Operations Research. Die Simplexmethode. LP-Dualität. Die Simplexmethode. Rainer Schrader. 18. Juni Zur Erinnerung: Gliederung
|
|
- Monika Koenig
- vor 7 Jahren
- Abrufe
Transkript
1 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 des Simplexalgorithmus Sensitivitätsanalyse die primal-duale Methode Die Simplexmethode Zur Erinnerung: wir haben ein LP-Dualität lineares Programm (LP) wie folgt definiert: max c T x Ax b Dualisierung führt auf das folgende duale Programm min b T y y T A = c y 0 (1) () wir schreiben das duale Programm in der folgenden Form: max b T y A c 4 A5 y 4 c5 I 0 () / 1 4 / 1
2 max b T y A c 4 A5 y 4 c5 I 0 das dazu duale Programm lautet: mit x = v u ergibt sich daraus und dies ist äquivalent zu min cu cv + 0w Au Av Iw = b u, v, w 0 min cx Ax b max cx Ax b damit ist das Duale des Dualen wieder das Primale LP-Dualität () Beispiel: Wir betrachten das Problem min x 1 x + 1 x sd x 1 + x x 1 x 1 + 4x x / x 1 0 Dieses lineare Programm ist äquivalent zu LP-Dualität max x 1 + x 1 x sd x 1 x + x 1 x 1 + 4x x / x / 1 6 / 1 LP-Dualität LP-Dualität Dieses lineare Programm ist äquivalent zu max x 1 + x 1 x sd x 1 x + x 1 x 1 + 4x x / x 1 0 Dual dazu ist das lineare Programm min y 1 + y sd y 1 + y y = y 1 + 4y = 1 y 1 y = 1/ y 1, y, y 0 Dual dazu ist das lineare Programm min y 1 + y sd y 1 + y y = y 1 + 4y = 1 y 1 y = 1/ y 1, y, y 0 Das letzte lineare Programm ist zb äquivalent zu max y 1 y sd y 1 y y 1 + 4y = 1 y 1 + y = 1/ y 1, y 0 / 1 8 / 1
3 allgemeine Form linearer Programme: wir betrachten das folgende primale Programm: max c T x + d T y Ax + By a Cx + Dy = b y 0 das zugehörige duale Programm lautet Beweis: Übungsaufgabe min u T a + v T b u T A + v T C = c T u T B + v T D d T u 0 LP-Dualität max c T x Ax b seien x primal und y dual zulässig min nach der schwachen Dualität gilt c T x b T y die KKT-Bedingungen lauten damit ergibt sich: A T y = c c T x b T y = 0 Ax b y 0 LP-Dualität b T y A T y = c y 0 (4) 9 / 1 10 / 1 Satz 1 (Starke Dualität) LP-Dualität Eine primal zulässige Lösung x ist genau dann optimal, wenn es eine dual zulässige Lösung y gibt mit der Eigenschaft c T x = b T y In diesem Fall ist y notwendigerweise dual optimal Beweis: nach Satz 15 ist x genau dann optimal, wenn es zusammen mit einem y die KKT-Bedingungen erfüllt dann ist genau dann der Fall, wenn gilt: x ist primal zulässig y ist dual zulässig c T x = b T y Korollar LP-Dualität Seien (P) und (D) ein Paar primal-dualer linearer Programme Dann gilt genau eine der folgenden Alternativen: (i) (P) und (D) sind unzulässig (ii) eines der beiden ist unbeschränkt, das andere unzulässig (iii) beide besitzen zulässige und damit auch optimale Lösungen Beweis: ist ein Programm unbeschränkt, so muss das andere wegen der schwachen Dualität unzulässig sein sind beide zulässig, so sind beide beschränkt und besitzen damit optimale Lösungen dann ist aber auch y notwendigerweise dual optimal 11 / 1 1 / 1
4 LP-Dualität LP-Dualität Beispiel für (i): max x 1 + x x 1 x 0 x 1 + x 1 min y y 1 y = 1 y 1 + y = 1 y 1, y 0 (5) Korollar (Satz vom komplementären Schlupf) Eine primal zulässige Lösung x ist genau dann optimal, wenn es eine dual zulässige Lösung y gibt mit der Eigenschaft y ist dann notwendigerweise dual optimal y T (b Ax) = 0 (6) die beiden Programme sind dual zueinander beide Polyeder sind offensichtlich leer Beweis: es gilt c T x b T y = (A T y) T x b T y = y T (Ax b) damit folgt die Behauptung aus Satz 1 es gilt stets y 0 und b Ax 0, damit gilt (6) nur, wenn y i = 0, falls b i a T i x > 0 1 / 1 14 / 1 Beispiel: primales Problem: das dazu duale Problem: min x 1 x + 1 x sd x 1 + x x 1 x 1 + 4x x / x 1 0 max y 1 y sd y 1 y y 1 + 4y = 1 y 1 + y = 1/ y 1, y 0 LP-Dualität Gliederung LP-Dualität ein lineares Produktionsmodell der Simplexalgorithmus Phase I Endlichkeit des Simplexalgorithmus Sensitivitätsanalyse die primal-duale Methode Die Simplexmethode optimale Lösungen sind x 1 = 0, x = 1 9, x = 5 9, y 1 = 1 9, y = 5 18 mit c T x = = yt b 15 / 1 16 / 1
5 lineares Produktionsmodell lineares Produktionsmodell es sollen n Güter der Typen P 1, P,, P n produziert werden dazu werden die Rohstoffe R 1,, R m verwendet die ökonomischen Produktionsparameter seien a ij = benötigte Menge von R i zur Produktion einer Einheit von P j c j = Gewinn pro Einheit bei Produktion von P j b i = Anzahl Einheiten von R i im Vorrat gesucht ist ein Produktionsplan, der den Gewinn maximiert der optimale Produktionsplan ergibt sich als Lösung des folgenden linearen Programms: max c 1 x c n x n sd a 11 x a 1n x n b 1 a m1 x a mn x n b m x 1,, x n 0 was, wenn wir anstatt zu produzieren, den Vorrat an Rohstoffe verkaufen? welche Preise sollten die Rohstoffe mindestens erzielen? () 1 / 1 18 / 1 lineares Produktionsmodell der Preis der Rohstoffe sollte mindestens so groß sein wie der bei ihrer Verarbeitung erzielte Gewinn dies lässt sich durch das folgende lineare Programm ausdrücken: lineares Produktionsmodell Problem () ist in Matrixschreibweise» max c T» x A b x I 0 min b 1 y b m y m das dazu duale Problem ist sd a 11 y a m1 y m c 1 a 1n y a mn y m c n y 1,, y m 0 (8) min b T y A T y Iz = c y 0, z 0 wegen z 0 ist letzteres aber äquivalent mit (8): (9) die beiden Programme () und (8) sind dual zueinander: min b T y A T y c y 0 (10) die Preise y 1,, y m, die sich als Optimallösung von (8) ergeben, sind die sog Schattenpreise der Güter R 1,, R m 19 / 1 0 / 1
6 lineares Produktionsmodell Interpretation des komplementären Schlupfes: x i > 0 = (y T A) i = c i : wird im Optimum das i-te Produkt produziert dann kann durch den Verkauf der Rohstoffe nicht mehr Gewinn erzielt werden (y T A) i > c i = x i = 0: Gliederung LP-Dualität ein lineares Produktionsmodell der Simplexalgorithmus Phase I Endlichkeit des Simplexalgorithmus Sensitivitätsanalyse die primal-duale Methode Die Simplexmethode kann durch den Verkauf der Rohstoffe mehr Gewinn erzielt werden so sollte das i-te Produkt nicht produziert werden 1 / 1 / 1 Zur Erinnerung: Simplexalgorithmus wir betrachten ein lineares Optimierungsproblem der Form: min c T x Ax = b x 0 das dazu duale lineare Programm ergibt sich als: max b T y A T y c seien x primal und y dual zulässig nach der schwachen Dualität gilt c T x b T y (11) (1) Simplexalgorithmus es gilt eine der drei Alternativen: das Problem ist unzulässig ({x 0 Ax = b} = ) die Zielfunktion ist unbeschränkt (min c T x = ) das Optimum wird in einer Ecke angenommen Ecken entsprechen Basislösungen sei r = rg A und v 0 v ist genau dann eine Ecke von P, wenn gilt: es existiert eine Indexmenge N mit N = n r v j = 0 für alle j N; nach der starken Dualität gilt c T x = b T y genau dann, wenn beide optimal sind die Teilmatrix A B der r Spalten A j mit Index j / N bildet eine Spalten-Basis von A (Basislösung) A B v B = b, A 1 B b 0 4 / 1 / 1
7 zentrale Idee des Simplexalgorithmus: Simplexalgorithmus untersuche die Basislösungen der beiden Zulässigkeitsbereiche P = {x R n Ax = b, x 0} P = {y R m A T y c} wir nehmen obda an, dass A vollen Zeilenrang m = rg A hat sei B N = {1,, n} eine Partition der Spaltenindices mit B = r die Partition der Indexmenge induziert eine Zerlegung des Problems Simplexalgorithmus dann lässt sich das primale System schreiben als wir nehmen weiter an, dass A B min c T B x B + c T N x N A B x B + A N x N = b x B, x N 0 vollen Rang hat dann ist eine Lösung des Gleichungssystems gegeben durch: x = (x B, x N ) mit x B = A 1 B b x N = 0 weiter ist x eine Ecke von P, falls zusätzlich x B = A 1 B b 0 in diesem Fall bildet A B eine zulässige Basislösung wir nennen die Indexmenge B dann auch selber eine Basis 5 / 1 6 / 1 Simplexalgorithmus Simplexalgorithmus entsprechend lässt sich das duale System schreiben als: wir haben B die folgenden Kandidaten für Lösungen zugeordnet: dann erfüllt y = (A T B ) 1 c B» max b T y A T B y A T N» cb c N das erste Teilsystem es gilt: x R n mit x B = A 1 B b, x N = 0 N y R m mit y = (A T B ) 1 c B (Z) x P x B 0 B weiter ist y zulässig für P, falls zusätzlich A T N y = A T N (A T B ) 1 c B c N da rg A = rg A B, ist y dann auch Ecke von P (Z ) y P A T N y c N weiter gilt c T x = c T B x B + c T N x N = (A T B y) T x B = y T A B x B = y T b wegen der starken Dualität sind x, y optimal, falls sie zulässig sind gesucht: eine Basis B so, dass sowohl x als auch y zulässig sind / 1 8 / 1
8 Gliederung LP-Dualität ein lineares Produktionsmodell der Simplexalgorithmus das Simplexaltableau die primale Strategie ein Beispiel Bemerkungen zum Simplexalgorithmus die revidierte Simplexmethode Sensitivitätsanalyse die primal-duale Methode Simplexalgorithmus Das Simplextableau traditionell wird in der Analyse des Simplexalgorithmus immer ein Basiswechsel vorgenommen dh die Spaltenvektoren werden bzgl der jeweiligen Basis A B dargestellt die Restriktion werden nicht dargestellt als: sondern in der Form: A 1 Ax = A B x B + A N x N = b B Ax = I Bx + A N x N = b mit A N = A 1 mit anderen Worten: sei A = A 1 B A B A N, b = A 1 B b dann erhalten wir eine äquivalente Formulierung des primalen Problems (11) in der Form min c T x sd Ax = b, x 0 9 / 1 0 / 1 analog für das duale System» A T A T y = B y sei y = (A T B ) 1 c B Das Simplextableau A T N» cb c N = c wir definieren die reduzierten Kosten c als den dualen Schlupf»»»» cb = c = c A T cb A T y = B c N c N AN T (AB T ) 1 0 B c B = c N AN T (AB T ) 1 c B dann haben wir c B = 0 B und c N = c N A T N (A T B ) 1 c B = c N A T N c B Das Simplextableau die ursprünglichen Zulässigkeitsbedingungen (Z) x P x B 0 B (Z ) y P AN T y c N gehen dann über in : (Z) x B = b 0 (Z ) c T N = c T N c T B A N = c T N y T A N 0 T N erfüllt x die Bedingung (Z ), so ist x primal zulässig erfüllt y die Bedingung (Z ), so ist y dual zulässig 1 / 1 / 1
9 wir setzen z = c T x, dann bedeutet der Basiswechsel: von den Ausgangsdaten z = c T x b = Ax Das Simplextableau» 0 c T B c T N geht man über zu dem Koeffizientenschema» z 0 T B c T N hierbei ist b I B A N b A B A N z = c T B b = c T x = c T B A 1 B b = bt y (1) das Parameterschema (1) ist das Indexmenge B rechnerisch ist es einfach zu ermitteln: Das Simplextableau Simplextableau bzgl der führe auf den Ausgangsdaten Pivotoperationen (elementare Zeilenoperationen) aus, bis in den B-Spalten die Teilmatrix» 0 T B erreicht ist die reduzierten Kosten entsprechen der ersten Zeile des Tableaus I B / 1 4 / 1 Das Simplextableau Das Simplextableau man beachte: die Variablen x i mit Index i B heißen Basisvariablen (bzgl B) links oben steht der negative Zielfunktionswert bzgl der gerade betrachteten Basisvektoren x und y in der Literatur wird das Simplextableau daher oft mit den negativen Kostenkoeffizienten angegeben:»» 0 c T B c T N z 0 T B c T N b A B A N b I B A N die x j mit j N sind die Nichtbasisvariablen bei einem Simplextableau gehen wir immer von einer Problemformulierung vom Typ (11) aus: min c T x Ax = b x 0 (14) insbesondere unterstellen wir automatisch, dass x nichtnegativ sein soll 5 / 1 6 / 1
10 Idee des Simplexverfahrens: Das Simplextableau wir starten mit einer Basis gegeben durch die Indexmenge B sind die zugehörigen Basislösungen x, y primal und dual zulässig: stop andernfalls verändern wir B zu B = B i j und iterieren dabei versuchen wir, von einer Ecke zu einer Nachbarecke zu gehen und zwar so, dass die Zielfunktionswerte in den Ecken schwach monoton steigen Gliederung LP-Dualität ein lineares Produktionsmodell der Simplexalgorithmus das Simplexaltableau die primale Strategie ein Beispiel Bemerkungen zum Simplexalgorithmus Phase I Endlichkeit des Simplexalgorithmus Sensitivitätsanalyse die primal-duale Methode Die Simplexmethode / 1 8 / 1 Die primale Strategie Die primale Strategie wir unterscheiden im wesentlichen zwei Strategien wir nehmen an, wir hätten (irgendwie) eine Basis B gefunden derart, dass das zugehörige Simplextableau primal zulässig ist, primale Strategie: x ist stets primal zulässig das Verfahren stoppt, wenn y dual zulässig ist dh sei A j der jte Spaltenvektor von A b = A 1 B b = x B 0 B duale Strategie: falls gilt: c j = c T B A j = c T B A 1 B A j 0 für alle j N y ist stets dual zulässig das Verfahren stoppt, wenn x primal zulässig ist so ist y dual zulässig und wir haben eine Optimallösung gefunden wir werden diese beiden Strategien im folgenden beschreiben 9 / 1 40 / 1
11 Die primale Strategie Die primale Strategie sei also c j < 0 für ein j N der einfachen Notation wegen nehmen wir an, wir hätten die Indices so umnumeriert, dass gilt: B = {1,, m} das Simplextableau sieht dann wie folgt aus: 6 4 z c m+1 c m+ c j c n b a 1,m+1 a 1,m+ a 1j a 1n b a,m+1 a,m+ a j a n 0 b k a k,m+1 a k,m+ a kj a kn 5 b m a m,m+1 a m,m+ a mj a mn es ist x j = 0 wir wollen x j erhöhen, da dadurch der Zielfunktionswert sinkt als Ausgleich müssen wir die Basisvariablen verändern wir unterscheiden die Fälle A j 0 und A j 0 41 / 1 4 / 1 Die primale Strategie Die primale Strategie 6 4 z c m+1 c m+ c j c n b a 1,m+1 a 1,m+ a 1j a 1n b a,m+1 a,m+ a j a n 0 b k a k,m+1 a k,m+ a kj a kn z c m+1 c m+ c j c n b a 1,m+1 a 1,m+ a 1j a 1n b a,m+1 a,m+ a j a n 0 b k a k,m+1 a k,m+ a kj a kn 5 b m a m,m+1 a m,m+ a mj a mn b m a m,m+1 a m,m+ a mj a mn ist A j 0, so können wir andernfalls: es existieren i mit a ij > 0: x j beliebig erhöhen die Basisvariablen zum Ausgleich ebenfalls erhöhen wenn wir x j erhöhen, müssen wir x i um a ij x j senken den Zielfunktionswert beliebig klein machen bis die erste dieser Variablen auf Null gefallen ist 4 / 1 44 / 1
12 ist A j 0, so können wir Die primale Strategie x j beliebig erhöhen die Basisvariablen zum Ausgleich ebenfalls erhöhen den Zielfunktionswert beliebig klein machen andernfalls: es existieren i mit a ij > 0: wenn wir x j erhöhen, müssen wir x i um a ij x j senken bis die erste dieser Variablen auf Null gefallen ist dh wir suchen einen Koeffizienten a kj > 0 mit der Eigenschaft b k a kj j ff bi = min a ij > 0 i a ij (15) Lemma 4 Sei B primal zulässig Die primale Strategie (i) Ist A j 0, dann ist das Problem (11) unbeschränkt (ii) Wird andernfalls der Index k gemäß der Pivotregel (15) definiert, dann ist B = (B {j}) \ {k } primal zulässig Beweis: (i) im Fall A j 0 betrachten wir ein beliebiges λ > 0 und setzen dann ist x R n x j = λ x i = b i a ij λ (i B) x l = 0 (l N \ {j}) wieder primal zulässig das nach (15) bestimmte Element a kj heißt Pivotelement 45 / 1 46 / 1 Die primale Strategie Die primale Strategie x j = λ x i = b i a ij λ (i B) x l = 0 (l N \ {j}) Simplexalgorithmus (1) bestimme eine primal zulässige Basis B () sind alle reduzierten Kosten c j, j N nichtnegativ: der Zielfunktionswert ist c T x = c T B b c T B A j λ + c j λ = c T B b + c j λ (wenn λ + ) () dann ist eine Optimallösung gefunden mit x B = b und x N = 0 N (ii) führe elementare Zeilenoperationen auf dem Simplextableau so aus, dass die j te Spalte in den k ten Einheitsvektor überführt wird (4) andernfalls wähle j N mit c j < 0 (5) ist A j 0: stop (das Problem ist unbeschränkt) (6) andernfalls berechne gemäß (15) eine neue Basis B und gehe zu () alle Spalten bzgl B \ {k } bleiben dann Einheitsvektoren und die Fortschreibung von b ergibt b k = b k /a kj 0 b i = b i a ij b k /a kj 0 4 / 1 48 / 1
13 Die primale Strategie An dieser Stelle bleiben noch zwei Fragen offen: 1 wie findet man anfänglich eine primal zulässige Basis? terminiert die primale Strategie nach endlich vielen Iterationen? Bevor die Fragen beantworten, ein Beispiel und einige Bemerkungen zum Simplexverfahren Gliederung LP-Dualität ein lineares Produktionsmodell der Simplexalgorithmus das Simplexaltableau die primale Strategie ein Beispiel Bemerkungen zum Simplexalgorithmus Simplexalgorithmus Phase I Endlichkeit des Simplexalgorithmus Sensitivitätsanalyse die primal-duale Methode 49 / 1 50 / 1 Beispiel: Wir betrachten das Problem x 60 min x 1 x x 100 x 1 +x 00 x 1 40 x 10 x 1 0, x 0 Beispiel Nach Einführen von Schlupvariabeln lautet es: Beispiel min x 1 x 1 6 x 1 + x +x = 100 x 1 +x +x 4 = 00 x 1 +x 5 = 40 x +x 6 = 10 x 1 0, x 0, x 0, x 4 0, x 5 0, x 6 0 wir stellen das Problem weiterhin im Raum der ursprünglichen Variablen dar zu leichteren Lesbarkeit erweitern wir die Tableaus um eine Zeile mit den Variablennamen offensichtlich ist die Basis B = {, 4, 5, 6} eine zulässige Basislösung x / 1 5 / 1
14 Beispiel min x 1 x 1 6 x 1 + x +x = 100 x 1 +x +x 4 = 00 x 1 +x 5 = 40 x +x 6 = 10 x 1 0, x 0, x 0, x 4 0, x 5 0, x 6 0 mit der Basis B = {, 4, 5, 6} hat das Tableau folgende Form: z x x 4 x 5 x 6 x 1 x Beispiel die Basislösung entspricht der Ecke (0, 0) in den ursprünglichen Variablen z x x 4 x 5 x 6 x 1 x x x / 1 54 / z x x 4 x 5 x 6 x 1 x wir wählen zb die letzte Spalte als Pivotspalte nach Regel (15) ist min {100)/, 00/1, 10/1} = 10 damit ist die 4 Zeile die Pivotzeile Beispiel wir führen Zeilenoperationen aus, die die Spalte in den Einheitsvektor e 4 überführen: Mit der Basis B = {, 4, 5, 6} hat das Tableau folgende Form: z x x 4 x 5 x 6 x 1 x z x x 4 x 5 x 6 x 1 x Beispiel 5 55 / 1 56 / 1
15 z x x 4 x 5 x 6 x 1 x Beispiel z x x 4 x 5 x 6 x 1 x Beispiel 5 die Basis besteht jetzt aus, 4, 5, Spalte 5 ist jetzt die eindeutige Pivotspalte es ist x 1 = 0, x = 10, z = 40 ebenfalls eindeutig ist die Pivotzeile x x z x x 4 x 5 x 6 x 1 x 5 5 / 1 58 / 1 das neue Tableau lautet: z x x 4 x 5 x 6 x 1 x Beispiel z x x 4 x 5 x 6 x 1 x z x x 4 x 5 x 6 x 1 x die Basis besteht jetzt aus 1,, 4, 5 es ist x 1 = 10, x = 10, z = 60 x Beispiel x / 1 60 / 1
16 z x x 4 x 5 x 6 x 1 x Beispiel z x x 4 x 5 x 6 x 1 x Beispiel Das neue Tableau lautet: z x x 4 x 5 x 6 x 1 x die Basis besteht aus 1,, 5, 6 und ist optimal es ist x 1 = 00, x = 100, z = 400 x x / 1 6 / 1 Die Simplexmethode Gliederung LP-Dualität ein lineares Produktionsmodell der Simplexalgorithmus das Simplexaltableau die primale Strategie ein Beispiel Bemerkungen zum Simplexalgorithmus Phase I Endlichkeit des Simplexalgorithmus Sensitivitätsanalyse die primal-duale Methode Bemerkung 1: Bemerkungen falls c j < 0 für mehrere j N, so haben wir noch Wahlfreiheit dies führt zu verschiedenen Pivotregeln: wähle j N mit c j minimal (steilster Abstieg) wähle j N mit größter Änderung der Zielfunktion (größter Fortschritt) wähle j N mit j minimal ebenso kann es bei der Wahl des die Basis verlassenden Elements Freiheiten geben es ist keine Regel bekannt, die in solchen Fällen (mathematisch beweisbar) immer die beste Wahl trifft 6 / 1 64 / 1
17 Bemerkung : Bemerkungen Bemerkung : Bemerkungen seien B und B zwei primal zulässige Basislösungen sei B jetzt nicht primal sondern dual zulässige Basislösungen B und B sind benachbart, falls B = B k j damit erzeugt der Simplexalgorithmus eine Folge von jeweils benachbarten Basislösungen zwischen je zwei benachbarten Basislösungen fällt der Zielfunktionswert schwach dabei kann es passieren, dass die zu benachbarten Basislösungen gehörigen Ecken identisch sind eine Folge von Ecken zyklisch durchlaufen wird in beiden Fällen könnte das Verfahren im Kreis laufen und nicht terminieren dann können wir die primale Simplexstrategie auf dem dualen Programm ausführen die Vorgehensweise jedoch auf dem primalen Simplextableau interpretieren dies führt zur dualen Simplexstrategie es ergeben sich die analogen Aussagen die reduzierten Kosten c l sind alle nichtnegativ ist B nicht optimal, so existiert ein b k < 0 wir wählen die Spalte j (und folglich das Pivotelement a kj < 0) nach der Pivotregel j ff c j c l = max a k l < 0 (16) l a k l a kj 65 / 1 66 / 1 Lemma 5 Bemerkungen (i) Gilt a k l 0 für l = 1,, n, dann besitzt Problem (11) keine zulässige Lösung (ii) Ist der Index j gemäß der Pivotregel (16) bestimmt, dann ist B = (B {j}) \ {k } dual zulässig Beweis: (i) eine zulässige Lösung x 1,, x n also hätte man im Fall a k l 0: 0 > b k = ist nichtnegativ, nx a k l x l 0, l=1 (ii) sei nun a kj gemäß (16) gewählt Bemerkungen wir datieren das Simplextableau wieder so auf, dass die j te Spalte zum j ten Einheitsvektor wird, dann ergibt sich die erste Zeile des aufdatieren Tableaus so: subtrahiere c j mal die neue Zeile k vom reduzierten Kostenvektor c T 0 T der Koeffizient in Spalte l ist also c l = c l c j a k l /a kj 0 was nicht sein kann 6 / 1 68 / 1
18 Bemerkung 4: Bemerkungen Bemerkung 5: Bemerkungen die duale Strategie kann wie folgt hilfreich sein: sei B eine optimale Basislösungen für ein lineares Programm max c T x Ax b wir fügen eine weitere Ungleichung hinzu max c T x Ax b dx t dann bleibt B dual, aber nicht primal zulässig es ist nicht notwendig, immer das gesamte Simplextableau zu berechnen zu der Basis B {1,, n} kann man immer die notwendige Information direkt aus den Ausgangsparametern gewinnen: berechne b = A 1 B b als Lösung der Gleichung A Bx = b berechne y T = c T B A 1 B als Lösung der Gleichung A T B y = c B dann ergeben sich die reduzierten Kosten als c j < 0 c j y T A j < 0 dh c j < mx y i a ij i=1 und wir können mit B dual weiteriterieren diese Situation tritt ua bei Verfahren der ganzzahligen Optimierung auf 69 / 1 0 / 1 die j-te Spalte A j ergibt sich dann als A j = A 1 B A j Bemerkungen damit kann zb bei der primalen Strategie ein Pivotelement a kj nach der Regel (15) bestimmt werden und der Basiswechsel vorgenommen werden hierbei kann die Basisinverse A 1 B B B = (B {j}) \ {k } leicht fortgeschrieben werden diese kompakte Version der Simplexmethode ist als revidierte Simplexmethode bekannt Gliederung LP-Dualität ein lineares Produktionsmodell der Simplexalgorithmus Phase I Endlichkeit des Simplexalgorithmus Sensitivitätsanalyse die primal-duale Methode Die Simplexmethode wir wenden uns jetzt der Frage zu, wie wir eine primal-zulässige Startbasis bestimmen dies geschieht in einem vorgelagerten Schritt, der Phase I heißt 1 / 1 / 1
19 wir betrachten das System Ax = b x 0 gesucht ist eine Basis B derart, dass x B = A 1 B b 0 Phase 1 wir können b 0 annehmen (ansonsten multipliziere mit ( 1)) wir betrachten das erweiterte lineare Programm min P m i=1 z i Iz + Ax = b x 0, z 0 (18) hat die Teilmatrix I als primal zulässige Basislösung damit können wir das Simplexverfahren für (18) durchführen (1) (18) Ax = b x 0 min P m i=1 z i Iz + Ax = b x 0, z 0 Phase 1 (1) besitzt genau dann eine zulässige Lösung, wenn (18) eine Optimallösung (x, z) mit Zielfunktionswert 0 besitzt, dh z 1 = = z m = 0 die Basis B einer solchen Optimallösung ergibt b als nichtnegative Linearkombination von linear unabhängigen Spalten von A diese können folglich zu einer zulässigen Spaltenbasis A B von A erweitert werden damit ist das gesuchte B gefunden (sofern (1) überhaupt lösbar ist) (1) (18) / 1 4 / 1 Phase 1 wir haben geklärt, wie wir eine primal-zulässige Basislösung finden es bleibt zu zeigen, dass das Verfahren terminiert insbesondere müssen wir das Zykeln vermeiden wir betrachten dazu die primale Strategie und verwenden eine modifizierte Pivotregel Gliederung LP-Dualität ein lineares Produktionsmodell der Simplexalgorithmus Phase I Endlichkeit des Simplexalgorithmus Sensitivitätsanalyse die primal-duale Methode Die Simplexmethode (für die duale Strategie gelten analoge Aussagen) 5 / 1 6 / 1
20 wir starten mit einer primal-zulässigen Basislösung B Endlichkeit sei Endlichkeit α i = (b i, a i1,, a im ) (i = 0, 1,, m) wir nehmen am, dass B aus den ersten m Koordinaten besteht 6 4 dann sieht das Tableau wie folgt aus: z c m+1 c m+ c j c n b a 1,m+1 a 1,m+ a 1j a 1n b a,m+1 a,m+ a j a n 0 b k a k,m+1 a k,m+ a kj a kn b m a m,m+1 a m,m+ a mj a mn 5 dh in jeder Iteration besteht α i aus b i und den ersten m Einträgen der i-ten Zeile des Simplextableaus zu Beginn ist also (mit b 0 = z = b b m ): die Vektoren α 1,, α m α 0 b α = b α m b m 0 1 sind am Anfang linear unabhängig sie bleiben auch nach jedem Pivotschritt linear unabhängig / 1 8 / 1 Endlichkeit Endlichkeit ein Vektor x heißt lexikographisch positiv, wenn die kleinste Koordinate 0 positiv ist zb sind die Vektoren α 1,, α m alle lexikographisch positiv y ist lexikgraphisch größer als x, wenn der Differenzvektor y x lexikographisch positiv ist für je zwei Vektoren x und y gilt somit: x ist lexikographisch größer als y y ist lexikographisch größer als x x = y oder oder die lexikographische (primale) Pivotregel bestimmt das Pivotelement a kj in der Spalte j des Simplextableaus nun so, dass α k a kj j ff αi = lex-min a ij > 0 a ij dh wir wählen die Pivotzeile so, dass der Vektor minimal ist 1 a kj α k (19) lexikographisch da dann insbesondere die erste Komponente minimal ist, verschärft (19) die alte Regel j ff b k bi = min a ij > 0 (15) a kj i a ij der Index k ist eindeutig, da andernfalls die lineare Unabhängigkeit der α i verletzt wäre 9 / 1 80 / 1
21 Beispiel: wir betrachten das folgende Tableau: z x x 4 x 5 x 1 x x 6 die Pivotspalte ist eindeutig: j = als Pivotzeilen kommen i = 1 und i = in Frage für die Vektoren 1 a ij α i folgt: 1 a 1 α 1 = (5, 10, 4, 1) 1 a α = (5, 10, 5, 1) Endlichkeit nach der lexikographischen Regel wird Zeile als Pivotzeile gewählt 5 Lemma 6 Endlichkeit Sind α 1,, α m lexikographisch positiv, dann auch die entsprechenden α 1,, α m nach dem Pivotieren gemäß (19) Beweis: Division durch eine positive Zahl erhält die lexikographische Positivität also ist α k = α k /a kj für i k und a ij 0 ist α i lexikographisch positiv lexikographisch positiv, da α i = α i a ij a kj α k für i k und a ij > 0 folgt die Aussage aus α αi i = a ij α «k a ij a kj 81 / 1 8 / 1 Satz Endlichkeit Bei Anwendung der lexikographischen Pivotregel wird keine Basis wiederholt Damit ist die Anzahl der Iterationen endlich Beweis: der reduzierte Kostenkoeffizient c j ist negativ und α k lexikographisch positiv der erste Vektor α 0 ergibt sich als: α 0 = α 0 c j α k daher ist α 0 lexikographisch (echt) größer als α 0 damit sind alle Vektoren α 0 voneinander verschieden Zwischenfazit: Endlichkeit in der Phase 1 stellen wir entweder fest, dass das lineare Programm (11) keine zulässige Lösung besitzt, oder wir können (zb mit der lexikographischen Regel) eine zulässige Basis B berechnen haben wir B, dann können wir nun das Simplextableau zur tatsächlichen Zielfunktion aufstellen und weiterrechnen um Endlichkeit zu garantieren, kann man wieder die lexikographische Regel verwenden (nun relativ zur Startbasis B und nicht mehr zu I) damit ergibt sich: da das Tableau eindeutig von der Basis bestimmt wird, müssen auch alle Basen voneinander verschieden sein 8 / 1 84 / 1
22 Satz 8 Endlichkeit Ein lineares Programm ist entweder unzulässig oder unbeschränkt oder besitzt eine (optimale) Basis, die primal und dual zulässig ist Beweis: Wenn der Simplexalgorithmus stoppt, ist genau eine der im Satz behaupteten Eigenschaften nachgewiesen Gliederung LP-Dualität ein lineares Produktionsmodell der Simplexalgorithmus Phase I Endlichkeit des Simplexalgorithmus Sensitivitätsanalyse die primal-duale Methode Die Simplexmethode 85 / 1 86 / 1 Sensitivitätsanalyse sei B eine primal zulässige Basis für das lineare System Ax = b, x 0 für welche Zielfunktionsparameter c R n ist die zu B gehörige Basislösung x optimal? wir wissen: B ist optimal, wenn die reduzierten Kosten nichtnegativ sind: c T N = c T N c T B A 1 B A N 0 T N bzw (A 1 B A N ) T c B I N c N 0 N die dieser Ungleichung genügenden c sind genau die Elemente des polyedrischen Kegels Sensitivitätsanalyse ist B dual zulässig bzgl der festen Zielfunktionsparameter c, so stellt sich dual die Frage: für welche Restriktionsparameter b R m ist die zu B gehörige Basislösung x optimal? nach der primalen Zulässigkeit von b = A 1 B b 0 wieder erhalten wir einen polyedrischen Kegel: P( A 1 B, 0) dh für alle b, die in diesem Kegel liegen, bleibt B optimal P([A 1 B A N ) T I N ], 0) dh für alle c, die in diesem Kegel liegen, bleibt B optimal 8 / 1 88 / 1
23 Die Simplexmethode Die primal-duale Methode Gliederung LP-Dualität ein lineares Produktionsmodell der Simplexalgorithmus Phase I Endlichkeit des Simplexalgorithmus Sensitivitätsanalyse die primal-duale Methode wir betrachten wieder das folgende Paar dualer linearer Programme: min c T x Ax = b x 0 max b T y A T y c wir wollen jetzt das Konzept des komplementären Schlupfes ausnutzen Idee des Verfahrens: Wir erzeugen eine Folge (x i, y i ) von Vektoren, für die gilt: x i 0 y i ist dual zulässig x i und y i erfüllen die Komplementarität x i ist primal zulässig oder by i > by i 1 dh entweder sind (x i, y i ) optimal oder wir verbessern die duale Lösung 89 / 1 90 / 1 Die primal-duale Methode Die primal-duale Methode Annahme: wir kennen eine dual zulässige Lösung y und einen Vektor x 0 mit der Eigenschaft x j > 0 = y T A j = c j (j = 1,, n) min 1 T z Ãu + Iz = b u, z 0 (0) zb hat x = 0 trivialerweise diese Eigenschaft mit y T A j = c j für jede Spalten A j von à sei obda b 0 offensichtlich ist I eine primal zulässige Anfangsbasis für Problem (0) ist b = 0, so ist x = 0 optimal es kann somit mit der primalen Strategie gelöst werden wir nehmen daher P m i=1 b i > 0 an sei à die Teilmatrix aller Spalten A j von A mit der Eigenschaft sei (u, z ) eine Optimallösung falls ζ = 1 T z = 0, so gilt für x = (u, z ) = (u, 0): y T A j = c j wir betrachten das folgende lineare Optimierungsproblem x, y erfüllen die komplementären Schlupfbedingungen x ist primal zulässig für das Ausgangsproblem min 1 T z Ãu + Iz = b u, z 0 (0) 91 / 1 x, y sind folglich optimal 9 / 1
24 Die primal-duale Methode ist ζ > 0, so sei w eine dual optimale Lösung von (0) diese erfüllt ζ = b T w und ÃT w 0, w 1 für jede Spalte A l von A, die nicht zu à gehört, gilt: Al T y < c l also erfüllt der Vektor y = y + εw die duale Zulässigkeitsbedingung A T y c für ein genügend kleines ε > 0, aber liefert einen besseren Zielfunktionswert als y: b T y = b T y + εb T w = b T y + εζ > b T y wir können nun in gleicher Weise mit y anstelle von y verfahren 9 / 1
Studientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Lineare Optimierung Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 1. Juli 2012 Outline Lineares Programm (LP) in Standardform
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
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,
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:
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
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
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
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
MehrLineare Optimierungsmodelle
Lineare Optimierungsmodelle Simplex-Methode Vortragender: Michael Schneider Agenda Motivation Operations Research Aufbau linearer Optimierungsmodelle Simplex-Methode Ausblick 2 Problemstellung Futtermischung
Mehr3. Schnittebenenverfahren
3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research
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
MehrUnimodularität. Kapitel 1. Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206
Kapitel 1 Unimodularität Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206 Inhalt 1 Unimodularität Total unimodulare Matrizen Inzidenzmatrix Optimierungsprobleme auf Graphen Peter
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
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
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 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
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
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
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
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
Mehr4. Vektorräume und Gleichungssysteme
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 41 und 42 4 Vektorräume
MehrEs wurde in der Vorlesung gezeigt, daß man die Matrixgleichung Ax=b auch in der Form
Gaußscher Algorithmus zur Lösung linearer Gleichungssysteme Wir gehen aus vom Gleichungssystem A=b. Dabei ist A M m n K, b K m. Gesucht werden ein oder alle Elemente K n, so daß obige Gleichung erfüllt
MehrDas Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering
Das Linear Ordering Problem Exakte Lösungsverfahren VO Algorithm Engineering für NP-schwierige Professor Dr. Petra Mutzel kombinatorische Lehrstuhl für Algorithm Engineering, LS11 Optimierungsprobleme
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
Mehr2. Optimierungsprobleme 6
6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen
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
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
MehrFachakademie für Wirtschaft der FHM A2: Lineare Optimierung und das Simplexverfahren
A2.1 Lineare Optimierung mit dem Simplexverfahren Wenn ein Unternehmen ermitteln möchte, wie viele Mengeneinheiten von verschiedenen Produkten zu produzieren sind, damit bei gegebenen Verkaufspreisen der
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
Mehr3.4 Der Gaußsche Algorithmus
94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,
MehrKLAUSUR zu Einführung in die Optimierung. Studiengang: Bachelor Master Diplom (bitte ankreuzen)
Mathematisches Institut WS 2012/13 der Heinrich-Heine-Universität 7.02.2013 Düsseldorf Prof. Dr. Achim Schädle KLAUSUR zu Einführung in die Optimierung Bitte folgende Angaben ergänzen und DEUTLICH LESBAR
MehrKapitel 4. Optimierungsalgorithmen. Technische Universität Wien. Gunnar Klau Technische Universität Wien. Institut für Computergraphik und Algorithmen
Kapitel 4 Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen 1 Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
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:
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
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
MehrÜbungen zur Linearen Optimierung Sommersemester 2011. Übungsblatt 1
Universität Heidelberg Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Graduiertenschule HGS MathComp Dr. Stefan Körkel Magdalena Gottfried Übungen zur Linearen Optimierung Sommersemester 2011
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrMathematische Optimierung
Mathematische Optimierung Geschrieben von Jan Pöschko auf Grundlage der Vorlesung von Bettina Klinz TU Graz Sommersemester 2007 Stand: 27. Oktober 2009 Inhaltsverzeichnis I Lineare Optimierung 7 1 Grundlegende
MehrLineare (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-6020 Innsbruck, Österreich franz.pauer@uibk.ac.at 1 Einleitung In der linearen
MehrSpezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:
Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es
MehrQuadratische Matrizen
Quadratische Matrizen (n n)-matrizen heißen quadratische Die entsprechenden linearen Abbildungen sind laut Definition Endomorphismen des R n (weil f A : R n R n ) Das Produkt von (n n)- Matrizen ist auch
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
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
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(
MehrII. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme
52 II Lineare Gleichungssysteme II Lineare Gleichungssysteme 10 Matrizen und Vektoren 52 11 Der Gaußsche Algorithmus 58 12 Basen, Dimension und Rang 62 13 Reguläre Matrizen 66 14 Determinanten 69 15 Skalarprodukte
MehrARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES LINEARE OPTIMIERUNG
¾ REITSUNTERLGEN ZUR VORLESUNG UND ÜUNG N DER UNIVERSITÄT DES SRLNDES LINERE OPTIMIERUNG IM SS Lineare Optimierung (SS ). ufgabe (Graphische Lineare Optimierung) Nach einem anstrengenden Semester steht
MehrKap 5: Rang, Koordinatentransformationen
Kap 5: Rang, Koordinatentransformationen Sei F : V W eine lineare Abbildung. Dann ist der Rang von F erklärt durch: rang F =dim ImF. Stets gilt rang F dimv, und ist dimv
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrGraphentheorie. Maximale Flüsse. Maximale Flüsse. Maximale Flüsse. Rainer Schrader. 31. Oktober Gliederung. sei G = (V, A) ein gerichteter Graph
Graphentheorie Rainer Schrader Zentrum ür Angewandte Inormatik Köln 31. Oktober 2007 1 / 30 2 / 30 Gliederung maximale Flüsse Schnitte Edmonds-Karp-Variante sei G = (V, A) ein gerichteter Graph sei c eine
MehrAffine Geometrie (Einfachere, konstruktive Version)
Affine Geometrie (Einfachere, konstruktive Version) Def. Affiner Raum der Dimension n über Körper K ist nach Definition K n. Bemerkung. Man könnte Theorie von affinen Raumen auch axiomatisch aufbauen mit
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
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
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
MehrVorlesungsmitschrift Operations Research I und II
Vorlesungsmitschrift Operations Research I und II Bemerkung: Dies ist eine Überarbeitung der beiden Skripte [1] und [2] zu den oben genannten Vorlesungen von Prof. Sebastian, ergänzt um Anmerkungen, die
MehrKapitel 2: Lineare Optimierung
Kapitel 2: Lineare Optimierung Aufgabe 2.1: Lösen Sie zeichnerisch die folgenden LP-Modelle: a) Max. F(x,y) = 4x + 3y b) Max. F(x,y) = x + y c) Max. F(x,y) = x y x + 3y 9 5x + y 1 2x y x + 2y 2 x + 2y
MehrMaximiere Gesamtgewinn aus verschiedenen Produkten unter Restriktionen an Produktmenge (Lagermenge, Transportmenge)
Beispiel: Produktionsplanung Maximiere Gesamtgewinn aus verschiedenen Produkten unter Restriktionen an Produktmenge (Lagermenge, Transportmenge) Produktionskapazität Ressourcenmenge bei als fest angenommenem
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
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...
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
MehrAufgaben zu Kapitel 14
Aufgaben zu Kapitel 14 1 Aufgaben zu Kapitel 14 Verständnisfragen Aufgabe 14.1 Haben (reelle) lineare Gleichungssysteme mit zwei verschiedenen Lösungen stets unendlich viele Lösungen? Aufgabe 14.2 Gibt
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} bzw. N 0 = {0, 1, 2,
MehrDrehung um einen Punkt um Winkel α.
Drehung um einen Punkt um Winkel α. Sei A R 2 und α R. Drehung um A um Winkel α ist eine Abbildung D A (α) : R 2 R 2 welche wie folgt definiert ist: D A (α) = T A D 0 (α) T ( A), wobei die Abbildung D
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
Mehr1 Zahlentheorie. 1.1 Kongruenzen
3 Zahlentheorie. Kongruenzen Der letzte Abschnitt zeigte, daß es sinnvoll ist, mit großen Zahlen möglichst einfach rechnen zu können. Oft kommt es nicht darauf, an eine Zahl im Detail zu kennen, sondern
MehrOptimierung I. Dr. Ulf Lorenz F2.413
Optimierung I Dr. Ulf Lorenz F2.413 flulo@upb.de Organisation Dozent: Dr. Ulf Lorenz F2.413 Fürstenallee 11 email: flulo@upb.de WWW: http://www.upb.de/cs/flulo (hier auch aktuelle Infos + Ü-Zettel) Vorlesungen:
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
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
MehrKAPITEL 6 GANZZAHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULARE MATRIZEN
KPITEL 6 GNZZHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULRE MTRIZEN F. VLLENTIN,. GUNDERT. Ganzzahlige lineare Programme Viele Optimierungsprobleme des Operations Research lassen sich als ganzzahlige lineare
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Wiederholung Eine Menge von Vektoren a 1, a 2,, a k heisst linear unabhängig, wenn eine Linearkombination c 1 a 1 + c 2 a 2 + + c k a k = k c i a i (1) i=1 nur dann Null sein
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
Mehr1.5 Duales Gitter und Diskriminantengruppe
Gitter und Codes c Rudolf Scharlau 24. April 2009 27 1.5 Duales Gitter und Diskriminantengruppe Dieser Abschnitt ist im wesentlichen algebraischer Natur: Es spielt keine Rolle, dass unsere Gitter in einem
MehrAnalytische Geometrie
Analytische Geometrie Übungsaufgaben Lineare Gleichungssysteme Oberstufe Alexander Schwarz www.mathe-aufgaben.com Oktober 05 Pflichtteilaufgaben (ohne GTR) Aufgabe : Löse die folgenden linearen Gleichungssysteme:
MehrLineare Algebra. I. Vektorräume. U. Stammbach. Professor an der ETH-Zürich
Lineare Algebra U Stammbach Professor an der ETH-Zürich I Vektorräume Kapitel I Vektorräume 1 I1 Lineare Gleichungssysteme 1 I2 Beispiele von Vektorräumen 7 I3 Definition eines Vektorraumes 8 I4 Linearkombinationen,
MehrGleichungen und Ungleichungen
Gleichung Eine Gleichung erhalten wir durch Gleichsetzen zweier Terme. Kapitel 3 Gleichungen und Ungleichungen linke Seite = rechte Seite Grundmenge: Menge aller Zahlen, die wir als Lösung der Gleichung
MehrLINEARE GLEICHUNGSSYSTEME. Wir besprechen hier, wie MathematikerInnen an das Lösen linearer Gleichungssysteme wie. x + y + z = 1
LINEARE GLEICHUNGSSYSTEME 1. Ein kurzes Vorwort Wir besprechen hier, wie MathematikerInnen an das Lösen linearer Gleichungssysteme wie 2 x 1 + 2 x 2 = 3 6 a + 4 b = 3 (a) (b) 4 x 1 + 3 x 2 = 8 3 a + 2
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
MehrInhaltsverzeichnis Transportoptimierung
Inhaltsverzeichnis 2 Transportoptimierung 1 2.1 Das klassische Transportproblem....................... 2 2.1.1 Modell.................................. 2 2.1.2 Qualitative Grundlagen.........................
MehrRückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
MehrLineare Hülle. span(a) := λ i v i : so dass k N, λ i R und v i A.
Lineare Hülle Def A sei eine nichtleere Teilmenge des Vektorraums (V,+, ) Die lineare Hülle von A (Bezeichung: span(a)) ist die Menge aller Linearkombinationen der Elemente aus A { k } span(a) := λ i v
MehrLineare Programmierung. Beispiel: Wahlkampf. Beispiel: Wahlkampf. Mathematische Schreibweise. Lineares Programm. Datenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Einführung Standard- und Schlupfformen Simplex Algorithmus Matthias Zwicker Universität Bern Frühling 2009 2 Beispiel: Wahlkampf Ziel: mit möglichst wenig Werbung eine gewisse
MehrLineare Optimierung. Vorlesung von Prof. Christiane Tammer Author : Georg Kuschk (Quelle : www.rikuti.de)
Lineare Optimierung Vorlesung von Prof Christiane Tammer Author : Georg Kuschk (Quelle : wwwrikutide) 11 August 2006 Inhaltsverzeichnis 1 Einleitung, Beispiele 2 2 Das allgemeine lineare Optimierungsproblem
Mehrx y f : R 2 R 3, Es gilt: Bild f = y : wobei x,y R Kern f = 0 (wird auf der nächsten Folie besprochen)
Def Wiederholung Sei f : V U eine lineare Abbildung Das Bild von f ist die folgende Teilmenge von U: Bild f = {u U so dass es gibt ein Element v V mit f (v) = u} (Andere Bezeichnung: f (V) wird in Analysis-Vorlesung
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
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} Ganze Zahlen : Aus
MehrLineare Algebra I Klausur. Klausur - Musterlösung
Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra I Klausur Klausur - Musterlösung 20. Februar 203 Aufgabe - Lösung Aussage wahr falsch (Z, +, 0) ist eine abelsche Gruppe. Der Ring Z/24Z ist nullteilerfrei.
MehrSeminar Einführung in die Kunst mathematischer Ungleichungen
Seminar Einführung in die Kunst mathematischer Ungleichungen Geometrie und die Summe von Quadraten Clara Brünn 25. April 2016 Inhaltsverzeichnis 1 Einleitung 2 1.1 Geometrie allgemein.................................
Mehr7 KONVERGENTE FOLGEN 35. inf M = Infimum von M. bezeichnet haben. Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt.
7 KONVERGENTE FOLGEN 35 und die größe untere Schranke mit bezeichnet haben. inf M = Infimum von M Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt der Limes superior der Folge, und lim
MehrFall 3: Mehrere Kapazitätsengpässe
Fall 3: Mehrere Kapazitätsengpässe ei Vorliegen mehrerer Engpässe ist zunächst zu prüfen, ob ein Engpass die anderen Engpässe dominiert. Ist dies der Fall, reduziert sich das Optimierungsproblem auf den
MehrLineares Programmieren Algorithmentechnik WS 09/10 Dorothea Wagner 7. Januar 2010
Lineares Programmieren Algorithmentechnik WS 09/10 Dorothea Wagner 7. Januar 2010 FAKULTÄT FÜR I NFORMATIK, I NSTITUT FÜR T HEORETISCHE I NFORMATIK KIT Universität des Landes Baden-Württemberg und nationales
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt 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
Mehr