Teil 5: Lineare Programmierung. (Blum, Kapitel 8)
|
|
- Jens Kramer
- vor 6 Jahren
- Abrufe
Transkript
1 Teil 5: Lineare Programmierung (Blum, Kapitel 8)
2 Was sind Optimierungsprobleme? Eingabe: Menge F von zulässigen Lösungen. Zielfunktion z:f R. Aufgabe: Finde x F, so dass x F : z(x) z(x ). (für Minimierungsprobleme) Beispiel: Finde x [0,1], so dass x 3 3x+1 minimal. 616
3 Lineare Optimierungsprobleme Die Menge der zulässigen Lösungen x=(x 1,,x n ) R n wird durch lineare Nebenbedingungen beschrieben: a 11 x a 1n x n b 1 a m1 x a mn x n b m (oder kompakt: Ax b) 617
4 Lin. Optimierungsprobleme (Forts.) Zielfunktion ist linear, d.h. von der Form c 1 x 1 + +c n x n min (max) (oder kompakt c T x min (max)) Historische Namensgebung: Lineare Optimierungsprobleme heißen lineare Programme (LPs) Lösungsverfahren für LPs heißen lineare Programmierung 618
5 Beispiel Gärtner hat 100 m 2 Garten u. 720 Kapital Anbau von Blumen kostet 9 / m 2 Anbau von Gemüse kostet 6 / m 2 Gewinn bei Blumen: 20 / m 2 Gewinn bei Gemüse: 10 / m 2 Nur 60 m 2 des Gartens für Blumen geeignet Aufgabe: Bestimme Aufteilung des Gartens, so dass der Gewinn maximal ist. 619
6 Formulierung als LP Bedeutung der Variablen: x 1 : Fläche für Blumen in m 2 x 2 : Fläche für Gemüse in m 2 Zielfunktion: 20x x 2 max Nebenbedingungen: x 1 + x x 1 + 6x x 1 60 x 1 0, x
7 Graphische Ad-hoc-Lösung x x 1 0 x x 1 60 x 1 +x Lösung: x 1 =60 x 2 =30 9x 1 +6x x 1 +10x x 1 621
8 Sonderfall Saatgut nur quadratmeterweise erhältlich Zusätzliche Nebenbedingung: x 1,x 2 ganzzahlig. Bezeichnung: Lineare Programme mit derartigen Nebenbedingungen heißen ganzzahlige (lineare) Programme bzw. integer (linear) programs (ILPs). 622
9 Überblick über Teil 5 Modellierung von bekannten Problemen durch LPs und ILPs Zusätzliches Ergebnis: Ganzzahlige lineare Programmierung ist NP-schwer. Vereinheitlichung von LPs Geometrische Grundlagen Simplexmethode zum Lösen von LPs Anwendung: Randomisiertes Runden 623
10 Erinnerung: Vertex Cover (VC eval ) Eingabe: Unger. Graph G=(V,E). Frage: Finde die kleinste Zahl k, so dass es V V mit V =k gibt und jede Kante mindestens einen Knoten aus V enthält. Bsp. V überdeckt E. 624
11 VC Ganzzahliges lin. Programm Sei V={1,,n}. Benutze Variablen x i mit der Bedeutung x i =0 Knoten i ist nicht in V enthalten x i =1 Knoten i ist in V enthalten Zielfunktion: i x i min Nebenbedingungen: {i,j} E: x i +x j 1 i {1,,n} : x i 0 und x i 1 i {1,,n} : x i ganzzahlig überflüssig 625
12 Korrektheit Beobachtungen: Für Lösungen x des LPs gilt: Alle x i nehmen nur Werte aus {0,1} an. Die Knoten i mit x i =1 bilden ein VC V. Die Größe des VC V ist minimal. Zielfunktion: i x i min Nebenbedingungen: {i,j} E: x i +x j 1 i {1,,n} : x i 0 i {1,,n} : x i ganzzahlig 626
13 0-1-Programmierung Falls in einem LP alle Variablen nur die Werte 0 und 1 annehmen dürfen, spricht man von einem 0-1-Programm. 627
14 Folgerung Satz: Ganzzahlige lineare Programmierung und 0-1-Programmierung sind NP-schwer. Beweis: Die letzten Folien zeigten die Reduktionen VC eval T Ganzzahlige lin. Programmierung und VC eval T 0-1-Programmierung 628
15 Flussmaximierung Gegeben: Gerichteter Graph G=(V,E) mit Kapazitätsfunktion c : E N und Quelle q, Senke s Fluss: Kantenbewertung f : E R 0+, so dass: In jeden Knoten außer q und s fließt gleich viel Fluss hinein und heraus. Für jede Kante e überschreitet der Fluss f(e) die Kapazität c(e) nicht. Wert des Flusses f: Summe der Flüsse, die aus q herausfließen. 629
16 Flussmaximierung LP Variablen: x i,j für alle Kanten (i,j) E. Bedeutung von x i,j : Wert des Flusses auf der Kante (i,j). Zielfunktion: (q,i) E x q,i max Nebenbedingungen: (i,j) E: x i,j 0 und x i,j c(i,j). i V \ {q,s}: (i,j) E x i,j (l,i) E x l,i = 0. Fluss, der Knoten i verlässt Fluss in Knoten i hinein 630
17 Maximales Matching Gegeben: Graph G=(V,E) Aufgabe: Finde Menge M E mit maximaler Größe M, so dass Kanten aus M keinen Knoten gemeinsam haben. Bsp: 631
18 Formulierung als ganzz. lin. Progr. Variablen: x i,j (i<j) für alle Kanten {i,j} E. Bedeutung: x i,j =1, falls {i,j} M, x i,j =0, falls {i,j} M. Zielfunktion: (i,j) E x i,j max Nebenbedingungen: {i,j} E: x i,j 0 und ganzzahlig. i V: (i,j) E x i,j
19 Anmerkungen Für die Berechnung maximaler Matchings sind Polynomialzeitalgorithmen bekannt. Ganzzahlige Programmierung ist NPschwer. Hier wurde ein falscher Umweg gemacht. Die Umformungen von Problemen in (ganzzahlige) lineare Programme sind Turing-Reduktionen. 633
20 MAX-k-SAT Eingabe: Variablen x 1,,x n, Klauseln C 1,,C m mit je k Literalen. Aufgabe: Finde eine Belegung der Variablen, die die Anzahl erfüllter Klauseln maximiert. Bekannt: MAX-3-SAT ist NP-schwer (vgl. Folie 161f.). 634
21 Formulierung als 0-1-Programm z 1,,z m : Indikatorvariablen, die angeben, ob die zug. Klauseln erfüllt sind. Zielfunktion: z 1 + +z m max Nebenbedingungen: y 1,,y n,z 1,,z m {0,1} Für j=1,,m: Dann: max. Wert der Zielfunktion = max. Anzahl erfüllter Klauseln 635
22 Standardisierung von LPs Ziel: Einheitliche Form von LPs, um Algorithmen zu vereinfachen. Variablen mit negativen Werten beseitigen in umformen Gleichungen beseitigen Schlupfvariablen einführen Maximierungsprobleme in Minimierungsprobleme umformen 636
23 Beseitung v. Var. mit neg. Werten Für jede Variable x gibt es in der Regel die Nebenbedingung x 0. Falls nicht: Erzeuge neue Variablen y,z mit den Nebenbedingungen y,z 0. Ersetze x durch y z. Bsp: 5x 1 +3x 2 7, x 2 0, x 1 R 5y 1 5z 1 +3x 2 7, y 1,z 1,x
24 Umdrehen v. Ungleichheitszeichen Aus wird durch Multiplizieren der Nebenbedingung mit 1. Bsp: 5x 1 +3x 2 7 5x 1 3x
25 Beseitigung von Gleichungen Variante 1: Ersetze Nebenbedingungen der Form i a i x i =b durch i a i x i b und i a i x i b. Variante 2: Sei o.b.d.a a 1 0. Löse die Nebenbedingung nach x 1 auf. Resultat: x 1 = (b i 1 a i x i ) / a 1. Setze dies in die anderen Nebenbedingungen und die Zielfunktion ein. 639
26 Umformung von Ungleichungen Ziel: Ersetze jede Ungleichung durch eine Gleichung und eine sog. Schlupfvariable: i a i x i b i a i x i + z = b z 0 Schlupfvariablen haben im Simplexalgo eine besondere Bedeutung. Jede Nebenbedingung hat eine eigene Schlupfvariable, die sonst nirgendwo mehr vorkommt. 640
27 Minimierung vs. Maximierung Maximierungsprobleme werden durch Multiplikation der Zielfunktion mit 1 zu Minimierungsproblemen. 641
28 Resultat: Standardform von LPs Zielfunktion: c T x min Nebenbedingungen: Ax=b, x 0 Dabei: A ist m n-matrix, c ist n-dimensionaler Vektor, b ist m-dimensionaler Vektor, x = (x 1,,x n ), jede Gleichung enthält eine Schlupfvariable. 642
29 Grundlagen aus der lin. Algebra Vektorraum R n : Menge aller n-dimensionalen reellwertigen Vektoren mit den Operationen Vektoraddition (koordinatenweise Addition) Multiplikation mit Skalaren (= reellen Zahlen) (U.A.) gilt: Vektoraddition ist kommutativ und assoziativ, hat als neutrales Element den Nullvektor, das Distributivgesetz. 643
30 Untervektorräume von R n S R n heißt Unter(vektor)raum (UR) von R n, wenn S gegen Vektoraddition und Multiplikation mit Skalaren abgeschlossen ist. Bekannt: URs sind genau die Lösungsräume von homogenen lin. Gleichungssystemen Ax=0. Die Lösungsräume von inhomogenen lin. Gleichungssystemen sind affine Unterräume a+s, wobei a Vektor und S UR. 644
31 Konvexe (Linear-)Kombinationen Seien x,y R n. Konvexkombinationen von x und y sind alle Punkte z mit z=λx+(1 λ)y, λ [0,1]. Geometrische Interpretation: Dies sind alle Punkte auf der Strecke [x,y]. Strikte Konvexkombinationen von x und y sind alle Punkte z mit z=λx+(1 λ)y, λ (0,1). 645
32 Konvexe (Linear-)Kombinationen Seien x 1,,x t R n. Konvexkombinationen von x 1,,x t sind alle Punkte z mit z= i {1,,t} λ i x i, wobei i {1,,t} λ i =1. Geometrische Interpretation: Dies sind alle Punkte in der konvexen Hülle von x 1,,x t. 646
33 Konvexe Mengen C R n heißt konvex, wenn für alle x,y C auch alle Konvexkombinationen von x und y in C liegen. 647
34 Extrempunkt Sei C eine konvexe Menge. Ein Extrempunkt von C ist ein Punkt, der sich nicht als strikte Konvexkombination von zwei verschiedenen Punkten von C darstellen lässt. 648
35 Halbebenen und Halbräume Seien b R, a R n,a 0. Halbebene (oder Hyperebene): H = {x a T x = b} (Geometrisch: (n 1)-dimensionaler affiner Unterraum, der R n in zwei Teile teilt) (Abgeschlossener) Halbraum: H = {x a T x b} (Geometrisch: Halbebene zzgl. eines der beiden Teile des R n ) 649
36 Beobachtungen Jede lineare Nebenbedingung der Form a 1 x a n x n b beschreibt einen Halbraum des R n. Halbräume sind konvexe Mengen. Der Durchschnitt von konvexen Mengen ist wieder eine konvexe Menge. Folgerung: Die Menge der Punkte, die alle Nebenbedingungen eines LP erfüllen, ist ein konvexes Polyeder. 650
37 Begriffe Polyeder im R n : Menge von Punkten, die von Halbebenen begrenzt wird. Polytop im R n : Beschränktes Polyeder Simplex im R n : Polytop mit n+1 Extrempunkten Spezialfälle eines Simplex: n=2: Dreieck n=3: Tetraeder 651
38 Stützende Hyperebene Sei C konvexe Menge. H heißt stützende Hyperebene von C, falls H C. C H, wobei H einer der durch H erzeugten Halbräume ist. 652
39 Stützende Hyperebenen Sei P konvexes Polyeder und H stützende Hyperebene. Falls dim(p H)=0, heißt P H Ecke von P. Falls dim(p H)=1, heißt P H Kante von P. Falls dim(p H)=n 1, heißt P H Seitenfläche von P. Beobachtung: Die Ecken von P sind die Extrempunkte von P. 653
40 Die nächsten Ziele Für ein LP Ax=b, x 0, c T x min gibt es die folgenden Möglichkeiten: Es gibt keine Lösung. Die Zielfunktion kann beliebig kleine Werte annehmen. Es gibt Lösungen mit endlichem Wert der Zielfunktion. Dann ex. auch eine Lösung, die auf einem Eckpunkt des Polyeders der Nebenbedingungen liegt. Simplexalgorithmus arbeitet nur auf den Eckpunkten des Polyeders. 654
41 Eigenschaften der Eckpunkte Satz: Sei P={x Ax=b, x 0 } und z P. Dann: z Eckpunkt von P Die zu positiven Koordinaten von z korrespondierenden Spalten von A sind linear unabhängig. Beweis: O.B.d.A. seien die ersten p Koordinaten von z positiv. z : ersten p Koordinaten von z A : ersten p Spalten von A Dann: A z = Az = b. 655
42 Beweis (Fortsetzung) (z Eckpunkt Spalten v. A lin. unabh.) Annahme: Spalten von A nicht lin. unabh. w 0: A w=0. ε>0: A (z +εw)=a (z εw) =A z =b. Wähle ε so klein, dass z +εw 0 und z εw 0. Fülle z +εw mit n p Nullen auf y Fülle z εw mit n p Nullen auf y Dann: y, y P und z=(y +y )/2 z kein Eckpunkt. 656
43 Beweis (Fortsetzung) (Spalten v. A lin. unabh. z Eckpunkt) Annahme: z kein Eckpunkt von P. y y P, λ (0,1) mit z=λy +(1 λ)y. A(z y ) = Az Ay = b b = 0 Wegen y, y P sind die letzten n p Koordinaten jeweils nicht negativ. Wegen λ 0,1 sind die letzten n p Koordinaten von y (wie auch von z) gleich 0. Die Spalten von A sind nicht lin. unabh. 657
44 Darstellung der Eckpunkte Sei A eine m n-matrix (mit Rang(A)=m). Sei B eine m m-matrix aus m linear unabh. Spalten von A (also eine Basis). Die Variablen, die den Spalten von B entsprechen, heißen Basisvariablen bez. B. Die übrigen Variablen heißen Nichtbasisvariablen bez. B. Die Variablenbelegung, bei der Nichtbasisvariablen auf 0 gesetzt sind und die Basisvariablen x B die Gleichung Bx B =b erfüllen, heißt Basislösung. 658
45 Darstellung der Eckpunkte Falls für eine Basislösung zusätzlich x B 0 gilt, heißt sie zulässige Basislösung. Die Variablenbelegung, bei der Nichtbasisvariablen auf 0 gesetzt sind und die Basisvariablen x B die Gleichung Bx B =b erfüllen, heißt Basislösung. 659
46 Eckpunkte vs. Basislösungen Folgerung: z P ist Eckpunkt von P z zulässige Basislösung bez. einer Basis B von A. Satz: Sei P = { x Ax=b, x 0 } und sei z P. Dann: z Eckpunkt von P Die zu positiven Koordinaten von z korrespond. Spalten von A sind linear unabhängig. 660
47 Folgerung Folgerung: Ein Polyeder P hat nur eine endliche Anzahl von Ecken. Beweis: Es gibt maximal Möglichkeiten, m Spalten aus A zu wählen. Also: Die Inspektion aller Eckpunkte ist (prinzipiell) in endlicher Zeit möglich. Aber: i.a. exponentiell. 661
48 Richtung eines Polyeders Definition: Ein Vektor d R n \{0} heißt Richtung des Polyeders P, falls für jedes x 0 P auch alle Punkte des Strahls {x 0 +λd λ 0} in P liegen. Beobachtung: Ein Polyeder P ist genau dann unbeschränkt, wenn P eine Richtung hat. 662
49 Wann hat P eine Richtung? Lemma: d 0 ist genau dann Richtung des Polyeders P = {x Ax=b, x 0}, wenn Ad=0 und d 0 ist. Beweis: : Sei Ad=0 und d 0. x 0 P λ>0: A(x 0 +λd) = Ax 0 + Aλd = b d ist Richtung von P. 663
50 : Sei d=(d 1,,d n ) Richtung von P. 1. Annahme: i: d i <0 Für alle x 0 P u. hinr. großes λ: (x 0 +λd) i <0 d keine Richtung. 2. Annahme: Ad 0. Für alle λ>0: Aλd 0. Für alle x 0 P: A(x 0 +λd) = Ax 0 + Aλd = b+aλd b d keine Richtung. Lemma: d 0 ist genau dann Richtung des Polyeders P = {x Ax=b, x 0}, wenn Ad=0 und d 0 ist. 664
51 Repräsentationstheorem Satz: Sei P = {x Ax=b, x 0} ein Polyeder im R n. Jeder Punkt z P kann als und λ 1,,λ n+1 0 dargestellt werden, wobei d=0 oder d eine Richtung von P ist und v 1,,v n+1 Eckpunkte von P sind. Insbesondere hat P mind. einen Eckpunkt. Beweis: Induktion über n, hier weggelassen. 665
52 Fundamentalsatz der lin. Prog. Satz: Sei P = {x Ax=b, x 0}. Dann wird der Minimalwert von z(x)=c T x an einer Ecke von P angenommen oder z(x) hat keine untere Schranke in P. Nutzen beim Lösen von lin. Programmen: Betrachte nur Eckpunkte. Untersuche, ob es eine Richtung gibt, entlang derer z(x) gegen geht. 666
53 Beweis: 1. Fall: P hat eine Richtung d mit c T d<0. Dann: P ist unbegrenzt und z konvergiert entlang d gegen. 2. Fall: P hat keine solche Richtung. Sei x P Punkt mit min. Wert für z(x). Dann 667
54 Simplexalgorithmus ist Umsetzung der bisherigen Ideen: 1. Schritt: Suche zulässigen Basispunkt 2. Schritt: Führe Basiswechsel durch und verkleinere dadurch den Wert der Zielfunktion. Dieser Schritt liefert entweder Eckpunkt, der Optimum ist oder Richtung, entlang derer die Zielfunktion beliebig klein wird. Wir betrachten zuerst den 2. Schritt. 668
55 Gegebenes LP später günstig z(x)= c 1 x 1 c n x n min a 11 x a n1 x n + x n+1 = b 1 a m1 x a nm x n + x n+m = b m x 1,,x n+m 0 Schlupfvariablen 669
56 Umformung z(x) = c 0 c 1 x 1 c n x n min x n+1 = b 1 a 11 x 1 a n1 x n x n+m = b m a m1 x 1 a nm x n Basisvariablen Nichtbasisvariablen Zugehöriger Basispunkt: x 1 = =x n =0, x n+1 =b 1,,x n+m =b m 670
57 Idee eines Basiswechsel z(x) = c 0 c 1 x 1 c n x n min x n+1 = b 1 a 11 x 1 a n1 x n x n+m = b m a m1 x 1 a nm x n Sei c i >0. Idee: x i beginnend von 0 wachsen lassen Zielfunktion wird kleiner a ji >0: x n+j wird kleiner, darf nur auf 0 sinken. a ji 0: keine Einschränkung wg. x n+j 671
58 Wie groß darf x i werden? 1. Fall: a ji > 0. Dann x n+j = b j a ji x i 0 x i b j /a ji. 2. Fall: a ji 0. Dann keine Einschränkung an x i. Also: Suche Nebenbedingung j mit a ji >0 und b j /a ji minimal. Dann x i wächst auf b j /a ji und x n+j sinkt auf 0. x i wird Basisvar. x n+j wird Nichtbasisvar. Falls es ein solches j nicht gibt: Zielfunktion kann beliebig klein werden. 672
59 Basiswechsel zw. x i und x n+j z(x) = c 0 c 1 x 1 c n x n min x n+1 = b 1 a 11 x 1 a n1 x n x n+m = b m a m1 x 1 a nm x n j-te Nebenbedingung nach x i auflösen: 673
60 Basiswechsel zw. x i und x n+j für x i in die Zielfunktion und die anderen Nebenbedingungen einsetzen. Resultat: Äquivalentes LP, in dem x n+j Nichtbasisvariable und x i Basisvariable ist. 674
61 Neue Zielfunktion 675
62 Bedeutung von c 0 c 0 ist der Wert der Zielfunktion im aktuellen Basispunkt. 676
63 Neue Nebenbedingungen 677
64 Resultate Resultat ist ein äquivalentes LP. Name des Umformungsschritts: Basiswechsel oder Pivotschritt In einem Pivotschritt wird von einem Eckpunkt zu einem benachbarten Eckpunkt gewechselt. Ein Eckpunkt zusammen mit seinen n Nachbarn bildet einen Simplex; daher der Name Simplexalgorithmus 678
65 Simplextableau Tabelle/Array der Koeffizienten des LP Zur Vereinfachung werden die Vorzeichen der Nichtbasisvariablen umgedreht. 679
66 z(x) = c 0 c 1 x 1 c n x n min x n+1 = b 1 a 11 x 1 a n1 x n x n+m = b m a m1 x 1 a nm x n wird zu x 1 x n c 0 c 1 c n x n+1 b 1 a 11 a n1 x n+m b m a m1 a nm 680
67 Basiswechsel x n+j x i Pivotelement: übrige Elemente in der j-ten Zeile: übrige Elemente in der i-ten Spalte: übrige Elemente: 681
68 Merkregel p r q s 1/p r/p q/p s rq/p 682
69 Schritt 2 des Simplexalgorithmus Gegeben: LP mit zulässigem Basispunkt. Schleife: Falls alle c i 0: Verkleinern der Zielfunktion nicht mehr mögl., Lösung gefunden. STOP. Wähle i mit c i >0. Falls für alle j gilt, dass a ji 0: Zielfunktion kann bel. kleine Werte annehmen. STOP. Suche j mit a ji >0 und b j /a ji minimal. Führe Pivotschritt um a ji aus. 683
70 Gärtnerbeispiel 20x x 2 max x 1 + x x 1 + 6x x 1 60 x 1 0, x 2 0 Normalform: 20x 1 10x 2 min x 3 = 100 x 1 x 2 x 4 = 720 9x 1 6x 2 x 5 = 60 x 1 684
71 Erzeugung des Simplextableaus 20x 1 10x 2 min x 3 = 100 x 1 x 2 x 4 = 720 9x 1 6x 2 x 5 = 60 x 1 x 1 x x x x
72 Auswahl des ersten Basiswechsels x 1 x x x x x x 1 80 x 1 60 Also Basiswechsel x 1 x 5 686
73 Basiswechsel x 1 x 5 x 1 x x x x x 5 x x x x
74 Zweiter Basiswechsel x 5 x x x x x 2 40 x 2 30 Also Basiswechsel x 2 x 4 688
75 Basiswechsel x 2 x 4 x 5 x x x x x 5 x /6 x /2 1/6 x /2 1/6 x Lösung mit Wert 1500 gefunden 689
76 Geometrische Interpretation x x 1 690
77 Sonderfall: Degenerierte Probleme Ein LP heißt degeneriert, falls sich in einem Eckpunkt des zugehörigen Polyeders mehr als n Hyperebenen schneiden. Probleme: Der zugehörige Basispunkt hat mehrere Darstellungen (bei denen auch Basisvariablen den Wert 0 haben). Der Simplexalgorithmus kann zwischen diesen Darstellungen kreisen -Schleife 691
78 Abhilfe Der Simplexalgorithmus speichert alle besuchten Basispunkte, um Wiederholungen zu vermeiden erfordert ev. viel Speicher. Zusätzliche Regeln, die mehrfaches Besuchen desselben Basispunkts vermeiden Lex-Positiv-Regel (siehe Blum) 692
79 Rechenzeit Simplexalgorithmus gilt als praktisch effizient. Es gibt worst-case-eingaben mit exponentieller Rechenzeit (aufwändig zu konstruieren). 693
80 Schritt 1 des Simplexalgorithmus Bisherige Annahme: x 1 = =x n =0 zulässiger Basispunkt, d.h., b 1,,b m 0. Falls dies nicht so ist, sollte ein anderer zulässiger Basispunkt berechnet werden oder festgestellt werden, dass das LP unlösbar. z(x) = c 0 c 1 x 1 c n x n min x n+1 = b 1 a 11 x 1 a n1 x n x n+m = b m a m1 x 1 a nm x n 694
81 Schritt 1 des Simplexalgorithmus Unsere Vorgehensweise: Modifiziere das geg. LP P 1, so dass das Resultat P 2 auf triviale Weise einen zulässigen Basispunkt hat, man aus der Lösung von P 2 einen zulässigen Basispunkt von P 1 erhält. Lösung kann mit dem Algo für Schritt 2 berechnet werden 695
82 Bestimmung e. zul. Basispunkts Eingabe: LP P 1 : Ax=b, x 0 (Zielfkt. wird hier vernachlässigt) Durch Multiplikation mit 1 erreiche, dass alle b i 0 (bisherige Schlupfvar. erhalten ev. neg. Vorzeichen) Füge künstliche Variablen z=(z 1,,z m ) ein und konstruiere neues LP: z 1 + +z m min Ax+z = b (P 2 ) x,z
83 Berechnung e. zulässigen Basisp. Bringe das LP P 2 in Standardform, d.h., setze z = b Ax in die Zielfunktion ein. Resultat: z=b, x=0 ist zulässiger Basispunkt für P 2 Also: bisheriger Algo für Schritt 2 kann P 2 lösen. z 1 + +z m min Ax+z = b (P 2 ) x,z
84 Kriterium für die Lösbarkeit Lemma: P 2 hat genau dann die Lösung (x*,z*) mit Wert 0, wenn Ax*=b und x* 0 ist, also x* zulässiger Punkt für P 1 ist. Beweis: : (x*,z*) Lösung mit Wert 0 von P 2 z*=0, x* 0 Ax*=b, x* 0. : Offensichtlich ist (x*,z=0) Lösung von P 2 mit Wert 0. z 1 + +z m min Ax+z = b (P 2 ) x,z
85 Berechn. e. zulässigen Basispunkts Löse P 2. Falls eine z-variable ungleich 0 ist, hat P 1 keine Lösung. STOP. Ansonsten erhalten wir einen zulässigen Basispunkt für P 1 (Nichtbasisvariablen auf 0 setzen, Basisvariablen auf die b-werte setzen, z-variablen weglassen) Durch geeignete Basiswechsel kann in P 1 ein zulässiger Basispunkt erreicht werden. 699
86 Implementierung von Schritt 1 Reale Implementierungen berechnen nicht P 2, sondern führen geeignete Basiswechsel direkt aus, um einen zulässigen Basispunkt zu erreichen. 700
87 Randomisiertes Runden Bekannt: Für lineare Programmierung gibt es effiziente Algorithmen. 0-1-Programmierung ist NP-schwer. Idee: Löse ein 0-1-Programm, indem alle Nebenbedingungen x {0,1} durch 0 x 1 ersetzt werden, relaxiertes Problem lineare Relaxation das entstandene LP effizient gelöst wird, die berechnete Lösung nachbehandelt wird. 701
88 Nachbehandlung Idee: Sei x^ der Wert von x in der Lösung des LP. Belege x mit Wkeit x^ mit 1 und mit Wkeit 1 x^ mit 0 (unabhängig für alle Variablen) Name: Randomisiertes Runden Analyse hier am Beispiel MAX-k-SAT. 702
89 Wiederholung: Formulierung von MAX-k-SAT als 0-1-Programm z 1,,z m : Indikatorvariablen, die angeben, ob die zug. Klauseln erfüllt sind. Zielfunktion: z 1 + +z m max Nebenbedingungen: y 1,,y n,z 1,,z m {0,1} Für j=1,,m: Dann: max. Wert der Zielfunktion = max. Anzahl erfüllter Klauseln 703
90 Algo 1 Formuliere die MAX-k-SAT-Eingabe als 0-1-Programm. Löse die lineare Relaxation des 0-1-Programms. Sei y^ 1,,y^ n,z^ 1,,z ^ m die Lösung. Belege x i mit Wkeit y^ i mit 1 und mit Wkeit 1 y^ i mit
91 Analyse von Algo 1 Satz: Sei opt die maximale Anzahl an gleichzeitig erfüllbaren Klauseln. Die erwartete Anzahl erfüllter Klauseln ist mindestens (1 (1 1/k) k ) opt (1 1/e) opt. Bemerkung: 1 1/e 0,63. Wesentliche Idee: Wert r der Lösung des relaxierten Problems ist eine obere Schranke für die Anzahl gleichzeitig erfüllbarer Klauseln d.h. opt r = ^z j. 705
92 Hilfsaussagen 1. Ungleichung von arithmetischem und geometrischem Mittel. Seien a 1,,a k 0. Dann: 2. Sei x [0,1]. Dann: 706
93 Analyse Lemma: Sei y^ 1,,y^ n,z^ 1,,z^ m eine Lösung des relaxierten Problems. Die Wkeit, dass die j-te Klausel bei randomisiertem Runden erfüllt ist, ist mindestens (1 (1 1/k) k ) z^ j (1 1/e) z^ j. 707
94 Beweis Betrachte o.b.d.a. die Klausel C=x 1 x k. Wkeit, dass C beim rand. Runden erfüllt wird: Es ist und somit 708
95 Mit Hilfsaussage 1 folgt: Umformen: Hilfsaussage 2 Wkeit, dass C j erfüllt ist 709
96 Beweis des Satzes X j : Indikatorvariable, die angibt, ob j-te Klausel erfüllt ist. E[X j ] (1 (1 1/k) k ) z^ j. E[X 1 + +X m ] (1 (1 1/k) k ) j z^ j (1 (1 1/k) k ) opt (1 1/e) opt opt ^z j. Satz: Sei opt die maximale Anzahl an gleichzeitig erfüllbaren Klauseln. Die erwartete Anzahl erfüllter Klauseln bei rand. Runden ist mindestens (1 1/e) opt. 710
97 Ein weiterer Algo für MAX-k-SAT Algo 2: Belege alle Variablen mit Wkeit ½ mit 0 bzw. 1. Satz: Die erwartete Anzahl erfüllter Klauseln bei Algo 2 ist m(1 1/2 k ). 711
98 Satz: Die erwartete Anzahl erfüllter Klauseln bei Algo 2 ist m(1 1/2 k ). Beweis: X i : Indikatorvariable, die angibt, ob die i-te Klausel erfüllt ist. E[X i ]=1 1/2 k. X: Zufallsvariable für die Anzahl erfüllter Klauseln. X=X 1 + +X m, also E[X] = m(1 1/2 k ). 712
99 Welcher Algo ist besser? Algo 1: Erw. Anzahl erfüllter Klauseln ist opt (1 (1 1/k) k ). Algo 2: Erw. Anzahl erfüllter Klauseln ist m (1 1/2 k ). k (1 1/k) k 1 0,75 0,704 0, /2 k 0,5 0,75 0,875 0,
100 Kombination beider Algos Algo 3: Starte nacheinander Algo 1 und Algo 2 und gib das bessere Ergebnis aus. Anmerkung: Algo 3 ist auch für MAXSAT anwendbar, d.h., auch wenn die Länge der Klauseln nicht vorgegeben ist. 714
101 Analyse von Algo 3 Satz: Bei Algo 3 ist die erwartete Anzahl erfüllter Klauseln mindestens (3/4) opt. Beweis: n i : Zufallsvariable für die Anzahl erfüllter Klauseln in der Lösung von Algo i. noch zu zeigen 715
102 Abschätzung von n 1 und n 2 l(c): Länge der Klausel C Dann und 716
103 Zwischenrechnung k=1 oder k=2: linke Seite 3/2. k 3: linke Seite mindestens 7/8+(1 1/e) 3/2. 717
104 Rechnung Es folgt 718
Teil I. Lineare Optimierung
Teil I Lineare Optimierung 5 Kapitel 1 Grundlagen Definition 1.1 Lineares Optimierungsproblem, lineares Programm. Eine Aufgabenstellung wird lineares Optimierungsproblem oder lineares Programm genannt,
Mehr1 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
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
MehrOptimierung für Wirtschaftsinformatiker: Lineare Programme
Optimierung für Wirtschaftsinformatiker: Lineare Programme Dr. Nico Düvelmeyer Dienstag, 31. Mai 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Lineare Programme Allgemeine Form 2 Spezielle Darstellungen
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 =
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
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
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
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
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,
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
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
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
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
MehrWiederholung. Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b
Wiederholung Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b x 0. x R n heißt Basislösung, wenn Ax = b und rang(a J ) = J, wobei J = {j x (j) 0}; Basislösung
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
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
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)
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
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
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
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
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
MehrLineare Programmierung (2)
Inhalt Rückblick Motivation - linearen Programmierung Flussprobleme Multiple Warenflüsse Fortsetzung Simplex Algorithmus Initialisierung Fundamentalsatz der linearen Programmierung schwache Dualität Dualität
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
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 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
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:
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
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
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
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
MehrLösungen Serie 6 (Vektorräume, Skalarprodukt)
Name: Seite: 1 Fachhochschule Nordwestschweiz (FHNW) Hochschule für Technik Lösungen Serie 6 (Vektorräume, Skalarprodukt) Dozent: R. Burkhardt Büro: 4.613 Klasse: 1. Studienjahr Semester: 1 Datum: HS 28/9
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:
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Wintersemester 2014/15 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax
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
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
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 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. 4.3: Das Dualitätstheorem der linearen Optimierung
Kap. 4.3: Das Dualitätstheorem der linearen Optimierung Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 18. VO A&D WS 08/09 18.12.2008 1 Literatur
MehrKapitel 16. Invertierbare Matrizen
Kapitel 16. Invertierbare Matrizen Die drei Schritte des Gauß-Algorithmus Bringe erweiterte Matrix [A b] des Gleichungssystems A x auf Zeilenstufenform [A b ]. Das System A x = b ist genau dann lösbar,
Mehr7.1 Matrizen und Vektore
7.1 Matrizen und Vektore Lineare Gleichungssysteme bestehen aus einer Gruppe von Gleichungen, in denen alle Variablen nur in der 1. Potenz vorkommen. Beispiel Seite 340 oben: 6 x 2 = -1 + 3x 2 = 4 mit
Mehr6 Lineare Gleichungssysteme
6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α
MehrMathematik IT 2 (Lineare Algebra)
Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof Dr L Cromme Mathematik IT (Lineare Algebra für die Studiengänge Informatik, IMT und ebusiness im Sommersemester 3 Lineare Gleichungssysteme
MehrVektorräume. Kapitel Definition und Beispiele
Kapitel 3 Vektorräume 3.1 Definition und Beispiele Sei (V,,0) eine abelsche Gruppe, und sei (K, +,, 0, 1) ein Körper. Beachten Sie, dass V und K zunächst nichts miteinander zu tun haben, deshalb sollte
Mehr3 Lineare Differentialgleichungen
3 Lineare Differentialgleichungen In diesem Kapitel behandeln wir die allgemeine Theorie linearer Differentialgleichungen Sie werden zahlreiche Parallelen zur Theorie linearer Gleichungssysteme feststellen,
Mehr1 Lineare Gleichungssysteme und Matrizen
1 Lineare Gleichungssysteme und Matrizen Das Studium linearer Gleichungssysteme und ihrer Lösungen ist eines der wichtigsten Themen der linearen Algebra. Wir werden zunächst einige grundlegende Begriffe
Mehrβ 1 x :=., und b :=. K n β m
44 Lineare Gleichungssysteme, Notations Betrachte das lineare Gleichungssystem ( ) Sei A = (α ij ) i=,,m j=,n α x + α x + + α n x n = β α x + α x + + α n x n = β α m x + α m x + + α mn x n = β m die Koeffizientenmatrix
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
Mehr2 Die Körper-Axiome. I. Axiome der Addition (A.1) Assoziativgesetz. Für alle x, y, z R gilt (x + y)+z = x +(y + z).
17 Wir setzen in diesem Buch die reellen Zahlen als gegeben voraus. Um auf sicherem Boden zu stehen, werden wir in diesem und den folgenden Paragraphen einige Axiome formulieren, aus denen sich alle Eigenschaften
MehrLineare Optimierungsmodelle
Lineare Optimierungsmodelle Simplex-Methode Vortragender: Michael Schneider Agenda Motivation Operations Research Aufbau linearer Optimierungsmodelle Simplex-Methode Ausblick 2 Problemstellung Futtermischung
MehrHomogene und inhomogene Koordinaten und das Hyperboloid
Seminararbeit zum Seminar aus Reiner Mathematik Homogene und inhomogene Koordinaten und das Hyperboloid Gernot Holler 1010674 WS 2012/13 28.November 2012 1 Inhaltsverzeichnis 1 Einleitung 3 2 Homogene
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
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 Kern einer Matrix
Die elementaren Zeilenoperationen p. 1 Der Kern einer Matrix Multipliziert man eine Matrix mit den Spaltenvektoren s 1,..., s m von rechts mit einem Spaltenvektor v := (λ 1,..., λ m ) T, dann ist das Ergebnis
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
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden
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
Mehr17. Das Gauß-Verfahren
7 Das Gauß-Verfahren 95 7 Das Gauß-Verfahren Nachdem wir jetzt viele Probleme der linearen Algebra (z B Basen von Vektorräumen zu konstruieren, Morphismen durch lineare Abbildungen darzustellen oder 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
Mehr3. Schnittebenenverfahren
3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 5 Verwandle große Schwierigkeiten in kleine und kleine in gar keine Chinesische Weisheit Das Lösen von
Mehr10.2 Dualitätstheorie Operations Research. In der Standardform eines Maximierungsproblem: b e ) mit ( w) + a ej ) x j + x g = ( b g + g G
48 0 Operations Research In der Standardform eines Maximierungsproblem: Max ( w) mit ( w) + u. d. N. z + x l + n ( a gj + j= g G e E n d j x j = z 0 j= n a l j x j = b l für alle l L j= x g n + a gj x
MehrOptimierungsverfahren in der Transportlogistik
Optimierungsverfahren in der Transportlogistik Jakob Puchinger 1 1 Dynamic Transportation Systems, arsenal research Jakob Puchinger (arsenal research) Optimierungsverfahren in der Transportlogistik 1 /
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
MehrBrückenkurs Elementarmathematik
Brückenkurs Elementarmathematik IV. Ungleichungen November 13, 2013 Inhalt 1 Ungleichungen 2 Umformungen von Ungleichungen 2.1 Äquivalenzumformungen 2.2 Addition und Multiplikation von Ungleichungen 3
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
Mehr2.3 Basis und Dimension
Lineare Algebra I WS 205/6 c Rudolf Scharlau 65 2.3 Basis und Dimension In diesem zentralen Abschnitt werden einige für die gesamte Lineare Algebra fundamentale Grundbegriffe eingeführt: Lineare Abhängigkeit
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 +...
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
MehrElemente der Algebra
Prof. Dr. H. Brenner Osnabrück SS 2015 Elemente der Algebra Vorlesung 1 Der Gruppenbegriff Definition 1.1. Eine Verknüpfung auf einer Menge M ist eine Abbildung : M M M, (x,y) (x,y) = x y. Statt (x,y)
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
MehrKapitel 2: Mathematische Grundlagen
[ Computeranimation ] Kapitel 2: Mathematische Grundlagen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 2. Mathematische Grundlagen
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
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
MehrÜbungsblatt 6 Lösungsvorschläge
Institut für Theoretische Informatik Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 6 Lösungsvorschläge Vorlesung Algorithmentechnik im WS 09/10 Problem 1: Größter Kreis in konvexem Polygon [vgl. Kapitel 6
Mehr6 Gleichungen und Gleichungssysteme
03.05.0 6 Gleichungen und Gleichungssysteme Äquivalente Gleichungsumformungen ( ohne Änderung der Lösungsmenge ).) a = b a c = b c Addition eines beliebigen Summanden c.) a = b a - c = b - c Subtraktion
Mehr0, v 6 = , v 4 = 1
Aufgabe 6. Linearkombinationen von Vektoren Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 : M = v =, v =, v 3 =, v 4 =, v 5 =, v 6 =. Zeigen Sie, dass sich jeder Vektor v i M, i =,,...,
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,
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
MehrSatz 7. A sei eine Teilmenge des nichttrivialen Vektorraums (V,+, ). Dann sind die folgende Aussagen äquivalent.
Definition der Basis Def. Es sei (V,+, ) ein nichttrivialer Vektorraum. Die Menge A V heißt eine Basis-Menge, falls sie (a) linear unabhängig ist und (b) span(a) = V. Satz 7. A sei eine Teilmenge des nichttrivialen
Mehr3. Übungsblatt zur Lineare Algebra I für Physiker
Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte
Mehr5 Die Allgemeine Lineare Gruppe
5 Die Allgemeine Lineare Gruppe Gegeben sei eine nicht leere Menge G und eine Abbildung (Verknüpfung) : G G G, (a, b) a b( a mal b ) Das Bild a b von (a, b) heißt Produkt von a und b. Andere gebräuchliche
MehrLineare Gleichungssysteme
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 28. November 2011 Definition Beispiel: Wassermengen und Konzentrationen in einem Fluss Beispiel Zeilenstufenform Beispiel (Fortsetzung) Anhang
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 7 11. Mai 2010 Kapitel 8. Vektoren Definition 76. Betrachten wir eine beliebige endliche Anzahl von Vektoren v 1, v 2,..., v m des R n, so können
MehrSatz 7. A sei eine nichtleere Teilmenge des nichttrivialen Vektorraums (V, +, ). Dann sind die folgende Aussagen äquivalent.
Definition der Basis Def. Es sei (V,+, ) ein nichttrivialer Vektorraum. Die Menge A V heißt eine Basis-Menge, falls sie (a) linear unabhängig ist und (b) span(a) = V. Satz 7. A sei eine nichtleere Teilmenge
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
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eine Familie von Gleichungen der Form a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2............ a m1 x 1 + a m2 x 2 +... + a mn x n = b m
MehrVektorräume und Lineare Abbildungen
Vektorräume und Lineare Abbildungen Patricia Doll, Selmar Binder, Lukas Bischoff, Claude Denier ETHZ D-MATL SS 07 11.04.2007 1 Vektorräume 1.1 Definition des Vektorraumes (VR) 1.1.1 Grundoperationen Um
Mehr5.7 Lineare Abhängigkeit, Basis und Dimension
8 Kapitel 5. Lineare Algebra 5.7 Lineare Abhängigkeit, Basis und Dimension Seien v,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von v,...,v n, nämlich { n
MehrLineare Differenzengleichungen und Polynome. Franz Pauer
Lineare Differenzengleichungen und Polynome Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 13/7, A-600 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at Vortrag beim ÖMG-LehrerInnenfortbildungstag
MehrIm Falle einer zweimal differenzierbaren Funktion lässt sich das Krümmungsverhalten anhand der zweiten Ableitung feststellen.
Konvex, Konkav, Wendepunkt: Sei f : D R eine Funktion und sei I D ein Intervall. Gilt für alle x 1,x 2 I f ( x1 +x ) 2 2 f(x 1)+f(x 2 ), 2 dann heißt f konvex (linksgekrümmt) in I. Gilt für alle x 1,x
Mehr1 Transponieren, Diagonal- und Dreiecksmatrizen
Technische Universität München Thomas Reifenberger Ferienkurs Lineare Algebra für Physiker Vorlesung Mittwoch WS 2008/09 1 Transponieren, Diagonal- und Dreiecksmatrizen Definition 11 Transponierte Matrix
MehrKonvexe Mengen. Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke
Konvexe Mengen Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke xy = {x + t xy 0 t 1} = {(1 t)x + ty 0 t 1} enthält. konvex nicht konvex Lemma
Mehr2.2 Lineare Gleichungssysteme (LGS)
2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +
MehrKapitel 13. Lineare Gleichungssysteme und Basen
Kapitel 13. Lineare Gleichungssysteme und Basen Matrixform des Rangsatzes Satz. Sei A eine m n-matrix mit den Spalten v 1, v 2,..., v n. A habe den Rang r. Dann ist die Lösungsmenge L := x 1 x 2. x n x
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
Mehr1.6 Implizite Funktionen
1 1.6 Implizite Funktionen Wir werden uns jetzt mit nichtlinearen Gleichungen beschäftigen, f(x) = 0, wobei f = (f 1,..., f m ) stetig differenzierbar auf einem Gebiet G R n und m < n ist. Dann hat man
MehrDas inhomogene System. A x = b
Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbestimmten hat immer mindestens die Lösung 0. Ist r der Rang von A, so hat das System n r Freiheitsgrade. Insbesondere gilt: Ist
Mehr