PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE
|
|
- Alina Stefaniak
- 7 lat temu
- Przeglądów:
Transkrypt
1 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 1 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE Zadanie programowania liniowego w którym zmienne decyzyjne musz a przyjmować wartości całkowite nazywamy zadaniem programowania liniowego całkowitoliczbowego(krótko PLC). max(min)z = c 1 x 1 +c 2 x 2 + +c n x n a 11 x 1 +a 12 x 2 + +a 1n x n (,=)b 1... [Funkcjacelu] [Ograniczenie1] a m1 x 1 +a m2 x 2 + +a mn x n (,=)b m [Ograniczenie m] x 1 0,...,x r 0, r n x i całkowite, i = 1,...,n 1 (n 1 n). [Ograniczenianaznak] Jeśli n 1 = n,zagadnienienazywamyczystymzagadnieniem programowanialiniowego(pcl)natomiast,gdy n 1 < nzagadnienie nazywamy mieszanym(mcl).
2 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 2 P1-Zagadnienie rozkroju. Klient zamówił w tartaku 100 desek o szerokości2cm,150desekoszerokości3cmi80desekoszerokości 4 cm. Wszystkie zamawiane przez klientów deski są tej samej długości l. Deski wycinane s a ze standardowych desek o długości l i szerokości 10 cm. W jaki sposób zrealizować zamówienie aby ilość ciȩtych desek standardowych była minimalna? Poniższa tabela pokazuje wszystkie możliwe sposoby pociȩcia standardowej deski:
3 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 3 Sposób Ilość4cm Ilość3cm Ilość2cm Zmienne decyzyjne: x i -ilośćdesekciȩta i-tymsposobem i = 1,...,8.
4 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 4 Model: 8 i=1 x i min 2x 1 +x 2 +x 3 +x x 2 +x 3 +3x 5 +2x 6 +x [Deski4cm] [Deski3cm] x 1 +x 3 +3x 4 +2x 6 +3x 7 +5x [Deski2cm] x i 0, x i całkowite, i = 1,...,8
5 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 5 Zadanie w którym wszystkie zmienne decyzyjne musz a przyjmować wartość 0 lub 1 nazywamy zadaniem programowania 0-1. max(min)z = c 1 x 1 +c 2 x 2 + +c n x n [Funkcjacelu] a 11 x 1 +a 12 x 2 + +a 1n x n (,=)b 1 [Ograniczenie1]... a m1 x 1 +a m2 x 2 + +a mn x n (,=)b m [Ograniczenie m] x i {0,1}, i = 1,...,n
6 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 6 P2- Zagadnienie plecakowe. W magazynie znajduje siȩ 7 paczek. Każda paczka ma określon a wagȩ i wartość podan a w poniższej tabeli: Paczka Waga Wartość Samochód ma ładowność 15(czyli może zabrać ładunek o ł acznej wadze nie wiȩkszej niż 15). Które paczki ma zabrać samochód aby zmaksymalizować wartość ładunku?
7 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 7 Zmienne decyzyjne: x i {0,1}, x i = 1jeżelisamochódzabiera i-t apaczkȩi0w przeciwnymwypadku, i = 1,...,7. Model: maxz = 8x 1 +3x 2 +10x 3 +x 4 +9x 5 +11x 6 +2x 7 5x 1 +2x 2 +7x 3 +x 4 +6x 5 +8x 6 +2x 7 15 x i {0,1}, i = 1,...,7 [Ładownośćsamochodu]
8 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 8 Rozpatrzmy dodatkowe ograniczenia: Należy zabrać paczkȩ 2 lub 5. Należy zamodelować alternatywȩ x 2 = 1 x 5 = 1.Dodajemyograniczenie: x 2 +x 5 1 Nie wolno przewozić razem paczek 1 i 6. Należy zamodelować warunek (x 1 = 1 x 6 = 1) (x 1 = 0 x 6 = 0).Dodajemy ograniczenie: x 1 +x 6 1 Jeżeli zabieramy paczkȩ 3 to musimy zabrać również paczkȩ 4. Należyzamodelowaćimplikacjȩ x 3 = 1 x 4 = 1.Dodajemy ograniczenie: x 4 x 3
9 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 9 P3- Zagadnienie stałych kosztów. Firma tekstylna SZYK zamierzaprodukowaćtrzyprodukty: W 1,W 2 i W 3.Doprodukcji tych wyrobów potrzebne są trzy rodzaje maszyn, które firma zamierza wynająć. Wynajęcie maszyn do produkcji wyrobów W 1,W 2 i W 3 kosztujetygodniowoodpowiednio200,150i100zł. Zmiennekosztyprodukcjiszacujesięodpowiedniona6,4i8zł.za sztukęacenazbytuwynosiodpowiednio12,8i15zł.zaszt. Wyroby te produkuje się z materiału, którego tygodniowa dostawa nieprzekracza160 m 2 ajednostkowezużyciewynosiodpowiednio 4,3i4m 2.Ponadtozdolnościprodukcyjnefirmyogranicza zatrudnienie- dysponuje 150 roboczogodzinami tygodniowo. Pracochłonność wytwarzania jednej sztuki każdego wyrobu wynosi odpowiednio 3, 2 i 6 roboczogodzin. Firma chce opracować plan produkcji maksymalizujący zysk. Zmienne decyzyjne: x i -ilośćprodukowanegowyrobu W i i = 1,2,3. y i {0,1}, y i = 1jeżeliprodukujesięwyrób W i i = 1,2,3a0
10 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 10 w przeciwnym wypadku. Model: Funkcją celu jest zysk(dochód- koszt zmienny- koszt wynajmu maszyn) maxz = 12x 1 +8x 2 +15x 3 (6x 1 +4x 2 +8x 3 ) (200y y y 3 ) = 6x 1 +4x 2 +7x 3 200y 1 150y 2 100y 3 3x 1 +4x 2 +7x x 1 +3x 2 +4x x 1 M 1 y 1 (jeśli x 1 > 0to y 1 = 1) x 2 M 2 y 2 (jeśli x 2 > 0to y 2 = 1) x 3 M 3 y 3 (jeśli x 3 > 0to y 3 = 1) x 1,x 2,x 3 0całkowite; y 1,y 2,y 3 {0,1} Zograniczeńmamy,że M 1 = 40,M 2 = 53iM 3 = 25.Rozwiązanie optymalneto: z opt = 75,x 3 = 25,y 3 = 1.
11 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 11 P4- Zagadnienie pokrycia. W pewnym regionie znajduje siȩ sześć miast. Czasy przejazdu miȩdzy miastami(w minutach) podane s a w poniższej tabeli: Miasto1 Miasto2 Miasto3 Miasto4 Miasto5 Miasto6 Miasto Miasto Miasto Miasto Miasto W których miastach należy ulokować posterunki policji aby czas dojazdu do każdego miasta był nie dłuższy niż 15 minut? Chcemy zminimalizować liczbȩ wybudowanych posterunków.
12 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 12 Zmienne decyzyjne: Posterunek w mieście obsługuje miasta 1 1,2 2 1,2,6 3 3,4 4 3,4,5 5 4,5,6 6 2,5,6 x i {0,1}, x i = 1jeżelibudujemyposterunekwi-tymmieście i0wprzeciwnymprzypadku, i = 1,...,6.
13 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 13 Model: x 1 +x 2 +x 3 +x 4 +x 5 +x 6 min x 1 +x 2 1 x 1 +x 2 +x 6 1 x 3 +x 4 1 x 3 +x 4 +x 5 1 x 4 +x 5 +x 6 1 x 2 +x 5 +x 6 1 x i {0,1}, i = 1,...,6 [Należyobsłużyćmiasto1] [Należyobsłużyćmiasto2] [Należyobsłużyćmiasto3] [Należyobsłużyćmiasto4] [Należyobsłużyćmiasto5] [Należyobsłużyćmiasto6]
14 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 14 P4(cd P3)- zaawansowane modelowanie. Firma wytwarza 3 typy samochodów. Dane s a nastȩpuj ace: TYP1 TYP2 TYP3 Zużycie stali(t/szt) Wymagana praca(h/szt) Zysk($/szt.) Zapasstaliwynosi6000tadostȩpnapracawynosi60000godzin. Chcemy zmaksymalizować zysk. Zmienne decyzyjne: x i -liczbaprodukowanychsamochodów i-tegotypu, i = 1,...,3.
15 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 15 Model: 2000x x x 3 max 1.5x 1 +3x 2 +5x [Zużyciestali] 30x 1 +25x 2 +40x x 1,x 2,x 2 0icałkowite Rozpatrzmy nastȩpuj ace dodatkowe wymagania: [Zużyciepracy] 1. Produkcja mniej niż 1000 sztuk typu 1 jest nieopłacalna(należy produkować albo 0 albo co najmniej 1000 sztuk). Należy zamodelowaćalternatywȩ x 1 0 x Wprowadzamy zmienn abinarn a y 1 {0,1}idodajemydwaograniczenia: x 1 My x 1 M(1 y 1 ) gdzie Mjestduż aliczb a.jeżeli y 1 = 0to x 1 0.Jeżeli y 1 = 1
16 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 16 to 1000 x 1 0czyli x Wtensposóbjedenzdwóch warunków musi być spełniony. Uwaga: W ogólnym przypadku, jeśli chcemy zamodelować alternatywȩ: f(x 1,...,x n ) 0 g(x 1,...,x n ) 0 tj. chcemy aby przynajmniej jedno z dwóch ograniczeń było spełnione, to wymaganie to modelujemy wprowadzaj ac zmienn abinarn a δ {0,1}idodającdozbioruograniczeń modelu następujące dwa ograniczenia: f(x 1,...,x n ) Mδ g(x 1,...,x n ) M(1 δ), (1) gdzie M jest bardzo duż a liczb a dodatnią.
17 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład Jeżeliprodukcjatypu3przekroczy500szt.toprodukcjatypu2 nie może przekroczyć 100 szt. Chcemy zamodelować implikacjȩ (x 3 > 500) (x 2 100).Korzystamyzprawalogicznego (p q) ( p q).st ad (x 3 > 500) (x 2 100) (x 3 500) (x 2 100) Wprowadzamyzmienn abinarn a y 2 {0,1}idodajemy ograniczenia(zgodnie z(1)): x My 2 x M(1 y 2 ) gdzie Mjestjak aśbardzoduż aliczb a.jeżeli x 3 > 500toaby spełnićpierwszeograniczenimusizajść y 2 = 1.Wówczasz drugiegoograniczenieotrzymujemy x Jeżeli x to y 2 = 0iwartość x 2 możebyćdowolna.
18 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 18 Uwaga: W ogólnym przypadku, jeśli chcemy zamodelować implikacjȩ f(x 1,...,x n ) > 0 g(x 1,...,x n ) 0. to korzystamy z równoważnego warunku: f(x 1,...,x n ) 0 g(x 1,...,x n ) 0. i dodajemy ograniczenia zgodnie z(1). Jeżeli chcemy zamodelować implikacjȩ f(x 1,...,x n ) > 0 g(x 1,...,x n ) 0 to korzystamy z równoważnego warunku: f(x 1,...,x n ) 0 g(x 1,...,x n ) 0. i dodajemy do ograniczeń modelu następujące ograniczenia (zgodniez(1)):
19 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 19 f(x 1,...,x n ) Mδ g(x 1,...,x n ) M(1 δ) δ {0,1}.
20 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 20 Uwaga: Nieliniowe problemy binarne można sprowadzić do liniowych: Jeśli x j jestzmiennąbinarnąto x n j = x jdladowolnego n. Jeśliwmodeluwystępujenieliniowewyrażenie x i x j będące iloczynemdwóchzmiennychbinarnych x i oraz x j,to zastępujemy ten iloczyn nową zmienną binarną δ spełniającą następujący warunek: δ = 1 (x i = 1) (x j = 1). Spełnienie tego warunku wymusza dodanie do warunków modelu następującego układu nierówności: x i +δ 0 x j +δ 0 x i +x j δ 1.
21 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 21 Na przykład, jeśli w modelu wystąpi nieliniowe ograniczenie x 5 1 +x 3 x 5 0towprowadzamynowązmiennąbinarną y(= x 3 x 5 ) {0,1},ograniczenienieliniowezastępujemyliniowym x 1 +y 0idodajemydoograniczeńmodelutrzydodatkowe liniowe ograniczenia: x 3 +y 0 x 5 +y 0 x 3 +x 5 y 1.
22 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 22 P5- Zagadnienie komiwojażera TSP. Komiwojażer wyrusza z miasta, gdzie mieszka, ma odwiedzić klientów mieszkających w innych miastach i powrócic do domu. Problem polega na tym, aby wyznaczyć kolejność odwiedzania(dokładnie jeden raz) tych miast tak, aby łączna ilość przejechanych przez komiwojażera kilometrów była jak najmniejsza. Problem ten może być sformułowany jako zagadnienie programowania całkowitego następująco: Założymy,że miasta które ma odwiedzić komiwojażer są ponumerowane 1,2,...,n(miasto1jestmiejscemzamieszkaniakomiwojażera). Dowolne rozwiązanie problemu będziemy nazywać trasą. Zdefiniujemy 0 1zmiennedecyzyjne x ij następująco: 1 jeśli trasa przebiega od miasta i bezpośrednio do miasta j. x ij = 0 w przeciwnym przypadku. orazwprowadzimydodakowozmienneciągłe u i for i = 2,...,n. Zmienne u i mająnastępującąinterpretację: u i jestkolejnym
23 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 23 numerem miasta odwiedzanego przez komiwojażera na trasie zdefiniowanejprzezzmienne x ij.model: MinimizeZ = n j=1, j i n i=1, i j n c ij x ij (2) i j x ij = 1for i = 1,...,n. (3) x ij = 1for j = 1,...,n. (4) x ij {0,1} i,j = 1,...,n;i j. (5) u i u j +(n 1)x ij n 2for i,j = 2,...,n;i j. (6) 1 u i n 1fori=2,...,n. (7) Warunki(3) formułują wymaganie aby dokładnie jedno miasto było wizytowane bezposrednio po mieście i. Warunki(4), że przed miastem j musi być odwiedzone też dokładnie jedno miasto. Dodatkowe ograniczenia(6) eliminują możliwość występowania podcykli w
24 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 24 rozwiązaniu. Do rozwiązywania tego problemu opracowane wiele dokładnych i heurystycznych algorytmów. Metoda dokładna rozwiązywania zagadnienia komiwojażera( rozwiązywanie ciągu zadań PCL) Podamy teraz inną niż oszacowań i podziału metodę rozwiązywania zagadnienia komiwojażera. Polega ona na rozwiązaniu ciągu zagadnień PCL, w którym każde następne zagadnienie otrzymyjemy z poprzedniego dopisując dodatkowe ograniczenia eliminujące podcykle poprzednio uzyskanego rozwiązania. Zaczynamy od rozwiązania następującego zagadnienie PCL
25 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 25 (zagadnienie optymalnego przydziału): n c ij x ij = z max (8) i=1 n x ij = 1,dla i = 1,...,n, (9) j=1 n x ij = 1,dla j = 1,...,n, (10) i=1 x ij {0,1} dla i = 1,...,n, j = 1,...,n, i j. (11) Jeśli rozwiązanie optymalne tego zagadnienia nie zawiera podcykli, to jest ono również rozwiązaniem optymalnym zagadnienia komiwojażera. Jeśli natomiast zawiera podcykle(tj. cykle przechodzace przez mniej niż n wierzchołków) to dopisujemy ograniczenia- dla każdego podcyklu jedno- eliminujące te podcykle. Stosujemy następującą metodę eliminacji podcykli:
26 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 26 dodajemy ograniczenie, że suma zmiennych, które tworzą dany podcykl musi być nie większa niż liczba łuków tego podcyklu minus 1. Ponownie rozwiązujemy tak zmodyfikowane całkowitoliczbowe zagadnienie(ma teraz tyle dodatkowych ograniczeń ile było podcykli). Powyższe postępowanie kontynuujemy aż do otrzymania rozwiązanie nie zawierającego podcykli, które jest rozwiązaniem optymalnym. Działanie tej metody zilustrujemy na przykładzie zagadanienia komiwojażera o następującej macierzy odległości:
27 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład Tabela 1: Macierz odległości dla zagadnienia komiwojażera Rozwiązanie optymalne zagadnienia optymalnego przydziału jest następujace: x 13 = x 21 = x 32 = x 46 = x 54 = x 65 = 1 Zawiera ono dwa podcykle utworzone przez łuki (ij), dla których
28 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 28 x ij = 1:jedento ( )adrugi ( ). Eliminujemy je dodając dwa następujace ograniczenia: x 13 +x 32 +x 21 2 (12) x 46 +x 65 +x 54 2 (13) Rozwiązujemy teraz wyjściowy problem z dwoma dodatkowymi ograniczeniami(12 i 13). Rozwiązanie optymalne jest następujące: x 13 = x 24 = x 32 = x 41 = x 56 = x 65 = 1 Rozwiązanietozawieraznowudwapodcykle: ( ) oraz (5 6 5).Eliminujemyjedopisującdoograniczeń wyjściowego problemu oprócz(12, 13) dwa nowe: x 13 +x 32 +x 24 +x 41 3 (14) x 56 +x 65 1 (15)
29 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 29 Rozwiązaniem optymalnym tego zagadnienia jest: x 13 = x 26 = x 32 = x 41 = x 54 = x 65 = 1 co daje już optymalną trasę komiwojażera: ( ) o długości 346.
30 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 30 Metody heurystyczne rozwiązywania zagadnienia komiwojażera Konstrukcjitrasy Heurystyka najbliższego sasiada. Heurystyka najbliższego(najdalszego) wstawienia. Heurystyka najtańszego wstawienia Heurystyka CCAO Poprawianie trasy- Algorytm 2-optymalny.
31 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 31 Naiwne metody rozwi azywania zadania PLC. 1. Pomiń warunki całkowitoliczbowości, rozwi aż problem algorytmem sympleks i zaokr aglij wynik. Rozpatrzmy przykład: maxz = 21x 1 +11x 2 7x 1 +4x 2 13 x 1,x 2 0, x 1,x 2 całkowite
32 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 32 x x 1 Problem posiada 6 rozwi azań dopuszczalnych. S a to punkty (0,0),(0,1),(0,2),(0,3),(1,0)i(1,1).Funkcjaceluosi aga najwiȩksz a wartość w punkcie(0,3). Pomijaj ac warunki
33 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 33 całkowitoliczbowości otrzymujemy optymalny punkt(13/7,0). Zaokr aglaj ac wynik w górȩ otrzymujemy punkt(2,0), który jest niedopuszczalny. Zaokr aglaj ac wynik w dół otrzymujemy punkt (1, 0), który jest nieoptymalny. 2. Wygeneruj wszystkie rozwi azania dopuszczalne i wybierz najlepsze. Rozpatrzmy problem plecakowy: maxz = n i=1 c ix i n i=1 w ix i W x i {0,1}, i = 1...n Wproblemietymnależywygenerowaćisprawdzić 2 n rozwi azań. Załóżmy, że jedno rozwi azanie można sprawdzić w czasie 10 6 s.wówczasdla n = 50czasobliczeńwyniesieok. 35latadla n = 60czastenwyniesieok.36558lat.Algorytmy pełnego przegl adu s a wiȩc bardzo nieefektywne.
34 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 34 Uwaga: Dla ogólnego zadania PLC nie jest znany efektywny algorytm(wszystkie znane algorytmy mog a działać bardzo długo dla pewnych niedużych problemów) ALGORYTM PODZIAŁU I OGRANICZEŃ Zadanie PL otrzymane z PLC przez usuniȩcie warunków całkowitoliczbowości nazywamy relaksacj a PLC. Przykładowy problem i jego relaksacja: maxz = 21x 1 +11x 2 7x 1 +4x 2 13 x 1,x 2 0 x 1,x 2 całkowite maxz R = 21x 1 +11x 2 7x 1 +4x 2 13 x 1,x 2 0 Wprowadzamy oznaczenia: z -maksymalnawartośćfunkcjiceluplc
35 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 35 z R -maksymalnawartośćfunkcjiceluodpowiedniejrelaksacji PLC. Własność:Zachodzizawszewarunek z R z,czylirelaksacja określa górne ograniczenie na wartość funkcji celu w PLC. Relaksacjȩ można rozwi azać algorytmem sympleks. Na pojȩciu relaksacji opiera siȩ algorytm podziału i ograniczeń. Przykład. Rozwi azać problem: maxz = 8x 1 +5x 2 6x 1 +10x x 1 +5x 2 45 x 1,x 2 0, x 1,x 2 całkowite Zaczynamy od rozwi azania relaksacji(np. algorytmem sympleks
36 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 36 albometod agraficzn a).otrzymujemy x 1 = 3.75, x 2 = 2.25, z R = x (3.75,2.25) x 1 Otrzymane rozwi azanie jest niedopuszczalne ponieważ zmienne s a niecałkowite. Wybieramy zmienn a niecałkowit a z wiȩkszym współczynnikiemfunkcjiceluczyli x 1.Dokonujemypodziału
37 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 37 zmiennej x 1 irozpatrujemydwapodproblemy:
38 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład x 1 = 3.75,x 2 = 2.25 x 1 3 z R = x 1 4 x 1 = 3,x 2 = z R = 37.5 x 1 = 4,x 2 = 1.8 z R = (3,2.7) (4,1.8)
39 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 39 Rozwi azania obu podproblemów s a niedopuszczalne(tzn. nie są całkowite). Wybieramy podproblem, dla którego relaksacja daje wiȩkszegórneoszacowaniemczylipodproblem2.zmienna x 2 jest niecałkowita.dokonujemywiȩcpodziału x 2 itworzymydwa podproblemy 3 i 4. Podproblem 4 jest sprzeczny- odpowiadaj acy mu wierzchołek zamykamy(nie dzielimy dalej).
40 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład x 1 = 3.75,x 2 = 2.25 x 1 3 z R = x 1 4 x 1 = 3,x 2 = x 1 = 4,x 2 = 1.8 z zr R = 37.5 = 41 x 2 1 x 2 2 x 1 = 4.44,x 2 = z R = model sprzeczny Wybieramy otwarty podproblem z najwiȩkszym górnym oszacowaniem,czylipodproblem3.zmienna x 1 jestniecałkowita. Dokonujemywiȩcpodziału x 1 itworzymypodproblemy5i6. Rozwi azuj ac oba podproblemy otrzymujemy optymalne rozwi azania całkowite. Odpowiadaj ace im wierzchołki zamykamy. Wtymmomencieznamydopuszczalnerozwi azanie x 1 = 5, x 2 = 0
41 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 41 o wartości funkcji celu równej 40. Musimy jeszcze zbadać otwarty podproblem 1. Ponieważ górne ograniczenie w tym podproblemie jestrówne 37.5 < 40,topodproblem1niemożezawierać rozwi azanialepszegoniżrozwi azanie x 1 = 5, x 2 = 0.Wierzchołek odpowiadaj acy podproblemowi 1 zamykamy. W tym momencie wszystkie wierzchołki s a zamlniȩte i optymalnym rozwi azaniem jest x 1 = 5, x 2 = 0.
42 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład x 1 = 3.75,x 2 = 2.25 x 1 3 z R = x 1 4 x 1 = 3,x 2 = x 1 = 4,x 2 = 1.8 z zr R = 37.5 = 41 x 2 1 x 2 2 x 1 = 4.44,x 2 = z R = x 1 4 x 1 5 model sprzeczny x 1 = 4,x 2 = 1 x 1 = 5,x 2 = 0 zr = 37 zr = Przykład. Rozwi azać problem:
43 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 43 maxz = 2x 1 +x 2 5x 1 +2x 2 8 x 1 +x 2 3 x 1,x 2 0, x 1 całkowite Powyższy problem jest tzw. problemem mieszanym(tylko niektóre zmiennemusz abyćcałkowite.należydzielićtylkozmienn a x 1. Drzewo podziału i ograniczeń wygl ada nastȩpuj aco: 0 x 1 = 2/3,x 2 = 7/3 x 1 0 z R = 11 x 1 1 x 1 = 0,x 2 = 3 x 1 = 1,x 2 = 3/2 1 2 zr = 3 zr = 7/2 Optymalne rozwi azanie znajduje siȩ w wierzchołku 2. Jest to
44 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 44 rozwi azanie x 1 = 1, x 2 = 3/2owartościfunkcjicelu z = 7/2. Wierzchołek(podproblem) k zamykamy jeżeli: 1. Rozwi azenie relaksacji w k jest dopuszczalne(odpowiednie zmienne s a całkowite). 2. Relaksacja w k jest sprzeczna. 3. Znaleziono wcześniej rozwi azanie dopuszczalne dla którego wartośćfukcjicelujestniemniejszaod z R w k.
45 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 45 Algorytm podziału i ograniczeń dla problemu plecakowego Rozpatrujemy nastȩpuj acy problem: maxz = n i=1 c ix i n i=1 w ix i W x i {0,1}, i = 1...n gdzie c i -cena i-tegoprzedmiotu, w i -waga i-tegoprzedmiotu, W- pojemność plecaka. Przykład. Rozwi azać problem: maxz = 5x 1 +3x 2 +6x 3 +6x 4 +2x 5 5x 1 +4x 2 +7x 3 +6x 4 +2x 5 15, x 1,..,x 5 {0,1}
46 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 46 Relaksacj a powyższego problemu jest nastȩpuj acy problem: maxz R = 5x 1 +3x 2 +6x 3 +6x 4 +2x 5 5x 1 +4x 2 +7x 3 +6x 4 +2x 5 15, 0 x i 1, i = 1,...,5 Relaksacjȩ rozwi azujemy za pomoc a nastȩpuj acego algorytmu zachłannego: i c i w i c i /w i / / Ładujemyprzedmiotywkolejnościilorazów c i /w i zaczynaj acod
47 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 47 najwiȩkszego. Pocz atkowa wolna pojemność plecaka W = 15. Dodajemy cały przedmiot 1(W = 10), dodajemy cały przedmiot 4 (W = 4),dodajemycałyprzedmiot5(W = 2),dodajemy 2/7 przedmiotu3(w = 0).Otrzymujemyrozwi azanie x 1 = 1, x 2 = 0, x 3 = 2/7, x 4 = 1, x 5 = 1iz R = Rozwi azanietojest niedopuszczalne.wybieramyzmienn aniecałkowit a x 3 i rozpatrujemy dwa podproblemy(dokonujemy podziału): 1.Ustawiamy x 3 = 0czylirozpatrujemyrelaksacjȩbez przedmiotu 3. maxz R = 5x 1 +3x 2 +6x 4 +2x 5 5x 1 +4x 2 +6x 4 +2x 5 15, 0 x i 1, i = 1,2,4,5 Otrzymujemyrozwi azanie: x 1 = 1, x 2 = 1 2, x 3 = 0, x 4 = 1, x 5 = 1iz R =
48 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład Ustawiamy x 3 = 1czyliwkładamyprzedmiot3doplecakai pozostałe przedmioty dodajemy zachłannie. maxz R = 5x 1 +3x x 4 +2x 5 5x 1 +4x 2 +6x 4 +2x 5 8, 0 x i 1, i = 1,2,4,5 Otrzymujemyrozwi azanie: x 1 = 1, x 2 = 0, x 3 = 1, x 4 = 1 2, x 5 = 0iz R = 14. Oba podproblemy s a niedopuszczalne. Wybieramy podproblem o lepszym oszacowaniu(relaksacji) czyli podproblem 1 i dzielimy dalej. Pełne drzewo podziału i ograniczeń pokazane jest na poniższym rysunku:
49 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład z R = (1,0, 2 7,1,1) x 3 = 0 x 3 = 1 1 zr = 141 z 2 R 2 = 14 (1, 1 2,0,1,1) (1,0,1, 1 2,0,) x 2 = 0 x 2 = 1 x 4 = 0 x 4 = zr 3 = 13 zr 4 = 14 zr 5 = 133 z 4 R 6 = 14 (1,0,0,1,1) (1,1,0,1,0) (1, 1 4,1,0,1) ( 2 5,0,1,1 Wierzchołki 5 i 6 zamykamy ponieważ w wierzchołku 4 znaleziono dopuszczalne rozwi azanie o wartości niemniejszej niż górne
50 Adam Kasperski, Michał Kulej Badania Operacyjne Wykład 3 50 oszacowanie w 5 i 6. Optymalne rozwi azanie odczytujemy w wierzchołku 4, czyli zabieramy przedmioty 1, 2 i 4. Rozwiązywanie zagadnienia komiwojażera- metoda eliminacji podcykli dla modelu PLC
Adam Kasperski, Michał Kulej, Badania Operacyjne, Wykład 3, Programowanie całkowite(plc)1 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE(DYSKRET- NE)
Adam Kasperski, Michał Kulej, Badania Operacyjne, Wykład 3, Programowanie całkowite(plc)1 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE(DYSKRET- NE) Zadanie programowania liniowego w którym zmienne decyzyjne
Bardziej szczegółowoProgramowanie liniowe całkowitoliczbowe
Programowanie liniowe całkowitoliczbowe Jeżeli w zadaniu programowania liniowego pewne (lub wszystkie) zmienne musza przyjmować wartości całkowite, to takie zadanie nazywamy zadaniem programowania liniowego
Bardziej szczegółowoProgramowanie liniowe całkowitoliczbowe
Programowanie liniowe całkowitoliczbowe Jeżeli w zadaniu programowania liniowego pewne (lub wszystkie) zmienne musza przyjmować wartości całkowite, to takie zadanie nazywamy zadaniem programowania liniowego
Bardziej szczegółowoModele całkowitoliczbowe zagadnienia komiwojażera (TSP)
& Zagadnienie komowojażera 1 Modele całkowitoliczbowe zagadnienia komiwojażera (TSP) Danych jest miast oraz macierz odległości pomiędzy każdą parą miast. Komiwojażer wyjeżdża z miasta o numerze 1 chce
Bardziej szczegółowozadaniem programowania liniowego całkowitoliczbowego. nazywamy zadaniem programowania liniowego 0-1. Zatem, w
Sformułowanie problemu Zastosowania Programowanie liniowe całkowitoliczbowe Jeżeli w zadaniu programowania liniowego pewne (lub wszystkie) zmienne musza przyjmować wartości całkowite, to takie zadanie
Bardziej szczegółowoModelowanie całkowitoliczbowe
1 Modelowanie całkowitoliczbowe Zmienne binarne P 1 Firma CMC rozważa budowę nowej fabryki w miejscowości A lub B lub w obu tych miejscowościach. Bierze również pod uwagę budowę co najwyżej jednej hurtowni
Bardziej szczegółowo1 Programowanie całkowitoliczbowe PLC
Metody optymalizacji, wykład nr 9 Paweł Zieliński Programowanie całkowitoliczbowe PLC Literatura [] S.P. Bradley, A.C. Hax, T. L. Magnanti Applied Mathematical Programming Addison-Wesley Pub. Co. (Reading,
Bardziej szczegółowoZAGADNIENIE DUALNE Rozważmy zagadnienie liniowe(zagadnienie to nazywamy prymalnym) o postaci kanonicznej:
A Kasperski, M Kulej Badania Operacyjne- programowanie liniowe 1 ZAGADNIENIE DUALNE Rozważmy zagadnienie liniowe(zagadnienie to nazywamy prymalnym) o postaci kanonicznej: max z = c 1 x 1 + c 2 x 2 + +
Bardziej szczegółowoA. Kasperski, M. Kulej Badania Operacyjne- metoda sympleks 1
A. Kasperski, M. Kulej Badania Operacyjne- metoda sympleks 1 ALGORYTM SYMPLEKS Model liniowy nazywamy modelem w postaci standardowej jeżeli wszystkie ograniczenia s a w postaci równości i wszystkie zmienne
Bardziej szczegółowoetody programowania całkowitoliczboweg
etody programowania całkowitoliczboweg Wyróżnia się trzy podejścia do rozwiazywania zagadnień programowania całkowitoliczbowego metody przegladu pośredniego (niebezpośredniego), m.in. metody podziału i
Bardziej szczegółowoProgramowanie liniowe całkowitoliczbowe. Tadeusz Trzaskalik
Programowanie liniowe całkowitoliczbowe Tadeusz Trzaskalik .. Wprowadzenie Słowa kluczowe Rozwiązanie całkowitoliczbowe Założenie podzielności Warunki całkowitoliczbowości Czyste zadanie programowania
Bardziej szczegółowoOPTYMALIZACJA DYSKRETNA
Temat nr a: odelowanie problemów decyzyjnych, c.d. OPTYALIZACJA DYSKRETA Zagadnienia decyzyjne, w których chociaż jedna zmienna decyzyjna przyjmuje wartości dyskretne (całkowitoliczbowe), nazywamy dyskretnymi
Bardziej szczegółowoDefinicja problemu programowania matematycznego
Definicja problemu programowania matematycznego minimalizacja lub maksymalizacja funkcji min (max) f(x) gdzie: x 1 x R n x 2, czyli: x = [ ] x n przy ograniczeniach (w skrócie: p.o.) p.o. g i (x) = b i
Bardziej szczegółowoBadania Operacyjne Ćwiczenia nr 5 (Materiały)
ZADANIE 1 Zakład produkuje trzy rodzaje papieru: standardowy do kserokopiarek i drukarek laserowych (S), fotograficzny (F) oraz nabłyszczany do drukarek atramentowych (N). Każdy z rodzajów papieru wymaga
Bardziej szczegółowoZadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik
Zadanie transportowe i problem komiwojażera Tadeusz Trzaskalik 3.. Wprowadzenie Słowa kluczowe Zbilansowane zadanie transportowe Rozwiązanie początkowe Metoda minimalnego elementu macierzy kosztów Metoda
Bardziej szczegółowoA. Kasperski, M. Kulej, Badania operacyjne, Wykład 4, Zagadnienie transportowe1
A. Kasperski, M. Kulej, Badania operacyjne, Wykład 4, Zagadnienie transportowe ZAGADNIENIE TRANSPORTOWE(ZT) Danychjest pdostawców,którychpodażwynosi a,a 2,...,a p i qodbiorców, którychpopytwynosi b,b 2,...,b
Bardziej szczegółowoSchemat programowania dynamicznego (ang. dynamic programming)
Schemat programowania dynamicznego (ang. dynamic programming) Jest jedną z metod rozwiązywania problemów optymalizacyjnych. Jej twórcą (1957) był amerykański matematyk Richard Ernest Bellman. Schemat ten
Bardziej szczegółowoSieć (graf skierowany)
Sieci Sieć (graf skierowany) Siecia (grafem skierowanym) G = (V, A) nazywamy zbiór wierzchołków V oraz zbiór łuków A V V. V = {A, B, C, D, E, F}, A = {(A, B), (A, D), (A, C), (B, C),..., } Ścieżki i cykle
Bardziej szczegółowoModele i narzędzia optymalizacji w systemach informatycznych zarządzania
Politechnika Poznańska Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Joanna Józefowska POZNAŃ 2010/11 Spis treści Rozdział 1. Metoda programowania dynamicznego........... 5
Bardziej szczegółowoProgramowanie liniowe
Badania operacyjne Problem Model matematyczny Metoda rozwiązania Znaleźć optymalny program produkcji. Zmaksymalizować 1 +3 2 2 3 (1) Przy ograniczeniach 3 1 2 +2 3 7 (2) 2 1 +4 2 12 (3) 4 1 +3 2 +8 3 10
Bardziej szczegółowoWybrane podstawowe rodzaje algorytmów
Wybrane podstawowe rodzaje algorytmów Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych
Bardziej szczegółowo) a j x j b; x j binarne (j N) całkowitoliczbowe; przyjmujemy (bez straty ogólności): c j > 0, 0 <a j b (j N), P n
PDczęść4 8. Zagadnienia załadunku 8.1 Klasyczne zagadnienia załadunku (ozn. N = {1, 2,..., n} Binarny problem ( (Z v(z =max c j x j : a j x j b; x j binarne (j N zakładamy, że wszystkie dane sa całkowitoliczbowe;
Bardziej szczegółowoMetody Numeryczne Wykład 4 Wykład 5. Interpolacja wielomianowa
Sformułowanie zadania interpolacji Metody Numeryczne Wykład 4 Wykład 5 Interpolacja wielomianowa Niech D R i niech F bȩdzie pewnym zbiorem funkcji f : D R. Niech x 0, x 1,..., x n bȩdzie ustalonym zbiorem
Bardziej szczegółowoZAGADNIENIE TRANSPORTOWE(ZT)
A. Kasperski, M. Kulej BO Zagadnienie transportowe 1 ZAGADNIENIE TRANSPORTOWE(ZT) Danychjest pdostawców,którychpodażwynosi a 1, a 2,...,a p i q odbiorców,którychpopytwynosi b 1, b 2,...,b q.zakładamy,że
Bardziej szczegółowoProgramowanie dynamiczne i algorytmy zachłanne
Programowanie dynamiczne i algorytmy zachłanne Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii
Bardziej szczegółowoMETODA SYMPLEKS. Maciej Patan. Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski
METODA SYMPLEKS Maciej Patan Uniwersytet Zielonogórski WSTĘP Algorytm Sympleks najpotężniejsza metoda rozwiązywania programów liniowych Metoda generuje ciąg dopuszczalnych rozwiązań x k w taki sposób,
Bardziej szczegółowoMetoda Simplex bez użycia tabel simplex 29 kwietnia 2010
R. Rȩbowski 1 WPROWADZENIE Metoda Simplex bez użycia tabel simplex 29 kwietnia 2010 1 Wprowadzenie Powszechnie uważa siȩ, że metoda simplex, jako uniwersalny algorytm pozwalaj acyznaleźć rozwi azanie optymalne
Bardziej szczegółowoA. Kasperski, M. Kulej Badania Operacyjne- programowanie liniowe 1
A. Kasperski, M. Kulej Badania Operacyjne- programowanie liniowe ZAGADNIENIE DUALNE Z każdym zagadnieniem liniowym związane jest inne zagadnienie nazywane dualnym. Podamy teraz teraz jak budować zagadnienie
Bardziej szczegółowoZAGADNIENIE TRANSPORTOWE
ZAGADNIENIE TRANSPORTOWE ZT jest specyficznym problemem z zakresu zastosowań programowania liniowego. ZT wykorzystuje się najczęściej do: optymalnego planowania transportu towarów, przy minimalizacji kosztów,
Bardziej szczegółowoOPTYMALIZACJA W LOGISTYCE
OPTYMALIZACJA W LOGISTYCE Zagadnienie przydziału dr Zbigniew Karwacki Katedra Badań Operacyjnych UŁ Zagadnienie przydziału 1 Można wyodrębnić kilka grup problemów, których zadaniem jest alokacja szeroko
Bardziej szczegółowoWstęp do programowania
Wstęp do programowania Algorytmy zachłanne, programowanie dynamiczne Paweł Daniluk Wydział Fizyki Jesień 2014 P. Daniluk(Wydział Fizyki) WP w. IX Jesień 2014 1 / 26 Algorytmy zachłanne Strategia polegająca
Bardziej szczegółowoWykład z modelowania matematycznego. Zagadnienie transportowe.
Wykład z modelowania matematycznego. Zagadnienie transportowe. 1 Zagadnienie transportowe zostało sformułowane w 1941 przez F.L.Hitchcocka. Metoda rozwiązania tego zagadnienia zwana algorytmem transportowymópracowana
Bardziej szczegółowoAlgorytmy i struktury danych.
Algorytmy i struktury danych. Wykład 4 Krzysztof M. Ocetkiewicz Krzysztof.Ocetkiewicz@eti.pg.gda.pl Katedra Algorytmów i Modelowania Systemów, WETI, PG Problem plecakowy mamy plecak o określonej pojemności
Bardziej szczegółowoOptymalizacja. Algorytmy dokładne
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Organizacja zbioru rozwiązań w problemie SAT Wielokrotny podział na dwia podzbiory: x 1 = T, x 1
Bardziej szczegółowoPROGRAMOWANIE CAŁKOWITOLICZBOWE
PROGRAMOWANIE CAŁKOWITOLICZBOWE METODA PODZIAŁU I OGRANICZEŃ Przykład 6. Metoda podziału i ograniczeń Rozwiązać zadanie z Przykładu 1. metodą podziału i ograniczeń, przy czym wielkość produkcji wyrobu
Bardziej szczegółowoProgramowanie dynamiczne cz. 2
Programowanie dynamiczne cz. 2 Wykład 7 16 kwietnia 2019 (Wykład 7) Programowanie dynamiczne cz. 2 16 kwietnia 2019 1 / 19 Outline 1 Mnożenie ciągu macierzy Konstruowanie optymalnego rozwiązania 2 Podstawy
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Maciej Drwal maciej.drwal@pwr.wroc.pl 1 Problem programowania liniowego min x c T x (1) Ax b, (2) x 0. (3) gdzie A R m n, c R n, b R m. Oznaczmy przez x rozwiązanie optymalne, tzn.
Bardziej szczegółowoMetoda graficzna może być stosowana w przypadku gdy model zawiera dwie zmienne decyzyjne. Metoda składa się z dwóch kroków (zobacz pierwszy wykład):
może być stosowana w przypadku gdy model zawiera dwie zmienne decyzyjne. Metoda składa się z dwóch kroków (zobacz pierwszy wykład): 1 Narysuj na płaszczyźnie zbiór dopuszczalnych rozwiazań. 2 Narysuj funkcję
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 7 Programowanie nieliniowe i całkowitoliczbowe
Spis treści Elementy Modelowania Matematycznego Wykład 7 i całkowitoliczbowe Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp 2 3 Spis treści Spis treści 1 Wstęp
Bardziej szczegółowoOptymalizacja. Algorytmy dokładne
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Maciej Hapke Organizacja zbioru rozwiązań w problemie SAT Wielokrotny podział na dwia podzbiory: x 1 = T, x 1
Bardziej szczegółowoElementy Modelowania Matematycznego
Elementy Modelowania Matematycznego Wykład 6 Metoda simpleks Spis treści Wstęp Zadanie programowania liniowego Wstęp Omówimy algorytm simpleksowy, inaczej metodę simpleks(ów). Jest to stosowana w matematyce
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 7. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 7 Prof. dr hab. inż. Jan Magott Problemy NP-zupełne Transformacją wielomianową problemu π 2 do problemu π 1 (π 2 π 1 ) jest funkcja f: D π2 D π1 spełniająca
Bardziej szczegółowoMATEMATYKA REPREZENTACJA LICZB W KOMPUTERZE
1 SZKO LA PODSTAWOWA HELIANTUS 02-892 WARSZAWA ul. BAŻANCIA 16 B l ad bezwzglȩdny zaokr aglenia liczby ɛ = fl() B l ad wzglȩdny zaokr aglenia liczby 0 δ = fl() B l ad procentowy zaokr aglenia liczby 0
Bardziej szczegółowoMetody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 4 BADANIA OPERACYJNE dr inż. Maciej Wolny AGENDA I. Badania operacyjne podstawowe definicje II. Metodologia badań operacyjnych III. Wybrane zagadnienia badań operacyjnych
Bardziej szczegółowoKlasyczne zagadnienie przydziału
Klasyczne zagadnienie przydziału Można wyodrębnić kilka grup problemów, w których zadaniem jest odpowiednie rozmieszczenie posiadanych zasobów. Najprostszy problem tej grupy nazywamy klasycznym zagadnieniem
Bardziej szczegółowoProgramowanie nieliniowe
Rozdział 5 Programowanie nieliniowe Programowanie liniowe ma zastosowanie w wielu sytuacjach decyzyjnych, jednak często zdarza się, że zależności zachodzących między zmiennymi nie można wyrazić za pomocą
Bardziej szczegółowoTemat: Algorytmy zachłanne
Temat: Algorytmy zachłanne Algorytm zachłanny ( ang. greedy algorithm) wykonuje zawsze działanie, które wydaje się w danej chwili najkorzystniejsze. Wybiera zatem lokalnie optymalną możliwość w nadziei,
Bardziej szczegółowo[1] E. M. Reingold, J. Nievergelt, N. Deo Algorytmy kombinatoryczne PWN, 1985.
Metody optymalizacji, wykład nr 10 Paweł Zieliński 1 Literatura [1] E. M. Reingold, J. Nievergelt, N. Deo Algorytmy kombinatoryczne PWN, 1985. [2] R.S. Garfinkel, G.L. Nemhauser Programowanie całkowitoliczbowe
Bardziej szczegółowodoc. dr Beata Pułska-Turyna Zarządzanie B506 mail: mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505.
doc. dr Beata Pułska-Turyna Zakład Badań Operacyjnych Zarządzanie B506 mail: turynab@wz.uw.edu.pl mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505. Tel.: (22)55 34 144 Mail: student@pgadecki.pl
Bardziej szczegółowo1 Przykładowe klasy zagadnień liniowych
& " 1 PRZYKŁADOWE KLASY ZAGADNIEŃ LINIOWYCH 1 1 Przykładowe klasy zagadnień liniowych Liniowy model produkcji Zakład może prowadzić rodzajów działalności np. produkować różnych wyrobów). Do prowadzenia
Bardziej szczegółowo[1] R. K. Ahuja, T. L. Magnanti, J. B. Orlin, Network Flows: Theory, Algorithms, and Applications, Prentice Hall, 1993.
Metody optymalizacji, wykład nr 11 Paweł Zieliński 1 1 Relaksacja Lagrange a Literatura [1] R. K. Ahuja, T. L. Magnanti, J. B. Orlin, Network Flows: Theory, Algorithms, and Applications, Prentice Hall,
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Dokładne algorytmy optymalizacji Maciej Hapke maciej.hapke at put.poznan.pl Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem minimalizacji
Bardziej szczegółowoIwona Konarzewska Programowanie celowe - wprowadzenie. Katedra Badań Operacyjnych UŁ
1 Iwona Konarzewska Programowanie celowe - wprowadzenie Katedra Badań Operacyjnych UŁ 2 Programowanie celowe W praktycznych sytuacjach podejmowania decyzji często występuje kilka celów. Problem pojawia
Bardziej szczegółowoTOZ -Techniki optymalizacji w zarządzaniu
TOZ -Techniki optymalizacji w zarządzaniu Wykład dla studentów II roku studiów II stopnia na kierunku Zarządzanie Semestr zimowy 2009/2010 Wykładowca: prof. dr hab. inż. Michał Inkielman Wykład 2 Optymalizacja
Bardziej szczegółowoPrzykład wykorzystania dodatku SOLVER 1 w arkuszu Excel do rozwiązywania zadań programowania matematycznego
Przykład wykorzystania dodatku SOLVER 1 w arkuszu Ecel do rozwiązywania zadań programowania matematycznego Firma produkująca samochody zaciągnęła kredyt inwestycyjny w wysokości mln zł na zainstalowanie
Bardziej szczegółowoStandardowe zadanie programowania liniowego. Gliwice 1
Standardowe zadanie programowania liniowego 1 Standardowe zadanie programowania liniowego Rozważamy proces, w którym zmiennymi są x 1, x 2,, x n. Proces poddany jest m ograniczeniom, zapisanymi w postaci
Bardziej szczegółowoPlan wykładu. Przykład. Przykład 3/19/2011. Przykład zagadnienia transportowego. Optymalizacja w procesach biznesowych Wykład 2 DECYZJA?
/9/ Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład --9 Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów
Bardziej szczegółowoAlgebra liniowa. Macierze i układy równań liniowych
Algebra liniowa Macierze i układy równań liniowych Własności wyznaczników det I = 1, det(ab) = det A det B, det(a T ) = det A. Macierz nieosobliwa Niech A będzie macierzą kwadratową wymiaru n n. Mówimy,
Bardziej szczegółowoBadania operacyjne. te praktyczne pytania, na które inne metody dają odpowiedzi jeszcze gorsze.
BADANIA OPERACYJNE Badania operacyjne Badania operacyjne są sztuką dawania złych odpowiedzi na te praktyczne pytania, na które inne metody dają odpowiedzi jeszcze gorsze. T. Sayty 2 Standardowe zadanie
Bardziej szczegółowoBadania operacyjne. Dr hab. inż. Adam Kasperski, prof. PWr. Pokój 509, budynek B4 adam.kasperski@pwr.edu.pl Materiały do zajęć dostępne na stronie:
Badania operacyjne Dr hab. inż. Adam Kasperski, prof. PWr. Pokój 509, budynek B4 adam.kasperski@pwr.edu.pl Materiały do zajęć dostępne na stronie: www.ioz.pwr.wroc.pl/pracownicy/kasperski Forma zaliczenia
Bardziej szczegółowoZAGADNIENIE TRANSPORTOWE
ZAGADNENE TRANSPORTOWE Definicja: Program liniowy to model, w którym warunki ograniczające oraz funkcja celu są funkcjami liniowymi. W skład każdego programu liniowego wchodzą: zmienne decyzyjne, ograniczenia
Bardziej szczegółowoWydział Matematyki I Informatyki ul. Słoneczna Olsztyn
Klucz Napisać program sprawdzający czy dany klucz pasuje do danego zamka. Dziurka w zamku reprezentowana jest w postaci tablicy zero-jedynkowej i jest spójna. Klucz zakodowany jest jako ciąg par liczb
Bardziej szczegółowoUkłady równań i nierówności liniowych
Układy równań i nierówności liniowych Wiesław Krakowiak 1 grudnia 2010 1 Układy równań liniowych DEFINICJA 11 Układem równań m liniowych o n niewiadomych X 1,, X n, nazywamy układ postaci: a 11 X 1 + +
Bardziej szczegółowoBadania operacyjne egzamin
Imię i nazwisko:................................................... Nr indeksu:............ Zadanie 1 Załóżmy, że Tablica 1 reprezentuje jeden z kroków algorytmu sympleks dla problemu (1)-(4). Tablica
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2010 Mirosław Sobolewski (UW) Warszawa, 2009 1 / 15 Homo oeconomicus=
Bardziej szczegółowoEGZAMIN - Wersja A. ALGORYTMY I STRUKTURY DANYCH Lisek89 opracowanie kartki od Pani dr E. Koszelew
1. ( pkt) Dany jest algorytm, który dla dowolnej liczby naturalnej n, powinien wyznaczyd sumę kolejnych liczb naturalnych mniejszych od n. Wynik algorytmu jest zapisany w zmiennej suma. Algorytm i=1; suma=0;
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2015 Mirosław Sobolewski (UW) Warszawa, 2015 1 / 16 Homo oeconomicus=
Bardziej szczegółowoPrzykłady problemów optymalizacyjnych
Przykłady problemów optymalizacyjnych NAJKRÓTSZA ŚCIEŻKA W zadanym grafie G = (V, A) wyznacz najkrótsza ścieżkę od wierzchołka s do wierzchołka t. 2 7 5 5 3 9 5 s 8 3 1 t 2 2 5 5 1 5 4 Przykłady problemów
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 3 autorzy: A. Gonczarek, J.M. Tomczak Zbiory i funkcje wypukłe Zad. 1 Pokazać, że następujące zbiory są wypukłe: a) płaszczyzna S = {x
Bardziej szczegółowoPolitechnika Wrocławska, Wydział Informatyki i Zarządzania. Optymalizacja
Politechnika Wrocławska, Wydział Informatyki i Zarządzania Optymalizacja Dla podanych niżej problemów decyzyjnych (zad.1 zad.5) należy sformułować zadania optymalizacji, tj.: określić postać zmiennych
Bardziej szczegółowoAgenda. Politechnika Poznańska WMRiT ZST. Piotr Sawicki Optymalizacja w transporcie 1. Kluczowe elementy wykładu. WPROWADZENIE Cel i zakres wykładu.
Tytuł: 03. Zastosowanie programowania binarnego i całkowitoliczbowego Autor: Piotr SAWICKI Zakład Systemów Transportowych WMRiT PP piotr.sawicki@put.poznan.pl www.put.poznan.pl/~piotr.sawicki www.facebook.com/piotr.sawicki.put
Bardziej szczegółowoEkonometria - ćwiczenia 11
Ekonometria - ćwiczenia 11 Mateusz Myśliwski Zakład Ekonometrii Stosowanej Instytut Ekonometrii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa 21 grudnia 2012 Na poprzednich zajęciach zajmowaliśmy
Bardziej szczegółowoAgenda. Politechnika Poznańska WMRiT ZST. Piotr Sawicki Optymalizacja w transporcie 1. Kluczowe elementy wykładu. WPROWADZENIE Cel i zakres wykładu.
Tytuł: 01 Budowa portfela produktowego. Zastosowanie programowania liniowego Autor: Piotr SAWICKI Zakład Systemów Transportowych WMRiT PP piotr.sawicki@put.poznan.pl www.put.poznan.pl/~piotr.sawicki www.facebook.com/piotr.sawicki.put
Bardziej szczegółowoZagadnienie Dualne Zadania Programowania Liniowego. Seminarium Szkoleniowe Edyta Mrówka
Zagadnienie Dualne Zadania Programowania Liniowego Seminarium Szkoleniowe Edyta Mrówka Ogólne zagadnienie PL Znajdź taki wektor X = (x 1, x 2,..., x n ), który minimalizuje kombinacje liniow a przy ograniczeniach
Bardziej szczegółowoZAGADNIENIA PROGRAMOWANIA LINIOWEGO
ZAGADNIENIA PROGRAMOWANIA LINIOWEGO Maciej Patan Uniwersytet Zielonogórski WSTĘP często spotykane w życiu codziennym wybór asortymentu produkcji jakie wyroby i w jakich ilościach powinno produkować przedsiębiorstwo
Bardziej szczegółowoWielokryteriowa optymalizacja liniowa
Wielokryteriowa optymalizacja liniowa 1. Przy decyzjach złożonych kierujemy się zwykle więcej niż jednym kryterium. Postępowanie w takich sytuacjach nie jest jednoznaczne. Pojawiło się wiele sposobów dochodzenia
Bardziej szczegółowoD. Miszczyńska, M.Miszczyński KBO UŁ, Badania operacyjne [1]
D. Miszczyńska, M.Miszczyński KBO UŁ, Badania operacyjne [1] Co to są badania operacyjne? Termin "badanie operacji" (Operations' Research) powstał podczas II wojny światowej i przetrwał do dzisiaj. W terminologii
Bardziej szczegółowoZadanie laboratoryjne "Wybrane zagadnienia badań operacyjnych"
Zadanie laboratoryjne "Wybrane zagadnienia badań operacyjnych" 1. Zbudować model optymalizacyjny problemu opisanego w zadaniu z tabeli poniżej. 2. Rozwiązać zadanie jak w tabeli poniżej z wykorzystaniem
Bardziej szczegółowoUniwersytet Kardynała Stefana Wyszyńskiego Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych. Piotr Kaczyński. Badania Operacyjne
Uniwersytet Kardynała Stefana Wyszyńskiego Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Piotr Kaczyński Badania Operacyjne Notatki do ćwiczeń wersja 0. Warszawa, 7 stycznia 007 Spis treści Programowanie
Bardziej szczegółowoEkonometria - ćwiczenia 10
Ekonometria - ćwiczenia 10 Mateusz Myśliwski Zakład Ekonometrii Stosowanej Instytut Ekonometrii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa 14 grudnia 2012 Wprowadzenie Optymalizacja liniowa Na
Bardziej szczegółowoNiesimpleksowe metody rozwia zywania zadań PL. Seminarium Szkoleniowe Edyta Mrówka
Niesimpleksowe metody rozwia zywania zadań PL Seminarium Szkoleniowe Metoda Simplex: wady i zalety Algorytm SIMPLEX jest szeroko znany i stosowany do rozwi azywania zadań programowania liniowego w praktyce.
Bardziej szczegółowoAlgorytmika Problemów Trudnych
Algorytmika Problemów Trudnych Wykład 9 Tomasz Krawczyk krawczyk@tcs.uj.edu.pl Kraków, semestr letni 2016/17 plan wykładu Algorytmy aproksymacyjne: Pojęcie algorytmu aproksymacyjnego i współczynnika aproksymowalności.
Bardziej szczegółowoProgramowanie liniowe
Badania operacyjne Ćwiczenia 4 Programowanie liniowe Dualizm w programowaniu liniowym Plan zajęć Dualizm w programowaniu liniowym Projektowanie programu dualnego Postać programu dualnego Przykład 1 Rozwiązania
Bardziej szczegółowoMatematyka Dyskretna. Andrzej Szepietowski. 25 czerwca 2002 roku
Matematyka Dyskretna Andrzej Szepietowski 25 czerwca 2002 roku Rozdział 1 Rekurencja 11 Wieże Hanoi Rekurencja jest to zdolność podprogramu (procedury lub funkcji) do wywoływania samego siebie Zacznijmy
Bardziej szczegółowoAnaliza stanów gry na potrzeby UCT w DVRP
Analiza stanów gry na potrzeby UCT w DVRP Seminarium IO na MiNI 04.11.2014 Michał Okulewicz based on the decision DEC-2012/07/B/ST6/01527 Plan prezentacji Definicja problemu DVRP DVRP na potrzeby UCB Analiza
Bardziej szczegółowo0.1 Reprezentacja liczb w komputerze
1 0.1 Reprezentacja liczb w komputerze Zapis liczb w zmiennym przecinku. U lamki dziesiȩtne w laṡciwe i niew laṡciwe piszemy oddzielaj ac czȩṡċ ca lkowit a od czȩṡci u lamkowej w laṡciwej przecinkiem w
Bardziej szczegółowoDrzewa spinające MST dla grafów ważonych Maksymalne drzewo spinające Drzewo Steinera. Wykład 6. Drzewa cz. II
Wykład 6. Drzewa cz. II 1 / 65 drzewa spinające Drzewa spinające Zliczanie drzew spinających Drzewo T nazywamy drzewem rozpinającym (spinającym) (lub dendrytem) spójnego grafu G, jeżeli jest podgrafem
Bardziej szczegółowoWstęp do programowania
Wstęp do programowania Programowanie dynamiczne Paweł Daniluk Wydział Fizyki Jesień 2013 P. Daniluk(Wydział Fizyki) WP w. X Jesień 2013 1 / 21 Dziel i zwyciężaj przypomnienie 1 Podział problemu na 2 lub
Bardziej szczegółowoZagadnienie transportowe
9//9 Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów
Bardziej szczegółowo5. Rozwiązywanie układów równań liniowych
5. Rozwiązywanie układów równań liniowych Wprowadzenie (5.1) Układ n równań z n niewiadomymi: a 11 +a 12 x 2 +...+a 1n x n =a 10, a 21 +a 22 x 2 +...+a 2n x n =a 20,..., a n1 +a n2 x 2 +...+a nn x n =a
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Struktury i Algorytmy Wspomagania Decyzji Zadanie projektowe 2 Czas realizacji: 6 godzin Maksymalna liczba
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Łukasz Kowalik Instytut Informatyki, Uniwersytet Warszawski April 8, 2016 Łukasz Kowalik (UW) LP April 8, 2016 1 / 15 Problem diety Tabelka wit. A (µg) wit. B1 (µg) wit. C (µg) (kcal)
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 5. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 5 Prof. dr hab. inż. Jan Magott DMT rozwiązuje problem decyzyjny π przy kodowaniu e w co najwyżej wielomianowym czasie, jeśli dla wszystkich łańcuchów wejściowych
Bardziej szczegółowoZAGADNIENIA TRANSPORTOWE
ZAGADNIENIA TRANSPORTOWE Maciej Patan Uniwersytet Zielonogórski WPROWADZENIE opracowano w 1941 r. (F.L. Hitchcock) Jest to problem opracowania planu przewozu pewnego jednorodnego produktu z kilku różnych
Bardziej szczegółowoDziałanie algorytmu oparte jest na minimalizacji funkcji celu jako suma funkcji kosztu ( ) oraz funkcji heurystycznej ( ).
Algorytm A* Opracowanie: Joanna Raczyńska 1.Wstęp Algorytm A* jest heurystycznym algorytmem służącym do znajdowania najkrótszej ścieżki w grafie. Jest to algorytm zupełny i optymalny, co oznacza, że zawsze
Bardziej szczegółowoElementy Modelowania Matematycznego
Elementy Modelowania Matematycznego Wykład 8 Programowanie nieliniowe Spis treści Programowanie nieliniowe Zadanie programowania nieliniowego Zadanie programowania nieliniowego jest identyczne jak dla
Bardziej szczegółowoWykład 7. Informatyka Stosowana. Magdalena Alama-Bućko. 16 kwietnia Magdalena Alama-Bućko Wykład 7 16 kwietnia / 23
Wykład 7 Informatyka Stosowana Magdalena Alama-Bućko 16 kwietnia 2018 Magdalena Alama-Bućko Wykład 7 16 kwietnia 2018 1 / 23 Programowanie liniowe Magdalena Alama-Bućko Wykład 7 16 kwietnia 2018 2 / 23
Bardziej szczegółowoOPTYMALIZACJA W LOGISTYCE
OPTYMALIZACJA W LOGISTYCE Optymalizacja zadań bazy transportowej ( część 2 ) Opracowano na podstawie : Stanisław Krawczyk, Metody ilościowe w logistyce ( przedsiębiorstwa ), Wydawnictwo C. H. Beck, Warszawa
Bardziej szczegółowoModel zagadnienia programowania liniowego jest w postaci standardowej:
METODA SYMPLEKS Model zagadnienia programowania liniowego jest w postaci standardowej: max(min)z = c 1 x 1 + c 2 x 2 + + c n x n a 11 x 1 + a 12 x 2 + + a 1n x n = b 1... a m1 x 1 + a m2 x 2 + + a mn x
Bardziej szczegółowoProgramowanie liniowe. Tadeusz Trzaskalik
Programowanie liniowe Tadeusz Trzaskalik .. Wprowadzenie Słowa kluczowe Model matematyczny Cel, środki, ograniczenia Funkcja celu funkcja kryterium Zmienne decyzyjne Model optymalizacyjny Układ warunków
Bardziej szczegółowo