Transport-, Routing- en Schedulingproblemen. Wi4062TU / Wi487TU / a86g. Uitwerkingen
|
|
- Joannes van der Heijden
- 4 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Transport-, Routing- en Schedulingproblemen Wi4062TU / Wi487TU / a86g Uitwerkingen Docenten Onderdeel a Er zijn 6 vakken V 1, V 2,..., V 6. Vak V j heeft een vraag b j = 1, voor j = 1, 2,..., 6. Er zijn drie docenten D 1, D 2 en D 3. Docent D i heeft aanbod a i = 2, voor i = 1, 2, 3. De totale vraag is gelijk aan het totale aanbod. Het transportprobleem is dus al gebalanceerd. Wiskundig model: min o.d.v. 3 6 c ij x ij i=1 j=1 3 x ij = b j j = 1, 2,..., 6 i=1 6 x ij = a i i = 1, 2, 3 j=1 x ij 0 i = 1, 2, 3 j = 1, 2,... 6 (1) De eerste groep restricties geeft aan dat ieder vak gedoceerd wordt. De tweede groep restricties geeft aan dat iedere docent precies twee vakken doceert. Tenslotte mogen de stromen natuurlijk niet negatief zijn. Het model gaat uit van minimaliseren, terwijl we de totale voorkeur juist moeten maximaliseren. De bijbehorende kostenmatrix luidt daarom als volgt (tabel 1): Tabel 1: Kostenmatrix c ij Docent Vak-A Vak-B Vak-C Vak-D Vak-E Vak-F Onderdeel b We lossen het transport probleem op met behulp van het αβ-algoritme. We starten met de duale oplossing volgens: 1
2 β j = min c ij i 1 j 6 α i = min (c ij β j ) j 1 i 3 (2) Dus β = ( 9, 9, 9, 8, 9, 9) en α = (1, 0, 0). In tabel 2 is een overzicht gegeven van c ij α i β j. Tabel 2: Iteratie 1: c ij α i β j Het bijbehorende hulpnetwerk N is weergegeven in figuur 1. Figuur 1: Hulpnetwerk In figuur 2 zijn de takken in dit hulpnetwerk van boven naar beneden verzadigd. De blauwe tak bevat een stroom 1 (en kan er 2 hebben). De rode takken zijn verzadigd. Nu begint het labelproces. Vanuit knoop s wordt docent D 1 gelabeld. Vanuit D 1 wordt vak V 1 gelabeld. Hier eindigt het labelproces. Er geldt: I + = {1} J + = {1} (3) 2
3 Figuur 2: Van boven naar beneden takken verzadigen De grootst mogelijke keuze voor δ is dus (zie tabel 2): δ = min c i I +,j / J + ij α i β j = 1 (4) Op basis van deze keuze voor deze keuze van δ kan een betere duale oplossing gevonden worden volgens: α i = { αi δ i I α i i I + β j = { βj + δ j J β j j J + (5) In tabel 3 is c ij α i β j weergegeven voor de verbeterde α en β. Tabel 3: Iteratie 2: c ij α i β j
4 Het bijbehorende netwerk N x is weergegeven in figuur 3. Ten opzichte van figuur 2 is de tak van docent D 1 naar vak V 2 en van docent D 1 naar vak V 5 toegevoegd, terwijl de tak van docent D 2 naar vak V 1 is verwijderd. Figuur 3: Iteratie 2 Het labelproces zet zich voort: Vanuit D 1 worden nu ook V 2 en V 5 gelabeld. Vanuit V 5 wordt (over de omgekeerde stroomdragende tak) D 3 gelabeld. Vanuit D 3 wordt V 6 gelabeld. Vanuit V 6 wordt t gelabeld. Er is een doorbraak volgens het pad s D 1 V 5 D 3 V 6 t. In figuur 4 is deze doorbraak verwerkt. Deze stroom is optimaal omdat alle takken uit knoop s verzadigd zijn. De totale kosten van deze toewijzing zijn: De oplossing van het duale probleem is: = 50 (6) 3 3 α i a i + β j b j = = 50 (7) i=1 j=1 Docent D 1 geeft dus vak V 1 en V 5. Docent D 2 geeft vak V 2 en V 4. Docent D 3 geeft vak V 3 en V 6. De totale voorkeur is bij deze toewijzing 50. 4
5 Figuur 4: Doorbraak s D 1 V 5 D 3 V 6 t 2 No Wait Flowshop/TSP Onderdeel a Stel dat taak J j direct na taak J i wordt uitgevoerd. De minimale tijd benodigd voor het uitvoeren van J j en J i in deze volgorde is T i + c ij, met T i en c ij gedefinieerd als in figuur 5 is aangegeven. Figuur 5: Taak J j wordt direct na J i uitgevoerd Introduceer een dummy taak 0 met alle procestijden voor de deeltaken gelijk aan 0 en definieer verder: c io = 0 en c 0i = T i voor 1 i 4. Dan correspondeert een optimale productievolgorde eenduidig met een minimale handelsreizigersroute voor de afstandsmatrix bepaald door de getallen c ij voor 0 i, j 4. 5
6 We concluderen hieruit dat het NW m c max probleem kan worden opgelost als een TSP op 5 steden. Onderdeel b De kostenmatrix behorend bij dit TSP probleem is weergegeven in tabel 4: (Volgt rechtstreeks uit figuur 5). Tabel 4: Kostenmatrix c ij Stad Onderdeel c De kostenmatrix in tabel 4 kan in de kolommen worden gereduceerd met (0, 8, 3, 9, 5) en vervolgens in rij 1 nog met 9. De totale ondergrens voor de oplossing is daarmee = 34. In tabel 5 is de gereduceerde matrix gegeven: Tabel 5: Gereduceerde matrix c ij Stad De grootste reductie kan worden gehaald wanneer de tak (2, 0) gekozen wordt. In dat geval wordt de matrix met tak (2, 0) gelijk aan tabel 6. Hierin zijn de kosten (0, 2) op gesteld, waardoor de rij bij stad 2 gereduceerd kon worden met 2. Tabel 6: Situatie met (2,0), ondergrens 36 Stad De matrix voor de situatie zonder (2, 0) krijgt een in de rij bij stad 2 en de kolom bij stad 0. Daardoor kan de rij bij stad 2 gereduceerd worden met 3, zie tabel 7: 6
7 Tabel 7: Situatie zonder (2,0), ondergrens 37 Stad We gaan verder met de situatie waarin (2, 0) meedoet. In dat geval levert de keuze van tak (0, 4) de grootste reductie op. We onderscheiden de volgende situaties: De situatie met (2, 0) en (0, 4), zie tabel 8. In dat geval kan op (4, 2) een geplaatst worden, waardoor de rij bij stad 4 te reduceren is met 2. Tabel 8: Situatie met (2,0) en (0,4), ondergrens 38 Stad De andere situatie is die waarbij (2, 0) wel meedoet, maar (0, 4) niet, zie tabel 9 Tabel 9: Situatie met (2,0), zonder (0,4), ondergrens 38 Stad We gaan verder met de situatie waarin (2, 0) en (0, 4) meedoen. We constateren dat de route over nul-takken is af te ronden tot: De bijbehorende kosten zijn dan 38. We zien dan dat de situatie met (2, 0), zonder (0, 4) een ondergrens 38 heeft. Verder uitsplitsen hiervan zal hooguit een even goedkope oplossing geven, maar zeker geen betere. Daarom splitsen we deze niet verder uit. In de situatie zonder (2, 0) is echter een ondergrens van 37 gevonden. Die moeten we nog wel verder uitsplitsen. We doen dit op tak (3, 1). Wanneer deze tak niet mee mag doen, dan is de rij bij stad 1 te reduceren met 2, waardoor de ondergrens van de oplossingen zonder (2,0) en zonder (3,1) gelijk is aan 39. 7
8 Voor de oplossingen zonder (2,0), maar met (3,1) geldt de volgende resterende matrix: Tabel 10: Situatie zonder (2,0), ondergrens 37 Stad Hierin is de nul bij (1, 3) vervangen door. Waardoor de kolom bij stad 3 is te reduceren met 2. Voor alle oplossingen zonder (2, 0) geldt kennelijk een ondergrens van 39. Hiermee is aangetoond dat er geen oplossing is waarvoor de totale procestijd lager is dan 38. Een taakvolgorde waarbij een procestijd 38 gehaald wordt is: J 4, J 1, J 3, J 2. Voor de volledigheid hierbij het bijbehorende GANTT-diagram: Figuur 6: Gantt diagram bij een optimale oplossing 3 Vehicle Routing Problem Zij: x ijk = { 1 wagen k bezoekt klant j direct na klant i 0 anders (8) y ik = { 1 wagen k bezoekt klant i 0 anders (9) Het vehicle routing problem komt neer op het minimaliseren van: n n m c ij i=0 j=0 k=1 x ijk (10) 8
9 onder de volgende voorwaarden: { m 1 als i = 1, 2,..., n y ik = m als i = 0 k=1 (11) Alle klantlocaties (locaties 1, 2,..., n) moeten door precies 1 wagen bezocht worden. Het centrale depot (locatie 0) moet door alle wagens bezocht worden). De wagens mogen niet overbeladen worden. Er moet dus voldaan worden aan: n q i y ik Q k k = 1, 2,..., m (12) i=1 Alle locaties moeten precies 1 keer worden bezocht en 1 keer worden verlaten, door de wagen bij de bijbehorende klantlocatie. Er moet dus gelden: n n x ijk = x jik = y ik 0 i n, 1 k m (13) j=0 j=0 Tenslotte moet er voor gezorgd worden dat er geen subroutes ontstaan bij een gegeven wagen k. Dat kan door de volgende restrictie voorkomen worden: x ijk S 1 S {1, 2,..., n}, 1 k m (14) i S j S Hierin is S een subset van alle klantlocaties. Locatie 0 kan niet in S zitten. Deze locatie (het centrale depot) wordt juist gebruikt om de route van wagen k te sluiten. Alle mogelijke deelverzamelingen van klantlocaties mogen geen circuit bevatten voor wagen k. 4 Pendelbus In figuur 7 is de graaf bij het pendelbus probleem gegeven. In deze graaf stellen de knopen het begin van het aangegeven uur voor. Tussen twee knopen is een tak gegeven die aangeeft welk type chauffeur tussen twee uren kan rijden. Omdat er precies één chauffeur moet rijden over de hele periode heeft het geen zin om parallel takken te tekenen, zoals bijvoorbeeld tussen knoop 8 en knoop 12. Ook is de (verkorte) tak van knoop 12 naar knoop 2 met kosten 40 (net als de tak van knoop 1 naar knoop 2 met kosten 40) niet opgenomen, omdat het altijd goedkoper is om voor die periode een chauffeurtype 3 te kiezen. 9
10 Figuur 7: Graaf bij pendelbusprobleem Onderdeel a Het kortste pad probleem (weergegeven in figuur 7) luidt: min o.d.v. c ij x ij i V j V j V i V j V x 7j = 1 x i2 = 1 x ij j V x ij {0, 1} x ji = 0 i V i, j V (15) Hierin is V = {1, 2, 7, 8, 9, 10, 11, 12} de verzameling knopen. Het doel is om een stroom ter grootte van 1 te versturen van knoop 7 naar knoop 2 tegen minimale kosten. De eerste restrictie geeft aan dat vanuit knoop 7 een eenheid stroom vertrekt, de tweede restrictie geeft aan dat er in knoop 2 een eenheid stroom binnenkomt. Voor alle overige knopen geldt dat er evenveel stroom vertrekt als er aankomt (derde restrictie). Tenslotte wordt alleen met stroomwaarden van 0 of 1 gewerkt. Onderdeel b We lossen dit kortste pad probleem op met behulp van Dijkstra s algoritme. In tabel 11 zijn de verschillende iteraties weergegeven. Het label van knoop 2 is als laatste aangepast in iteratie 4, uitgaande van spilknoop 11. Het label van knoop 11 is als laatste aangepast in iteratie 1, uitgaande van spilknoop 7. Het kortste pad is dus {(7, 11), (11, 2)}. Door eerst een chauffeurtype 1 in te zetten en vervolgens een chauffeurtype 2 kan de periode van 19 uur tot 2 uur een pendelbus rijden tegen minimale loonkosten (namelijk e 90,00). 10
11 Tabel 11: Dijkstra s algoritme Iteratie Kandidaten Spilknoop l(9) l(10) l(11) l(12) l(1) l(2) 1 {7} {9, 10, 11} {10, 11, 12, 1} {11, 12, 1} {12, 1} {1}
1 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 informatieOptimaliseren in Netwerken
Optimaliseren in Netwerken Kees Roos e-mail: C.Roos@tudelft.nl URL: http://www.isa.ewi.tudelft.nl/ roos Kaleidoscoop college Zaal D, Mekelweg 4, TU Delft 11 October, A.D. 2006 Optimization Group 1 Onderwerpen
Nadere informatieDiscrete Wiskunde, College 13. Han Hoogeveen, Utrecht University
Discrete Wiskunde, College 13 Han Hoogeveen, Utrecht University Algoritme van Kruskal (1) Sorteer de kanten in E op volgorde van lengte; hernummer de kanten zodanig dat c(e 1 ) c(e 2 )... c(e m ) Bij twee
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 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 informatieHoofdstuk!7!Kortste!paden!
oofdstukkortstepaden oofdstukkortstepaden In een gewogen graaf is men soms geïnteresseerd in het kortste pad tussen twee punten: dat is een pad, waarbij de som van de gewichten zo klein mogelijk is..inleiding
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 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 informatieOverzicht. Inleiding. Classificatie. NP compleetheid. Algoritme van Johnson. Oplossing via TSP. Netwerkalgoritme. Job shop scheduling 1
Overzich Inleiding Classificaie NP compleeheid Algorime van Johnson Oplossing via TSP Newerkalgorime Job shop scheduling 1 Inleiding Gegeven zijn Machines: M 1,,..., M m Taken: T 1, T 2,... T n Per aak
Nadere informatieOverzicht. 1. Definities. 2. Basisalgoritme. 3. Label setting methoden. 4. Label correcting methoden. 5. Ondergrenzen. 6.
Overzicht 1. Definities 2. Basisalgoritme 3. Label setting methoden 4. Label correcting methoden 5. Ondergrenzen 6. Resultaten Kortste Pad Probleem 1 Definities Een graaf G = (V, E) bestaat uit een verzameling
Nadere informatieOverzicht. Inleiding. Modellering. Insertie heuristieken. Voorbeeld: CVV. Local Search. Meta heuristieken. Vehicle Routing Problem 1
Overzicht Inleiding Modellering Insertie heuristieken Voorbeeld: CVV Local Search Meta heuristieken Vehicle Routing Problem 1 Inleiding Gegeven Depot-knoop 0 Klant-knopen i met vraag q i, i = 1,..., n
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 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 informatieFundamentele Informatica
Fundamentele Informatica (IN3120 en IN3005 DOI nwe stijl) 20 augustus 2004, 9.00 11.00 uur Het tentamen IN3120 bestaat uit 10 meerkeuzevragen en 2 open vragen. Voor de meerkeuzevragen kunt u maximaal 65
Nadere informatiea) Bepaal punten a l en b m zó dat de lijn door a en b parallel is met n.
. Oefen opgaven Opgave... Gegeven zijn de lijnen l : 2 + λ m : 2 2 + λ 3 n : 3 6 4 + λ 3 6 4 a) Bepaal punten a l en b m zó dat de lijn door a en b parallel is met n. b) Bepaal de afstand tussen die lijn
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 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 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 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 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 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 informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 6 Leo van Iersel Technische Universiteit Delft 19 oktober 2016 Leo van Iersel (TUD) TW2020 Optimalisering 19 oktober 2016 1 / 20 Deze week Primal-Dual algoritmes voor:
Nadere informatieBasiskennis lineaire algebra
Basiskennis lineaire algebra Lineaire algebra is belangrijk als achtergrond voor lineaire programmering, omdat we het probleem kunnen tekenen in de n-dimensionale ruimte, waarbij n gelijk is aan het aantal
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 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 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 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 informatieMatrixalgebra (het rekenen met matrices)
Matrixalgebra (het rek met matrices Definitie A a a n a a n a m a mn is e (m n-matrix Hierbij is m het aantal rij van A n het aantal kolomm (m n noemt m de afmeting( van de matrix A We noter vaak kortweg
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 informatieModule 3. Maximale stromen
Module In november 00 legde een stroomstoring een gedeelte van Europa plat. Overal moesten de kaarsen aan. oordat een gedeelte van het elektriciteitsnet uitviel, was er te weinig capaciteit om aan de vraag
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 informatieHet minimale aantal sleutels op niveau h is derhalve
1 (a) In een B-boom van orde m bevat de wortel minimaal 1 sleutel en maximaal m 1 sleutels De andere knopen bevatten minimaal m 1 sleutels en maximaal m 1 sleutels (b) In een B-boom van orde 5 bevat elke
Nadere informatieBegrenzing van het aantal iteraties in het max-flow algoritme
Begrenzing van het aantal iteraties in het max-flow algoritme Het oplossen van het maximum stroom probleem met behulp van stroomvermeerderende paden werkt, maar het aantal iteraties kan aardig de spuigaten
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 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 informatie8/2/2006 Examen Optimalisatietechnieken (6sp) 1
8/2/2006 Examen Optimalisatietechnieken 2005-2006 (6sp) 1 Gesloten boek: Maximaal 25 minuten Beantwoord alle vragen op het opgavenblad. Schrijf je naam op elk blad en schrijf leesbaar. Beantwoord de vraag
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 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 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 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 informatiete vermenigvuldigen, waarbij N het aantal geslagen Nederlandse munten en B het aantal geslagen buitenlandse munten zijn. Het resultaat is de vector
Les 3 Matrix product We hebben gezien hoe we matrices kunnen gebruiken om lineaire afbeeldingen te beschrijven. Om het beeld van een vector onder een afbeelding te bepalen hebben we al een soort product
Nadere informatieINHOUDSOPGAVE 1 VOORWOORD 3 INLEIDING 4 1 BESCHRIJVING EXPERTPLANNER 5 2 LITERATUURONDERZOEK Classificatie problemen 9
Inhoudsopgave INHOUDSOPGAVE VOORWOORD 3 INLEIDING 4 BESCHRIJVING EXPERTPLANNER 5. SAREX 6 2 LITERATUURONDERZOEK 7 2. STANDAARD VEHICLE ROUTING PROBLEM 7 2.. Classificatie problemen 9 2.2 BESTAANDE HEURISTIEKEN
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 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 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 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 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 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 informatieNetwerkdiagram voor een project. AOA: Activities On Arrows - activiteiten op de pijlen.
Netwerkdiagram voor een project. AOA: Activities On Arrows - activiteiten op de pijlen. Opmerking vooraf. Een netwerk is een structuur die is opgebouwd met pijlen en knooppunten. Bij het opstellen van
Nadere informatieTiende college algoritmiek. 14 april Gretige algoritmen
College 10 Tiende college algoritmiek 1 april 011 Gretige algoritmen 1 Greedy algorithms Greed = hebzucht Voor oplossen van optimalisatieproblemen Oplossing wordt stap voor stap opgebouwd In elke stap
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 informatieTransport, Routing- en Schedulingproblemen. ir. H.N. Post
Transport, Routing- en Schedulingproblemen ir. H.N. Post 1 mei 2006 Inhoudsopgave 1 Kortste pad probleem 7 1.1 Definities...................................... 7 1.2 Basisalgoritme...................................
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 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 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 informatieTiende college algoritmiek. 4 mei Gretige Algoritmen Algoritme van Dijkstra
Tiende college algoritmiek mei 018 Gretige Algoritmen Algoritme van 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 informatieTentamen lineaire algebra voor BWI maandag 15 december 2008, uur.
Vrije Universiteit Amsterdam Faculteit der Exacte Wetenschappen Afdeling Wiskunde Tentamen lineaire algebra voor BWI maandag 5 december 8, 5.5-8. uur. ELK ANTWOORD DIENT TE WORDEN BEARGUMENTEERD. Er mogen
Nadere informatieeerste en laatste cijfers Jaap Top
eerste en laatste cijfers Jaap Top JBI-RuG & DIAMANT j.top@rug.nl 3-10 april 2013 (Collegecarrousel, Groningen) 1 laatste, eerste?! over getallen 2,..., 101,..., 2014,...... laatste cijfers hiervan: 2,...,
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 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 informatieALGORITMIEK: antwoorden werkcollege 5
ALGORITMIEK: antwoorden werkcollege 5 opgave 1. a. Brute force algoritme, direct afgeleid uit de observatie: loop v.l.n.r. door de tekst; als je een A tegenkomt op plek i (0 i < n 1), loop dan van daaruit
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 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 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 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 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 informatieHerexamen Discrete Wiskunde deel I-II donderdag 6 juli, 2017
Herexamen Discrete Wiskunde 2016-2017 deel I-II donderdag 6 juli, 2017 De opgaven dienen duidelijk uitgewerkt te zijn en netjes ingeleverd te worden. Schrijf op elk ingeleverd vel uw naam en studentnummer.
Nadere informatieTransport, Routing- en Schedulingproblemen. Ir. H.N. Post
Transport, Routing- en Schedulingproblemen Ir. H.N. Post 24 januari 2004 Inhoudsopgave 1 Kortste pad probleem 7 1.1 Definities...................................... 7 1.2 Basisalgoritme...................................
Nadere informatieLineaire Algebra C 2WF09
Lineaire Algebra C 2WF09 College: Instructie: L. Habets HG 8.09, Tel. 4230, Email: l.c.g.j.m.habets@tue.nl H.A. Wilbrink HG 9.49, Tel. 2783, E-mail: h.a.wilbrink@tue.nl http://www.win.tue.nl/wsk/onderwijs/2wf09
Nadere informatieWISKUNDE-ESTAFETTE 2010 Uitwerkingen
WISKUNDE-ESTAFETTE 010 Uitwerkingen 1 We tellen het aantal donkere tegels in elke rij. Rij 1 (en rij 19) bestaat uit 10 witte tegels. Rij (en rij 18) bestaat uit 11 tegels, waarvan 6 wit en 5 donker. Rij
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 informatieWeek 1 20-02-2013. Hier vind je uitwerkingen van enkele opgaven uit het dictaat Grafen: Kleuren en Routeren.
Combinatorische Optimalisatie, 2013 Week 1 20-02-2013 Hier vind je uitwerkingen van enkele opgaven uit het dictaat Grafen: Kleuren en Routeren. Opgave 1.16 Bewijs dat elke graaf een even aantal punten
Nadere informatieALGORITMIEK: antwoorden werkcollege 5
1 ALGORITMIEK: antwoorden werkcollege 5 opgave 1. a. Brute force algoritme, direct afgeleid uit de observatie: loop v.l.n.r. door de tekst; als je een A tegenkomt op plek i (0 i < n 1), loop dan van daaruit
Nadere informatieALGORITMIEK: antwoorden werkcollege 5
ALGORITMIEK: antwoorden werkcollege 5 opgave 1. a. Brute force algoritme, direct afgeleid uit de observatie: loop v.l.n.r. door de tekst; als je een A tegenkomt op plek i (0 i < n 1), loop dan van daaruit
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 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 informatieComputationele Intelligentie
Computationele Intelligentie Uitwerking werkcollege Representatie, Ongeïnformeerd zoeken, Heuristisch zoeken 1 lokkenwereld a. De zoekboom die door het dynamische breadth-first search algoritme wordt gegenereerd
Nadere informatieLineaire algebra I (wiskundigen)
Lineaire algebra I (wiskundigen) Voorbeelden van toetsopgaven, 011 en (1) (a) Bepaal de afstand van het punt Q = (1,, ) R 3 tot het vlak gegeven door x + y z = 1. (b) Bepaal de hoek tussen de vectoren
Nadere informatieExamenvragen Toegepast Operationeel Onderzoek (D0178a)
Examenvragen Toegepast Operationeel Onderzoek 2006-2007 (D0178a) Tijdstip: Vrijdag 24 augustus 2007 09.00-13.00 uur Het examen is open boek. Er zijn vier opgaven. Achter de opgaven zitten de bladzijden
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 informatieUitgebreide uitwerking Tentamen Complexiteit, juni 2016
Uitgebreide uitwerking Tentamen Complexiteit, juni 016 Opgave 1. (3+10++7+6) a. De hoogte van de beslissingsboom (lengte van het langste pad) stelt het aantal arrayvergelijkingen in de worst case voor.
Nadere informatieUitwerking vierde serie inleveropgaven
Uitwerking vierde serie inleveropgaven Opgave 1. Gegeven is dat G een permutatiegroep is; a is een willekeurig element. St(a) is de deelverzameling van G die alle permutaties π bevat waarvoor geldt π(a)
Nadere informatieTentamen Modellen en Simulatie (WISB134)
Tentamen Modellen en Simulatie (WISB4) Vrijdag, 7 april 5, :-6:, Educatorium Gamma Zaal Schrijf op elk vel dat je inlevert je naam en op het eerste vel je studentnummer en het totaal aantal ingeleverde
Nadere informatieUitwerkingen oefenopdrachten or
Uitwerkingen oefenopdrachten or Marc Bremer August 10, 2009 Uitwerkingen bijeenkomst 1 Contact Dit document is samengesteld door onderwijsbureau Bijles en Training. Wij zijn DE expert op het gebied van
Nadere informatieHeuristieken en benaderingsalgoritmen. Algoritmiek
Heuristieken en benaderingsalgoritmen Wat te doen met `moeilijke optimaliseringsproblemen? Voor veel problemen, o.a. optimaliseringsproblemen is geen algoritme bekend dat het probleem voor alle inputs
Nadere informatieFACULTEIT ECONOMIE EN BEDRIJFSKUNDE Afdeling Kwantitatieve Economie
FACULTEIT ECONOMIE EN BEDRIJFSKUNDE Afdeling Kwantitatieve Economie Lineaire Algebra, tentamen Uitwerkingen vrijdag 4 januari 0, 9 uur Gebruik van een formuleblad of rekenmachine is niet toegestaan. De
Nadere informatie