegeben eine Menge X und eine Funktion
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
MehrD-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler. Lösungen Serie 10
D-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler Lösungen Serie 10 1. Für a 1 : 1 1 0, a 2 : 1 1, a 3 : 1 1 1, b : 2 2 2 1 und A : (a 1, a 2, a 3 ) gelten welche der folgenden Aussagen? (a) det(a)
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
MehrAngewandte Mathematik für die Informatik
Angewandte Mathematik für die Informatik PD Dr. Louchka Popova-Zeugmann PD Dr. Wolfgang Kössler 17. Mai 2017 1 Lineare Optimierung Allgemeine LOA Ganzzahlige Optimierung Differentialgleichungen Differentialgleichungen
MehrDie Lagrange-duale Funktion
Die Lagrange-duale Funktion Gregor Leimcke 21. April 2010 1 Die Lagrangefunktion Wir betrachten das allgemeine Optimierungsproblem wobei minimiere f 0 über D sodass f i 0, i = 1,..., m 1.1 D = h i = 0,
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
MehrProduktionsplanung und Lineare Optimierung im Rahmen des Projekts Mathematik und Ökonomie 12./13. November 2003 in Düsseldorf.
Übungsaufgaben Aufgabe 1a Medikamentenmischung Ein Pharmaziehersteller möchte ein neues Medikament auf den Markt bringen. Das Medikament kann aus vier verschiedenen Komponenten (K1 K4) zusammengestellt
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
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
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
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:
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
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
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 Zum Aufwärmen. 1.1 Notationen. 1.2 Lineare Abbildungen und Matrizen. 1.3 Darstellungsmatrizen
1 Zum Aufwärmen 1.1 Notationen In diesem Teil der Vorlesung bezeichnen wir Körper mit K, Matrizen mit Buchstaben A,B,..., Vektoren mit u,v,w,... und Skalare mit λ,µ,... Die Menge der m n Matrizen bezeichnen
MehrProf. Dr. Roland Griesse. Höhere Mathematik für Bachelorstudiengänge I.2
Höhere Mathematik für Bachelorstudiengänge I.2 Wir nehmen an, dass die LOA bereits in Normalform vorliegt: Maximiere c x, wobei A x = b sowie x 0 mit A R m n, b R m und c R n. Neben b 0 nehmen wir noch
MehrÜberblick. Kap. 1.4: Minimum Weight Perfect Matching. 1.3 Blüten-Schrumpf Algorithmus für Maximum Matching
Kap. 1.4: Minimum Weight Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 4. VO 6. November 2006 Überblick kurze Wiederholung: 1.2 Blüten-Schrumpf-Algorithmus für Perfektes Matching
Mehr6. Softwarewerkzeuge für die Lineare Programmierung
6. Softwarewerkzeuge für die Lineare Programmierung Inhalt 6. Softwarewerkzeuge für die Lineare Programmierung GNU Linear Programming Kit Operations Research I Hochschule Bonn-Rhein-Sieg, SS 2013 314 GNU
MehrTriangulierungen von Punktmengen und Polyedern
Triangulierungen von Punktmengen und Polyedern Vorlesung im Sommersemester 2000 Technische Universität Berlin Jörg Rambau 17.05.2000 Sekundärpolytop und 6 bistellare Operationen In diesem Kapitel werden
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
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
MehrLineare Programmierung
asis Definition 3.38 Gegeben sei ein LP in der Normalform mit m als Rang der Matrix 2 R m n. x 2 R n mit x = b heißt asislösung gdw. n m Komponenten x i gleich Null und die zu den restlichen Variablen
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:
MehrOptimierungstheorie Scheinklausur Sommersemester Juli 2007
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Prof. Dr. Christian Wieners, Dipl.-Math. techn. Martin Sauter Institut für Angewandte und Numerische Mathematik Optimierungstheorie Scheinklausur
MehrKlausur zur Spieltheorie
Prof. M. Eisermann Spieltheorie 5. September 18 Klausur zur Spieltheorie Aufgabe 1. Bitte füllen Sie folgendes aus! (1 Punkt) Name: Matrikelnummer: Vorname: Studiengang: Es gelten die üblichen Klausurbedingungen.
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,
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
Mehr4 Bilinearformen und Skalarprodukte
4 Bilinearformen und Skalarprodukte 4 Grundlagen über Bilinearformen Definition 4 Sei V ein K-Vektorraum Eine Bilinearform b auf V ist eine Abbildung b : V V K mit folgenden Eigenschaften: (B) x, y, z
Mehr4 Affine Koordinatensysteme
4 Affine Koordinatensysteme Sei X φ ein affiner Raum und seien p,, p r X Definition: Nach ( c ist der Durchschnitt aller affinen Unterräume Z X, welche die Menge {p,,p r } umfassen, selbst ein affiner
MehrMODULPRÜFUNG Numerische Methoden (Elektrotechnik, Meteorologie, Geodäsie und Geoinformatik)
Karlsruher Institut für Technologie KIT) Institut für Analysis Dr. S. Wugalter Herbst 7.9.7 MODULPRÜFUNG Numerische Methoden Elektrotechnik, Meteorologie, Geodäsie und Geoinformatik) Aufgabe 4 Punkte)
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 +
Mehr