Tie breaking in de simplex methode
|
|
- Nathalie de Croon
- 6 jaren geleden
- Aantal bezoeken:
Transcriptie
1 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. Wat als er twee grootste zijn? Voorbeeld: Z = 3x 1 + 3x 2 +x 4. Antwoord: Kies er maar een (Bv. de eerste) 2. Variabele die uit de basis gaat: Kijk hoe groot de variabele kan worden (quotiëntregel). Wat doe je als er coëfficiënten negatief zijn? Voorbeeld: 2a. 2x 1 + x 3 = 4, dan x 1 4/2 = 2 (want x 3 0) Normale situatie. 2b. -2x 1 + x 3 = 4, dan x 1-4/2 = -2. Dit is altijd waar, dus niets te controleren. 2c. 2x 1 + x 3 = -4, dan x 1-4/2 = -2. Niet feasible. Kan niet! Rekenfout. 2d. -2x 1 + x 3 = -4, dan x 1 4/2 = 2. Kan niet, want x 1 = 0 was feasible. Rekenfout! 3. Twee quotiënten zijn gelijk. Je loopt tegen twee constraints tegelijk op. Dit kan leiden tot oneindige loop (cycling). Hiervoor zijn oplossingen bekend.
2 4. Er is geen uittredende variabele, omdat alle coëfficiënten in pivotkolom 0 zijn. Het probleem is dan onbegrensd (Meestal fout in de modellering) 5. Er zijn meer optimale oplossingen met dezelfde doelwaarde. De Simplexmethode vindt de eerste. Simplexalgoritme kan verder in een richting waarin de doelfunctie niet verbetert. Zo kun je ook andere optima vinden.
3 Twee fasen methode. De Big-M methode geeft bij implementatie numerieke problemen (cancellation, aftrekken van grote getallen is onbetrouwbaar). In de twee fasen aanpak wordt eerst het deel met de M opgelost (resulteert in feasible punt). Vervolgens wordt het beste punt gevonden. Originele probleem: Min Z = 0.4 x x 2 z.d.d. 0.3x x x x 2 = 6 0.6x x 2 6 en x 1, x 2 0 Simplex vorm: Min Z = 0.4 x x 2 + Mx 4 + Mx 6 z.d.d. 0.3x x 2 + x 3 = x x 2 + x 4 = 6 0.6x x 2 x 5 + x 6 = 6 en x 1, x 2, x 3, x 4, x 5, x 6 0 Fase 1 (alleen het Big-M deel van de doelfunctie): Min Z = x 4 + x 6 z.d.d. 0.3x x 2 + x 3 = x x 2 + x 4 = 6 0.6x x 2 x 5 + x 6 = 6 en x 1, x 2, x 3, x 4, x 5, x 6 0 Na deze fase moet x 4 = x 6 = 0, anders is er geen feasible oplossing. Je vindt hiermee een toegelaten oplossing.
4 Fase 2 (nu is x 4 = x 6 = 0): Min Z = 0.4 x x 2 z.d.d. 0.3x x 2 + x 3 = x x 2 = 6 0.6x x 2 x 5 = 6 en x 1, x 2, x 3, x 5 0 Hiermee vind je de beste toegelaten oplossing. Big-M krijg je als de nuloplossing in het originele probleem niet toelaatbaar is. De eerste fase levert een toelaatbare oplossing. De tweede fase levert een optimale toelaatbare oplossing
5 De simplexmethode is niet eindig (cycling) maar in de praktijk wel De simplexmethode is niet polynomiaal (Klee, Minty) maar in de praktijk wel: ca. 1.5m iteraties, maximaal 3m (m = #constraints) Rekentijd m 3. Inwendige puntmethoden zijn bewijsbaar polynomiaal. In de praktijk is het aantal iteraties constant, ca
6 Het duale probleem (p. 37) Voorbeeld: Data voor kunstmestproductie: Benodigde grondstoffen Grondstof Super-G Snel-G Normaal-G Voorraad (ton) Verkoopprijs/ton Beslisvariabelen: x 1 = aantal ton Super-G x 2 = aantal ton Snel-G x 3 = aantal ton Normaal-G LP-model: Max 275x x x 3 z.d.d. 3x x 2 + 2x , 4x 1 + 2x 2 + x , en x 1, x 2, x 3 0.
7 Invoer: MAX 275 X X X3 3 X X2 + 2 X3 <= X1 + 2 X2 + X3 <= 1000 Uitvoer: SIMOPT Version 3.0 IEOR VU Amsterdam The following model was read: Objective Function : MAX X X X3 Subject to : X X X3 <= X X X3 <= Summary of Results Value Objective Function : Variable Activity Level Reduced Cost X1 : X2 : X3 : Slack or Surplus Shadow Prices Constraint Constraint Accuracy Check Passed
8 Oplossing: x 1 = 150, x 2 = 0, x 3 = 400. Doelwaarde = Er wordt geen Snel-G geproduceerd (x 2 = 0). Vraag: Hoeveel moet de verkoopprijs van Snel-G worden verhoogd zodat er geproduceerd wordt? Vraag: Hoe neemt de opbrengst toe als er 1 ton grondstof 1 of 2 extra beschikbaar is? Stel een handelaar wil alle grondstoffen van het bedrijf kopen. Hij geeft y 1 euro per ton grondstof 1 y 2 euro per ton grondstof 2 Min 1250y y 2 z.d.d. 3y 1 + 4y y 2 + 2y y 1 + y en y 1, y 2 0 Dit heet het duale probleem Optimale doelwaarde is gelijk aan de optimale doelwaarde van het originele (primale) probleem. y 1 en y 2 heten schaduwprijzen y 1 = 85, y 2 = 5
9 y 1 geeft aan hoeveel extra winst 1 extra ton grondstof 1 oplevert. Vraag: Hoeveel moet de verkoopprijs van Snel-G worden verhoogd zodat er geproduceerd wordt? De kostprijs van Snel-G is 2.5y 1 + 2y 2 = euro per ton De verkoopprijs is 210 euro. De prijs moet dus met euro stijgen. Dit heten de gereduceerde kosten van x 2.
10 Primaal probleem Duaal probleem Max 275x x x 3 Min 1250y y 2 z.d.d. 3x x 2 + 2x , z.d.d. 3y 1 + 4y x 1 + 2x 2 + x , 2.5y 2 + 2y y 1 + y en x 1, x 2, x 3 0. en y 1, y 2 0 Primaal Duaal Max c T x Min b T y z.d.d. Ax b z.d.d. A T y c en x 0. en y 0. Optimale doelwaarden zijn gelijk! y i is de schaduwprijs van grondstof i = stijging van de winst bij 1 eenheid extra grondstof i. Economische kostprijs van product j is a ij y i Gereduceerde kosten van product j: m i= 1 * m * aij yi i=1 is het bedrag waarmee de winst van product j moet toenemen om product j te maken. c j
11 Ander manier om op duaal probleem te komen: Vind bovengrens m.b.v. constraints; Vermenigvuldig 3x x 2 + 2x Met 275/3: 275x x x Dus doelwaarde: 275x x x 3 275x x x Algemener: Vermenigvuldig de constraints met nietnegatieve y 1, y 2 : (3x x 2 + 2x 3 )y 1 + (4x 1 + 2x 2 + x 3 )y y y 2. Dit is (de beste) bovengrens voor 275x x x 3 als: Min 1250y y 2 z.d.d. 3y 1 + 4y y 2 + 2y y 1 + y en y 1, y 2 0 Dit is het duale probleem
12 Stel x is toelaatbaar voor het primale probleem, d.w.z.: x 0, Ax b Stel y is toelaatbaar voor het duale probleem, d.w.z.: y 0, A T y c Dan geldt: c T x (A T y) T x = (y T A)x = y T (Ax) y T b, want x 0, y 0. Gevolg: Doelwaarde primaal Doelwaarde duaal Dualiteitsstelling: Doelwaarde primaal = Doelwaarde duaal
13 Geheeltallige programmering (H2) In een LP probleem zijn alle variabelen reëel. In een geheeltallig probleem blijven doelfunctie en constraints lineair, maar zijn alle variabelen geheeltallig. LP: IP: BIP: MIP: continue variabelen (Linear Programming) discrete (geheeltallige) variabelen (Integer Progr.) binaire variabelen (Binary Integer Programming) discrete én continue variabelen (Mixed Integer Pr.) Denk aan aantallen, 0/1 beslissingen. Niet-lineaire voorwaarden kunnen soms lineair worden geformuleerd (bv. als-dan voorwaarden). Geheeltallige problemen zijn veel moeilijker oplosbaar dan continue. Discrete (combinatorische) problemen zijn vaak NP-compleet (geen polynomiaal algoritme). Het aantal oplossingen is vaak eindig, maar eindig kan heel groot zijn! Vb. 30 variabelen die elk 4 waarden kunnen aannemen: mogelijkheden!
14 LP relaxatie: Laat de geheeltalligheideisen weg. Het doelgebied wordt groter, dus de LP relaxatie geeft een bovengrens voor IP. IP probleem LP relaxatie Max Z = x 1 + x 2 Max Z = x 1 + x 2 z.d.d. 5x x 2 12 z.d.d. 5x x x x 2 6 2x x 2 6 x 1, x 2 {0,1} Oplossing: Z = 1 Z = 2,4 x 1 = 1, x 2 = 0 x 1 = 2,4, x 2 = 0 Beter: Vervang x 1, x 2 {0,1} in de relaxatie door 0 x j 1: Max Z = x 1 + x 2 z.d.d. 5x x x x x 1 1, 0 x 2 1 Oplossing: Z = 1,235 x 1 = 1, x 2 = 4/17 Dit geeft een (goede) bovengrens, en soms de optimale oplossing.
15 Opgave: Max Z = 5x x 2 z.d.d. 3x 1 + 8x 2 24 x 1 7 x 2 2 x 1, x 2 0, x 1, x 2 Z Los het gerelaxeerde probleem op met de grafische methode Hoekpunten van het toelaatbare gebied: (0,0) Z = 0 (7,0) Z = 35 (0,2) Z = 28 (7,3/8) Z = 40,25 (2 2/3,2) Z = 41,333 Optimale IP oplossing: (2,2) Z = 38 (5,1) Z = 39
16 Investeringsprobleem (p. 94) 7 projecten kunnen worden geselecteerd Jaarlijkse investering per project Jaar Beschikbaar Waarde Variabelen x j = 0/1 als project j niet/wel wordt geselecteerd. Max 250x x x x x x x 7 z.d.d. 40x x x x x x x x x x x x x x x x x x x x x x x x x x x x 6 50 { Investeringsprobleem } TITLE Investering; MODEL MAX 250x x x3 +300x x x x7; SUBJECT TO END 40x1 + 20x2 + 25x3 +80x4 + 20x5 + 90x6 + 50x7 <= 250; 10x1 + 30x2 + 30x3 +40x4 + 20x5 + 25x6 + 10x7 <= 125; 25x1 + 20x3 +30x4 + 20x5 <= 75; 25x1 + 10x3 + 10x5 + 10x6 + 30x7 <= 50; 10x1 + 35x2 +15x4 + 10x5 + 20x6 <= 50;
17 MPL Modeling System - (c) , Maximal Software, Inc MODEL STATISTICS Problem name: Filename: Parsing time: Investering investering.mpl 0.00 sec Solver: CPLEX Objective value: Iterations: 0 Solution time: 0.00 sec Constraints: 5 Variables: 7 Nonzeros: 28 Density: 80 % SOLUTION RESULT Optimal solution found MAX Z = DECISION VARIABLES PLAIN VARIABLES Variable Name Activity Reduced Cost x x x x x x x
18 TITLE Investering; MODEL MAX 250x x x3 +300x x x x7; SUBJECT TO 40x1 + 20x2 + 25x3 +80x4 + 20x5 + 90x6 + 50x7 <= 250; 10x1 + 30x2 + 30x3 +40x4 + 20x5 + 25x6 + 10x7 <= 125; 25x1 + 20x3 +30x4 + 20x5 <= 75; 25x1 + 10x3 + 10x5 + 10x6 + 30x7 <= 50; 10x1 + 35x2 +15x4 + 10x5 + 20x6 <= 50; x1<=1; x2<=1; x3<=1; x4<=1; x5<=1; x6<=1; x7<=1; END
19 MPL Modeling System -(c) , Maximal Software, Inc MODEL STATISTICS Problem name: Investering Filename: investering.mpl Solver: CPLEX Objective value: Iterations: 5 Solution time: 0.00 sec Constraints: 12 Variables: 7 Nonzeros: 35 Density: 42 % SOLUTION RESULT Optimal solution found MAX Z = DECISION VARIABLES PLAIN VARIABLES Variable Name Activity Reduced Cost x x x x x x x
20 TITLE Investering; BINARY VARIABLES x1, x2, x3, x4, x5, x6, x7; MODEL MAX 250x x x3 +300x x x x7; SUBJECT TO END 40x1 + 20x2 + 25x3 +80x4 + 20x5 + 90x6 + 50x7 <= 250; 10x1 + 30x2 + 30x3 +40x4 + 20x5 + 25x6 + 10x7 <= 125; 25x1 + 20x3 +30x4 + 20x5 <= 75; 25x1 + 10x3 + 10x5 + 10x6 + 30x7 <= 50; 10x1 + 35x2 +15x4 + 10x5 + 20x6 <= 50;
21 MPL Modeling System - (c) , Maximal Software, Inc MODEL STATISTICS Problem name: Investering Filename: investering.mpl Solver: CPLEX Objective value: Iterations: 10 Integer nodes: 2 Solution time: 0.00 sec Constraints: 5 Variables: 7 Integers: 7 Nonzeros: 28 Density: 80 % SOLUTION RESULT Optimal integer solution found MAX Z = DECISION VARIABLES PLAIN VARIABLES Variable Name Activity Reduced Cost x x x x x x x
22 Extra eis: Als project 3 wordt gedaan, dan moet ook 5 worden gedaan: x 5 x 3 Dit is een lineaire voorwaarde! Project 4 of project 7: x 4 + x 7 1 Project 4 óf project 7: x 4 + x 7 = 1 Ten hoogste twee projecten van 2, 3, 4 en 6: x 1 + x 3 + x 4 + x 6 2 Project 6 mag niet als 2 én 5 geselecteerd worden: x 6 2 x 2 x 5
23 Opgave: Formuleer met lineaire voorwaarden 1. Project 1 en 2 beide wel óf beide niet x 1 = x 2 2. Als 1 of 2, dan 3 2x 3 x 1 + x 2 Niet: x 3 x 1 + x 2 3. Als 1 óf 2 dan 3 x 3 x 1 x 2 x 3 x 2 x 1 4. Hoogstens één van 1 en 2, en 3 alleen als 1 of 2 x 3 = x 1 + x en 2 beide of 3 en 4 beide y x 1 y x 2 1 y x 3 1 y x 4 y {0,1} 6. 1 en 2 beide óf 3 en 4 beide Als hierboven, met x 1 + x 2 + x 3 + x 4 3
Tie 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 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 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 informatie1. Het aantal optimale oplossingen van een LP probleem is 0, 1, of oneindig. 2. De vereniging van twee konvexe verzamelingen is niet convex. 3.
1. Het aantal optimale oplossingen van een LP probleem is 0, 1, of oneindig. 2. De vereniging van twee konvexe verzamelingen is niet convex. 3. Een LP probleem heeft n>2 variabelen en n+2 constraints.
Nadere informatieLineaire Optimilizatie Extra sessie. 19 augustus 2010
Lineaire Optimilizatie Extra sessie 19 augustus 2010 De leerstof Handboek: hoofdstuk 2 t.e.m. 8 (incl. errata) Slides (zie toledo) Extra opgaven (zie toledo) Computersessie: Lindo syntax en output Wat
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 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 informatieLineaire functies? x 3x. (x 1, x 2 ) 5x 1 7x 2. x 6x 17. x ax. (a, x) ax??? 3x log x 2. substitueer x 1 = y 1, x 2 = exp(y 2 ) levert
Lineaire functies? x 3x (x 1, x 2 ) 5x 1 7x 2 x 6x 17 x ax (a, x) ax??? 3x 1 2 + 5log x 2 substitueer x 1 = y 1, x 2 = exp(y 2 ) levert 3y 1 + 5y 2 na substitutie lineair. Niet-lineaire functies kunnen
Nadere informatieEr zijn 4 opgaven, daarna volgen blanco bladzijden die u kan gebruiken om te antwoorden.
Examen DH45 Lineaire Optimalizatie (D. Goossens) Vrijdag 29 januari 2010, 9 12u Richtlijnen: Er zijn 4 opgaven, daarna volgen blanco bladzijden die u kan gebruiken om te antwoorden. Lees aandachtig de
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 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 informatieVoorbeeld simplexmethode. Max Z = 3x 1 + 2x 2 0.5x 3 z.d.d. 4x 1 + 3x 2 + x 3 10, 3x 1 + x 2-2x 3 8, en x 1, x 2, x 3 0.
Voorbeeld simplexmethode Max Z = 3x 1 + 2x 2 0.5x 3 z.d.d. 4x 1 + 3x 2 + x 3 10, 3x 1 + x 2-2x 3 8, en x 1, x 2, x 3 0. Voer slackvariabelen (x 4, x 5 ) in: Max Z = 3x 1 + 2x 2 0.5x 3 z.d.d. 4x 1 + 3x
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 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 informatie1 Transportproblemen. 1.1 Het standaard transportprobleem
1 Transportproblemen 1.1 Het standaard transportprobleem Dit is het eenvoudigste logistieke model voor ruimtelijk gescheiden vraag en aanbod. Een goed is beschikbaar in gekende hoeveelheden op verscheidene
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 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 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 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 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 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 informatieOperationeel Onderzoek Lingo Examen Voorbeelden
Operationeel Onderzoek Lingo Examen Voorbeelden 1. Examen Maandag Oefening 1 (December 2013)!8 liedjes waarvan een paar die "hits" zijn, en met van elk lied de lengte gegeven. Opgave: verdeel deze liedjes
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 2 Leo van Iersel Technische Universiteit Delft 14 september 2016 Leo van Iersel (TUD) TW2020 Optimalisering 14 september 2016 1 / 30 Modelleren van LP en ILP problemen
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 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 informatieTU/e 2DD50: Wiskunde 2
TU/e 2DD50: Wiskunde 2 Enkele mededelingen Tussentoets: 26 november, tijdens de instructies Tentamenstof: LP; Simplex; dualiteit (= colleges 1 4) Bij de tussentoets mag een eenvoudige (niet programmeerbare)
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 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 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 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 informatieBijlage A Simplex-methode
Dee bijlage hoort bij Beter beslissen, Bijlage A Simplex-methode Verreweg de meeste LP-problemen worden opgelost met behulp van het ogenoemde Simplex-algoritme, in ontwikkeld door G.B. Dantig. De meeste
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 2 Leo van Iersel Technische Universiteit Delft 9 september 2015 Leo van Iersel (TUD) TW2020 Optimalisering 9 september 2015 1 / 23 Huiswerk Huiswerk 1 is beschikbaar op
Nadere informatieBESLISKUNDE 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 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 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 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 informatieVoorbeeld van herschrijven als transportprobleem
Voorbeeld van herschrijven als transportprobleem Het water van 3 rivieren moet worden verdeeld over 4 steden. Daar zijn kosten aan verbonden per eenheid water (zie tabel). De steden hebben minimumbehoeften
Nadere informatieProject Management (H 9.8 + H 22 op CD-ROM)
Project Management (H 9.8 + H 22 op CD-ROM) CPM (Critical Path Method) Activiteiten met afhankelijkheden en vaste duur zijn gegeven. CPM bepaalt de minimale doorlooptijd van het project. PERT (Program
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 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 informatieTU/e 2DD50: Wiskunde 2
TU/e 2DD50: Wiskunde 2 Enkele mededelingen Instructies (vandaag, 10:45 12:30) in vier zalen: Zaal Aud 10 Pav b2 Pav m23 Ipo 0.98 voor studenten met achternaam beginnend met letters A tot en met D met letters
Nadere informatieFaculteit der Economie en Bedrijfskunde
Faculteit der Economie en Bedrijfskunde Op dit voorblad vindt u belangrijke informatie omtrent het tentamen. Lees dit voorblad voordat u met het tentamen begint! Tentamen: Operational Research 1D (4016)
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 informatieUniversiteit Utrecht Departement Informatica. Examen Optimalisering op dinsdag 29 januari 2019, uur.
Universiteit Utrecht Departement Informatica Examen Optimalisering op dinsdag 29 januari 2019, 17.00-20.00 uur. ˆ Mobieltjes UIT en diep weggestopt in je tas. Wanneer je naar de WC wil, dan moet je je
Nadere informatieHoofdstuk 8: Algoritmen en Complexiteit
Hoofdstuk 8: Algoritmen en Complexiteit Vandaag: Hoe meten we de performance van algoritmen? Waar ligt de grens tussen een goed en een slecht algoritme? 22 oktober 2014 1 Vandaag: Hoe meten we de performance
Nadere informatie2DD50: Tentamen. Tentamen: 26 januari 2016 Hertentamen: 5 april 2016
2DD50: Tentamen Tentamen: 26 januari 2016 Hertentamen: 5 april 2016 Bij het tentamen mag een eenvoudige (niet grafische; niet programmeerbare) rekenmachine meegenomen worden, en 2 tweezijdige A4-tjes met
Nadere informatieTechnische Universiteit Eindhoven Faculteit Wiskunde & Informatica
Technische Universiteit Eindhoven Faculteit Wiskunde & Informatica Tentamen Optimalisering (2DD15) Vrijdag 24 juni 2011, 9:00 12:00 uur Het tentamen bestaat uit zeven opgaven. Bij elke opgave staat het
Nadere informatiex 3 E H x 1 B A = (0,0,0) B = (1,0,0) C = (0,1,0) E = (0,0,1) I = (1,1,1/2) J = (1/2,1,1) H=(1,1/2,1) x 2
1. Gegeven een LP probleem (P) max z = c 1 x 1 + c 2 x 2 + c 3 x 3 (= c x) waarvoor het gebied van toegelaten oplossingen T wordt gegeven als de verzameling punten op het afknotingsvlak van een symmetrisch
Nadere informatieExamenvragen D0H45 (Lineaire optimalizatie)
Examenvragen D0H45 (Lineaire optimalizatie) Tijdstip: Vrijdag 3 februari 2012 vanaf 09.00 uur tot 12.00 uur Er zijn vier opgaven. Achter de opgaven zitten de bladzijden die u kunt gebruiken om uw antwoord
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 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 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 informatieEnkele basismodellen uit operationeel onderzoek
Enkele baimodellen uit operationeel onderzoek Roel Leu Roel.Leu@econ.kuleuven.be Studiedag Wikunde e graad ASO 6 mei Inleiding Operationeel onderzoek (O.O.) = het gebruik van wikundige technieken voor
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 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 informatieTU/e 2DD50: Wiskunde 2 (1)
TU/e 2DD50: Wiskunde 2 () Tussentoets 26 november, tijdens de instructies Zaal: paviljoen (study hub) Time: 90min Tentamenstof: colleges 4 (LP; Simplex; dualiteit; complementaire slackness) Oude tentamens:
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 informatieOptimalisering en Complexiteit, College 11. Complementaire speling; duale Simplex methode. Han Hoogeveen, Utrecht University
Optimalisering en Complexiteit, College 11 Complementaire speling; duale Simplex methode Han Hoogeveen, Utrecht University Duale probleem (P) (D) min c 1 x 1 + c 2 x 2 + c 3 x 3 max w 1 b 1 + w 2 b 2 +
Nadere informatieDigitaal Proefstuderen Econometrie en Operationele Research Universiteit van Tilburg
Digitaal Proefstuderen Econometrie en Operationele Research Universiteit van Tilburg 1 Voorwoord Welkom bij de cursus Digitaal Proefstuderen van de opleiding Econometrie en Operationele Research aan de
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 informatiePolynomen. + 5x + 5 \ 3 x 1 = S(x) 2x x. 3x x 3x 2 + 2
Lesbrief 3 Polynomen 1 Polynomen van één variabele Elke functie van de vorm P () = a n n + a n 1 n 1 + + a 1 + a 0, (a n 0), heet een polynoom of veelterm in de variabele. Het getal n heet de graad van
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 informatieUitwerkingen bij 1_1 Lineaire vergelijkingen
Uitwerkingen bij 1_1 Lineaire vergelijkingen!! "#$ #!%!& " %'!& " #!' " # ( # )' * # ' #*" # + '!#*" ' ' + + ' '!, %' &% &%& % -&. = / +. = / + * 0 #!*" 0 $! 1 = ' + 1 = - 0 " "!$ *# 2 1 = # '2 = ' + 2
Nadere informatieUniversiteit Utrecht Faculteit Wiskunde en Informatica. Examen Optimalisering op maandag 18 april 2005, uur.
Universiteit Utrecht Faculteit Wiskunde en Informatica Examen Optimalisering op maandag 18 april 2005, 9.00-12.00 uur. De opgaven dienen duidelijk uitgewerkt te zijn en netjes ingeleverd te worden. Schrijf
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 informatieEen gegeneraliseerde aanpak voor automatische foutlocalisatie. Sander Scholtus
Een gegeneraliseerde aanpak voor automatische foutlocalisatie Sander Scholtus (s.scholtus@cbs.nl) Automatische controle en correctie Doel: geautomatiseerd verbeteren fouten in microdata Twee stappen: detecteren
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 informatieOptimalisatiealgoritmen voor distributieproblemen
Vakgroep Toegepaste Wiskunde, Informatica en Statistiek Optimalisatiealgoritmen voor distributieproblemen Nathan Sinnesael Promotor: prof. dr. V. Fack Masterproef ingediend tot het behalen van de academische
Nadere informatieBenaderingsalgoritmen
Benaderingsalgoritmen Eerste hulp bij NP-moeilijkheid 1 Herhaling NP-volledigheid (1) NP: er is een polynomiaal certificaat voor jainstanties dat in polynomiale tijd te controleren is Een probleem A is
Nadere informatieHoofdstuk 17: Approximation Algorithms
Hoofdstuk 17: Approximation Algorithms Overzicht: Vorige week: Π NP-volledig Π waarschijnlijk niet polynomiaal oplosbaar 2 opties: 1 Optimaal oplossen, niet in polynomiale tijd (B&B, Cutting planes) 2
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 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 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 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/ Medewerkers : Ivor van
Nadere informatieUniversiteit Utrecht Departement Informatica
Universiteit Utrecht Departement Informatica Uitwerking Tussentoets Optimalisering 20 december 206 Opgave. Beschouw het volgende lineair programmeringsprobleem: (P) Minimaliseer z = x 2x 2 + x 3 2x 4 o.v.
Nadere informatieOptimalisering. Hoorcollege 4. Leo van Iersel. Technische Universiteit Delft. 28 september 2016
Optimalisering Hoorcollege 4 Leo van Iersel Technische Universiteit Delft 28 september 2016 Leo van Iersel (TUD) Optimalisering 28 september 2016 1 / 18 Dualiteit Dualiteit: Elk LP probleem heeft een bijbehorend
Nadere informatieOptimalisering en Complexiteit, College 10. Begrensde variabelen. Han Hoogeveen, Utrecht University
Optimalisering en Complexiteit, College 10 Begrensde variabelen Han Hoogeveen, Utrecht University Begrensde variabelen (1) In veel toepassingen hebben variabelen zowel een ondergrens als een bovengrens:
Nadere informatie5 Automatische partitionering van softwaresystemen
26 Proceedings of the 52 nd European Study Group with Industry 5 Automatische partitionering van softwaresystemen Rob Bisseling, Jarosław Byrka, Selin Cerav-Erbas, Nebojša Gvozdenović, Mathias Lorenz,
Nadere informatieOptimalisering. Hoorcollege 4. Leo van Iersel. Technische Universiteit Delft. 23 september 2015
Optimalisering Hoorcollege 4 Leo van Iersel Technische Universiteit Delft 23 september 2015 Leo van Iersel (TUD) Optimalisering 23 september 2015 1 / 19 Mededelingen Maandag 28 september: deadline huiswerk
Nadere informatieEen selectie algoritmen voor lineair programmeren (A selection of algorithms for linear programming)
Technische Universiteit Delft Faculteit Elektrotechniek, Wiskunde en Informatica Delft Institute of Applied Mathematics Een selectie algoritmen voor lineair programmeren (A selection of algorithms for
Nadere informatieOptimalisering. Hoorcollege 4. Leo van Iersel. Technische Universiteit Delft. 28 september 2016
Optimalisering Hoorcollege 4 Leo van Iersel Technische Universiteit Delft 28 september 2016 Leo van Iersel (TUD) Optimalisering 28 september 2016 1 / 18 Dualiteit Dualiteit: Elk LP probleem heeft een bijbehorend
Nadere informatieNP-Volledigheid. Wil zo snel mogelijke algoritmes om problemen op te lossen. De looptijd is polynomiaal: O n k - dat is heel erg mooi
NP-Volledigheid Wil zo snel mogelijke algoritmes om problemen op te lossen Gezien: selectie [O(n)], DFS [O(n + m)], MaxFlow [O nm n + m ], MST [O(n + m)], etc De looptijd is polynomiaal: O n k - dat is
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 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 informatieRouteren van treinstellen op knooppunten
Routeren van treinstellen op knooppunten John van den Broek 2 februari 2007 Nationale Wiskunde Dagen Algemene gegevens NS 1.100.000 reizigers per werkdag 15.000.000.000 reizigers kilometers per jaar 5200
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 informatieOnderneming en omgeving - Economisch gereedschap
Onderneming en omgeving - Economisch gereedschap 1 Rekenen met procenten, basispunten en procentpunten... 1 2 Werken met indexcijfers... 3 3 Grafieken maken en lezen... 5 4a Tweedegraads functie: de parabool...
Nadere informatieModeluitwerking Tentamen Computationele Intelligentie Universiteit Leiden Informatica Vrijdag 11 Januari 2013
Modeluitwerking Tentamen Computationele Intelligentie Universiteit Leiden Informatica Vrijdag Januari 20 Opgave. Python Gegeven is de volgende (slechte) Python code:. def t(x): 2. def p(y):. return x*y
Nadere informatieOverzicht. Inleiding. Modellering. Duaal probleem. αβ-algoritme. Maximale stroom probleem. Voorbeeld. Transportprobleem 1
Overzicht Inleiding Modellering Duaal probleem αβ-algoritme Maximale stroom probleem Voorbeeld Transportprobleem 1 Inleiding W 1 b 1 a 1 D 1 W 2 b 2 a 2 D 2 a m Dm W n b n depots warenhuizen c ij zijn
Nadere informatieSPD Bedrijfsadministratie. Correctiemodel COST & MANAGEMENTACCOUNTING DINSDAG 8 MAART UUR
SPD Bedrijfsadministratie Correctiemodel COST & MANAGEMENTACCOUNTING DINSDAG 8 MAART 2016 12.00-14.00 UUR Indien een kandidaat tot eenzelfde antwoord komt als opgenomen in dit correctiemodel maar waarbij
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 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 informatieGreedy algoritmes. Algoritmiek
Greedy algoritmes Algoritmiek Algoritmische technieken Trucs, methoden, paradigma s voor het ontwerpen van algoritmen Dynamisch Programmeren Divide & Conquer Greedy 2 Greedy algoritme Bouwt de oplossing
Nadere informatieK.0 Voorkennis. y = -4x + 8 is de vergelijking van een lijn. Hier wordt y uitgedrukt in x.
K.0 Voorkennis y = -4x + 8 is de vergelijking van een lijn. Hier wordt y uitgedrukt in x. y = -4x + 8 kan herschreven worden als y + 4x = 8 Dit is een lineaire vergelijking met twee variabelen. Als je
Nadere informatieLineaire Algebra (2DD12)
Lineaire Algebra (2DD12) docent: Ruud Pellikaan - Judith Keijsper email: J.C.M.Keijsper@tue.nl studiewijzer: http://www.win.tue.nl/ ruudp/2dd12.html Technische Universiteit Eindhoven college 1 J.Keijsper
Nadere informatiePracticum Ox intro. Practicum Ox intro. VU Numeriek Programmeren 2.5. Charles Bos. Vrije Universiteit Amsterdam. 3 april /18
1/18 VU Numeriek Programmeren 2.5 Charles Bos Vrije Universiteit Amsterdam 3 april 2013 2/18 Overzicht Vlotte intro in Ox Hands on 3/18 Minimale elementen Minimale elementen Ox-programma: voeg de standaard
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 informatieFabricage kosten Grondstoffen Machinekosten Loon productiepersoneel Hulpafdelingen (onderhoud/magazijn) Deze kosten zijn samen de fabricagekostprijs
www.jooplengkeek.nl Voorcalculatie Fabricage kosten Grondstoffen Machinekosten Loon productiepersoneel Hulpafdelingen (onderhoud/magazijn) Deze kosten zijn samen de fabricagekostprijs Verkoop kosten Reclamekosten
Nadere informatieLP-problemen modelleren. Inleiding
LP-problemen modelleren Inleiding 1 Assumpties 2 LP-problemen oplossen Grafische oplossing 3 4 Onthoud: Iso-winstcurve = niveaucurve Alle iso-winstcurves ( niveaucurves ) lopen evenwijdig Hoe tekenen we
Nadere informatie