Badania operacyjne- programowanie liniowe
|
|
- Helena Staniszewska
- 8 lat temu
- Przeglądów:
Transkrypt
1 Justyna Kosakowska i Piotr Malicki Badania operacyjne- programowanie liniowe (lista zadań) Materiały dydaktyczne dla studentów matematyki (specjalność: matematyka w ekonomii i finansach) Wydział Matematyki i Informatyki Uniwersytet Mikołaja Kopernika Toruń 2009 Projekt współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego
2 Podczas przygotowywania niniejszych notatek korzystaliśmy z następującej literatury: [1] Zbiór zadań z programowania matematycznego cz. I, praca zbiorowa pod redakcją Z. Galasa oraz I. Nykowskiego, PWN 1986; oraz z pozycji umieszczonych w notatkach do wykładu. 1. Zbiory wypukłe i ich topologiczne własności 1.Niech A M m n (R)będziedowolną m n-macierząowspółczynnikach rzeczywistychorazniech b R m.udowodnić,żezbiory (a) {x R n ; Ax = b}, (b) {x R n ; Ax = boraz x 0}, są wypukłe. 2. Udowodnić, że dla dowolnych zbiorów wypukłych X, Y R zbiory X + Y = {x + y x X, y Y }oraz X Y = {x y x X, y Y } są również wypukłe. 3.Udowodnić,żeprzekrójdowolnejrodzinyzbiorówwypukłychw R n jest zbioremwypukłymwr n. 4. Udowodnić, że następujące zbiory są wypukłe: (a) X = {x R n x a r},gdzie a R n i r > 0, (b) X = {x R n x T Ax r},gdzie A M n n (R)jestdodatnio określoną macierzą symetryczną oraz r > 0. 5.Udowodnić,żezbiór X = {x R n x 1}niejestwypukły. 6. Wyznaczyć otoczki wypukłe następujących zbiorów: (a) X = {x, y},gdzie x, y R n, (b) X = {(x, y) R 2 x 2 + y 2 r 2 },gdzie r > 0, (c) X = {(x, y) R 2 x(x y) = 0, x 0, y 0}, (d) X = {x R n 0 < x < r}, (e) X = {[0, 0] T, [3, 0] T, [1, 2] T, [0, 6] T }, (f) X = {(x, y) R 2 3x + 2y 11, x 0, y 0, x, y Z}. 2
3 2. Punkty i wektory ekstremalne 1.Niech X R n będziezbioremwypukłym, c R n orazniech f : X R będziefunkcją(liniową)zadanąwzorem f(x) = c T x. (a) Przypuśćmy, że funkcja f osiąga minimum(odp. maksimum) na zbiorze X. Udowodnić, że funkcja f osiąga to minimum(odp. maksimum) również w pewnym punkcie ekstremalnym. (b) Czy funkcja f może osiągać minimum(odp. maksimum) w innych punktach niż ekstremalne? Odpowiedź zilustrować odpowiednim przykładem. (c) Czy funkcja f może osiągać minimum(odp. maksimum) na zbiorze nieograniczonym? Odpowiedź zilustrować odpowiednim przykładem. (d)jakiewłasnościmusimiećzbiór X,abymiećpewność,że i.funkcja f 0nieosiągażadnegoekstremumna X, ii.funkcja f 0osiagajednoekstremumna X,adrugiegoekstremumnieosiągana X. iii.funkcja f 0osiągaminimumorazmaksimumna X. 2. Znaleźć punkty ekstremalne następujących zbiorów: (a) X = {(x, y) R 2 x + y 1}, (b) X = {(x, y) R 2 x 2 + y 2 2x 2}, (c) X = {(x, y) R 2 x+y 2, x 2y 6, x y 6, x 0, y 0}, (d) X = {(x, y, z) R 3 0 x 1, 0 y 2, 0 z 5}, (e) X = {(x 1, x 2,...,x n ) R n x 1 +x 2 + +x n a, x i 0 dla i = 1, 2,..., n},gdzie a > Znaleźć ekstremalne wektory kierunkowe następujących zbiorów: (a) X = {(x, y) R 2 y x, x 2 + y 2 1}, (b) X = {(x, y, z) R 3 y x 2, x + y + z 1}, (c) X = {(x, y, z) R 3 x + y + z 2, x + y = 1, x, y, z 0}. 4.Ilepunktówekstremalnychmazbiór {x R n Ax = b},gdzie Ajest m n-macierząowspółczynnikachrzeczywistychoraz b R m? 3
4 5.Niech Abędzie m n-macierząowspółczynnikachwr, b R m oraz X = {x R n Ax b}.oznaczmyprzez a 1, a 2,..., a m wierszemacierzy A.Udowodnić,żepunkt x Xjestpunktemekstremalnymzbioru Xwtedyitylkowtedy,gdywśródwektorów a i owłasnościach a i x = b i jest n wektorów liniowo niezależnych. 6.Uzasadnić,żezbiór {x R n Ax b}niemapunktówekstremalnych, gdy Ajest m n-macierząowspółczynnikachwr, b R m oraz m < n. 3. Metoda sympleksowa 1. Pewne przedsiębiorstwo produkuje dwa wyroby A oraz B w oparciu o trzy rodzaje surowców X, Y i Z. Przedsiębiorstwo to zamierza wytwarzać powyższe produkty wyłącznie przy użyciu posiadanych już zasobówmateriałów.surowca Xjest1000kg,surowca Y jest2400kg,a surowca Z jest 600 kg. Do wytworzenia jednostki wyrobu A potrzeba: 2kgsurowca X,3kgsurowca Yoraz1,5kgsurowca Z.Natomiastaby wytworzyćjednąsztukęproduktu Bzużywasię:1kgsurowca Xoraz 3 kg surowca Y. Jaką strukturę produkcji powinno przyjąć to przedsiębiorstwo, aby osiągnąć maksymalny przychód ze sprzedaży, jeśli cena wyrobu Awynosi30zł,acenawyrobu Bwynosi20złzasztukę? 2. Stosując algorytm sympleks rozwiązać następujące zadania programowania liniowego: (a) x 1 2x 2 min,przywarunkach 4x 1 + 4x 2 12, x 1 2, x 2 2, x 1, x 2 0, (b) x 1 x 2 min,przywarunkach 2x 1 + 2x 2 8, 1 x x 2 16, 2x 1 + x 2 10, x 1, x 2 0, (c) 4x 1 3x 2 + 4x 3 min,przywarunkach 2x 1 + x 2 2x 3 18, x 1 + x 2 x 3 13, x 1 2x 3 13, x 1, x 2, x 3 0, 4
5 (d) 3x 1 + 2x 2 x 3 min,przywarunkach x 1 + x 2 + x 3 2, 12x 1 + 4x 2 + 3x 3 12, 8x 1 + x 2 0, x 1, x 2, x Wykorzystując tablice sympleksowe rozwiązać następujące zadanie programowania liniowego. Znaleźć maksimum funkcji f(x 1, x 2, x 3, x 4, x 5, x 6, x 7 ) = 11x 1 +10x 2 +13x 3 x 4 +x 5 +3x 6 +x przy warunkach x 1 + x 2 + x 3 = 5, x 1 + 5x 2 + x 4 = 41, 3x 1 + 5x 2 + x 5 = 77, 5x 1 x 2 + x 6 = 63, 2x 1 5x 2 + x 7 = 16, x 1, x 2,...,x Dualność w programowaniu liniowym 1. Szukamy przy założeniach (niezakładasię,że y 0). maxy T b y T A c T, y R m Zauważmy,że y T b = y T Ax c T x, x 0.Załóżmy,że y T b = c T x, Ax = b, A T y cdlapewnych xoraz x.pokazać,że y, xsąrozwiązaniami optymalnymi dla odpowiednich zagadnień(x dla szukania minimum c T xprzywarunkach Ax = b, x 0,aydlaszukaniamaksimum y T b przywarunkach y T A c T ). 5. Elementy programowania całkowitoliczbowego 1. Rozwiązać następujące problemy programowania całkowitoliczbowego: 5
6 (a) 3x 1 x 2 min,przywarunkach 2x 1 + 3x 2 + x 3 = 6, 2x 1 3x 2 + x 4 = 3, x 1, x 2, x 3, x 4 0, x 1, x 2, x 3, x 4 Z, (b) x 1 x 2 min,przywarunkach 2x 1 + 3x 2 + x 3 = 10, x 1 x 2 + x 4 = 3, x 1 + 2x 2 + x 5 = 5, x 1, x 2, x 3, x 4, x 5 0, x 1, x 2, x 3, x 4, x 5 Z, (c) 5x 1 x 2 min,przywarunkach x 1 x 2 + x 3 = 5, x 1 + 3x 2 + x 4 = 8, x 1, x 2, x 3, x 4 0, x 1, x 2, x 3, x 4 Z, (d) x 1 + 2x 2 min,przywarunkach 2x 1 + 4x 2 + x 3 = 15, 2x 1 2x 2 + x 4 = 5, x 1 x 2 + x 5 = 3, x 1, x 2, x 3, x 4, x 5 0, x 1, x 2, x 3, x 4, x 5 Z. 6. Strategie zachłanne 6.1. Przykłady 1. Chcemy kupić 23, 5 uncji złota. Mamy do dyspozycji następujące sztabki: 10uncji, 5uncji, 2uncje, 1uncjaoraz 0, 5uncji.Zakładamy,że sztabek jest nieograniczona liczba. Jakie i ile sztabek musimy kupić, aby nabyć ich jak najmniejszą liczbę? Pokażemy zastosowanie strategii zachłannej. Intuicyjnie najbardziej optymalną metodą będzie kupowanie w pierwszej kolejności sztabek o największej gramaturze. W naszej sytuacji powinniśmy nabyć 2 sztabki 10 uncjowe. Wtedy będziemy musieli jeszcze kupić 3, 5 uncji złota. 6
7 Stosując tę samą strategię kupujemy sztabkę 2 uncjową, 1 uncjową oraz 0, 5 uncjową. Zauważmy, że otrzymaliśmy optymalne rozwiązanie. Uwaga. W tego typu problemach opisana powyżej metoda zachłanna nie zawsze daje rozwiązanie optymalne. Ilustruje to poniższy przykład. 2. Mamy do dyspozycji następujące opakowania towaru X: 1 sztuka, 20 sztukoraz 70sztuk.Chcemynabyć 80sztuktowaru Xwjaknajmniejszej liczbie opakowań. Jeżeli będziemy stosować metodę opisaną w poprzednim zadaniu, to wybierzemy: 1 opakowanie- 70 sztuk oraz 10 opakowań- 1 sztuka; czyli razem 11 opakowań. Optymalnym wyborem jednak są 4 opakowania- 20 sztuk Zadania 1. W kasie sprzedawca ma do dyspozycji monety o następujących nominałach c 0 = 1, c 1 = 2, c 3 = 5, c 4 = 10, c 5 = 20.Sprzedawcamusi wydaćresztęwwysokości s = 345(odp. s = 435, s = 23, s = 1241). Zakładamy, że do dyspozycji jest nieograniczona liczba monet każdego nominału. Sprzedawca chce wydać resztę wykorzystując jak najmniejsząliczbęmonet.którychiilemonetmusiużyć? (a) Opracować metodę zachłanną, która rozwiąże ten problem. (b) Czy ta metoda w naszej sytuacji daje optymalne rozwiązanie problemu? Odpowiedź uzasadnić. (c) Jakie problemy pojawiają się, gdy zrezygnujemy z założenia o nieograniczonej liczbie monet każdego nominału? (d) Skonstruować przykład, w którym nasza metoda nie daje optymalnego rozwiązania. 2. W bankomacie są do dyspozycji banknoty o następujących nominałach c 0 = 20, c 1 = 50, c 3 = 100, c 4 = 200.Bankomatmusiwypłacićkwotę s = 3450(odp. s = 4350, s = 2340, s = 1270).Zakładamy,że do dyspozycji jest nieograniczona liczba banknotów każdego nominału. Bankomat powinien wypłacać pieniądze wykorzystując jak najmniejszą liczbę banknotów. Których i ile banknotów musi użyć? (a) Czy bankomat będzie w stanie wypłacić każdą kwotę? Jakie kwoty możemy wypłacić z tego bankomatu, a jakich nie? (b) Rozwiązać analogiczne problemy do tych opisanych w poprzednim zadaniu. 7
8 3. Firma wysłała kierowcę, który powinien przewieźć towar do magazynu oddalonego o km. od siedziby firmy. Ze względów bezpieczeństwa kierowca nie może przejechać więcej niż 750 km. dziennie. Firma chce zarezerwować noclegi dla kierowcy w zaprzyjaźnionych motelach znajdującychsięnajegotrasie.motelitychjest 20: M 1,...,M 20.Znanesą oczywiście odległości między motelami: M 0,1 M 2,3 M 4,5 M 6,7 M 8,9 M 10,11 M 12,13 M 14,15 M 16,17 M 18, M 1,2 M 3,4 M 5,6 M 7,8 M 9,10 M 11,12 M 13,14 M 15,16 M 17,18 M 19, gdzie M i,j oznaczaodległośćmiędzymotelami M i oraz M j oraz M 0 oznacza firmę, z której startuje kierowca. Firma chce zarezerwować jak najmniejszą liczbę noclegów. W których motelach powinien nocować kierowca? (a) Opracować metodę zachłanną, która rozwiąże ten problem. (b) Czy ta metoda w naszej sytuacji daje optymalne rozwiązanie problemu? Odpowiedź uzasadnić. (c) Czy ta metoda daje optymalne rozwiązanie dla dowolnego innego zestawu danych?(zakładamy, że kierowca ma do przejechania n km., nie może dziennie pokonać dłuższej drogi niż m km., są podaneodległości M i,j mpomiędzymiejscami,wktórychmożliwy jest nocleg.) 4. Kierowca musi przejechać km. Nie może jednak przejechać więcej niż650km.najednymbaku.natrasiekierowcama 20ulubionych stacjibenzynowych: S 1,..., S 20.Znaonodległościmiędzystacjami: S 0,1 S 2,3 S 4,5 S 6,7 S 8,9 S 10,11 S 12,13 S 14,15 S 16,17 S 18, S 1,2 S 3,4 S 5,6 S 7,8 S 9,10 S 11,12 S 13,14 S 15,16 S 17,18 S 19, gdzie S i,j oznaczaodległośćmiędzystacjami S i oraz S j,ponadto S 0 oznacza punkt, z którego startuje kierowca. Kierowca chce tankować jak najmniejszą liczbę razy. Na których stacjach powinien on tankować. (a) Opracować metodę zachłanną, która rozwiąże ten problem. (b) Czy ta metoda w naszej sytuacji daje optymalne rozwiązanie problemu? Odpowiedź uzasadnić. (c) Czy ta metoda daje optymalne rozwiązanie dla dowolnego innego zestawu danych? 8
9 5.(ciągły problem plecakowy) Firmabudowlanachcewyrównaćteren.Wtymcelupotrzebuje m 3 piasku.piasekmożnakupićwpunktach: A, B, Coraz D.Wpunkcie Adostępnychjest m 3 piaskuwcenie 10zł.za m 3 ;wpunkcie B dostępnychjest m 3 piaskuwcenie 14zł.za m 3,wpunkcie C dostępnychjest m 3 piaskuwcenie 11zł.za m 3 ;wpunkcie Ddostępnychjest m 3 piaskuwcenie 13zł.za m 3.Wktórychpunktach i jakie ilości piasku powinna zakupić firma, aby koszt zakupu piasku był minimalny? Jaki jest maksymalny koszt zakupu piasku? 6.(problem wyboru zajęć- wersja dla leniwych) PanXbudzisięwniedzielęogodz.9.30ichciałbyspędzićdzieńna oglądaniu telewizji. Niestety nie może obejrzeć wszystkich interesujących go programów, ponieważ część z nich pokazywanych jest w tym samym czasie. A oto lista programów(wraz z czasami ich rozpoczęcia i zakończenia), które interesują pana X: P 1 P 2 P 3 P 4 P P 6 P 7 P 8 P 9 P P 11 P 12 P 13 P 14 P P 16 P 17 P 18 P 19 P Które programy powinien wybrać pan X, aby obejrzeć ich jak największą liczbę? Zastosuj odpowiednią strategię zachłanną. 7.(problem wyboru zajęć- wersja dla aktywnych) PanXbudzisięwniedzielęogodz.8.00izamierzaspędzićdzieńpoza domem. Interesują go następujące imprezy oraz zajęcia(podane wraz z czasami rozpoczęcia oraz zakończenia) pływalnia gra w golfa piknik mecz wycieczka rowerowa wycieczka piesza sauna koncert kręgle siłownia tenis kino Które zajęcia powinien wybrać pan X, aby uczestniczyć w jak największej ich liczbie? Zastosuj odpowiednią strategię zachłanną. 9
10 8. Przypuśćmy, że do problemu wyboru zajęć stosujemy następującą metodę zachłanną. Wybieramy zajęcie o najkrótszym czasie trwania spośród zajęć zgodnych z dotychczasowo wybranymi. Skonstruuj przykład, który dowodzi, że ta strategia nie zawsze prowadzi do optymalnego rozwiązania. 9. Skonstruuj decyzyjne problemy plecakowe takie, że (a) żadna ze strategii zachłannych opisanych na wykładzie nie daje rozwiązania optymalnego, (b) każda ze strategii zachłannych opisanych na wykładzie daje rozwiązanie optymalne, (c) jedna strategia zachłanna z opisanych na wykładzie daje optymalne rozwiązanie, a pozostałe nie. 7. Dyskretny problem plecakowy 1. Opracuj metodę dynamiczną rozwiązywania decyzyjnego problemu plecakowego. Wskazówka. Zmodyfikuj podaną na wykładzie metodę dynamiczną rozwiązywania ogólnego problemu plecakowego. 2. Złodziej włamał się do mieszkania z torbami, do których może załadować przedmioty o łącznej wadze nie przekraczającej 10 kg. W mieszkaniu znajdują się: 2 laptopy o wadze 2 kg. każdy oraz wartości 2000 zł. każdy; sprzęt audio o wadze 3 kg. oraz wartości 2500 zł.; telewizor o wadze 3, 5 kg. oraz wartości 1000 zł.; 4antycznewazyowadze 1kg.każdaorazwartości 1500zł.każda; 10zabytkowychksiążekowadze 0, 5kg.każdaorazowartości 700 zł. każda. DVDowadze 1, 5kg.orazwartości 1200zł.; Które przedmioty powinien zabrać złodziej, aby wyjść z najcenniejszym łupem. 3.Pewnafirmamaprętydługości 20m.ichcejesprzedać.Narynku jestzapotrzebowanienaprętydługości: 9, 3, 6, 13oraz 15m.Najakie 10
11 kawałki firma powinna pociąć pręty, aby zmarnować jak najmniej materiału. W jaki sposób można ten problem przetłumaczyć na problem plecakowy? 8. Minimalne drzewa rozpinające Rozwiązanie zadań z tego podrozdziału sprowadza się do znalezienia minimalnego drzewa rozpinającego pewnego grafu. Odpowiedni przykład został szczegółowo omówiony na wykładzie. 1. Firma telekomunikacyjna chce połączyć pewne miejscowości siecią telefoniczną. W poniższym grafie przedstawione zostały koszty utworzenia połączeń między poszczególnymi miastami. Znajdź sieć połączeń z minimalnym kosztem A B C D E F G H I Podać przykład spójnego nieskierowanego grafu ważonego G takiego, że V (G) 6oraz (a) istnieje dokładnie jedno minimalne drzewo rozpinające grafu G; (b) istnieją co najmniej dwa różne minimalne drzewa rozpinające grafu G. 3. Znaleźć(w książce lub w internecie) algorytm znajdowania minimalnego drzewa rozpinającego(różny od algorytmu Kruskala) oraz zastosować go do rozwiązania poprzednich zadań. 9. Najkrótsze drogi Rozwiązanie zadań z tego podrozdziału sprowadza się do znalezienia najkrótszej drogi w grafie. Odpowiednie przykłady zostały szczegółowo omówione na wykładzie. 11
12 1. Chcemy przejechać z miasta C do miasta F możliwie najkrótszą drogą. Odległości pomiędzy miastami przedstawione są na poniższej mapie. 21 A B C 15 D 20 E F H 14 I 16 G 7 Rozwiązać problem stosując dwa różne algorytmy. 2. Kierowca chce przejechać z miasta A do miasta K. Koszty przejazdu między miastami przedstawione są na poniższym grafie B E H A 11 C 7 F 5 13 I D 14 G J 9 15 K 10 Kierowca może zabierać pasażerów, którzy płacą mu za przejazd. Kwoty, które kierowca może uzyskać od pasażerów przedstawione są na poniższym grafie B E H A 14 C 7 F 7 10 I D 4 G J K 6
13 Jaką drogę powinien wybrać kierowca, aby zminimalizować koszty podróży. Rozwiązać dwie wersje zadania: przy założeniu, że kierowca zabiera pasażerów oraz przy założeniu, że kierowca nie zabiera pasażerów. Czy w obu przypadkach można zastosować algorytm Dijkstry? Odpowiedź uzasadnić. 3. Znaleźć(w książce lub w internecie) algorytm znajdowania najkrótszej drogi w grafie(różny od algorytmu Dijkstry oraz Bellmana-Forda) oraz zastosować go do rozwiązania poprzednich zadań. 4. Na podstawie algorytmu Dijkstry opracować algorytm znajdowania najkrótszej drogi wyjścia z labiryntu. 10. Przepływ w sieciach 1. Udowodnić następujący lemat, który pojawił się na wykładzie. Niech G = (V, E, s, t, c)będziesieciąorazniech fbędzieprzepływemwg. Ponadtoniech f będzieprzepływemwsieciresidualnej G f.wtedy funkcja f + f jestprzepływemwgowartości f + f = f + f. 2.Niech G = (V, E, s, t, c)będziesieciąorazniech fbędzieprzepływem w G.Udowodnić,że (a)dlawszystkich X Vmamy f(x, X) = 0; (b)dlawszystkich X, Y Vmamy f(x, Y ) = f(y, X). (c)dlawszystkich X, Y, Z Vzachodzi: f(x Y, Z)=f(X, Z) + f(y, Z) f(x Y, Z) f(z, X Y )=f(z, X) + f(z, Y ) f(z, X Y ). (d) f = f(s, V ) = f(v, t). 3.Pokazać,żejeśliwsieci G = (V, E, s, t, c)przepustowość cprzyjmuje wartości całkowitoliczbowe, to(niezależnie od wybranej metody znajdowania ścieżki powiększającej) (a) maksymalny przepływ obliczany metodą Forda-Fulkersona jest całkowitoliczbowy, (b) pesymistyczny czas działania algorytmu Forda-Fulkersona wynosi O( E f ),gdzie fjestmaksymalnymprzepływemwg. 13
14 4. Rozważmy następujący problem programowania liniowego: znaleźć maksimum m n x ij (1) i=1 j=1 na zbiorze ograniczonym warunkami n x ij a i,dla i = 1, 2,..., m, (2) j=1 m x ij b j,dla j = 1, 2,..., n, (3) i=1 x ij { = 0,dlapewnych i, j, 0,dlapozostałych i, j. (4) Udowodnić, że powyższe zagadnienie jest równoważne zagadnieniu maksymalnegoprzepływuwsieci G = (V, E, s, t, c),gdzie V = {s, s 1,..., s m, t 1,...,t n, t}, E = {(s, s i ) ; i = 1,...,m} {(t j, t) ; j = 1,..., n} {(s i, t j ) ;gdy x ij 0}, c(s, s i ) = a i,dla i = 1,...,m, c(t j, t) = b j,dla j = 1,...,n, c(α) =, dla pozostałych krawędzi. 5. Pewna firma produkująca kosmetyki ma fabrykę w mieście A oraz magazyn w mieście B. Firma ma też do dyspozycji ciężarówki, które poruszają się po ustalonej trasie. Wiadomo ile kartonów może dziennie przewieźć każda z ciężarówek. Firma nie ma wpływu na ładowność oraz trasy przejazdu ciężarówek(które są stałe). W fabryce powinna być produkowana taka ilość kosmetyków, które mogą być w ciągu jednego dnia przewiezione z miasta A do miasta B. Trasy przejazdu ciężarówek oraz ich ładowność są podane poniżej w postaci grafu. Ile maksymalnie kosmetyków dziennie może wyprodukować fabryka? A B
15 6. W poniższym grafie zapisany jest schemat wybranego fragmentu metra. Wagi krawędzi oznaczają liczbę pasażerów(w tysiącach), którą na danym odcinku mogą przewieźć pociągi w ciągu jednego dnia. Ile maksymalnie osób może dziennie przejechać z punktu A do punktu B? A B Udowodnić poprawność metody(omówionej na wykładzie) znajdowania maksymalnego przepływu w sieci z wieloma źródłami oraz ujściami. 11. Skojarzenia w grafach dwudzielnych 1. Udowodnić, że moc maksymalnego skojarzenia w grafie dwudzielnym Gjestrównawartościmaksymalnegoprzepływu fwsieci G stowarzyszonejzg. 2. Skojarzeniem całkowitym w grafie dwudzielnym G = (V, E), gdzie V = V 1 V 2 oraz V 1 = V 2,nazywamyskojarzenie M Etakie,że dlakażdegowierzchołka v Vistniejekrawędź α Mincydentnaz v. Udowodnić następujące twierdzenie Halla. Niech G = (V, E)będziegrafemdwudzielnymtakim,że V = V 1 V 2 oraz V 1 = V 2.WGistniejeskojarzeniecałkowitewtedyitylkowtedy, gdydlakażdegopodzbioru A V 1 zachodzi A ϕ(a),gdzie ϕ(a) = {v V ; {v, u} Edlapewnego u A}. 3.Przypuśćmy,żewpewnejfirmiepracuje10pracowników: p 1,...,p 10. Wpewnymokresieczasutrzebawykonaćzadania: z 1,...,z 15.Wponiższejtabeli 1(odp. 0)namiejscu (p i, z j )oznacza,żepracownik p i może(odp.niemoże)wykonaćzadanie z j.stosującodpowiednialgorytm omówiony na wykładzie przydzielić pracownikom zadania w ten sposób aby zostało wykonane możliwie najwięcej zadań. 15
16 z 1 z 2 z 3 z 4 z 5 z 6 z 7 z 8 z 9 z 10 z 11 z 12 z 13 z 14 z 15 p p p p p p p p p p Rozważmygrafydwudzielne G 1 = (V, E), G 0 = (W, F),wktórych V 1 = W 1 = {p 1,...,p 10 },oraz V 2 = W 2 = {z 1,...,z 2 }.Ponadtoistnieje krawędźzp i do z j w G 1 (odp.wg 0 )wtedyitylkowtedygdywtabeli zpoprzedniegozadanianamiejscu (p i, z j )jest 1(odp. 0).Czywgrafach tych istnieją skojarzenia całkowite(odpowiedź uzasadnić). Jeśli istnieją takie skojarzenia, to znaleźć je. 12. Zagadnienie transportowe 1. Rozważmy zagadnienie transportowe: znaleźć minimum f(x) = m n c ij x ij i=1 j=1 na zbiorze ograniczonym warunkami gdzie a i, b j, c ij N. Pokazać, że n x ij a i,dla i = 1, 2,..., m, j=1 m x ij b j,dla j = 1, 2,..., n, i=1 x ij 0,dla i = 1, 2,..., m; j = 1, 2,..., n, (a) zagadnienie to posiada rozwiązanie dopuszczalne wtedy i tylko wtedy,gdy n j=1 b j m i=1 a i. 16
17 (b)jeśli n j=1 b j m i=1 a i,tokażderozwiązaniedopuszczalne yspełnia n y ij = a i,dla i = 1, 2,..., m, j=1 m y ij = b j,dla j = 1, 2,..., n, i=1 (c)każderozwiązanieoptymalne yspełniawarunek m i=1 y ij = b j,dla j = 1,...,n. 2.Przypuśćmy,żemamytrzechdostawców: d 1, d 2, d 3.Dostawca d i może zapewnićconajwyżej a i tontowaru,gdzie a 1 = 40, a 2 = 55, a 3 = 60 (odp. a 1 = 38, a 2 = 50, a 3 = 55).Towaremzainteresowanychjestczterechodbiorców: o 1,...,o 4,zktórychkażdypowinienotrzymaćprzynajmniej b i tontowaru,gdzie b 1 = 30, b 2 = 45, b 3 = 35, b 4 = 40.Koszty transportu c ij oddostawcy d i doodbiorcy o j podanesąwtabeli: Czy to zadanie transportowe posiada rozwiązanie? Jeśli tak, to znaleźć to rozwiązanie. 13. Złożoność czasowa algorytmów. 1.Udowodnić,że f = Θ(g)wtedyitylkowtedy,gdy f = O(g)oraz f = Ω(g). 2.Niech Γ {O, Ω, Θ}orazniech f, g, h, r : N R.Udowodnić,że (a)jeśli f = Γ(g)oraz g = Γ(h),to f = Γ(h); (b)jeśli f = Γ(g)oraz h = Γ(r),to f h = Γ(g r); (c)jeśli fjestzadanaprzezwielomianstopnia d,to f = Θ(n d ). 3. Podać rząd pesymistycznej złożoności czasowej następujących programów. (a) program, który dla danych n n-macierzy A, B oblicza ich iloczyn C = AB: 17
18 begin fori:=1tondo forj:=1tondo begin s:=0; fort:=1tondo s:=s+a[i,t]*b[t,j]; C[i,j]:=s; end; end. (b) program, który dla danej liczby naturalnej n 0 oblicza n!: begin ifn=0orn=1thensilnia:=1 else begin silnia:=1; fori:=2tondo silnia:=silnia*i; end; end. 4. Uzasadnić, że pesymistyczna złożoność czasowa algorytmu Bellmana- Fordawynosi O( V E ). 18
Temat: 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 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 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 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 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 szczegółowoPorównanie algorytmów wyszukiwania najkrótszych ścieżek międz. grafu. Daniel Golubiewski. 22 listopada Instytut Informatyki
Porównanie algorytmów wyszukiwania najkrótszych ścieżek między wierzchołkami grafu. Instytut Informatyki 22 listopada 2015 Algorytm DFS w głąb Algorytm przejścia/przeszukiwania w głąb (ang. Depth First
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 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 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 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 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
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 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 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 szczegółowoGrafy i sieci w informatyce - opis przedmiotu
Grafy i sieci w informatyce - opis przedmiotu Informacje ogólne Nazwa przedmiotu Grafy i sieci w informatyce Kod przedmiotu 11.9-WI-INFD-GiSwI Wydział Kierunek Wydział Informatyki, Elektrotechniki i Automatyki
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 szczegółowoWstęp do programowania
Wstęp do programowania Algorytmy zachłanne, algoritme Dijkstry Paweł Daniluk Wydział Fizyki Jesień 2013 P. Daniluk(Wydział Fizyki) WP w. XI Jesień 2013 1 / 25 Algorytmy zachłanne Strategia polegająca na
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 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 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 szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 03/0 Przeszukiwanie w głąb i wszerz I Przeszukiwanie metodą
Bardziej szczegółowoMODELE SIECIOWE 1. Drzewo rozpinające 2. Najkrótsza droga 3. Zagadnienie maksymalnego przepływu źródłem ujściem
MODELE SIECIOWE 1. Drzewo rozpinające (spanning tree) w grafie liczącym n wierzchołków to zbiór n-1 jego krawędzi takich, że dowolne dwa wierzchołki grafu można połączyć za pomocą krawędzi należących do
Bardziej szczegółowoLista 1 PL metoda geometryczna
Lista 1 PL metoda geometryczna 1.1. Znajdź maksimum funkcji celuf(x 1,x 2 )=5x 1 +7x 2 przy ograniczeniach: 2x 1 +2x 2 600, 2x 1 +4x 2 1000, x i 0 dlai=1,2 1.2. Znajdź maksimum funkcji celuf(x 1,x 2 )=2x
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 szczegółowoAlgorytmy i str ruktury danych. Metody algorytmiczne. Bartman Jacek
Algorytmy i str ruktury danych Metody algorytmiczne Bartman Jacek jbartman@univ.rzeszow.pl Metody algorytmiczne - wprowadzenia Znamy strukturę algorytmów Trudność tkwi natomiast w podaniu metod służących
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 szczegółowoAlgorytmiczna teoria grafów Przepływy w sieciach.
Algorytmiczna teoria grafów Sieć przepływowa Siecią przepływową S = (V, E, c) nazywamy graf zorientowany G = (V,E), w którym każdy łuk (u, v) E ma określoną przepustowość c(u, v) 0. Wyróżniamy dwa wierzchołki:
Bardziej szczegółowoTemat 9. Zabłocone miasto Minimalne drzewa rozpinające
Temat 9 Zabłocone miasto Minimalne drzewa rozpinające Streszczenie Nasze życie związane jest z funkcjonowaniem wielu sieci: telefonicznych, energetycznych, komputerowych i drogowych. W przypadku każdej
Bardziej szczegółowoMetody Optymalizacji. Wstęp. Programowanie matematyczne. Dr hab. inż. Maciej Komosiński, mgr Agnieszka Mensfelt
Metody Optymalizacji Dr hab. inż. Maciej Komosiński, mgr Agnieszka Mensfelt Wstęp W ogólności optymalizacja związana jest z maksymalizowaniem lub minimalizowaniem pewnej wielkości np. maksymalizacja zysku
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 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 szczegółowoLiteratura. 1) Pojęcia: złożoność czasowa, rząd funkcji. Aby wyznaczyć pesymistyczną złożoność czasową algorytmu należy:
Temat: Powtórzenie wiadomości z PODSTAW INFORMATYKI I: Pojęcia: złożoność czasowa algorytmu, rząd funkcji kosztu. Algorytmy. Metody programistyczne. Struktury danych. Literatura. A. V. Aho, J.E. Hopcroft,
Bardziej szczegółowoMATEMATYKA DYSKRETNA - MATERIAŁY DO WYKŁADU GRAFY
ERIAŁY DO WYKŁADU GRAFY Graf nieskierowany Grafem nieskierowanym nazywamy parę G = (V, E), gdzie V jest pewnym zbiorem skończonym (zwanym zbiorem wierzchołków grafu G), natomiast E jest zbiorem nieuporządkowanych
Bardziej szczegółowoMinimalne drzewa rozpinające
KNM UŚ 26-28 listopada 2010 Ostrzeżenie Wprowadzenie Motywacja Definicje Niektóre pojęcia pojawiające się podczas tego referatu są naszymi autorskimi tłumaczeniami z języka angielskiego. Nie udało nam
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 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 szczegółowoWYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA
DRZEWA i LASY Drzewem nazywamy graf spójny nie zawierający cykli elementarnych. Lasem nazywamy graf nie zawierający cykli elementarnych. Przykłady drzew i lasów takie krawędzie są wykluczone drzewo las
Bardziej szczegółowoAlgorytmy Grafowe. dr hab. Bożena Woźna-Szcześniak, prof. UJD. Wykład 5 i 6. Uniwersytet Humanistyczno-Przyrodniczy im. Jana Długosza w Częstochowie
Algorytmy Grafowe dr hab. Bożena Woźna-Szcześniak, prof. UJD Uniwersytet Humanistyczno-Przyrodniczy im. Jana Długosza w Częstochowie b.wozna@ujd.edu.pl Wykład 5 i 6 B. Woźna-Szcześniak (UJD) Algorytmy
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 szczegółowoDrzewa. Jeżeli graf G jest lasem, który ma n wierzchołków i k składowych, to G ma n k krawędzi. Własności drzew
Drzewa Las - graf, który nie zawiera cykli Drzewo - las spójny Jeżeli graf G jest lasem, który ma n wierzchołków i k składowych, to G ma n k krawędzi. Własności drzew Niech T graf o n wierzchołkach będący
Bardziej szczegółowoKolorowanie wierzchołków grafu
Kolorowanie wierzchołków grafu Niech G będzie grafem prostym. Przez k-kolorowanie właściwe wierzchołków grafu G rozumiemy takie przyporządkowanie wierzchołkom grafu liczb naturalnych ze zbioru {1,...,
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 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 szczegółowoTeoretyczne podstawy programowania liniowego
Teoretyczne podstawy programowania liniowego Elementy algebry liniowej Plan Kombinacja liniowa Definicja Kombinacja liniowa wektorów (punktów) x 1, x 2,, x k R n to wektor x R n k taki, że x = i=1 λ i
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Podniesienie poziomu wiedzy studentów z zagadnień dotyczących analizy i syntezy algorytmów z uwzględnieniem efektywności
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 szczegółowoMatematyka dyskretna
Matematyka dyskretna Wykład 13: Teoria Grafów Gniewomir Sarbicki Literatura R.J. Wilson Wprowadzenie do teorii grafów Definicja: Grafem (skończonym, nieskierowanym) G nazywamy parę zbiorów (V (G), E(G)),
Bardziej szczegółowoProgramowanie liniowe
Badania operacyjne Ćwiczenia 2 Programowanie liniowe Metoda geometryczna Plan zajęć Programowanie liniowe metoda geometryczna Przykład 1 Zbiór rozwiązań dopuszczalnych Zamknięty zbiór rozwiązań dopuszczalnych
Bardziej szczegółowoZałącznik Nr 5 do Zarz. Nr 33/11/ Kod przedmiotu:aisd2
Załącznik Nr 5 do Zarz. Nr 33/11/12 (pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: ALGORYTMY I STRUKTURY DANYCH 2 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoIndukcja. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak
Indukcja Materiały pomocnicze do wykładu wykładowca: dr Magdalena Kacprzak Charakteryzacja zbioru liczb naturalnych Arytmetyka liczb naturalnych Jedną z najważniejszych teorii matematycznych jest arytmetyka
Bardziej szczegółowoa) 7 b) 19 c) 21 d) 34
Zadanie 1. Pytania testowe dotyczące podstawowych własności grafów. Zadanie 2. Przy każdym z zadań może się pojawić polecenie krótkiej charakterystyki algorytmu. Zadanie 3. W zadanym grafie sprawdzenie
Bardziej szczegółowoTEORIA GIER W EKONOMII WYKŁAD 2: GRY DWUOSOBOWE O SUMIE ZEROWEJ. dr Robert Kowalczyk Katedra Analizy Nieliniowej Wydział Matematyki i Informatyki UŁ
TEORIA GIER W EKONOMII WYKŁAD 2: GRY DWUOSOBOWE O SUMIE ZEROWEJ dr Robert Kowalczyk Katedra Analizy Nieliniowej Wydział Matematyki i Informatyki UŁ Definicja gry o sumie zerowej Powiemy, że jest grą o
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 szczegółowoProgramowanie nieliniowe. Badania operacyjne Wykład 3 Metoda Lagrange a
Programowanie nieliniowe Badania operacyjne Wykład 3 Metoda Lagrange a Plan wykładu Przykład problemu z nieliniową funkcją celu Sformułowanie problemu programowania matematycznego Podstawowe definicje
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 szczegółowoPodejście zachłanne, a programowanie dynamiczne
Podejście zachłanne, a programowanie dynamiczne Algorytm zachłanny pobiera po kolei elementy danych, za każdym razem wybierając taki, który wydaje się najlepszy w zakresie spełniania pewnych kryteriów
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 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 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 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 szczegółowoc j x x
ZESTAW 1 Numer indeksu Test jest wielokrotnego wyboru We wszystkich mają być nieujemne 1 Pewien towar jest zmagazynowany w miejscowości A 1 w ilości 700 ton, w miejscowości 900 ton Ma być on przewieziony
Bardziej szczegółowoZofia Kruczkiewicz, Algorytmu i struktury danych, Wykład 14, 1
Wykład Algorytmy grafowe metoda zachłanna. Właściwości algorytmu zachłannego:. W przeciwieństwie do metody programowania dynamicznego nie występuje etap dzielenia na mniejsze realizacje z wykorzystaniem
Bardziej szczegółowoPrzykładowe zadania z teorii liczb
Przykładowe zadania z teorii liczb I. Podzielność liczb całkowitych. Liczba a = 346 przy dzieleniu przez pewną liczbę dodatnią całkowitą b daje iloraz k = 85 i resztę r. Znaleźć dzielnik b oraz resztę
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 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 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 szczegółowoZagadnienie transportowe
9//9 Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów
Bardziej szczegółowoAlgorytmy zachłanne. dr inż. Urszula Gałązka
Algorytmy zachłanne dr inż. Urszula Gałązka Algorytm zachłanny O Dokonuje wyboru, który w danej chwili wydaje się najkorzystniejszy. O Mówimy, że jest to wybór lokalnie optymalny O W rzeczywistości nie
Bardziej szczegółowoZałącznik KARTA PRZEDMIOTU. KARTA PRZEDMIOTU Wydział Automatyki, Elektroniki i Informatyki, Rok akademicki: 2009/2010
1/1 Wydział Automatyki, Elektroniki i Informatyki, Rok akademicki: 2009/2010 Kierunek: INFORMATYKA Specjalność: PRZEDMIOT OBOWIĄZKOWY DLA WSZYSTKICH STUDENTÓW. Tryb studiów: NIESTACJONARNE PIERWSZEGO STOPNIA
Bardziej szczegółowoWprowadzenie do algorytmów / Thomas H. Cormen [et al.]. - wyd. 7. Warszawa, Spis treści. Wprowadzenie 2
Wprowadzenie do algorytmów / Thomas H. Cormen [et al.]. - wyd. 7. Warszawa, 2012 Spis treści Przedmowa XIII Część I Podstawy Wprowadzenie 2 1. Rola algorytmów w obliczeniach 4 1.1. Algorytmy 4 1.2. Algorytmy
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 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 szczegółowoDodatek Solver Teoria Dodatek Solver jest częścią zestawu poleceń czasami zwaną narzędziami analizy typu co-jśli (analiza typu co, jeśli?
Dodatek Solver Teoria Dodatek Solver jest częścią zestawu poleceń czasami zwaną narzędziami analizy typu co-jśli (analiza typu co, jeśli? : Proces zmieniania wartości w komórkach w celu sprawdzenia, jak
Bardziej szczegółowoProgramowanie liniowe metoda sympleks
Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 13. wykład z algebry liniowej Warszawa, styczeń 2018 Mirosław Sobolewski (UW) Warszawa, 2018 1 /
Bardziej szczegółowoINFORMATYKA WYBRANE ALGORYTMY OPTYMALIZACYJNE KRYPTOLOGIA.
INFORMATYKA WYBRANE ALGORYTMY OPTYMALIZACYJNE KRYPTOLOGIA http://www.infoceram.agh.edu.pl Klasy metod algorytmicznych Metoda TOP-DOWN (zstępująca, analityczna) Metoda BOTTOM-UP (wstępująca, syntetyczna)
Bardziej szczegółowoZbudować model matematyczny do poniższych zagadnień (ułożyć program matematyczny ).
PROGRAMOWANIE LINIOWE Zbudować model matematyczny do poniższych zagadnień (ułożyć program matematyczny ). Problem. Przedsiębiorstwo przewozowe STAR zajmuje się dostarczaniem lodów do sklepów. Dane dotyczące
Bardziej szczegółowoProgramowanie liniowe metoda sympleks
Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2009 Mirosław Sobolewski (UW) Warszawa, 2009 1 / 13
Bardziej szczegółowoOpis przedmiotu: Badania operacyjne
Opis : Badania operacyjne Kod Nazwa Wersja TR.SIK306 Badania operacyjne 2013/14 A. Usytuowanie w systemie studiów Poziom Kształcenia Stopień Rodzaj Kierunek studiów Profil studiów Specjalność Jednostka
Bardziej szczegółowoBadania operacyjne Operation research. Transport I stopień (I stopień / II stopień) Ogólnoakademicki (ogólno akademicki / praktyczny)
Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2013/2014 Badania
Bardziej szczegółowoProgramowanie liniowe metoda sympleks
Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2012 Mirosław Sobolewski (UW) Warszawa, 2012 1 / 12
Bardziej szczegółowoTechniki konstruowania algorytmów. Metoda dziel i zwyciężaj
Techniki konstruowania algorytmów Metoda dziel i zwyciężaj Technika dziel i zwyciężaj Aby rozwiązać problem techniką dziel i zwyciężaj musi on wykazywać własność podstruktury rozwiązanie problemu można
Bardziej szczegółowoAlgorytmy grafowe. Wykład 1 Podstawy teorii grafów Reprezentacje grafów. Tomasz Tyksiński CDV
Algorytmy grafowe Wykład 1 Podstawy teorii grafów Reprezentacje grafów Tomasz Tyksiński CDV Rozkład materiału 1. Podstawowe pojęcia teorii grafów, reprezentacje komputerowe grafów 2. Przeszukiwanie grafów
Bardziej szczegółowoMatematyka dyskretna dla informatyków
Matematyka dyskretna dla informatyków Część I: Elementy kombinatoryki Jerzy Jaworski Zbigniew Palka Jerzy Szymański Uniwersytet im. Adama Mickiewicza Poznań 2007 4 Zależności rekurencyjne Wiele zależności
Bardziej szczegółowoWyznaczanie optymalnej trasy problem komiwojażera
Wyznaczanie optymalnej trasy problem komiwojażera Optymalizacja w podejmowaniu decyzji Opracowała: mgr inż. Natalia Malinowska Wrocław, dn. 28.03.2017 Wydział Elektroniki Politechnika Wrocławska Plan prezentacji
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 szczegółowoPaweł Gładki. Algebra. pgladki/
Paweł Gładki Algebra http://www.math.us.edu.pl/ pgladki/ Konsultacje: Środa, 14:00-15:00 Jeżeli chcesz spotkać się z prowadzącym podczas konsultacji, postaraj się powiadomić go o tym przed lub po zajęciach,
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 szczegółowoAlgorytmy Równoległe i Rozproszone Część V - Model PRAM II
Algorytmy Równoległe i Rozproszone Część V - Model PRAM II Łukasz Kuszner pokój 209, WETI http://www.sphere.pl/ kuszner/ kuszner@sphere.pl Oficjalna strona wykładu http://www.sphere.pl/ kuszner/arir/ 2005/06
Bardziej szczegółowoOpis przedmiotu. Karta przedmiotu - Badania operacyjne Katalog ECTS Politechniki Warszawskiej
Kod przedmiotu TR.NIK405 Nazwa przedmiotu Badania operacyjne Wersja przedmiotu 2015/2016 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia studiów
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 szczegółowoProgramowanie sieciowe. Tadeusz Trzaskalik
Programowanie Tadeusz Trzaskalik 8.1. Wprowadzenie Słowa kluczowe Drzewo rozpinające Minimalne drzewo rozpinające Najkrótsza droga w sieci Wierzchołek początkowy Maksymalny przepływ w sieci Źródło Ujście
Bardziej szczegółowoZASTOSOWANIE PROGRAMOWANIA LINIOWEGO W ZAGADNIENIACH WSPOMAGANIA PROCESU PODEJMOWANIA DECYZJI
Wstęp ZASTOSOWANIE PROGRAMOWANIA LINIOWEGO W ZAGADNIENIACH WSPOMAGANIA PROCESU PODEJMOWANIA DECYZJI Problem podejmowania decyzji jest jednym z zagadnień sterowania nadrzędnego. Proces podejmowania decyzji
Bardziej szczegółowoZagadnienie transportowe i zagadnienie przydziału
Temat: Zagadnienie transportowe i zagadnienie przydziału Zadanie 1 Trzy piekarnie zlokalizowane na terenie miasta są zaopatrywane w mąkę z trzech magazynów znajdujących się na peryferiach. Zasoby mąki
Bardziej szczegółowoElementy teorii grafów Elementy teorii grafów
Spis tresci 1 Spis tresci 1 Często w zagadnieniach praktycznych rozważa się pewien zbiór obiektów wraz z zależnościami jakie łączą te obiekty. Dla przykładu można badać pewną grupę ludzi oraz strukturę
Bardziej szczegółowo1 Pochodne wyższych rzędów
1 Pochodne wyższych rzędów Definicja 1.1 (Pochodne cząstkowe drugiego rzędu) Niech f będzie odwzorowaniem o wartościach w R m, określonym na zbiorze G R k. Załóżmy, że zbiór tych x G, dla których istnieje
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 szczegółowoMatematyka dyskretna - 8. Egzaminy próbne. Uwaga! Niektórych z tych zadań nie obejmuje program dla studiów zaocznych - proszę się tym nie niepokoić -
Matematyka dyskretna - 8. Egzaminy próbne. Uwaga! Niektórych z tych zadań nie obejmuje program dla studiów zaocznych - proszę się tym nie niepokoić - takie zadania pojawią się tylko na egzaminach dla studentów
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 i teoria optymalizacji. Prowadzący: dr Tomasz Pisula Katedra Metod Ilościowych
BADANIA OPERACYJNE i teoria optymalizacji Prowadzący: dr Tomasz Pisula Katedra Metod Ilościowych e-mail: tpisula@prz.edu.pl 1 Literatura podstawowa wykorzystywana podczas zajęć wykładowych: 1. Gajda J.,
Bardziej szczegółowo//warunki początkowe m=500; T=30; c=0.4; t=linspace(0,t,m); y0=[-2.5;2.5];
4.3. Przykłady wykorzystania funkcji bibliotecznych 73 MATLAB % definiowanie funkcji function [dx]=vderpol(t,y) global c; dx=[y(2); c*(1-y(1)^2)*y(2)-y(1)]; SCILAB // definiowanie układu function [f]=vderpol(t,y,c)
Bardziej szczegółowo