Lineare und kombinatorische Optimierung
|
|
- Eugen Böhmer
- vor 6 Jahren
- Abrufe
Transkript
1 Lineare und kombinatorische Optimierung Theorie, Algorithmen und Anwendungen Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Wintersemester 2017/18 Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 1 / 372
2 Vorbemerkungen Allgemeines zur Veranstaltung Allgemeines zur Vorlesung Homepage: Die Vorlesung wird überwiegend folienbasiert gehalten. Folien sind knapp gehalten (Definiton, Satz, Beweis, Beispiel). Die Folien zur Vorlesung (Skript) stehen auf der Homepage vor der Vorlesung zur Verfügung. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 2 / 372
3 Vorbemerkungen Allgemeines zur Veranstaltung Übungen In die Veranstaltung integriert. Wir werden die Zeit flexibel zwischen Vorlesung und Übung aufteilen. Wöchentlich erscheint ein Aufgabenblatt mit Punkten, das in Zweiergruppen bearbeitet werden kann, in der folgenden Woche vor den Übungen abgegeben werden muss, in den Übungen besprochen wird und von mir bewertet wird. Heute: Ausgabe des ersten Aufgabenblatts! Zu erfüllende Vorleistung: 50% der möglichen Punkte. Wer die Vorleistung nicht erfüllt, wird nicht zur Prüfung zugelassen! Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 3 / 372
4 Vorbemerkungen Lernziele Lernziele Algorithmen zur Lösung linearer und kombinatorischer Optimierungsprobleme kennen, anwenden und in Grundzügen implementieren können, Eigenschaften der Algorithmen wissen, mathematisch beschreiben und beweisen können, in der Lage sein, praktische Problemstellungen in ein geeignetes mathematisches Modell überführen zu können und solch ein Modell unter Einsatz von Softwarewerkzeugen lösen können. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 4 / 372
5 Vorbemerkungen Inhalt Inhalt 1 Lineares Programm 2 Theorie der Linearen Programmierung 3 Simplex-Verfahren 4 Dualität 5 Unimodularität 6 Schnittebenenverfahren 7 Branch-and-Bound und Varianten Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 5 / 372
6 Vorbemerkungen Organisation Organisatorisches und Formales Inhaltliche Voraussetzungen: Mathematik aus dem Bachelor, insbesondere Lineare Algebra und Graphentheorie Datenstrukturen und Algorithmen Theoretische Informatik Umfang: 2V + 2Ü Übungen/Vorleistung: 50% der Punkte aus den Übungen Prüfungsform: mündlich Softwarewerkzeuge: GNU Linear Programming Kit Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 6 / 372
7 Vorbemerkungen Literatur Literatur Primärquelle Leitlinie: Was jeder theoretische Informatiker über die Lineare Programmierung wissen sollte. knapp und präzise behandelt ebenfalls die ganzzahlige lineare Programmierung leider nicht als PDF in der Bibliothek verfügbar Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 7 / 372
8 Vorbemerkungen Literatur noch etwas knapper, aber immer noch präzise als PDF in der Bibliothek verfügbar Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 8 / 372
9 Vorbemerkungen Literatur anwendungsorientiert präzise, aber nicht umfassend bei den Beweisen Themen aus den Kapiteln 6 und 7 werden nicht behandelt. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 9 / 372
10 Vorbemerkungen Literatur Klassiker zum Thema lineare und ganzzahlige Programmierung umfassender und tiefgehender weniger eingängig Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 10 / 372
11 Kapitel 1 Lineares Programm Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 11 / 372
12 Inhalt Inhalt 1 Lineares Programm Notationen Lineares Programm Grafische Lösung Beispiele Normalform Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 12 / 372
13 Notationen Notationen für K-Vektorraum Zur Unterscheidung zwischen den Vektoren V und den Skalaren K schreiben wir die Vektoren mit fettgedruckten lateinischen Kleinbuchstaben, z.b. x = x 1 x 2. x n = (x j) R n. Für die Skalare nutzen wir üblicherweise griechische Kleinbuchstaben in Normalschrift, z.b. λ R. Zur Abkürzung schreiben wir die Vektoren teilweise auch zeilenorientiert, also x = (x 1, x 2,..., x n ). Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 13 / 372
14 Notationen Den Nullvektor bezeichnen wir mit 0. Demgegenüber bezeichnet 0 das neutrale Element des Körpers. In den meisten nachfolgenden Fällen verzichten wir auf die Verwendung des Multiplikationssymbols, sowohl bei der Multiplikation im Körper als auch bei der Multiplikation mit Skalaren. D. h. für λ, µ K, v V. λµ := λ µ λv := λ v Wir bewegen uns im Folgenden fast ausschließlich im R-Vektorraum R n. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 14 / 372
15 Notationen Notationen für Matrizen Die Menge der reellen Matrizen mit m Zeilen und n Spalten bezeichnen wir mit R m n. Zur Darstellung solcher Matrizen nutzen wir i.d.r. fette lateinische Großbuchstaben, z.b. a 11 a 12 a 1n a 21 a 22 a 2n A = = (a ij) R m n. a m1 a m2 a mn Die Nullmatrix stellen wir ebenfalls durch 0 dar. Aus dem Kontext ergibt sich, ob damit der Nullvektor oder die Nullmatrix gemeint ist. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 15 / 372
16 Notationen Für eine Matrix A R m n bezeichnet A T R n m die transponierte Matrix von A. Einen Vektor x R n können wir auch als einspaltige Matrix x R n 1 auffassen. Das Skalarprodukt x, y zweier Vektoren x, y R n können wir dann auch als Matrixprodukt x T y schreiben. Für eine Matrix A R m n bezeichnet a i R n (Kleinbuchstabe mit tiefgestelltem Index) den i-ten Zeilenvektor und a j R m (Kleinbuchstabe mit hochgestelltem Index) den j-ten Spaltenvektor von A. Also: A = (a 1, a 2,..., a n ) = a 1. a m Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 16 / 372
17 Notationen Die Einheitsvektoren e 1, e 2,..., e n mit e i = (x j ) R n und x j = bilden die kanonische Basis des R n. { 1 falls i = j 0 sonst Die Matrix E := (e 1, e 2,..., e n ) = bezeichnet die Einheitsmatrix Rn n Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 17 / 372
18 Lineares Programm Lineares Programm Definition 1.1 Es seien b i, c j, a ij R für 1 i m und 1 j n. Ein lineares Programm (LP) ist die Aufgabe, eine lineare Zielfunktion z = F (x 1,..., x n ) = c 1 x c n x n für Entscheidungsvariablen x j R zu maximieren oder zu minimieren unter Beachtung von linearen Nebenbedingungen der Form a i,1 x a i,n x n b i (i = 1,..., m 1 ) a i,1 x a i,n x n = b i (i = m 1 + 1,..., m 2 ) a i,1 x a i,n x n b i (i = m 2 + 1,..., m) und meist auch von Vorzeichenbedingungen x j 0 für einige oder alle j = 1,..., n. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 18 / 372
19 Lineares Programm Beispiel 1.2 Ein Eisverkäufer stellt stündlich bis zu 10 kg Eis der Sorten A bzw. B her. A B Verkaufspreis 80 EUR/kg 65 EUR/kg Kosten 50 EUR/kg 40 EUR/kg Energieaufwand 5 kwh/kg 2 kwh/kg absetzbar 6 kg 9 kg Es stehen höchstens 30 kwh stündlich zur Verfügung. Entscheidungsvariablen seien die stündlich herzustellenden Mengen x 1 kg bzw. x 2 kg. Zu maximieren sei die Differenz aus Preis und Kosten. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 19 / 372
20 Lineares Programm Modellierung für Beispiel 1.2 Maximiere z = F (x 1, x 2 ) = 80x x 2 50x 1 40x 2 = 30x x 2 unter den Nebenbedingungen x 1 + x x 1 + 2x 2 30 x 1 6 x 2 9 und Vorzeichenbedingungen x 1, x 2 0. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 20 / 372
21 Lineares Programm Noch ein Beispiel-LP Beispiel 1.3 Maximiere unter den Nebenbedingungen x 1 + x 2 und den Vorzeichenbedingungen x 1 + x 2 1 x 1 + 6x x 1 x 2 10 x 1, x 2 0 Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 21 / 372
22 Lineares Programm Zulässige und optimale Lösung Definition 1.4 Ein Vektor x = (x 1,..., x n ) R n, der alle Neben- und Vorzeichenbedingungen erfüllt, heißt zulässige Lösung eines LP. Mit X LP bezeichnen wir die Menge der zulässigen Lösungen, auch zulässiger Bereich genannt, eines linearen Programms LP. Eine zulässige Lösung x = (x 1,..., x n) heißt optimale Lösung eines LP, wenn es keine zulässige Lösung x mit besserem Zielfunktionswert als F (x ) gibt. F (x ) heißt dann optimaler Zielfunktionswert oder kurz Maximum bzw. Minimum. X LP bezeichnet die Menge der optimalen Lösungen von LP. Bemerkung: Wenn aus dem Kontext heraus das lineare Programm eindeutig ist, schreiben wir auch X und X statt X LP bzw. X LP. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 22 / 372
23 Grafische Lösung Grafische Lösung linearer Programme Wir betrachten zwei Entscheidungsvariablen x 1 und x 2 : a 1 x 1 + a 2 x 2 = b ist die Gleichung einer Geraden im R 2. a 1 x 1 + a 2 x 2 b und a 1 x 1 + a 2 x 2 b beschreiben jeweils eine Halbebene mit der Geraden a 1 x 1 + a 2 x 2 = b als Rand. Auch x 1 0 und x 2 0 stellen Halbebenen dar. Der zulässige Bereich ist der Schnitt endlich vieler Halbebenen. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 23 / 372
24 Grafische Lösung Grafische Lösung zu Beispiel 1.2 Beispiel 1.5 x2 <= 9 x1 + x2 <= 10 Optimalpunkt 5 x1 + 2 x2 <= 30 Zielfunktion x1 <= 6 Die Zielfunktion z = 30x x 2 wird ebenfalls durch eine Gerade dargestellt. Wachsendes z bedeutet eine Verschiebung nach rechts oben. Verschiebe nach oben, solange die Gerade durch X verläuft. Optimale Lösung im Schnittpunkt der Geraden x 1 + x 2 = 10 und 5x 1 + 2x 2 = 30, also x = ( 10 3, 20 3 ) mit z = Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 24 / 372
25 Grafische Lösung Grafische Lösung zu Beispiel 1.3 Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 25 / 372
26 Grafische Lösung Mögliche Situationen bei grafischer Lösung (a) beschränktes X, eindeutige optimale Lösung (b) beschränktes X, nichteindeutige optimale Lösung (c) unbeschränktes X, eindeutige optimale Lösung (d) unbeschränktes X, nichteindeutige optimale Lösung (e) unbeschränktes X, keine optimale Lösung (f) X =, keine zulässige Lösung (a) (c) (e) (b) (d) (f) M1 * M2 = {} Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 26 / 372
27 Grafische Lösung Beispiel 1.6 Beispiel 1.3 mit 1 6 x 1 + x 2 als Zielfunktion. Mit statt bei zwei Ungleichungen: Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 27 / 372
28 Beispiele Maximalflussproblem als LP Gegeben: gerichteter Graph G = (V, E), Kapazitätsfunktion c : E R 0, Quelle s V und Senke t V mit s t. Ein zulässiger Fluss ist eine Funktion x : E R mit 0 x(e) c(e) für alle e E, x(e) = x(e) für alle v V \ {s, t} e=(w,v) E e=(v,w) E Gesucht ist ein zulässiger Fluss mit maximalem Flusswert Φ(x): Φ(x) = x(e) x(e) e=(s,v) E e=(v,s) E Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 28 / 372
29 Beispiele Modelliere den Fluss x(e) auf Kante e E mithilfe der Variablen x e. max x e e=(s,v) E e=(v,s) E x e unter den Nebenbedingungen x e c(e) für alle e E x e x e = 0 für alle v V \ {s, t} e=(w,v) E e=(v,w) E sowie Vorzeichenbedingungen x e 0 für alle e E. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 29 / 372
30 Beispiele Regressionsproblem als LP Gegeben sind Datenpunkte (x i, y i ) für i = 1,..., n. Gesucht sind a, b R, so dass so dass sie Summe der Abweichungen von y i zu der Geraden ax + b an den Stellen x i minimal wird, also E(a, b) = n ax i + b y i min i=1 Sei r i = ax i + b y i diese (vorzeichenbhaftete Abweichung). Damit gilt ax i + b r i = y i. Dann lautet die Zielfunktion: min n r i. i=1 Problem: Der Betrag in der Zielfunktion (weil r i nicht vorzeichenbeschränkt ist). Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 30 / 372
31 Beispiele Sei r i = u i v i mit u i 0 und v i 0. Dann lautet die Zielfunktion jetzt: n n u i + v i min i=1 i=1 Die Nebenbedingungen werden damit zu: x i a + b u i + v i = y i Vorzeichenbedingungen: ui, v i 0 für i = 1,..., n a, b R Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 31 / 372
32 Beispiele Schnittproblem als ganzzahliges LP Aus 3 m langen Metallstangen sollen 10 Stangen mit 1 m, 45 Stangen mit 2 m, 21 Stangen mit 1.5 m und 42 Stangen mit 0.9 m Länge hergestellt werden. Die Anzahl der dafür notwendigen 3 m Stangen soll minimiert werden. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 32 / 372
33 Beispiele Zunächst stellen wir alle möglichen maximale Schnittmuster auf, d.h. alle Möglichkeiten, eine 3 m Stange in die geforderten Längen zu zersägen, so dass der verbleibende Rest nicht mehr verwendbar ist. Muster 1 m 2 m 1.5 m 0.9 m Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 33 / 372
34 Beispiele Variablen Zielfunktion x i = Anzahl der Stangen mit Schnittmuster i, 1 i 9 min x 1 + x 2 + x 3 + x 4 + x 5 + x 6 + x 7 + x 8 + x 9 unter den Nebenbedingungen 3x 1 +x 2 +2x 5 +x 6 +x 8 10 x 2 +x x 3 +x 8 +x 9 21 x 4 +x 5 +2x 6 +3x 7 +x 9 42 x 1, x 2, x 3, x 4, x 5, x 6, x 7, x 8, x 9 N 0 Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 34 / 372
35 Beispiele Bemerkungen zum Schnittproblem lineare Zielfunktion und lineare Nebenbedingungen Problem: Ganzzahligkeit der x i Ganzzahligkeit als weitere Nebenbedingung ist die typische Eigenschaft kombinatorischer Optimierungsprobleme. LP-Relaxation (LP mit Verzicht auf Ganzzahligkeit) liefert eine untere Schranke für den optimalen Zielfunktionswert Lösungsmethoden: siehe Kapitel 5 bis 7 Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 35 / 372
36 Beispiele Effiziente Lösbarkeit von LPs LPs sind effizient lösbar. In der Praxis Es stehen leistungsfähige Programmpakete (kommerziell und Open-Source) für die Lösung von LPs mit mehreren tausend Variablen und Nebenbedingungen zur Verfügung. In der Theorie LPs können in polynomieller Zeit gelöst werden (in Bezug auf die Anzahl der Variablen und Nebenbedingungen). Demgegenüber ist die ganzzahlige lineare Programmierung (in allgemeiner Form) NP-vollständig. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 36 / 372
37 Normalform Maximumproblem Definition 1.7 Ein LP der Form Maximiere z = F (x 1,..., x n ) = c 1 x c n x n = n c j x j j=1 unter den Nebenbedingungen n a ij x j b i (i = 1,..., m) j=1 und den Vorzeichenbedingungen x j 0 (j = 1,..., n) heißt Maximumproblem. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 37 / 372
38 Normalform Kompakte Schreibweise Mit c, x R n, b R m und A R m n können wir ein Maximumproblem auch schreiben als: Maximiere c T x unter den Nebenbedingungen Ax b und den Vorzeichenbedingungen x 0 Bezeichungen: Zielfunktionsvektor Variablenvektor Koeffizientenmatrix Begrenzungsvektor, rechte Seite c x A b Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 38 / 372
39 Normalform Beispiel 1.2 in kompakter Schreibweise Beispiel 1.8 Maximiere unter den Nebenbedingungen ( x1 (30, 25) x 2 und den Vorzeichenbedingungen ( x1 x 2 ( x1 x 2 ) ) ) ( 0 0 ) Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 39 / 372
40 Normalform Umformung in ein Maximumproblem Satz 1.9 Zu jedem LP lässt sich ein äquivalentes LP in Form eines Maximumproblems formulieren. Beweis. Ersetze zu minimierende Zielfunktion z = F (x) durch zu maximierende Zielfunktion z = F (x) Transformiere -Nebenbedingung durch Multiplikation beider Seiten mit 1 in eine -Nebenbedingung. Eine Gleichung n j=1 a ijx j = b i kann durch zwei Ungleichungen n j=1 a ijx j b i und n j=1 a ijx j b i ersetzt werden. Falls für x j beliebige Werte aus R erlaubt sind, so ersetze x j durch die zwei Variablen x + j 0 und x j 0 mit x j = x + j x j. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 40 / 372
41 Normalform Beispiel 1.10 Wir überführen das folgende LP in ein Maximumproblem: Minimiere z = 3x 1 4x 2 unter den Nebenbedingungen: 2x 1 + 3x 2 7 x 1 2x 2 4 3x 1 + 2x 2 = 6 x 1 0, x 2 R Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 41 / 372
42 Normalform Fortsetzung Beispiel 1.10 Zunächst sorgen wir für eine Maximierung und stellen alle Nebenbedingungen als Nebenbedingungen dar: Maximiere z = 3x 1 + 4x 2 unter den Nebenbedingungen: 2x 1 + 3x 2 7 x 1 + 2x 2 4 3x 1 + 2x 2 6 3x 1 2x 2 6 x 1 0, x 2 R Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 42 / 372
43 Normalform Fortsetzung Beispiel 1.10 Nun wird durch x 2 = x 2 + x 2 mit x 2 +, x 2 0 die fehlende Vorzeichenbeschränkung eliminiert. Wir erhalten: Maximiere z = 3x 1 + 4x + 2 4x 2 unter den Nebenbedingungen: 2x 1 + 3x 2 + 3x 2 7 x 1 + 2x 2 + 2x 2 4 3x 1 + 2x 2 + 2x 2 6 3x 1 2x x 2 6 x 1, x 2 +, x 2 0 Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 43 / 372
44 Normalform Normalform Definition 1.11 Ein LP liegt in Normalform vor, wenn es die Form hat: Maximiere z = F (x 1,..., x n ) = n j=1 c jx j unter den Nebenbedingungen n j=1 a ijx j = b i (i = 1,..., m) und Vorzeichenbedingungen x j 0 (j = 1,..., n) In kompakter Darstellung: Maximiere c T x unter den Nebenbedingungen Ax = b und den Vorzeichenbedingungen x 0. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 44 / 372
45 Normalform Umformung in Normalform Satz 1.12 Zu jedem LP lässt sich ein äquivalentes LP in Normalform formulieren. Beweis. Nach Satz 1.9 lässt sich zu jedem LP ein äquivalentes Maximumproblem formulieren. Es reicht daher zu zeigen, dass jedes Maximumproblem in Normalform überführt werden kann. Hierzu führen wir für die m Ungleichungen die Schlupfvariablen x n+1,..., x n+m ein, die in der Zielfunktion mit 0 bewertet werden. Die Variablen x 1,..., x n heißen Strukturvariablen. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 45 / 372
46 Fortsetzung Beweis. Lineares Programm Die Normalform ergibt sich dann durch: Normalform Maximiere z = n j=1 c jx j + n+m j=n+1 0 x j unter den Bedingungen n a ij x j + x n+i = b i (i = 1,..., m) j=1 und Vorzeichenbedingungen x j 0 (j = 1,..., n + m) In Matrixschreibweise lautet die Normalform unter den Bedingungen z = F (x) = c T x Ax = b, x 0 Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 46 / 372
47 Normalform Kanonische Normalform Definition 1.13 Gelten in der Matrixschreibweise für die Normalform die Eigenschaften c 1. a b 0, c = c n 1,1 a 1,n und A =..... a m,1 a m,n so ist das LP in kanonischer Form. Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 47 / 372
48 Normalform Beispiel 1.14 Maximiere unter den Bedingungen z = 30x x 2 x 1 + x x 1 + 2x 2 30 x 1 6 x 2 9 x 1 0 x 2 0 Für die Nebenbedingungen führen wir die Schlupfvariablen x 3, x 4, x 5, x 6 ein und erhalten... Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 48 / 372
49 Normalform Fortsetzung Beispiel Maximiere z = 30x x x x 6 unter den Bedingungen x 1 + x 2 + x 3 = 10 5x 1 + 2x 2 + x 4 = 30 x 1 + x 5 = 6 x 2 + x 6 = 9 und x j 0 (j = 1,..., 6). Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 49 / 372
50 Normalform Fortsetzung Beispiel In Matrixschreibweise: Maximiere unter den Bedingungen z = ( ) x 1 x 2 x 3 x 4 x 5 x 6 = x 1. x 6 und x 1. x Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 50 / 372
51 Zusammenfassung Zusammenfassung Lineares Programm (LP): lineare Zielfunktion und lineare Nebenbedingungen Nebenbedingungen eines LPs sind Gleichungen oder Ungleichungen in nicht strikter Form. Viele bekannte Probleme können als LP oder ILP formuliert werden. Standardformen für LPs: Maximumproblem und Normalform Peter Becker (H-BRS) Lineare und kombinatorische Optimierung Wintersemester 2017/18 51 / 372
3. 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
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
Mehr3. Schnittebenenverfahren
3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research
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:
MehrOperations Research II
Operations Research II Einführung in die kombinatorische Optimierung Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Wintersemester 2015/16 Peter Becker (H-BRS) Operations Research
Mehr(Technisch: Setze alle Skalarprodukte der allgemeinen Lösung mit den Basisvektoren des Kerns gleich Null eindeutige leastsqares Lösung)
Lineare Optimierung Unterbestimmte LGS und Optimierung Bei lösbaren unterbestimmten linearen Gleichungssystemen haben wir die Qual der Wahl in Abhängigkeit von den freien Parametern (Anzahl = Anzahl Unbekannte
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,
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
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
MehrLineare 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
MehrWS 2010/ Januar Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch
Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch WS 2010/2011 14. Januar 2011 Geometrie mit Übungen Übungsblatt 9, Musterlösungen Aufgabe 33. Es werden Kreise in der Euklidischen
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
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
MehrLineare Abhängigkeit
Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrKAPITEL 6 GANZZAHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULARE MATRIZEN
KPITEL 6 GNZZHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULRE MTRIZEN F. VLLENTIN,. GUNDERT. Ganzzahlige lineare Programme Viele Optimierungsprobleme des Operations Research lassen sich als ganzzahlige lineare
Mehr6. Flüsse und Zuordnungen
6. Flüsse und Zuordnungen In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über solch eine Kante pro Zeiteinheit transportiert werden können. Wir können uns einen
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
Mehr6. Rechnen mit Matrizen.
6. Rechnen mit Matrizen. In dieser Vorlesung betrachten wir lineare Gleichungs System. Wir betrachten lineare Gleichungs Systeme wieder von zwei Gesichtspunkten her: dem angewandten Gesichtspunkt und dem
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
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 +...
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:
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
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 (Un-)Gleichungen und lineare Optimierung
Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik Universität Innsbruck Lehrer/innen/fortbildungstag Wien 2010 9. April 2010 Eine Maximumsaufgabe Eine Firma stellt aus
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
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
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
MehrInhaltsverzeichnis. Vorwort Kapitel 1 Einführung, I: Algebra Kapitel 2 Einführung, II: Gleichungen... 57
Vorwort... 13 Vorwort zur 3. deutschen Auflage... 17 Kapitel 1 Einführung, I: Algebra... 19 1.1 Die reellen Zahlen... 20 1.2 Ganzzahlige Potenzen... 23 1.3 Regeln der Algebra... 29 1.4 Brüche... 34 1.5
MehrMathematik für Wirtschaftswissenschaftler
Knut Sydsaeter Peter HammondJ Mathematik für Wirtschaftswissenschaftler Basiswissen mit Praxisbezug 2., aktualisierte Auflage Inhaltsverzeichnis Vorwort 13 Vorwort zur zweiten Auflage 19 Kapitel 1 Einführung,
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
MehrProf. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis
MehrMatrizen und Determinanten
Matrizen und Determinanten 1 Matrizen und Determinanten 1 Einführung in den Matrizenbegriff Zur Beschreibung und Lösung vieler physikalischer Probleme ist die Vektorrechnung vonnöten Durch Verwendung von
MehrKLAUSUR zu Einführung in die Optimierung. Studiengang: Bachelor Master Diplom (bitte ankreuzen)
Mathematisches Institut WS 2012/13 der Heinrich-Heine-Universität 7.02.2013 Düsseldorf Prof. Dr. Achim Schädle KLAUSUR zu Einführung in die Optimierung Bitte folgende Angaben ergänzen und DEUTLICH LESBAR
Mehr7 Lineare Gleichungssysteme
118 7 Lineare Gleichungssysteme Lineare Gleichungssysteme treten in vielen mathematischen, aber auch naturwissenschaftlichen Problemen auf; zum Beispiel beim Lösen von Differentialgleichungen, bei Optimierungsaufgaben,
MehrDifferenzengleichungen. und Polynome
Lineare Differenzengleichungen und Polynome Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-600 Innsbruck, Österreich franz.pauer@uibk.ac.at 1 Einleitung Mit linearen Differenzengleichungen
MehrSpezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:
Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es
MehrLineare Algebra. Teil III. Inhaltsangabe
Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24
Mehr(geometrische) Anschauung
(geometrische) Anschauung Marcus Page Juni 28 In dieser Lerneinheit widmen wir uns dem schon oft angesprochenen Zusammenhang zwischen Matrizen und linearen Abbildungen. Außerdem untersuchen wir Funktionen,
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr
MehrDaniel Borchmann. Sommerakademie Görlitz September 2007
Einführung in Semidenite Programmierung Daniel Borchmann Sommerakademie Görlitz 2007 12. September 2007 1 Einleitung Lineare Optimierung Semidenite Optimierung 2 MAX-CUT MAX-BISECTION MAX-2SAT Einleitung
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
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Lineare Algebra
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
Mehrx y f : R 2 R 3, Es gilt: Bild f = y : wobei x,y R Kern f = 0 (wird auf der nächsten Folie besprochen)
Def Wiederholung Sei f : V U eine lineare Abbildung Das Bild von f ist die folgende Teilmenge von U: Bild f = {u U so dass es gibt ein Element v V mit f (v) = u} (Andere Bezeichnung: f (V) wird in Analysis-Vorlesung
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
MehrMathematischen Grundlagen und Notationen
Mathematischen Grundlagen und Notationen Susanne Schimpf Juni 008 Es geht in dieser Lerneinheit darum, mathematische Notationen besser zu verstehen und auch selbst korrekt zu benutzen. Außerdem sollen
MehrMathematik 1 für Wirtschaftsinformatik
für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Komplexe Zahlen 5 Lineare Algebra 6 Lineare Programme 2 Grundlegende
MehrMathematik 1, Teil B. Inhalt:
FH Emden-Leer Fachb. Technik, Abt. Elektrotechnik u. Informatik Prof. Dr. J. Wiebe www.et-inf.fho-emden.de/~wiebe Mathematik 1, Teil B Inhalt: 1.) Grundbegriffe der Mengenlehre 2.) Matrizen, Determinanten
Mehr6. Flüsse in Netzwerken Berechnung maximaler Flüsse. dann berechnet der Markierungsalgorithmus für beliebige Kapazitätsfunktionen
6. Flüsse in Netzwerken Berechnung maximaler Flüsse Satz 6.4. Ersetzt man in Algorithmus 6.1 den Schritt 2 durch 2a. Wähle den Knoten, der zuerst in eingefügt wurde. Setze. dann berechnet der arkierungsalgorithmus
MehrKombinatorische Optimierung Vorlesung für den Bereich Diplom/Master Informatik
Kombinatorische Optimierung Vorlesung für den Bereich Diplom/Master Informatik Dozent: Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK
Mehr2. Repräsentationen von Graphen in Computern
2. Repräsentationen von Graphen in Computern Kapitelinhalt 2. Repräsentationen von Graphen in Computern Matrizen- und Listendarstellung von Graphen Berechnung der Anzahl der verschiedenen Kantenzüge zwischen
MehrAufgaben zu Kapitel 14
Aufgaben zu Kapitel 14 1 Aufgaben zu Kapitel 14 Verständnisfragen Aufgabe 14.1 Haben (reelle) lineare Gleichungssysteme mit zwei verschiedenen Lösungen stets unendlich viele Lösungen? Aufgabe 14.2 Gibt
MehrLösungen zum 3. Aufgabenblatt
SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2016 Lineare Gleichungssysteme Schwerpunkte: Interpretation und Verständnis der Gleichungen Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik unter
MehrLineare Optimierung Ergänzungskurs
Lineare Optimierung Ergänzungskurs Wintersemester 2015/16 Julia Lange, M.Sc. Literatur Werner, F.; Sotskov, Y.N. (2006): Mathematics of Economics and Business; Routledge; London Bemerkungen Diese Unterlagen
MehrMathematisch-algorithmische Grundlagen für Big Data
Mathematisch-algorithmische Grundlagen für Big Data Numerische Algorithmen für Datenanalyse und Optimierung Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Sommersemester 2016
Mehr3 Matrizen und Determinanten
31 Matrizen 311 Matrizen und Gleichungssysteme Grundlegende Begriffe der linearen Algebra und linearen Optimierung sind die Begriffe Matrix, Vektor, Determinante und lineares Gleichungssystem Beispiel
MehrDEUTSCHE SCHULE MONTEVIDEO BIKULTURELLES DEUTSCH-URUGUAYISCHES ABITUR ( AUF SPANISCH )
Grundlegende Bemerkungen : Der Begriff des Vektors wurde in den vergangenen Jahren im Geometrieunterricht eingeführt und das mathematische Modell des Vektors wurde vor allem auch im Physikunterricht schon
MehrLernmaterialblatt Mathematik. Vektorrechnung eine Einführung. Anwendung Mathematik I. Einleitung:
Vektorrechnung eine Einführung Einleitung: Um beispielsweise das Dreieck ABC in der Abbildung an die Position A'B'C' zu verschieben, muss jeder Punkt um sieben Einheiten nach rechts und drei nach oben
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
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
MehrMathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11
Mathematik für Wirtschaftswissenschaftler, WS / Musterlösungen zu Aufgabenblatt Aufgabe 76: Bestimmen Sie mittels Gauß-Elimination die allgemeine Lösung der folgenden linearen Gleichungssysteme Ax b: a)
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
MehrKapitel III. Lineare Abbildungen
Kapitel III. Lineare Abbildungen Beispiele: 1 Lineare Abbildungen a) Seien c 1,..., c n K vorgegeben. Betrachte die Funktion F (x 1,..., x n ) = c 1 x 1 + c 2 x 2 +... + c n x n in den Variablen x 1,...,
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
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
MehrAlgorithmen und Datenstrukturen Kapitel 10
Algorithmen und Datenstrukturen Kapitel 10 Flüsse Frank Heitmann heitmann@informatik.uni-hamburg.de 6. Januar 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/8 Flüsse Graphen Grundlagen Definition
MehrMathematische Planungsverfahren
Mathematische Planungsverfahren Stefan Etschberger Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg 12 April 2005 Organisatorisches Literatur Starke Orientierung an Hauke/Opitz:
Mehr2. Stetige lineare Funktionale
-21-2. Stetige lineare Funktionale Die am Ende von 1 angedeutete Eigenschaft, die ein lineares Funktional T : D(ú) 6 verallgemeinerten Funktion macht, ist die Stetigkeit von T in jedem n 0 0 D(ú). Wenn
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Wiederholung Eine Menge von Vektoren a 1, a 2,, a k heisst linear unabhängig, wenn eine Linearkombination c 1 a 1 + c 2 a 2 + + c k a k = k c i a i (1) i=1 nur dann Null sein
Mehr6. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 6. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS 2/ 25..-.2. Aufgabe G (Lineare Gleichungssysteme)
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrEin Beispiel für eine lineare Abbildung
Inhaltsverzeichnis Ein Beispiel für eine lineare Abbildung Lothar Melching Vorbemerkungen 2 Ein Beispiel 2 2 Definition der Abbildung f 2 22 Die Abbildungsmatrix 3 23 Anwendung 3 Eigenwerte 3 Die neue
MehrLineare Algebra - alles was man wissen muß
Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger
MehrEffiziente Algorithmen I
H 10. Präsenzaufgabenblatt, Wintersemester 2015/16 Übungstunde am 18.01.2015 Aufgabe Q Ein Reiseveranstalter besitzt ein Flugzeug, das maximal p Personen aufnehmen kann. Der Veranstalter bietet einen Flug
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
MehrKombinatorische Optimierung
Kombinatorische Optimierung Zuweisungsprobleme 2 1 3 5 4 Kombinatorische Optimierung Rucksackpackproblem 1 10 2 4 6 3 5 8 6 Aufspannende Bäume Travelling Salesman VLSI Design C. Kanzow, M. Gerdts Kombinatorische
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
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
Mehr8 Lineare Optimierung
8. LINEARE OPTIMIERUNG 18 8 Lineare Optimierung 8.1 Lineare Optimierung in der Dimension Zum Einüben in die Problematik behandeln wir explizit zunächst ein Optimierungsproblem in der Dimension. 8.1.1 Ein
MehrSysteme von linearen Ungleichungen
Systeme von linearen Ungleichungen ALGEBRA Kapitel 6 MNProfil - Mittelstufe KZN Ronald Balestra CH - 8046 Zürich www.ronaldbalestra.ch Name: Vorname: 28. Februar 2016 Überblick über die bisherigen ALGEBRA
MehrInhaltsverzeichnis. 1 Lineare Algebra 12
Inhaltsverzeichnis 1 Lineare Algebra 12 1.1 Vektorrechnung 12 1.1.1 Grundlagen 12 1.1.2 Lineare Abhängigkeit 18 1.1.3 Vektorräume 22 1.1.4 Dimension und Basis 24 1.2 Matrizen 26 1.2.1 Definition einer
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
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrÜbungsbeispiel 1: Quadratische Modellierung
Übungsbeispiel 1: Quadratische Modellierung Ein Uhrenhersteller möchte den Preis für sein neues Modell festlegen und führt dazu eine Marktanalyse durch. Das Ergebnis lautet: Bei einem Preis von 60 ist
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
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrStrahlensätze anwenden. ähnliche Figuren erkennen und konstruieren. ähnliche Figuren mit Hilfe zentrischer Streckung konstruieren.
MAT 09-01 Ähnlichkeit 14 Doppelstunden Leitidee: Raum und Form Thema im Buch: Zentrische Streckung (G), Ähnlichkeit (E) Strahlensätze anwenden. ähnliche Figuren erkennen und konstruieren. ähnliche Figuren
MehrDiskrete Optimierungsverfahren zur Lösung von Sudokus
Diskrete Optimierungsverfahren zur Lösung von Sudokus Seminarvortrag von Daniel Scholz am 6. Dezember 2006 Am Beispiel der Lösung von Sudokurätseln mit Hilfe der linearen Optimierung werden verschiedenen
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
MehrAm Dienstag, den 16. Dezember, ist Eulenfest. 1/48
Am Dienstag, den 16. Dezember, ist Eulenfest. 1/48 Grundbegriffe der Informatik Einheit 12: Erste Algorithmen in Graphen Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009
Mehr3 Kurzeinführung in Matlab
3 Kurzeinführung in Matlab Matlab ist ein sehr leistungsfähiges interaktives Programmpaket für numerische Berechnungen. Nutzen Sie dies parallel zu den Vorlesungen. Sie können damit persönlich erfahren,
Mehr