Tentamen TMA946/MAN280 tillämpad optimeringslära
|
|
- Ingrid Åström
- för 7 år sedan
- Visningar:
Transkript
1 Tentamen TMA946/MAN80 tillämpad optimeringslära Uppgift: min z 3x 1 + x Då x 1 + x 6 x 1 + x x 1, x 0 Skriv på standardform m.h.aṡlackvariabler min z 3x 1 + x Då x 1 + x s 1 6 x 1 x + s x 1, x, s, s 0 Vi ser ingen uppenbar bas skapa FAS I problem min w a Då x 1 + x s 1 + a 6 x 1 x + s Välj a, s som bas B Titta på reducerad kostnad: c T N C T BB 1 N välj x 1 som inkommande. Vi gör min-ratio test för att hitta utgående Y B 1 A ink 1 b B 1 b
2 argmin Utgående i, Y i > 0 Ny bas blir a, x 1 1 B B 1 c T B N b Y i bas variabel utgår B 1 b Hitta reducerad kostnad CN T CT B B 1 N icke basvar 1, d.v.s. x blir inkommande. Gör min ratio. utgående Y B 1 Aink argmin i, Y i > 0 Ny bas blir x, x 1. bi Y i basvar 1 utgår. c T N Vi har ej länge någon artificiell variabel i basen Fas I är klar. Starta fas II. Vi har bas x 1, x 1 B B B 1 b c T B 3 1c T N 0 0N 1 1 Hitta reducerad kostnad. c c T N ct B ct B B 1 N /3 1/3 4/3 1/3 icke basvar s är inkommen. 1 1 Vi gör min ratio test. Y B 1 Aink argmin bi Utgående i, y i > 0 y i basvar 1 är utgående. Ny bas x, s /3 /3 3 1
3 Hitta reducerad kostnad: B B c c T N CT B B 1 N i vi har en optimal bas, x 1, s 6 6 med värden B 1 b Vi har x 1 0, x 6, s 1 0, s 8. Kolla! x 1 + x 6 6 OK x 1 + x 6 OK 1 c T N 3 0cT B N 1 Z 3x 1 + x 6 1b För att avgöra för vilka c mängden påverkar bildar vi problemet. min z x 1 + x Då x 1 + x 6 x 1 + x x 1, x 0 Antag att det optimala värdet på detta problem är z. Då påverkas mängden för c > z. a) Ett exakt straff för g i (x) 0 är min{0, g i (x)}. En straffunktionsmetod baserad på denna är följande: 0. Välj µ 0 0. Sätt t Lös min x n f(x) µ t min{0, g i (x)} x t.. Sätt µ t+1 > µ t (så att lim t µ t + ), t : t + 1, gå till 1. b) Låt x : {x R n a T i x b i, i 1,..., m}. Frank-Wolfe algoritmens iteration är följande: 0. Välj x 0 X. Sätt t Lös min y X f(x t ) T y y t.. Om f(x t ) T (b t x t ) 0 Stopp! x t är en KKT-punkt. 3. Lös min l 0,1 f(x t + l(y t t t )) l t. 3
4 4. Sätt x t+1 x t + l t (y t x t ), t : t + 1, gå till 1. För att en iteration skall kunna genomföras krävs att stegen 1 och 3 (de två optimeringsproblemen) är genomförbara. Steg 1 är genomförbart om LP-problemet har en lösning, d.v.s. om f(x t ) T y är nedåt begränsad på X. Steg är genomförbart om f har ett minimum på linjesegmentet x t, y t. För detta räcker det med att f är kontinuerligt differentiarbar eftersom den då är kontinuerlig och x t, y t är en kompakt mängd (Weierstrass). For steg 1 fordras i allmänhet att x är begränsad. c) Eftersom f bara är differentierbar en gång har vi inte tillgång till rena Newtonmetoder. Problemet är konvext och inte särdeles stort (n 500 är att betrakta som ganska litet för ett konvext obegräansat problem). Om f(x) är någorlunda lätt att beräkna rekommenderas Qvari-Neewton/konjugerade gradientmetoder. (se kurslitteraturen för beskrivningar.) 3 a) Modell: Variabler: x ij andel av rxxxx j:s efterfrågan som tillgodoses av central i i, j. { 1, om central i byggs, i. y i 0, annars. Ny konstant: a ij Minimera Då 10 i jci b i { 1 om dij D 0 annars i, j (uppnåelighetsmatris) 30 j1 10 x i j a ij y i, i 1,..., 10; j 1,..., 30 e j x ij k i y i, i 1,..., 10 k ij 1, j 1,..., 30 (tillgång) (efterfrågan) x ij 0, i 1,..., 10, j 1,..., 30 y i {0, 1}, i 1,..., 10. (uppnåelighet) b) tillägg: x ij {0, 1}, i 1,..., 10; j 1,..., a) x är ett lokalt minimum f(x ) f(x), x B(x ), där B(x ) {x R n x x ɛ} för ett tillräckligt litet ɛ > 0. x är ett lokalt minimum f(x ) 0 n. 4
5 b) x är ett lokalt minimum f(x ) f(x), x B(x )ns. x är ett lokalt minimum λ 0 m så att f(x ) A T λ. λ T (Ax b) 0 Ax b. 5 a) Sätt φ(x) log( g i )(x)), β(x, µ) f(x) + µφ(x). Låt µ 1, µ e,... vara en positiv och monotont avtagande följd om tal med gränsvärde 0. Sekvensen x 1, x,..., ges av x k arg min x nβ(x, µ k ). b) (Iterationsindex k struket här.) Från optimalitetsvillkoret x β(x, µ) o n fås att f(x) µ g i (x) g i(x) 0 n. Eftersom g i (x) > 0, i. kan vi skriva detta som: (λ i µ/g i (x), i 1,..., m) f(x) λ i g i (x) o n, λ i g i (x) µ, i 1,..., m g i (x) 0, i 1,..., m. Skillnaden mellan detta och KKT för problemet (1)-() är att högerledet 0 i komplementariteten ersatts av µ > 0. Multiplikator estimat: λ i µ/g i (x), i 1,..., m.. c) Låt I(x ) {i g i (x ) 0}. x är reguljär betyder att g i (x ), i I(x ) är linjärt oberoende. Pga att f och g i är kontinuerligt differentierbara så följer att {x k } x { f(x k )} f(x ); { g i (x k )} g i (x ), i. Multiplikator estimatet ger att för i / I(x ) : {λ ik } {µ k /g i (x k )} 0/g i (x ) 0. För i I(x ), notera att systemet f(x ) i I(x ) λ i g i (x ) 0 n har en unik lösning λ i, i I(x ), vilken måste vara gränsvärdet för {λ ik }, i I(x ). Ty antag att {λ ik }, i (x ), konvergerar mot λ, där λ i λ i för 5
6 något i I(x ). Då följer att 0 f(x k ) λ ik g i (x k ) i/ j(x ) f(x ) 0 i I(x ) i j(x ) λ i λ i g i(x ). i I(x ) λ i g i (x ) λ i g i(x k ) i j(x ) i I(x ) λ i λ i g i (x ) λ ik λ i g i(x m ) Denna summa är 0 endast om λ i λ i i I(x ), ty g i (x ) är linjärt oberoende. Alltså är {λ k } konvergent, och vi kan sammanfatta läget så här: eftersom g i (x k ) > 0 för alla i och k kommer g i (x ) 0 att gälla. Dessutom för (x, λ ) gäller att f(x ) λ i g i (x ) 0 n λ i g i (x ) 0, i 1,..., m λ i 0, i 1,..., m I limes fås vektorer (x, λ ) som tillsammans uppfyller KKT-villkoren för ursprungs problemet! 6 a) KKT: L(x, λ, µ) 1 xt Qx q T x + λ T (Ax b) µ T x ger Qx + λ T λ Iµ q λ, µ 0 (dual till.) λ T (Ax b) 0 µ T x 0 (kompl.) Ax b (primal till.) x 0 KKT beskrives mängden av globalt optimala lösningar om Q är positivt semidefinit. b) Inför en slackvariabel i Ax b. Då fås ur KKT: Qx + A T λ I n q Ax + Is b samt x, A, µ, s 0 { λ T s 0 µ T x 0 6
7 x Vi indentifierar v s q b. µ ; w λ Q 0 ; T A I A T I ; U 0 0 ; p Fas-1-metodP: Inför artificiella variabler z 1 R n och z i R m och betrakta problemet (multipliera först rader så att q, b 0!) minimera då n zj 1 + j1 z i Qx + A T λ I m u + z 1 q Ax + Is + z b, λ, m, s, z 1, z 0 λ T s 0, µ T x 0 Enda skillnaden mot ett Fas-1-problem i LP är kraven att λ T s 0 och µ T x 0. Det betyder i själva verket att λ i s i 0 i och µ j x j 0 j. Att säkerställa att detta är uppfyllt är inte svårt: vi inför ett tillägg till inkommande kriteriet: Om λ i (s i ) redan finns i basen, får inte s i (λ i ) vara inkommande, såvida det inte inträffar att s i (λ i ) blir den utgående variabeln. Motsvarande för paret (µ j, x j ). 7 a) f(x) x x + 1x 1x 4x 1 0x f(x) (6x 1 + 1x 4; 6x + 1x 1 0) T 1x1 1 x1 1 f(x) 1 1 1x 1 x x1 1 x1 λ 1 Egenvärden hos : det x 1 x λ Egenvärden: λ 1 (x 1 + x )/ + ( 1x 1 1x ) + 1 λ (x 1 + x )/ ( 1 x 1 1 x λ 1 λ 1! ) + 1 λ 0 om och endast om x 1, x 0 och x 1 x 1. f är konvex då x 1, x 0, x 1 x 1 λ 1 0 om och endast om x 1, x 0 och x 1 x 1. f är konkav då x 1, x 0, x 1 x 1 f är följaktligen varken konvex eller konkav då x 1 x < 1. b) x (1, 1) T. Newtons metod utnyttjar sökriktningen p från f( x)p 1 1 f( x). I x (1, 1) T är f( x) ( 6, ); f( x). Det 1 1 7
8 existerar inte något p som uppfyller f( x)p f( x)! Modifiering à lá Levenberg-Marquardt: addera en lämpligt skalad enhetsmatris till f( x). Lös t.ex. f( x) + σip f( x) för σ p Vi använder Armijos steglägdsregel: p (0.3, 0.08) f( x + lp) f( x) + αl f( x) T p, α (0, 1). Med α 0.1 och l 1 som startsteglägd fås: f( x) T p 1.74 < 0 f( x) 8; x + lp (1.3, 0.9); f( x + lp) 9.35 f( x) + αl f( x) T p , d.v.s. steglägd 1 accepteras av Armijos steglägdsregel. Nästa iterationspunkt är x (1.3, 0.9). 8
Lösningsförslag till tentamen i SF1861 Optimeringslära för T. Onsdag 25 augusti 2010 kl
Lösningsförslag till tentamen i SF86 Optimeringslära för T. Onsdag 25 augusti 2 kl. 4. 9. Examinator: Per Enqvist, tel. 79 62 98. (a) Vi har ett nätverksflödesproblem med 5 noder. Låt x = (x 2, x 3, x
Läs merLösningsförslag till tentamen i SF1861 Optimeringslära för T. Torsdag 28 maj 2010 kl
Lösningsförslag till tentamen i SF86 Optimeringslära för T. Torsdag 28 maj 2 kl. 4. 9. Examinator: Per Enqvist, tel. 79 62 98. (a) Inför variablerna x = (x sr, x sm, x sp, x sa, x sd, x gr, x gm, x gp,
Läs merLösningar till 5B1762 Optimeringslära för T, 24/5-07
Lösningar till 5B76 Optimeringslära för T, 4/5-7 Uppgift (a) Först använder vi Gauss Jordans metod på den givna matrisen A = Addition av gånger första raden till andra raden ger till resultat matrisen
Läs merOlinjär optimering med bivillkor: KKT min f (x) då g i (x) 0 för alla i
Olinjär optimering med bivillkor min då f (x) g i (x) 0 för alla i Specialfall: Konvext problem. Linjära bivillkor: Ax b. Linjära likhetsbivillkor: Ax = b. Inga bivillkor: Hanterat tidigare. Metodprinciper:
Läs merLösningar till SF1852 Optimeringslära för E, 16/1 08
Lösningar till SF8 Optimeringslära för E, 6/ 8 Uppgift (a) Problemet är ett transportproblem, ett specialfall av minkostnadsflödesproblem Nätverket består av 7 st noder A,B,C,P,Q,R,S, alternativt kallade,,,7,
Läs merLösningar till SF1861/SF1851 Optimeringslära, 24/5 2013
Lösningar till SF86/SF85 Optimeringslära, 4/5 03 Uppgift (a) Inför de 3 variablerna x ij = kvantitet (i sorten ton) som fabrik nr i åläggs att tillverka av produkt nr j, samt t = tiden (i sorten timmar)
Läs merLösningar till tentan i SF1861 Optimeringslära, 1 juni 2017
Lösningar till tentan i SF86 Optimeringslära, juni 7 Lösningarna är på svenska, utom lösningen av (a som är på engelska (a The considered network is illustrated in FIGURE below, where the supply at the
Läs merLösningar till SF1861 Optimeringslära, 28 maj 2012
Lösningar till SF86 Optimeringslära, 28 maj 202 Uppgift.(a) Då det primala problemet P är så är det motsvarande duala problemet D minimera 3x + x 2 då 3x + 2x 2 6 x + 2x 2 4 x j 0, j =, 2. maximera 6 +
Läs merOptimalitetsvillkor. Optimum? Matematisk notation. Optimum? Definition. Definition
Optimum? När man har formulerat sin optimeringsmodell vill man lösa den Dvs finna en optimal lösning, x, till modellen Nästan alltid: Sökmetoder: Stå i en punkt, gå till en annan (bättre Upprepa, tills
Läs mer1 Ickelinjär optimering under bivillkor
Krister Svanberg, maj 2012 1 Ickelinjär optimering under bivillkor Hittills har vi behandlat optimeringsproblem där alla variabler x j kunnat röra sig fritt, oberoende av varann, och anta hur stora eller
Läs merExtrempunkt. Polyeder
Optimum? När man har formulerat sin optimeringsmodell vill man lösa den. Dvs. finna en optimal lösning, x, till modellen. Nästan alltid: Sökmetoder: Stå i en punkt, gå till en annan bättre. Upprepa, tills
Läs merOptimeringslära Kaj Holmberg
Tekniska Högskolan i Linköping TAOP88 Matematiska Institutionen Lösning till tentamen Optimeringslära 9--7 Kaj Holmberg Lösningar Uppgift a: Inför slackvariabler x 5, x 6 och x 7 Starta med slackvariablerna
Läs mer1 LP-problem på standardform och Simplexmetoden
Krister Svanberg, mars 202 LP-problem på standardform och Simplexmetoden I detta avsnitt utgår vi från LP-formuleringen (2.2) från föreläsning. Denna form är den bäst lämpade för en strömlinjeformad implementering
Läs merLösningar till tentan i SF1861/51 Optimeringslära, 3 juni, 2015
Lösningar till tentan i SF86/5 Optimeringslära, 3 juni, 25 Uppgift.(a) Första delen: The network is illustrated in the following figure, where all the links are directed from left to right. 3 5 O------O
Läs merLP-problem. Vårt första exempel. Baslösningar representerar extrempunkter. Baslösningar representerar extrempunkter
LP-problem Vårt första exempel Ett LP-problem: max z = c T x då Ax b, x 0. Den tillåtna mängden är en polyeder och konvex. Målfunktionen är linjär och konvex. Så problemet är konvext. Var ligger optimum?
Läs merOptimeringslära Kaj Holmberg
Tekniska Högskolan i Linköping Optimering för ingenjörer Matematiska Institutionen Lösning till tentamen Optimeringslära 2018-01-02 Kaj Holmberg Lösningar Uppgift 1 1a: Den givna startlösningen är tillåten
Läs merLösningar till tentan i SF1861 Optimeringslära, 3 Juni, 2016
Lösningar till tentan i SF86 Optimeringslära, 3 Juni, 6 Uppgift (a) We note that each column in the matrix A contains one + and one, while all the other elements in the column are zeros We also note that
Läs merOptimeringslära Kaj Holmberg
Tekniska Högskolan i Linköping Optimering för ingenjörer Matematiska Institutionen Lösning till tentamen Optimeringslära 26-6- Kaj Holmberg Lösningar Uppgift Hinkpackning (hink = tur med cykeln. Jag använder
Läs merOptimeringslära Kaj Holmberg
Tekniska Högskolan i Linköping TAOP88 Matematiska Institutionen Lösning till tentamen Optimeringslära 28--24 Kaj Holmberg Uppgift Lösningar a: Målfunktionen är summan av konvexa funktioner (kvadrater och
Läs merOptimeringslära Kaj Holmberg
Tekniska Högskolan i Linköping Optimering för ingenjörer Matematiska Institutionen Lösning till tentamen Optimeringslära 2018-08-31 Kaj Holmberg Lösningar Uppgift 1 1a: Inför slackvariabler x 5, x 6 och
Läs merOptimeringslära Kaj Holmberg
Tekniska Högskolan i Linköping Optimering för ingenjörer Matematiska Institutionen Lösning till tentamen Optimeringslära 28-5-3 Kaj Holmberg Lösningar Uppgift a: P: Grafisk lösning ger x = 2/7 = 2 6/7,
Läs merSerier. egentligen är ett gränsvärde, inte en summa: s n, där s n =
Serier Serier eller oändliga summor har flyktigt behandlats redan i tidigare kurser. Vi ska nu gå igenom teorin på ett lite mer systematiskt sätt. I många fall spelar det ingen roll om termerna a k är
Läs merTNK049 Optimeringslära
TNK049 Optimeringslära Clas Rydergren, ITN Föreläsning 9 Icke-linjär optimering Konveitet Metoder ör problem utan bivillkor Optimalitetsvillkor ör icke-linjära problem Icke-linjär programmering Non-linear
Läs mer1 Duala problem vid linjär optimering
Krister Svanberg, april 2012 1 Duala problem vid linjär optimering Detta kapitel handlar om två centrala teoretiska resultat för LP, nämligen dualitetssatsen och komplementaritetssatsen. Först måste vi
Läs merTentamensinstruktioner. Vid skrivningens slut
Matematiska institutionen Optimeringslära TENTAMEN TAOP14/TEN1 OPTIMERINGSLÄRA GRUNDKURS för I och Ii Datum: 13:e januari 2011 Tid: 8.00 13.00 Hjälpmedel: Kurslitteratur av Lundgren m fl: Optimeringslära
Läs merTentamensinstruktioner
Linköpings Tekniska Högskola Institutionen för Teknik och Naturvetenskap/ITN TENTAMEN TNE 05 OPTIMERINGSLÄRA Datum: 008-05-7 Tid: 4.00-8.00 Hjälpmedel: Boken Optimeringslära av Lundgren et al. och Föreläsningsanteckningar
Läs merLinjärprogramming. EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin
Linjärprogramming EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin 1 Kursmål Formulera korttidsplaneringsproblem för vatten- och värmekraftsystem. 2 Tillämpad matematisk programming Korttidsplanering
Läs merVårt första exempel. LP-dualitet: Exempel. LP-dualitet: Generellt. LP-dualitet: Relationer
Vårt första exempel Variabeldefinition: x 1 = antal enheter Optimus som görs varje timme. x 2 = antal enheter Rullmus som görs varje timme. Matematisk modell: max z = 4x 1 + 3x 2 då 2x 1 + 3x 2 30 (1)
Läs merOptimeringslära Kaj Holmberg. Lösningar/svar. Iteration 2: x 2 s
Tekniska Högskolan i Linköping Optimering av realistiska sammansatta s Matematiska Institutionen Lösning till tentamen Optimeringslära 2014-01-15 Kaj Holmberg Lösningar/svar Uppgift 1 1a: (Detta problem
Läs merSpeciell användning av heltalsvariabler. Heltalsprogrammering. Antingen-eller-villkor: Exempel. Speciell användning av heltalsvariabler
Heltalsprogrammering Speciell användning av heltalsvariabler max z = då c j x j j= a ij x j b i j= x j 0 x j heltal i =,..., m j =,..., n j =,..., n ofta x j u j j =,..., n Oftast c, A, b heltal. Ibland
Läs merTAOP14: Optimeringslära SAMMANFATTNING OSKAR QVIST:
2015 TAOP14: Optimeringslära SAMMANFATTNING OSKAR QVIST: OSKQV953@STUDENT.LIU.SE Innehållsförteckning Allmänt... 2 Om optimering... 3 Matematiska formuleringar av optimeringsproblem... 3 Linjärprogrammering
Läs mer1 Konvexa optimeringsproblem grundläggande egenskaper
Krister Svanberg, april 2012 1 Konvexa optimeringsproblem grundläggande egenskaper Ett optimeringsproblem är i viss mening godartat om det tillåtna området är en konvex mängd och den målfunktion som ska
Läs mer5B1817 Tillämpad ickelinjär optimering. Metoder för problem utan bivillkor, forts.
5B1817 Tillämpad ickelinjär optimering Föreläsning 5 Metoder för problem utan bivillkor, forts. A. Forsgren, KTH 1 Föreläsning 5 5B1817 2006/2007 Lösningar För en given metod blir en lösning den bästa
Läs merLP-dualitet: Exempel. Vårt första exempel. LP-dualitet: Relationer. LP-dualitet: Generellt
Vårt första exempel Variabeldefinition: x 1 = antal enheter Optimus som görs varje timme. x 2 = antal enheter Rullmus som görs varje timme. Matematisk modell: max z = 4x 1 + 3x 2 då 2x 1 + 3x 2 30 (1)
Läs merLösningsförslag Tentamen i Optimering och Simulering MIO /5 2006
Lösningsförslag Tentamen i Optimering och Simulering MIO /5 Uppgift a) svar: 9 8 b) Svar: Δ b < c) Svar : 5 Δ c < d) Svar: ma st 8 8 Uppgift a) Dualen (D) till det primala problemet (P) är: Ma y 5y y y
Läs mer1 Positivt definita och positivt semidefinita matriser
Krister Svanberg, april 1 1 Positivt definita och positivt semidefinita matriser Inom ickelinjär optimering, speciellt kvadratisk optimering, är det viktigt att på ett effektivt sätt kunna avgöra huruvida
Läs mer2.5 Partiella derivator av högre ordning.
2.3 Kedjeregeln Pass 4 Antag att: 1. funktionen f( x) = (f 1 (x 1, x 2,..., x n ),..., f m (x 1, x 2,..., x n )) är dierentierbar i N R n ; 2. funktionen g( t) = (g 1 (t 1, t 2,..., t p ),..., g n (t 1,
Läs merInstitutionen för Matematiska Vetenskaper TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1, TMA
Institutionen för Matematiska Vetenskaper Göteborg TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F, TMA67-8-5 DAG: Onsdag 5 augusti TID: 8.3 -.3 SAL: V Ansvarig: Ivar Gustafsson, tel: 75-33545 Förfrågningar:
Läs merTMA 671 Linjär Algebra och Numerisk Analys. x x2 2 1.
MATEMATISKA VETENSKAPER TMA67 8 Chalmers tekniska högskola Datum: 8--8 kl - 8 Examinator: Håkon Hoel Tel: ankn 38 Hjälpmedel: inga TMA 67 Linjär Algebra Numerisk Analys Tentan består av 8 uppgifter, med
Läs merFöreläsning 2: Simplexmetoden. 1. Repetition av geometriska simplexmetoden. 2. Linjärprogrammeringsproblem på standardform.
Föreläsning 2: Simplexmetoden. Repetition av geometriska simplexmetoden. 2. Linjärprogrammeringsproblem på standardform. 3. Simplexalgoritmen. 4. Hur bestämmer man tillåtna startbaslösningar? Föreläsning
Läs merInstitutionen för Matematik TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1, TMA671 2009-01-16. DAG: Fredag 16 januari 2009 TID: 14.00-18.
Institutionen för Matematik Göteborg TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F, TMA67 9--6 DAG: Fredag 6 januari 9 TID: 4. - 8. SAL: V Ansvarig: Ivar Gustafsson, tel: 77 94 Förfrågningar: Ivar Gustafsson
Läs merTNK049 Optimeringslära
TNK049 Optimeringslära Clas Rydergren, ITN Föreläsning 3 Problemklassificering Global/lokal optimalitet Konvexitet Generella sökmetoder Agenda Problemklassificering (kap 1.4, 2.1 2.3) Lokalt/globalt optimum
Läs merFlöde i nätverk. Flöde i nätverk. Specialfall av minkostnadsflödesproblemet
Flöde i nätverk Graf: G = (N, B) Variabeldefinition: x ij = flöde i båge (i, j). Bågdata för båge (i, j): c ij : flödeskostnad per enhet. u ij : övre gräns för flödet. l ij : undre gräns för flödet. Bivillkor:
Läs merSF1625 Envariabelanalys Lösningsförslag till tentamen DEL A. e x2 /4 2) = 2) =
SF625 Envariabelanalys Lösningsförslag till tentamen 22-2- DEL A. Bestäm värdemängden till funktionen f(x) = xe x2 /4. Lösningsförslag. Standardgränsvärdet xe x, då x ger att lim f(x) = lim x x ± x ± e
Läs mermin c 1 x 1 + c 2 x 2 då x 1 + x 2 = 1, x 1 {0, 1}, x 2 {0, 1} plus andra bivillkor. Vi måste göra k st av n alternativ:
Heltalsprogrammering Speciell användning av heltalsvariabler max z = då n c j x j j= n a ij x j b i j= x j 0 x j heltal i =,..., m j =,..., n j =,..., n ofta x j u j j =,..., n Oftast c, A, b heltal. Ibland
Läs mer5B1817 Tillämpad ickelinjär optimering. Optimalitetsvillkor för problem med linjära bivillkor.
5B1817 Tillämpad ickelinjär optimering Föreläsning 2 Optimalitetsvillkor för problem med linjära bivillkor. A. Forsgren, KTH 1 Föreläsning 2 5B1817 2006/2007 Optimalitetsvillkor för ickelinjära programmeringsproblem
Läs merExaminator: Torbjörn Larsson Jourhavande lärare: Torbjörn Larsson, tel Tentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP07/TEN1 OPTIMERINGSLÄRA GRUNDKURS för Y Datum: 21 augusti 2012 Tid: 14-19 Hjälpmedel: Inga Antal uppgifter: 7 Uppgifterna är inte ordnade efter svårighetsgrad.
Läs merInstitutionen för Matematiska Vetenskaper TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1, TMA
Institutionen för Matematiska Vetenskaper Göteborg TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F, TMA67 009-08-7 DAG: Torsdag 7 augusti 009 TID: 8.30 -.30 SAL: V Ansvarig: Ivar Gustafsson, tel: 77 0
Läs merTeknisk Beräkningsvetenskap I Tema 3: Styvhetsmodellering av mjuk mark med icke-linjära ekvationer
Teknisk Beräkningsvetenskap I Tema 3: Styvhetsmodellering av mjuk mark med icke-linjära ekvationer Eddie Wadbro 18 november, 2015 Eddie Wadbro, Tema 3: Icke-linjära ekvationer, 18 november, 2015 (1 : 37)
Läs merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER Datum: 28 maj 2014 Tid: 14.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merTMV036/MVE350 Analys och Linjär Algebra K Kf Bt KI, del C
MATEMATIK Hjälpmedel: Inga Chalmers tekniska högskola atum: 23-3-5 kl. 8.3 2.3 Tentamen Telefonvakt: Elin Solberg tel. 73-8834 TMV36/MVE35 Analys och Linjär Algebra K Kf Bt KI, del C Tentan rättas och
Läs merLaboration 1 i SF1544: Öva på Matlab och konstruera en optimal balk Avsikten med denna laboration är att:
Laboration 1 i SF1544: Öva på Matlab och konstruera en optimal balk Avsikten med denna laboration är att: - snabbt komma igång med träning på matlabprogrammering (uttnyttja gärna alla schemalagda laborationstillfällen,
Läs merLaboration 1: Optimalt sparande
Avsikten med denna laboration är att: Laboration 1: Optimalt sparande - snabbt komma igång med träning på matlabprogrammering (uttnyttja gärna alla schemalagda laborationstillfällen, - lösa ett optimeringsproblem
Läs merDe optimeringsproblem som kommer att behandlas i denna kurs kan alla (i princip) skrivas. 1 2 xt Hx + c T x. minimera
Krister Svanberg, mars 2012 1 Introduktion De optimeringsproblem som kommer att behandlas i denna kurs kan alla (i princip) skrivas på följande allmänna form: f(x) (1.1) x F, där x = (x 1,..., x n ) T
Läs merLaboration 1 - Simplexmetoden och Modellformulering
Linköpings universitet Optimeringslära grundkurs för Y Matematiska institutionen Laboration 1 Optimeringslära 30 januari 2013 Laboration 1 - Simplexmetoden och Modellformulering Den första delen av laborationen
Läs merInstitutionen för Matematiska Vetenskaper TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1/TM1, TMA671 2014-05-26
Institutionen för Matematiska Vetenskaper Göteborg TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F/TM, TMA67 4-5-6 DAG: Måndag 6 maj 4 TID: 4. - 8. SAL: V Ansvarig: Ivar Gustafsson, tel: 75-33545 Förfrågningar:
Läs merOptimeringslära 2013-11-01 Kaj Holmberg
Tekniska Högskolan i Linköping Optimering för ingenjörer Matematiska Institutionen Lösning till tentamen Optimeringslära 23-- Kaj Holmberg Uppgift a: Problemet skrivet i standardform är: Lösningar min
Läs merSkrivtid: Lösningar ska åtföljas av förklarande text. Hjälpmedel: formelsamling och manuella skrivdon. 1. Lös ekvationen z 4 = 16i.
UPPSALA UNIVERSITET Matematiska institutionen Fredrik Strömberg och Leo Larsson Prov i matematik Fristående kurs Matematik MN 00-0-0 Skrivtid: 9.00 4.00 Lösningar ska åtföljas av förklarande text. Hjälpmedel:
Läs merTATA42: Föreläsning 9 Linjära differentialekvationer av ännu högre ordning
TATA42: Föreläsning 9 Linjära differentialekvationer av ännu högre ordning Johan Thim 4 mars 2018 1 Linjära DE av godtycklig ordning med konstanta koefficienter Vi kommer nu att betrakta linjära differentialekvationer
Läs merInstitutionen för Matematik TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1, TMA DAG: Fredag 30 augusti 2002 TID:
Institutionen för Matematik Göteborg TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F, TMA67 22-8-3 DAG: Fredag 3 augusti 22 TID: 8.45-2.45 SAL: V Ansvarig: Ivar Gustafsson, tel: 772 94 (ankn. 94) Förfrågningar:
Läs merTAOP07/TEN1 OPTIMERINGSLÄRA GRUNDKURS för Y. Antal uppgifter: 7 Uppgifterna är inte ordnade efter svårighetsgrad.
Matematiska institutionen Optimeringslära TENTAMEN TAOP07/TEN1 OPTIMERINGSLÄRA GRUNDKURS för Y Datum: 27 augusti 2013 Tid: 14-19 Hjälpmedel: Inga Antal uppgifter: 7 Uppgifterna är inte ordnade efter svårighetsgrad.
Läs mer5 Lokala och globala extremvärden
Nr 5, mars -5, Amelia 5 Lokala och globala extremvärden Ienvariabelinträffar lokala extremvärden i punkter där f (x) =, om f är deriverbar och det inte är en randpunkt. Vilken typ av extremvärde det är
Läs merNumerisk Analys, MMG410. Lecture 10. 1/17
Numerisk Analys, MMG410. Lecture 10. 1/17 Ickelinjära ekvationer (Konvergensordning) Hur skall vi karakterisera de olika konvergenshastigheterna för halvering, sekant och Newton? Om f(x x k+1 x ) = 0 och
Läs merKonvergens och Kontinuitet
Kapitel 7 Konvergens och Kontinuitet Gränsvärdesbegreppet är väldigt centralt inom matematik. Som du förhoppningsvis kommer ihåg från matematisk analys så definieras tex derivatan av en funktion f : R
Läs merFöreläsning 7: Kvadratisk optimering. 4. Kvadratisk optimering under linjära bivillkor
Föreläsning 7: Kvadratisk optimering 1. Kvadratisk optimering utan bivillkor 2. Positivt definita och semidefinita matriser 3. LDL T faktorisering 4. Kvadratisk optimering under linjära bivillkor 5. Minsta
Läs merTNK049 Optimeringslära
TNK09 Optimeringslära Clas Rydergren ITN Föreläsning Simplemetoden på tablåform och algebraisk form Fas I (startlösning) Känslighetsanalys Tolkning av utdata Agenda Halvtidsutvärdering Simplemetoden (kap..8)
Läs merInstitutionen för Matematik TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1, TMA DAG: Lördag 26 maj 2001 TID:
Institutionen för Matematik Göteborg TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F, TMA67 2-5-26 DAG: Lördag 26 maj 2 TID: 8.45-2.45 SAL: V Ansvarig: Ivar Gustafsson, tel: 772 94 (ankn. 94) Förfrågningar:
Läs merTENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1, TMA671
Institutionen för Matematik LINJÄR ALGEBRA OCH NUMERISK ANALYS F Göteborg --9 TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F, TMA67 OBS! NYA KURSEN DAG: Tisdag 9 januari TID: 8.45 -.45 SAL: V Ansvarig:
Läs merUppgift 1 ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
Uppgift a) Här ses direkt att kan ökas obegränsat utan att bryta mot några bivillkor vilket i sin tur betyder att problemet har obegränsad lösning. b) Lös med Simple-algoritmen (t.e. med matris-metoden).
Läs merSF1624 Algebra och geometri Lösningsförsag till modelltentamen
SF1624 Algebra och geometri Lösningsförsag till modelltentamen DEL A (1) a) Definiera begreppen rektangulär form och polär form för komplexa tal och ange sambandet mellan dem. (2) b) Ange rötterna till
Läs merSF1545 Laboration 1 (2015): Optimalt sparande
Avsikten med denna laboration är att: SF1545 Laboration 1 (215: Optimalt sparande - snabbt komma igång med träning på matlabprogrammering (uttnyttja gärna alla schemalagda laborationstillfällen, - lösa
Läs merKontinuitet och gränsvärden
Kapitel Kontinuitet och gränsvärden.1 Introduktion till kontinuerliga funktioner Kapitlet börjar med allmänna definitioner. Därefter utvidgar vi successivt familjen av kontinuerliga funktioner, genom specifika
Läs merSF1624 Algebra och geometri Tentamen med lösningsförslag onsdag, 11 januari 2017
SF64 Algebra och geometri Tentamen med lösningsförslag onsdag, januari 7. (a) För vilka värden på k har ekvationssystemet (med avseende på x, y och z) kx + ky + z 3 x + ky + z 4x + 3y + 3z 8 en entydig
Läs mermin c 1 x 1 + c 2 x 2 då x 1 + x 2 = 1, x 1 {0, 1}, x 2 {0, 1} plus andra bivillkor. Vi måste göra k st av n alternativ:
Heltalsprogrammering Speciell användning av heltalsvariabler max z = då c j x j a ij x j b i x j 0 x j heltal i =,..., m j =,..., n j =,..., n ofta x j u j j =,..., n Oftast c, A, b heltal. Ibland u j
Läs merKonvergens för iterativa metoder
Konvergens för iterativa metoder 1 Terminologi Iterativa metoder används för att lösa olinjära (och ibland linjära) ekvationssystem numeriskt. De utgår från en startgissning x 0 och ger sedan en följd
Läs mer. (2p) 2x + 2y + z = 4 y + 2z = 2 4x + 3y = 6
Kursen bedöms med betyg, 4, 5 eller underkänd, där 5 är högsta betyg För godkänt betyg krävs minst 4 poäng från uppgifterna -7 Var och en av dessa sju uppgifter kan ge maximalt poäng För var och en av
Läs merSF1626 Flervariabelanalys Lösningsförslag till tentamen DEL A
SF626 Flervariabelanalys Lösningsförslag till tentamen 23-5-27 DEL A. Bestäm alla punkter på ytan z = x 2 + 4y 2 i vilka tangentplanet är parallellt med planet x + y + z =. 4 p) Lösning. Tangentplanet
Läs merLinjärprogrammering (Kap 3,4 och 5)
Linjärprogrammering (Kap 3,4 och 5) Fredrik Olsson, fredrik.olsson@iml.lth.se Avdelningen för produktionsekonomi Lunds tekniska högskola, Lunds universitet 16 september 2015 Dessa sidor innehåller kortfattade
Läs merFör teknologer inskrivna H06 eller tidigare. Skriv GAMMAL på omslaget till din anomyna tentamen så att jag kan sortera ut de gamla teknologerna.
Matematik Chalmers Tentamen i TMV225 Inledande matematik M, 2009 01 17, f V Telefon: Christoffer Cromvik, 0762 721860 Inga hjälpmedel. Kalkylator ej tillåten. Varje uppgift är värd 10 poäng, totalt 50
Läs merGripenberg. Mat Grundkurs i matematik 1 Tentamen och mellanförhörsomtagning,
Mat-. Grundkurs i matematik Tentamen och mellanförhörsomtagning,..23 Skriv ditt namn, nummer och övriga uppgifter på varje papper! Räknare eller tabeller får inte användas i detta prov! Gripenberg. Skriv
Läs mer= e 2x. Integrering ger ye 2x = e 2x /2 + C, vilket kan skrivas y = 1/2 + Ce 2x. Här är C en godtycklig konstant.
Lösningsförslag till Tentamen, SF1633, Differentialekvationer I den 19 december 216 kl 8: - 13: För godkänt (betyg E krävs tre godkända moduler från del I Varje moduluppgift består av tre frågor För att
Läs merBEGREPPSMÄSSIGA PROBLEM
BEGREPPSMÄSSIGA PROBLEM Större delen av de rekommenderade uppgifterna i boken är beräkningsuppgifter. Det är emellertid även viktigt att utveckla en begreppsmässig förståelse för materialet. Syftet med
Läs merKontinuerliga funktioner. Ytterligare en ekvivalent formulering av supremumaxiomet
Kontinuerliga funktioner. Ytterligare en ekvivalent formulering av supremumaxiomet är följande: SATS. (Intervallinkapslingssatsen) Låt I k = [a k, b k ], k = 1, 2,... vara en avtagande följd av slutna
Läs merMaterial till kursen SF1679, Diskret matematik: Lite om kedjebråk. 0. Inledning
Matematik, KTH Bengt Ek november 207 Material till kursen SF679, Diskret matematik: Lite om kedjebråk 0 Inledning Talet π (kvoten mellan en cirkels omkrets och dess diameter) är inte ett rationellt tal
Läs merTentamen i Beräkningsvetenskap I och KF, 5.0 hp,
Uppsala universitet Institutionen för informationsteknologi Avdelningen för beräkningsvetenskap Tentamen i Beräkningsvetenskap I och KF, 5.0 hp, 017-0-14 Skrivtid: 14 00 17 00 (OBS! Tre timmars skrivtid!)
Läs mer5B1817 Tillämpad ickelinjär optimering. Kvadratisk programmering med olikhetsbivillkor Active-set metoder
5B1817 Tillämpad ickelinjär optimering Föreläsning 7 Kvadratisk programmering med olikhetsbivillkor Active-set metoder A. Forsgren, KTH 1 Föreläsning 7 5B1817 2006/2007 Kvadratisk programmering med olikhetsbivillkor
Läs merFlöde i nätverk. Flöde i nätverk. Specialfall av minkostnadsflödesproblemet
Flöde i nätverk Graf: G = (N, B) Variabeldefinition: x ij = flöde i båge (i, j). Bågdata för båge (i, j): c ij : flödeskostnad per enhet. u ij : övre gräns för flödet. l ij : undre gräns för flödet. Bivillkor:
Läs merTentamen i Linjär algebra , 8 13.
LINKÖPINGS UNIVERSITET Matematiska Institutionen Ulf Janfalk Kurskod: ETE5 Provkod: TEN Tentamen i Linjär algebra 5 8, 8. Inga hjälpmedel. Ej räknedosa. Resultatet meddelas vi e-post. För godkänt räcker
Läs merChalmers tekniska högskola Datum: kl Telefonvakt: Linnea Hietala MVE480 Linjär algebra S
MATEMATIK Hjälpmedel: inga Chalmers tekniska högskola Datum: 69 kl 4-8 Tentamen Telefonvakt: Linnea Hietala 55 MVE48 Linjär algebra S Tentan rättas och bedöms anonymt Skriv tentamenskoden tydligt på placeringlista
Läs merSF1633, Differentialekvationer I Tentamen, torsdagen den 7 januari Lösningsförslag. Del I
Institutionen för matematik, KTH Serguei Shimorin SF6, Differentialekvationer I Tentamen, torsdagen den 7 januari 26 Lösningsförslag Del I Moduluppgift En liter av lösningen som innehåller 2 gram av kemiska
Läs merTANA09 Föreläsning 5. Matrisnormer. Störningsteori för Linjära ekvationssystem. Linjära ekvationssystem
TANA9 Föreläsning Matrisnormer Linjära ekvationssystem Matrisnormer. Konditionstalet. Felanalys. Linjära minstakvadratproblem Överbestämda ekvationssystem. Normalekvationerna. Ortogonala matriser. QR faktorisering.
Läs mer1 Kvadratisk optimering under linjära likhetsbivillkor
Krister Svanberg, april 0 Kvadratisk optimering under linjära likhetsbivillkor I detta kapitel behandlas följande kvadratiska optimeringsproblem under linjära likhetsbivillkor: xt Hx + c T x + c 0 då Ax
Läs merLinjärisering, Jacobimatris och Newtons metod.
Linjärisering, Jacobimatris och Newtons metod Analys och Linjär Algebra, del C, K/Kf/Bt, vt0 Inledning Vi skall lösa system av icke-linjära ekvationer Som exempel kan vi ta, x = 0, x = 0, som är ett system
Läs merStokastiska vektorer och multivariat normalfördelning
Stokastiska vektorer och multivariat normalfördelning Johan Thim johanthim@liuse 3 november 08 Repetition Definition Låt X och Y vara stokastiska variabler med EX µ X, V X σx, EY µ Y samt V Y σy Kovariansen
Läs merSF1669 Matematisk och numerisk analys II Lösningsförslag till tentamen DEL A. r cos t + (r cos t) 2 + (r sin t) 2) rdrdt.
1. Beräkna integralen medelpunkt i origo. SF1669 Matematisk och numerisk analys II Lösningsförslag till tentamen 218-3-14 D DEL A (x + x 2 + y 2 ) dx dy där D är en cirkelskiva med radie a och Lösningsförslag.
Läs mer1(8) x ijt = antal mobiltelefoner av typ i=1,,m, Som produceras på produktionslina 1,, n, Under vecka t=1,,t.
1(8) (5p) Uppgift 1 Företaget KONIA tillverkar mobiltelefoner I en stor fabrik med flera parallella produktionslinor. För att planera produktionen de kommande T veckorna har KONIA definierat följande icke-negativa
Läs merTAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM. Tentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM Datum: 15 januari 2014 Tid: 8.00-13.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg:
Läs merNorm och QR-faktorisering
Norm och QR-faktorisering Skalärprodukten på C n (R n ) hänger ihop med några viktiga klasser av matriser. För en komplex matris A betecknar vi med A H det Hermitiska konjugatet till A, dvs A H = A T.
Läs merTMV166 Linjär Algebra för M. Tentamen
MATEMATISKA VETENSKAPER TMV66 6 Chalmers tekniska högskola 6 8 kl 8:3 :3 (SB Multisal) Examinator: Tony Stillfjord Hjälpmedel: ordlistan från kurshemsidan, ej räknedosa Telefonvakt: Olof Giselsson, ankn
Läs merKovarians och kriging
Kovarians och kriging Bengt Ringnér November 2, 2007 Inledning Detta är föreläsningsmanus på lantmätarprogrammet vid LTH. 2 Kovarianser Sedan tidigare har vi, för oberoende X och Y, att VX + Y ) = VX)
Läs mer