Malliratkaisut Demot

Samankaltaiset tiedostot
Malliratkaisut Demot

Malliratkaisut Demot 5,

Malliratkaisut Demot 6,

Malliratkaisut Demot

1 Kertaus. Lineaarinen optimointitehtävä on muotoa:

Demo 1: Simplex-menetelmä

4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen

Miten osoitetaan joukot samoiksi?

Malliratkaisut Demo 4

Malliratkaisut Demo 1

Malliratkaisut Demot

Lineaarinen optimointitehtävä

Lineaarinen optimointi. Harjoitus 6-7, Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän. c T x = min!

Malliratkaisut Demot

Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi.

Talousmatematiikan perusteet: Luento 12. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

Malliratkaisut Demot

Avaruuden R n aliavaruus

Diofantoksen yhtälön ratkaisut

Luento 3: Simplex-menetelmä

Lineaarialgebra ja matriisilaskenta I, HY Kurssikoe Ratkaisuehdotus. 1. (35 pistettä)

JYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä

Luento 9: Yhtälörajoitukset optimoinnissa

Lineaarinen yhtälöryhmä

Malliratkaisut Demo 4

Ominaisvektoreiden lineaarinen riippumattomuus

Duaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki

Mat Lineaarinen ohjelmointi

Surjektion käsitteen avulla kuvauksia voidaan luokitella sen mukaan, kuvautuuko kaikille maalin alkioille jokin alkio vai ei.

Esitetään tehtävälle kaksi hieman erilaista ratkaisua. Ratkaisutapa 1. Lähdetään sieventämään epäyhtälön vasenta puolta:

2 Konveksisuus ja ratkaisun olemassaolo

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

1 Lukujen jaollisuudesta

Harjoitus 5 ( )

Kokonaislukuoptiomointi Leikkaustasomenetelmät

Harjoitus 5 ( )

= 2±i2 7. x 2 = 0, 1 x 2 = 0, 1+x 2 = 0.

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä

Lineaarinen optimointitehtävä

Optimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö

Mat Lineaarinen ohjelmointi

Vektorit, suorat ja tasot

Gaussin ja Jordanin eliminointimenetelmä

1 Lineaariavaruus eli Vektoriavaruus

Johdatus verkkoteoriaan luento Netspace

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

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.

Johdatus matemaattiseen päättelyyn

5 Lineaariset yhtälöryhmät

Harjoitus 3 ( )

Matematiikan ja tilastotieteen laitos Matematiikka tutuksi Harjoitus 2, malliratkaisut

Harjoitus 3 ( )

802320A LINEAARIALGEBRA OSA I

Harjoitus 7: vastausvihjeet

Kahden suoran leikkauspiste ja välinen kulma (suoraparvia)

Luento 6: Monitavoiteoptimointi

Luento 8: Epälineaarinen optimointi

b 1. b m ) + ( 2b Ax) + (b b)

(iv) Ratkaisu 1. Sovelletaan Eukleideen algoritmia osoittajaan ja nimittäjään. (i) 7 = , 7 6 = = =

2.1. Tehtävänä on osoittaa induktiolla, että kaikille n N pätee n = 1 n(n + 1). (1)

Malliratkaisut Demot

MS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42

Luento 11: Rajoitusehdot. Ulkopistemenetelmät

Diskreetin matematiikan perusteet Laskuharjoitus 1 / vko 8

10 Matriisit ja yhtälöryhmät

Simplex-algoritmi. T Informaatiotekniikan seminaari , Susanna Moisala

Lineaarikuvauksen R n R m matriisi

Malliratkaisut Demot

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.

Tehtävä 1. Oletetaan että uv on neliö ja (u, v) = 1. Osoita, että kumpikin luvuista u ja v on. p 2j i. p j i

Shorin algoritmin matematiikkaa Edvard Fagerholm

Tentissä on viisi tehtävää, jotka arvosteellaan asteikolla 0-6. Tehtävien alakohdat ovat keskenään samanarvoisia ellei toisin mainita.

Lineaarisen kokonaislukuoptimointitehtävän ratkaiseminen

ja λ 2 = 2x 1r 0 x 2 + 2x 1r 0 x 2

Ennakkotehtävän ratkaisu

1. Etsi seuraavien funktioiden kriittiset pisteet ja tutki niiden laatu: (a.) f(x,y) = 20x 2 +10xy +5y 2 (b.) f(x,y) = 4x 2 2y 2 xy +x+2y +100

MS-C2105 Optimoinnin perusteet Malliratkaisut 4

7 Vapaus. 7.1 Vapauden määritelmä

Luento 8: Epälineaarinen optimointi

Malliratkaisut Demot

58131 Tietorakenteet ja algoritmit (kevät 2014) Uusinta- ja erilliskoe, , vastauksia

Piiri K 1 K 2 K 3 K 4 R R

Tee konseptiin pisteytysruudukko! Muista kirjata nimesi ja ryhmäsi. Lue ohjeet huolellisesti!

Matematiikan peruskurssi 2

Matematiikan peruskurssi 2

Derivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2

1 Johdanto LP tehtävän luonteen tarkastelua Johdanto herkkyysanalyysiin Optimiarvon funktio ja marginaalihinta

Vastaoletuksen muodostaminen

Lineaarinen toisen kertaluvun yhtälö

Todistusmenetelmiä Miksi pitää todistaa?

Algebra I, harjoitus 5,

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Matematiikan peruskurssi (MATY020) Harjoitus 10 to

5 OMINAISARVOT JA OMINAISVEKTORIT

Kaikki kurssin laskuharjoitukset pidetään Exactumin salissa C123. Malliratkaisut tulevat nettiin kurssisivulle.

Operatioanalyysi 2011, Harjoitus 3, viikko 39

Transkriptio:

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 käyttöön apumuuttujat x, x 5, x 6 ja x 7, jolloin tehtävän standardimuodoksi saadaan Nyt n = 7 ja m =. max 5x + 9x 2 + x 3 s. t. 2x + x 2 + x 3 + x = x + x 5 = 3 x 2 + x 6 = 3 x 3 + x 7 = 3 x, x 2, x 3, x, x 5, x 6, x 7 Tehtävä 2 Tarkastellaan optimointitehtävää max c T x s. t. Ax = b x. a) Väite: Optimointitehtävän sallittujen ratkaisujen joukko S := {x R n Ax = b, x } on konveksi. Todistus. Oletetaan, että x, x 2 S ja λ [, ], jolloin Ax = Ax 2 = b, missä x, x 2. Nyt ja A(λx + ( λ)x 2 ) = λax + ( λ)ax 2 = λb + ( λ)b = b }{{} λ }{{} x + ( λ) }{{} }{{} x 2

eli λx + ( λ)x 2 S. Tästä seuraa, että joukko S on konveksi. Huom! Täällä voitaisiin myös määritellä λ (, ) ja vast. yhtäsuuruudet pois ylläolevista yhtälöistä. b) Oletus. Optimointitehtävällä on yksikäsitteinen ratkaisu pisteessä x. Väite: Piste x on kärkipiste. Todistus. Tehdään vastaoletus, että x ei ole kärkipiste. Silloin on olemassa x, x 2 S ja λ (, ) siten, että x x 2 ja x = λx + ( λ)x 2. Oletuksen nojalla c T x > cx kaikilla x S. Nyt c T x = c T (λx + ( λ)x 2 ) = λ } c T {{ x } +( λ) c} T {{ x 2 } <c T x <c T x < λc T x + ( λ)c T x = c T x, mikä on ristiriita. Siis vastaoletus on väärin ja väite oikein. Tehtävä 3 Simplex-algoritmissa käytetään merkintöjä B : = {i x i on kantamuuttuja} N : = {i x i ei ole kantamuuttuja}. Nyt x = x + λ x, missä x on Simplex-suunta eli, i = j N x i =, i N, i j, missä puolestaan j on uusi kantamuuttuja. Lisäksi A x = ja askelpituus { } x λ = min i x i <, i B. ( ) x i Olkoon jälleen S := {x R n Ax = b, x } optimointitehtävän sallittujen ratkaisujen joukko. Oletus: Piste x on edellisen tehtävän sallittu kantaratkaisu. Väite: Simplex-algoritmilla tuotettu uusi kärkipiste x on sallittu. Todistus. Oletuksen nojalla x S eli Ax = b, x. Väitteen osoittamiseksi on näytettävä, että x S. Ensinnäkin Ax = A(x + λ x) = Ax }{{ } =b +λ A x }{{} = b. = Toiseksi on vielä on osoitettava, että x. Tarkastellaan ensin tapausta, jossa kyseessä on ei-kantamuuttuja eli i N. Silloin x i = x i + }{{}}{{} λ x i ja x i kaikilla i N, josta seuraa x i kaikilla i N. 2

Tarkastellaan sitten tapausta, jossa kyseessä on kantamuuttuja eli i B. Silloin x i = x i + λ x i > kaikilla i B, joilla x i. Jos i B siten, että x i <, niin x i = x i + λ }{{} Tehtävä x }{{} i ( ) x i + < Tarkastellaan seuraavaa Simplex-taulukkoa. x i x i x i = x i x i =. Tästä seuraa, että x S. x x 2 x 3 x min c 8 5 b A 3 2 3 7 N N B B Taulukon mukaan kanta B = {3, }, josta seuraa 3x 3 + x = 7 x 3 = 2 = x = x =. Nyt x = x 2 =, jolloin aloituspiste (ensimmäinen sallittu kantaratkaisu) x = (,, 2, ) T. Jos valitaan x kantaan, niin x = x 2 =, jolloin suunta x = (,, x 3, x ) T. Ratkaisemalla yhtälöpari A x 3 + 2 + 3 x 3 + x = x 3 = 3 = = + + x 3 x = x =, saadaan suunta x = (,, 3, ) T. Jos valitaan x 2 kantaan, niin x = x 2 =, jolloin suunta x 2 = (,, x 3, x ) T. Ratkaisemalla yhtälöpari A x 2 3 + 2 + 3 x 3 + x = x 3 = = = + + x 3 x = x =, saadaan suunta x 2 = (,,, ) T. Redusoidut kustannukset näissä kahdessa suunnassa ovat c = c T x = (8, 5,, ) 3 = 8 = > (ei parantava, koska minimoidaan) c 2 = c T x 2 = (8, 5,, ) = 5 + = < (parantava). 3

Kun kantaan on valittu x, niin suurin sallittu askelpituus ja seuraava kantaratkaisu ovat { 2 λ = min 3, = } (x poistuu kannasta) x = x + λ x = (,, 2, ) T + ( (,, 3, )T =,, 5 ) T,. Vastaavasti kun kantaan on valittu x 2, niin suurin sallittu askelpituus ja seuraava kantaratkaisu ovat { 2 λ 2 = min = 2 (x 3 poistuu kannasta) } x 2 = x + λ 2 x 2 = (,, 2, ) T + 2(,,, ) T = (, 2,, 3) T Kohdefunktion arvo aloituspisteessä on c T x = (8, 5,, ) 2 =. Valitsemalla kantaan x saadaan kohdefunktion arvoksi c T x = (8, 5,, ) 5 = 2. Jos taas valitaan kantaan x 2, niin kohdefunktion arvoksi tulee c T x 2 2 = (8, 5,, ) = 7. 3 Tehtävä 5 Valitaan päätösmuuttujiksi x = Mox (litraa) x 2 = Mux (litraa) jolloin optimointitehtäväksi saadaan max 3x + x 2 s. t. 7x + 3x 2 2 5x + x 2 7 x 2 3 x, x 2.

Simplex-algoritmia varten kirjoitetaan tehtävä ensin standardimuotoon. Kohdefunktio voidaan skaalata (jakamalla tuhannella). Otetaan käyttöön apumuuttujat x 3, x ja x 5. max 3x + x 2 s. t. 7x + 3x 2 + x 3 = 2 5x + x 2 + x = 7 x 2 + x 5 = 3 x, x 2, x 3, x, x 5. Ratkaistaan tehtävä Simplex-algoritmilla ja laaditaan taulukko algoritmin vaiheista. x x 2 x 3 x x 5 max c 3 b 7 3 2 A 5 7 3 t = N N B B B x 2 7 3 c T x = x : x 7 5 c = 3 x : x 2 3 c 2 = 2 7 3 ( 3) ( ) ( ) λ = 3 t = N B B B N x 3 5 5 c T x = 2 x : x 7 5 c = 3 x : x 5 3 c 2 = 5 5 ( 7) ( 5) λ = t = 2 B B B N N x 2 3 8 c T x = 5 x : x 5 7 5 c = 3 5 x : x 5 5 3 5 c 2 = 8 5 Vaiheessa t = 2 redusoidut kustannukset ovat negatiivisia molemmissa suunnissa. Koska kyseessä on maksimointitehtävä, kumpikaan suunta ei ole parantava. Eli lopetetaan algoritmi. Löydettiin maksimi, joka saavutetaan pisteessä x 2 = (, 3) T. Kohdefunktio saa arvon 5kJ. Kyseessä on globaali yksikäsitteinen maksimi. Kun rahaa on käytettävissä kaksinkertainen määrä, tehtävä muuttuu muotoon max 3x + x 2 s. t. 7x + 3x 2 + x 3 = 8 5x + x 2 + x = 7 x 2 + x 5 = 3 x, x 2, x 3, x, x 5. 5

Huomataan, että apumuuttuja x 3 kuuluu kantaan, kun Simplex-algoritmi pysähtyy edellä. Rahaa vastaava epäyhtälö ei siis ole aktiivinen. Toisin sanoen, raha ei ole rajoittava tekijä, vaan rajoittavia ovat Muxin saatavuus sekä lisäaineelle annettu maksimimäärä. Näin ollen, tehtävän ratkaisu ei muutu, vaikka rahaa olisi käytettävissä enemmän. Simplex-algoritmilla laskettaessa käytettyjä aputuloksia: Vaihe t = Valitsemalla kantaan x saadaan suunta x = (,, x 3, x, x 5 ) T, joka toteuttaa yhtälön (yhtälöryhmän) A x = 7 + 3 + x 3 = A x = 5 + + x = = x 3 = 7, x = 5, x 5 = + x 5 = Yhtälöryhmän ratkaisu antaa suunnan x = (,, 7, 5, ) T. Redusoitu kustannus on tällöin c = c T x = (3,,,, ) 7 = 3. 5 Jos kantaan valitaan x 2, niin saadaan suunta joka toteuttaa yhtälöryhmän 7 + 3 + x 3 = A x = 5 + + x = + x 5 = x = (,, x 3, x, x 5 ) T, = x 3 = 3, x =, x 5 = Ratkaisemisen jälkeen suunta x = (,, 3,, ) T. Redusoitu kustannus on tällöin c 2 = c T x = (3,,,, ) 3 = Valitaan kantaan x 2. Tällöin λ = min { 2 poistuu kannasta. Seuraava kantaratkaisu on, 7, 3 ( 3) ( ) ( )} = 3 ja apumuuttuja x5 x = x + λ x = (,, 2, 7, 3) T + 3 (,, 3,, ) T = (, 3, 5, 5, ) T. Vaiheet t = ja t = 2 lasketaan samaan tapaan. Algoritmi päättyy, kun parantavia suuntia ei enää löydy. 6