Lineare Optimierung Einführung

Ähnliche Dokumente
Lineare Optimierung Dualität

Das zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog

Hauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg

4.5 Lemma Das folgende Problem Par{ 1, 0, 1}max p ist NP-vollständig:

3. Lineare Algebra (Teil 2)

Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Das Cutting Stock-Problem

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition

Diskrete Mathematik 1 WS 2008/09

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x,

4.6 Das Pumping-Lemma für reguläre Sprachen:

Konkave und Konvexe Funktionen

Fachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung

Resultate / "states of nature" / mögliche Zustände / möglicheentwicklungen

1 Finanzmathematik. 1.1 Das Modell. Sei Xt

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013

Lösungen der Aufgaben zu Kapitel 2

Facility Location Games

Kapitel V. Parameter der Verteilungen

Sei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).

3.3 Lineare Abbildungen und Matrizen

Übungsblatt 7 Lösungsvorschläge

Cash flow matching: ein kurzfristiges Finanzierungsmodell

18. Dynamisches Programmieren

Determinanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.

Die Jordansche Normalform

SS 2017 Torsten Schreiber

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Elemente der Mathematik - Sommer 2016

6. Übung zur Linearen Algebra II

Vorlesung 3 Differentialgeometrie in der Physik 13

2 Zufallsvariable und Verteilungen

Prof. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik. Codierungstheorie und Kryptographie

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

-70- Anhang: -Lineare Regression-

22. Vorlesung Sommersemester

1 Mehrdimensionale Analysis

Stochastische Prozesse

1 Definition und Grundbegriffe

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

1 Differentialrechnung in mehreren Variablen

Rotation (2. Versuch)

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen

Streuungs-, Schiefe und Wölbungsmaße

Stochastische Prozesse

Manhattan-Metrik anhand des Beispiels

4. Musterlösung. Problem 1: Kreuzende Schnitte **

Lineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen

Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.

Gruppe. Lineare Block-Codes

Spiele und Codes. Rafael Mechtel

16. Vorlesung Sommersemester

( ) γ. (t 1 ) (t 2 ) = Arg γ 2(t 2 )

Übungsblatt 4 - Lösung

Grundgedanke der Regressionsanalyse

AKADEMIE DER WISSENSCHAF1'EN

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)

Einführung in die theoretische Physik 1

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt

Auswertung univariater Datenmengen - deskriptiv

Weitere NP-vollständige Probleme

Grundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen

1.11 Beispielaufgaben

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n

Wir steuern einen Mini-Roboter!

Definition des linearen Korrelationskoeffizienten

Standardnormalverteilung / z-transformation

50 Matrixnormen und Eigenwertabschätzungen

1. (14 Punkte) Mikroökonomik I, Wintersemester 1995/96, Prof.Dr.H.Sautter 1

Statistik und Wahrscheinlichkeitsrechnung

Netzwerkstrukturen. Entfernung in Kilometer:

Einführung in die numerische Mathematik

Seminar Einführung in die Kunst mathematischer Ungleichungen

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

1.1 Das Prinzip von No Arbitrage

Sind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)

n y j l j (x) È n. j=0 n (x x j ). f(x) = a y n+1 p n (x n+1 ) (x n+1 x 0 )...(x n+1 x n ).

Grundbildung Lineare Algebra und Analytische Geometrie (LPSI/LS-M2) SoSe C. Curilla/ B. Janssens

Versicherungstechnischer Umgang mit Risiko

Lösungen aller Aufgaben und Lernkontrollen

Dynamisches Programmieren

11 Charaktere endlicher Gruppen

ME II, Prof. Dr. T. Wollmershäuser. Kapitel 2 Das IS-LM-Modell

Der stöchiometrische Luftbedarf einer Reaktion kann aus dem Sauerstoffbedarf der Reaktion und der Zusammensetzung der Luft berechnet werden.

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:

Aufgabenkomplex 2: Umrechung von Einheiten, Ungleichungen, Komplexe Zahlen

Lösungen zum 3. Aufgabenblock

INTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen

12. Vortrag Verzweigung. Seminar Zahlentheorie WS 07/08

Zwei Sätze von Joseph Wolstenholme. Johann Cigler

Die kanonische Zustandssumme (System) und ihr Zusammenhang mit der molekularen Zustandssumme (Einzelmolekül) unterscheidbare Teilchen:

1. Runde Aufgaben und Lösungen. Bundeswettbewerb Mathematik

Proseminar Spieltheorie SS 2006 Ausarbeitung zum Vortrag Allgemeine Zwei-Personenspiele am Vortragender: Florian Leiner

Transkript:

Kaptel Lneare Optmerung Enführung B... (Dre klasssche Anwendungen) Im Folgenden führen wr de ersten dre klassschen (zvlen) Anwendungen der lnearen Optmerung an: BS... (Produktonsplanoptmerung) En Betreb stellt aus den Rohstoffen R, Rund Rde ProdukteP undpher. De nachfolgende Tabelle enthält den Rohstoffverbrauch pro Produktenhet, de verfügbaren Rohstoffmengen und de Gewnne pro Enhet der enzelnen Produkte: P P Verfügbarket R R R 5 8 80 Gewnn/ME 4 Es st en gewnnmaxmerendes Produktonsprogramm zu fnden. BS... (Das Dätproblem) De nachfolgende Tabelle zegt we vele Mengenenheten Eweß, Fett und Kohlenhydrate n 00 g zweer Nahrungsmttel Nund Nenthalten snd, den täglchen Mndestbedarf ener Person an desen Nährstoffen und de Prese n Euro von 00 g der NahrungsmttelNundN : Nährstoffe Nahrungsmttel N N Täglcher Mndestbedarf Eweß 5 Fett Kohlenhydrate 8 40 Pres (n /00g) 4 Es st en kostenmnmaler Dätplan aufzustellen.

BS... (Das klasssche Transportproblem) Dre FabrkenF, F und F belefern de Lager L, L, Lund L4mt enem gewsse Produkt. De nachfolgende Tabelle zegt de Kapaztäten der Fabrken, den Bedarf der enzelnen Lager und de Transportkosten pro Produktenhet für de Transportwege. Es st en kostenmnmaler Transportplan aufzustellen. L L L L Kapaztät 4 F 60 50 0 0 75 F 70 80 600 400 5 F 40 50 70 40 00 Bedarf 80 65 70 85 00 D... (Lneares Optmerungsproblem) Unter enem lnearen Optmerungsproblem versteht man folgendes Problem: n j j (Zelfunkton) j= z= c x opt unter folgenden Nebenbedngungen: n j= a x, =, b, =,,..., m j j x, x,..., x 0, (Nchtnegatvtätsbedngung) n Dabe snd: c a b R m j n j, j,, =,,..., ; =,,...,. B... Das Problem der lnearen Optmerung lässt sch n Matrzenschrebwese folgendermaßen darstellen: Her snd: T { = < >= b x } opt z c x Ax ( ), 0. c: = ( c ), j=,,..., n j x: = ( x ), j=,,..., n j A: = ( a ), =,,..., m; j=,,..., n j b: = ( b), =,,..., m.

BS.. 4. Formuleren Se de Probleme n BS..... als Modelle der lnearen Optmerung: Lösung: BS...: Se x, =,: ProduktonsmengeP z= x + 4 x Max! unter den Bedngungen: x + x x + x 5x + 8x 80 x, x 0. BS...: Se x, =,: NahrungsmttelN z= x + 4 x Mn! unter den Bedngungen: x + x 5 + x x x + 8x 40 x, x 0. BS...: Se xj, =,,..., m; j=,,..., n: Transportmenge vonf zu L j z= 60x + 50x + 0x + 0x 4 + 70x + 80x + 600x + 400x 4 + 40x + 50x + 70x + 40 x > Mn! 4

unter den Bedngungen: x x x x 4 = 75 x x x x = 4 5 x + x + x + x = 4 00 x + x + x = 80 x + x + x = 65 x + x + x = 70 x + x + x = 4 4 4 85 x 0, =,,; j=,,, 4. j D.. 4. (Normalform) En lneares Optmerungsproblem legt n der Normalform vor, wenn es folgende Gestalt hat: { z= c T x Ax= b x } max, 0. BS.. 5. Überführen Se de Probleme n BS... und BS... n de Normalform. Lösung: BS...: z= x + 4 x Max! unter den Bedngungen: x + x + x = x + x + x = 4 5x + 8 x + x = 80 5 x 0, =,,...,5. BS...: x 4 x Max! unter den Bedngungen: x + x x = 5 x + x x = 4 x + 8 x x = 40 5 x 0, =,,...,5. 4

BS.. 6. Überführen Se folgendes Problem der lnearen Optmerung n de Normalform: x + x Mn! unter den Nebenbedngungen x + x + Lösung: x x x + x bzw. x x x x bzw. x+ x = x + x4 = x+ x5 = x + x6 = x, x4, x5, x6 0 Se nun x : = y y x : = y y 5 y, y, y, y 0. 4 Dann lautet de Normalform: ( ) ( ) y y y y Max 4! unter den Nebenbedngungen y y+ x = y y + x = ( ) 4 y y4+ x5 = y y + x = ( ) 4 6 x, x4, x5, x6, y, y, y, y 0. 5

Bzw. y+ y y+ y4 Max! unter der Nebenbedngungen: y y + x = y + y + x = 4 y y + x = 4 5 y + y + x = 4 6 x, x, x, x, y, y, y, y 0 4 5 6 D.. 5. (Schlupfvarable) De Varablen, mt deren Hlfe aus Unglechungen des Typs bzw. Glechungen gemacht werden, heßen Schlupfvarable. D.. 6. (Zulässge Lösung, Menge der zulässgen Lösungen) Betrachtet se en lneares Optmerungsproblem n Normalform. En Punkt xmt _ x _ 0, _ Ax= bheßt zulässge Lösung. De Menge _ M = { x Ax= b, x 0} heßt de Menge der zulässgen Lösungen. BS... (Fortsetzung) Der Vektor T x= (4 6 5 ) 0 st ene zulässge Lösung deses Problems, denn 4 + 6+ 5= 4+ 6+ = 5 4+ 8 6+ = 80. D.. 7. (Zulässge Basslösung) Ene zulässge Lösung _ xener lnearen Optmerungsaufgabe heßt ene zulässge Basslösung, wenn de Vektoren der Nebenbedngungen, de zu den postven Komponenten von _ xgehören, lnear unabhängg snd. BS... (Fortsetzung) Der Vektor T x= (0 0 0) 0 st ene zulässge Basslösung deses Problems. 6

Er st zulässg, da 0+ 0+ = 0+ 0+ = 5 0+ 8 0+ 0= 80. Er st auch ene Basslösung, da de Vektorena, a unda 4 wegen 0 det 0 = 8 0 8 0 0 lnear unabhängg snd. D.. 8. (Bass der zulässgen Basslösung, Bassvarable, Nchtbassvarable) En System vonmlnear unabhänggen Vektoren der Nebenbedngungen, dass alle Vektoren der Nebenbedngungena j enthält, für dex j > 0 st, heßt Bass der zulässgen Basslösung. De den Bassvektoren entsprechenden Komponenten der zulässgen Basslösung heßen Bassvarable, de übrgen Komponenten Nchtbassvarable. BS... (Fortsetzung) De Vektorena, a unda 4 blden ene Bass der zulässgen Basslösung x= (0 0 0) T. De Varablenx, x undx 4 snd Bassvarable; xund x 5 snd Nchtbassvarable. S... Ene zulässge Basslösung kann höchstensmpostve Komponenten bestzen. D.. 9. (Degenererte und Nchtdegenererte Basslösung) Se r de Anzahl der postven Elemente ener Basslösung. Is r= m, so heßt de Basslösung nchtdegenerert. Im Falle r< mheßt de Basslösung degenerert. BS... (Fortsetzung) De Basslösung x = (0 0 0) T st nchtdegenerert, dar= m= glt. BS.. 7. Gegeben se das Problem z= 40x + 0x > max x + x 6 x + x 7 x + x x, x 0 7

oder n der Normalform: z= 40x + 0x > max x + x + x = 6 x + x + x = 7 4 x + x + x = 5 x 0, =,,...,5 Wr zegen, dass der Vektor ( ) x= 7 0 0 0 0 ene degenererte zulässge Basslösung deses Problems st: De Lösung st zulässg, da 7 + = 6 7+ = 7 7+ 9= Nun zegen wr, dass de Vektorena, a unda 5 ene Bass blden: 0 det 0 = 5 0 Damt sndx, x und x undx und x 4 Nchtbassvarable. T Anderersets kann man zegen, dass auch de Vektorena, a unda ene Bassblden: det 0 = 4 0 0 Damt st m Falle ener degenererten Lösung de Bass ncht endeutg. D.. 0. (Optmallösung) Ene zulässge Lösung x* heßt Optmallösung enes lnearen Optmerungsproblems, wenn T T c x* c x, x M. S... De Menge der zulässgen Lösungen ener lnearen Optmerungsaufgabe st konvex, falls se ncht leer st. 8

Bewes: SeM de Menge der zulässgen Lösungen ener lnearen Optmerungsaufgabe n der Normalform. EnthältM nur en Element, so st de Behauptung des Satzes offenschtlch rchtg. Betrachtet seen jetzt zwe zulässge Lösungen x undx. Dann muss gelten: Ax Ax = b, x 0, = b, x 0. Für de konvexe Lnearkombnatonα x obgen Glechungen: ( ) + α x folgt wegenα, α 0, α + α = und der A α x α x α Ax α Ax α b α b b α + = + = + =, α x + x 0. Also gehrt jede konvexe Lnearkombnaton auch der MengeM an. D... (Eckpunkt) En Punkt _ xder Menge der zulässgen LösungenM heßt Eckpunkt vonm, wenn _ xsch ncht als streng konvexe Lnearkombnaton zweer verschedener Punkte ausm darstellen lässt. S... Jeder Eckpunkt der Menge der zulässgen LösungenM stellt ene zulässge Basslösung dar und umgekehrt. S.. 4. De Menge der zulässgen Lösungen hat höchstens endlch vele Eckpunkte. S.. 5 Ist de Menge der zulässgen Lösungen ncht leer, so bestzt se wengstens enen Eckpunkt. S.. 6. Bldet de Menge der zulässgen Lösungen M en konvexes Polyeder, so lässt sch jeder Punkte vonm als konvexe Lnearkombnaton der endlch velen Eckpunkte darstellen. S.. 7. Bestzt ene lneare Optmerungsaufgabe ene optmale Lösung, dann nmmt de Zelfunkton hr Maxmum n mndestens enen Eckpunkt des Bereches der zulässgen Lösungen an. S.. 8. Bldet de Menge der zulässgen Lösungen en konvexes Polyeder und nmmt de Zelfunkton hr Maxmum n mehr als enen Eckpunkte an, so bestmmt auch jede konvexe Lnearkombnaton deser Eckpunkte ene Optmallösung. S.. 9. Ist de Menge der zulässgen Lösungen ener lnearen Optmerungsaufgabe ncht leer und de Zelfunkton auf deser Menge nach oben beschränkt (be Maxmerungsaufgaben), so exster wengstens ene Optmallösung 9

(Letzte Aktualserung: 8.08.0) 0