Geheeltallige programmering
|
|
- Laura de Coninck
- 7 jaren geleden
- Aantal bezoeken:
Transcriptie
1 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: continue variabelen (linear programming) discrete (geheeltallige) variabelen (integer progr.) binaire variabelen (binary integer) discrete én continue variabelen (mixed integer) 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. 64 binaire variabelen: 2 64 = 2x10 19 mogelijkheden!
2 LP relaxatie: Laat de geheeltalligheideisen weg. Het doelgebied wordt groter, dus de LP relaxatie geeft een bovengrens voor IP. Max Z = x 1 + x 2 Max Z = x 1 + x 2 z.d.d. 3x 1 + x 2 12 z.d.d. 3x 1 + x x 1 + 5x x 1 + 5x 2 20 x 1, x 2 {0,1} Oplossing: Z = 2 Z = 52/11 = x 1 = 1, x 2 = 1 x 1 = 40/11, x 2 = 12/11 Vervang x 1, x 2 {0,1} door 0 x j 1 Max Z = x 1 + x 2 z.d.d. 3x 1 + x x 1 + 5x x 1 1, 0 x 2 1 Oplossing: Z = 2 x 1 = 1, x 2 = 1 Dit is (toevallig) de optimale oplossing.
3 Investeringsprobleem (p. 94) 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;
4 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
5 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
6 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
7 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;
8 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
9 Extra eis: Als project 3 wordt gedaan, dan moet ook 5 worden gedaan: x 5 x 3 Dit is een lineaire voorwaarde! 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
10 Locatieprobleem (p. 96, maar met gespiegelde tabel) Van\naar Dorp 1 Dorp 2 Dorp 3 Dorp 4 Dorp 5 Dorp Dorp Dorp Dorp Dorp Plan een minimaal aantal brandweercentrales zodat de reistijd maximaal 10 minuten is. Variabelen x j = 0/1: Centrale niet/wel in dorp j. Min x 1 + x 2 + x 3 + x 4 + x 5 z.d.d. x 1 + x 4 1 (dorp 1 bereikbaar binnen 10 min) x 2 + x 5 1 x 1 + x 2 + x 3 1 x 3 + x 5 1 en x j {0,1}
11 MPL Modeling System - (c) , Maximal Software, Inc MODEL STATISTICS Problem name: Brandweercentrales Solver: CPLEX Objective value: Iterations: 0 Integer nodes: 0 Solution time: 0.00 sec Constraints: 4 Variables: 5 Integers: 5 Nonzeros: 9 Density: 45 % SOLUTION RESULT Optimal integer solution found MIN Z = DECISION VARIABLES PLAIN VARIABLES Variable Name Activity Reduced Cost x x x x x Niet in 1 én in 5 een centrale: x 1 + x 5 1 Variable Name Activity Reduced Cost x x x x x
12 Set-covering probleem Elementen x i, verzamelingen U j met kosten c j. Kies een selectie van de U j s die alle x i s bevatten zodanig dat de totale kosten minimaal zijn. In het brandweerprobleem: Alle dorpen van waaruit je in maximaal 10 minuten naar dorp j kunt komen.
13 Truc als alle c j = 1. LP Oplossing van het 2 e brandweerprobleem Optimal solution found MIN Z = Variable Name Activity Reduced Cost x x x x x Gevolg: doelwaarde moet 3. Voeg toe: x 1 + x 2 + x 3 + x 4 + x 5 3 Optimal solution found MIN Z = Variable Name Activity Reduced Cost x x x x x Deze truc werkt niet altijd! Neem bijvoorbeeld x 1 = 1 MIN Z = Variable Name Activity Reduced Cost x x x x x
14 Algemene modelleertrucs (p. 108) Vaste opstartkosten K > 0 plus lineaire kosten cx > 0: P(x) = cx + K als x > 0 0 als x = 0 Dit is niet een lineaire doelfunctie! Vervang P door: P(x, y) = cx + Ky met x My en y {0,1} (M is een zeer groot getal) Als x > 0, dan moet y = 1, dus P(x, y) = cx + K Als x = 0, dan is P(x, y) = Ky. In een minimaliseringsprobleem wordt automatisch y = 0, dus P = 0. Stuksgewijs lineaire functie: P(x) = c 1 x als 0 x a c 1 a 1 + c 2 (x a) als x > a (met 0 < c 2 < c 1 en x Z) Schrijf P = c 1 y 1 + c 2 y 2 x = y 1 + y 2 0 y 1 a y 2 0 aδ y 1 a y 2 Mδ δ {0,1} met
15 Bewijs: 1. Als 0 x < a, dan is a > x = y 1 + y 2 y 1. Nu volgt uit aδ y 1 a dat δ = 0 (want δ = 1 zou betekenen dat y 1 = a.). Uit y 2 Mδ volgt dan dat y 2 = 0. Gevolg: P = c 1 y 1 + c 2 y 2 = c 1 y 1 = c 1 x. 2. Als x > a, dan is y 2 = x y 1 > a a = 0, dus uit y 2 Mδ volgt dan dat δ = 1. Nu volgt uit aδ y 1 a dat y 1 = a. Gevolg: P = c 1 y 1 + c 2 y 2 = c 1 a + c 2 (x - a). 3. Als x = a, dan kan δ = 0 óf δ = 1. Als δ = 0, dan is y 2 = 0 en y 1 = x = a, dus P = c 1 a. Als δ = 1, dan is y 1 = a en y 2 = x y 1 = a a = 0, dus ook P = c 1 a. Klaar.
16 Lineaire functie met quantumkorting: P(x) = cx als 0 x a c(1-d)x als x > a (met d 1, c > 0) Schrijf P = cx - cdz met x a + Mδ x (a+1)δ z x z x M(1-δ) z Mδ δ {0,1} z 0 x kan één van de waarden a 1, a 2,, a n aannemen. x = a 1 x 1 + a 2 x a n x n en x 1 + x x n = 1 x j {0,1} Slechts één van twee x 1, x 2 0 kan positief zijn x i Mδ i, i = 1,2 δ 1 + δ 2 1 δ j {0,1} x voldoet aan x = 0 óf x a. x Mδ, x aδ δ {0,1}
17 Tenminste k van m nevenvoorwaarden gelden n j= 1 a ij x j b i + M(1-y i ) met y y m k y i {0,1} voor i=1,,m Productterm x 1 x 2 voor binaire variabelen x 1 x 2 = y met y x 1 y x 2 y x 1 + x 2 1 y 0
18 IP probleem schrijven als een BIP probleem Een geheeltallig probleem waarin alle variabelen begrensd zijn kun je altijd als een binair probleem schrijven. Bijvoorbeeld, als x geheel is en 0 x 20, dan kun je x vervangen door (binaire ontwikkeling) x = y 1 + 2y 2 + 4y 3 + 8y y 5 met y j binaire variabelen. Dit gaat op een lineaire manier, dus je model blijft lineair. Zo kun je elke gehele, begrensde variabele vervangen door een aantal binaire variabelen. Als een variabele niet a priori begrensd is, kan dit niet met eindig veel binaire variabelen! Een IP probleem kan een onbegrensd toegelaten gebied hebben. Het toegelaten gebied van een BIP probleem is altijd begrensd (eindig veel mogelijkheden)
19 Erfenisprobleem Verdeel spullen ter waarde 100, 61, 45, 37, 22, 21, 2 op een eerlijke manier tussen twee personen. x i = 0/1: persoon 1 krijgt object I niet/wel Persoon 1 krijgt 100x x x x x x 6 + 2x 7 Persoon 2 krijgt 100(1-x 1 )+61(1-x 2 )+45(1-x 3 )+37(x 4-1)+22(1-x 5 )+21(1-x 6 )+2(1-x 7 ) Maak het verschil zo klein mogelijk: Min 100x x x x x x 6 + 2x z.d.d. x i {0,1} De objectfunctie is niet-lineair. Anders: Max 100x x x x x x 6 + 2x 7 z.d.d. 100x 1 +61x 2 +45x 3 +37x 4 +22x 5 +21x 6 +2x x i {0,1} Heuristische oplosmethode: Geef volgend object aan degene die het minst heeft: 1: :
20 LP relaxatie: (1, 0,7213, 0, 0, 0, 0, 0) Z = 144 Afronden? (1, 1, 0, 0, 0, 0, 0) Niet toelaatbaar! (1, 0, 0, 0, 0, 0, 0) Z = 100 IP oplossing(en): (1, 0, 0, 0, 1, 1, 0) Z = 143 (0, 1, 1, 1, 0, 0, 0) Z = 143 (0, 1, 0, 1, 1, 1, 1) Z = 143
21 Branch-and-Bound methode Max Z = 9x 1 + 5x 2 + 6x 3 + 4x 4 z.d.d. 6x 1 + 3x 2 + 5x 3 + 2x 4 10 x 3 + x 4 1 -x 1 + x 3 0 -x 2 + x 4 0 x 1, x 2, x 3, x 4 {0,1} Gerelaxeerde probleem Max Z = 9x 1 + 5x 2 + 6x 3 + 4x 4 z.d.d. 6x 1 + 3x 2 + 5x 3 + 2x 4 10 x 3 + x 4 1 -x 1 + x 3 0 -x 2 + x x 1, x 2, x 3, x 4 1 Oplossing: (0,8333, 1, 0, 1) Z = 16,5 Deze oplossing is niet geheel, maar 16,5 (en dus 16) is een bovengrens voor de optimale doelwaarde.
22 Voeg toe: x 1 = 0, of x 1 = 1: Max Z = 9x 1 + 5x 2 + 6x 3 + 4x 4 z.d.d. 6x 1 + 3x 2 + 5x 3 + 2x 4 10 x 3 + x 4 1 -x 1 + x 3 0 -x 2 + x x 1, x 2, x 3, x 4 1, x 1 = 0 Oplossing: (0, 1, 0, 1) Z = 9 Deze oplossing is geheel. Z = 9 is ondergrens voor optimale doelwaarde. Max Z = 9x 1 + 5x 2 + 6x 3 + 4x 4 z.d.d. 6x 1 + 3x 2 + 5x 3 + 2x 4 10 x 3 + x 4 1 -x 1 + x 3 0 -x 2 + x x 1, x 2, x 3, x 4 1, x 1 = 1 Oplossing: (1, 0,8, 0, 0,8) Z = 16,2 Oplossing is niet geheel. Bovengrens is Z = 16. Deze mogelijkheid moet verder uitgewerkt worden:
23 Kies x 2 = 0 of x 2 = 1: Max Z = 9x 1 + 5x 2 + 6x 3 + 4x 4 z.d.d. 6x 1 + 3x 2 + 5x 3 + 2x 4 10 x 3 + x 4 1 -x 1 + x 3 0 -x 2 + x x 1, x 2, x 3, x 4 1, x 1 = 1, x 2 = 0 Oplossing: (1, 0, 0,8, 0) Z = 13,8 Deze tak levert maximaal Z = 13. Max Z = 9x 1 + 5x 2 + 6x 3 + 4x 4 z.d.d. 6x 1 + 3x 2 + 5x 3 + 2x 4 10 x 3 + x 4 1 -x 1 + x 3 0 -x 2 + x x 1, x 2, x 3, x 4 1, x 1 = 1, x 2 = 1 Oplossing: (1, 1, 0, 0,5) Z = 16 Deze tak verder onderzoeken:
24 Kies x 3 = 0 of x 3 = 1: Max Z = 9x 1 + 5x 2 + 6x 3 + 4x 4 z.d.d. 6x 1 + 3x 2 + 5x 3 + 2x 4 10 x 3 + x 4 1 -x 1 + x 3 0 -x 2 + x x 1, x 2, x 3, x 4 1, x 1 = 1, x 2 = 1, x 3 = 0 Oplossing: (1, 1, 0, 0,5) Z = 16 Max Z = 9x 1 + 5x 2 + 6x 3 + 4x 4 z.d.d. 6x 1 + 3x 2 + 5x 3 + 2x 4 10 x 3 + x 4 1 -x 1 + x 3 0 -x 2 + x x 1, x 2, x 3, x 4 1, x 1 = 1, x 2 = 1, x 3 = 1 Probleem is niet feasible! (zie eerste constraint) Deze tak valt dus af Onderzoek de vorige tak verder:
25 Kies x 4 = 0 of x 4 = 1: Max Z = 9x 1 + 5x 2 + 6x 3 + 4x 4 z.d.d. 6x 1 + 3x 2 + 5x 3 + 2x 4 10 x 3 + x 4 1 -x 1 + x 3 0 -x 2 + x x 1, x 2, x 3, x 4 1, x 1 = 1, x 2 = 1, x 3 = 0, x 4 = 0 Oplossing: (1, 1, 0, 0) Z = 14 Max Z = 9x 1 + 5x 2 + 6x 3 + 4x 4 z.d.d. 6x 1 + 3x 2 + 5x 3 + 2x 4 10 x 3 + x 4 1 -x 1 + x 3 0 -x 2 + x x 1, x 2, x 3, x 4 1, x 1 = 1, x 2 = 1, x 3 = 0, x 4 = 1 Niet feasible! De takken onder (1, 0, *, *) hoeven niet verder onderzocht te worden, want daar is Z 13. Optimale oplossing: (1, 1, 0, 0) Z = 14.
26
27 Branch-and-bound voor MIP Max Z = 4x 1-2x 2 + 7x 3 - x 4 z.d.d. x 1 + 5x 3 10 x 1 + x 2 x 3 1 6x 1-5x 2 0 -x 2 + 2x 3-2x x 1, x 2, x 3, x 4 x 1, x 2, x 3 Z LP-relaxatie: Laat x j Z weg: Max Z = 4x 1-2x 2 + 7x 3 - x 4 z.d.d. x 1 + 5x 3 10 x 1 + x 2 x 3 1 6x 1-5x 2 0 -x 2 + 2x 3-2x x 1, x 2, x 3, x 4 Oplossing: (1,25, 1,5, 1,75, 0) Z = 14,25 Branch in twee gevallen: x 1 1 en x 1 2: Max Z = 4x 1-2x 2 + 7x 3 - x 4 z.d.d. x 1 + 5x 3 10 x 1 + x 2 x 3 1 6x 1-5x 2 0 -x 2 + 2x 3-2x x 1, x 2, x 3, x 4, x 1 1 Oplossing: (1, 1,2, 1,8, 0) Z = 14,2
28 Max Z = 4x 1-2x 2 + 7x 3 - x 4 z.d.d. x 1 + 5x 3 10 x 1 + x 2 x 3 1 6x 1-5x 2 0 -x 2 + 2x 3-2x x 1, x 2, x 3, x 4, x 1 2 Niet feasible! Branch x 2 1, x 2 2: Max Z = 4x 1-2x 2 + 7x 3 - x 4 z.d.d. x 1 + 5x 3 10 x 1 + x 2 x 3 1 6x 1-5x 2 0 -x 2 + 2x 3-2x x 1, x 2, x 3, x 4, x 1 1, x 2 1 Oplossing: (0,8333, 1, 1,8333, 0) Z = 14,1666 Max Z = 4x 1-2x 2 + 7x 3 - x 4 z.d.d. x 1 + 5x 3 10 x 1 + x 2 x 3 1 6x 1-5x 2 0 -x 2 + 2x 3-2x x 1, x 2, x 3, x 4, x 1 1, x 2 2 Oplossing: (0,8333, 2, 1,8333, 0) Z = 12,1666 Branch x 1 = 0 en x 1 = 1:
29 Max Z = 4x 1-2x 2 + 7x 3 - x 4 z.d.d. x 1 + 5x 3 10 x 1 + x 2 x 3 1 6x 1-5x 2 0 -x 2 + 2x 3-2x x 1, x 2, x 3, x 4, x 1 = 0, x 2 1 Oplossing: (0, 0, 2, 0,5) Z = 13,5 (de eerste drie coördinaten zijn geheel, dus dit is een oplossing) Max Z = 4x 1-2x 2 + 7x 3 - x 4 z.d.d. x 1 + 5x 3 10 x 1 + x 2 x 3 1 6x 1-5x 2 0 -x 2 + 2x 3-2x x 1, x 2, x 3, x 4, x 1 = 1, x 2 1 Niet feasible!
30 Roosterprobleem (2.2.4, pag. 100) Een busbedrijf heeft wekelijks de volgende aantallen buschauffeurs nodig: maandag dinsdag woensdag donderdag vrijdag zaterdag Zondag Elke chauffeur werkt 5 dagen achtereen, dan twee dagen niet. Salaris: 100 per werkdag, zaterdag 115, zondag 125. Vind een werkrooster dat de loonkosten minimaliseert. Model: Nummer de dagen (maandag = 1, etc.) x i is het aantal chauffeurs dat op dag i begint. Min 500x x x x x x x 7 z.d.d. x 1 + x 7 + x 6 + x 5 + x 4 25 x 2 + x 1 + x 7 + x 6 + x 5 27 x 3 + x 2 + x 1 + x 7 + x 6 23 x 4 + x 3 + x 2 + x 1 + x 7 21 x 5 + x 4 + x 3 + x 2 + x 1 25 x 6 + x 5 + x 4 + x 3 + x 2 20 x 7 + x 6 + x 5 + x 4 + x 3 15 x j Z. x 1, x 2,, x 7 0 IP optimale oplossing: (10, 7, 0, 4, 4, 5, 2) Z = LP relaxatie: (10,6, 5,6, 0,6, 3,6, 4,6, 5,6, 0,6) Z = LP oplossing naar boven afronden: (11, 6, 1, 4, 5, 6, 1) Z = 17775
31 Truc (Bartholdi, 1980): Los LP relaxatie op: x 1 + x x 7 = 31,2. Rond naar boven en naar beneden op en voeg toe als constraint in LP toe: Met x 1 + x x 7 = 31: Niet feasible Met x 1 + x x 7 = 32: (12, 5, 2, 2, 4, 7, 0) Z = Dit specifieke IP probleem is altijd op te lossen door 3 LP problemen op te lossen. Als het gerelaxeerde probleem geheel antwoord levert ben je klaar. Anders levert één van de andere twee problemen een geheel antwoord (oplossen met simplexmethode)
32 Verbeteren van lineaire constraints voor binaire variabelen: 5x 1 3 x 1 = 0 (x 1 = 1 kan niet) 5x 1 +2x 2 4 x 1 = 0, geen voorwaarde voor x 2 5x 1 x 2 3 x 1 = 0, geen voorwaarde voor x 2 5x 1 + 3x 2 x 3 1 x 1 = 0, (kies x 2 minimaal, x 3 maximaal) dus blijft over: 3x 2 x 3 1 x 2 = 0, geen voorwaarde voor x 3. Totaal: x 1 = x 2 = 0, geen voorwaarde voor x 3. Uit de twee ongelijkheden 8x 1 4x 2 5x 3 + 3x 4 2 3x 2 + 2x 3 4 volgt dat x 1 = 0 (want x 2 en x 3 kunnen niet tegelijk 1 zijn). Het verscherpen van ongelijkheden als preprocessing kan Branch-and-bound helpen, omdat het gerelaxeerde proces betere bovengrenzen geeft en eerder gehele oplossingen.
33 Algoritme voor het verscherpen van binaire constraints: a 1 x 1 + a 2 x a n x n b Algoritme: Bereken S = max(a 1 x 1 + a 2 x a n x n ) = som van de positieve coëfficiënten Zoek a j 0 zodat a j > S b Bereken nieuwe coëfficiënt en rechterlid: Als a j > 0 noem a j = S b b = S - a j Als a j < 0 noem a j = b S Dit algoritme verkleint de coëfficiënten in de ongelijkheid
34 Voorbeeld: 2x 1 + 3x 2 4 S = = 5 Kan a 1? 2 > 1 = 5 4, dus je kunt a 1 aanpassen a 1 > 0 dus a 1 = S b = 5 4 = 1 b = S a 1 = 5 2 = 3 Gevolg: 2x 1 + 3x 2 4 x 1 + 3x 2 3 Nog een keer? S = = 4 Kan a 1? a 1 = 1 = 4 3, dus je kunt a 1 niet aanpassen Kan a 2? 2 > 1 = 4 3, dus je kunt a 2 aanpassen: a 1 > 0 dus a 1 = S b = 4 3 = 1 b = S a 1 = 4 3 = 1 Gevolg: 2x 1 + 3x 2 4 x 1 + 3x 2 3 x 1 + x 2 1
35 Cutting planes: Extra constraint die wel het toegelaten gebied van de LPrelaxatie verkleint, maar niet het toegelaten gebied van het originele BIP. Voorbeeld: 6x 1 + 3x 2 + 5x 3 + 2x 4 10, x j [0,1] Hieruit volgt: x 1 + x 2 + x 4 2. Kun je toevoegen (maar vervangt de originele niet!) Algemener: Neem een -ongelijkheid met positieve coëfficiënten. Zoek N variabelen zodat: Deze N variabelen = 1 en de rest = 0 voldoet niet. Als N-1 van deze = 1 en rest 0 voldoet wel. Neem als cutting plane: som van deze N variabelen N-1 Andere mogelijkheid: x 1 + x 3 1 Het verscherpen en toevoegen van ongelijkheden kan de performance van branch-and-bound drastisch verbeteren (branch-and-cut).
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 informatieJANUARI 2017. Yogacollege Tilburg. Telefoon: 06-33610765. Info@yogacollegetilburg.nl. www.yogacollegetilburg.nl
JANUARI 2017 1 2 3 4 5 6 7 8 1e jaar groep A 9 10 11 12 13 14 15 2e jaar groep A 16 17 18 19 20 21 22 1e jaar groep B 23 24 25 26 27 28 29 Opleiding 2e jaar groep A 30 31 FEBRUARI 2017 1 2 3 4 5 1e jaar
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 informatieCapacitated Facility Location De kracht van de surrogaat-knapzakrelaxatie (The Strength of the Surrogate Knapsack Relaxation)
Technische Universiteit Delft Faculteit Elektrotechniek, Wiskunde en Informatica Delft Institute of Applied Mathematics Capacitated Facility Location De kracht van de surrogaat-knapzakrelaxatie (The Strength
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 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 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 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 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 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 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 informatieBoot - DEM/DT/BE_MFAO-BOO, Financieel Advies en Ondersteuning - DEM/DL/BE_TS-MFAO, Fiscaal - DEM/DT/BE_MFAO-FIS, Gespreksvaardigheden Gr.1...
- DEM/DT/BE_MFAO-BOO, Financieel Advies en Ondersteuning - DEM/DL/BE_TS-MFAO, - DEM/DT/BE_MFAO-FIS,... Week 6 (4 feb 2013-10 feb 2013) maandag (04/02) dinsdag (05/02) woensdag (06/02) donderdag (07/02)
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 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 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 informatieTentamen Inleiding Kansrekening 9 juni 2016, 10:00 13:00 Docent: Prof. dr. F. den Hollander
Tentamen Inleiding Kansrekening 9 juni 6, : 3: Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebruik van boek en aantekeningen niet toegestaan. Er zijn 8 vragen, elk met onderdelen. Elk onderdeel
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 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 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 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 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 informatieUitwerkingen bij 1_1 Lineaire vergelijkingen
Uitwerkingen bij 1_1 Lineaire vergelijkingen!! "#$ #!%!& " %'!& " #!' " # ( # )' * # ' #*" # + '!#*" ' ' + + ' '!, %' &% &%& % -&. = / +. = / + * 0 #!*" 0 $! 1 = ' + 1 = - 0 " "!$ *# 2 1 = # '2 = ' + 2
Nadere informatieDonderdag 28-jan 6:30 8:27 11:54 12:54 15:34 17:23 19:20
Januari 2016 Vrijdag 1-jan 6:44 8:50 11:41 12:44 14:55 16:41 18:45 Zaterdag 2-jan 6:44 8:50 11:41 12:45 14:56 16:42 18:46 Zondag 3-jan 6:44 8:50 11:42 12:45 14:57 16:43 18:47 Maandag 4-jan 6:44 8:49 11:42
Nadere informatieVOORBEELD UURROOSTERS
VOORBEELD UURROOSTERS VOOR HET INVULLEN VAN BIJLAGE III 1. SEIZOENARBEIDERS Gelet op het feit dat er in de regeling seizoensarbeid gewerkt wordt met dagcontracten worden de tussen de werkgever en werknemer
Nadere informatieSpoorwegdienstregelingontwikkeling
Centrum voor Wiskunde en Informatica Spoorwegdienstregelingontwikkeling A. Schrijver A. Steenbeek 1993 Inhoud 1. Inleiding 1 2. Het model 3 3. De methode 6 4. Het testen van de constraints 10 5. Minimalisering
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 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 informatieHints en uitwerkingen huiswerk 2013 Analyse 1 H18
Hints en uitwerkingen huiswerk 2013 Analyse 1 H18 Rocco van Vreumingen 29 augustus 2014 1 Inhoudsopgave 1 Hints 1 3 2 Hints 2 4 3 Hints 3 5 4 Hints 4 5 5 Hints 5 6 6 Hints 6 6 7 Hints 7 6 8 Antwoorden
Nadere informatieUurroosters administratie
Uurroosters administratie Voltijdse arbeid: 38:00 Deeltijdse arbeid aan 50%: 19:00 1 maandag 7:45 9:00 9:00 12:00 12:00 14:00 2 maandag 12:00 14:00 14:00 dinsdag 12:00 14:00 14:00 woensdag 12:00 14:00
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 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 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 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 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 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 informatieSlimhuishouden.nl. sslaap kamer. slaap kamer bad kamer trappen overloop. slaap kamer. slaap kamer. hal. zolder. woon kamer buiten boel.
nov 2016 45 maandag 7 dinsdag 8 woensdag 9 donderdag 10 vrijdag 11 zaterdag 12 Aankomst Sint zondag 13 s nov 2016 46 maandag 14 dinsdag 15 woensdag 16 donderdag 17 vrijdag 18 zaterdag 19 zondag 20 s nov
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 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 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 informatieTrainingsschema Alpe d HuZes 4 x per week
Week 1 75 2 Interval 75 min. D1 met 6 x 3 min. D2, P 3 min. 60 3 Tempoduur 60 min. D1-D2 training met 20 min. D2 75 4 Duurtraining 75 min. 270 Week 2 75 2 Interval 75 min. D1 met 5 x 4 min. D2, P 2 min.
Nadere informatieDe Branch-and-Bound methode
De Branch-and-Bound methode Een eigenschap van het ILP probleem is dat er meestal maar een eindig aantal mogelijke oplossingen toegelaten zijn, of op zijn slechtst zijn de oplossingen aftelbaar (eventueel
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 informatieOptimalisering en Complexiteit, College 14. Geheeltallige LPs en Planning bij Grolsch. Han Hoogeveen, Utrecht University
Optimalisering en Complexiteit, College 14 Geheeltallige LPs en Planning bij Grolsch Han Hoogeveen, Utrecht University Branch-and-bound voor algemene ILPs (1) Neem even aan dat je een minimaliseringsprobleem
Nadere informatieExamenvragen Hogere Wiskunde I
1 Examenvragen Hogere Wiskunde I Vraag 1. Zij a R willekeurig. Gegeven is dat voor alle r, s Q geldt dat a r+s = a r a s. Bewijs dat voor alle x, y R geldt dat a x+y = a x a y. Vraag 2. Gegeven 2 functies
Nadere informatieENKELE VOORBEELDEN UIT TE WERKEN MET ICT
Differentiaalvergelijkingen kunnen we ook oplossen met behulp van ICT. In dit geval zijn de oplossingen uitgewerkt met behulp van Derive. dy De differentiaalvergelijking = ky, met k een reëel getal Voorbeeld
Nadere informatieSOLVING SET PARTITIONING PROBLEMS USING LAGRANGIAN RELAXATION
SOLVING SET PARTITIONING PROBLEMS USING LAGRANGIAN RELAXATION Proefschrift ter verkrijging van de graad van doctor aan de Universiteit van Tilburg, op gezag van de rector magnificus, prof. dr. F.A. van
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 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 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 informatieHerexamen Discrete Wiskunde deel I donderdag 6 juli, 2017
Herexamen Discrete Wiskunde 2016-2017 deel I 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 informatieVERANDERING OK-PLANNING LEIDT TOT MINDER BEDDEN
VERANDERING OK-PLANNING LEIDT TOT MINDER BEDDEN Dr. ir. Theresia van Essen # Het begint met een idee SITUATIE HAGAZIEKENHUIS Aantal benodigde bedden verminderen: Minder opnames Verkorting ligduur Hogere
Nadere informatiePersoneelsplanning en Kolomgeneratie
Personeelsplanning en Kolomgeneratie BWI Werkstuk Annemieke van Dongen Vrije Universiteit Amsterdam Faculteit der Exacte Wetenschappen De Boelelaan 1081a 1081 HV Amsterdam Amsterdam, 1 december 2005 Begeleider:
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 informatieV.4 Eigenschappen van continue functies
V.4 Eigenschappen van continue functies We bestuderen een paar belangrijke stellingen over continue functies. Maxima en minima De stelling over continue functies die we in deze paragraaf bewijzen zegt
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 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 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 informatiea. Wanneer kan men in plaats van de Pearson correlatie coefficient beter de Spearman rangcorrelatie coefficient berekenen?
Opdracht 15a ------------ Spearman rangcorrelatie coefficient (non-parametrische tegenhanger van de Pearson correlatie coefficient) Wilcoxon symmetrie-toets (non-parametrische tegenhanger van de t-procedure
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 informatieWiskunde in de Radiotherapie. Sebastiaan Breedveld
Wiskunde in de Radiotherapie Sebastiaan Breedveld Overzicht achtergrondinformatie bestralingsprobleem wiskundige formulatie resultaat problemen: positie onzekerheden hoeken Achtergrond studie Technische
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 informatieOpgaven bij Numerieke Wiskunde I
Opgaven bij Numerieke Wiskunde I 7 november 8 1. (a) Gegeven verschillende interpolatiepunten x, x 1, x [a, b], en getallen y, y 1, y, z 1, toon aan dat er hooguit 1 polynoom p P 3 is met p(x i ) = y i,
Nadere informatieVorig college. IN2505-II Berekenbaarheidstheorie College 4. Opsommers versus herkenners (Th. 3.21) Opsommers
Vorig college College 4 Algoritmiekgroep Faculteit EWI TU Delft Vervolg NDTM s Vergelijking rekenkracht TM s en NDTM s Voorbeelden NDTM s 20 april 2009 1 2 Opsommers Opsommers versus herkenners (Th. 3.21)
Nadere informatieVoer de gegevens in in een tabel. Definieer de drie kolommen van de tabel en kies als kolomnamen groep, vooraf en achteraf.
Opdracht 10a ------------ t-procedures voor gekoppelde paren t-procedures voor twee onafhankelijke steekproeven samengestelde t-procedures voor twee onafhankelijke steekproeven Twee groepen van 10 leraren
Nadere informatieHierbij is het steekproefgemiddelde x_gemiddeld= en de steekproefstandaardafwijking
Opdracht 9a ----------- t-procedures voor een enkelvoudige steekproef Voor de meting van de leesvaardigheid van kinderen wordt als toets de Degree of Reading Power (DRP) gebruikt. In een onderzoek onder
Nadere informatie