Eigenschaften von LPs
|
|
- Liese Bauer
- vor 6 Jahren
- Abrufe
Transkript
1 2 Lineare Programmierung Eigenschaften von LPs Eigenschaften von LPs Definition 24 Eine Menge K IR n heißt konvex gdw für je zwei Punkte Punkte x (1) K und x (2) K auch jeder Punkt mit 0 λ 1 zu K gehört y = λx (1) + (1 λ)x (2) Die konvexe Hülle H einer Menge K IR n ist die kleinste konvexe Menge, die K enthält Operations Research FH Bonn-Rhein-Sieg, WS 08/09 40
2 2 Lineare Programmierung Eigenschaften von LPs konvexe Menge nicht konvexe Menge Operations Research FH Bonn-Rhein-Sieg, WS 08/09 41
3 2 Lineare Programmierung Eigenschaften von LPs Definition 25 Es seien x (1),,x (r) Punkte des IR n und λ 1,,λ r seien nichtnegative relle Zahlen mit r i=1 λ i = 1 Dann heißt x = r i=1 λ ix (i) Konvexkombination von x (1),,x (r) Gilt sogar λ i > 0(i = 1,,r), so heißt x echte Konvexkombination von x (1),,x (r) Die Menge aller Konvexkombinationen endlich vieler Punkte x (1),,x (r) des IR n heißt (durch diese Punkte aufgespanntes) konvexes Polyeder Bemerkung: Das durch r Punkte aufgespannte konvexe Polyeder ist identisch mit der konvexen Hülle der aus diesen Punkten bestehenden Menge Operations Research FH Bonn-Rhein-Sieg, WS 08/09 42
4 2 Lineare Programmierung Eigenschaften von LPs Definition 26 y heißt Ecke von K, wenn sich y nicht als echte Konvexkombination zweier verschiedener Punkte x (1) und x (2) von K darstellen lässt Bemerkung: Ein konvexes Polyeder enthält endlich viele Ecken Satz 21 Es gilt: Die Menge der hinsichtlich jeder einzelnen Nebenbedingung zulässigen Lösungen ist konvex Die Menge X der zulässigen Lösungen eines LP ist konvex Die Menge X der optimalen Lösungen eines LP ist konvex Operations Research FH Bonn-Rhein-Sieg, WS 08/09 4
5 2 Lineare Programmierung Eigenschaften von LPs Satz 22 Die Menge X der zulässigen Lösungen hat endlich viele Ecken Ist X ein konvexes Polyeder, so nimmt die Zielfunktion ihr Optimum in mindestens einer Ecke von X an Ist X unbeschränkt, aber F(x) auf X (nach oben) beschränkt, so nimmt die Zielfunktion ihr Optimum in mindestens einer Ecke von X an Ist X unbeschränkt und F(x) auf X unbeschränkt, so hat das LP keine Lösung Operations Research FH Bonn-Rhein-Sieg, WS 08/09 44
6 2 Lineare Programmierung Eigenschaften von LPs Definition 27 Gegeben sei ein LP in der Normalform mit m als Rang der (m n) Matrix A x IR n heißt Basislösung gdw n m Komponenten x i gleich Null und die zu den restlichen Variablen gehörenden Spaltenvektoren a j linear unabhängig sind Eine Basislösung, die zulässig ist, heißt zulässige Basislösung Die m linear unabhängigen Spaltenvektoren a j einer (zulässigen) Basislösung heißen Basisvektoren, die zugehörigen Variablen x j Basisvariablen (BV) Alle übrigen Spaltenvektoren heißen Nichtbasisvektoren, die zugehörigen Variablen Nichtbasisvariablen (NBV) Operations Research FH Bonn-Rhein-Sieg, WS 08/09 45
7 2 Lineare Programmierung Eigenschaften von LPs Die Menge aller Basisvariablen x j einer Basislösung bezeichnet man als Basis Satz 2 x ist genau dann eine zulässige Basislösung eines LP, wenn x ist Ecke von X ist Beispiel 24 Wir greifen das Beispiel mit dem Eisverkäufer (Beispiel 21 bzw 22) wieder auf Maximiere z = 0x x x 1 x 2 x x 4 x 5 = x 1,,x 5 0 Operations Research FH Bonn-Rhein-Sieg, WS 08/09 46
8 2 Lineare Programmierung Eigenschaften von LPs Die redundante Nebenbedingung x 1 6 wurde weggelassen Man erhält ( 5 ) = 10 Systeme von Spalten der Matrix A: Für die Ecke 0 wird der maximale Zielfunktionswert angenommen 0 7 Operations Research FH Bonn-Rhein-Sieg, WS 08/09 47
9 2 Lineare Programmierung Eigenschaften von LPs Bemerkung: Wenn m der Rang von A ist, sind im Normalfall genau m Koordinaten einer Ecke positiv, die übrigen Null Definition 28 Es sei m der Rang von A Eine Ecke heißt entartet (degeneriert) gdw weniger als m Koordinaten positiv sind Bemerkung: Bei entarteten Ecken ist das System der linear unabhängigen Spalten von A nicht eindeutig bestimmt Operations Research FH Bonn-Rhein-Sieg, WS 08/09 48
10 2 Lineare Programmierung Simplex-Algorithmus Der Simplex-Algorithmus Standardverfahren zur Lösung von LPs, von G B Dantzig entwickelt Grundidee: Versuche ausgehend von einer Startecke mit einer Ausgangsbasis durch Basisaustausch zu einer Ecke mit besserem Zielfunktionswert fortzuschreiten Da es nur endlich viele Ecken gibt, erhält man nach endlich vielen Schritten die optimale Lösung Operations Research FH Bonn-Rhein-Sieg, WS 08/09 49
11 2 Lineare Programmierung Simplex-Algorithmus Beispiel 25 Wir bleiben beim Problem des Eisverkäufers und ordnen die Daten in einem Tableau an: x 1 x 2 x x 4 x 5 b i x x x z Die Strukturvariablen x 1,x 2 sind NBV, die Schlupfvariablen x, x 4, x 5 sind BV Die Werte der BV ergeben sich aus den Nebenbedingungsgleichungen, die durch die Zeilen des Tableaus repräsentiert werden Letzte Zeile ist Zielfunktionszeile, Zielfunktionswert ganz rechts Operations Research FH Bonn-Rhein-Sieg, WS 08/09 50
12 2 Lineare Programmierung Simplex-Algorithmus Basisaustausch: x 1 verspricht den größeren Zuwachs, x 1 -Spalte ist die Pivotspalte x 1 kann höchstens den Wert 0/5 = 6 annehmen, x 4 wird dann Null x 4 -Zeile ist die Pivotzeile Pivotspalte und Pivotzeile schneiden sich im Pivotelement, hier a 21 = 5 Die Pivotzeile entspricht der Gleichung 5x 1 + 2x 2 + x 4 = 0 Somit x 1 = x x 4 Dies setzen wir in alle übrigen Gleichungen ein Für die erste Zeile erhalten wir ( x x 4) +x2 +x = 10 Dies ergibt 5 x 2 + x 1 5 x 4 = 4 Die Pivotzeile wird zu x x x 4 = 6 Die dritte Zeile bleibt unverändert, da x 1 dort nicht auftritt Operations Research FH Bonn-Rhein-Sieg, WS 08/09 51
13 2 Lineare Programmierung Simplex-Algorithmus Die Zielfunktionszeile wird zu 0(6 2 5 x x 4) 25x 2 + z = 0, also 1x 2 + 6x 4 + z = 180 Das neue Tableau: x 1 x 2 x x 4 x 5 b i x x x z Man dividiert also die Pivotzeile durch den Pivotwert Zu den übrigen Zeilen addiert man ein Vielfaches der Pivotzeile, so daß in der Pivotspalte Nullen entstehen Operations Research FH Bonn-Rhein-Sieg, WS 08/09 52
14 2 Lineare Programmierung Simplex-Algorithmus Durch Vertauschen der Spalten für x 1 und x 4 bringt man das Tableau wieder in die übliche Form: x 4 x 2 x x 1 x 5 b i x x x z Die zugehörige Ecke ist Operations Research FH Bonn-Rhein-Sieg, WS 08/09 5
15 2 Lineare Programmierung Simplex-Algorithmus Der nächste Austauschschritt liefert das Tableau: Das heißt in der Ecke wird das Optimum mit z = 800 angenommen x 4 x 2 x x 1 x 5 b i x x x z Operations Research FH Bonn-Rhein-Sieg, WS 08/09 54
16 2 Lineare Programmierung Simplex-Algorithmus Algorithmus 21 [Simplexalgorithmus] Start: Es liege ein kanonisches Maximumproblem (b i 0, i = 1,,m) vor Ecke des Ausgangstableaus ist: x 1 x n m x n m+1 x n = 0 0 b 1 b m mit z = 0 Schlupfvariablen sind BV, Strukturvariablen sind NBV Operations Research FH Bonn-Rhein-Sieg, WS 08/09 55
17 2 Lineare Programmierung Simplex-Algorithmus Ausgangstableau: x 1 x t x n m x n m+1 x n m+s x n b i x n m+1 a 11 a 1t a 1,n m b 1 x n m+s a s1 a s,n m b s x n a m1 a mt a m,n m b m z c 1 c t c n m Wahl der Pivotspalte: Ist die Zielfunktionszeile von der Gestalt z d 1 d t d n m 0 0 d mit d j 0, (j = 1,,n m), so liegt eine Optimallösung vor Operations Research FH Bonn-Rhein-Sieg, WS 08/09 56
18 2 Lineare Programmierung Simplex-Algorithmus Andernfalls mache man eine Spalte t mit negativem d j zur Pivotspalte und die NBV x t zur BV Wahl der Pivotzeile: Sind in der Pivotspalte alle a it 0, so wächst z unbeschränkt, da x t unbeschränkt wachsen kann Es gibt dann keine Optimallösung Andernfalls bestimme man eine Zeile s durch b s = min m i=1 b i a it für a it > 0 Die NBV x t wird BV und bekommt den Wert b s Die bisherige BV x n m+s wird BV und nimmt den Wert 0 an Operations Research FH Bonn-Rhein-Sieg, WS 08/09 57
19 2 Lineare Programmierung Simplex-Algorithmus Austauschschritt: Das neue Tableau lautet: Linke Hälfte: x 1 x t x n m a 11 a 1t a s1 0 a 1,n m a 1t a s,n m a s1 a 1 s,n m a m1 a mt a s1 0 a m,n m a mt a s,n m z d 1 d t a s1 0 d n m d t a s,n m x n m+1 x t x n Operations Research FH Bonn-Rhein-Sieg, WS 08/09 58
20 2 Lineare Programmierung Simplex-Algorithmus Rechte Hälfte: x n m+1 x n m+s x n b i 1 a 1t 0 b 1 b s a 1t 1 b 0 0 s 0 a mt 1 b m b s a mt 0 d t 0 d b s d t Terminierung: Wenn alle Koeffizienten der Zielfunktionszeile nichtnegative Werte haben, beschreibt das Tableau eine optimale Ecke Rechts unten steht z max Operations Research FH Bonn-Rhein-Sieg, WS 08/09 59
OPERATIONS-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:
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
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
MehrZielfunktion lineare Funktion Nebenbedingungen lineare Funktionen
be/ji/3(2) 2-1 2 im Kontext der OR-Optimierungsmodelle Zielfunktion lineare Funktion Nebenbedingungen lineare Funktionen Standardform: - Planungsziel min bzw. min Z(x) = c 1 x 1 + c 2 x 2 + + c n x n Z(x)
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,
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
MehrOperations Research für Wirtschaftsinformatiker. Vorlesungsskript von Richard Mohr
Operations Research für Wirtschaftsinformatiker Vorlesungsskript von Richard Mohr Fachhochschule Esslingen, SS 2005 INHALTSVERZEICHNIS i Inhaltsverzeichnis Lineare Optimierung. Graphische Lösung des linearen
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
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...
Mehr4. Dynamische Optimierung
4. Dynamische Optimierung Allgemeine Form dynamischer Optimierungsprobleme 4. Dynamische Optimierung Die dynamische Optimierung (DO) betrachtet Entscheidungsprobleme als eine Folge voneinander abhängiger
Mehr0. Einleitung. 0.1. Der Begriff Operations Research / Decision Support
0. Einleitung 0.1. Der Begriff Operations Research / Decision Support Es werden Methoden zur Entscheidungsunterstützung (Decision Support, DS) vorgestellt. Durch Problemanalyse, daraus formulierte mathematische
MehrEinführung in das Operations Research
S. Nickel, O. Stein, K.-H. Waldmann Einführung in das Operations Research Skript zur Vorlesung am Karlsruher Institut für Technologie Vorläufige Version, Stand: 11. März 2011 Inhaltsverzeichnis 1 Kernkonzepte
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
MehrAlgorithmische Anwendungen
Lineare Programmierung Studiengang: Allgemeine Informatik 7.Semester Gruppe: A blau Sibel Cilek 3835 Daniela Zielke 36577..6 Inhaltsverzeichnis Einleitung...3. Was ist lineare Optimierung?... 3. Anwendungsbeispiele...
MehrEinführung in die Mathematische Optimierung
Einführung in die Mathematische Optimierung Rainer E. Burkard Technische Universität Graz Institut für Mathematik Steyrergasse 30 A-800 Graz, Austria burkard@opt.math.tu-graz.ac.at 2 Inhaltsverzeichnis
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Typische Prüfungsfragen Die folgenden Fragen dienen lediglich der Orientierung und müssen nicht den tatsächlichen Prüfungsfragen entsprechen. Auch Erkenntnisse aus den
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
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
MehrAusgewählte Methoden der ganzzahligen Linearen Optimierung
Ausgewählte Methoden der ganzzahligen Linearen Optimierung Diplomarbeit zur Erlangung des akademischen Grades Magistra rerum naturalium eingereicht von Arntraud Bacher bei AUnivProf Dr Kurt Girstmair an
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 Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrOptimierung für Nichtmathematiker (für Master) Vorlesung: Christoph Helmberg Übung: Anja Lau
Optimierung für Nichtmathematiker (für Master) Vorlesung: Christoph Helmberg Übung: Anja Lau Ziele: Einführung in richtige Einordnung von Optimierungsproblemen Modellierungstechniken praktische Umsetzung
MehrAnwendungen der linearen Programmierung
Anwendungen der linearen Programmierung BACHELOR-ARBEIT Referent Prof. Dr. Karl Frauendorfer vorgelegt von Simon Wehrmüller Universität St. Gallen Hochschule für Wirtschafts-, Rechts- und Sozialwissenschaften
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrEinführung in die Lineare Programmierung. Berthold Vöcking Lehrstuhl Informatik I Algorithmen & Komplexität RWTH Aachen
Einführung in die Lineare Programmierung Berthold Vöcking Lehrstuhl Informatik I Algorithmen & Komplexität RWTH Aachen 30. Juli 2008 Inhaltsverzeichnis 1 Lineare Programme 3 1.1 Die kanonische Form..........................
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
MehrMATTHIAS GERDTS. Optimierung für Wirtschaftsinformatiker
MATTHIAS GERDTS Optimierung für Wirtschaftsinformatiker Address of the Author: Matthias Gerdts Schwerpunkt Optimierung und Approximation Department Mathematik Universität Hamburg D-2146 Hamburg E-Mail:
MehrSkript zur Vorlesung Optimierung linearer Modelle Gültig ab Sommersemester 2010. Prof. Dr. S. Dempe
Skript zur Vorlesung Optimierung linearer Modelle Gültig ab Sommersemester 2010 Prof. Dr. S. Dempe Inhaltsverzeichnis Kapitel 0. Einleitung 5 0.1. Historische Entwicklung 5 0.2. Begriff des Operations
MehrOptimierung I Wintersemester 1996/97
Optimierung I Wintersemester 1996/97 Florian arre Institut für Angewandte Mathematik und Statistik Universität Würzburg, Am Hubland D 97074 Würzburg 8 November 2000 Inhalt 1 Lineare Optimierung: Definition
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
Mehr1 Lineare Gleichungssysteme
MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden
MehrAnwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht
Anwendungen der Wirtschaftsmathematik und deren Einsatz im Schulunterricht Beispiele wirtschaftsmathematischer Modellierung Lehrerfortbildung, Speyer, Juni 2004-1- Beispiele wirtschaftsmathematischer Modellierung
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
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrMathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen
MehrEinführung in die Optimierung Sommersemester 2005. Anita Schöbel
Einführung in die Optimierung Sommersemester 2005 Anita Schöbel 9. Juli 2010 Vorwort Das vorliegende Vorlesungsskript entstand aufgrund der Notizen der von mir im Sommersemester 2005 gehaltenen Vorlesung
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
MehrTHEMA. Research of suitable optimization strategies for the implementation of an intelligent charging management for electric vehicles
THEMA Untersuchung geeigneter Optimierungsstrategien zur Umsetzung eines intelligenten Lademanagements für Elektrofahrzeuge Research of suitable optimization strategies for the implementation of an intelligent
MehrOptimierung mit Matlab
Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof. Dr. L. Cromme Computerbasierte Mathematische Modellierung für Mathematiker, Wirtschaftsmathematiker, Informatiker im Wintersemester
MehrPrüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten)
HTW Dresden 9. Februar 2012 FB Informatik/Mathematik Prof. Dr. J. Resch Prüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten) Name, Vorname: Matr.-nr.: Anzahl der abge-
MehrOptimierung. Vorlesung, zuerst gehalten im Wintersemester 2012/13. Tomas Sauer
Optimierung Vorlesung, zuerst gehalten im Wintersemester 2012/13 Tomas Sauer Version 1.0 Letzte Änderung: 11.2.2013 Statt einer Leerseite... 0 Chaos is found in greatest abundance whereever order is being
Mehr1 Einführung...2 1.1 Was ist Operations Research?...2 1.2 Modellierung und Methodik...2
S. OPERATIONS RESEARCH Einführung.... Was ist Operations Research?.... Modellierung und Methodik... Lineare Optimierung.... Beschreibung linearer Optimierungsprobleme (LOP).... Modellierung ökonomischer
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
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrIV. Spieltheorie. H. Weber, FHW, OR SS07, Teil 7, Seite 1
IV. Spieltheorie 1. Gegenstand der Spieltheorie 2. Einführung in Matrixspiele 3. Strategien bei Matrixspielen 4. Weitere Beispiele 5. Mögliche Erweiterungen H. Weber, FHW, OR SS07, Teil 7, Seite 1 1. Gegenstand
MehrOperations Research / Datenverarbeitung
Bachelor BW Operations Research / Datenverarbeitung WS 2014/15 Prof. Dr. Dominik Kramer Hochschule Trier Fachbereich Wirtschaft 1 Inhaltsübersicht 1 Einführung 2 Lineare Gleichungssysteme 3 Lineare Optimierung
MehrLineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung
Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung Artur Trzewik sw562@uni-essen.de v1., 26.3.1998 korrigiert 16. Februar 2 Zusammenfassung Warnung: für die Richtigkeit der Definitionnen
MehrLineare Gleichungssysteme und Gauß'scher Algorithmus
Zurück Letzter Update 7... Lineare Gleichungssysteme und Gauß'scher Algorithmus In der Mathematik bezeichnet man mit Matrix ein rechteckiges Schema, in dem Zahlen oder Funktionen angeordnet werden. Hier
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
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
MehrLeitfaden Lineare Algebra: Determinanten
Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg OPTIMIERUNG II. Aufgaben und Lösungen
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg OPTIMIERUNG II Aufgaben und Lösungen SS 2005 Aufgaben Aufgabe 41 Ein Betrieb stellt zwei Produkte P 1 und P 2 her, die die
MehrEinsatz von Software zur Lösung linearer Optimierungsprobleme
Technische Universität Kaiserslautern, Fachbereich Mathematik SS 2004 Projektstudie zum Thema: Einsatz von Software zur Lösung linearer Optimierungsprobleme im Mathematikunterricht Prof. Dr. H. W. Hamacher
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...
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
MehrPrüfungsklausur Mathematik I für Wirtschaftsingenieure am 8.02.11
HTWD, FB Informatik/Mathematik Prof. Dr. M. Voigt Prüfungsklausur Mathematik I für Wirtschaftsingenieure am 8.02.11 A Name, Vorname Matr. Nr. Sem. gr. Aufgabe 1 2 3 4 6 gesamt erreichbare P. 6 10 12 12
Mehra n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:
Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
Mehr3. UNGLEICHUNGEN, UNGLEICHUNGSSYSTEME
3. UNGLEICHUNGEN, UNGLEICHUNGSSYSTEME 3.1. Ungleichungen (a) Definition Im vorigen Kapitel wurden Terme miteinander verglichen, indem sie gleichgesetzt wurden. Ein andere Art, Terme zu vergleichen, ist
MehrIntegrierte Umlauf- und Dienstplanung im ÖPNV
Integrierte Umlauf- und Dienstplanung im ÖPNV Frico 2007 Weíder Dres. Löbel, Borndörfer und GbR Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB) weider@zib.de http://www.zib.de/weider Planung im
MehrEinführung in die Lineare Optimierung
Kapitel 2 Einführung in die Lineare Optimierung lineare Modelle der relevanten Umwelt werden wegen ihrer Einfachheit häufig gegenüber nichtlinearen Ansätzen vorgezogen, lineare Optimierungsprobleme können
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
MehrOPTIMIERUNG I. Christian Clason. Fakultät für Mathematik Universität Duisburg-Essen
OPTIMIERUNG I Vorlesungsskript, Sommersemester 2014 Christian Clason Stand vom 1. Juli 2014 Fakultät für Mathematik Universität Duisburg-Essen INHALTSVERZEICHNIS I GRUNDLAGEN 1 theorie der linearen ungleichungen
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
MehrInhaltsverzeichnis. Vorwort... V. Symbolverzeichnis... XIII
Inhaltsverzeichnis Vorwort................................................................. V Symbolverzeichnis...................................................... XIII Kapitel 1: Einführung......................................................
MehrPraktische Mathematik: Lineare und Netzwerk-Optimierung (SS 2015) Praktikumsaufgaben
Technische Universität Kaiserslautern Prof Dr Sven O Krumke Dr Sabine Büttner MSc Marco Natale Praktische Mathematik: Lineare und Netzwerk-Optimierung (SS 2015) Praktikumsaufgaben Aufgabe 1 (Konvertieren
MehrA Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
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
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
MehrLineare und Ganzzahlige Optimierung
Lineare und Ganzzahlige Optimierung Tim Nieberg Research Institute for Discrete Mathematics University of Bonn Lennéstr. 2 D-53113 Bonn nieberg@or.uni-bonn.de This device is provided without warranty of
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrDie Laufzeit muss nun ebenfalls in Monaten gerechnet werden und beträgt 25 12 = 300 Monate. Damit liefert die Sparkassenformel (zweiter Teil):
Lösungen zur Mathematikklausur WS 2004/2005 (Versuch 1) 1.1. Hier ist die Rentenformel für gemischte Verzinsung (nachschüssig) zu verwenden: K n = r(12 + 5, 5i p ) qn 1 q 1 = 100(12 + 5, 5 0, 03)1, 0325
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrKlassenarbeit zu linearen Gleichungssystemen
Klassenarbeit zu linearen Gleichungssystemen Aufgabe : Bestimme die Lösungsmenge der Gleichungssysteme mit Hilfe des Additionsverfahrens: x + 4y = 8 5x y = x y = x y = Aufgabe : Bestimme die Lösungsmenge
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
MehrZ = 60! 29!31! 1,1 1017.
Aufgabe : Eine Hochzeitsgesellschaft besteht aus 60 Personen. a Wieviele verschiedene Möglichkeiten für Sitzordnungen gibt es? b Nehmen Sie nun an, dass 9 Gäste aus dem Familien- und Freundeskreis der
MehrMathematik-Klausur vom 2. Februar 2006
Mathematik-Klausur vom 2. Februar 26 Studiengang BWL DPO 1997: Aufgaben 1,2,3,5,6 Dauer der Klausur: 12 Min Studiengang B&FI DPO 21: Aufgaben 1,2,3,5,6 Dauer der Klausur: 12 Min Studiengang BWL DPO 23:
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
MehrMathematik-Klausur vom 4.2.2004
Mathematik-Klausur vom 4.2.2004 Aufgabe 1 Ein Klein-Sparer verfügt über 2 000, die er möglichst hoch verzinst anlegen möchte. a) Eine Anlage-Alternative besteht im Kauf von Bundesschatzbriefen vom Typ
MehrInhaltsverzeichnis 1 Lineare Gleichungssysteme I
Inhaltsverzeichnis 1 Lineare Gleichungssysteme I 3 1.1 Mengen und Abbildungen....................................... 3 1.1.1 Mengen und ihre Operationen.............................. 3 1.1.2 Summen- und
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrNumerisches Programmieren
Technische Universität München SoSe 213 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren 2. Programmieraufgabe: Lineare
Mehr34 5. FINANZMATHEMATIK
34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.
Mehr2. Lineare Planungsrechnung
. Lineare Planungsrechnung. Einführung.. Bestimmen des Problembereichs. Sind Entscheidungen Glücksache? OR oder Optimalplanung bedeuten das Vorbereiten optimaler Entscheidungen. Entscheidungen sind aber
MehrFriedrich-Schiller-Universität Jena
Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Diskussionspapier Reihe A, Nr. 00/05 Zielgerichtete Koordination mit Hilfe der Dantzig-Wolfe-Dekomposition Eine betriebswirtschaftliche
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrRationale Zahlen. Vergleichen und Ordnen rationaler Zahlen
Rationale Zahlen Vergleichen und Ordnen rationaler Zahlen Von zwei rationalen Zahlen ist die die kleinere Zahl, die auf der Zahlengeraden weiter links liegt.. Setze das richtige Zeichen. a) -3 4 b) - -3
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
MehrSpieltheoretische Modellierung. Nullsummenspiele
Spieltheoretische Modellierung Nullsummenspiele Definition 2.1 Unter einem Zweipersonen-Nullsummenspiel in Normalformdarstellung versteht man ein Tripel (X, Y, K), bestehend aus ) einer nichtleeren Menge
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
Mehrwisu-lexikon Operations Research
wisu-lexikon Operations Research Das WISU-Lexikon vermittelt einen kompakten Überblick über zentrale Gebiete der Wirtschaftswissenschaften. Wichtige Begriffe werden knapp und präzise erläutert, Querverweise
Mehr5. Verschiedene Repräsentanten
5. Verschiedene Repräsentanten 5.1. Die Sätze Hall und König Sei I := {1,...,n}, und sei A(I) = (A 1,...,A n ) eine Familie von Teilmengen einer endlichen Menge E. Zu K I seien A(K) := (A i : i K) und
MehrFotografie * Informatik * Mathematik * Computer-Algebra * Handreichung für Lehrer
BIKUBISCHE INTERPOLATION AM BEISPIEL DER DIGITALEN BILDBEARBEITUNG - AUFGABENSTELLUNG FÜR SCHÜLER Problem Bei Veränderung der Größe eines Digitalbildes sind entweder zuviel Pixel (Verkleinerung) oder zuwenig
Mehr3.1. Die komplexen Zahlen
3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen
MehrSudoku-Informatik oder wie man als Informatiker Logikrätsel löst
Sudoku-Informatik oder wie man als Informatiker Logikrätsel löst Peter Becker Hochschule Bonn-Rhein-Sieg Fachbereich Informatik peter.becker@h-brs.de Kurzvorlesung am Studieninformationstag, 13.05.2009
Mehr