3 Simplex-menetelmä. c T x = min! Ax = b (x R n ) (3.1) x 0. Tarvittaessa sarakkeiden järjestystä voidaan vaihtaa, joten voidaan oletetaan, että
|
|
- Jalmari Parviainen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 3 Simplex-menetelmä Lähdetään jostakin annettuun LP-tehtävään liittyvästä käyvästä perusratkaisusta x (0) ja pyritään muodostamaan jono x (1), x (2),... käypiä perusratkaisuja siten, että eräässä vaiheessa päädyttäisiin optimaaliseen käypään perusratkaisuun. Olkoon A R m n, m < n, r(a) = m, x R n, c 0, b R m Oletetaan että on annettu standardimuotoinen tehtävä c T x = min! Ax = b (x R n ) (3.1) x 0 Tarvittaessa sarakkeiden järjestystä voidaan vaihtaa, joten voidaan oletetaan, että A = [B,N], B R m m, N R m (n m) missä B on säännöllinen ja vektorille x on esitys [ ] x 1 xb x =, x B =. x N Nyt yhtälö Ax = b saa muodon x m, x N = x m+1. x n. Bx B +Nx N = b. (3.2) 1 Simpleksimenetelmän aloitus Lähdetään hajotelman A = [B, N] liittyvästä käyvästä perusratkaisusta [ ] xb x =, x 0 B 0 (3.3) joka toteuttaa yhtälön Ax = b eli Nyt kohdefunktiolla on arvo Bx B = b (eli x B = B 1 b) (3.4) c 1 z = c T x = c T Bx B, c B =. c m. 28
2 2 Tutkitaan onko minimi löydetty ] [ˆxB Olkoon ˆx R n mielivaltainen käypä ratkaisu ˆx = ja c = ˆx N Kohdefunktiolle tulee ẑ := c Tˆx ] [ˆxB = [c T B,c T N] ˆx N [ cb c N ]. (3.5) = c T Bˆx B +c T Nˆx N Nyt Aˆx = Bˆx B Nˆx {}}{{}} N { m ˆx j A j = ˆx j A j + ˆx j A j j=1 j=1 Koska B on säännöllinen niin = Bˆx B +Nˆx N Aˆx = b Bˆx B +Nˆx N = b (3.4) = Bx B On siis saatu että Aˆx = b on yhtäpitävä yhtälölle Bˆx B +Nˆx N = Bx B eli ˆx B +B 1 Nˆx N = x B eli (3.6) ˆx B = x B B 1 Nˆx N, missä Tällöin saadaan Nˆx N = ˆx j A j (3.7) B 1 Nˆx N = ˆx j B 1 A j ˆx B = x B ˆx j B 1 A j (3.8) 29
3 Sijoittamalla 3.8 kohdefunktioon 3.5 ja asettamalla z j = c T B B 1 A j saadaan: ẑ = c Tˆx = c T Bˆx B +c T Nˆx N = c T B(x B ˆx j B 1 A j )+c T Nˆx N = c T Bx B = z = z ˆx j c T BB 1 A j +c T Nˆx N (3.9) ˆx j z j +c T Nˆx N ˆx j (z j c j ) Käyville ratkaisuille ˆx on ˆx j 0 kaikille j = 1,...,n. Koska ẑ = z niin x on minimi jos z j c j 0, j = m+1,...,n. ˆx j (z j c j ) (3.10) Huomattakoon että vektori c on annettu ja komponentit z j saadaan kaavasta z j = c T B B 1 A j joten z j c j on laskettavissa. Jos ehto z j c j 0 (m+1 j n) toteutuu, niin minimi on löytynyt: [ ] xb x =, x 0 B = B 1 b ja z = c T Bx B 3 Oletetaan, että x ei ole minimi. Tällöin simpleksimenetelmässä suoritetaan kannanvaihto jonka avulla pyritään löytämään uusi käypä perusratkaisu jolle kohdefunktio saa pienemmän arvon. Koska x ei ole minimi, niin on olemassa m + 1 j n siten, että z j c j > 0. Valitaan indeksi k, m+1 k n, siten, että 0 < z k c k = max{z j c j m+1 j n} (3.11) Käytetään kaavaa (3.8) ˆx B = x B ˆx j B 1 A j ja asetetaan ˆx j = 0, j k ja j = m+1,...,n. Tällöin tulee ˆx B = x B ˆx k B 1 A k 30
4 missä arvo ˆx k > 0 valitaan vielä sopivasti. Olkoon y k = B 1 A k, y k = y 1k. y mk Katsotaan nyt vektorin ˆx B R m komponentteja ja ˆx B = x B ˆx k y k (ˆx B ) i = (x B ) i ˆx k y ik 1 i m Jos y ik 0, niin (ˆx B ) i (x B ) i 0 Jos y ik > 0, niin (ˆx B ) i = 0 kun ˆx k = (x B) i y ik Oletetaan, että y ik > 0 ainakin yhdelle i. Valitaan ˆx k siten, että (ˆx B ) i = 0 ainakin yhdelle indeksille i. { } (xb ) i ˆx k := min y ik > 0 = (x B) r (eräälle r) 1 i m y ik y rk Olkoon x surkastumaton. Tällöin (ˆx B ) r = 0 ja ˆx k > 0. Vektori ˆx = [ˆx B,ˆx N ] T on annettu kaavoilla ˆx B : ˆx N : { (xb ) i y ik y rk (x B ) r 0, 1 i m, i r ˆx k = (x B) r y rk > 0, i = r { (ˆx B ) r = 0, j = k x j = 0, m+1 j n, j k (3.12) Osoitetaan, että kaavoilla (3.12) määritelty vektori ˆx = (ts. Aˆx = b, ˆx 0). Nyt ˆx B = x B ˆx k y k, missä y k = B 1 A k, joten ] [ˆxB ˆx N on käypä ratkaisu ˆx B = x B ˆx j B 1 A j (ˆx j = 0, m+1 j n, j k) ˆx B = B 1 b B 1 Nˆx N (Nˆx N = ] [ˆxB B 1 [B,N] = B 1 b ˆx N Aˆx = b 31 ˆx j A j )
5 Edelleen ˆx 0 ( kaava (3.12) ) ˆx on käypä ratkaisu. Osoitetaan, että ˆx on myös perusratkaisu. Ax = b m (x B ) i A i = b i=1 m (x B ) i A i +(x B ) r A r = b ( ) i=1 i r A k = By k = m y ik A i = y rk A r + i=1 A r = 1 y rk A k m i=1 i r Sijoitetaan ( ) kaavaan ( ) m i=1 i r y ik y rk A i ( (xb ) i y ik y rk (x B ) r }{{} (ˆx B ) i ( ) m y ik A i, y rk > 0 i=1 i r ) Ai + (x B) r A k = b y }{{ rk } ˆx k vektorijoukko {A i 1 i m, i r} {A k } on lineaarisesti riippumaton, joten ˆx on perusratkaisu. 3.1 Simplex algoritmi Indeksijoukot P, V (perusmuuttujat ja vapaat muuttujat) 1. Etsi käypä perusratkaisu x = [ ] xb, x 0 B = B 1 b = b z := c T x = c T Bx B. 2. Ratkaise yhtälö wb = c T B eli w = ct B B 1. Laske Valitse k siten, että z j c j = wa j c j, j V z k c k = max j V {z j c j } Jos z k c k 0, niin lopeta. Piste x on optimiratkaisu. 32
6 3. Ratkaise By k = A k eli y k = B 1 A k. Jos y k 0, niin lopeta: inf x X ct x =. 4. Muuttuja x k siirtyy perusmuuttujaksi ja muuttuja (x B ) r jättää kannan. Indeksi r määräytyy testistä (x B ) r {(x B ) i = min y ik > 0 } y rk i P y ik Päivitä matriisi B ja indeksijoukot P ja V. Mene kohtaan 1. Esimerkki 3.1. Ratkaistaan käyttämällä Simplex algoritmia 3.1. (4x 1 +3x 2 ) = min! 2x 1 +3x x 1 +2x 2 10 x 1,x 2 0. Ratkaisu: A = Tehtävän ratkaisu simpleksialgoritmilla: [ ] = [a ,a 2,a 3,a 4 ]. b = (18,10) T, c T = ( 4, 3,0,0) 1 P = {3,4}, V = {1,2} eli B = [a 3,a 4 ] = I x B = B 1 b = b = b (käypä perusratkaisu). 2 w = c T B B 1 = (0,0) B 1 = (0,0) z 1 c 1 = wa 1 c 1 = 4 z 2 c 2 = wa 2 c 2 = 3 max j=1,2 {z j c j } = 4, siis valitaan k = 1. 3 By 1 = a 1 y 1 = a 1 = [2,4] T. 4 Perusmuuttujaksi siirretään x 1. Lisäksi { b1 min, b } { 2 18 = min y 11 y 21 2, 10 } = muuttuja (x B ) 2 = x 4 jättää kannan. 33
7 1 P = {1,3}, V = {2,4} eli B = [a 1,a 3 ] = [ ][ ] [ ] x B = 1 = = b w = c T B B 1 = ( 4,0) ( 1 4 ) [ [ ] 2 1 B = 1 4 ] = (0, 1) [ ] 3 z 2 c 2 = (0, 1) ( 3) = 1 2 [ ] 0 z 4 c 4 = (0, 1) 0 = 1 1 [ ] ja max j=2,4 {z j c j } = 1, siis valitaan k = 2. [ ][ ] y 2 = ( 1) = [1,4]T. 4 Perusmuuttujaksi siirretään x 2. Lisäksi muuttuja (x B ) 1 = x 1 jättää kannan. { 5/2 min 1/2, 13 } = P = {2,3}, V = {1,4} eli B = [a 2,a 3 ] = [ ][ ] [ ] x B = B 1 b = 1 = = b [ ] w = c T B B 1 = ( 3,0) ( 1) = (0,3) 2 [ ] 3 1 B = 1 2 z 1 c 1 = 1 [ ] 2 2 (0,3) ( 4) = 2 4 ] [ ] ja z 4 c 4 = 1 2 (0,3) [ = 3 2 Siis z 1 c 1, z 4 c 4 < 0, joten algoritmi päättyy ja x T = (0,5,3,0) on optimiratkaisu ja c T x =
8 4 Simplex-menetelmän tulkintaa Tarkastellaan tässä kappaleessa hieman yksityiskohtaisemmin(yksinkertaisemmin) simplexmenetelmän johtamista tutkimalla lineaarista yhtälöryhmää joka määrittelee systeemin rajoitteet ja käyvän perusratkaisun. Tämä lähestymistapa on (ehkä) helpompi kuin edellä esitetty matriiseihin perustuva lähestymistapa, mutta sitä ei voida esittää kompaktissa muodossa. Lähestymistapa havainnollistaa kuitenkin hyvin simplex-menetelmää ja antaa hyvän pohjan ymmärtää menetelmän matriisiesitystä. 4.1 Kannan vaihto Käsitellään yhtälöryhmää: a 11 x 1 +a 12 x 2 + +a 1n x n = b 1 a 21 x 1 +a 22 x 2 + +a 2n x n = b 2. a m1 x 1 +a m2 x 2 + +a mn x n = b m misä m < n. Jos yhtälöt ovat lineaarisesti riippumattomia, niin Gaussin redusointimenetelmän avulla yhtälöryhmä voidaan saattaa joko kolmiomaiseen tai kanoniseen muotoon. Oletetaan yhtälöryhmä muokatuksi kanooniseen muotoon: x 1 +y 1,m+1 x m+1 +y 1,m+2 x m+2 + +y 1,n x n = y 1,0 x 2 +y 2,m+1 x m+1 +y 2,m+2 x m+2 + +y 2,n x n = y 2,0.... (4.1) x m +y m,m+1 x m+1 +y m,m+2 x m+2 + +y m,n x n = y m,0 Muuttujatx 1,x 2,...,x m ovatperusmuuttujatjajamuutmuuttujatovatei-perusmuuttujia. Vastaava kantaratkaisu on: x 1 = y 1,0, x 2 = y 2,0,...,x m = y m,0, x m+1 = 0,...,x n = 0, tai vektorimuodossa: x = (y 0,0), missä y 0 on m-ulotteinen ja 0 on (n-m)-ulotteinen vektori. Sanotaan jatkossa, että systeemi on kanonisessa muodossa jos n:n muuttujan joukossa on m perusmuuttujaa joilla on ominaisuus että jokainen niistä esiintyy vain yhdessä yhtälössä ja sen kerroin on 1. Esitetään jatkossa yhtälöryhmä kertoimiensa taulukkona: 35
9 1 0 0 y 1,m+1 y 1,m+2 y 1,n y 1, y 2,m+1 y 2,m+2 y 2,n y 2,0. (4.2) y m,m+1 y m,m+2 y m,n y m,0 Kannanvaihdossa jostain perusmuuttujasta tehdään ei-perusmuuttuja ja päinvastoin. On ratkaistava uusia perusmuuttujia vastaava kanoninen muoto. Proseduuri on aika yksinkertainen. Oletetaan, että muodossa (4.1) halutaan korvata perusmuuttuja x p, 1 p m ei-kantamuuttujalla x q. Korvaaminen voidaan tehdä mikäli y p,q 0: Jaetaan p:s rivi y p,q :lla (saadaan x q :n kertoimeksi p:llä rivillä 1) ja kerrotaan sitä sopivasti, jotta vähentämällä se yksitellen muista riveistä saadaan niihin x q :n kertoimeksi 0. Merkitselällä uuden kanonisen systeemin kertoimia y i,j saadaan eksplisiittinen kaava: y i,j = y i,j y p,j y p,q y i,q, Huom. Alkiota y p,q sanotaan tukialkioksi. i p y p,j = y p,j y p,q (4.3) 4.2 Mikä vektori jättää kannan Oletetaan, että käypä perusratkaisu x = (x 1,x 2,...,x m,0,0,...,0) ja vastaava esitysmuoto: x 1 A 1 +x 2 A 2 + x m A m = b (4.4) Oletetaan, että x i > 0,i = 1,...,m (ts. perusratkaisu ei ole surkastunut). Oletetaan myös, että olemme päättäneet tuoda kantaan vektorin A q,q > m. Vektori A q voidaan kirjoittaa kantavektoreiden avulla: A q = y 1,q A 1 +y 2,q A 2 + y m,q A m (4.5) Keromalla (4.5) reaaliluvulla ε 0 ja vähentämällä (4.4):stä, saadaan (x 1 εy 1,q )A 1 +(x 2 εy 2,q )A 2 + +(x m εy m,q )A m +εa q = b (4.6) Nyt kaikille ε 0 (4.6) antaa vektorin b enintään m+1:n vektorin lineaarikombinaationa. On ilmeistä, että pienillä ε yhtälö (4.6) antaa käyvän ratkaisun mutta ei perusratkaisua. Kun ε kasvaa, niin kertoimet joko kasvavat tai pienenevät yhtälössä (4.6). 36
10 Jos jokin kertoimista pienenee, niin asetetaan ε yhtäsuureksi, missä ensimmäinen (tai useita) kertoimista tulee nollaksi. Ts., { xi } ε = min : y i,q > 0. (4.7) i y i,q Nyt uutta käypää perusratkaisua määrättäessä vektori A q korvaa vektorin A p, missä indeksi p on yhtälön (4.7) minimoiva indeksi. Huomautus 1. Jos (4.7):n minimoiva indeksi p ei ole yksikäsitteinen, niin uusi ratkaisu on surkastunut ja mikä tahansa indekseistä voidaan valita. 2. Josyksikääny i,q eiolepositiivinen,niineiuuttaperusratkaisuavoidamuodostaa. Tässä tapauksessa on kuitenkin olemassa käypä ratkaisu jolla on äärettömän suuret kertoimet. Tämä tarkoittaa, että käypä joukko ei ole rajoitettu. 3. Jos on annettu käypä ratkaisu ja mv. vektori A q, niin joko on olemassa uusi käypä kantaratkaisu, missä A q on yhtenä kantavektorina ja yksi alkuperäisistä katavektoreista on poistettu tai käypä joukko on rajoittamaton. Katsotaan asiaa taulukon muodossa. Oletetaan, että rajoitteita Ax = b (4.8) x 0 (4.9) vastaava taulukko on: A 1 A 2 A m A m+1 A m+2 A n b y 1,m+1 y 1,m+2 y 1,n y 1, y 2,m+1 y 2,m+2 y 2,n y 2,0. (4.10) y m,m+1 y m,m+2 y m,n y m,0 Taulukko voi olla määräytynyt monien askelien jälkeen alkuperäisestä taulukosta, muttajokahetkelläsekuvaaratkaisuakannallea 1,A 1,,A m.oletetaan,ettäy 1,0,y 2,0,,y m,0 ovat ei-negatiivisia, joten kantaratkaisu x 1 = y 1,0,x 2 = y 2,0,,x m = y m,0 on käypä. Kun halutaan tuoda kantaan vektori A q,q > m, ja säilyttää uuden ratkaisun käypyys niin valitaan tukialkio käyttämällä kaavaa (4.7). Ts., laskemalla osamäärät x i /y i,q = y i,0 /y i,q,i = 1,...,m ja valitsemalla niistä pienin ei-negatiivinen (esim. i = p) ja valitsemalla tukialkioksi sitä vastaava y p,q. 37
11 4.3 Käyvän minimiratkaisun määrittäminen Edellä osoitettiin kuinka on mahdollista muodostaa yhdestä käyvästä kantaratkaisusta toinen valitsemalla mielivaltaisesti kantaan tuotava sarake ja sitten sopivasti valitsemalla tukialkio tästä sarakkeesta (ts. kannasta poistettava sarake). Simpleksi menetelmän ideana on valita kantaan tuotava sarake siten, että uusi sallittu kantaratkaisu tuottaa alhaisemman kustannusfunktion arvon. Nyt esitettävillä laskutoimenpiteillä voidaan määritellä mikä vektori tuodaan kantaan ja edellä esitetyllä laskutoimenpiteillä määritellään mikä vektori poistuu kannasta, jotta ratkaisu säilyisi sallittuna. Oletetaan, että meillä on käypä kantaratkaisu (x B,0) = (y 1,0,y 2,0,,y m,0,0,0,,0) (4.11) ja taulukko, missä on yksikkömatriisi ensimmäisessä m sarakkeessa A 1 A 2 A m A m+1 A m+2 A n b y 1,m+1 y 1,m+2 y 1,n y 1, y 2,m+1 y 2,m+2 y 2,n y 2,0. (4.12) y m,m+1 y m,m+2 y m,n y m,0 Kustannusfunktion arvo mv. ratkaisulle x on: z = c 1 x 1 +c 2 x 2 + +c n x n, (4.13) ja kantaratkaisulle vastaava arvo on z 0 = c T Bx B, missä c T B = (c 1,c 2,,c m ). Taulun (4.12) nojalla on selvää, että mv. x pätee: x 1 =y 1,0 y 1,j x j x 2 =y 2,0 y 2,j x j. (4.14) x m =y m,0 y m,j x j. 38
12 Käyttämällä yhtälöä (4.14) voidaan eliminoida x 1,x 2, x m yleisestä muodosta (4.13). Saadaan z = c T x = z 0 +(c m+1 z m+1 )x m+1 +(c m+2 z m+2 )x m+2 + +(c n z n )x n (4.15) missä z j = y 1,j c 1 +y 2,j c 2 + +y m,j c m, m+1 j n, mistä määräytyy kantaan siirtyvä sarake. Yhtälö antaa kustannusfunktion z arvon yhtälöryhmän Ax = b mille tahansa ratkaisulle muuttujien x m+1, x m+2,,x n avulla. Yhtälöstä (4.15) voidaan myös määrittää hyödytäänkö ottamalla kantaan mukaan jokin ei-kantamuuttuja. Jos c j z j on negatiivinen jollekin j, m+1 j n, niin kasvattamalla x j :n arvoa nollasta positiiviseksi voidaan pienentää kustannusfunktion arvoa. Lause 4.1. (Käyvän perusratkaisun parantaminen) Olkoon z 0 käypää perusratkaisua vastaava objektifunktion arvo ja oletetaan, että jollakin j pätee c j z j < 0. Silloin on olemassa käypä ratkaisu jolle objektifunktion arvo z < z 0. Jos sarake A j voidaan sijoittaa alkuperäiseen kantaa jonkin vektorin paikalle siten, että saadaan sallittu kantaratkaisu, niin uudelle ratkaisulle pätee z < z 0. Jos A j :ta ei voida sijoittaa siten että saataisiin aikaa käypä kantaratkaisu, niin ratkaisujoukko on rajoittamaton ja objektifunktion arvo lähestyy :tä. Todistus. Tulos seuraa suoraan ylläolevasta analyysistä. Lause 4.2. Optimaalisuus Jos jollekin käyvälle perusratkaisulle pätee: c j z j 0 kaikilla j, niin tämä ratkaisu on optimaalinen. Todistus. Tulos seuraa välittömästi yhtälöstä (4.15), koska mille tahansa käyvälle ratkaisulle x i 0 kaikilla i ja siten objektifunktion arvolle z pätee z z 0 0. Koska simplex-menetelmässä kertoimilla c j z j on keskeinen merkitys niin merkitään niitä hieman lyhyemmin: r j = c j z j. Kertoimia kutsutaan suhteellisiksi kustannuskertoimiksi(relative cost coefficients) tai redusoiduiksi kustannuskertoimiksi(reduced cost coefficients). Kertoimet mittaavat muuttujan kustannusta annetun kannan suhteen. Esimerkki 4.1. Ruokavalio Tulkitaan suhteellisia kustannuskertoimia esimerkin avulla. Ongelma: Kuinka määritellään edullisin ruokavalio siten, että se toteuttaa hyvälle terveydelle asetetut ravintoaineiden vaatimukset? Ihmisen tulisi saada päivittäin tiettyjä ravintoaineita vähintään tietty määrä. 39
13 Oletetaan, että markkinoilla on tarjolla n erilaista ruokaa (leipä, mehu, levite,...) ja ruokaa i myydään hintaan c i /yksikkö. Lisäksi on olemassa m eri ravintoainetta (vitamiinit,rasvat...)joitaihmisentulisisaadavähintäänb j yksikköäpäivässä.ruokien ravintoainepitoisuudet tunnetaan, ts. ruoka i sisältää a ji yksikköä ravintoainetta j. Merkitään x i :llä ruuan i määrää henkilön ruokavaliossa. Henkilö haluaa minimoida ruuan hinnan siten, että hän saa kuitenkin ravinnostaan riittävästi tarpeellisia ravintoaineita. Saadaan seuraava LP-ongelma: rajoittein c 1 x 1 +c 2 x 2 + +c n x n min! (4.16) a 11 x 1 +a 12 x 2 + +a 1n x n b 1 a 21 x 1 +a 22 x 2 + +a 2n x n b 2. a m1 x 1 +a m2 x 2 + +a mn x n b m x 0 Tulkitaan LP-ongelmaa (4.16), missä nyt ravintoaine sisällön täytyy toteutua tarkasti: c T x min! Ax = b x 0 Matriisin A sarake antaa ravintoaine sisällön aina tietylle ruualle. Annetulle kannalle, sanotaan m ensimmäistä A:n saraketta, simpleksi taulukko kertoo, kuinka minkä tahansa kantaan kuulumaton ruoka (tark. ruuan ravintoaine sisältö) voidaan konstruoida kantaan kuuluvien ruokien avulla. Jos esim. porkkana ei ole kannassa voimme muodostaa keinotekoisen porkkanan valitsemalla sopivat määrät kannassa olevia ruokia. Kun määritetään kantaratkaisun optimaalisuutta, käsitellään jotain ei-kantaratkaisuun kuuluvaa ruokaa - esim. porkkanaa - ja tutkitaan, että hyödytäänkö sen tuomisesta kantaan. Hyöty on helposti tutkitavissa kun verrataan porkkanan kustannusta c j keinotekoisesti tehdyn porkkanan kustannukseen (olkoon porkkanan indeksi on j). Sen kustannus on: m z j = c i y i,j. i=1 Jos r j = c j z j < 0 niin on edullista käyttää oikeaa porkkanaa keinotekoisen sijaan, ts. porkkana siirretään kantaan. 40
14 4.4 Taulukkoproseduuri simplex-menetelmälle Lähdetään taulukosta, missä vektori b = Ax on esitetty kanonisessa muodossa vastaten käypää perusratkaisua. Lisätään viimeiseksi rivi, mikä sisältää suhteelliset kustannuskertoimet ja senhetkisen kustannuksen vastaluvun. Tuloksena on simplex-taulukko: A 1 A 2 A m A m+1 A m+2 A n b y 1,m+1 y 1,m+2 y 1,n y 1, y 2,m+1 y 2,m+2 y 2,n y 2,0. (4.17) y m,m+1 y m,m+2 y m,n y m, r m+1 r m+2 r n z 0 Suhteellinen kustannuskerroin r j, m+1 j n kertoo kasvaako vai laskeeko kustannusfunktion arvo jos muuttuja x j tuodaan kantaan. Simplex taulukkoalgoritmi Step 0. Muodosta simplex taulukko (4.17) mikä vastaa käypää kantaratkaisua. Step 1. Jos kaikki r j 0, lopeta; sen hetkinen käypä perusratkaisu on optimaalinen. Step 2. Valitse q siten, että r q < 0. (ei-kantamuuttuja x q siirtyy kantaan.) Step 3. Laske suhteet y i,0 /y i,q y i,q > 0, i = 1,...,m. Jos yksikään y i,q > 0, lopeta; käypä joukko on rajoittamaton. Muuten valitse indeksi p siten, että se vastaa suhdeluvun minimiä. Step 4. Päivitä kaikki rivit, mukaanlukien viimeinen käyttämällä tukialkiona alkiota y p,q. Mene askeleeseen 1. Esimerkki 4.2. Simplex taulukkoalgoritmi 3x 1 +x 2 +3x 3 max! 2x 1 +x 2 +x 3 2 x 1 +2x 2 +3x 3 5 2x 1 +2x 2 +x 3 6 x 1 0, x 2 0, x
15 Muokataan tehtävä standardimuotoon: muutetaan maksimointi minimoinniksi kertomalla objektifunktio -1:llä ja lisätään puutemuuttujat x 4,x 5,x 6. Saadaan taulukko: A 1 A 2 A 3 A 4 A 5 A 6 b r T : Tehtävä on kanonisessa muodossa jossa puutemuuttujat muodostavat kannan. Mikä tahansa ei kantamuuttujista x 1,x 2,x 3 voidaan siirtää kantaan. Valitaan vaikkapa x 2, siis q=2. Lasketaan suhteet b i /y i2 ja valitaan minimiarvoa vastaava indeksi p=1. Tukialkio on y 1,2 = 1. Päivitetään taulukko kaavoilla: Saadaan: y i,j = y i,j y p,j y p,q y i,q, i 1 y p,j = y p,j y p,q Kustannusfunktion arvo on pienentynyt -2:een. Tukialkioksi saadaan y 2,3 = 1, p=2, q=3. Saadaan uusi taulukko: Kustannusfunktion arvo on pienentynyt -4:ään. Tukialkioksi saadaan y 1,1 = 5, p=1, 42
16 q=1. Saadaan uusi taulukko: Koska viimeisellä rivillä ei ole negatiivisia alkioita, niin kantaratkaisu x 1 = 1 5,x 2 = 0,x 3 = 8 5,x 4 = 0,x 5 = 0,x 6 = 4 on optimipiste ja optimiarvo on 27 5 Matriisimuoto simplex taulukolle Oletetaan, että matriisi B sisältää matriisin A m ensimmäistä saraketta. Ositetaan A,x ja c T seuraavasti: LP-ongelma saadaan muotoon: A = [B,N] x = (x B,x N ), c T = (c T B,c T N) c T Bx B +c T Nx N min! Bx B +Nx N = b (4.18) x B 0, x N 0 Matriisia B vastaava käypä perusratkaisu x = (x B,0), missä x B = B 1 b on saatu asettamalla x N = 0. Toisaalta mille tahansa x N voidaan kaavan (4.18) nojalla laskea: x B = B 1 b B 1 Nx N Sijoitetaan tämä kustannusfunktion yleiseen lausekkeeseen, saadaan: z = c T B(B 1 b B 1 Nx N )+c T Nx N = c T BB 1 b+(c T N c T BB 1 N)x N mikä kuvaa minkä tahansa ratkaisun kustannusta x N :n funktiona, ts. suhteellinen kustannusvektori on: r T N = c T N c T BB 1 N 43
17 Simplex taulu tulee nyt muotoon: I B 1 N B 1 b T =... (4.19) 0 c T N ct B B 1 N c T B B 1 b 44
4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen
4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen Käypä kantaratkaisu löytyy helposti, esimerkiksi tapauksessa Ax b, b 0 x 0 jolloin sen määräävät puutemuuttujat. Tällöin simplex-menetelmän alustus
Lisätiedot2 Konveksisuus ja ratkaisun olemassaolo
2 Konveksisuus ja ratkaisun olemassaolo Ratkaisun olemassaolon tutkimiseen tarvitaan perustietoja konvekseista joukoista ja lineaarialgebrasta. Niitä tarvitaan myös ratkaisualgoritmin ymmärtämiseen. Tutkitaan
LisätiedotLineaarinen optimointi. Harjoitus 6-7, Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän. c T x = min!
Lineaarinen optimointi Harjoitus 6-7, 016. 1. Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän c T x = min! (T) Ax b x 0 duaalitehtävän duaali on tehtävä (T). Ratkaisu. (P) c T x = min! Ax b x
LisätiedotLineaarinen optimointitehtävä
Lineaarinen optimointitehtävä Minimointitehtävä yhtälörajoittein: min kun n j=1 n j=1 c j x j a ij x j = b i x j 0 j = 1,..., n i = 1,..., m Merkitään: z = alkuperäisen objektifunktion arvo käsiteltävänä
Lisätiedot1 Kertaus. Lineaarinen optimointitehtävä on muotoa:
1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n
Lisätiedot4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä
JYVÄSKYLÄN YLIOPISTO 4. Luennon sisältö Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä kevät 2012 TIEA382 Lineaarinen ja diskreetti optimointi Lineaarinen optimointitehtävä Minimointitehtävä
Lisätiedot6. Luennon sisältö. Lineaarisen optimoinnin duaaliteoriaa
JYVÄSKYLÄN YLIOPISTO 6. Luennon sisältö Lineaarisen optimoinnin duaaliteoriaa työkalu ratkaisun analysointiin Jälki- ja herkkyysanalyysiä mitä tapahtuu optimiratkaisulle, jos tehtävän vakiot hieman muuttuvat
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.3140 Lineaarinen ohjelmointi 4.10.2007 Luento 4 Ekstreemipisteiden optimaalisuus ja Simplex (kirja 2.4-2.6, 3.1-3.2) Lineaarinen ohjelmointi - Syksy 2007 / 1 Luentorunko Degeneroituvuus Ekstreemipisteiden
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 3.2.27 Tehtävä. Valmisohjelmistolla voidaan ratkaista tehtävä min c T x s. t. Ax b x, missä x, c ja b R n ja A R m n. Muunnetaan tehtävä max x + 2x 2 + 3x 3 + x s. t. x + 3x 2 + 2x
LisätiedotMat Lineaarinen ohjelmointi
Mat-.4 Lineaarinen ohjelmointi..7 Luento 7 Duaalisimple ja herkkyysanalyysi (kirja 4.5, 5., 5.5-5.6) Lineaarinen ohjelmointi - Syksy 7 / Duaalisimple Herkkyysanalyysi Luentorunko Parametrinen ohjelmointi
LisätiedotSimplex-algoritmi. T Informaatiotekniikan seminaari , Susanna Moisala
Simplex-algoritmi T-6.5 Informaatiotekniikan seminaari..8, Susanna Moisala Sisältö Simplex-algoritmi Lähtökohdat Miten ongelmasta muodostetaan ns. Simplextaulukko Miten haetaan käypä aloitusratkaisu Mitä
LisätiedotDemo 1: Simplex-menetelmä
MS-C2105 Optimoinnin perusteet Malliratkaisut 3 Ehtamo Demo 1: Simplex-menetelmä Muodosta lineaarisen tehtävän standardimuoto ja ratkaise tehtävä taulukkomuotoisella Simplex-algoritmilla. max 5x 1 + 4x
LisätiedotKannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:
8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden
LisätiedotPiiri K 1 K 2 K 3 K 4 R R
Lineaarinen optimointi vastaus, harj 1, Syksy 2016. 1. Teollisuuslaitos valmistaa piirejä R 1 ja R 2, joissa on neljää eri komponenttia seuraavat määrät: Piiri K 1 K 2 K 3 K 4 R 1 3 1 2 2 R 2 4 2 3 0 Päivittäistä
LisätiedotLiittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij.
Liittomatriisi Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä (cof A) ij =( 1) i+j det A ij kaikilla i, j = 1,...,n. Huomautus 8 Olkoon A 2 M(n, n). Tällöin kaikilla
LisätiedotJYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö
JYVÄSKYLÄN YLIOPISTO 3. Luennon sisältö Lineaarisen optimointitehtävän sallittu alue Optimointitehtävien muunnoksia Lineaarisen yhtälöryhmän perusmuoto ja perusratkaisut Lineaarisen optimointitehtävän
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotEnnakkotehtävän ratkaisu
Ennakkotehtävän ratkaisu Ratkaisu [ ] [ ] 1 3 4 3 A = ja B =. 1 4 1 1 [ ] [ ] 4 3 12 12 1 0 a) BA = =. 1 + 1 3 + 4 0 1 [ ] [ ] [ ] 1 0 x1 x1 b) (BA)x = =. 0 1 x 2 x [ ] [ ] [ 2 ] [ ] 4 3 1 4 9 5 c) Bb
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
LisätiedotRatkaisuehdotukset LH 7 / vko 47
MS-C34 Lineaarialgebra, II/7 Ratkaisuehdotukset LH 7 / vko 47 Tehtävä : Olkoot M R symmetrinen ja positiividefiniitti matriisi (i) Näytä, että m > ja m > (ii) Etsi Eliminaatiomatriisi E R siten, että [
LisätiedotKäänteismatriisi 1 / 14
1 / 14 Jokaisella nollasta eroavalla reaaliluvulla on käänteisluku, jolla kerrottaessa tuloksena on 1. Seuraavaksi tarkastellaan vastaavaa ominaisuutta matriiseille ja määritellään käänteismatriisi. Jokaisella
LisätiedotKokonaislukuoptiomointi Leikkaustasomenetelmät
Kokonaislukuoptiomointi Leikkaustasomenetelmät Systeemianalyysin Laboratorio 19.3.2008 Sisällys Leikkaustasomenetelmät yleisesti Leikkaustasomenetelmät generoivilla kokonaislukujoukoilla Gomoryn leikkaavat
LisätiedotLineaarisen kokonaislukuoptimointitehtävän ratkaiseminen
Lineaarisen kokonaislukuoptimointitehtävän ratkaiseminen Jos sallittuja kokonaislukuratkaisuja ei ole kovin paljon, ne voidaan käydä kaikki läpi yksitellen Käytännössä tämä ei kuitenkaan ole yleensä mahdollista
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.34 Lineaarinen ohjelmointi..27 Luento 5 Simplexin implementaatioita (kirja 3.2-3.5) Lineaarinen ohjelmointi - Syksy 27 / Luentorunko (/2) Simplexin implementaatiot Naiivi Revised Full tableau Syklisyys
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
LisätiedotMatriisien tulo. Matriisit ja lineaarinen yhtälöryhmä
Matriisien tulo Lause Olkoot A, B ja C matriiseja ja R Tällöin (a) A(B + C) =AB + AC, (b) (A + B)C = AC + BC, (c) A(BC) =(AB)C, (d) ( A)B = A( B) = (AB), aina, kun kyseiset laskutoimitukset on määritelty
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 5 2.2.28 Tehtävä a) Tehtävä voidaan sieventää muotoon max 5x + 9x 2 + x 3 s. t. 2x + x 2 + x 3 x 3 x 2 3 x 3 3 x, x 2, x 3 Tämä on tehtävän kanoninen muoto, n = 3 ja m =. b) Otetaan
LisätiedotJälki- ja herkkyysanalyysi. Tutkitaan eri kertoimien ja vakioiden arvoissa tapahtuvien muutosten vaikutusta optimiratkaisuun
Jälki- ja herkkyysanalyysi Tutkitaan eri kertoimien ja vakioiden arvoissa tapahtuvien muutosten vaikutusta optimiratkaisuun 1 Hinnat ja varjohinnat Objektifunktio c T x = Kerroin c j ilmoittaa, paljonko
LisätiedotLineaarinen yhtälöryhmä
Lineaarinen yhtälöryhmä 1 / 39 Lineaarinen yhtälö Määritelmä 1 Lineaarinen yhtälö on muotoa a 1 x 1 + a 2 x 2 + + a n x n = b, missä a i, b R, i = 1,..., n ovat tunnettuja ja x i R, i = 1,..., n ovat tuntemattomia.
LisätiedotGaussin ja Jordanin eliminointimenetelmä
1 / 25 : Se on menetelmä lineaarisen yhtälöryhmän ratkaisemiseksi. Sitä käytetään myöhemmin myös käänteismatriisin määräämisessä. Ideana on tiettyjä rivioperaatioita käyttäen muokata yhtälöryhmää niin,
LisätiedotKuljetustehtävä. Materiaalia kuljetetaan m:stä lähtöpaikasta n:ään tarvepaikkaan. Kuljetuskustannukset lähtöpaikasta i tarvepaikkaan j ovat c ij
Kuljetustehtävä Materiaalia kuljetetaan m:stä lähtöpaikasta n:ään tarvepaikkaan Kuljetuskustannukset lähtöpaikasta i tarvepaikkaan j ovat c ij Lähtöpaikan i kapasiteetti on a i (oletetaan, että a i > 0
Lisätiedot802118P Lineaarialgebra I (4 op)
802118P Lineaarialgebra I (4 op) Tero Vedenjuoksu Oulun yliopisto Matemaattisten tieteiden laitos 2012 Lineaarialgebra I Yhteystiedot: Tero Vedenjuoksu tero.vedenjuoksu@oulu.fi Työhuone M206 Kurssin kotisivu
LisätiedotLuento 3: Simplex-menetelmä
Luento 3: Simplex-menetelmä Kuten graafinen tarkastelu osoittaa, LP-tehtävän ratkaisu on aina käyvän alueen kulmapisteessä, eli ekstreemipisteessä (extreme point). Simplex-menetelmässä ekstreemipisteitä,
Lisätiedotmin x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Idea Lineaarisen systeemin ratkaiseminen Olkoon
Lisätiedot8. Ensimmäisen käyvän kantaratkaisun haku
38 8. Ensimmäisen käyvän kantaratkaisun haku Edellä kuvattu simplex-algoritmi tarvitsee alkuratkaisuksi käyvän kantaratkaisun eli käyvän joukon kärkipisteen. Sellaisen voi konstruoida seuraavilla tavoilla:
LisätiedotOvatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi.
5..0 Tehtävä Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi. (c) (d) Arvostelu Kanta on degeneroitunut jos ja vain jos sitä vastaava kantamatriisi on singulaarinen. Optimissa muuttujan
Lisätiedot7 Vapaus. 7.1 Vapauden määritelmä
7 Vapaus Kuten edellisen luvun lopussa mainittiin, seuraavaksi pyritään ratkaisemaan, onko annetussa aliavaruuden virittäjäjoukossa tarpeettomia vektoreita Jos tällaisia ei ole, virittäjäjoukkoa kutsutaan
Lisätiedot2.5. Matriisin avaruudet ja tunnusluvut
2.5. Matriisin avaruudet ja tunnusluvut m n-matriisi A Lineaarikuvaus A : V Z, missä V ja Z ovat sopivasti valittuja, dim V = n, dim Z = m (yleensä V = R n tai C n ja Z = R m tai C m ) Kuva-avaruus ja
LisätiedotAvaruuden R n aliavaruus
Avaruuden R n aliavaruus 1 / 41 Aliavaruus Esimerkki 1 Kuva: Suora on suljettu yhteenlaskun ja skalaarilla kertomisen suhteen. 2 / 41 Esimerkki 2 Kuva: Suora ei ole suljettu yhteenlaskun ja skalaarilla
Lisätiedot2.8. Kannanvaihto R n :ssä
28 Kannanvaihto R n :ssä Seuraavassa kantavektoreiden { x, x 2,, x n } järjestystä ei saa vaihtaa Vektorit ovat pystyvektoreita ( x x 2 x n ) on vektoreiden x, x 2,, x n muodostama matriisi, missä vektorit
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt QR-hajotelma ja pienimmän neliösumman menetelmä Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto PNS-ongelma PNS-ongelma
Lisätiedot1 Johdanto LP tehtävän luonteen tarkastelua Johdanto herkkyysanalyysiin Optimiarvon funktio ja marginaalihinta
Sisältö Johdanto 2 LP tehtävän luonteen tarkastelua 3 Johdanto herkkyysanalyysiin 5 2 Optimiarvon funktio ja marginaalihinta 5 3 Johdanto duaaliteoriaan 6 2 LP-tehtävän standardimuoto 9 Johdanto Optimoinnista
Lisätiedot1 Rajoittamaton optimointi
Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt ja pienimmän neliösumman menetelmä Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi QR ja PNS PNS-ongelma
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a
LisätiedotLuento 4: Lineaarisen tehtävän duaali
Luento 4: Lineaarisen tehtävän duaali Käsittelemme seuraavaksi lineaarisen optimoinnin duaaliteoriaa. Kuten luennossa 2 esitettiin, kohdefunktion optimiarvon herkkyys z, kun rajoitusyhtälön i, 1 i m, oikea
LisätiedotMalliratkaisut Demot 6,
Malliratkaisut Demot 6, 19.2.21 Tehtävä 1 Edellisten demojen tehtävä oli muotoa max 3x 1 + 4x 2 s.t. 7x 1 + 3x 2 24 : v 1 x 1 + 4x 2 17 : v 2 x 2 3 : v 3 x 1, x 2. Kohdefunktio voitiin kirjoittaa myös
LisätiedotJohdatus verkkoteoriaan luento Netspace
Johdatus verkkoteoriaan luento 3.4.18 Netspace Matriisioperaatio suunnatuissa verkoissa Taustoitusta verkkoteorian ulkopuolelta ennen kuljetusalgoritmia LP-ongelma yleisesti LP = linear programming =
LisätiedotLineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg
Vaasan yliopisto, syksy 218 Lineaarialgebra II, MATH124 Matti laaksonen, Lassi Lilleberg Tentti T1, 284218 Ratkaise 4 tehtävää Kokeessa saa käyttää laskinta (myös graafista ja CAS-laskinta), mutta ei taulukkokirjaa
Lisätiedot6 Vektoriavaruus R n. 6.1 Lineaarikombinaatio
6 Vektoriavaruus R n 6.1 Lineaarikombinaatio Määritelmä 19. Vektori x œ R n on vektorien v 1,...,v k œ R n lineaarikombinaatio, jos on olemassa sellaiset 1,..., k œ R, että x = i v i. i=1 Esimerkki 30.
LisätiedotDuaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki
Duaalisuus kokonaislukuoptimoinnissa Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Duaalisuus binäärisissä optimointitehtävissä Lagrangen duaalisuus Lagrangen
LisätiedotOptimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0
Optimaalisuusehdot Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0 i = 1,..., m j = 1,..., l missä f : R n R, g i : R n R kaikilla i = 1,..., m, ja h j : R n R kaikilla j = 1,..., l
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 17 R. Kangaslampi Vektoriavaruudet Vektoriavaruus
Lisätiedot2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio
x = x 2 = 5/2 x 3 = 2 eli Ratkaisu on siis x = (x x 2 x 3 ) = ( 5/2 2) (Tarkista sijoittamalla!) 5/2 2 Tämä piste on alkuperäisten tasojen ainoa leikkauspiste Se on myös piste/vektori jonka matriisi A
LisätiedotMatematiikan tukikurssi, kurssikerta 3
Matematiikan tukikurssi, kurssikerta 3 1 Epäyhtälöitä Aivan aluksi lienee syytä esittää luvun itseisarvon määritelmä: { x kun x 0 x = x kun x < 0 Siispä esimerkiksi 10 = 10 ja 10 = 10. Seuraavaksi listaus
LisätiedotVektoreiden virittämä aliavaruus
Vektoreiden virittämä aliavaruus Määritelmä Oletetaan, että v 1, v 2,... v k R n. Näiden vektoreiden virittämä aliavaruus span( v 1, v 2,... v k ) tarkoittaa kyseisten vektoreiden kaikkien lineaarikombinaatioiden
LisätiedotLuento 9: Yhtälörajoitukset optimoinnissa
Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon
LisätiedotMatriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, L20 Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ) ( 0, 4 ), ( ) ( 1 4 2, a 11 a 12 a 21 a 22 ) Merkintöjä 1 Matriisi on suorakulmainen lukukaavio.
LisätiedotVapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotVektorien virittämä aliavaruus
Vektorien virittämä aliavaruus Esimerkki 13 Mikä ehto vektorin w = (w 1, w 2, w 3 ) komponenttien on toteutettava, jotta w kuuluu vektoreiden v 1 = (3, 2, 1), v 2 = (2, 2, 6) ja v 3 = (3, 4, 5) virittämään
LisätiedotMatriisit. Määritelmä 1 Reaaliluvuista a ij, missä i = 1,..., k ja j = 1,..., n, muodostettua kaaviota a 11 a 12 a 1n a 21 a 22 a 2n A =
1 / 21 Määritelmä 1 Reaaliluvuista a ij, missä i 1,..., k ja j 1,..., n, muodostettua kaaviota a 11 a 12 a 1n a 21 a 22 a 2n A... a k1 a k2 a kn sanotaan k n matriisiksi. Usein merkitään A [a ij ]. Lukuja
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
Lisätiedot3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset
31 MS-A0004/A0006 Matriisilaskenta 3 Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2292015 Lineaariset yhtälöt ovat vektoreille luonnollisia yhtälöitä, joita
LisätiedotA = a b B = c d. d e f. g h i determinantti on det(c) = a(ei fh) b(di fg) + c(dh eg). Matriisin determinanttia voi merkitä myös pystyviivojen avulla:
11 Determinantti Neliömatriisille voidaan laskea luku, joka kertoo muun muassa, onko matriisi kääntyvä vai ei Tätä lukua kutsutaan matriisin determinantiksi Determinantilla on muitakin sovelluksia, mutta
LisätiedotMääritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )
Määritelmä 519 Olkoon T i L V i, W i, 1 i m Yksikäsitteisen lineaarikuvauksen h L V 1 V 2 V m, W 1 W 2 W m h v 1 v 2 v m T 1 v 1 T 2 v 2 T m v m 514 sanotaan olevan kuvausten T 1,, T m indusoima ja sitä
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M Hirvensalo mikhirve@utufi V Junnila viljun@utufi Luentokalvot 5 1
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D Mika Hirvensalo mikhirve@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2014 Mika Hirvensalo mikhirve@utu.fi Luentokalvot 3 1 of 16 Kertausta Lineaarinen riippuvuus
Lisätiedot8 KANNAT JA ORTOGONAALISUUS. 8.1 Lineaarinen riippumattomuus. Vaasan yliopiston julkaisuja 151
Vaasan yliopiston julkaisuja 151 8 KANNAT JA ORTOGONAALISUUS KantaOrthogon Sec:LinIndep 8.1 Lineaarinen riippumattomuus Lineaarinen riippumattomuus on oikeastaan jo määritelty, mutta kirjoitamme määritelmät
LisätiedotMatemaattinen Analyysi, s2016, L2
Matemaattinen Analyysi, s2016, L2 riippumattomuus, 1 Esimerkkejä esimerkki Dieetti-välipala 1: Opiskelija Ken Obi on dieetillä. Lenkin jälkeen Ken pysähtyy välipalalle. Dieetin mukaan hänen pitäisi saada
LisätiedotMatriisit, kertausta. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, kertausta Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ) ( 0, 4 ), ( ) ( 1 4 2, a 11 a 12 a 21 a 22 ) Kaavio kirjoitetaan kaarisulkujen väliin
Lisätiedotb 1. b m ) + ( 2b Ax) + (b b)
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-9 Optimointioppi Kimmo Berg 5 harjoitus - ratkaisut min Ax b (vertaa PNS-tehtävät) a x + + a n x n a) Ax b = a m x + + a mn x n = x a a m }{{}
LisätiedotOminaisarvo ja ominaisvektori
Ominaisarvo ja ominaisvektori Määritelmä Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka
LisätiedotYhteenlaskun ja skalaarilla kertomisen ominaisuuksia
Yhteenlaskun ja skalaarilla kertomisen ominaisuuksia Voidaan osoittaa, että avaruuden R n vektoreilla voidaan laskea tuttujen laskusääntöjen mukaan. Huom. Lause tarkoittaa väitettä, joka voidaan perustella
Lisätiedot5 Lineaariset yhtälöryhmät
5 Lineaariset yhtälöryhmät Edellisen luvun lopun esimerkissä päädyttiin yhtälöryhmään, jonka ratkaisemisesta riippui, kuuluuko tietty vektori eräiden toisten vektorien virittämään aliavaruuteen Tämäntyyppisiä
LisätiedotLineaarikuvauksen R n R m matriisi
Lineaarikuvauksen R n R m matriisi Lauseessa 21 osoitettiin, että jokaista m n -matriisia A vastaa lineaarikuvaus L A : R n R m, jolla L A ( v) = A v kaikilla v R n. Osoitetaan seuraavaksi käänteinen tulos:
LisätiedotLineaarinen optimointitehtävä
Lineaarinen optimointitehtävä min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2. a m1 x 1 + a m2 x 2 + + a mn x n b m x 1, x 2,..., x n 0 1
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 5. luento.2.27 Lineaarialgebraa - Miksi? Neuroverkon parametreihin liittyvät kaavat annetaan monesti
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotOsittaistuenta Gaussin algoritmissa: Etsitään 1. sarakkeen itseisarvoltaan suurin alkio ja vaihdetaan tämä tukialkioiksi (eli ko. rivi 1. riviksi).
Liukuluvut Tietokonelaskuissa käytetään liukulukuja: mikä esittää lukua ± α α α M β k ± ( M α i β i )β k, i= β on järjestelmän kantaluku, α α M liukuluvun mantissa, α,, α M lukuja,,,, β, siten että α Esimerkki
LisätiedotMatriisilaskenta (TFM) MS-A0001 Hakula/Vuojamo Ratkaisut, Viikko 47, 2017
Matriisilaskenta (TFM) MS-A1 Hakula/Vuojamo Ratkaisut, Viikko 47, 17 R Alkuviikko TEHTÄVÄ J1 Mitkä matriisit E 1 ja E 31 nollaavat sijainnit (, 1) ja (3, 1) matriiseissa E 1 A ja E 31 A kun 1 A = 1. 8
LisätiedotMat Lineaarinen ohjelmointi
Mat-.34 Lineaarinen ohjelmointi 5..7 Luento Kertausta Lineaarinen ohjelmointi - Syksy 7 / LP ja Simplex Kurssin rakenne Duaalisuus ja herkkyysanalyysi Verkkotehtävät Kokonaislukutehtävät Lineaarinen ohjelmointi
LisätiedotBM20A0700, Matematiikka KoTiB2
BM20A0700, Matematiikka KoTiB2 Luennot: Matti Alatalo, Harjoitukset: Oppikirja: Kreyszig, E.: Advanced Engineering Mathematics, 8th Edition, John Wiley & Sons, 1999, luku 7. 1 Kurssin sisältö Matriiseihin
LisätiedotTalousmatematiikan perusteet: Luento 12. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla
Talousmatematiikan perusteet: Luento 12 Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Esimerkki Esim. Yritys tekee kahta elintarviketeollisuuden käyttämää puolivalmistetta,
LisätiedotLU-hajotelma. Esimerkki 1 Matriisi on yläkolmiomatriisi ja matriisi. on alakolmiomatriisi. 3 / 24
LU-hajotelma 1 / 24 LU-hajotelma Seuravassa tarkastellaan kuinka neliömatriisi voidaan esittää kahden kolmiomatriisin tulona. Käytämme alkeismatriiseja tälläisen esityksen löytämiseen. Edellä mainittua
LisätiedotKohdeyleisö: toisen vuoden teekkari
Julkinen opetusnäyte Yliopisto-opettajan tehtävä, matematiikka Klo 8:55-9:15 TkT Simo Ali-Löytty Aihe: Lineaarisen yhtälöryhmän pienimmän neliösumman ratkaisu Kohdeyleisö: toisen vuoden teekkari 1 y y
LisätiedotKanta ja Kannan-vaihto
ja Kannan-vaihto 1 Olkoon L vektoriavaruus. Äärellinen joukko L:n vektoreita V = { v 1, v 2,..., v n } on kanta, jos (1) Jokainen L:n vektori voidaan lausua v-vektoreiden lineaarikombinaationa. (Ts. Span(V
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 3 /
MS-A3/A5 Matriisilaskenta, II/27 MS-A3/A5 Matriisilaskenta Laskuharjoitus 3 / 3. 7..27 Tehtävä (L): Etsi kaikki yhtälön Ax = b ratkaisut, kun 3 5 4 A = 3 2 4 ja b = 6 8 7 4. Ratkaisu : Koetetaan ratkaista
LisätiedotMatriisi-vektori-kertolasku, lineaariset yhtälöryhmät
Matematiikan peruskurssi K3/P3, syksy 25 Kenrick Bingham 825 Toisen välikokeen alueen ydinasioita Alla on lueteltu joitakin koealueen ydinkäsitteitä, joiden on hyvä olla ensiksi selvillä kokeeseen valmistauduttaessa
LisätiedotKanta ja dimensio 1 / 23
1 / 23 Kuten ollaan huomattu, saman aliavaruuden voi virittää eri määrä vektoreita. Seuraavaksi määritellään mahdollisimman pieni vektorijoukko, joka virittää aliavaruuden. Jokainen aliavaruuden alkio
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
LisätiedotJAKSO 2 KANTA JA KOORDINAATIT
JAKSO 2 KANTA JA KOORDINAATIT Kanta ja dimensio Tehtävä Esittele vektoriavaruuden kannan määritelmä vapauden ja virittämisen käsitteiden avulla ja anna vektoriavaruuden dimension määritelmä Esittele Lause
LisätiedotKoodausteoria, Kesä 2014
Koodausteoria, Kesä 2014 Topi Törmä Matemaattisten tieteiden laitos 3.5 Reedin-Mullerin koodit Olkoon tässä kappaleessa F = F2 = Z2 ja n = 2 m. Määritellään avaruuteen F n kertolasku koordinaateittain:
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 5 Ti 20.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 5 Ti 20.9.2011 p. 1/40 p. 1/40 Choleskyn menetelmä Positiivisesti definiiteillä matriiseilla kolmiohajotelma
LisätiedotMatriisilaskenta Luento 12: Vektoriavaruuden kannan olemassaolo
Matriisilaskenta Luento 12: Vektoriavaruuden kannan olemassaolo Antti Rasila 2016 Vektoriavaruuden kannan olemassaolo Jos {v 1, v 2,..., v k } on äärellisulotteisen vektoriavaruuden V lineaarisesti riippumaton
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotMatriisit, L20. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, L20 Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ( 0, 4, ( ( 1 4 2, a 11 a 12 a 21 a 22 Kaavio kirjoitetaan kaarisulkujen väliin (amer. kirjoissa
LisätiedotKäänteismatriisin ominaisuuksia
Käänteismatriisin ominaisuuksia Lause 1.4. Jos A ja B ovat säännöllisiä ja luku λ 0, niin 1) (A 1 ) 1 = A 2) (λa) 1 = 1 λ A 1 3) (AB) 1 = B 1 A 1 4) (A T ) 1 = (A 1 ) T. Tod.... Ortogonaaliset matriisit
Lisätiedot