Der Simplex-Algorithmus

Ähnliche Dokumente
Eigenschaften von LPs

Simplex-Verfahren. Kapitel 4. Simplex-Verfahren. Peter Becker (H-BRS) Operations Research I Sommersemester / 298

Operations Research. Linearoptimierung. Bearbeitet von Peter Stingl

Minimumproblem. Definition 4.7. Ein LP der Form. unter den Nebenbedingungen. d ij x j b i (i =1,...,m)

Zugeordneter bipartiter Graph

4.3.3 Simplexiteration

Lösung allgemeiner linearer Programme

Vorlesung Wirtschaftsmathematik I WS 2007/2008, Wirtschaftingenieurwesen. Kapitel IV: Grundlagen der Linearen Optimierung

6 Korrektheit des Simplexalgorithmus

Berufliches Gymnasium (WG, EG, AG, SG) Hauptprüfung 2008 Teil 2, Lineare Optimierung, Aufgabe 2 Baden-Württemberg

mit. Wir definieren (Skalarprodukt = Winkel).

3. Schnittebenenverfahren

Übung 3, Simplex-Algorithmus

Lineare Optimierung Teil 2

Lineares Optimieren. W. Kippels 12. April Inhaltsverzeichnis. 1 Einleitung 2. 2 Die Beispielaufgabe 2. 3 Einführung von Schlupfvariablen 2

Allgemeines zur Vorlesung

Computer Science Department - High Performance and Web Computing Group. Optimierungsprobleme

1 Lineare Optimierung, Simplex-Verfahren

VORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)

VORLESUNG 11 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)

Kombinatorische Optimierung

Aufgabe 5.3 Duale Simplexverfahren

Berufliches Gymnasium (WG, EG, AG, SG) Hauptprüfung 2006 Teil 2, Lineare Optimierung, Aufgabe 2 Baden-Württemberg

10.2 Dualitätstheorie Operations Research. In der Standardform eines Maximierungsproblem: b e ) mit ( w) + a ej ) x j + x g = ( b g + g G

Optimierung. Optimierung. Vorlesung 8 Lineare Programmierung III: Simplex Algorithmus Fabian Kuhn

Klausurkolloquium. Musterlösung Produktionscontrolling: Lineare Programmierung

Simplex-Umformung für Dummies

x a 2n + + a mn

Fachakademie für Wirtschaft der FHM A2: Lineare Optimierung und das Simplexverfahren

8. Lineare Optimierung

OPERATIONS-RESEARCH (OR)

Lineare Optimierungsmodelle

Kap. 4.2: Simplex- Algorithmus

1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme. Duales Problem. a i u i + i=1. j=1

Aufgaben zu Kapitel 23

Probeklausur Optimierung

Dualitätssätze der linearen Optimierung

Operations Research. Die Simplexmethode. LP-Dualität. Die Simplexmethode. Rainer Schrader. 18. Juni Zur Erinnerung: Gliederung

Perlen der Informatik I Wintersemester 2012 Aufgabenblatt 7

Operations Research für Wirtschaftsinformatiker. Vorlesungsskript von Richard Mohr

Schranken für zulässige Lösungen

Studientag zur Algorithmischen Mathematik

Algorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck

Lineare Programmierung Teil I

Lineare Optimierung und Simplex-Algorithmus

Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 2. Vorlesung

Wiederholung. Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b

z = c T x : Ax = b, x 0 }, - die Darstellung der Nichtbasisvektoren durch die Basis ist

Kap. 4.3: Das Dualitätstheorem der linearen Optimierung

1 Der Simplex Algorithmus I

Rückwärts-Einsetzen. Bei einem linearen Gleichungssystem in oberer Dreiecksform, nacheinander bestimmt werden: r n,n x n = b n. = x n = b n /r n,n

Länge eines Vektors und Abstand von zwei Punkten 2. 4 = 6. Skalarprodukt und Winkel zwischen Vektoren

4. Dualität Dualität 4.1 Dualität von LPs und der Dualitätssatz. Die duale Form eines LP in allgemeiner Form. Herleitung der dualen Form

Sensitivitätsanalyse in der Linearen Optimierung

Kap. 4: Lineare Programmierung

Zielfunktion lineare Funktion Nebenbedingungen lineare Funktionen

Cramersche Regel. Satz Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei. A j := (a 1,...,a j 1,b,a j+1,...

Operations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung.

Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber

Optimierung für Wirtschaftsinformatiker: Lineare Programme

Zeilenstufenform eines Gleichungssystems

Lineare Algebra I (WS 12/13)

Lineare Algebra I (WS 12/13)

Optimierung für Nichtmathematiker

Lineare Optimierung. Master 1. Semester

Operations Research / Graphentheorie Inf. 1.1/ 1.2

Hamiltonsche Graphen

Mathematische Optimierung

Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7

Das Lösen linearer Gleichungssysteme

Berechnung von Abständen

3.2.5 Dualität der linearen Optimierung I

Hausarbeit Operations Research

Algorithmische Anwendungen

6. Softwarewerkzeuge für die Lineare Programmierung

Mathematik II für Wirtschaftswissenschaftler. Vorlesungsskript zur Vorlesung von Prof. Dr. C. Hesse

Kapitel 2: Lineare Optimierung

Produktionsplanung und Lineare Optimierung im Rahmen des Projekts Mathematik und Ökonomie 12./13. November 2003 in Düsseldorf.

Grundlagen der Optimierung. Übung 6

Lineare Optimierung Dantzig 1947

λ i x i λ i 0, x i X, nur endlich viele λ i 0}.

Die Verbindung von Linearer Programmierung und Graphentheorie

Einführung in die Lineare Programmierung

4 Lineare Optimierung

Lineare Differenzengleichungen

Inhaltsverzeichnis. 4 Praxisbeispiel 7

(Technisch: Setze alle Skalarprodukte der allgemeinen Lösung mit den Basisvektoren des Kerns gleich Null eindeutige leastsqares Lösung)

3 Elementare Umformung von linearen Gleichungssystemen und Matrizen

Lineare Gleichungssysteme (Teschl/Teschl 11.1)

4. Lösung linearer Gleichungssysteme

Methoden der linearen Optimierung

Einheitsmatrix E = , Nullmatrix O = c c Diagonalmatrix diag(c 1, c 2,..., c n ) = Rang

Lineare Gleichungssysteme - Grundlagen

Bonusmaterial Lineare Optimierung ideale Ausnutzung von Kapazitäten

1 Lineare Gleichungssysteme und Matrizen

Operations Research. Zürcher Hochschule für Angewandte Wissenschaften Richard Bödi

Bestimmung einer ersten

Transkript:

5 Lineare Programmierung Simplex-Algorithmus Der Simplex-Algorithmus Standardverfahren zur Lösung von LPs, von G B Dantzig entwickelt Grundidee: Versuche ausgehend von einer Startecke mit einer Ausgangsbasis durch Basisaustausch zu einer Ecke mit besserem Zielfunktionswert fortzuschreiten Da es nur endlich viele Ecken gibt, erhält man nach endlich vielen Schritten die optimale Lösung Einf ührung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 4/5 77

5 Lineare Programmierung Simplex-Algorithmus Beispiel 56 Wir bleiben beim Problem des Eisverkäufers und ordnen die Daten in einem Tableau an: x x 2 x x 4 x 5 b i x x 4 5 2 x 5 9 z 25 Die Strukturvariablen x, x 2 sind NBV, die Schlupfvariablen x, x 4, x 5 sind BV Die Werte der BV ergeben sich aus den Nebenbedingungsgleichungen, die durch die Zeilen des Tableaus repräsentiert werden Letzte Zeile ist Zielfunktionszeile, Zielfunktionswert ganz rechts Einf ührung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 4/5 78

5 Lineare Programmierung Simplex-Algorithmus Basisaustausch: x verspricht den größeren Zuwachs, x -Spalte ist die Pivotspalte x kann höchstens den Wert /5 = 6 annehmen, x 4 wird dann Null x 4 -Zeile ist die Pivotzeile Pivotspalte und Pivotzeile schneiden sich im Pivotelement, hier a 2 = 5 Die Pivotzeile entspricht der Gleichung 5x + 2x 2 + x 4 = Somit x = 6 2 5 x 2 5 x 4 Dies setzen wir in alle übrigen Gleichungen ein Für die erste Zeile erhalten wir ( 6 2 5 x 2 5 x 4) +x2 +x = Dies ergibt 5 x 2 + x 5 x 4 = 4 Die Pivotzeile wird zu x + 2 5 x 2 + 5 x 4 = 6 Die dritte Zeile bleibt unverändert, da x dort nicht auftritt Einf ührung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 4/5 79

5 Lineare Programmierung Simplex-Algorithmus Die Zielfunktionszeile wird zu (6 2 5 x 2 5 x 4) 25x 2 + z =, also x 2 + 6x 4 + z = 8 Das neue Tableau: x x 2 x x 4 x 5 b i x 4 5 5 2 x 5 5 6 x 5 9 z 6 8 Man dividiert also die Pivotzeile durch den Pivotwert Zu den übrigen Zeilen addiert man ein Vielfaches der Pivotzeile, so daß in der Pivotspalte Nullen entstehen Einf ührung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 4/5 8

5 Lineare Programmierung Simplex-Algorithmus Durch Vertauschen der Spalten für x und x 4 bringt man das Tableau wieder in die übliche Form: x 4 x 2 x x x 5 b i x 5 5 4 2 x 6 5 5 x 5 9 z 6 8 Die zugehörige Ecke ist 6 4 9 Einf ührung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 4/5 8

5 Lineare Programmierung Simplex-Algorithmus Der nächste Austauschschritt liefert das Tableau: Das heißt in der Ecke wird das Optimum mit z = 8 angenommen x 4 x x 2 x x 5 b i x 2 5 2 x 2 x 5 5 7 5 65 8 z 2 7 Einf ührung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 4/5 82

5 Lineare Programmierung Simplex-Algorithmus Algorithmus 5 [Simplexalgorithmus] Start: Es liege ein kanonisches Maximumproblem (b i, i =,, m) vor Ecke des Ausgangstableaus ist: x x n m x n m+ x n = b b m mit z = Schlupfvariablen sind BV, Strukturvariablen sind NBV Einf ührung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 4/5 8

5 Lineare Programmierung Simplex-Algorithmus Ausgangstableau: x x t x n m x n m+ x n m+s x n b i x n m+ a a t a,n m b x n m+s a s a s,n m b s x n a m a mt a m,n m b m z c c t c n m Wahl der Pivotspalte: Ist die Zielfunktionszeile von der Gestalt z d d t d n m d mit d j, (j =,, n m), so liegt eine Optimallösung vor Einf ührung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 4/5 84

5 Lineare Programmierung Simplex-Algorithmus Andernfalls mache man eine Spalte t mit negativem d j zur Pivotspalte und die NBV x t zur BV Wahl der Pivotzeile: Sind in der Pivotspalte alle a it, so wächst z unbeschränkt, da x t unbeschränkt wachsen kann Es gibt dann keine Optimallösung Andernfalls bestimme man eine Zeile s durch b s = min m i= b i a it für a it > Die NBV x t wird BV und bekommt den Wert b s Die bisherige BV x n m+s wird BV und nimmt den Wert an Einf ührung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 4/5 85

5 Lineare Programmierung Simplex-Algorithmus Austauschschritt: Das neue Tableau lautet: Linke Hälfte: x x t x n m a a t a s a,n m a t a s,n m a s a s,n m a m a mt a s a m,n m a mt a s,n m z d d t a s d n m d t a s,n m x n m+ x t x n Einf ührung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 4/5 86

5 Lineare Programmierung Simplex-Algorithmus Rechte Hälfte: x n m+ x n m+s x n b i a t b b s a t b s a mt b m b s a mt d t d b s d t Terminierung: Wenn alle Koeffizienten der Zielfunktionszeile nichtnegative Werte haben, beschreibt das Tableau eine optimale Ecke Rechts unten steht z max Einf ührung in die Graphentheorie FH Bonn-Rhein-Sieg, WS 4/5 87