Operations Research für Logistik
|
|
- Rolf Kästner
- vor 7 Jahren
- Abrufe
Transkript
1 Operations Research für Logistik Lineare Optimierung ( ) Ao. Univ. - Prof. Norbert SEIFTER Dipl. - Ing. Stefanie VOLLAND Sommersemester 2012 Lehrstuhl Industrielogistik
2 Lineare Optimierung Inhalte: Einfacher Simplex Revidierter Simplex BEACHTE: Abweichungen bzw. Fehler in der Darstellung linearer Optimierungsprobleme in Matlab (aufgrund Software) zur Darstellung wie mathematisch üblich bzw. aus der Literatur bekannt. Näheres dazu in VO und UE. Lehrstuhl Industrielogistik 2
3 Der Simplex - Algorithmus in Matlab Der Simplex - Algorithmus in Matlab löst Probleme der Art: f, x, b, beq, lb, und ub sind Vektoren, A und Aeq sind Matrizen. Kann im Zuge des Befehls linprog() aufgerufen werden, welcher im Allgemeinen lineare Optimierungsprobleme löst. Lehrstuhl Industrielogistik 3
4 Erläuterung Linprog() - Syntax I Wie kann linprog() aufgerufen werden? x = linprog(f,a,b) x = linprog(f,a,b,aeq,beq) x = linprog(f,a,b,aeq,beq,lb,ub) x = linprog(f,a,b,aeq,beq,lb,ub,x0) x = linprog(f,a,b,aeq,beq,lb,ub,x0,options) x = linprog(problem) [x,fval] = linprog(...) [x,fval,exitflag] = linprog(...) [x,fval,exitflag,output] tp t] = linprog(...) [x,fval,exitflag,output,lambda] = linprog(...) Lehrstuhl Industrielogistik 4
5 Erläuterung Linprog() - Syntax II x = linprog(f,a,b) solves min f'*x such that A*x b. x = linprog(f,a,b,aeq,beq) solves the problem above while additionally satisfying i the equality constraints t Aeq*x = beq. Set A = [] and b = [] if no inequalities exist. x = linprog(f,a,b,aeq,beq,lb,ub) defines a set of lower and upper bounds on the design variables, x, so thatt the solution isalways in the range lb x ub. Set Aeq = [] and beq = [] if no equalities exist. x = linprog(f,a,b,aeq,beq,lb,ub,x0) sets the starting point to x0. This option is only availableailable with the medium-scalem algorithm (the LargeScale option is set to 'off' using optimset). The default large-scale algorithm and the simplex algorithm ignore any starting point. x = linprog(f,a,b,aeq,beq,lb,ub,x0,options) Aeq beq lb options) minimizes with the optimization options specified in the structure options. Use optimset to set these options. Lehrstuhl Industrielogistik 5
6 Linprog() - Parameterbeschreibung I Wofür stehen die einzelnen Parameter? f: A: b: Aeq: Beq: Linear objective function vector f Matrix for linear inequality constraints Vector for linear inequality constraints Matrix for linear equality constraints Vector for linear equality constraints Lb: Vector of lower bounds Ub: Vector of upper bounds X0: Initial point for x (nicht wirksam bei Simplex) Options: Options structure created with optiset Lehrstuhl Industrielogistik 6
7 Linprog() - Parameterbeschreibung II x: Fval: Exitflag: Output: Lambda: Endwerte der Variablen Endergebnis der Zielfunktion Integerzahl, welche angibt, warum der Algorithmus abgebrochen wurde (z.b. 1 bedeutet, dass eine Lösung gefunden wurde) gibt die Anzahl der Iterationen an enthält detailierte Struktur der Lagrangemultiplikatoren Lehrstuhl Industrielogistik 7
8 Lineare Optimierung Beispiel 1) I Beispiel 1): Die altbekannte Schachtanlage: Eine Schachtanlage fördert eine bestimmte Kohlenart aus den Flözen A, B und C. Die Schachtkapazität beträgt 5800 t/d. Die Kohle aus den 3 Flözen enthält Feinkornanteile il (FKA) in folgenden Mengen (%): A B C FKA - fein FKA - grob Lehrstuhl Industrielogistik 8
9 Lineare Optimierung Beispiel 1) II Es werden höchstens 275 t FKA-fein und 630 t FKA-grob pro Tag akzeptiert. Der Deckungsbeitrag (DB) für die drei Flöze A, B und C ist 150, 140 und 160 Euro pro Tonne. Aufgabe: Wie ist die Förderung zu gestalten, damit der Gesamt - DB pro Tag maximal wird? zunächst das Problem in Form eines Gleichungssystems darstellen Lehrstuhl Industrielogistik 9
10 Lineare Optimierung Beispiel 1) III Es ist die Zielfunktion f = 150*x *x *x 3 zu maximieren. Unter den Nebenbedingungen: x 1 +x 2 +x 3 <= *x 1 +4*x 2 +5*x 3 <= *x 1 +16*x 2 +10*x 3 <= x 1,x 2,x 3 >= 0 Wie sieht die Eingabe in Matlab aus? Lehrstuhl Industrielogistik 10
11 Lineare Optimierung Beispiel 1) IV 1. Eingabe der Zielfunktion: BEACHTE: Wir wollen maximieren, d.h. wir müssen die Zielfunktion (und im Anschluß auch das Endergebnis mit (-1) mulitplizieren! Lehrstuhl Industrielogistik 11
12 Lineare Optimierung Beispiel 1) V 2. Eingabe der Parameter des Tableaus: Lehrstuhl Industrielogistik 12
13 Lineare Optimierung Beispiel 1) VI 3. Eingabe des Vektors b: (mal 100, da der FKA in Prozent angegeben war) Lehrstuhl Industrielogistik 13
14 Lineare Optimierung Beispiel 1) VII 4. Eingabe des Vektors lb: (Untergrenzen für die Variablen x 1, x 2 und x 3 ) Lehrstuhl Industrielogistik 14
15 Lineare Optimierung Beispiel 1) VIII 5. Damit der Simplex - Algorithmus mit linprog() verwendet werden kann, müssen bei den Optimierungseinstellungen (optimset) noch largescale auf off und Simplex auf on geschaltet werden. 6. Diese Einstellungen werden unter der Variable opt abgespeichert, um sie im nächsten Schritt verwenden zu können. Lehrstuhl Industrielogistik 15
16 Lineare Optimierung Beispiel 1) IX 7. Nun erfolgt der Aufruf des Simplexalgorithmus: x 1 = t x 2 = 700 t x 3 = t Gesamt-DB = Euro Lehrstuhl Industrielogistik 16
17 Lineare Optimierung Beispiel 1) X 1 bedeutet, dass eine Lösung gefunden wurde. Anzahl der Iterationsschritte Lehrstuhl Industrielogistik 17
18 Lineare Optimierung Beispiel 2) I Beispiel i 2) Es ist die Zielfunktion f(x) = -5*x 1-4*x 2-6*x 3 unter den folgenden Nebenbedingungen x 1 -x 2 +x 3 <= 20 3*x 1 +2*x 2 +4*x 3 <= 42 3*x 1 +2*x 2 <= 30 x 1,x 2,x 3 >= 0 zu minimieren. Lehrstuhl Industrielogistik 18
19 Lineare Optimierung Beispiel 2) II Befehle: f = [-5; -4; -6]; A = [1-1 1; 3 2 4; 3 2 0]; b = [20; 42; 30]; lb = zeros(3,1); [x,fval,exitflag,output,lambda]=linprog(f,a,b,[],[],lb,[],[],opt); Lehrstuhl Industrielogistik 19
20 Lineare Optimierung Hausübungsbeispiel 1) Hausübungsbeispiel 1): Löse folgendes Beispiel mittels Matlab : (max) Zielfunktion: f(x)= 4*x 1 + 2*x 2 + 1*x 3 Nebenbedingungen: 2*x 1 + 1*x 2 + 0*x 3 <= 1 1*x 1x 1 + 0*x 0x 2 + 2*x 2x 3 <= 2 1*x 1 + 1*x 2 + 1*x 3 = 1 TIPP: Verwende die Matlab -Hilfe zu linprog(). Grenzwerte: 0 <= x 1 <= 1 0 <= x 2 <= 1 0 <= x 3 <= 2 Lehrstuhl Industrielogistik 20
21 Lineare Optimierung revidierter Simplex I Beispiel i 1) Maximiere die Zielfunktion f(x): 5*x 1 + 4*x 2 + 3*x 3 Nebenbedingungen: 2*x 1 + 3*x 2 + 1*x 3 <= *x 1 + 1*x 2 + 2*x 3 <= 11 3*x 3x 1 + 4*x 2 + 2*x 3 <= 8 x 1, x 2, x 3 >= 0 Lehrstuhl Industrielogistik 21
22 Lineare Optimierung revidierter Simplex II Beispiel i 2) Maximiere: 20*x *x 2 Nebenbedingungen: x 1 + 2*x 2 <= x 1 <= 60 x 2 <= 50 Lehrstuhl Industrielogistik 22
23 Lineare Optimierung Hausübungsbeispiel 2) Hausübungsbeispiel b i 2): Maximiere: 3*x 1 + 5*x 2 + 4*x 3 Nebenbedingungen: 2*x 1 + 2*x 2 + x 3 <= 3 x 1 + 2*x 2 + 4*x 3 <= x 1,x 2,x 3 >=0 Lehrstuhl Industrielogistik 23
I. II. I. II. III. IV. I. II. III. I. II. III. IV. I. II. III. IV. V. I. II. III. IV. V. VI. I. II. I. II. III. I. II. I. II. I. II. I. II. III. I. II. III. IV. V. VI. VII. VIII.
MehrOptimization in Business Applications: 2. Modeling principles
Optimization in Business Applications: 2. Modeling principles IGS Course Dynamic Intelligent Systems Part 2 Universität Paderborn, June July 2010 Leena Suhl www.dsor.de Prof. Dr. Leena Suhl, suhl@dsor.de
MehrDie CUTEr Testbibliothek
Die CUTEr Testbibliothek Slide 1 Motivation Softwarepakete mit vollkommen verschiedenen Anwendungsschwerpunkten Optimierung entweder nur einer von vielen Schwerpunkten oder sogar nur Nebenprodukt zur Lösung
MehrOptimierung mit Matlab
Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof. Dr. L. Cromme Computerbasierte Mathematische Modellierung für Mathematiker, Wirtschaftsmathematiker, Informatiker im Wintersemester
MehrModelle und Methoden der Linearen Optimierung (Die Thesen zur Vorlesung 1_Fallstudie)
(Die Thesen zur Vorlesung 1_Fallstudie) das Thema der Vorlesung Grundlagen der Methode der linearen Optimierung (Lineares Optimierungsmodell der Wahl der Produktionsstrategie des ) Prof. Dr. Michal Fendek
MehrOptimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen
Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Dr. Abebe Geletu Ilmenau University of Technology Department of Simulation and Optimal Processes
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
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:
MehrSysteme von linearen Ungleichungen
Systeme von linearen Ungleichungen ALGEBRA Kapitel 6 MNProfil - Mittelstufe KZN Ronald Balestra CH - 8046 Zürich www.ronaldbalestra.ch Name: Vorname: 28. Februar 2016 Überblick über die bisherigen ALGEBRA
MehrLineare Optimierung Ergänzungskurs
Lineare Optimierung Ergänzungskurs Wintersemester 2015/16 Julia Lange, M.Sc. Literatur Werner, F.; Sotskov, Y.N. (2006): Mathematics of Economics and Business; Routledge; London Bemerkungen Diese Unterlagen
Mehr1 ALLGEMEINE HINWEISE Das Fach Mathematik für Wirtschaftswissenschaftler Bisheriger Aufbau der Klausur...
Grundlagen Mathe V Inhaltsverzeichnis 1 ALLGEMEINE HINWEISE... 1-1 1.1 Das Fach Mathematik für Wirtschaftswissenschaftler... 1-1 1.2 Bisheriger Aufbau der Klausur... 1-1 1.3 Zugelassene Hilfsmittel und
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:
MehrLineare Gleichungen mit 2 Variablen
Lineare Gleichungen mit 2 Variablen Lineare Gleichungen mit 2 Variablen sind sehr eng verwandt mit linearen Funktionen. Die Funktionsgleichung einer linearen Funktion f(x) = m x+q m: Steigung, q: y Achsenabschnitt
MehrLineare Programmierung
Lineare Programmierung WS 2003/04 Rolle der Linearen Programmierung für das TSP 1954: Dantzig, Fulkerson & Johnson lösen das TSP für 49 US-Städte (ca. 6.2 10 60 mögliche Touren) 1998: 13.509 Städte in
Mehr4. Dynamische Optimierung
4. Dynamische Optimierung Allgemeine Form dynamischer Optimierungsprobleme 4. Dynamische Optimierung Die dynamische Optimierung (DO) betrachtet Entscheidungsprobleme als eine Folge voneinander abhängiger
MehrZugriff auf Matrizen. Anhängen von Elementen. Punktweise Operatoren. Vektoren und Matrizen in MATLAB II
Zugriff auf Matrizen. Anhängen von Elementen. Punktweise Operatoren. Vektoren und Matrizen in MATLAB II Matrixzugriff Wir wollen nun unsere Einführung in die Arbeit mit Vektoren und Matrizen in MATLAB
Mehr1 Konsole öffnen. 2 matlab & und return eingeben. 3 Konsole dauerhaft geöffnet lassen. 1 Menüpunkt File - Exit MATLAB oder. 2 quit (und return) oder
Grundleges Einführung in Matlab Christof Eck, Monika Schulz und Jan Mayer Matlab starten: 1 Konsole öffnen 2 matlab & und return eingeben 3 Konsole dauerhaft geöffnet lassen Matlab been: 1 Menüpunkt File
MehrNewton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme
Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es
MehrFunktionen in Matlab. Lehrstuhl für Angewandte Mathematik Sommersemester und 29. Mai 2008
Funktionen in Matlab Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Sommersemester 2008 15. und 29. Mai 2008 Funktionen in Matlab Wir kennen schon diverse
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen Dr. Nico Düvelmeyer Freitag, 8. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 NLP Aufgabe KKT 2 Nachtrag
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
MehrCopyright by Hildegard Heilmann IAG 13.03.2004. Diese Unterlagen stelle ich den SchülerInnen des V. Bachilleratos des IAG zur Verfügung.
MTEquationSection;Flächenintegrale mit Derive Diese Unterlagen stelle ich den SchülerInnen des V. Bachilleratos des IAG zur Verfügung. Einige Anleitungen zum Arbeiten mit Derive: Befehle: VECTOR, ITERATES,
MehrOptimierungsprobleme. B. Langfeld, M. Ritter, B. Wilhelm Diskrete Optimierung: Fallstudien aus der Praxis
Optimierungsprobleme Instanz eines Optimierungsproblems zulässiger Bereich (meist implizit definiert) Zielfunktion Optimierungsrichtung opt {max, min} Optimierungsproblem Menge von Instanzen meist implizit
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
MehrVergleich mathematischer Software zur Lösung von linearen und gemischt ganzzahligen Optimierungsproblemen
Fachseminar Optimierung, Universität Leipzig Vergleich mathematischer Software zur Lösung von linearen und gemischt ganzzahligen Optimierungsproblemen Vortrag am 20. Januar 2003 von Tobias Elze 1 Einleitung
MehrWoche 18/01 26/01 6. Iterative Lösungsverfahren, Speicherformate für Matrizen 1 / 8
Woche 18/01 26/01 6. Iterative Lösungsverfahren, Speicherformate für Matrizen 1 / 8 Lernziele In diesem Praktikum sollen Sie üben und lernen: Einlesen von Matrizen aus Dateien Übergabe von Funktionen als
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
MehrMathematik im Betrieb
Heinrich Holland/Doris Holland Mathematik im Betrieb Praxisbezogene Einführung mit Beispielen 7, überarbeitete Auflage GABLER Inhaltsverzeichnis Vorwort 1 Mathematische Grundlagen 1.1 Zahlbegriffe 1.2
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
MehrMatlab Übersicht. Matlab steht für MATrix LABoratory, die Fa. The Mathworks wurde 1984 gegründet
Matlab Übersicht Ziel: einfacher Zugang zu numerischen (FORTRAN)Bibliotheken [Freeware] Linpack (LINear Algebra Solution PACKage) und Eispack (EIgenvalue Solution PACKage) => aktuelle Version: Lapack (Linear
MehrMathematik für Bioinformatik und Systembiologie. - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz
Mathematik für Bioinformatik und Systembiologie - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz WS 2009/10 Universität Freiburg Dieses Vorlesungsskript ist auf der Basis von Vorlesungen
MehrAufgabe 1: Bestimmen Sie Zahlen a b. ,, für die. = b. und gleichzeitig a + b + 1 = 0 gilt. Lösung zu Aufgabe 1:
WS 99/99 Aufgabe : Bestimmen Sie Zahlen a b,, für die 6 b a und gleichzeitig a + b + gilt. Lösung zu Aufgabe : WS 99/99 Aufgabe : Ein Unernehmen stellt aus ohstoffen (,,, ) Zwischenprodukte ( Z, Z, Z )
MehrStatistical Learning
Statistical Learning M Gruber KW 45 Rev 1 1 Support Vector Machines Definition 1 (Lineare Trennbarkeit) Eine Menge Ü µ Ý µ Ü Æµ Ý Æµ R ist linear trennbar, wenn mindestens ein Wertepaar Û R µ existiert
MehrBinäre lineare Optimierung mit K*BMDs p.1/42
Binäre lineare Optimierung mit K*BMDs Ralf Wimmer wimmer@informatik.uni-freiburg.de Institut für Informatik Albert-Ludwigs-Universität Freiburg Binäre lineare Optimierung mit K*BMDs p.1/42 Grundlagen Binäre
MehrInformationsverarbeitung im Bauwesen
V14 1 / 30 Informationsverarbeitung im Bauwesen Markus Uhlmann Institut für Hydromechanik WS 2009/2010 Bemerkung: Verweise auf zusätzliche Information zum Download erscheinen in dieser Farbe V14 2 / 30
MehrGewöhnliche Differentialgleichungen (ODEs) I
Gewöhnliche Differentialgleichungen (ODEs) I Autor: Harald Höller letzte Änderung: 17.03.10 Lizenz: Creative Commons Lizenz by-nc-sa 3.0 at Differentialgleichungen lösen und plotten in Mathematica Grundlegendes
MehrOptimieren unter Nebenbedingungen
Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht
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
MehrMathematik für Wirtschaftswissenschaftler
Knut Sydsaeter Peter HammondJ Mathematik für Wirtschaftswissenschaftler Basiswissen mit Praxisbezug 2., aktualisierte Auflage Inhaltsverzeichnis Vorwort 13 Vorwort zur zweiten Auflage 19 Kapitel 1 Einführung,
MehrInhaltsverzeichnis. Vorwort Kapitel 1 Einführung, I: Algebra Kapitel 2 Einführung, II: Gleichungen... 57
Vorwort... 13 Vorwort zur 3. deutschen Auflage... 17 Kapitel 1 Einführung, I: Algebra... 19 1.1 Die reellen Zahlen... 20 1.2 Ganzzahlige Potenzen... 23 1.3 Regeln der Algebra... 29 1.4 Brüche... 34 1.5
MehrVorlesung Algorithmische Geometrie. Streckenschnitte. Martin Nöllenburg 19.04.2011
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 19.04.2011 Überlagern von Kartenebenen Beispiel: Gegeben zwei
MehrDoing Economics with the Computer Sommersemester 2002. Excel Solver 1
Universität Bern Kurt Schmidheiny / Manuel Wälti Doing Economics with the Computer Sommersemester 2002 Excel Solver 1 Mit dem Solver unterstützt Excel eine Funktion, mit der u.a. komplex verschachtelte
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrMultivariate Analysis
Kapitel Multivariate Analysis Josef Leydold c 6 Mathematische Methoden I Multivariate Analysis / 38 Lernziele Funktionen in mehreren Variablen Graph und Niveaulinien einer Funktion in zwei Variablen Partielle
MehrAnwendungen der Linearen Algebra
Anwendungen der Linearen Algebra mit MATLAB Bearbeitet von Günter M. Gramlich 1. Auflage 4. Buch. 179 S. Hardcover ISBN 978 3 446 22655 5 Format (B x L): 14,5 x 21 cm Gewicht: 265 g Weitere Fachgebiete
MehrWestfalia Bedienungsanleitung. Nr
Bedienungsanleitung Nr. 107375 Bedienungsanleitung Satelliten Finder RL-TC-0101 Artikel Nr. 54 25 97 Instruction Manual Satellite Finder RL-TC-0101 Article No. 54 25 97 Benutzung Funktionsumfang Regelbare
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Einführung in MATLAB Überblick Was ist MATLAB? Abkürzung für matrix laboratory. Reines Numerikprogramm für das Rechnen mit großen Zahlenfeldern (arrays) bzw. Matrizen.
MehrUnterspezifikation in der Semantik Hole Semantics
in der Semantik Hole Semantics Laura Heinrich-Heine-Universität Düsseldorf Wintersemester 2011/2012 Idee (1) Reyle s approach was developed for DRT. Hole Semantics extends this to any logic. Distinction
MehrWoche 20/10 31/10 1. Lineare Gleichungssysteme, direkte Lösungsverfahren 1 / 12
Woche 20/10 31/10 1. Lineare Gleichungssysteme, direkte Lösungsverfahren 1 / 12 Lernziele In diesem Praktikum sollen Sie üben und lernen: Umgang mit der Matlab-Umgebung Schreiben einfacher Skripte und
MehrInstallation. Arbeiten mit der MATLAB-Entwicklungsumgebung. MATLAB als Taschenrechner mit Matrix- und Vektorrechnung.
Installation. Arbeiten mit der MATLAB-Entwicklungsumgebung. MATLAB als Taschenrechner mit Matrix- und Vektorrechnung. Die heutige Sitzung dient dem ersten Kennenlernen von MATLAB. Wir wollen MATLAB zuerst
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
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
MehrKlausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler
Wintersemester 2006/07 05.03.2007 Dr. Priska Jahnke Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler Bitte lesbar ausfüllen, Zutreffendes ankreuzen Herr Frau Name, Vorname:
Mehr10:Exkurs MATLAB / Octave
10:Exkurs MATLAB / Octave MATLAB (bzw. Octave als freie Version) ist eine numerische Berechnungsumgebung wurde vorrangig zum Rechnen mit Vektoren und Matrizen entworfen ist interaktiv benutzbar, vergleichbar
MehrOperations Research I
Operations Research I Lineare Programmierung Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Sommersemester 2015 Peter Becker (H-BRS) Operations Research I Sommersemester 2015
Mehr1 Fraktale Eigenschaften der Koch-Kurve
Anhang Inhaltsverzeichnis Fraktale Eigenschaften der Koch-Kurve iii. Einführung.................................. iii.2 Defintion.................................... iii.3 Gesamtlänge der Koch-Kurve........................
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
Mehr3.2 Lineare Optimierung (Entscheidungen unter Sicherheit)
3. Lineare Optimierung (Entscheidungen unter Sicherheit) Betrachtet wird hier der Fall Θ = (bzw. die Situation u(a, ϑ) bzw. l(a,ϑ) konstant in ϑ Θ für alle a A). Da hier keine Unsicherheit über die Umweltzustände
MehrINSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS
Julian Arz, Timo Bingmann, Sebastian Schlag INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Julian Universität Arz, des Timo LandesBingmann, Baden-Württemberg Sebastian und Schlag nationales
MehrKlassische Themen der Computerwissenschaft Constraint Programming: Exercises. Gruppe: 100. Inhaltsverzeichnis
Klassische Themen der Computerwissenschaft Constraint Programming: Exercises Gruppe: 100 Inhaltsverzeichnis 1 Exercise 1 1 2 Exercise 2 2 2.1 Backtracking........................... 2 2.2 Forward checking.........................
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
Mehr3 Kurzeinführung in Matlab
3 Kurzeinführung in Matlab Matlab ist ein sehr leistungsfähiges interaktives Programmpaket für numerische Berechnungen. Nutzen Sie dies parallel zu den Vorlesungen. Sie können damit persönlich erfahren,
MehrKurseinheit 1: Folgen, Reihen und finanzmathematische Grundlagen
Kurseinheit 1: Folgen, Reihen und finanzmathematische Grundlagen 1 Folgen, Reihen und ökonomische Anwendungen 1 1.1 Folgen................................ 2 1.1.1 Arithmetische Folgen....................
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:
MehrDipl.-Math. Robert Offinger Wintersemester 2006/07 Otto-von-Guericke-Universität Magdeburg Fakultät für Mathematik
Dipl.-Math. Robert Offinger Wintersemester 6/7 Otto-von-Guericke-Universität Magdeburg Fakultät für Mathematik Materialien zur Vorlesung Mathematik III für Ingenieure Ergänzungen zur Einführung in Matlab
MehrEinf.i.d. planungsbezogene EDV Zielwert und Solver Autor: DI Leop. RIEDL
Thema: Zielwertsuche Das Werkzeug Zielwertsuche ist immer dann sinnvoll einzusetzen, wenn ihr wollt, dass eine bestimmte Formel (Zelle) ein bestimmtes Ergebnis hat und dieses Ergebnis durch Anpassen des
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
MehrLineares Programmieren
Vorlesung Algorithmische Geometrie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 03.05.2011 Nachtrag Art Gallery Problem Lässt sich der Triangulierungs-Algorithmus
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
MehrMathematik für BWL-Bachelor: Übungsbuch
Heidrun Matthäus Wolf-Gert Matthäus Mathematik für BWL-Bachelor: Übungsbuch Ergänzungen für Vertiefung und Training STUDIUM VIEWEG+ TEUBNER Inhaltsverzeichnis AI Mathematisches Handwerkszeug: Beispiele
MehrNumerische Behandlung des Eigenwertproblems
Numerische Behandlung des Eigenwertproblems Zusammenfassung Das Ziel dieses Vortrages ist, zwei gute Methoden für die numerische Bestimmung der Eigenwerte zu zeigen und wie man diese mit Matlab anwenden
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
MehrDie Datenmanipulationssprache SQL
Die Datenmanipulationssprache SQL Daten eingeben Daten ändern Datenbank-Inhalte aus Dateien laden Seite 1 Data Manipulation Language A DML statement is executed when you Add new rows to a table Modify
MehrLineare Programmierung
Seminar: Intelligente Algorithmen Stefan Kopp, Alfred Kranstedt, Nadine Leßmann Lineare Programmierung Frank Schönmann WS 2003/04 Inhaltsverzeichnis 1 Motivation 3 2 Lineare Programmierung (LP) 4 2.1 Einführendes
MehrMathematik für Wirtschaftswissenschaftler im WS 2013/14 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7
Mathematik für Wirtschaftswissenschaftler im WS 203/4 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7 Aufgabe 27 Sei eine lineare Abbildung f : R 4 R 3 gegeben durch f(x, x 2, x 3 ) = (2 x 3 x 2
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 22. Constraint-Satisfaction-Probleme: Kantenkonsistenz Malte Helmert Universität Basel 14. April 2014 Constraint-Satisfaction-Probleme: Überblick Kapitelüberblick
MehrOn the List Update Problem
DISS. ETH No. 14529, 2002 On the List Update Problem A dissertation submitted to the Swiss Federal Institute of Technology, ETH Zürich for the degree of Doctor of Technical Sciences presented by Christoph
MehrDie Verbindung von Linearer Programmierung und Graphentheorie
Die Verbindung von Linearer Programmierung und Graphentheorie Definition 5.9. Ein kombinatorisches Optimierungsproblem entspricht einem LP, bei dem statt der Vorzeichenbedingungen x i 0 Bedingungen der
MehrPuLP ein Python LP-Modellierer
PuLP ein Python LP-Modellierer How to use PuLP Dr. Klaus Ladner Institut für Statistik und Operations Research 1. Dezember 2016 Was ist PuLP? Ein LP-Modellierer CBC (COIN-OR Branch und Cut) Solver PuLP
MehrEinführung. Kapitel 1. Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298
Kapitel 1 Einführung Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298 Inhalt Inhalt 1 Einführung Was ist Operations Research? Planungsprozess im OR Peter Becker (H-BRS) Operations
MehrMathematische Modellierung des Gaußgewehrs (Coilgun)
Mathematische Modellierung des Gaußgewehrs (Coilgun) Alexios Aivaliotis, Christopher Rieser 30. Juni 2013 1 1 Beschreibung des Projekts In dieser Arbeit beschreiben wir die physikalische und mathematische
Mehr4.2 Selbstdefinierte Matlab-Funktionen 1. Teil
4.2 Selbstdefinierte Matlab-Funktionen 1. Teil 37 Ein m-file mit Namen Funktionsname.m und einer ersten Zeile der folgen Form: function Funktionsname(input1,input2,...,inputn) oder function output1=funktionsname(input1,input2,...,inputn)
MehrEfficient Design Space Exploration for Embedded Systems
Diss. ETH No. 16589 Efficient Design Space Exploration for Embedded Systems A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZURICH for the degree of Doctor of Sciences presented by
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
MehrInhaltsverzeichnis. 1 Lineare Algebra 12
Inhaltsverzeichnis 1 Lineare Algebra 12 1.1 Vektorrechnung 12 1.1.1 Grundlagen 12 1.1.2 Lineare Abhängigkeit 18 1.1.3 Vektorräume 22 1.1.4 Dimension und Basis 24 1.2 Matrizen 26 1.2.1 Definition einer
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
1 Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14) Einleitung Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 11. Oktober 2013) 2 Kommunikationsnetzwerke...
MehrFuzzy Logic. Seminar im Sommersemester 2006 an der TU-Darmstadt (Prof. Dr. Fürnkranz) 06/18/06 Knowledge Engineering in Computer Spielen 1
Fuzzy Logic Seminar im Sommersemester 2006 an der TU-Darmstadt (Prof. Dr. Fürnkranz) 06/18/06 Knowledge Engineering in Computer Spielen 1 Geschichte und Definition Grundlegende Begriffe Fuzzy Process Anwendungen
MehrDiskrete Optimierung (Einführung zur Vorlesung)
Diskrete Optimierung (Einführung zur Vorlesung) Christoph Helmberg : [,] Inhaltsübersicht Diskrete Optimierung. Das Heiratsproblem (ungerichtete Graphen).2 Ganzzahligkeit von Polyedern ( und gerichtete
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
MehrEinführung in Verkehr und Logistik
WS 13/14 Einführung in Verkehr und Logistik 1 / 50 Einführung in Verkehr und Logistik (Bachelor) Tourenplanung - Spaltengenerierung Univ.-Prof. Dr. Knut Haase Institut für Verkehrswirtschaft Wintersemester
MehrAbschnitt: Algorithmendesign und Laufzeitanalyse
Abschnitt: Algorithmendesign und Laufzeitanalyse Definition Divide-and-Conquer Paradigma Divide-and-Conquer Algorithmen verwenden die Strategien 1 Divide: Teile das Problem rekursiv in Subproblem gleicher
MehrEntwicklung mit mehreren Dateien
Frühjahrsemester 2011 CS104 Programmieren II Teil II: C++ Programmierung Kapitel 9: Entwicklungsprozess in C++ H. Schuldt Entwicklung mit mehreren Dateien In C++ ist es üblich, den Quelltext in mehreren
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
MehrUmsetzung von DEA in Excel
Umsetzung von DEA in Excel Thorsten Poddig Armin Varmaz 30. November 2005 1 Vorbemerkungen In diesem Dokument, das als Begleitmaterial zum in der Zeitschrift,,Controlling, Heft 10, 2005 veröffentlichten
MehrLINGO: Eine kleine Einführung
LINGO: Eine kleine Einführung Jun.-Prof.Dr. T. Nieberg Lineare und Ganzzahlige Optimierung, WS 2009/10 LINDO/LINGO ist ein Software-Paket, mit dessen Hilfe (ganzzahlige) lineare Programme schnell und einfach
MehrVerwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen
Verwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen Katharina Witowski (DYNAmore GmbH) Peter Reithofer (4a engineering GmbH) Übersicht Problemstellung Parameteridentifikation
MehrBATCH-WISE CHEMICAL PLANTS
Diss. ETH 5340 THE COMPUTER-AIDED DESIGN OF MULTI-PRODUCT BATCH-WISE CHEMICAL PLANTS ABHANDLUNG zur Erlangung des Titels eines Doktors der technischen Wissenschaften der EIDGENÖSSISCHEN TECHNISCHEN HOCHSCHULE
MehrMathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11
Mathematik für Wirtschaftswissenschaftler, WS / Musterlösungen zu Aufgabenblatt Aufgabe 76: Bestimmen Sie mittels Gauß-Elimination die allgemeine Lösung der folgenden linearen Gleichungssysteme Ax b: a)
MehrTag 9: Datenstrukturen
Tag 9: Datenstrukturen A) Datenstrukturen B) Cell Arrays C) Anwendungsbeispiel: Stimulation in einem psychophysikalischen Experiment A) Datenstrukturen Wenn man komplizierte Datenmengen verwalten möchte,
MehrMathematik anschaulich dargestellt
Peter Dörsam Mathematik anschaulich dargestellt für Studierende der Wirtschaftswissenschaften 15. überarbeitete Auflage mit zahlreichen Abbildungen PD-Verlag Heidenau Inhaltsverzeichnis 1 Lineare Algebra
Mehr