INHOUDSOPGAVE LEERGANG BESLISKUNDE L.C.M. KALLENBERG UNIVERSITEIT LEIDEN
|
|
- Adriana van de Velde
- 8 jaren geleden
- Aantal bezoeken:
Transcriptie
1 INHOUDSOPGAVE LEERGANG BESLISKUNDE L.C.M. KALLENBERG UNIVERSITEIT LEIDEN
2
3 TEN GELEIDE Deze Leergang Besliskunde bevat de dictaten die ik heb geschreven voor de diverse besliskundecolleges die door mij zijn gegeven. Het betreft de colleges: I. Caleidoscoop (onderdeel besliskunde) II. Besliskunde 1 III. Besliskunde 2 IV. Besliskunde 3 V. Besliskunde 4 VI. Markov Decision Processes Hieronder een overzicht met enkele gegevens over deze colleges. Vak Jaar EC s Pagina s Vragen Opgaven Caleidoscoop 1-ste jaar Besliskunde 1 2-de jaar Besliskunde 2 3-de jaar 6 of Besliskunde 3 3-de of 4-de jaar 6 of Besliskunde 4 3-de of 4-de jaar 4 tot Markov Decision Processes Master of PhD 4 tot De oplossingen van de vragen staan achterin de dictaten. De oplossingen van de opgaven staan in aparte dictaten die voor docenten op aanvraag beschikbaar zijn. 6 EC als alleen de eerste drie hoofdstukken worden gedaan. 6 EC als alleen de eerste vijf hoofdstukken worden gedaan. Het aantal EC s is afhankelijk van het aantal hoofdstukken dat wordt gedaan. Het geheel bevat 2239 pagina s, 1775 pagina s stof inclusief de oplossingen van de vragen en 464 pagina s met oplossingen van de opgaven. De stof is deels ontleend aan een groot aantal boeken, dictaten en ander materiaal dat door de auteur is geraadpleegd. De auteur stelt verbeteringen, aanvullingen en opmerkingen zeer op prijs. Leiden, december 2009 Lodewijk Kallenberg kallenberg@math.leidenuniv.nl
4
5 DEEL I: ONDERDEEL BESLISKUNDE IN CALEIDOSCOOP (45 pagina s) 1. INLEIDING (7 pagina s) 1.1 Wat is besliskunde? 1.2 Geschiedenis 1.3 Voorbeeld 1.4 Overzicht van een aantal besliskundige modellen 1.5 Opgaven 2. MATHEMATISCHE PROGRAMMERING (17 pagina s) 2.1 Lineaire programmering 2.2 Geheeltallige lineaire programmering 2.3 Niet-lineaire programmering Onbeperkte optimalisering Beperkte optimalisering 2.4 Opgaven 3. NETWERK OPTIMALISATIE (7 pagina s) 3.1 Dijkstra s algoritme voor het kortste pad probleem 3.2 Ford-Fulkerson algoritme voor het maximale-stroom-probleem 3.3 Opgaven 4. MARKOV (BESLISSINGS)KETENS (14 pagina s) 4.1 Markov ketens 4.2 Markov beslissingsketens 4.3 Opgaven DEEL II: BESLISKUNDE 1 (265 pagina s) 1. COMPLEXITEITSTHEORIE (16 pagina s) 1.1 Inleiding 1.2 De klassen P en N P 1.3 Opgaven 2. GRAFENTHEORIE (50 pagina s) 2.1 Inleiding Niet-gerichte grafen Gerichte grafen Opgaven 2.2 Bomen Algemeen Binaire bomen 1
6 2.2.3 Huffman code Depth-first Search en Breadth-First Search Streng samenhangende componenten Minimale opspannende boom Opgaven 2.3 Euler en Hamilton grafen Euler grafen Hamilton grafen Opgaven 3. COMBINATORIEK EN ENUMERATIE (52 pagina s) 3.1 Permutaties, combinaties, rangschikkingen en partities Permutaties Combinaties Rangschikkingen Partities Opgaven 3.2 Recurrente betrekkingen en voortbrengende functies Homogene recurrente betrekkingen Fibonacci-getallen Inhomogene recurrente betrekkingen Voortbrengende functies Opgaven 3.3 Het principe van inclusie en exclusie Zeefformule Torenveelterm De functies van Euler en Möbius Opgaven 3.4 Het tellen van grafen; multinomiaalcoëfficiënten Grafen met genummerde knooppunten Multinomiaalcoëfficiënten Opspannende bomen met genummerde knooppunten Opgaven 3.5 Burnside s Lemma en de theorie van Polya Het Lemma van Burnside De theorie van Polya Het tellen van niet-isomorfe grafen Opgaven 2
7 4. LINEAIRE OPTIMALISERING (56 pagina s) 4.1 Model en toepassingen Het model Enkele toepassingen Opgaven 4.2 Lineaire (on)gelijkheden en polyhedra Theorie van de lineaire (on)gelijkheden Polyhedra Opgaven 4.3 Dualiteit Zwakke en sterke dualiteit Stricte complementariteit Gelijkheden en vrije variabelen Complexiteit Economische interpretatie Enkele resultaten afgeleid via dualiteit Opgaven 4.4 De simplex methode Inleiding en voorbeeld Fase I - fase II techniek Degeneratie: de regel van BLand Complexiteit Opgaven 5. DISCRETE MARKOV KETENS (42 pagina s) 5.1 Inleiding en voorbeelden 5.2 Klassificatie van toestanden 5.3 Het limietgedrag van de overgangsmatrix Opgaven 6. VERNIEUWINGSTHEORIE (18 pagina s) 6.1 Inleiding 6.2 Vernieuwingsvergelijking en Vernieuwingsstelling 6.3 Markov ketens met aftelbare toestandsruimte (vervolg) 6.4 Opgaven OPLOSSING VAN DE VRAGEN (26 pagina s) INDEX (5 pagina s) 3
8 DEEL III: BESLISKUNDE 2 (272 pagina s) 1. LINEAIRE OPTIMALISERING (deel 2) (30 pagina s) 1.1 Inleiding 1.2 Implementatie aspecten Begrensde variabelen Herziene simplex methode en de productvorm Opgaven 1.3 Gevoeligheidsanalyse Veranderingen in één coëfficiënt van de doelfunctie Veranderingen in één coëfficiënt van het rechterlid Veranderingen in meer coëfficiëntenan het rechterlid (of de doelfunctie) Veranderingen in een kolom van een niet-basisvariabele Toevoegen van een nieuwe activiteit/variabele Parametrische programmering Opgaven 1.4 De duale en de primale-duale simplex methode De duale simplex methode De primale-duale methode Opgaven 2. GEHEELTALLIGE LINEAIRE OPTIMALISERING (44 pagina s) 2.1 Model, formuleringen en voorbeelden Model en formuleringen Voorbeelden Opgaven 2.2 Branch-and-bound Het generieke algoritme Behandeling van en opsplitsing in deelproblemen Opgaven 2.3 Sneden Gomory s fractie-snede algoritme Gomory s snede voor gemengd geheeltallige optimalisering Opgaven 2.4 Handelsreizigersprobleem Inleiding en formuleringen Branch-and-Bound methode Heuristieken Opgaven 4
9 3. NIET- LINEAIRE OPTIMALISERING (64 pagina s) 3.1 Inleiding Klassificatie van niet-lineaire optimaliseringsproblemen Voorbeelden Afgeleiden Optimaliteitsvoorwaarden Convexiteit OPgaven 3.2 Onbeperkte optimalisering Inleiding Eéndimensionale optimalisatie Meerdimensionale optimalisatie Opgaven 3.3 Beperkte optimalisering: theorie Inleiding Lagrange multipliers bij gelijkheidsbeperkingen Karush-Kuhn-Tucker voorwaarden bij gelijkheden en ongelijkheden Fritz John voorwaarden Convexe optimalisering en dualiteit Opgaven 3.4 Beperkte optimalisering: methoden Kwadratische optimalisering Methode van toelaatbare richtingen Gereduceerde gradiënt methode Gegeneraliseerde gereduceerde gradiënt methode Barrièrre methode Opgaven 4. NETWERK OPTIMALISERING (50 pagina s) 4.1 Kortste paden Inleiding Methode van Dijkstra Methode van Bellman en Ford Methode van Floyd en Warshall De kortste gemiddelde ronde Enkele toepassingen Opgaven 4.2 Netwerkstromen Maximale stromen Minmale kostenstromen 5
10 4.2.3 Enkele toepassingen Opgaven 5. SCHEDULING (24 pagina s) 5.1 Inleiding 5.2 Eén machine Model A: 1 L max Model B: 1 n j=1 w jc j Model C: 1 n j=1 w ju j 5.3 Twee machines Model D: O 2 C max Model E: F 2 C max Model F: J 2 C max 5.4 Parallelle machines 5.5 Verbanden met het handelsreizigersprobleen Model K: 1 s jk C max Model L: F m no wait C max 5.6 Opgaven 6. SPELTHEORIE (20 pagina s) 6.1 Inleiding 6.2 Tweepersonen nulsomspel 6.3 Bi-matrix spelen 6.4 Coöperatieve spelen 6.5 Opgaven OPLOSSING VAN DE VRAGEN (35 pagina s) INDEX (5 pagina s) DEEL IV: BESLISKUNDE 3 (253 pagina s) 1. SPECIALE LINEAIRE MODELLEN (34 pagina s) 1.1 Unimodulariteit en totaal unimodulariteit 1.2 Grafen en lineaire algebra 1.3 Transportprobleem Inleiding Tableau en startoplossing Algemene iteratiestap Gevoeligheidsanalyse Toepassing 6
11 1.3.6 Het overslagprobleem 1.4 Toewijzingsprobleem Probleemstelling en LP-formulering Huwelijksstelling en transversalen De Hongaarse methode 1.5 Opgaven 2. KNAPZAKPROBLEEM (28 pagina s) 2.1 Inleiding 2.2 Het fractionele knapzakprobleem 2.3 Het 0-1 knapzakprobleem Complexiteit Dynamische programmering Branch-and-bound Het gretige algoritme Polynomiale approximaties 2.4 Het begrensde knapzakprobleem Transformatie tot een 0-1 knapzakprobleem LP-relaxatie Dynamische programmering Branch-and-bound Approximaties 2.5 Het onbegrensde knapzakprobleem 2.6 Bin-packing probleem Inleiding De Next-Fit heuristiek De First-Fit en Best-Fit heuristieken De First-Fit Decreasing en Best-Fit Decreasing heuristieken 2.7 Opgaven 3. PROJECT PLANNING (18 pagina s) 3.1 Probleemstelling en modellering 3.2 Berekening van het kritieke pad 3.3 Bepaling van het kritieke pad met lineaire programmering 3.4 Het PERT-model 3.5 Projectplanning met kosten 3.6 Een alternatief model 3.7 Opgaven 7
12 4. DYNAMISCHE PROGRAMMERING (12 pagina s) 4.1 Inleiding 4.2 Terminologie 4.3 Deterministische dynamische programmering 4.4 Stochastische dynamische programmering 4.5 Opgaven 5. CONTINUE MARKOV KETENS (24 pagina s) 5.1 Inleiding 5.2 Differentiaalvergelijkingen en transiënt gedrag 5.3 Geboorte-sterfte processen 5.4 Stationair gedrag 5.5 Reversibiliteit 5.6 Uniformizatie 5.7 Opgaven 6. WACHTTIJDTHEORIE (34 pagina s) 6.1 Inleiding 6.2 Wachttijdparadox 6.3 De formule van Little en PASTA 6.4 Geboorte-sterfte processen (vervolg) 6.5 Modellen gebaseerd op het geboorte-sterfte proces 6.6 Met M/G/1 model 6.7 Netwerken van wachtrijen De tandem wachtrij Open netwerk van wachtrijen (Jackson netwerken) Gesloten netwerken van wachtrijen 6.8 Opgaven 7. MARKOV BESLISSINGSTHEORIE (48 pagina s) 7.1 Inleiding Het model Strategiën en optimaliteitscriteria Voorbeelden 7.2 Eindige horizon en totale opbrengsten 7.3 Oneindige horizon en verdisconteerde opbrengsten Contraherende en monotone afbeeldingen Strategie verbetering Lineaire programmering Waarde iteratie 7.4 Oneindige horizon en totale opbrengsten 8
13 7.4.1 Inleiding Rood-zwart casino model Optimaal stoppen 7.5 Gemiddelde opbrengsten over een oneindige horizon Inleiding Optimaliteitsvergelijking Strategie verbetering Lineaire programmering Waarde iteratie 7.6 Opgaven 8. SIMULATIE (24 pagina s) 8.1 Inleiding 8.2 Statistische verwerking van gegevens 8.3 Voorbeelden van simulaties 8.4 Aselecte getallen en aselecte trekkingen 8.5 Variantie reducerende technieken Stratificatie Complementaire aselecte getallen 8.6 Opgaven OPLOSSING VAN DE VRAGEN (23 pagina s) TABELLEN (5 pagina s) INDEX (3 pagina s) DEEL V: BESLISKUNDE 4 (509 pagina s) 1. GRAFENTHEORIE (deel 2) (86 pagina s) 1.1 Grafen en matrices Grafen en vectorruimtes De incidentiematrx De kringenmatrix De snedenmatrix De padenmatrix De structuurmatrix Opgaven 1.2 Vlakke en duale grafen Vlakke grafen en Euler s veelvlakkenformule Scheidingspunten Separabiliteit en blokken 9
14 1.2.4 Stelling van Kuratowski Algoritme om te bepalen of een graaf vlak is Rechte grafen en driehoeksgrafen Minimum en maximum aantal snijpunten Duale grafen Opgaven 1.3 Kleurproblemen Het kleuren van takken Het kleuren van knooppunten Het kleuren van gebieden in een vlakke graaf: het vierkleurenprobleem Het kleurenpolynoom Opgaven 2. NETWERK OPTIMALISERING (deel 2) (50 pagina s) 2.1 Netwerkstromen Disjuncte paden en de Stelling van Menger Maximale stromen en minmale sneden Circulatiestromen met minimale kosten Opgaven 2.2 Netwerk simplex methode Inleiding Bases en opspannende bomen Algoritme voor problemen zonder capaciteiten Problemen met onder- en bovengrenzen Duale netwerk simplex methode De netwerk simplex methode voor het kortste pad probleem Maximale stroom probleem Opgaven 3. KOPPELINGEN (52 pagina s) 3.1 Algemene theorie Eigenschappen in algemene grafen Eigenschappen in bipartiete grafen Equivalente combinatorische resultaten Opgaven 3.2 Algoritmen voor bipartiete grafen Koppeling met maximale cardinaliteit in een bipartiete graaf Koppeling met maximaal gewicht in een bipartiete graaf Gilmore-Gomory en Gale-Shapley koppelingen Opgaven 3.3 Algoritmen voor algemene grafen 10
15 3.3.1 Koppeling met maximale cardinaliteit in een willekeurige graaf Koppeling met maximaal gewicht in een willekeurige graaf Opgaven 4. MATROÏDEN (50 pagina s) 4.1 Inleiding en definities 4.2 Duale matroïde 4.3 Voorbeelden van matroïden 4.4 Grafen en matroïden 4.5 Het gretige algoritme 4.6 Onafhankelijkheidssystemen 4.7 Doorsnede van matroïden Inleiding Onafhankelijke verzameling met maximale cardinaliteit Onafhankelijke verzameling met maximaal gewicht 4.8 Grafoïden 4.9 Representeerbaarheid van matroïden 4.10 Polymatroïden 4.11 Opgaven 5. INWENDIGE PUNT METHODEN (66 pagina s) 5.1 Inleiding 5.2 De methode van Karmarkar Het idee van projectieve schaling Het algoritme 5.3 De affiene schaling methode De primale affiene schaling methode De duale affiene schaling methode De duale-primale affiene schaling methode 5.4 Potentiaal reductie methode 5.5 Pad-volgende methoden Primale pad-volgende methode Primale-duale pad-volgende methode Predictor-corrector methode Vergelijking van de richtingen van diverse inwendige punt methoden 6. VOORAADTHEORIE (34 pagina s) 6.1 Inleiding 6.2 Continue deterministische modellen met één product 6.3 Continue deterministische modellen met meer producten De afwegingskromme 11
16 6.3.2 Een cyclisch productieproces 6.4 Periodieke deterministische modellen Geen tekorten toegestaan Wel tekorten toegestaan Silver-Meal heuristiek 6.5 Continue stochastische modellen 6.6 Periodieke stochastische modellen Eén periode en geen vaste bestelkosten:(krantenjongenprobleem) Eén periode, vaste bestelkosten en een beginvoorraad Oneindig veel perioden en geen vaste bestelkosten 6.7 Opgaven 7. BESLISSINGSTHEORIE (10 pagina s) 7.1 Inleiding 7.2 Beslissen zonder kansen 7.3 Beslissen met kansen 7.4 Beslissingsbomen 7.5 Opgaven 8. BETROUWBAARHEIDSTHEORIE (24 pagina s) 8.1 Structuurfuncties 8.2 Betrouwbaarheidsfuncties 8.3 Levensduur van het systeem 8.4 De verwachte levensduur 8.5 Systemen met reparatie 8.6 Opgaven 9. SPECIALE TECHNIEKEN (50 pagina s) 9.1 Decompositie technieken Dantzig-Wolfe decompositie Benders decompositie Opgaven 9.2 Lagrange relaxatie Inleiding en voorbeelden Beste Lagrange relaxatie Opgaven 9.3 Kolomgeneratie voor geheeltallige problemen Inleiding Dantzig-Wolfe decompositie van een geheeltallig LP-probleem LP-relaxatie van het masterprobleem Branch-and-price agoritme voor 0-1 problemen 12
17 9.3.5 Opgaven 10. BOMEN (deel 2), SORTEREN EN HET CHINESE POSTBODEPROBLEEM (48 pagina s) 10.1 Bomen (deel 2) Boomwandelingen Binaire zoekbomen Steiner bomen 10.2 Sorteren Bubble sort Insertion sort Merge sort Quick sort 10.3 Het Chinese postbodeprobleem Ongerichte versie Gerichte versie Gemengde versie 10.4 Opgaven OPLOSSING VAN DE VRAGEN (52 pagina s) TABELLEN (2 pagina s) INDEX (5 pagina s) DEEL VI: MARKOV DECISION PROCESSES (437 pagina s) 1. INTRODUCTION (28 pagina s) 1.1 The MDP model 1.2 Policies and optimality criteria Policies Optimality criteria 1.3 Examples Red-black gambling Gaming: How to serve in tennis Optimal stopping Replacement problems Maintenance and repair Production control Optimal control of queues Stochastic scheduling 13
18 1.3.9 Multi-armed bandit problem 1.4 Bibliographic notes 1.5 Exercises 2. FINITE HORIZON (10 pagina s) 2.1 Introduction 2.2 Backward induction 2.3 An equivalent stationary infinite horizon model 2.4 Monotone optimal policies 2.5 Bibliographic notes 2.6 Exercises 3. DISCOUNTED REWARDS (50 pagina s) 3.1 Introduction 3.2 Monotone contraction mappings 3.3 The optimality equation 3.4 Policy iteration 3.5 Linear programming 3.6 Value iteration 3.7 Modified policy iteration 3.8 Bibliographic notes 3.9 Exercises 4. TOTAL REWARD (36 pagina s) 4.1 Introduction 4.2 Equivalent statements for contracting 4.3 The contracting model 4.4 Positive MDPs 4.5 Negative MDPs 4.6 Convergent MDPs 4.7 Special models Red-black gambling Optimal stopping 4.8 Bibliographic notes 4.9 Exercises 5. AVERAGE REWARD - GENERAL CASE (42 pagina s) 5.1 Introduction 5.2 Classification of MDPs Definitions Classification of Markov chains 14
19 5.2.3 Classification of Markov decision chains 5.3 Stationary, fundamental and deviation matrix The stationary matrix The fundamental matrix and the deviation matrix 5.4 Extension of Blackwell s theorem 5.5 The Laurent series expansion 5.6 The optimality equation 5.7 Policy iteration 5.8 Linear programming 5.9 Value iteration 5.10 Bibliographic notes 5.11 Exercises 6. AVERAGE REWARD - SPECIAL CASES (36 pagina s) 6.1 The irreducible case Optimality equation Policy iteration Linear programming Value iteration Modified policy iteration 6.2 Unichain case Optimality equation Policy iteration Linear programming Value iteration Modified policy iteration 6.3 Communicating case Optimality equation Policy iteration Linear programming Value iteration Modified policy iteration 6.4 Bibliographic notes 6.5 Exercises 7. MORE SENSITIVE OPTIMALITY CRITERIA (44 pagina s) 7.1 Introduction 7.2 Eqiuvalence between n-discount and n-average optimality 7.3 Stationary optimal policies and optimality equations 7.4 Lexicographic ordering of Laurent series 7.5 Policy iteration for n-discount optimality 15
20 7.6 Linear programming and n-discount optimality (irreducible case) Average optimality Bias optimality n-discount optimality 7.7 Blackwell optimality and linear programming 7.8 Bias optimality and linear programming The general case The unichain case 7.9 Overtaking and average overtaking optimality 7.10 Bibliographic notes 7.11 Exercises 8. SPECIAL MODELS (86 pagina s) 8.1 Replacement problems A general replacement model A replacement model with increasing deterioration Skip to the right model with failure A separable replacement model 8.2 Maintenance and repair problems A surveillance-maintenance-replacement problem Optimal repair allocation in a series system 8.3 Production and inventory control No backlogging Backlogging Inventory control and single-critical-number policies Inventory control and (s, S)-policies 8.4 Optimal control of queues The single-server queue Parallel queues 8.5 Stochastic scheduling Maximizing finite-time returns on a single processor Optimality of the µc-rule Optimality of threshold policies Optimality of join-the-shortest-queue policies Optimality of LEPT and SEPT policies Maximizing finite-time returns on two processors Tandem queues 8.6 Multi-armed bandit problems Introduction A single project with a terminal reward 16
21 8.6.3 Multi-armed bandits Methods for the computation of the Gittins indices 8.7 Separable problems Introduction Examples (part 1) Discounted rewards - unichain case Discounted rewards - general case Examples (part 2) 8.8 Bibliographic notes 8.9 Exercises 9. OTHER TOPICS (32 pagina s) 9.1 Additional constraints Introduction Infinite horizon and discounted rewards Infinite horizon and average rewards 9.2 Multiple objectives Discounted rewards Average rewards 9.3 Mean-variance tradeoffs Formulations of the problem A unifying framework Determination of an optimal solution Determination of an optimal policy 9.4 Bibliographic notes 9.5 Exercises 10. STOCHASTIC GAMES (54 pagina s) 10.1 Introduction The model Optimality criteria Matrix games 10.2 Discounted rewards Value and optimal policies Mathematical programming Iterative methods Finite methods 10.3 Average rewards Value and optimal policies The Big Match Mathematical programming 17
22 Perfect information and irreducible games Finite methods 10.4 Bibliographic notes 10.5 Exercises BIBLIOGRAPHY (16 pagina s) INDEX (3 pagina s) 18
23
24
BESLISKUNDE 2 L.C.M. KALLENBERG UNIVERSITEIT LEIDEN
BESLISKUNDE L.C.M. KALLENBERG UNIVERSITEIT LEIDEN Voorwoord Dit vak is een voortzetting van het tweedejaarscollege Besliskunde. Een aantal andere mathematische beslissingsproblemen komt aan de orde en
Nadere informatieBESLISKUNDE 2 EN 3 L.C.M. KALLENBERG UNIVERSITEIT LEIDEN
BESLISKUNDE 2 EN 3 L.C.M. KALLENBERG UNIVERSITEIT LEIDEN VOORJAAR 2007 Voorwoord College Najaar 2004 Het derdejaarscolleges Besliskunde 2 en 3 zijn een vervolg op het tweedejaarscollege Besliskunde 1.
Nadere informatieOPERATIONS RESEARCH TECHNIEKEN L.C.M. KALLENBERG UNIVERSITEIT LEIDEN
OPERATIONS RESEARCH TECHNIEKEN L.C.M. KALLENBERG UNIVERSITEIT LEIDEN VOORJAAR 2003 Inhoudsopgave 1 Inleiding 1 1.1 Wat is Operations Research?.............................. 1 1.2 Overzicht van de te behandelen
Nadere informatieBESLISKUNDE 3 L.C.M. KALLENBERG
BESLISKUNDE 3 L.C.M. KALLENBERG UNIVERSITEIT LEIDEN versie november 2010 Voorwoord De voorkennis van dit vak is het tweedejaarscollege Besliskunde 1. Het derdejaarscollege Besliskunde 2 is niet noodzakelijk,
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 13 Leo van Iersel Technische Universiteit Delft 9 december 2015 Leo van Iersel (TUD) TW2020 Optimalisering 9 december 2015 1 / 13 Vraag Wat moet ik kennen en kunnen voor
Nadere informatieOptimalisering/Besliskunde 1. College 1 3 september, 2014
Optimalisering/Besliskunde 1 College 1 3 september, 2014 Algemene informatie College: woensdag 9:00-10:45: Gorlaeus C1/C2, Leiden vrijdag: werkcollege Leiden en Delft Vier verplichte huiswerkopgaven Informatie
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 9 Leo van Iersel Technische Universiteit Delft 11 november 2015 Leo van Iersel (TUD) TW2020 Optimalisering 11 november 2015 1 / 22 Mededelingen Huiswerk 2 nagekeken Terug
Nadere informatieOptimalisering/Besliskunde 1. College 1 6 september, 2012
Optimalisering/Besliskunde 1 College 1 6 september, 2012 Algemene informatie College: donderdag 9:00-10:45: Gorlaeus C1/C2, Leiden vrijdag: werkcollege Leiden en Delft vragenuur Delft Vier verplichte huiswerkopgaven
Nadere informatie1 In deze opgave wordt vijftien maal telkens drie beweringen gedaan waarvan er één juist is. Kruis de juiste bewering aan. (2pt. per juist antwoord).
Tentamen Optimalisering (IN2805-I) Datum: 3 april 2008, 14.00 17.00. Docent: Dr. J.B.M. Melissen Naam: Studienummer: 1 In deze opgave wordt vijftien maal telkens drie beweringen gedaan waarvan er één juist
Nadere informatiemax 5x 1 2x 2 s.t. 2x 1 x 2 10 (P) x 1 + 2x 2 2 x 1, x 2 0
Voorbeeldtentamen Deterministische Modellen in de OR (158075) Opmerking vooraf: Geef bij elke opgave een volledige en duidelijke uitwerking inclusief argumentatie! Gebruik van de rekenmachine is niet toegestaan.
Nadere informatieBESLISKUNDE B. Voorjaar L.C.M. KALLENBERG en F.M. SPIEKSMA
BESLISKUNDE B Voorjaar 2015 L.C.M. KALLENBERG en F.M. SPIEKSMA UNIVERSITEIT LEIDEN Inhoudsopgave 1 GRAFENTHEORIE 1 1.1 Inleiding.......................................... 1 1.1.1 Niet-gerichte grafen...............................
Nadere informatieA.1 Grafentheorie 64 BIJLAGE A. OPLOSSING VAN DE VRAGEN A.1. GRAFENTHEORIE 65. dan heeft deze kring in ieder knooppunt een even aantal takken).
64 BIJLAGE A. OPLOSSING VAN DE VRAGEN A. Grafentheorie Vraag. Neem drie knooppunten i, j en k. d(i, k) = het minimum aantal takken in een keten tussen i en k Vraag.2 het minimum aantal takken in een keten
Nadere informatieTie breaking in de simplex methode
Tie breaking in de simplex methode Tijdens de Simplexmethode kan op een aantal momenten onduidelijk zijn wat je moet doen: 1. Variabele die de basis in gaat: Zoek de grootste coëfficiënt in de doelfunctie.
Nadere informatieBranch-and-Bound en Cutting Planes
Branch-and-Bound en Cutting Planes Vandaag: Er is nog geen algoritme om ILP s in polynomiale tijd op te lossen. Twee opties: 1 Exponentiëel algoritme dat optimale oplossing geeft 2 Polynomiaal algoritme
Nadere informatieSamenvatting college 1-12
Samenvatting college 1-12 Probleemformulering Duidelijk definiëren van beslissingsvariabelen Zinvolle namen voor variabelen bv x ij voor ingrediënt i voor product j, niet x 1,..., x 20 Beschrijving van
Nadere informatieTentamen Optimalisering (IN2520) Datum: 5 november 2004, Docent: Dr. J.B.M. Melissen
Tentamen Optimalisering (IN2520) Datum: 5 november 2004, 14.00 17.00. Docent: Dr. J.B.M. Melissen Veel succes! 1 Deze opgave bestaat uit 15 tweekeuzevragen. Per goed antwoord krijg je 2 punten. a. Dynamisch
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 8 Leo van Iersel Technische Universiteit Delft 2 november 2016 Leo van Iersel (TUD) TW2020 Optimalisering 2 november 2016 1 / 28 Minimum Opspannende Boom (Minimum Spanning
Nadere informatieTentamen combinatorische optimalisatie Tijd:
Tentamen combinatorische optimalisatie 26-05-2014. Tijd: 9.00-11.30 Tentamen is met gesloten boek. Beschrijf bij elke opgave steeds het belangrijkste idee. Notatie en exacte formulering is van minder belang.
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 10 Leo van Iersel Technische Universiteit Delft 23 november 2016 Leo van Iersel (TUD) TW2020 Optimalisering 23 november 2016 1 / 40 Vraag Ik heb het deeltentamen niet
Nadere informatieOptimalisering WI 2608
Optimalisering WI 2608 Docent: Hans Melissen, EWI kamer 7.080 e-mail: j.b.m.melissen@ewi.tudelft.nl tel: 015-2782547 Studiemateriaal op : http://www.isa.ewi.tudelft.nl/~melissen (kijk bij onderwijs WI
Nadere informatieTentamen Kunstmatige Intelligentie (INFOB2KI)
Tentamen Kunstmatige Intelligentie (INFOB2KI) 12 december 2014 8:30-10:30 Vooraf Mobiele telefoons en dergelijke dienen uitgeschakeld te zijn. Het eerste deel van het tentamen bestaat uit 8 multiple-choice
Nadere informatieINLEIDING. Definitie Stochastisch Proces:
Definitie Stochastisch Proces: INLEIDING Verzameling van stochastische variabelen die het gedrag in de tijd beschrijven van een systeem dat onderhevig is aan toeval. Tijdparameter: discreet: {X n, n 0};
Nadere informatieTransshipment problemen Simplex methode en netwerk optimalisatie algoritmes. Luuk van de Sande Begeleider: Judith Keijsper 20 januari 2013
Transshipment problemen Simplex methode en netwerk optimalisatie algoritmes Luuk van de Sande Begeleider: Judith Keijsper 20 januari 2013 1 Inhoudsopgave 1 Transport problemen 3 2 Definities en stellingen
Nadere informatieBESLISKUNDE 3 voorjaar L.C.M. KALLENBERG bewerkt door F.M. Spieksma UNIVERSITEIT LEIDEN
BESLISKUNDE 3 voorjaar 2012 L.C.M. KALLENBERG bewerkt door F.M. Spieksma UNIVERSITEIT LEIDEN Inhoudsopgave 1 DYNAMISCHE PROGRAMMERING 1 1.1 Inleiding.......................................... 1 1.2 Terminologie.......................................
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 8 Leo van Iersel Technische Universiteit Delft 28 oktober 2015 Leo van Iersel (TUD) TW2020 Optimalisering 28 oktober 2015 1 / 25 Definitie Een boom is een samenhangende
Nadere informatieClassificatie van Markovbeslissingsketens
Classificatie van Markovbeslissingsketens Complexiteit van het multichainclassificatieprobleem Wendy Ellens 21 augustus 2008 Bachelorscriptie, Mathematisch Instituut, Universiteit Leiden Begeleider: Prof.
Nadere informatie1. Een kortste pad probleem in een netwerk kan worden gemodelleerd als a. een LP probleem. b. een IP probleem. c. een BIP probleem. d.
1. Een kortste pad probleem in een netwerk kan worden gemodelleerd als a. een LP probleem. b. een IP probleem. c. een BIP probleem. d. een toewijzingsprobleem. 2. Het aantal toegelaten hoekpunten in een
Nadere informatieBESLISKUNDE 1 L.C.M. KALLENBERG UNIVERSITEIT LEIDEN
BESLISKUNDE 1 L.C.M. KALLENBERG UNIVERSITEIT LEIDEN Voorwoord In het college Besliskunde 1 worden verschillende onderdelen van de discrete wiskunde, de deterministische en de stochastische besliskunde
Nadere informatieSommige praktische IP problemen kunnen worden geformuleerd als optimalisering op een netwerk.
Netwerkanalyse (H3) Sommige praktische IP problemen kunnen worden geformuleerd als optimalisering op een netwerk. Deze problemen kunnen vaak als continu LP probleem worden opgelost. Door de speciale structuur
Nadere informatieUniversiteit Gent. Academiejaar Discrete Wiskunde. 1ste kandidatuur Informatica. Collegenota s. Prof. Dr.
Universiteit Gent Academiejaar 2001 2002 Discrete Wiskunde 1ste kandidatuur Informatica Collegenota s Prof. Dr. Frank De Clerck Herhalingsoefeningen 1. Bepaal het quotiënt en de rest van de deling van
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 9 Leo van Iersel Technische Universiteit Delft 16 november 2016 Leo van Iersel (TUD) TW2020 Optimalisering 16 november 2016 1 / 28 Vandaag Integer Linear Programming (ILP)
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 11 Leo van Iersel Technische Universiteit Delft 25 november 2015 Leo van Iersel (TUD) TW2020 Optimalisering 25 november 2015 1 / 28 Vandaag Vraag Voor welke problemen
Nadere informatieOPTIMALISERING. Voorjaar L.C.M. KALLENBERG en F.M. SPIEKSMA
OPTIMALISERING Voorjaar 2018 L.C.M. KALLENBERG en F.M. SPIEKSMA UNIVERSITEIT LEIDEN Simulatie IKR Wachttijdtheorie Vernieuwingstheorie Discrete Markovketens Markovprocessen Markov beslissingsketens AN1
Nadere informatiel e x e voor alle e E
Geselecteerde uitwerkingen Werkcollege Introduceer beslissingsvariabelen x e met x e = als lijn e in de boom zit en anders x e = 0. De doelfunctie wordt: min e E l e x e Voor elke deelverzameling S V met
Nadere informatieTentamen Deterministische Modellen in de OR Dinsdag 17 augustus 2004, uur vakcode
Kenmerk: EWI04/T-DWMP//dh Tentamen Deterministische Modellen in de OR Dinsdag 7 augustus 004, 9.00.00 uur vakcode 58075 Opmerking vooraf: Geef bij elke opgave een volledige en duidelijke uitwerking inclusief
Nadere informatieHebzucht loont niet altijd
Thema Discrete wiskunde Hoe verbind je een stel steden met zo weinig mogelijk kilometers asfalt? Hoe maak je een optimaal computernetwerk met kabels die maar een beperkte capaciteit hebben? Veel van zulke
Nadere informatieDeel 2 van Wiskunde 2
Deel 2 van Wiskunde 2 Organisatorische informatie Wat Dag Tijd Zaal Docent College Tue 5+6 Aud 6+15 Jacques Resing Thu 1+2 Aud 1+4 Jacques Resing Werkcollege Tue 7+8 Aud 6+15 Jacques Resing Instructie
Nadere informatiez x 1 x 2 x 3 x 4 s 1 s 2 s 3 rij rij rij rij
ENGLISH VERSION SEE PAGE 3 Tentamen Lineaire Optimalisering, 0 januari 0, tijdsduur 3 uur. Het gebruik van een eenvoudige rekenmachine is toegestaan. Geef bij elk antwoord een duidelijke toelichting. Als
Nadere informatieKortste Paden. Algoritmiek
Kortste Paden Vandaag Kortste Paden probleem All pairs / Single Source / Single Target versies DP algoritme voor All Pairs probleem (Floyd s algoritme) Dijkstra s algoritme voor Single Source Negatieve
Nadere informatieStochastische Modellen in Operations Management (153088)
Stochastische Modellen in Operations Management (153088) S1 S2 X ms X ms R1 S0 240 ms Ack L1 R2 10 ms Internet R3 L2 D0 10 ms D1 D2 Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219
Nadere informatieDiscrete Wiskunde, College 12. Han Hoogeveen, Utrecht University
Discrete Wiskunde, College 12 Han Hoogeveen, Utrecht University Dynamische programmering Het basisidee is dat je het probleem stap voor stap oplost Het probleem moet voldoen aan het optimaliteitsprincipe
Nadere informatieToewijzingsprobleem Bachelorscriptie
Radboud Universiteit Nijmegen Faculteit der Natuurwetenschappen, Wiskunde en Informatica Toewijzingsprobleem Bachelorscriptie Auteur: Veronique Rademaekers (s4155718) Begeleiders: Dr. W. Bosma en dr. H.
Nadere informatieSPECIALE LINEAIRE MODELLEN
Hoofdstuk 7 SPECIALE LINEAIRE MODELLEN 7.1 Unimodulariteit en totale unimodulariteit Vele combinatorische optimaliseringsproblemen kunnen worden beschreven als het maximaliseren van een lineaire functie
Nadere informatieLineaire programmering
Lineaire programmering Hans Maassen kort naar Inleiding Besliskunde van J. Potters [Pot]. en Methods of Mathematical Economics van J. Franklin [Fra]. Lineaire programmering is het bepalen van het maximum
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 5 Leo van Iersel Technische Universiteit Delft 12 oktober 2016 Leo van Iersel (TUD) TW2020 Optimalisering 12 oktober 2016 1 / 31 Dualiteit Dualiteit: Elk LP probleem heeft
Nadere informatie1.2 Bomen Algemeen 1.2. BOMEN 7
1.2. BOMEN 7 1.2 Bomen 1.2.1 Algemeen Beschouw eerst een niet-gerichte graaf. Een boom is een samenhangende graaf die geen kringen bevat. Een boom wordt meestal genoteerd met de letter T (tree). Een bos
Nadere informatieGeheeltallige programmering
Geheeltallige programmering In een LP probleem zijn alle variabelen reëel. In een geheeltallig probleem blijven doelfunctie en constraints lineair, maar zijn de variabelen geheeltallig. LP: IP: BIP: MIP:
Nadere informatieUniversiteit Utrecht Betafaculteit. Examen Discrete Wiskunde op donderdag 13 april 2017, uur.
Universiteit Utrecht Betafaculteit Examen Discrete Wiskunde op donderdag 13 april 2017, 14.30-17.30 uur. De opgaven dienen duidelijk uitgewerkt te zijn en netjes ingeleverd te worden. Schrijf op elk ingeleverd
Nadere informatieStochastische Modellen in Operations Management (153088)
R1 L1 R2 S0 Stochastische Modellen in Operations Management (153088) 240 ms 10 ms Ack Internet Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i). P (X n+1 = j X n = i) MARKOV KETENS. Definitie van Markov keten:
Definitie van Markov keten: MARKOV KETENS Een stochastisch proces {X n, n 0} met toestandsruimte S heet een discrete-tijd Markov keten (DTMC) als voor alle i en j in S geldt P (X n+ = j X n = i, X n,...,
Nadere informatieTiende college algoritmiek. 13/21 april Gretige Algoritmen Algoritme van Dijkstra
Algoritmiek 017/Gretige Algoritmen Tiende college algoritmiek 13/1 april 017 Gretige Algoritmen Algoritme van Dijkstra 1 Algoritmiek 017/Gretige Algoritmen Muntenprobleem Gegeven onbeperkt veel munten
Nadere informatie2WO12: Optimalisering in Netwerken
2WO12: Optimalisering in Netwerken Leo van Iersel Technische Universiteit Eindhoven (TU/E) en Centrum Wiskunde & Informatica (CWI) 10 maart 2014 http://homepages.cwi.nl/~iersel/2wo12/ l.j.j.v.iersel@gmail.com
Nadere informatieOptimalisering en Complexiteit, College 1. Han Hoogeveen, Utrecht University
Optimalisering en Complexiteit, College 1 Han Hoogeveen, Utrecht University Gegevens Docent : Han Hoogeveen : j.a.hoogeveen@uu.nl Vak website : http://www.cs.uu.nl/docs/vakken/opt/ Student assistenten
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 5 Leo van Iersel Technische Universiteit Delft 2 oktober 206 Leo van Iersel (TUD) TW2020 Optimalisering 2 oktober 206 / 3 Dualiteit Dualiteit: Elk LP probleem heeft een
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 7 Leo van Iersel Technische Universiteit Delft 26 oktober 2016 Leo van Iersel (TUD) TW2020 Optimalisering 26 oktober 2016 1 / 28 Deze week: analyseren van algoritmes Hoe
Nadere informatieOptimalisering WI 2608
Optimalisering WI 2608 Docent: Hans Melissen, EWI kamer 4.150 e-mail: j.b.m.melissen@tudelft.nl tel: 015-2782547 Het project is een verplicht onderdeel van het vak Het project start in week 5. Nadere informatie
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 7 Leo van Iersel Technische Universiteit Delft 21 oktober 2015 Leo van Iersel (TUD) TW2020 Optimalisering 21 oktober 2015 1 / 20 Deze week: algoritmes en complexiteit
Nadere informatieTentamen: Operationele Research 1D (4016)
UITWERKINGEN Tentamen: Operationele Research 1D (4016) Tentamendatum: 12-1-2010 Duur van het tentamen: 3 uur (maximaal) Opgave 1 (15 punten) Beschouw het volgende lineaire programmeringsprobleem P: max
Nadere informatieGrafen. Indien de uitgraad van ieder punt 1 is, dan bevat de graaf een cykel. Indien de ingraad van ieder punt 1 is, dan bevat de graaf een cykel.
Grafen Grafen Een graaf bestaat uit een verzameling punten (ook wel knopen, of in het engels vertices genoemd) en een verzameling kanten (edges) of pijlen (arcs), waarbij de kanten en pijlen tussen twee
Nadere informatieOverzicht. Inleiding. Toepassingen. Verwante problemen. Modellering. Exacte oplosmethode: B&B. Insertie heuristieken. Local Search
Overzicht Inleiding Toepassingen Verwante problemen Modellering Exacte oplosmethode: B&B Insertie heuristieken Local Search Handelsreizigersprobleem 1 Cyclische permutatie van steden b 3 77 a 93 21 42
Nadere informatieStochastische Modellen in Operations Management (153088)
S1 S2 X ms X ms Stochastische Modellen in Operations Management (153088) R1 S0 240 ms Ack Internet R2 L1 R3 L2 10 ms 1 10 ms D1 Richard Boucherie Stochastische Operations Research TW, Ravelijn H 219 http://wwwhome.math.utwente.nl/~boucherierj/onderwijs/153088/153088.html
Nadere informatie2DM10 Studeerwijzer
2DM10 Studeerwijzer 2011 2012 Version: January 9, 2012 Algemene Informatie Assistenten begeleide zelfstudie 2DM10 2011-2012: Rik Kaasschieter: e.f.kaasschieter@tue.nl Adrian Muntean: a.muntean@tue.nl Frans
Nadere informatieNetwerkstroming. Algoritmiek
Netwerkstroming Vandaag Netwerkstroming: definitie en toepassing Het rest-netwerk Verbeterende paden Ford-Fulkerson algoritme Minimum Snede Maximum Stroming Stelling Variant: Edmonds-Karp Toepassing: koppelingen
Nadere informatie(On)Doenlijke problemen
Fundamentele Informatica In3 005 Deel 2 College 1 Cees Witteveen Parallelle en Gedistribueerde Systemen Faculteit Informatie Technologie en Systemen Overzicht Inleiding - Relatie Deel 1 en Deel 2 - Doenlijke
Nadere informatiePraktische informatie m.b.t. College Lineaire Algebra en Beeldverwerking Bachelor Informatica en Economie 2 e jaar Voorjaar semester 2013 Docent:
Praktische informatie m.b.t. College Lineaire Algebra en Beeldverwerking Bachelor Informatica en Economie 2 e jaar Voorjaar semester 2013 Docent: D.P. Huijsmans LIACS Universiteit Leiden College Lineaire
Nadere informatieTU/e 2DD50: Wiskunde 2 (1)
TU/e 2DD50: Wiskunde 2 (1) Organisatorische informatie Wat Dag Tijd Zaal Docent College Tue 5+6 Aud 6+15 Gerhard Woeginger Thu 1+2 Aud 1+4 Gerhard Woeginger Clicker session Tue 7+8 Aud 6+15 Gerhard Woeginger
Nadere informatieHoofdstuk 13: Integer Lineair Programmeren
Hoofdstuk 13: Integer Lineair Programmeren Vandaag: Wat is Integer Lineair Programmeren (ILP)? Relatie tussen ILP en LP Voorbeeld 1: Minimum Spanning Tree (MST) Voorbeeld 2: Travelling Salesman Problem
Nadere informatiePraktische informatie. m.b.t. College. Lineaire Algebra en Beeldverwerking. Bachelor Informatica. 1e jaar. Voorjaar semester 2012
Praktische informatie m.b.t. College Lineaire Algebra en Beeldverwerking Bachelor Informatica 1e jaar Voorjaar semester 2012 Docenten: Jesse Goodman en Charlene Kalle Universiteit Leiden Praktische informatie
Nadere informatieTransport-, Routing- en Schedulingproblemen. Wi4062TU / Wi487TU / a86g. Uitwerkingen 08-04-2005
Transport-, Routing- en Schedulingproblemen Wi4062TU / Wi487TU / a86g Uitwerkingen 08-04-2005 1 Transportprobleem Onderdeel a Fabriek 1 kan 120 ton staal fabriceren in 40 uur. Voor fabriek 2 is dit 150
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 1 Leo van Iersel Technische Universiteit Delft 7 september 2016 Leo van Iersel (TUD) TW2020 Optimalisering 7 september 2016 1 / 40 Opzet vak Woensdag: hoorcollege 13:45-15:30
Nadere informatieLineair Programmeren op het polytoop
Lineair Programmeren op het polytoop Paulien Neppelenbroek 12 juli 2017 Bachelorproject wiskunde Supervisor: dr. Jan Brandts Korteweg-de Vries Instituut voor Wiskunde Faculteit der Natuurwetenschappen,
Nadere informatieTiende college algoritmiek. 2 mei Gretige algoritmen, Dijkstra
College 10 Tiende college algoritmiek mei 013 Gretige algoritmen, Dijkstra 1 Muntenprobleem Gegeven onbeperkt veel munten van d 1,d,...d m eurocent, en een te betalen bedrag van n (n 0) eurocent. Alle
Nadere informatieTwaalfde college complexiteit. 11 mei 2012. Overzicht, MST
College 12 Twaalfde college complexiteit 11 mei 2012 Overzicht, MST 1 Agenda voor vandaag Minimum Opspannende Boom (minimum spanning tree) als voorbeeld van greedy algoritmen Overzicht: wat voor technieken
Nadere informatieOptimalisering/Besliskunde 1. College 1 2 september, 2015
Optimalisering/Besliskunde 1 College 1 2 september, 2015 Algemene informatie College: woensdag 13:45-15:30: Leiden C1 en C2: Gorlaeus gebouw Zaal DS: De Sitterzaal, Oort gebouw Werkcollege: vrijdag: Leiden
Nadere informatieV = {a, b, c, d, e} Computernetwerken: de knopen zijn machines in het netwerk, de kanten zijn communicatiekanalen.
WIS14 1 14 Grafen 14.1 Grafen Gerichte grafen Voor een verzameling V is een binaire relatie op V een verzameling geordende paren van elementen van V. Voorbeeld: een binaire relatie op N is de relatie KleinerDan,
Nadere informatieTentamen Discrete Wiskunde 1 10 april 2012, 14:00 17:00 uur
Tentamen Discrete Wiskunde 0 april 0, :00 7:00 uur Schrijf je naam op ieder blad dat je inlevert. Onderbouw je antwoorden, met een goede argumentatie zijn ook punten te verdienen. Veel succes! Opgave.
Nadere informatieUitwerking tentamen Analyse van Algoritmen, 29 januari
Uitwerking tentamen Analyse van Algoritmen, 29 januari 2007. (a) De buitenste for-lus kent N = 5 iteraties. Na iedere iteratie ziet de rij getallen er als volgt uit: i rij na i e iteratie 2 5 4 6 2 2 4
Nadere informatieDiscrete Structuren. Piter Dykstra Sietse Achterop Opleidingsinstituut Informatica en Cognitie
Discrete Structuren Piter Dykstra Sietse Achterop Opleidingsinstituut Informatica en Cognitie www.math.rug.nl/~piter piter@math.rug.nl 3 maart 2008 GRAFEN & BOMEN Paragrafen 6.1-6.4 Discrete Structuren
Nadere informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i). P (X n+1 = j X n = i) MARKOV KETENS. Definitie van Markov keten:
Definitie van Markov keten: MARKOV KETENS Een stochastisch proces {X n, n 0} met toestandsruimte S heet een discrete-tijd Markov keten (DTMC) als voor alle i en j in S geldt P (X n+1 = j X n = i, X n 1,...,
Nadere informatieNetwerkstroming. Algoritmiek
Netwerkstroming Netwerkstroming Toepassingen in Logistiek Video-streaming Subroutine in algoritmen 2 Vandaag Netwerkstroming: wat was dat ook alweer? Minimum Snede Maximum Stroming Stelling Variant: Edmonds-Karp
Nadere informatieLineaire Algebra voor ST
Lineaire Algebra voor ST docent: Judith Keijsper TUE, HG 9.3 email: J.C.M.Keijsper@tue.nl studiewijzer: http://www.win.tue.nl/wsk/onderwijs/2ds6 Technische Universiteit Eindhoven college 6 J.Keijsper (TUE)
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 12 Leo van Iersel Technische Universiteit Delft 7 december 2016 Leo van Iersel (TUD) TW2020 Optimalisering 7 december 2016 1 / 25 Volgende week: Study guide Vragenuurtje
Nadere informatieDiscrete Structuren. Piter Dykstra Opleidingsinstituut Informatica en Cognitie
Discrete Structuren Piter Dykstra Opleidingsinstituut Informatica en Cognitie www.math.rug.nl/~piter piter@math.rug.nl 23 februari 2009 GRAFEN & BOMEN Paragrafen 6.1-6.4 Discrete Structuren Week 3 en 4:
Nadere informatieTentamen Discrete Wiskunde
Discrete Wiskunde (WB011C) 22 januari 2016 Tentamen Discrete Wiskunde Schrijf op ieder ingeleverd blad duidelijk leesbaar je naam en studentnummer. De opgaven 1 t/m 6 tellen alle even zwaar. Je hoeft slechts
Nadere informatieTiende college algoritmiek. 26 april Gretige algoritmen
Algoritmiek 01/10 College 10 Tiende college algoritmiek april 01 Gretige algoritmen 1 Algoritmiek 01/10 Muntenprobleem Gegeven onbeperkt veel munten van d 1,d,...d m eurocent, en een te betalen bedrag
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 3 Leo van Iersel Technische Universiteit Delft 21 september 2016 Leo van Iersel (TUD) TW2020 Optimalisering 21 september 2016 1 / 36 LP: Lineair Programmeren min x 1 2
Nadere informatieDiscrete Wiskunde 2WC15, Lente Jan Draisma
Discrete Wiskunde 2WC15, Lente 2010 Jan Draisma HOOFDSTUK 2 Gröbnerbases 1. Vragen We hebben gezien dat de studie van stelsels polynoomvergelijkingen in meerdere variabelen op natuurlijke manier leidt
Nadere informatieCombinatorische Algoritmen: Binary Decision Diagrams, Deel III
Combinatorische Algoritmen: Binary Decision Diagrams, Deel III Sjoerd van Egmond LIACS, Leiden University, The Netherlands svegmond@liacs.nl 2 juni 2010 Samenvatting Deze notitie beschrijft een nederlandse
Nadere informatieHertentamen Optimalisering (Delft) en Besliskunde 1 (Leiden) 15 april 2014, uur
Hertentamen Optimalisering (Delft) en Besliskunde 1 (Leiden) 15 april 2014, 14.00-17.00 uur Het tentamen bestaat uit 6 opgaven. Motiveer je antwoorden duidelijk. De normering van de opgaves staat steeds
Nadere informatieUitgebreide uitwerking Tentamen Complexiteit, mei 2007
Uitgebreide uitwerking Tentamen Complexiteit, mei 007 Opgave. a. Een beslissingsboom beschrijft de werking van het betreffende algoritme (gebaseerd op arrayvergelijkingen) op elke mogelijke invoer. In
Nadere informatieInhoudsopgave. 1 COMPLEXITEITSTHEORIE Inleiding De klassen P en N P Opgaven... 16
Inhoudsopgave 1 COMPLEXITEITSTHEORIE 1 1.1 Inleiding.......................................... 1 1.2 De klassen P en N P................................... 8 1.3 Opgaven..........................................
Nadere informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i).
MARKOV PROCESSEN Continue-tijd Markov ketens (CTMCs) In de voorafgaande colleges hebben we uitgebreid gekeken naar discrete-tijd Markov ketens (DTMCs). Definitie van discrete-tijd Markov keten: Een stochastisch
Nadere informatieTaak 2: LP: simplex en sensitiviteitsanalyse Voorbeeld uitwerking
Taak 2: LP: simplex en sensitiviteitsanalyse Voorbeeld uitwerking. Sensitiviteitsanalyse (a) Als de prijs van legering 5 daalt, kan het voordeliger worden om gebruik te maken van deze legering. Als de
Nadere informatieKunstmatige Intelligentie (AI) Hoofdstuk 6 van Russell/Norvig = [RN] Constrained Satisfaction Problemen (CSP s) voorjaar 2015 College 7, 31 maart 2015
AI Kunstmatige Intelligentie (AI) Hoofdstuk 6 van Russell/Norvig = [RN] Constrained Satisfaction Problemen (CSP s) voorjaar 2015 College 7, 31 maart 2015 www.liacs.leidenuniv.nl/ kosterswa/ai/ 1 Introductie
Nadere informatieChapter 4: Continuous-time Markov Chains (Part I)
Stochastic Operations Research I (2014/2015) Selection of exercises from book and previous exams. Chapter 4: Continuous-time Markov Chains (Part I) 1.1 Book pp 179 185 These are useful exercises to learn
Nadere informatieElfde college complexiteit. 23 april NP-volledigheid III
college 11 Elfde college complexiteit 23 april 2019 NP-volledigheid III 1 TSP Als voorbeeld bekijken we het Travelling Salesman/person Problem, ofwel het Handelsreizigersprobleem TSP. Hiervoor geldt: TSP
Nadere informatie1 Vervangingsstrategie auto
Transport-, Routing- en Schedulingproblemen Wi4062TU / Wi487TU / a86g Uitwerkingen 28-03-2002 1 Vervangingsstrategie auto Onderdeel a Zij V = {0, 1, 2, 3, 4, 5, 6}, waarbij knoop i staat voor het einde
Nadere informatie1 Complexiteit. of benadering en snel
1 Complexiteit Het college van vandaag gaat over complexiteit van algoritmes. In het boek hoort hier hoofdstuk 8.1-8.5 bij. Bij complexiteitstheorie is de belangrijkste kernvraag: Hoe goed is een algoritme?
Nadere informatieUitgebreide uitwerking Tentamen Complexiteit, juni 2017
Uitgebreide uitwerking Tentamen Complexiteit, juni 017 Opgave 1. a. Een pad van de wortel naar een blad stelt de serie achtereenvolgende arrayvergelijkingen voor die het algoritme doet op zekere invoer.
Nadere informatieUniversiteit Utrecht Betafaculteit. Examen Discrete Wiskunde II op donderdag 6 juli 2017, uur.
Universiteit Utrecht Betafaculteit Examen Discrete Wiskunde II op donderdag 6 juli 2017, 13.30-16.30 uur. De opgaven dienen duidelijk uitgewerkt te zijn en netjes ingeleverd te worden. Schrijf op elk ingeleverd
Nadere informatie