Ganzzahlige Optimierung (IP)
|
|
- Karsten Hofer
- vor 6 Jahren
- Abrufe
Transkript
1 Thema Ganzzahlige Optimierung (IP) Systematik * Problematik * Pragmatik IP und Branch and Bound 1
2 Agenda 1. Relevanz der Ganzzahligkeit? 2. Formulierung ganzzahliger Modelle 3. Zur Lösung ganzzahliger Probleme 4. Entscheidungsbaumverfahren IP und Branch and Bound 2
3 Ein Beispiel Max z mit z = x 1 + 5x 2 u.d.n. x x 2 20 x 1 2 x 1,x 2 0 ganzzahlig Max x 1 x 2 RS Max x 1 x 3 RS Max x 4 x 3 RS z z z x x x x x x IP und Branch and Bound 3
4 Problematik der Ganzzahligkeit x 2 2 OPTganz. OPTkont x 1 IP und Branch and Bound 4
5 Runden ist keine Lösung x 2 3 OPTganz OPTkont x 1 IP und Branch and Bound 5
6 Ganzzahligkeit - sinnlos oder sinnvoll? 1. Direkte Modelle 2. Codierte Modelle 3. Transformierte Modelle IP und Branch and Bound 6
7 2. Codierte Modelle Eine Binärvariable, die nur die beiden Werte 1 (ja) oder 0 (nein) annimmt, dient als Code für die Entscheidung: Kapitalbudgetierung Maschinenbelegung Stundenplanerstellung Knapsackproblem Travelling Salesman P. Lieferplan Standort (Investition x: ja oder nein) (Auftrag x auf Anlage A: ja oder nein) (Lehrer x zur Stunde i in Raum j für Klasse k: ja oder nein) (Gut x in Rucksack: ja oder nein) (Strecke x in Rundreise: ja oder nein) (Lieferung x auf Fahrt i: ja oder nein) (Standort x: ja oder nein) IP und Branch and Bound 7
8 3. Transformierte Modelle Eine Binärvariable wird als sog. Indikatorvariable benutzt, um Konditionalsätze "Wenn dann " zu formulieren: Wenn Produkt A gefertigt wird, dann auch B. Solange Produkt nicht gefertigt wird, entstehen keine Kosten. Erst wenn auch nur eine Einheit von A produziert wird, fallen neben variablen Kosten auch Fixkosten an. Eine von zwei Nebenbedingungen soll erfüllt werden. Eine Variable soll entweder den Wert Null, oder aber einen Wert zwischen 0 < l x u annehmen. IP und Branch and Bound 8
9 Diskretwertprobleme Ist x j die Entscheidungsvariable, die einen der in der Menge W = {w 1, w 2,..., w p } zusammengefaßten Werte annehmen darf, dann leisten folgende Nebenbedingungen die Auswahl: x j (w 1 y 1 + w 2 y w p y p ) = 0 y 1 + y y p = 1 y 1,... y p {0,1} IP und Branch and Bound 9
10 Batchsize-Problem = Losgrößen-Problem Eine Variable x j soll entweder null sein oder - falls sie positiv ist - eine gegebene Untergrenze l j nicht unterschreiten. Zur Formulierung derartiger, einander ausschließender Bedingungen muss für x j eine praktische Obergrenze u j eingeführt werden, das ist ein hinreichend großer Wert, der mit Sicherheit nicht überschritten wird. Dann ergibt sich als Bedingung: x j l j y j 0 (1) x j u j y j 0 (2) y j {0,1} x j 0 IP und Branch and Bound 10
11 Disjunkte Variablen Von p Aktivitäten, beschrieben durch die kontinuierlichen Variablen x 1, x 2,..., x p, soll (i) höchstens eine mit einem Wert größer null in der Lösung enthalten sein bzw. (ii) höchstens k in der Lösung größer null sein oder (iii) mindestens k in der Lösung größer null sein. Mit den Indikatorvariablen y i (i = 1,2,...,p) ergibt sich: x i u i y i 0 für i = 1,2,...,p Fall (i): y i 1 Fall (ii): yi k Fall (iii): y k i i i i y i {0,1} für i = 1,2,...,p IP und Branch and Bound 11
12 Disjunkte Nebenbedingungen Aus einer Menge von Nebenbedingungen sollen nur einzelne erfüllt werden. Es seien etwa f i (x 1,x 2,...,x n ) b i (i = 1,2,...,m) beliebige Restriktionen, von denen (i) genau k erfüllt werden soll bzw. (ii) höchstens k wirksam sein oder (iii) mindestens k gelten sollen. Erneut führt man y i {0,1} und eine große Zahl M ein, die wesentlich größer als jede Rechte Seite b i : ist. f i (x 1,x 2,...,x n ) b i + M y i i i Fall (i) y = m k Fall (ii) yi m k Fall (iii) yi m k i i y i {0,1} für i = 1,2,... m IP und Branch and Bound 12
13 NB mit alternativen Rechten Seiten Über die Indikatorvariable y i {0,1} wird gesteuert, dass nur eine der drei Rechte Seiten wirksam wird. Verallgemeinert gilt eine der Rechten Seiten f(x) = b 1 oder b 2 oder... oder b k, wenn formuliert wird: f ( x) = yk bk k k y y k k = 1 { 01, } IP und Branch and Bound 13
14 Fixed Charge Problem 0 für x j = 0 Die Kostenfunktion k(x j ) laute: k(x j ) = f j + cj xj für xj > 0 Für alle Aktivitäten mit einer derartigen Struktur werden wieder Indikatorvariablen y i eingeführt: Min k mit k = c x + f y j j j j j j u.d.n. aij xj bi für i = 1,2,...,m (1) j x j M y j für j = 1,2,...,n (2) x j 0 y i {0,1} IP und Branch and Bound 14
15 3. Lösung ganzzahliger Modelle 1. Runden ist nur bei natürlicher Ganzzahligkeit und großen Werte der Entscheidungsvariablen eine sinnvolle (jedoch nicht unumstrittene) Strategie. 2. Schnittebenenverfahren sind zunächst faszinierend intelligente Ansätze, die jedoch in der Praxis versagen. 3. Entscheidungsbaumverfahren haben sich in der Praxis bewährt, jedoch ist der Aufwand zur Lösung ganzzahliger Probleme außerordentlich schwer anzuschätzen. IP und Branch and Bound 15
16 3.2 Schnittebenenverfahren x2 o x1 {or3ab401.pre} IP und Branch and Bound 16
17 Problem mit generierten Cuts x2 4 NB1 3 C1 NB2 2 C3 C2 1 Zielfktn. C4 o x1 {or3ab403.pre} IP und Branch and Bound 17
18 3.3 Lösung durch Entscheidungsbaumverfahren Prinzip des Teilens und Besiegens als Lösungsstrategie Ein schwieriges Problem wird in mehrere weniger schwierig zu lösende Probleme geteilt. Ein schwierig zu lösendes Problem wird eingegrenzt. IP und Branch and Bound 18
19 Branching Branching = Verzweigen Eine sinnvolle Verzweigung muss ein im Prinzip in einfacher zu lösende Probleme erfolgen. Beim Verzweigen durch Problemteilung darf keine relevante Lösung verloren gehen. IP und Branch and Bound 19
20 Bounding Bounding = Beschränken Für Max-Probleme sucht man obere Schranken Für Min-Probleme untere Schranken Zu diesem Zweck werden im Problem eine oder mehrere Bedingungen relaxiert, mit der Folge, dass für das Max- Problem eine obere bzw. für das Min-Problem eine untere Schranke berechnet wird. Relaxiert werden grundsätzlich schwierige Bedingungen. IP und Branch and Bound 20
21 Entscheidungsbaum (generelle Vorgehensweise) IP0 LP0: z0 Branching = Verzweigen IP11 IP12 IP13 LP11: z11 Bounding = Beschränken LP12: z12 LP13: z13 Kandidatenliste IP und Branch and Bound 21
22 Abbruchkriterien (1) FC1: L(LP j ) = Ø L(IPj) = Ø FC2: FC3: Lösung des LP j ist schlechter als die beste bisher bekannte Lösung des IP: z j z lfd Falls die Lösung von LP j eine Lösung des IP j ist, wird geprüft, ob sie besser ist als die beste bekannte Lösung: z j > z lfd z lfd *= z j IP und Branch and Bound 22
23 Abbruchkriterien (2) IP0 LP0: z0 IP11 IP12 IP12 LP11: z11 LP12: z12 LP13: z13 IP24 LP24: z24 IP25 LP25: z25 IP21 IP22 IP23 LP21: z21 LP22: z22 LP23: z23 FC1: L(LP13) = FC1: L(LP24) = FC2: z25 < zlfd. FC2. FC3: zlfd. = z23 IP31 LP31: z31 IP32 LP32: z32 FC2. FC3: zlfd. = z32 IP und Branch and Bound 23
24 Branch and Bound Beispiel LP0 Max z mit z = 21x + 11x 1 2 u.d.n. 6x + 4x x, x Max x 1 x 2 RS Max x 3 x 2 RS z z x x entweder ist x 2 oder x IP und Branch and Bound 24
25 Graphische Lösung von LP0 x LP0 o x1 Zielfunktion IP und Branch and Bound 25
26 Verzweigen an der Variablen x1 IP: max z A x <= b ganzz. x >= 0 LP0: z0 = 52,5 x1 = 2,5; x2 = 0 x1 <= 2 x1 >= 3 LP11: LP12 IP und Branch and Bound 26
27 B&B Lösung der Probleme LP11 und LP12 Max x 1 x 2 RS Max x 1 ' x 2 RS Max x 1 ' x 3 RS z z z x x x x 1 ' x x Max x 1 x 2 RS Max x 4 x 2 RS z z x x keine zul. Lösung! x x IP und Branch and Bound 27
28 B&B Graphische Lösung LP11 und LP12 x LP12 1 LP11 o x1 Zielfunktion IP und Branch and Bound 28 4
29 Baum nach ersten B&B-Schritt IP: max z A x <= b ganzz. x >= 0 LP0: z0 = 52,5 x1 = 2,5; x2 = 0 x1 <= 2 x1 >= 3 LP11: z11 = 50,25 x1 = 2; x2 = 0,75 LP12 = FC1 IP und Branch and Bound 29
30 B&B Graphische Lösung LP21 und LP22 x LP22 o 1 LP x1 Zielfunktion IP und Branch and Bound 30
31 B&B Baum nach 2 Verzweigungen IP LP0 x1 <= 2 LP11: z11 = 50,25 x1 >= 3 LP12 x1 = 2; x2 = 0,75 x2 = 0 x2 >= 1 FC1 LP21: z21 = 42 x1 = 2; x2 = 0 LP22: z22 = 49,50 x1 = 11/6; x2 = 1 FC3 IP und Branch and Bound 31
32 B&B Graph LP31 und LP 32 x LP31 o x1 4 Zielfunktion IP und Branch and Bound 32
33 B&B Baum nach 3 Verzweigungen IP LP0 x1 <= 2 x1 >= 3 LP11 LP12 x2 = 0 x2 >= 1 LP21 LP22: z22 = 49,50 x1 = 1 5/6; x2 = 1 x1 <= 1 x1 = 2 FC1 LP31: z31 = 43 3/4 LP32: x1 = 1; x2 = 2 1/4 IP und Branch and Bound FC1 33
34 B&B Graph LP41 und LP42 x2 4 3 LP42 2 LP41 1 o x1 4 Zielfunktion IP und Branch and Bound 34
35 B&B Vollständiger Entscheidungsbaum IP LP0 x1 <= 2 x1 >= 3 LP11 LP12 x2 = 0 x2 >= 1 LP21 LP22 FC1 FC3 x1 <= 1 x1 = 2 LP31 LP32 x2 <= 2 x2 >= 3 FC1 LP41 LP42 FC3 FC2 IP und Branch and Bound 35
36 B&B Problemlösung Da alle Knoten abgearbeitet sind, ist die gesuchte Lösung erreicht und es wurde nachgewiesen, dass die Lösung wirklich optimal ist. Branching: Grundsätzlich kann man in beliebig viele Knoten verzweigen. Alle so erzeugten Knoten kommen in die sog. Kandidatenliste. Bounding: An dieser Stelle können alle Hilfsmittel eingesetzt werden, um eine möglichst Schranke zu berechnen. IP und Branch and Bound 36
37 B&B Vor- und Nachteile Anbindung an das LP-Modul Gestaltungsfreiheit des Baumbaus Heuristische Unterstützung Verwendbarkeit der Lösung bei Abbruch Hoher Speicheraufwand Hoher Rechenaufwand Veränderliche Problemgröße IP und Branch and Bound 37
KAPITEL 5 ENTSCHEIDUNGSBAUMVERFAHREN
5 Entscheidungsbaumverfahren Seite 89 KAPITEL 5 ENTSCHEIDUNGSBAUMVERFAHREN Ganzzahlige Probleme gehören häufig zur Klasse der sog. kombinatorischen Problemen, wozu man auch alle transformierten Modelle
MehrBranch-and-Bound und Varianten. Kapitel 3. Branch-and-Bound und Varianten. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 98 / 159
Kapitel 3 und Varianten Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 98 / 159 Inhalt Inhalt 3 und Varianten Anwendungsbeispiele Branch-and-Cut Peter Becker (H-BRS) Operations Research
MehrKlausur zur Vorlesung Operations Research im Sommersemester 2009
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Operations Research im Sommersemester 2009 Hinweise:
MehrKlausur zur Vorlesung Einführung in das Operations Research im Wintersemester 2005/2006
Universität Hannover Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester 005/006
MehrKlausur zur Vorlesung Operations Research im Wintersemester 2009/10
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Sitzplatznr.: Klausur zur Vorlesung Operations Research im Wintersemester 2009/10
MehrRundreisen und Touren
Logistik: Rundreisen und Touren von Prof. Dr. Dr. b.c. Wolfgang Domschke TU Darm Stadt und Prof. Dr. Armin Scholl Universität Jena 5., überarbeitete und aktualisierte Auflage Oldenbourg Verlag München
MehrKlausur zur Vorlesung Einführung in das Operations Research im Wintersemester 2007/2008
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Klausur zur Vorlesung Einführung in das Operations Research im Wintersemester
MehrFachbereich Wirtschaftswissenschaften Professur f. Quantitativen Methoden Prof. Dr. Dietrich Ohse
Fachbereich Wirtschaftswissenschaften Professur f. Quantitativen Methoden Prof. Dr. Dietrich Ohse Diplomprüfung / Sommersemester 24 Quantitative Methoden der BWL Musterlösung der Prüfungsklausur vom. Juli
MehrKlausurrepetitorium ABWL
Klausurrepetitorium ABWL Planungs- und Südwestfälische Industrie- und Handelskammer 9. August 5 Dr. Friedhelm Kulmann, Sandra Rudolph 9.8.5 Gliederung. Nichtlineare Optimierungsprobleme.. Quadratisches
MehrPlanung des Krankenhauspflegepersonals unter dem Einfluss der OP-Auslastung
Planung des Krankenhauspflegepersonals unter dem Einfluss der OP-Auslastung Tobias Kreisel Universität Bayreuth Mathematisches Institut Seminar zur Ganzzahligen Optimierung Ausgangssituation Beweggründe
MehrDer Branching-Operator B
Branching 1 / 17 Der Branching-Operator B Unser Ziel: Löse das allgemeine Minimierungsproblem minimiere f (x), so dass Lösung(x). B zerlegt eine Menge von Lösungen in disjunkte Teilmengen. Die wiederholte
MehrSandro Pirkwieser, (Bin Hu, Jakob Puchinger) SS 2010
Lösungsverfahren für Ganzzahlige Optimierung Sandro Pirkwieser, (Bin Hu, Jakob Puchinger) Fortgeschrittene Algorithmen und Datenstrukturen Arbeitsbereich für Algorithmen und Datenstrukturen Institut für
MehrKap. 3: Exakte Lösungsverfahren für NPschwierige. Optimierungsprobleme VO Algorithm Engineering
Kap. 3: Exakte Lösungsverfahren für NPschwierige kombinatorische Optimierungsprobleme VO Algorithm Engineering 3.1 Einführung Professor Dr. Petra Mutzel 3.2 Komb. vs. Ganzzahlige Opt. Lehrstuhl für Algorithm
Mehr3.6 Branch-and-Bound-Verfahren
36 Branch-and-Bound-Verfahren Die Branch-and-Bound -Methode beruht darauf, auf eine intelligente Weise alle zulässigen Lösungen eines kombinatorischen Optimierungsproblems aufzulisten und mit Hilfe von
MehrAufgabe 7.1: Wirtschaftsplanung
Johann Wolfgang Goethe-Universität Frankfurt am Main Lehrst.f.BWL, insb. Quant. Methoden Prof. Dr. Dietrich Ohse LPUE:SQM6 LP und Erweiterungen lpueb07_ 2003s.doc Aufgabe 7.1: Wirtschaftsplanung Eine Volkswirtschaft
MehrSchnittebenenverfahren für das symmetrische
Schnittebenenverfahren für das symmetrische TSP Sebastian Peetz Mathematisches Institut Universität Bayreuth 19. Januar 2007 / Blockseminar Ganzzahlige Optimierung, Bayreuth Gliederung 1 Das symmetrische
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
MehrOR für Wirtschaftsingenieure. Übungsserie 5: Das Traveling Salesman Problem
HTWD, Fakultät Informatik/Mathematik Prof. Dr. M. Voigt Operations Research Algorithmen auf Graphen OR für Wirtschaftsingenieure Übungsserie 5: Das Traveling Salesman Problem Aufgabe 1 : S 2, S 3, S 4,
MehrKurseinheit 2»Dualität und weiterführende Methoden«
Inhaltsübersicht 1 Gliederung Kurseinheit 1»Simpleverfahren«1. Einleitung 1.1. Einordnung und Übersicht des Stoffes 1.2. Einführendes Beispiel und Grundlagen 2. Lineare Gleichungssysteme 2.1. Die allgemeine
Mehr1. Über stückweise lineare Zielfunktionen bei der Transportmethode
- 2-1. Über stückweise lineare Zielfunktionen bei der Transportmethode Die Transportkosten entlang eines Transportweges sind stückweise linear, konkret, sie setzen sich aus drei linearen Teilstücken zusammen:
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:
MehrSo planen Sie eine Route
Prof. Dr. Hans G. Bartels Frankfurt, SS 00 Klausur zum speziellen Seminar Ausgewählte OR-Probleme Bearbeiter Maximale Punktzahl: Nachname :... Musterlösung ohne Gewähr 90 Vorname :... Matr.-Nr. :... Studienfach
MehrProf. Dr. Hans G. Bartels Frankfurt, SS 2002
Prof. Dr. Hans G. Bartels Frankfurt, SS 00 Klausur zur Veranstaltung Ganzzahlige und Kombinatorische Optimierung Bearbeiter Maximale Punktzahl: Matr.-Nr. :... Studienfach :... Semesterzahl :... Tragen
Mehrlineare Programmierung
lineare Programmierung Viele Probleme sind durch lineare Gleichungssysteme charakterisiert lineare Programmiermethoden Der Lösungsraum ist häufig auf ganze Zahlen oder gar natürliche Zahlen eingeschränkt!
MehrDas Travelling Salesman Problem Exakte Lösungsverfahren für NP-schwierige kombinatorische Optimierungsprobleme 5. VO
Das Travelling Salesman Problem Exakte Lösungsverfahren für NP-schwierige kombinatorische Optimierungsprobleme 5. VO 31.10.2005 Überblick Kurz-Wiederholung vom letzten Mal Kombinatorische Optimierungsprobleme
MehrFormale Grundlagen der Informatik F3: Berechenbarkeit un
Formale Grundlagen der Informatik F3: Berechenbarkeit und Komplexität Fachbereich Informatik AB Theoretische Grundlagen der Informatik (TGI) Universität Hamburg farwer@informatik.uni-hamburg.de 14. Dezember
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Branch-and-Bound Konvexe Mengen, konvexe Hülle, konvexe Funktionen Relaxation Inhaltsübersicht für heute: Branch-and-Bound Konvexe Mengen, konvexe Hülle, konvexe Funktionen
MehrRückblick: divide and conquer
Rückblick: divide and conquer pi = (xi,yi) } p å } ' }d(p,p) p ''=min(, ') F 0/0 p./95 weitere Algorithmentechniken Greedy-Algorithmen dynamische Programmierung Backtracking branch and bound Heuristiken
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
MehrKap. 8: Travelling Salesman Problem
Kap. 8: Travelling Salesman Problem Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 15. VO 5.2.07 Überblick 8.1 Einführung Einführung in TSP 8.2 ILP-Formulierung für TSP 8.3 Branch-and-Cut
MehrDifferenzialrechnung für Funktionen mit mehreren unabhängigen Variablen. Graphentheorie
Differenzialrechnung für Funktionen mit mehreren unabhängigen Variablen Graphentheorie Differenzialrechnung für Funktionen mit mehreren unabhängigen Variablen Def.: eine Funktion n f :D mit D,x (x,...x
MehrChinese Postman Problem Hamiltonsche Graphen und das Traveling Salesman Problem Max-Flow-Min-Cut...151
Inhaltsverzeichnis 1 Kernkonzepte der linearen Optimierung... 1 1.1 Einführung... 1 1.2 Grundlegende Definitionen... 8 1.3 Grafische Lösung... 10 1.4 Standardform und grundlegende analytische Konzepte...
MehrLeibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Sitzplatznr.: Wiederholungsklausur zur Vorlesung Operations Research im Wintersemester
MehrTheoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme
Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Achte Auflage fyj Springer Inhaltsverzeichnis Vorwort Symbolverzeichnis V XIII Kapitel 1: Einführung 1 1.1 Begriff des Operations Research
MehrOptimierung. Vorlesung 12
Optimierung Vorlesung 12 Letze Woche Approximieren von ILP durch randomisiertes Runden. Beispiel Set Cove Relaxiertes LP lösen und runden. Probleme: 1. Zielfunktionswert 2. Zulässigkeit 1. Linearität des
Mehr3.4 Exakte Verfahren für (Gemischt-) Ganzzahlige Optimierung
32KAPITEL 3. NP-SCHWIERIGE KOMBINATORISCHE OPTIMIERUNGSPROBLEME n Anzahl der Ungleichungen 3 8 4 20 5 40 6 910 7 87.472 8 >488.602.996 Tabelle 3.1: Anzahl der Ungleichungen des LOP-Polytops für n 8 3.4
MehrZu Modellierungs- und Lösungs-Techniken für Frequenz-Zuweisungs-Probleme
Universität zu Köln Mathematisch-Naturwissenschaftliche Fakultät Zentrum für Angewandte Informatik Seminar: Ausgewählte Kapitel des Operations Research WS 07/ 08 Dozent: Prof. Dr. R. Schrader Referent:
MehrDas Traveling Salesman Problem und das Assignment Problem zweiter Ordnung. Gerold Jäger
Das Traveling Salesman Problem und das Assignment Problem zweiter Ordnung Gerold Jäger Martin-Luther-Universität Halle-Wittenberg Zusammenarbeit mit Frank Fischer, Anja Lau, Paul Molitor DFG-Projekt: Toleranzbasierte
MehrLösung Übung 1a) - Medikamentenmischung
Lösung Übung 1a) - Medikamentenmischung x j Anteil der Komponente j an der Mischung, j=1,...,4 Min 39x + 21x + 82x + 55x 1 2 3 4 u.d.n 54 2x + 50x + 6x + 74x 60 1 2 3 4 39 x + 75x + 13x + 96x 80 1 2 3
MehrÜbung QM 1 EINFÜHRUNG 1. 1 Einführung. ohne Übungsaufgaben
Übung QM 1 EINFÜHRUNG 1 1 Einführung ohne Übungsaufgaben Übung QM 2 LINEARE OPTIMIERUNG 2 2 Lineare Optimierung Aufgabe 2.1 LP-Modellierung und Begriffe Wild West GmbH produziert Cowboyhüte. Momentan werden
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 7
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
MehrKapitel 4. Optimierungsalgorithmen. Technische Universität Wien. Gunnar Klau Technische Universität Wien. Institut für Computergraphik und Algorithmen
Kapitel 4 Optimierungsalgorithmen Gunnar Klau Institut für Computergraphik und Algorithmen 1 Gliederung Kombinatorische vs. Ganzzahlige Optimierung Exakte Verfahren Branch-and-Bound Schnittebenenverfahren
MehrGanzzahlige OR-Methoden: Operations Research II a. Übungsblatt 1
Operations Research und Wirtschaftsinformatik Prof. Dr. P. Recht // Dr. Eva-Maria Sprengel Ganzzahlige OR-Methoden: Operations Research II a Übungsblatt 1 Aufgabe 1 a) Erläutern Sie bitte die allgemeine
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
Mehr2 Heutige Lösungsverfahren
Heutige Lösungsverfahren 5 Heutige Lösungsverfahren Die gemischt-ganzzahligen Modelle unterscheiden sich, wie in Kapitel. dargestellt, von den reinen LP-Modellen nur durch die Ganzzahligkeitsrestriktionen.
MehrGanzzahlige lineare Programme
KAPITEL 5 Ganzzahlige lineare Programme Wir betrachten nun Optimierungsprobleme vom Typ (42) min c T x s.d. Ax = b, x 0, x ganzzahlig, wobei die Matrix A R m n und die Vektoren c R n, b R m gegeben seien.
MehrProbeklausur Optimierung
Universität Hamburg Fakultät für Mathematik, Informatik und Naturwissenschaften Dr. Nico Düvelmeyer Hamburg, 4. Juli 2011 Probeklausur Optimierung Bitte selber ausfüllen: Name: (darf anonymisiert werden)
MehrInhalt. 8.1 Motivation. 8.2 Optimierung ohne Nebenbedingungen. 8.3 Optimierung unter Nebenbedingungen. 8.4 Lineare Programmierung
8. Optimierung Inhalt 8.1 Motivation 8.2 Optimierung ohne Nebenbedingungen 8.3 Optimierung unter Nebenbedingungen 8.4 Lineare Programmierung 8.5 Kombinatorische Optimierung 2 8.1 Motivation Viele Anwendungen
MehrSchnittebenenverfahren und Heuristiken
KAPITEL 6 Schnittebenenverfahren und Heuristiken Wir betrachten nun Optimierungsprobleme vom Typ (68) minc T x s.d. Ax b,x 0,x ganzzahlig, wobei die Matrix A R m n und die Vektoren c R n,b R m gegeben
MehrOptimierung. Vorlesung 08
Optimierung Vorlesung 08 Heute Dualität Ganzzahligkeit Optimierung der Vorlesung durch Evaluierung 2 Das duale LP Das primale LP Maximiere c T x unter Ax b, x R d 0. wird zu dem dualen LP Minimiere b T
MehrKap. 4: Das Handlungsreisendenproblem (TSP)
Kap. 4: Das Handlungsreisendenproblem (TSP) VO Algorithm Engineering Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 7./8. VO 24./26. April 2007 Literatur Mutzel: Skript zu Branch
MehrHow To Solve The Linear Ordering Problem (Lop)
Kap. 3: Hierarchische Zeichenverfahren 3.4 Kreuzungsminimierung ffff Exakte Verfahren Prof. Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering LS11 Universität Dortmund 11./12. VO WS07/08 19./20. November
MehrKuhn-Tucker Bedingung
Kapitel 13 Kuhn-Tucker Bedingung Josef Leydold Mathematik für VW WS 017/18 13 Kuhn-Tucker Bedingung 1 / Optimierung unter Nebenbedingungen Aufgabe: Berechne das Maximum der Funktion f (x, y) g(x, y) c,
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2008/2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln 8-Damen-Problem Gegeben: Schachbrett
MehrEinführung in die Wirtschaftsinformatik VO WS 2008 / 2009
Einführung in die Wirtschaftsinformatik VO WS 2008 / 2009 Daten Modelle Steuerung Wilfried Grossmann Teil 3: Steuerung Mathematische Modelle werden häufig dazu verwendet um ein optimales Verhalten zu bestimmen
MehrKlausur Management Science. Donnerstag, 19. Februar 2015
run Lehrstuhl fiir Operations Management Prof. Dr. Rainer Kolisch ArcisstraBe 21, 80333 Miinchen Klausur Management Science Donnerstag, 19. Februar 2015 Name: Vorname: Matrikelnummer: Studiengang: Fachsemester:
MehrVerzweigen und Beschränken
Verzweigen und Beschränken Branch and Bound Sarah Bertulat, Jens Weber 27. November 2014 Gliederung Allgemeines Funktionsprinzip Rucksackproblem Das Rundreiseproblem Fragen? Sarah Bertulat, Jens Weber:
MehrVarianten des Travelling Salesman Problem (TSP)
Varianten des Travelling Salesman Problem (TSP) Lars Schmidt und Dominik Wol 11.01.2010 Travelling Salesman Problem (TSP) TSP als ILP Asymmetrische Travelling Salesman Problem (ATSP) ATSP als ILP multiple
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 22 1 Das Travelling Salesperson Problem
MehrSchnittebenenverfahren von Gomory. Stefan Allescher 30. Juni 2005
Schnittebenenverfahren von Gomory Stefan Allescher 30. Juni 2005 Inhaltsverzeichnis 1. Grundprinzip 2. Das Verfahren von Gomory 2.1. Vorgehen 2.2. Beweis der Endlichkeit 2.3. Algorithmische Durchführung
MehrOperations Research. Ganzzahlige lineare Programme. ganzzahlige lineare Programme. Ganzzahlige lineare Programme. Rainer Schrader. 25.
Operations Research Rainer Schrader Ganzzahlige lineare Programme Zentrum für Angewandte Informatik Köln 25. Juni 2007 1 / 49 2 / 49 Ganzzahlige lineare Programme Gliederung ganzzahlige lineare Programme
MehrDirk Mattfeld Richard Vahrenkamp. Logistiknetzwerke. Modelle für Standortwahl. und Tourenplanung. 2., aktualisierte und überarbeitete Auflage
Dirk Mattfeld Richard Vahrenkamp Logistiknetzwerke Modelle für Standortwahl und Tourenplanung 2., aktualisierte und überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Vorwort zur 2. Auflage Vorwort
MehrEffiziente Algorithmen II
10. Präsenzaufgabenblatt, WiSe 2014/15 Übungstunde am 19.01.2015 Aufgabe Q Betrachten Sie das Knapsackpolytop P = conv(v ) mit V = {x n i=1 a ix i α} {0, 1} n für gegebenes α und a i 0 (insbesondere ist
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
MehrADS: Algorithmen und Datenstrukturen 2
ADS: Algorithmen und Datenstrukturen 2 Teil XI Peter F Stadler & Konstantin Klemm Bioinformatics Group, Dept of Computer Science & Interdisciplinary Center for Bioinformatics, University of Leipzig 16
MehrEinführung in Heuristische Suche
Einführung in Heuristische Suche Beispiele 2 Überblick Intelligente Suche Rundenbasierte Spiele 3 Grundlagen Es muss ein Rätsel / Puzzle / Problem gelöst werden Wie kann ein Computer diese Aufgabe lösen?
Mehr1 Laufzeit der Simplex-Methode
1 Laufzeit der Simplex-Methode Es soll zum Abschluss des Seminars ein kurzer Blick auf die Laufzeit bzw. den Rechenaufwand der Lösung eines LPs mit dem Simplex-Algorithmus geworfen werden. Rechenaufwand
MehrVeranstaltung und Übung: Optimierungssysteme Modelle, Software, Praxisanwendungen. Uwe Suhl Veronika Waue SS 2008
Veranstaltung 10033025 und 101053 Übung: Optimierungssysteme Modelle, Software, Praxisanwendungen Uwe Suhl Veronika Waue SS 2008 Organisatorisches Veronika Waue Sprechstunde Mi.11h-12h (R214) E-mail: veronika@waue.net
MehrOperations Research II (Nichtlineare und dynamische Optimierung)
Operations Research II (Nichtlineare und dynamische Optimierung) 5. April 007 Frank Köller,, Hans-Jörg von Mettenheim & Michael H. Breitner 8.4.007 # Nichtlineare Optimierung: Überblick Allgemeine Form:
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
MehrTop-down Bottom-up Divide & Conquer Dynamisches Programmieren Caching (Memoization) Branch-and-Bound Greedy
2.2 Entwurfsparadigmen Top-down Bottom-up Divide & Conquer Dynamisches Programmieren Caching (Memoization) Branch-and-Bound Greedy 1 Top-Down Zerlege das gegebene Problem in Teilschritte Zerlege Teilschritte
MehrLineare Optimierung, M2a
Prüfungsdauer Hilfsmittel Bedingungen 50 Minuten Nicht programmierbarer Taschenrechner, ohne CAS! Aufgabe 2 ohne Grafik, Aufgabe 4 mit Grafik! Dokumentieren Sie den Lösungsweg sauber. Der Lösungsweg muss
MehrModul Optimierungsmethoden des Operations Research LESEPROBE. Fakultät für Wirtschaftswissenschaft
Univ.-Prof. Dr. Wilhelm Rödder Prof. Longgui Xu (VR China) Dr. Peter Zörnig Univ.-Prof. Dr. Rainer E. Burkard Univ.-Prof. Dr. Heinz Isermann Modul 361 Optimierungsmethoden des Operations Research Kurs
MehrGanzzahlige OR-Methoden: Operations Research II a. Übungsblatt 12
Operations Research und Wirtschaftsinformatik Prof. Dr. P. Recht // Dr. Eva-Maria Sprengel Ganzzahlige OR-Methoden: Operations Research II a Übungsblatt 12 Aufgabe 37 Auf einem Güterumschlagplatz werden
Mehr(3D-)Extrema unter Nebenbedingungen. Problemstellung (lokale Optimierung)
(3D-)Extrema unter Nebenbedingungen Wir beschränken uns wieder (meistens) auf Funktionen von zwei Variablen x, y. Bei drei oder mehr Variablen x 1,..., x n sind die gleichen Techniken analog anwendbar,
MehrDiskrete Optimierung: Fallstudien aus der Praxis
Diskrete Optimierung: Fallstudien aus der Praxis Branh and Bound Grundlagen Barbara Langfeld, Mihael Ritter, Barbara Wilhelm Tehnishe Universität Münhen 20A Ganzzahlige Programmierung max T x Ax b x 0
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
MehrBetriebswirtschaftliche Optimierung
Institut für Statistik und OR Uni Graz 1 Das Travelling Salesperson Problem 2 Das Travelling Salesperson Problem Zentrales Problem der Routenplanung Unzählige wissenschaftliche Artikel theoretischer sowie
MehrSensitivitätsanalyse in der Linearen Optimierung
Sensitivitätsanalyse in der Linearen Optimierung Bei der Sensitivitätsanalyse werden i. allg. Größen des Ausgangsproblems variiert, und es wird untersucht, welche Wirkung eine derartige Modifikation auf
MehrWie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung
Wie findet man den optimalen Weg zum Ziel? Klassische Probleme der Kombinatorischen Optimierung Teilnehmer/innen: Markus Dahinten, Graf Münster Gymnasium Bayreuth Robert Fay, Herder Gymnasium Berlin Falko
Mehr11 Ganzzahlige und kombinatorische Optimierung
11 Ganzzahlige und kombinatorische Bisher behandelt: linearer Funktionen unter linearen Nebenbedingungen Auswahl des Optimums aus einem Kontinuum möglicher Lösungen Viele Probleme erfordern die Auswahl
MehrAufgaben zur Linearen Funktion f: y = k x +d
Aufgaben zur Linearen Funktion f: y = k x +d 1) Zeichnen Sie den Funktionsgraphen der linearen Funktion mittels Wertetabelle für x [0;2]: a) f 1 : y = 3x b) f 2 : y = 2x c) f 3 : y = 0,75x d) f 4 : y =
MehrEinführung in Operations Research
Wolfgang Domschke Andreas Drexl Einführung in Operations Research Dritte, verbesserte und erweiterte Auflage Mit 79 Abbildungen und 58 Tabellen Springer Votwort Symbolverzeichnis V XIII Kapitel 1: Einführung
MehrAnwendungsbeispiel: MTO
Anwendungsbeispiel MAXIMUM TREE ORIENTATION Universität Ulm 16. November 211 Inhaltsverzeichnis 1 Problemvorstellungen 2 Motivation 3 Integer Linear Programming 4 Tiefenbeschränkter Suchbaum 5 Konfliktgraph
MehrGroße Lösungsräume. Leon Schmidtchen Hallo Welt Seminar - LS Leon Schmidtchen Große Lösungsräume Hallo Welt Seminar - LS2
Große Lösungsräume Leon Schmidtchen 1.06.201 Hallo Welt Seminar - LS 2!1 Gliederung Motivation Brute Force Backtracking Pruning Leon Schmidtchen Branch & Bound 1.06.201 Hallo Welt Seminar - LS 2 Wann soll
MehrTheoretische Informatik III (Winter 2018/19) Prof. Dr. Ulrich Hertrampf. Noch einmal TSP
Noch einmal TSP Wir hatten das TSP-Problem (Problem der Handlungsreisenden) schon als Beispiel für die Branch-and-Bound Methode kennengelernt. Nun wollen wir noch einen zweiten Algorithmus angeben, der
MehrKapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel:
Kapitel 7 : Lineare Programmierung Die Simplexmethode (G.B.Dantzig, 1947) Beispiel: Eine Firma produziert die Produkte P 1, P 2,..., P q aus den Rohstoffen R 1, R 2,..., R m. Dabei stehen b j Einheiten
MehrAlgorithmen I - Tutorium 28 Nr. 12
Algorithmen I - Tutorium 28 Nr. 12 20.07.2017: Spaß mit Dynamischer und Linearer Programmierung Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR. JÖRN
Mehr»La filosofia è scritta in questo grandissimo libro che continuamente ci sta aperto innanzi a
MOTTO GALILEO GALILEI: DIE GOLDWAAGE (IL SAGGIATORE) VON 623»La filosofia è scritta in questo grandissimo libro che continuamente ci sta aperto innanzi a gli occhi (io dico l universo), ma non si può intendere
MehrAUFGABENTEIL. Klausur: Modul Optimierungsmethoden des Operations Research. Termin:
Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. Andreas Kleine AUFGABENTEIL Klausur: Modul 32621 Termin: 19.09.2016 Prüfer: Prof. Dr. Andreas
MehrToleranzbasierte Algorithmen für das Travelling Salesman Problem. Gerold Jäger
Toleranzbasierte Algorithmen für das Travelling Salesman Problem Gerold Jäger (Zusammenarbeit mit Jop Sibeyn, Boris Goldengorin) Institut für Informatik Martin-Luther-Universität Halle-Wittenberg gerold.jaeger@informatik.uni-halle.de
MehrComputer Science Department - High Performance and Web Computing Group. Optimierungsprobleme
Optimierungsprobleme Häufig in Alltagssituationen anzutreffen (z.b. Kauf eines Gerätes) Optimierungsprobleme (OPs) sind Probleme, die i.a. viele zulässige Lösungen besitzen Jeder Lösung ist ein bestimmter
MehrFlexible Personaleinsatzplanung von Krankenhausärzten
Flexible Personaleinsatzplanung von Krankenhausärzten Jens O. Brunner, TUM School of Management Rainer Kolisch, TUM School of Management Tagung der GOR-Arbeitsgruppe Health Care Management Cottbus, den
MehrLineare Optimierung Teil 2
Lineare Optimierung Teil 2 Primale Degeneration Duale Degeneration = Mehrdeutigkeit Normalform kanonische Form Duale Simplexmethode HTW-Berlin FB3 Prof. Dr.F. Hartl 1 Primale Degeneration/1 Besitzt eine
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrLogistik: Rundreisen und Touren
Logistik: Rundreisen und Touren 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Von Universitätsprofessor Dr. Wolfgang
Mehr