Algorytm simplex i dualność
|
|
- Renata Walczak
- 6 lat temu
- Przeglądów:
Transkrypt
1 Algorytm simplex i dualność Łukasz Kowalik Instytut Informatyki, Uniwersytet Warszawski April 15, 2016 Łukasz Kowalik (UW) LP April 15, / 35
2 Przypomnienie 1 Wierzchołkiem wielościanu P nazywamy dowolny punkt x P, który jest jedynym rozwiązaniem optymalnym dla pewnej funkcji celu c. Punktem ekstremalnym wielościanu P nazywamy dowolny punkt x P, który nie jest wypukłą kombinacją dwóch innych punktów y, z P. (Przypomnijmy, że wypukła kombinacja y i z to dowolny punkt postaci λy + (1 λ)z dla pewnego λ [0, 1].) Bazowe rozwiązanie dopuszczalne (brd) PL o n zmiennych to rozwiązanie dopuszczalne x R n takie, że istnieje n liniowo niezależnych ograniczeń (w sensie wektorów współczynników przy x i, tzn. x 1 + 2x 2 1 i x 1 + 2x 2 2 są liniowo zależne), które dla x są spełnione z równością. Twierdzenie Pojęcia wierzchołka, punktu ekstremalnego i brd są równoważne. Łukasz Kowalik (UW) LP April 15, / 35
3 Przypomnienie 2 Program liniowy jest ograniczony, gdy posiada rozwiązanie optymalne. Twierdzenie Każdy ograniczony PL w postaci standardowej Ax b, x 0 ma rozwiązanie optymalne, które jest punktem ekstremalnym (czyli także brd). Wniosek Istnieje algorytm ( brutalny ), który rozwiązuje PL w postaci standardowej o n zmiennych i m ograniczeniach w czasie O( ( m n) n 3 ). Dowód: Dla każdego z ( m n) wyborów n ograniczeń wykonaj: Wybór generuje układ n równań z n niewiadomymi Rozwiąż ten układ za pomocą eliminacji Gaussa. Jeśli ma dokładnie jedno rozwiązanie x, mamy brd. Obliczamy dla niego wartość funkcji celu c T x i zapamiętujemy x jeśli jest lepsze niż dotychczas najlepsze rozwiązanie. Łukasz Kowalik (UW) LP April 15, / 35
4 Efektywne algorytmy programowania liniowego Algorytm Simplex (George Dantzig 1947). Złożoność pesymistyczna wykładnicza. Istnieją implementacje o złożoności oczekiwanej 2 O( n) poly(n). Bardzo dobrze zachowuje się na rzeczywistych danych. Powszechnie używany w praktyce Algorytm Elipsoidalny (Leonid Khachiyan 1979). czas O(n 4 L), gdzie L = długość zapisu binarnego danych (A, b, c) zaimplementowany ale niepraktyczny Algorytm punktu wewnętrznego (Narendra Karmarkar 1984). O(n 3.5 L) w praktyce porównywalny z simplexem, ale rzadko stosowany. Łukasz Kowalik (UW) LP April 15, / 35
5 Algorytm simplex Łukasz Kowalik (UW) LP April 15, / 35
6 Algorytm simplex: idea Podejście przeszukiwania lokalnego: wybierz dowolny wierzchołek dopóki jeden z sąsiednich wierzchołków jest lepszy (lub nie gorszy) przenieś się tam. Łukasz Kowalik (UW) LP April 15, / 35
7 Algorytm simplex: przejście do postaci dopełnieniowej max z max 3x 1 + x 2 + 2x 3 x 1 + x 2 + 3x x 1 + 2x 2 + 5x x 1 + x 2 + 2x 3 36 x 1, x 2, x 3 0. z = 3x 1 + x 2 + 2x 3 x 4 = 30 x 1 x 2 3x 3 x 5 = 24 2x 1 2x 2 5x 3 x 6 = 36 4x 1 x 2 2x 3 x 1, x 2, x 3, x 4, x 5, x 6 0. początkowe brd (0, 0, 0) (0, 0, 0, 30, 24, 36) Łukasz Kowalik (UW) LP April 15, / 35
8 Algorytm simplex: niezmiennik max z z = 3x 1 + x 2 + 2x 3 x 4 = 30 x 1 x 2 3x 3 x 5 = 24 2x 1 2x 2 5x 3 x 6 = 36 4x 1 x 2 2x 3 x 1, x 2, x 3, x 4, x 5, x 6 0. B = {4, 5, 6} N = {1, 2, 3} Niezmiennik Zmienne dzielą się na bazowe B = {B 1,..., B m } i niebazowe N = {N 1,..., N n } Program zawiera: równanie postaci z = v + n j=1 c jx Nj ; i = 1,..., m równanie postaci x Bi = b i + n j=1 a i,jx Nj, gdzie b i 0; i = 1,..., n + m nierówność x i 0, gdzie v, c j, b j, a i,j są stałymi. Łukasz Kowalik (UW) LP April 15, / 35
9 Algorytm simplex: niezmiennik max z z = 3x 1 + x 2 + 2x 3 x 4 = 30 x 1 x 2 3x 3 x 5 = 24 2x 1 2x 2 5x 3 x 6 = 36 4x 1 x 2 2x 3 x 1, x 2, x 3, x 4, x 5, x 6 0. B = {4, 5, 6} N = {1, 2, 3} Fakt Jeśli spełniony jest niezmiennik, to rozwiązanie (x 1,..., x n+m ) postaci { 0 gdy i N x i = gdy i = B j dla pewnego j = 1,..., n b j jest bazowym rozwiązaniem dopuszczalnym o wartości funkcji celu v. Tu: x = (0, 0, 0, 30, 24, 36). Łukasz Kowalik (UW) LP April 15, / 35
10 Algorytm simplex: powiększanie wartości funckji celu max z z = 3x 1 + x 2 + 2x 3 x 4 = 30 x 1 x 2 3x 3 x 5 = 24 2x 1 2x 2 5x 3 x 6 = 36 4x 1 x 2 2x 3 x 1, x 2, x 3, x 4, x 5, x 6 0. B = {4, 5, 6} N = {1, 2, 3} powiększając x 1 powiększamy z jak bardzo możemy powiększyć x 1? x 1 := min{ 30 1, 24 2, 36 4 } = 36 4 = 9. wówczas jedna ze zmiennych bazowych (tu: x 6 ) przyjmuje wartość 0. B := B {6} {1}, N := N {1} {6}. zmieniamy bazę: x 1 jest zmienną wchodzącą, x 6 wychodzącą. Łukasz Kowalik (UW) LP April 15, / 35
11 Wymiana bazy (pivot) Operacja wymiany bazy (ang. pivot) przebiega w dwóch krokach: 1 Rozwiąż równanie zawierające zmienną wychodzącą ze względu na zmienną wchodzącą. W tym przypadku otrzymujemy: x 1 = x x x 6. 2 wstaw wynik zamiast x 1 z prawej strony wszystkich równań (czyli uaktualnij współczynniki przy zmiennych niebazowych i wyrazy wolne). W tym przypadku otrzymujemy: z = x x x 6 x 1 = x x x 6 x 4 = x x x 6 x 5 = x 2 4x x 6. B = {1, 4, 5} N = {2, 3, 6} x = (9, 0, 0, 21, 6, 0) z = 27. Łukasz Kowalik (UW) LP April 15, / 35
12 Druga wymiana bazy z = x x x 6 x 1 = x x x 6 x 4 = x x x 6 x 5 = x 2 4x x 6. Do bazy mogą wejść x 2 lub x 3. (współczynnik w f-cji celu musi być { dodatni!) } 9 Wybierzmy x 3. Wtedy x 3 := min 1, 21 5, 6 4 = 6 4 = x 5 wychodzi z bazy. z = x x x 6 x 1 = x x x 6 x 3 = x x x 6 x 4 = x x x 6. B = {1, 3, 4} N = {2, 5, 6} x = ( 33 4, 0, 3 2, , 0, 0) z = 4. Łukasz Kowalik (UW) LP April 15, / 35
13 Trzecia wymiana bazy z = x x x 6 x 1 = x x x 6 x 3 = x x x 6 x 4 = x x x 6. Do bazy może wejść tylko x 2. Uwaga: w ostatnim równaniu wsp. przed x 2 dodatni: x 4 nie będze wychodzący. Łukasz Kowalik (UW) LP April 15, / 35
14 Trzecia wymiana bazy z = x x x 6 x 1 = x x x 6 x 3 = x x x 6 x 4 = x x x 6. Do bazy może wejść tylko x 2. Uwaga: w ostatnim równaniu wsp. przed x 2 dodatni: x 4 nie będze wychodzący. Co by było gdyby gdyby istniała zmienna z dodatnim współczynnikiem w funkcji celu i nieujemnymi współczynnikami w pozostałych równaniach? Wówczas algorytm simplex zwraca komunikat PROGRAM NIEOGRANICZONY i kończy działanie. Łukasz Kowalik (UW) LP April 15, / 35
15 Trzecia wymiana bazy z = x x x 6 x 1 = x x x 6 x 3 = x x x 6 x 4 = x x x 6. Do bazy może wejść tylko x 2. Uwaga: w ostatnim równaniu wsp. przed x 2 dodatni: x 4 nie będze wychodzący. x 2 := min { , x 3 wychodzi z bazy. } = = 4. z = x x x 6 x 1 = x x x 6 x 2 = x x x 6 x 4 = x x 5 + 0x 6. B = {1, 2, 4} N = {3, 5, 6} x = (8, 4, 0, 18, 0, 0) z = 28. Łukasz Kowalik (UW) LP April 15, / 35
16 Rozwiązanie optymalne z = x x x 6 x 1 = x x x 6 x 2 = x x x 6 x 4 = x x 5 + 0x 6 B = {1, 2, 4} N = {3, 5, 6} x = (8, 4, 0, 18, 0, 0) z = 28. Nie możemy wymienić bazy (wszystkie współczynniki ujemne!) Wszystkie współczynniki ujemne mamy rozwiązanie optymalne! (bo dla dow. x 3, x 5, x 6 0 będzie z 28) Kolejne programy liniowe miały taki sam zbiór rozwiązań dopuszczalnych (bo są opisane równoważnymi układami równań) Łukasz Kowalik (UW) LP April 15, / 35
17 Rozwiązanie optymalne Wniosek Jeśli w pewnym kroku algorytmu simplex wszystkie współczynniki (przy zmiennych niebazowych) w funkcji celu są ujemne, to znalezione bazowe rozwiązanie dopuszczalne jest optymalnym rozwiązaniem oryginalnego programu. W naszym przypadku dostaliśmy rozwiązanie (x 1, x 2, x 3 ) = (8, 4, 0) o wartości funkcji celu 28. Łukasz Kowalik (UW) LP April 15, / 35
18 simplex: pseudokod 1 Sprowadź PL do postaci dopełnieniowej. 2 Znajdź równoważny PL taki, żeby spełniony był niezmiennik. 3 Dopóki istnieje j {1,..., n} takie, że c j > 0 (c j = współczynnik przed x Nj w aktualnej funkcji celu), 3.1. Wybierz takie j (x Nj jest zmienną wchodzącą) Jeśli dla każdego i = 1,..., m, jest a i,j 0 (tzn. dla każdego równania współczynnik przed x Nj jest nieujemny) zwróć PROGRAM NIEOGRANICZONY wpp., wybierz i takie, że = min{ b i a i,j a i,j < 0} (x Bi jest zmienną b i a i,j wychodzącą) wykonaj operację Pivot (j,i) 4 Zwróć rozwiązanie postaci: dla każdego i = 1,..., n, x i = { 0 gdy i N b j gdy i = B j dla pewnego j = 1,..., m. Łukasz Kowalik (UW) LP April 15, / 35
19 simplex: własność stopu 1 Jeśli podczas każdej operacji zamiany bazy wartość funkcji celu rośnie, algorytm zatrzyma się. 2 Ale nie musi tak być: z = 4 + 2x 1 x 2 4x 4 x 3 = x 4 x 5 = 2x 1 + 4x 2 + 3x 4 x 6 = + x 1 3x 2 + 2x 4. z = 4 + 3x 2 x 4 x 5 x 1 = + 2x x x 5 x 3 = x 4 x 6 = x x x 5. B = {3, 5, 6}, N = {1, 2, 4} B = {1, 3, 6}, N = {2, 4, 5}, x = (0, 0, 1 2, 0, 0, 0), z = 4 x = (0, 0, 1 2, 0, 0, 0), z = 4 x 1 wychodzi z bazy, x 5 wchodzi (nie ma innego wyjścia) baza się zmienia, x się nie zmienia. Łukasz Kowalik (UW) LP April 15, / 35
20 simplex: własność stopu Fakt Jeśli zmienne wchodzące/wychodzące są wybierane dowolnie algorytm simplex nie ma własności stopu. Twierdzenie (Reguła Blanda, 1977) Jeśli podczas wymiany bazy: spośród możliwych zmiennych wchodzących wybierana jest zmienna o najmniejszym indeksie oraz, spośród możliwych zmiennych wychodzących wybierana jest zmienna o najmniejszym indeksie to algorytm simplex kończy swoje działanie. (Nie będziemy tego dowodzić.) Łukasz Kowalik (UW) LP April 15, / 35
21 Złożoność algorytmu simplex Fakt Istnieją przykłady programów liniowych, dla których algorytm simplex działa w czasie Ω(2 n ). Mimo to, następujący problem pozostaje otwarty. (Ważny!) problem otwarty Czy istnieją reguły wyboru zmiennej wchodzącej i wychodzącej, dla których algorytm simplex działa w czasie wielomianowym? Najlepsze, co udało się uzyskać: Twierdzenie [Kalai 1992, Matousek, Sharir, Welzl 1996] Istnieją reguły dla których algorytm simplex działa w oczekiwanym czasie 2Õ( n). Łukasz Kowalik (UW) LP April 15, / 35
22 Czego brakuje?
23 Czego brakuje? Znajdowanie pierwszego brd 1 Chcemy znaleźć początkowe brd (inaczej: chcemy mieć PL równoważny oryginalnemu, który spełnia niezmiennik). 2 Jeśli program jest postaci max c T x, Ax b, x 0, oraz b 0 to łatwo: (0,..., 0, b 1,..., b m ). 3 Idea: w ogólnym przypadku... użyjemy algorytmu simplex! Łukasz Kowalik (UW) LP April 15, / 35
24 Znajdowanie pierwszego brd 1 Sprowadź program do postaci dopełnieniowej (P1). (Niezmiennik nie zachodzi, bo niekoniecznie b i 0.) 2 Dodaj nową zmienną x 0 i zbuduj nowy program. (P1) max 0 + c 1 x c n x n x n+1 = b 1 + a 11 x a 1n x n x n+2 = b 2 + a 21 x a 2n x n. x n+m = b m + a m1 x a mn x n i x i 0 (P2) min x 0 x n+1 = b 1 + a 11 x a 1n x n + x 0 x n+2 = b 2 + a 21 x a 2n x n + x 0.. x n+m = b m + a m1 x a mn x n + x 0 i x i 0 Fakt Program (P1) ma rozwiązanie dopuszczalne wtw gdy (P2) ma rozwiązanie optymalne o wartości funckcji celu 0. Łukasz Kowalik (UW) LP April 15, / 35
25 Znajdowanie pierwszego brd min x 0 x n+1 = b 1 + a 11 x a 1n x n + x 0 x n+2 = b 2 + a 21 x a 2n x n + x 0.. x n+m = b m + a m1 x a mn x n + x 0 i x i 0 3 Wybierz k takie, że b k = min i {b i }. Możemy założyć, że b k < 0. Usuń z bazy x k i wprowadź do bazy x 0 : min b k a k1 x 1... a kn x n + x n+k i k x n+i = b i b k + (a i1 a k1 )x (a in a kn )x n + x n+k x 0 = b k a k1 x 1... a kn x n + x n+k x i 0 Wówczas niezmiennik zachodzi! 4 Za pomocą algorytmu simplex znajdujemy rozwiązanie optymalne x. Łukasz Kowalik (UW) LP April 15, / 35
26 Znajdowanie pierwszego brd Mamy rozwiązanie optymalne (x0, x 1,..., x n) programu (P3): min b k a k1 x 1... a kn x n + x n+k i k x n+i = b i b k + (a i1 a k1 )x (a in a kn )x n + x n+k x 0 = b k a k1 x 1... a kn x n + x n+k x i 0 Jeśli x0 > 0 zwracamy informację PROGRAM SPRZECZNY Jeśli x0 = 0 oraz x 0 jest niebazowa, wystarczy z (P3) usunąć x 0. Otrzymujemy wtedy program równoważny oryginalnemu programowi (P1), który spełnia niezmiennik Jeśli x 0 bazowa to mamy równość: x 0 = 0 + j N a jx Nj. dla pewnego j mamy a j > 0 (inaczej we wszystkich rozwiązaniach dopuszczalnych x 0 = 0, sprzeczność, bo w pierwszym brd tak nie było). Zamienamy x 0 z x Nj. Łukasz Kowalik (UW) LP April 15, / 35
27 Dualność programowania liniowego Łukasz Kowalik (UW) LP April 15, / 35
28 Certyfikat optymalności Powiedzmy, że mamy pewne wartościowanie zmiennych x dla pewnego PL. Łatwo sprawdzić czy x jest dopuszczalny. Chcemy przekonać kolegę, że x jest optymalny. Albo bliski optymalności. Czy można to zrobić w prosty sposób? Łukasz Kowalik (UW) LP April 15, / 35
29 Poszukiwanie górnego ograniczenia Rozważmy następujący PL w postaci standardowej: max 3x 1 x 2 + 2x 3 x 1 x x 3 4 4x 1 + 2x 2 + 3x 3 20 x 1, x 2, x 3 0 (x 1 = 2, x 2 = 0, x 3 = 4) jest rozw. dopuszczalnym o wartości f-cji celu 14. Ponieważ x 1, x 2, x 3 0, to 3x 1 4x 1 x 2 2x 2 2x 3 3x 3. Razem: 3x 1 x 2 + 2x 3 4x 1 + 2x 2 + 3x 3 20 Czyli c T x 20 dla dowolnego dopuszczalnego x. Łukasz Kowalik (UW) LP April 15, / 35
30 Poszukiwanie górnego ograniczenia: próba 2 max 3x 1 x 2 + 2x 3 x 1 x x 3 4 4x 1 + 2x 2 + 3x 3 20 x 1, x 2, x 3 0 (x 1 = 2, x 2 = 0, x 3 = 4) jest rozw. dopuszczalnym o wartości f-cji celu 14. Ponieważ x 1, x 2, x 3 0, to 3x 1 x 2 + 2x 3 x 1 x x (4x 1 + 2x 2 + 3x 3 ) = 14. Czyli c T x 14 dla dowolnego dopuszczalnego x. (x jest optymalny!) Łukasz Kowalik (UW) LP April 15, / 35
31 Poszukiwanie górnego ograniczenia: co się stało? Fartownie, pokazaliśmy: max 3x 1 x 2 + 2x 3 x 1 x x 3 4 4x 1 + 2x 2 + 3x 3 20 x 1, x 2, x 3 0 3x 1 x 2 + 2x 3 x 1 x x (4x 1 + 2x 2 + 3x 3 ) = 14. Co tu się działo? Szukaliśmy kombinacji liniowej nierówności y 1 (x 1 x x 3 4) + y 2 (4x 1 + 2x 2 + 3x 3 20) t.ż. y 1, y 2 0, 3 y y 2 4, 1 y 1 ( 1) + y 2 2, 2 y y 2 3, y y 1 20 możliwie najmniejsze. To jest program liniowy! Łukasz Kowalik (UW) LP April 15, / 35
32 Program dualny program prymalny max 3x 1 x 2 + 2x 3 x 1 x x 3 4 4x 1 + 2x 2 + 3x 3 20 x 1, x 2, x 3 0 Dla dowolnego programu w postaci standardowej: Obserwacja P1: P2: max c T x min Ax b x 0 program dualny min 4y y 2 y 1 + 4y 2 3 y 1 + 2y y 1 + 3y 2 2 y 1, y 2 0. b T y A T y c y 0 Rozumując analogicznie, wychodząc od P2 dostaniemy P1. P1 jest dualny do P2. Łukasz Kowalik (UW) LP April 15, / 35
33 Słaba dualność Twierdzenie o słabej dualności Niech x i y będą dowolnymi rozwiązaniami dopuszczalnymi odpowiednio programów maxc T x, Ax b, x 0 oraz minb T y, A T x c, y 0. Wówczas c T x b T y. Proof. ( m ) c j x j a ij y i x j j oraz Stąd, i=1 n a ij x j y i b i y i j=1 i c T x = n c j x j n m a ij y i x j = m n a ij x j y i b i y i m b i y i = b T y. j=1 j=1 i=1 i=1 j=1 i=1 Łukasz Kowalik (UW) LP April 15, / 35
34 Komplementarne warunki swobody Wniosek z dowodu Niech x i y będą rozwiązaniami dopuszczalnymi odpowiednio dla zadania prymalnego i dualnego w postaci standardowej. Rozwiązania x i y są oba optymalne wtedy i tylko wtedy gdy (i) prymalne komplementarne warunki swobody dla każdego j = 1,..., n albo x j = 0 albo m i=1 a ijy i = c j. (albo x j = 0 albo j-ta nierówność programu dualnego jest spełniona z równością.) (ii) dualne komplementarne warunki swobody dla każdego i = 1,..., m albo y i = 0 albo n j=1 a ijx j = b i. (albo y i = 0 albo i-ta nierówność programu prymalnego jest spełniona z równością.) Łukasz Kowalik (UW) LP April 15, / 35
35 Gdy program nie jest standardowy: równości Tak jak poprzednio, chcemy znaleźć jak najlepsze górne ograniczenie. program prymalny max 3x 1 x 2 + 2x 3 x 1 x x 3 4 4x 1 2x 2 3x 3 = 20 x 1, x 2, x 3 0 Teraz y 2 nie musi być nieujemny! program dualny min 4y y 2 y 1 + 4y 2 3 y 1 + 2y y 1 + 3y 2 2 y 1 0. Łukasz Kowalik (UW) LP April 15, / 35
36 Gdy program nie jest standardowy: zmienne bez znaku Tak jak poprzednio, chcemy znaleźć jak najlepsze górne ograniczenie. program prymalny max 3x 1 x 2 + 2x 3 x 1 x x 3 4 4x 1 + 2x 2 + 3x 3 = 20 x 1, x 3 0 program dualny min 4y y 2 y 1 + 4y 2 3 y 1 + 2y 2 = y 1 + 3y 2 2 y 1 0. Chcemy x 2 ( y 1 + 2y 2 )x 2. Nierówność 1 y 1 + 2y 2 już nam tego nie implikuje. Zadowolimy się równością y 1 + 2y 2 = 1. Łukasz Kowalik (UW) LP April 15, / 35
37 Ogólne reguły tworzenia programów dualnych PRYMALNY DUALNY f. celu max c T x f.celu min b T y i-ty warunek n j=1 a ijx j b i i-ta zmienna y i 0 i-ty warunek n j=1 a ijx j = b i i-ta zmienna y i nieograniczone. j-ta zmienna x j 0 j-ty warunek m i=1 a ij c j j-ta zmienna x j nieograniczone j-ty warunek m i=1 a ij = c j (Słaba dualność dalej zachodzi!) Łukasz Kowalik (UW) LP April 15, / 35
38 Silna dualność Twierdzenie o słabej dualności można również wyrazić w następujący sposób: Corollary (słaba dualność) Jeśli z jest wartością funkcji celu rozwiązania optymalnego prymalnego minimalizacyjnego PL, natomiast w jest wartością funkcji celu rozwiązania optymalnego programu dualnego, to z w. Wynika stąd w szczególności, że gdy z = w, to rozwiązanie optymalne programu dualnego jest certyfikatem optymalności naszego rozwiązania programu prymalnego. Okazuje się, że tak jest zawsze! Theorem (silna dualność) Jeśli z jest wartością funkcji celu rozwiązania optymalnego prymalnego PL, natomiast w jest wartością funkcji celu rozwiązania optymalnego programu dualnego, to z = w. Łukasz Kowalik (UW) LP April 15, / 35
Programowanie 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 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 szczegółowo1 Podstawowe pojęcia. 1.1 Co to jest programowanie liniowe? Łukasz Kowalik, Wstęp do programowania liniowego 1
Łukasz Kowalik, Wstęp do programowania liniowego 1 1 Podstawowe pojęcia 1.1 Co to jest programowanie liniowe? Program liniowy (w skrócie PL 1 ) jest to problem minimalizacji/maksymalizacji liniowej funkcji
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 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 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 szczegółowoMetoda simpleks. Gliwice
Sprowadzenie modelu do postaci bazowej Sprowadzenie modelu do postaci bazowej Przykład 4 Model matematyczny z Przykładu 1 sprowadzić do postaci bazowej. FC: ( ) Z x, x = 6x + 5x MAX 1 2 1 2 O: WB: 1 2
Bardziej szczegółowoRozdział 1 PROGRAMOWANIE LINIOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 1 PROGRAMOWANIE LINIOWE 1.2 Ćwiczenia komputerowe Ćwiczenie 1.1 Wykorzystując
Bardziej szczegółowoWprowadzenie do badań operacyjnych - wykład 2 i 3
Wprowadzenie do badań operacyjnych - wykład 2 i 3 Hanna Furmańczyk 14 listopada 2008 Programowanie liniowe (PL) - wszystkie ograniczenia muszą być liniowe - wszystkie zmienne muszą być ciągłe n j=1 c j
Bardziej szczegółowoPROGRAMOWANIE KWADRATOWE
PROGRAMOWANIE KWADRATOWE Programowanie kwadratowe Zadanie programowania kwadratowego: Funkcja celu lub/i co najmniej jedno z ograniczeń jest funkcją kwadratową. 2 Programowanie kwadratowe Nie ma uniwersalnej
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 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 szczegółowoKolejny krok iteracji polega na tym, że przechodzimy do następnego wierzchołka, znajdującego się na jednej krawędzi z odnalezionym już punktem, w
Metoda Simpleks Jak wiadomo, problem PL z dowolną liczbą zmiennych można rozwiązać wyznaczając wszystkie wierzchołkowe punkty wielościanu wypukłego, a następnie porównując wartości funkcji celu w tych
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 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 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 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 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 szczegółowoRozdział 6 PROGRAMOWANIE WYPUKŁE I KWADRATOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 6 PROGRAMOWANIE WYPUKŁE I KWADRATOWE 6. Ćwiczenia komputerowe Ćwiczenie 6.1
Bardziej szczegółowoBADANIA OPERACYJNE pytania kontrolne
DUALNOŚĆ 1. Podać twierdzenie o dualności 2. Jaka jest zależność pomiędzy funkcjami celu w zadaniu pierwotnym i dualnym? 3. Prawe strony ograniczeń zadania pierwotnego, w zadaniu dualnym są 4. Współczynniki
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 szczegółowoWstęp do metod numerycznych Eliminacja Gaussa Równania macierzowe. P. F. Góra
Wstęp do metod numerycznych Eliminacja Gaussa Równania macierzowe P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2015 Co można zrobić z układem równań... tak, aby jego rozwiazania się nie zmieniły? Rozważam
Bardziej szczegółowoUkłady równań liniowych. Ax = b (1)
Układy równań liniowych Dany jest układ m równań z n niewiadomymi. Liczba równań m nie musi być równa liczbie niewiadomych n, tj. mn. a a... a b n n a a... a b n n... a a... a b m m mn n m
Bardziej szczegółowoMetoda eliminacji Gaussa. Autorzy: Michał Góra
Metoda eliminacji Gaussa Autorzy: Michał Góra 9 Metoda eliminacji Gaussa Autor: Michał Góra Przedstawiony poniżej sposób rozwiązywania układów równań liniowych jest pewnym uproszczeniem algorytmu zwanego
Bardziej szczegółowoTreść wykładu. Układy równań i ich macierze. Rząd macierzy. Twierdzenie Kroneckera-Capellego.
. Metoda eliminacji. Treść wykładu i ich macierze... . Metoda eliminacji. Ogólna postać układu Układ m równań liniowych o n niewiadomych x 1, x 2,..., x n : a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21
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 szczegółowo13 Układy równań liniowych
13 Układy równań liniowych Definicja 13.1 Niech m, n N. Układem równań liniowych nad ciałem F m równaniach i n niewiadomych x 1, x 2,..., x n nazywamy koniunkcję równań postaci a 11 x 1 + a 12 x 2 +...
Bardziej szczegółowo3. Macierze i Układy Równań Liniowych
3. Macierze i Układy Równań Liniowych Rozważamy równanie macierzowe z końcówki ostatniego wykładu ( ) 3 1 X = 4 1 ( ) 2 5 Podstawiając X = ( ) x y i wymnażając, otrzymujemy układ 2 równań liniowych 3x
Bardziej szczegółowoUkłady równań liniowych
Układy równań liniowych Niech K będzie ciałem. Niech n, m N. Równanie liniowe nad ciałem K z niewiadomymi (lub zmiennymi) x 1, x 2,..., x n K definiujemy jako formę zdaniową zmiennej (x 1,..., x n ) K
Bardziej szczegółowoRozwiązywanie układów równań liniowych metody dokładne Materiały pomocnicze do ćwiczeń z metod numerycznych
Rozwiązywanie układów równań liniowych metody dokładne Materiały pomocnicze do ćwiczeń z metod numerycznych Piotr Modliński Wydział Geodezji i Kartografii PW 13 stycznia 2012 P. Modliński, GiK PW Rozw.
Bardziej szczegółowoWykład z równań różnicowych
Wykład z równań różnicowych 1 Wiadomości wstępne Umówmy się, że na czas tego wykładu zrezygnujemy z oznaczania n-tego wyrazu ciągu symbolem typu x n, y n itp. Zamiast tego pisać będziemy x (n), y (n) itp.
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 szczegółowoRozdział 2 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 2 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE 2.2 Ćwiczenia komputerowe Ćwiczenie
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 10 Rozkład LU i rozwiązywanie układów równań liniowych Niech będzie dany układ równań liniowych postaci Ax = b Załóżmy, że istnieją macierze L (trójkątna dolna) i U (trójkątna górna), takie że macierz
Bardziej szczegółowoWstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra
Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Uwarunkowanie zadania numerycznego Niech ϕ : R n R m będzie pewna funkcja odpowiednio wiele
Bardziej szczegółowoFormy kwadratowe. Mirosław Sobolewski. Wydział Matematyki, Informatyki i Mechaniki UW. 14. wykład z algebry liniowej Warszawa, styczeń 2017
Formy kwadratowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 14. wykład z algebry liniowej Warszawa, styczeń 2017 Mirosław Sobolewski (UW) Warszawa, 2017 1 / 10 Definicja Funkcja
Bardziej szczegółowoLaboratorium Metod Optymalizacji
Laboratorium Metod Optymalizacji Grupa nr... Sekcja nr... Ćwiczenie nr 4 Temat: Programowanie liniowe (dwufazowa metoda sympleksu). Lp. 1 Nazwisko i imię Leszek Zaczyński Obecność ocena Sprawozdani e ocena
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 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 szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania KOMPUTEROWE SYSTEMY STEROWANIA I WSPOMAGANIA DECYZJI Rozproszone programowanie produkcji z wykorzystaniem
Bardziej szczegółowoUKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać układu równań liniowych Układ liniowych równań algebraicznych
Bardziej szczegółowoW. Guzicki Próbna matura, grudzień 2014 r. poziom rozszerzony 1
W. Guzicki Próbna matura, grudzień 01 r. poziom rozszerzony 1 Próbna matura rozszerzona (jesień 01 r.) Zadanie 18 kilka innych rozwiązań Wojciech Guzicki Zadanie 18. Okno na poddaszu ma mieć kształt trapezu
Bardziej szczegółowoRozdział 1 PROGRAMOWANIE LINIOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 1 PROGRAMOWANIE LINIOWE 1.1 Opis programów Do rozwiązania zadań programowania
Bardziej szczegółowoUkłady równań liniowych
Układy równań liniowych Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 1. wykład z algebry liniowej Warszawa, październik 2015 Mirosław Sobolewski (UW) Warszawa, wrzesień 2015 1 / 1
Bardziej szczegółowoProgramowanie liniowe całkowitoliczbowe. Tadeusz Trzaskalik
Programowanie liniowe całkowitoliczbowe Tadeusz Trzaskalik .. Wprowadzenie Słowa kluczowe Rozwiązanie całkowitoliczbowe Założenie podzielności Warunki całkowitoliczbowości Czyste zadanie programowania
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 szczegółowoRozwiązywanie układów równań liniowych metody przybliżone Materiały pomocnicze do ćwiczeń z metod numerycznych
Rozwiązywanie układów równań liniowych metody przybliżone Materiały pomocnicze do ćwiczeń z metod numerycznych Piotr Modliński Wydział Geodezji i Kartografii PW 14 stycznia 2012 P. Modliński, GiK PW Rozw.
Bardziej szczegółowoWłasności wyznacznika
Własności wyznacznika Rozwinięcie Laplace a względem i-tego wiersza: n det(a) = ( 1) i+j a ij M ij (A), j=1 gdzie M ij (A) to minor (i, j)-ty macierzy A, czyli wyznacznik macierzy uzyskanej z macierzy
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 11 Ogólna postać metody iteracyjnej Definicja 11.1. (metoda iteracyjna rozwiązywania układów równań) Metodą iteracyjną rozwiązywania { układów równań liniowych nazywamy ciąg wektorów zdefiniowany
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 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 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 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 szczegółowoAlgebra liniowa z geometrią
Algebra liniowa z geometrią Maciej Czarnecki 15 stycznia 2013 Spis treści 1 Geometria płaszczyzny 2 1.1 Wektory i skalary........................... 2 1.2 Macierze, wyznaczniki, układy równań liniowych.........
Bardziej szczegółowoUkłady równań liniowych
Układy równań liniowych ozważmy układ n równań liniowych o współczynnikach a ij z n niewiadomymi i : a + a +... + an n d a a an d a + a +... + a n n d a a a n d an + an +... + ann n d n an an a nn n d
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 celowe #1
Programowanie celowe #1 Problem programowania celowego (PC) jest przykładem problemu programowania matematycznego nieliniowego, który można skutecznie zlinearyzować, tzn. zapisać (i rozwiązać) jako problem
Bardziej szczegółowoUKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
Transport, studia I stopnia rok akademicki 2011/2012 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Uwagi wstępne Układ liniowych równań algebraicznych można
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Programowanie liniowe. Metoda Simplex. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ ZADANIE LINIOWE Tortilla z ziemniaków i cebuli (4 porcje) 300
Bardziej szczegółowoZAGADNIENIE TRANSPORTOWE (część 1)
ZAGADNIENIE TRANSPORTOWE (część 1) Zadanie zbilansowane Przykład 1. Zadanie zbilansowane Firma posiada zakłady wytwórcze w miastach A, B i C, oraz centra dystrybucyjne w miastach D, E, F i G. Możliwości
Bardziej szczegółowoFormy kwadratowe. Rozdział 10
Rozdział 10 Formy kwadratowe Rozważmy rzeczywistą macierz symetryczną A R n n Definicja 101 Funkcję h : R n R postaci h (x) = x T Ax (101) nazywamy formą kwadratową Macierz symetryczną A występującą w
Bardziej szczegółowoR n = {(x 1, x 2,..., x n ): x i R, i {1,2,...,n} },
nazywa- Definicja 1. Przestrzenią liniową R n my zbiór wektorów R n = {(x 1, x 2,..., x n ): x i R, i {1,2,...,n} }, z określonymi działaniami dodawania wektorów i mnożenia wektorów przez liczby rzeczywiste.
Bardziej szczegółowoDefinicja i własności wartości bezwzględnej.
Równania i nierówności z wartością bezwzględną. Rozwiązywanie układów dwóch (trzech) równań z dwiema (trzema) niewiadomymi. Układy równań liniowych z parametrem, analiza rozwiązań. Definicja i własności
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metody kierunków poparwy (metoda Newtona-Raphsona, metoda gradientów sprzężonych) Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 28.03.2019 1
Bardziej szczegółowoBADANIA OPERACYJNE Zagadnienie transportowe
BADANIA OPERACYJNE Zagadnienie transportowe Zadanie zbilansowane Zadanie zbilansowane Przykład 1 Firma posiada zakłady wytwórcze w miastach A, B i C, oraz centra dystrybucyjne w miastach D, E, F i G. Możliwości
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 szczegółowo2. Układy równań liniowych
2. Układy równań liniowych Grzegorz Kosiorowski Uniwersytet Ekonomiczny w Krakowie zima 2017/2018 rzegorz Kosiorowski (Uniwersytet Ekonomiczny w Krakowie) 2. Układy równań liniowych zima 2017/2018 1 /
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 szczegółowoZbiory wypukłe i stożki
Katedra Matematyki i Ekonomii Matematycznej 28 kwietnia 2016 Hiperpłaszczyzna i półprzestrzeń Definicja Niech a R n, a 0, b R. Zbiór H(a, b) = {x R n : (a x) = b} nazywamy hiperpłaszczyzną, zbiory {x R
Bardziej szczegółowoFunkcja kwadratowa. f(x) = ax 2 + bx + c = a
Funkcja kwadratowa. Funkcją kwadratową nazywamy funkcję f : R R określoną wzorem gdzie a, b, c R, a 0. f(x) = ax + bx + c, Szczególnym przypadkiem funkcji kwadratowej jest funkcja f(x) = ax, a R \ {0}.
Bardziej szczegółowoWykłady z programowania liniowego
Wykłady z programowania liniowego A. Paweł Wojda Wydział Matematyki Stosowanej AGH 2 Spis treści 1 Wstęp 5 2 Problem programowania liniowego 7 2.1 PPL.................................. 7 2.2 Definicje................................
Bardziej szczegółowoDualność w programowaniu liniowym
2016-06-12 1 Dualność w programowaniu liniowym Badania operacyjne Wykład 2 2016-06-12 2 Plan wykładu Przykład zadania dualnego Sformułowanie zagadnienia dualnego Symetryczne zagadnienie dualne Niesymetryczne
Bardziej szczegółowoFunkcja kwadratowa. f(x) = ax 2 + bx + c,
Funkcja kwadratowa. Funkcją kwadratową nazywamy funkcję f : R R określoną wzorem gdzie a, b, c R, a 0. f(x) = ax 2 + bx + c, Szczególnym przypadkiem funkcji kwadratowej jest funkcja f(x) = ax 2, a R \
Bardziej szczegółowoWyk lad 7 Metoda eliminacji Gaussa. Wzory Cramera
Wyk lad 7 Metoda eliminacji Gaussa Wzory Cramera Metoda eliminacji Gaussa Metoda eliminacji Gaussa polega na znalezieniu dla danego uk ladu a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x n =
Bardziej szczegółowo3. Wykład Układy równań liniowych.
31 Układy równań liniowych 3 Wykład 3 Definicja 31 Niech F będzie ciałem Układem m równań liniowych o niewiadomych x 1,, x n, m, n N, o współczynnikach z ciała F nazywamy układ równań postaci: x 1 + +
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 szczegółowoNotatki do tematu Metody poszukiwania rozwiązań jednokryterialnych problemów decyzyjnych metody dla zagadnień liniowego programowania matematycznego
Notatki do tematu Metody poszukiwania rozwiązań jednokryterialnych problemów decyzyjnych metody dla zagadnień liniowego programowania matematycznego część III Analiza rozwiązania uzyskanego metodą simpleksową
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 szczegółowo1 Macierz odwrotna metoda operacji elementarnych
W tej części skupimy się na macierzach kwadratowych. Zakładać będziemy, że A M(n, n) dla pewnego n N. Definicja 1. Niech A M(n, n). Wtedy macierzą odwrotną macierzy A (ozn. A 1 ) nazywamy taką macierz
Bardziej szczegółowo(Dantzig G. B. (1963))
(Dantzig G.. (1963)) Uniwersalna metoda numeryczna dla rozwiązywania zadań PL. Ideą metody est uporządkowany przegląd skończone ilości rozwiązań bazowych układu ograniczeń, które możemy utożsamiać, w przypadku
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 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 szczegółowo1 Układy równań liniowych
II Metoda Gaussa-Jordana Na wykładzie zajmujemy się układami równań liniowych, pojawi się też po raz pierwszy macierz Formalną (i porządną) teorią macierzy zajmiemy się na kolejnych wykładach Na razie
Bardziej szczegółowoZnaleźć wzór ogólny i zbadać istnienie granicy ciągu określonego rekurencyjnie:
Ciągi rekurencyjne Zadanie 1 Znaleźć wzór ogólny i zbadać istnienie granicy ciągu określonego rekurencyjnie: w dwóch przypadkach: dla i, oraz dla i. Wskazówka Należy poszukiwać rozwiązania w postaci, gdzie
Bardziej szczegółowoWykład 5. Metoda eliminacji Gaussa
1 Wykład 5 Metoda eliminacji Gaussa Rozwiązywanie układów równań liniowych Układ równań liniowych może mieć dokładnie jedno rozwiązanie, nieskończenie wiele rozwiązań lub nie mieć rozwiązania. Metody dokładne
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 szczegółowoOtrzymaliśmy w ten sposób ograniczenie na wartości parametru m.
Dla jakich wartości parametru m dziedziną funkcji f ( x) = x + mx + m 1 jest zbiór liczb rzeczywistych? We wzorze funkcji f(x) pojawia się funkcja kwadratowa, jednak znajduje się ona pod pierwiastkiem.
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 szczegółowoRównania liniowe. Rozdział Przekształcenia liniowe. Niech X oraz Y będą dwiema niepustymi przestrzeniami wektorowymi nad ciałem
Rozdział 6 Równania liniowe 6 Przekształcenia liniowe Niech X oraz Y będą dwiema niepustymi przestrzeniami wektorowymi nad ciałem F Definicja 6 Funkcję f : X Y spełniającą warunki: a) dla dowolnych x,
Bardziej szczegółowoMetoda rozdzielania zmiennych
Rozdział 12 Metoda rozdzielania zmiennych W tym rozdziale zajmiemy się metodą rozdzielania zmiennych, którą można zastosować, aby wyrazić jawnymi wzorami rozwiązania pewnych konkretnych równań różniczkowych
Bardziej szczegółowoMetoda tabel semantycznych. Dedukcja drogi Watsonie, dedukcja... Definicja logicznej konsekwencji. Logika obliczeniowa.
Plan Procedura decyzyjna Reguły α i β - algorytm Plan Procedura decyzyjna Reguły α i β - algorytm Logika obliczeniowa Instytut Informatyki 1 Procedura decyzyjna Logiczna konsekwencja Teoria aksjomatyzowalna
Bardziej szczegółowoDocument: Exercise*02*-*manual /11/ :31---page1of8 INSTRUKCJA DO ĆWICZENIA NR 2
Document: Exercise*02*-*manual ---2014/11/12 ---8:31---page1of8 PRZEDMIOT TEMAT KATEDRA MECHANIKI STOSOWANEJ Wydział Mechaniczny POLITECHNIKA LUBELSKA INSTRUKCJA DO ĆWICZENIA NR 2 Wybrane zagadnienia z
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. Modele liniowe.......................... 5 1.1.
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 szczegółowoPROGRAMOWANIE NIELINIOWE
PROGRAMOWANIE NIELINIOWE Maciej Patan Uniwersytet Zielonogórski WSTEP Zadanie programowania nieliniowego (ZPN) min f(x) g i (x) 0, h i (x) = 0, i = 1,..., m g i = 1,..., m h f(x) funkcja celu g i (x) i
Bardziej szczegółowoFunkcje wymierne. Jerzy Rutkowski. Działania dodawania i mnożenia funkcji wymiernych określa się wzorami: g h + k l g h k.
Funkcje wymierne Jerzy Rutkowski Teoria Przypomnijmy, że przez R[x] oznaczamy zbiór wszystkich wielomianów zmiennej x i o współczynnikach rzeczywistych Definicja Funkcją wymierną jednej zmiennej nazywamy
Bardziej szczegółowoRozwiązywanie układów równań liniowych
Rozwiązywanie układów równań liniowych Marcin Orchel 1 Wstęp Jeśli znamy macierz odwrotną A 1, to możęmy znaleźć rozwiązanie układu Ax = b w wyniku mnożenia x = A 1 b (1) 1.1 Metoda eliminacji Gaussa Pierwszy
Bardziej szczegółowo1 Metody rozwiązywania równań nieliniowych. Postawienie problemu
1 Metody rozwiązywania równań nieliniowych. Postawienie problemu Dla danej funkcji ciągłej f znaleźć wartości x, dla których f(x) = 0. (1) 2 Przedział izolacji pierwiastka Będziemy zakładać, że równanie
Bardziej szczegółowoWyk lad 9 Baza i wymiar przestrzeni liniowej
Wyk lad 9 Baza i wymiar liniowej Baza liniowej Niech V bedzie nad cia lem K Powiemy, że zbiór wektorów {α,, α n } jest baza V, jeżeli wektory α,, α n sa liniowo niezależne oraz generuja V tzn V = L(α,,
Bardziej szczegółowo