Malliratkaisut Demot 5,

Samankaltaiset tiedostot
Malliratkaisut Demot

Malliratkaisut Demot

Malliratkaisut Demot

Malliratkaisut Demot 6,

1 Kertaus. Lineaarinen optimointitehtävä on muotoa:

Miten osoitetaan joukot samoiksi?

Demo 1: Simplex-menetelmä

4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen

Malliratkaisut Demo 1

Malliratkaisut Demot

Malliratkaisut Demot

Mat Lineaarinen ohjelmointi

Avaruuden R n aliavaruus

Lineaarinen optimointitehtävä

Diofantoksen yhtälön ratkaisut

Malliratkaisut Demo 4

Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi.

Lineaarinen yhtälöryhmä

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!

JYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö

2 Konveksisuus ja ratkaisun olemassaolo

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

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

Ominaisvektoreiden lineaarinen riippumattomuus

Luento 3: Simplex-menetelmä

1 Lineaariavaruus eli Vektoriavaruus

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

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

Luento 9: Yhtälörajoitukset optimoinnissa

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

Gaussin ja Jordanin eliminointimenetelmä

802320A LINEAARIALGEBRA OSA I

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä

Simplex-algoritmi. T Informaatiotekniikan seminaari , Susanna Moisala

Vektorit, suorat ja tasot

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

Lineaarinen toisen kertaluvun yhtälö

Ennakkotehtävän ratkaisu

Malliratkaisut Demot

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

Determinantti 1 / 30

1 Lukujen jaollisuudesta

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

Johdatus matemaattiseen päättelyyn

Lineaarinen optimointitehtävä

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

Mat Lineaarinen ohjelmointi

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

Luento 11: Rajoitusehdot. Ulkopistemenetelmät

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

Malliratkaisut Demo 4

TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS

Harjoitus 5 ( )

Kokonaislukuoptiomointi Leikkaustasomenetelmät

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

Lineaarisen kokonaislukuoptimointitehtävän ratkaiseminen

Malliratkaisut Demot

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

5 OMINAISARVOT JA OMINAISVEKTORIT

Iteratiiviset ratkaisumenetelmät

Luento 8: Epälineaarinen optimointi

MS-C2105 Optimoinnin perusteet Malliratkaisut 4

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö

5 Lineaariset yhtälöryhmät

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

Harjoitus 5 ( )

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

Diskreetin matematiikan perusteet Laskuharjoitus 1 / vko 8

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

Johdatus verkkoteoriaan luento Netspace

Päättelyn voisi aloittaa myös edellisen loppupuolelta ja näyttää kuten alkupuolella, että välttämättä dim W < R 1 R 1

10 Matriisit ja yhtälöryhmät

Piiri K 1 K 2 K 3 K 4 R R

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

Luento 8: Epälineaarinen optimointi

Luento 6: Monitavoiteoptimointi

Shorin algoritmin matematiikkaa Edvard Fagerholm

Jokaisen parittoman kokonaisluvun toinen potenssi on pariton.

Harjoitus 7: vastausvihjeet

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

Vastaoletuksen muodostaminen

Johdatus lukuteoriaan Harjoitus 11 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma

7 Vapaus. 7.1 Vapauden määritelmä

8. Ensimmäisen käyvän kantaratkaisun haku

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

Algebra I, harjoitus 5,

Ortogonaalisen kannan etsiminen

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

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

Malliratkaisut Demot

(2n 1) = n 2

MS-A0003/A0005 Matriisilaskenta Malliratkaisut 5 / vko 48

Taustatietoja ja perusteita

Lineaarikuvauksen R n R m matriisi

, on säännöllinen 2-ulotteinen pinta. Määrää T x0 pisteessä x 0 = (0, 1, 1).

Harjoitus 1 ( )

3 Toisen kertaluvun lineaariset differentiaaliyhtälöt

ja λ 2 = 2x 1r 0 x 2 + 2x 1r 0 x 2

Ratkaisu: (b) A = x 0 (R(x 0 ) x 1 ( Q(x 1 ) (S(x 0, x 1 ) S(x 1, x 1 )))).

x 2 x 3 x 1 x 2 = 1 2x 1 4 x 2 = 3 x 1 x 5 LINEAARIALGEBRA I Oulun yliopisto Matemaattisten tieteiden laitos 2014 Esa Järvenpää, Hanna Kiili

Transkriptio:

Malliratkaisut Demot 5, 2.2.25 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 jam =. b) Otetaan käyttöön apumuuttujatx,x 5,x 6 jax 7, jolloin tehtävän standardimuodoksi saadaan 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 Nytn = 7 jam =. Tehtävä 2 Tarkastellaan optimointitehtävää max c T x s. t. Ax =b x. a) Väite. Optimointitehtävän sallittujen ratkaisujen joukkos :={x R n Ax = b,x } on konveksi. Todistus. Oletetaan, ettäx,x 2 S jaλ (, ), jolloinax =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 eliλx + ( λ)x 2 S. Tästä seuraa, että joukkos on konveksi.

b) Oletus. Optimointitehtävällä on yksikäsitteinen ratkaisu pisteessäx. Väite. Pistex on kärkipiste. Todistus. Tehdään vastaoletus, ettäx ei ole kärkipiste. Silloin on olemassax,x 2 S jaλ (, ) siten, ettäx x 2 jax =λx + ( λ)x 2. Oletuksen nojalla c T x >cx kaikillax S,x x. Nyt c T x =c T (λx + ( λ)x 2 ) =λc}{{} T x +( λ)c}{{} T x 2 <c T x <c T x <λc T x + ( λ)c T x =c T x. Syntyy ristiriita. Vastaoletus on siis väärin ja väite on oikein. Tehtävä 3 Simplex-algoritmissa käytetään merkintöjä B : ={i x i on kantamuuttuja} N : ={i x i ei ole kantamuuttuja}. Nytx =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 λ = min { } x i x i <,i B. ( ) x i Olkoon jälleens:={x R n Ax =b,x } optimointitehtävän sallittujen ratkaisujen joukko. Oletus. Pistex on edellisen tehtävän sallittu kantaratkaisu. Väite. Simplex-algoritmilla tuotettu uusi kärkipistex on sallittu. Todistus. Oletuksen nojallax SeliAx =b, x. Väitteen osoittamiseksi on näytettävä, ettäx S. Ensinnäkin Ax =A(x +λ x) =Ax }{{} b +λa x }{{} =b. = Toiseksi on vielä osoitettava, ettäx. Tarkastellaan ensin tapausta, jossa kyseessä on ei-kantamuuttuja. Silloin x = }{{} x + }{{} λ x ja x i kaikillai N, josta seuraax i kaikillai N. Tarkastellaan sitten tapausta, jossa kyseessä on kantamuuttuja. Silloinx i =x i +λ x i> kaikillai B, joilla x i. Josi B siten, että x i <, niinx i =x i + λ x i + x i x i x i =x i x i =. Tästä seuraa, ettäx S. 2 }{{} x }{{} i < ( )

Tehtävä Tarkastellaan standardimuotoisen lineaarisen optimointitehtävän Simplextaulukkoa x x 2 x 3 x maxc 8 5 b A 3 2 3 7 N N B B Taulukon mukaan kanta B ={3, }, josta seuraa 3x 3 +x = 7 x = = x 3 = 2 x =. Muuttujat, jotka eivät ole kannassa saavat arvon,x =x 2 =. Aloituspiste (eli ensimmäinen sallittu kantaratkaisu)x = (,, 2, ) T. Jos seuraavassa vaiheessax valitaan kantaan, niin x = x 2 =, jolloin suunta x = (,, x 3, x ) T. Ratkaistaan yhtälöparia x = A x 3 +2 +3 x 3 + x = = + + x 3 x = Saadaan siis suunta x = (,, 3, ) T. Jos taas valittaisiin muuttujax 2 kantaan, niin x = x 2 =, = x 3 = 3 x =, jolloin suunta x 2 = (,, x 3, x ) T. Ratkaistaan yhtälöpari A x 2 3 +2 +3 x 3 + x = = = + + x 3 x = x 3 = x =, Näin ollen, saadaan suunta x 2 = (,,, ) T. Lasketaan seuraavaksi redusoidut kustannukset näissä kahdessa suunnassa: c =c T x = (8, 5,, ) = 8 = > 3 c 2 =c T x = (8, 5,, ) = 5 + = < (parantava). (ei parantava, koska minimoidaan) 3

Jos kantaan valittaanx, niin suurin sallittu askelpituus { 2 λ = min 3 }, =. Tällöin muuttujax poistuu kannasta, ja seuraava kantaratkaisu on x =x +λ x = (,, 2, ) T + =( (,, 3, )T,, 5 ) T,. on Vastaavasti, jos uudeksi kantamuuttujaksi valitaanx 2, niin suurin sallittu askelpituus { 2 λ 2 = min = 2 (x 3 poistuu kannasta) } ja seuraava kantaratkaisu on x 2 =x +λ 2 x 2 = (,, 2, ) T + 2 (,,, ) T = (, 2,, 3) T. Kohdefunktion arvo aloituspisteessä on c T x = (8, 5,, ) 2 =. Jos kantaan valitaanx, niin kohdefunktion arvoksi tulee c T x = (8, 5,, ) 5 = 2. Valitsemalla kantaanx 2 saadaan kohdefunktion arvoksi c T 2 x 2 = (8, 5,, ) = 7. 3 Tehtävä 5 Valitaan päätösmuuttujiksi jolloin optimointitehtäväksi saadaan x = Mox (litraa) x 2 = Mux (litraa) 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 apumuuttujatx 3,x jax 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 maxc 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 pisteessäx 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 apumuuttujax 3 kuuluu kantaan. 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: Vaihet = Valitsemalla kantaanx 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 valitaanx 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 kantaanx 2.λ 2 = min { 2, 7, } 3 ( 3) ( ) ( ) = 3 ja apumuuttujax5 poistuu kannasta. Seuraava kantaratkaisu on x =x +λ x = (,, 2, 7, 3) T + 3 (,, 3,, ) T = (, 3, 5, 5, ) T. Vaiheett=jat = 2 lasketaan samaan tapaan. Algoritmi päättyy, kun parantavia suuntia ei enää löydy. 6