LP-dualitet: Exempel. Vårt första exempel. LP-dualitet: Relationer. LP-dualitet: Generellt
|
|
- Karin Viklund
- för 6 år sedan
- Visningar:
Transkript
1 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) (knappar) x 1 6 (2) (optik) 6x 1 + 4x 2 50 (3) (monteringstid) x 1 0 (4) x 2 0 (5) Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 LP-dualitet: Generellt LP-dualitet: Exempel Primal: Maximera vinsten, utan att använda för mycket råvaror. max z = 4x 1 + 3x 2 då 2x 1 + 3x 2 30 (1) (y 1 ) x 1 6 (2) (y 2 ) 6x 1 + 4x 2 50 (3) (y 3 ) x 1, x 2 0 Dualvariabel: y i pris på råvara i. Minimera kostnaden för råvarorna. Balansera kostnad mot intäkt. min v = 30y 1 + 6y y 3 då 2y 1 + y 2 + 6y 3 4 (1) (x 1 ) 3y 1 + 4y 3 3 (2) (x 2 ) y 1, y 2, y 3 0 Priset är noll om råvaran inte används fullt ut. Produkten görs ej om kostnaden blir högre än intäkten. Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 LP-dualitet: Relationer Primal: Exakt vilka relationer har primal och dual? max z = då Dual: c j x j a ij x j b i x j 0 i = 1,..., m j = 1,..., n max z = c T x då Ax b x 0 Svaga dualsatsen Om x är tillåten i primalen och y är tillåten i dualen så c T x b T y. (bevis) (rita) Följdsats Om x är tillåten i primalen, ȳ är tillåten i dualen och c T x = b T ȳ så är x optimal i primalen och ȳ optimal i dualen. min v = då m b i y i m a ij y i c j y i 0 j = 1,..., n i = 1,..., m min v = b T y då A T y c y 0 (se figur) Följdsats Om primalen (dualen) är obegränsad, så saknar dualen (primalen) tillåten lösning. Båda kan dock sakna lösning. Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35
2 LP-dualitet: Komplementaritet En dualvariabel, y i, anger hur mycket primala bivillkor i tar emot. Ett bivillkor som inte är aktivt tar inte emot alls. Komplementaritet (i ord): Om primala bivillkor i inte är aktivt, måste y i = 0. Om duala bivillkor j inte är aktivt, måste x j = 0. Komplementaritetsvillkoren Primallösningen x och duallösningen y uppfyller komplementaritetsvillkoren om y i a ij x j b i = 0 i = 1,..., m ( m ) x j a ij y i c j = 0 j = 1,..., n LP-dualitet: Komplementaritet Komplementaritetsvillkoren kan skrivas som Sats y T (Ax b) = 0 x T (A T y c) = 0 Om x och y uppfyller komplementaritetsvillkoren, så är c T x = b T y. (peka på bevis) Följdsats Om x är tillåten i primalen, y är tillåten i dualen och x och y uppfyller komplementaritetsvillkoren, så är x optimal i primalen och y optimal i dualen. Åt andra hållet: Starka dualsatsen Om x och y är optimallösningar så gäller c T x = b T y. Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 LP-dualitet: Slutsatser Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 LP-dualitet: Formulering Fullständiga dualsatsen Om primalen har en tillåten, begränsad optimallösning, x, så har även dualen en tillåten, begränsad optimallösning, y, och c T x = b T y. Om primalen är obegränsad, så saknar dualen tillåten lösning. Om primalen saknar tillåten lösning, så saknar dualen lösning eller har obegränsad lösning. (Symmetriskt i primal - dual.) Optimalitetsvillkor (KKT) Primal tillåtenhet + Dual tillåtenhet + Komplementaritet = Optimalitet Standard: Primal: Dual: max z = c T x min v = b T y då Ax b då A T y c x 0 y 0 Variationer: Primal Dual max min Ax b y 0 Ax b y 0 Ax = b y fri x 0 A T y c x 0 A T y c x fri A T y = c Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35
3 LP-dualitet: Formulering, symmetriskt Standard: Primal/dual: Dual/primal: max z = c T x min v = b T y då Ax b då A T y c x 0 y 0 Variationer: * * max min Ax b y 0 Ax b y 0 Ax = b y fri x 0 A T y c x 0 A T y c x fri A T y = c LP-dualitet: Formulering: Exempel Primal: max z = 2x 1 + 3x 2 5x 3 då 2x 1 + 3x 2 + 2x 3 10 (1) (y 1 ) 7x 1 + x 2 x 3 16 (2) (y 2 ) 3x 1 + 4x 2 + 4x 3 = 43 (3) (y 3 ) x 1 0, x 2 fri, x 3 0 min v = 10y y y 3 då 2y 1 + 7y 2 + 3y 3 2 (1) (x 1 ) 3y 1 + y 2 + 4y 3 = 3 (2) (x 2 ) 2y 1 y 2 + 4y 3 5 (3) (x 3 ) y 1 0, y 2 0, y 3 fri y 1 (2x 1 + 3x 2 + 2x 3 10) = 0 y 2 (7x 1 + x 2 x 3 16) = 0 x 1 (2y 1 + 7y 2 + 3y 3 2) = 0 x 3 (2y 1 y 2 + 4y 3 + 5) = 0 Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Dualitet och baslösningar Primal: Dual: Kompl.: max z = c T x min v = b T y då Ax = b då A T y c x T (A T y c) = 0 x 0 y fri Baslösning: Primal: Dual: Kompl max z = cb T x B + cn T x N min v = b T y då Bx B + Nx N = b då B T y c B xb T (BT y c B ) = 0 x B, x N 0 N T y c N xn T (NT y c N ) = 0 y fri x B > 0 B T y = c B y = B 1T c B = (c T B B 1 ) T. Dual tillåtenhet: Sätt in y i N T y c N. Uppfyllt om ĉ N 0 där ĉ N = c N (c T B B 1 N) T. Primal och dual lösning: x B = B 1 b, x N = 0, y = B 1T c B. Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Dualitet och baslösningar, forts Slutsats Dual tillåtenhet primal optimalitet. Vi har bevisat starka dualsatsen. Starka dualsatsen, version 2 Om primalen har en tillåten, begränsad optimallösning, x = B 1 b, så har även dualen en tillåten, begränsad optimallösning, som ges av y = B 1T c B. Både primalen och dualen har det optimala målfunktionsvärdet z = c T B B 1 b. Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35
4 LP-dualitet: Exempel max z = 4x 1 + 3x 2 då 2x 1 + 3x 2 30 (1) (y 1 ) x 1 6 (2) (y 2 ) 6x 1 + 4x 2 50 (3) (y 3 ) x 1, x 2 0 min v = 30y 1 + 6y y 3 då 2y 1 + y 2 + 6y 3 4 (1) (x 1 ) 3y 1 + 4y 3 3 (2) (x 2 ) y 1, y 2, y 3 0 y 1 (2x 1 + 3x 2 30) = 0 y 2 ( x 1 6) = 0 y 3 (6x 1 + 4x 2 50) = 0 x 1 (2y 1 + y 2 + 6y 3 4) = 0 x 2 (3y 1 + 4y 3 3) = 0 Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 LP-dualitet och simplextablån Duallösningen återfinnes under slackvariablerna i optimaltablån. Bas z x 1 x 2 x 3 x 4 x 5 z /5 0 3/5 36 x /5 1-3/10 3 x /5 0 3/10 3 x /5 0-1/5 8 Dual optimallösning: y 1 = 1/5, y 2 = 0, y 3 = 3/5. Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 LP-dualitet: Exempel Primal optimallösning: x 1 = 3, x 2 = 8, z = 36. Basvariabler x 1, x 2, x 4. Villkor 1 aktivt. Villkor 2 ej aktivt y 2 = 0. Villkor 3 aktivt. x 1 > 0 2y 1 + y 2 + 6y 3 = 4. x 2 > 0 3y 1 + 4y 3 = 3. Dual optimallösning: y 1 = 1/5, y 2 = 0, y 3 = 3/5. Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 LP-dualitet: Kappsäcksproblem: Exempel max z = 2x 1 + 3x 2 + 5x 3 + 7x 4 då 2x 1 + 2x 2 + 2x 3 + 4x 4 10 (y) x 1, x 2, x 3, x 4 0 min v = 10y då 2y 2 (1) (x 1 ) 2y 3 (2) (x 2 ) 2y 5 (3) (x 3 ) 4y 7 (4) (x 4 ) y 0 Skriv som: min v = 10y då y 1, y 3/2, y 5/2, y 7/4, y 0 Optimallösning: y = 5/2, v = 25. Endast duala bivillkor 3 aktivt. x 1 = 0, x 2 = 0, x 4 = 0. y > 0 2x 3 = 10 x 3 = 5. Problemet löst. Det blev en metod! max j (c j /a j ) ger bästa x j. Ta med den. Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35
5 LP-dualitet: Exempel LP-dualitet: Exempel max z = 2x 1 + 3x då x 1 + x 2 + 2x 3 5 (y 1 ) 2x 1 x 2 + x 3 3 (y 2 ) x 1, x 2, x 3 0 min v = 5y 1 + 3y 2 då y 1 + 2y 2 2 (1) (x 1 ) y 1 y 2 3 (2) (x 2 ) 2y 1 + y 2 4 (3) (x 3 ) y 1, y 2 0 LP-dualen 2-dimensionell. Lös grafiskt. (1) (3) (2) Dual optimalpunkt: y 1 = 3, y 2 = 0. Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 LP-dualitet: Exempel max z = 2x 1 + 3x då x 1 + x 2 + 2x 3 5 (y 1 ) 2x 1 x 2 + x 3 3 (y 2 ) x 1, x 2, x 3 0 min v = 5y 1 + 3y 2 då y 1 + 2y 2 2 (1) (x 1 ) y 1 y 2 3 (2) (x 2 ) 2y 1 + y 2 4 (3) (x 3 ) y 1, y 2 0 LP-dualen 2-dimensionell. Lös grafiskt. Optimallösning: y 1 = 3, y 2 = 0, v = 15. Duala bivillkor 1 och 3 inte aktiva. x 1 = 0, x 3 = 0. y 1 > 0 x 2 = 5. Problemet löst. (Kolla gärna primala bivillkor 2.) Lösning: x 1 = 0, x 2 = 2, x 3 = 0, z = 15. (Kolla gärna z.) Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Skuggpriser Hur mycket förändras det optimala målfunktionsvärdet av en liten ändring av ett högerled? Detta mått kallas skuggpris (eller marginalpris). Starka dualsatsen: z = c T x = b T y eller z = j Derivatan av z med avseende på b i är y i. Slutsats Skuggpriserna ges av den optimala duallösningen. I exemplet: Dual målfunktion: v = b 1 y 1 + b 2 y 2. c j x j = i Stoppa in dual optimallösning: y 1 = 3, y 2 = 0 ger v = 3b 1. En enhets ökning av b 1 ger 3 enheters ökning av v, dvs. z. En enhets ökning av b 2 ger ingen ändring av v, dvs. z. Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 b i y i
6 Skuggpriser Känslighetsanalys I en viss baslösning har vi x B = B 1 b och y = B 1T c B. Skuggpriserna är oförändrade så länge som B 1 och c B är oförändrade, dvs. så länge som samma baslösning är optimal. Om ändringen i b ger B 1 b 0, ändras optimal baslösning/skuggpriser. B 1 b 0 ger gränser på b för oförändrad optimallösning. Har optimallösning. Indata ändras. Vad händer? Är optimallösningen helt oförändrad? Är optimala baslösningen oförändrad? För hur stora ändringar ändras inte (bas)lösningen? Om optimal baslösning inte ändras blir alla förändringar lätta att räkna ut, för då ändras inte B 1. Stoppa in nya b och/eller c i x B = B 1 b, y = B 1T c B och z = c T B x B. Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Känslighetsanalys Vi beaktar ändringar av: Högerled, b. Kolla tillåtenhet, x B = B 1 b 0. Målfunktionskoefficient, c. Kolla optimalitet = dual tillåtenhet. För ickebasvariabel, c N : c N N T y. (Ändringen i ĉ blir lika stor som ändringen i c.) För basvariabel, c B : Beräkna y = B 1T c B och kolla N T y c N. Addition av nytt bivillkor, a T i x b i. Kolla tillåtenhet, a T i x b i. Addition av ny variabel, x k, med kolumn a k och målfunktionskoefficient c k (dvs. dualt bivillkor, a T k y c k). Kolla optimalitet = dual tillåtenhet. Primal optimalitet: ĉ k = c k a T k y 0. Alternativ: Kolla dual tillåtenhet: a T k y c k. Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Vårt musexempel max z = 4x 1 + 3x 2 då 2x 1 + 3x 2 30 (1) (y 1 ) (knappar) x 1 6 (2) (y 2 ) (optik) 6x 1 + 4x 2 50 (3) (y 3 ) (monteringstid) x 1, x 2 0 min v = 30y 1 + 6y y 3 då 2y 1 + y 2 + 6y 3 4 (1) (x 1 ) (Optimus) 3y 1 + 4y 3 3 (2) (x 2 ) (Rullmus) y 1, y 2, y 3 0 Optimaltablå: Bas z x 1 x 2 x 3 x 4 x 5 z /5 0 3/5 36 x /5 1-3/10 3 x /5 0 3/10 3 x /5 0-1/5 8 Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35
7 Känslighetsanalys i simplextablån Känslighetsananlys i simplextablån Optimaltablå för vårt exempel: Bas z x 1 x 2 x 3 x 4 x 5 z /5 0 3/5 36 x /5 1-3/10 3 x /5 0 3/10 3 x /5 0-1/5 8 Optimallösning: x 1 = 3, x 2 = 8, z = 36. Skuggpriser: y 1 = 1/5, y 2 = 0, y 3 = 3/5. Vad skulle vi tjäna på en ökning av tillgången av knappar? Det är en ökning av b 1, så vi tjänar y 1 = 1/5 per enhets ökning. För hur stor ökning gäller detta? Kolla B 1 b 0. Kan läsa av B 1 under slackvariablerna i optimaltablån. Bas z x 1 x 2 x 3 x 4 x 5 z /5 0 3/5 36 x /5 1-3/10 3 x /5 0 3/10 3 x /5 0-1/5 8 B 1 b = 2/5 1 3/10 2/5 0 3/10 3/5 0 1/5 vilket ger 22.5 b b = 2b 1 /5 9 2b 1 / b 1 /5 10 Så vi tjänar 1/5 kr per ytterligare knapp, för b 1 upp till Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Exempel: Ny variabel Ska Mickey AB göra en ny sorts mus, SuperGamer, som består av en knapp och två optiska enheter, kräver 5 min för montering och ger intäkten 3 kr/enhet? Ny variabel, x 6 : kolumn: a 6 = målfunktionskoefficient: c 6 = 3. Dual optimallösning (skuggpriser) : y 1 = 1/5, y 2 = 0, y 3 = 3/5. Reducerad kostnad (dual tillåtenhet): ĉ 6 = c 6 a6 T y = 3 (1/5 + 3) = 1/5 0. Slutsats: Låt x 6 förbli noll. Gör inga SuperGamer. Mickey vill justera priset så att SuperGamer blir lönsam. Bestäm c 6 så att ĉ 6 > 0: ĉ 6 = c 6 a T 6 y = c 6 (1/5 + 3) = c > 0 om c 6 > 3.2. För att få lite marginal sätter man priset så att intäkten blir 3:50 kr. Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Exempel: Ny variabel Ny optimallösning? ĉ 6 = c 6 a6 T y = 7/2 (1/5 + 3) = 3/10. Inför nya kolumnen i optimaltablån: â 6 = B 1 a 6. 2/5 1 3/10 1 9/10 â 6 = 2/5 0 3/10 2 = 11/10 3/5 0 1/5 5 2/5 Inför i optimaltablån: Bas z x 1 x 2 x 3 x 4 x 5 x 6 z /5 0 3/5-3/10 36 x /5 1-3/10 9/10 3 x /5 0 3/10 11/10 3 x /5 0-1/5-2/5 8 Fortsätt med simplexmetoden. x 6 inkommande. Utgående? Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35
8 Känslighetsananlys från koder Indatafil: (GMPL) var x1 >= 0; var x2 >= 0; maximize obj: 4*x1 + 3*x2; subject to con1: 2*x1 + 3*x2 <= 30; subject to con2: x1 <= 6; subject to con3: 6*x1 + 4*x2 <= 50; end; Lösning av problemet: Skriv glpsol -m lp-ko1.mod -o lp-ko1.sol Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Känslighetsananlys från koder I utdatafilen lp-ko1.sol (rensat): Problem: lp Rows: 4 Columns: 2 Non-zeros: 7 Status: OPTIMAL Objective: obj = 36 (MAXimum) No. Row name St Activity Lower bound Upper bound Marginal obj B 36 2 con1 NU con2 B con3 NU No. Column name St Activity Lower bound Upper bound Marginal x1 B x2 B 8 0 Karush-Kuhn-Tucker optimality conditions: Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Känslighetsananlys från koder På skärmen (rensat): Reading model section from lp-ko1.mod lines were read Model has been successfully generated GLPK Simplex Optimizer, v rows, 2 columns, 7 non-zeros Preprocessing... 2 rows, 2 columns, 4 non-zeros Scaling... A: min aij = 2.000e+00 max aij = 6.000e+00 ratio = 3.000e+00 Problem data seem to be well scaled Constructing initial basis... Size of triangular part = 2 * 0: obj = e+00 infeas = 0.000e+00 (0) * 3: obj = e+01 infeas = 0.000e+00 (0) OPTIMAL SOLUTION FOUND Time used: 0.0 secs Memory used: 0.1 Mb ( bytes) Writing basic solution to lp-ko1.sol... Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Känslighetsananlys från koder Lösning av problemet med känslighetsanalys: Skriv glpsol -m lp-ko1.mod --bounds lp-ko1.bnd I utdatafilen lp-ko1.bnd (rensat): GLPK SENSITIVITY ANALYSIS REPORT Problem: lpluma Objective: obj = 36 (MAXimum) No. Row name St Activity Slack Lower bound Activity O Marginal Upper bound range obj BS Inf Inf con1 NU Inf con2 BS Inf con3 NU Inf Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35
9 Känslighetsananlys från koder LP-dualen till ett strukturerat problem Sida 2 i utdatafilen lp-ko1.bnd (rensat): GLPK SENSITIVITY ANALYSIS REPORT Page 2 Problem: lpluma Objective: obj = 36 (MAXimum) då No. Column name St Activity Obj coef Activity Obj coef Obj value at Limiting Marginal range range break point variable x1 BS Inf con con1 x ij 0 2 x2 BS con con3 End of report Tillordningsproblemet: Varje person i skall tilldelas en uppgift j. min c ij x ij LP-dualen: max x ij = 1 i = 1,... n (α i ) x ij = 1 j = 1,... n (β j ) α i + β j för alla i, j då α i + β j c ij för alla (i, j) (x ij ) x ij (α i + β j c ij ) = 0 för alla (i, j) Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35 Vileopt Att tänka på inför lab 2: Skuggpris? Reducerad kostnad? Vad händer om man gör fel i simpexmetoden? Kaj Holmberg (LiU) TAOP88 Optimering 24 augusti / 35
Vårt 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 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 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 merFlöde i nätverk. Flöde i nätverk. Specialfall av minkostnadsflödesproblemet. Specialfall av minkostnadsflödesproblemet. Slutsats.
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 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 merLaborationsinformation
Linköpings Tekniska Högskola 2017 03 16 Matematiska institutionen/optimeringslära Kaj Holmberg Laborationsinformation 1 Information om GLPK/glpsol 1.1 Introduktion till GLPK GLPK (GNU Linear Programming
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 9--7 Kaj Holmberg Lösningar Uppgift a: Inför slackvariabler x 5, x 6 och x 7 Starta med slackvariablerna
Läs merVinsten (exklusive kostnaden för inköp av kemikalier) vid försäljning av 1 liter fönsterputs är 2 kr för F1 och 3 kr för F3.
TNSL05 (10) (5p) Uppgift 1 Företaget XAJA tillverkar två olika sorters rengöringsprodukter för fönsterputsning, benämnda F1 och F. Förutom vatten, som ingår i båda produkterna är, innehållet ett antal
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 2018-01-02 Kaj Holmberg Lösningar Uppgift 1 1a: Den givna startlösningen är tillåten
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 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 merTAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS för D och C
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS för D och C Datum: 2 augusti 2011 Tid: 8.00-1.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering
Läs merVinsten (exklusive kostnaden för inköp av kemikalier) vid försäljning av 1 liter fönsterputs är 2 kr för F1 och 3 kr för F3.
TNSL05 2(8) (5p) Uppgift 1 Företaget XAJA tillverkar två olika sorters rengöringsprodukter för fönsterputsning, benämnda F1 och F2. Förutom vatten, som ingår i båda produkterna är, innehållet ett antal
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 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 merTAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN KOMBINATORISK OPTIMERING GRUNDKURS Datum: 9 april 0 Tid: 8.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merTentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER för M/EMM Datum: 0 augusti 201 Tid: 8.00-1.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering
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 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 merTAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN KOMBINATORISK OPTIMERING GRUNDKURS Datum: augusti 0 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
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 merLösningsförslag 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 merTentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER för EMM Datum: 2 augusti 2011 Tid: 8.00-1.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merIntroduktion till att använda sig av GLPK
Introduktion till att använda sig av GLPK 1. Det finns inget grafiskt gränssnitt, som i Minitab eller Excel, utan man kör direkt i ett kommandofönster. 2. Programmet glpsol.exe och dess drivrutin (glpk44.dll-fil)
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 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 merLaboration 1 - Simplexmetoden och modellformulering
Linköpings universitet Optimeringslära grundkurs för Y Matematiska institutionen Laboration 1 Optimeringslära 29 januari 2017 Laboration 1 - Simplexmetoden och modellformulering Den första delen av laborationen
Läs merTNK049 Optimeringslära
TNK049 Optimeringslära Clas Rydergren, ITN Föreläsning 6 Det duala problemet Relationer primal dual Optimalitetsvillkor Nätverksoptimering (introduktion) Agenda Motivering av det duala problemet (kap 6.)
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 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 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 merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN OPTIMERING FÖR INGENJÖRER Datum: 0 oktober 0 Tid: 8.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar i
Läs merTNSL05 Optimering, Modellering och Planering. Föreläsning 10
TNSL05 Optimering, Modellering och Planering Föreläsning 10 Agenda Kursens status Repetition Flödesnätverk Optimalitetsvillkor LP och Minkostandsflöde (MKF) Nätverkssimplex Känslighetsanalys Exempel: MKF
Läs merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN OPTIMERING FÖR INGENJÖRER Datum: augusti 0 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar i boken
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 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 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 merOptimering. Optimering
TAOP88 Optimering för ingenjörer Examinator: Kaj Holmberg kaj.holmberg@liu.se Kurshemsida: http://courses.mai.liu.se/gu/taop88 Lärare: Föreläsningar: Kaj Holmberg Lektioner, labbar: Oleg Burdakov, William
Läs merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN OPTIMERING FÖR INGENJÖRER Datum: januari 0 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar i boken
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 merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN OPTIMERING FÖR INGENJÖRER Datum: 2 maj 20 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar i boken får
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 merTentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP14/TEN 1 OPTIMERINGSLÄRA GRUNDKURS för I, Ii och TB Datum: 24 augusti 2009 Tid: 8.00-13.00 Hjälpmedel: Lundgren m fl: Optimeringslära och/eller Lundgren
Läs merFöreläsning 10/11! Gruppuppgifter: Gruppuppgift 1: Alla har redovisat. Gruppuppgift 2: Alla har redovisat Gruppuppgift 3: På gång.
Föreläsning 10 Agenda Kursens status Repetition Flödesnätverk Optimalitetsvillkor LP och Minkostandsflöde (MKF) Nätverkssimplex Känslighetsanalys Exempel: MKF och Nätverkssimplex Föreläsning 10/11! Gruppuppgifter:
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 merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER Datum: januari 01 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merTentamensinstruktioner
TNSL05 1(8) TENTAMEN Datum: 1 april 2016 Tid: XXX Sal: XXX Provkod: TEN1 Kursnamn: TNSL05 Optimering, modellering och planering Institution: ITN Antal uppgifter: 5 Betygskrav: För godkänt krävs normalt
Läs merTNSL05 Optimering, Modellering och Planering. Föreläsning 9
TNSL05 Optimering, Modellering och Planering Föreläsning 9 Agenda Kursens status Dualitet Billigaste väg problem 208-2- Kursens status Föreläsning (), 2-5: Modellering Föreläsning 6-0, () Lösningsmetod/känslighetsanalys
Läs merFlöde i nätverk. Flöde i nätverk. Specialfall av minkostnadsflödesproblemet. Specialfall av minkostnadsflödesproblemet. Slutsats.
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 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 merTAOP86/TEN 1 KOMBINATORISK OPTIMERING MED
Matematiska institutionen Optimeringslära TENTAMEN TAOP8/TEN 1 KOMBINATORISK OPTIMERING MED MILJÖTILLÄMPNINGAR Datum: 9 augusti 01 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg:
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 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 merz = min 3x 1 2x 2 + y Fixera y, vilket ger subproblemet
Bendersdekomposition Blandade heltalsproblem med ett stort antal kontinuerliga variabler och få heltalsvariabler. Mycket lättare att lösa om heltalsvariablerna fixeras. Bendersdekomposition (primal dekomposition)
Läs merTentamensinstruktioner
TNSL05 1(7) TENTAMEN Datum: 1 april 2016 Tid: 14-18 Provkod: TEN1 Kursnamn: TNSL05 Optimering, modellering och planering Institution: ITN Antal uppgifter: 5 Betygskrav: För godkänt krävs normalt 12 p,
Läs merTAOP86/TEN 1 KOMBINATORISK OPTIMERING MED
Matematiska institutionen Optimeringslära TENTAMEN TAOP8/TEN 1 KOMBINATORISK OPTIMERING MED MILJÖTILLÄMPNINGAR Datum: januari 01 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering
Läs merSolutions to exam in SF1811 Optimization, June 3, 2014
Solutions to exam in SF1811 Optimization, June 3, 14 1.(a) The considered problem may be modelled as a minimum-cost network flow problem with six nodes F1, F, K1, K, K3, K4, here called 1,,3,4,5,6, and
Läs merTENTAMEN. Tentamensinstruktioner. Datum: 30 augusti 2018 Tid: 8-12
1( 9) TENTAMEN Datum: 30 augusti 2018 Tid: 8-12 Provkod: TEN1 Kursnamn: Optimering, modellering och planering Institution: ITN Antal uppgifter: 5 Betygskrav: För godkänt krävs normalt 12 p, betyg kräver
Läs merOptimering. TAOP88 Optimering för ingenjörer. När inte intuitionen räcker till... Långsiktiga mål med kursen. Vad är optimering?
TAOP88 Optimering för ingenjörer Examinator: Kaj Holmberg kaj.holmberg@liu.se Kurshemsida: http://courses.mai.liu.se/gu/taop88 Lärare: Föreläsningar: Kaj Holmberg Lektioner, labbar: Oleg Burdakov Roghayeh
Läs merTAOP86/TEN 1 KOMBINATORISK OPTIMERING MED
Matematiska institutionen Optimeringslära TENTAMEN TAOP6/TEN 1 KOMBINATORISK OPTIMERING MED MILJÖTILLÄMPNINGAR Datum: januari 2016 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg:
Läs merTAOP86/TEN 1 KOMBINATORISK OPTIMERING MED
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN 1 KOMBINATORISK OPTIMERING MED MILJÖTILLÄMPNINGAR Datum: oktober 01 Tid:.00-13.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering
Läs merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN 1 OPTIMERING FÖR INGENJÖRER Datum: januari 2016 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
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 merTentamensinstruktioner
TNSL05 1(9) TENTAMEN Datum: 6 april 2018 Tid: 14-18 Provkod: TEN1 Kursnamn: TNSL05 Optimering, modellering och planering Institution: ITN Antal uppgifter: 5 Betygskrav: För godkänt krävs normalt 12 p,
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 merTAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN KOMBINATORISK OPTIMERING GRUNDKURS Datum: 1 april 01 Tid: 8.00-1.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
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 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 merDynamisk programmering. Dynamisk programmering. Dynamisk programmering. Dynamisk programmering
Betrakta ett lagerhållningsproblem i flera tidsperioder. Vi har tillverkning och försäljning av produkter i varje tidsperiod. Dessutom kan vi lagra produkter mellan tidsperioder, för att utnyttja stordriftsfördelar
Läs merOptimering. TAOP86 Kombinatorisk optimering med miljötillämpningar. När inte intuitionen räcker till... Långsiktiga mål med kursen. Vad är optimering?
TAOP86 Kombinatorisk optimering med miljötillämpningar Examinator: Kaj Holmberg kaj.holmberg@liu.se http://courses.mai.liu.se/gu/taop86 Lärare: Föreläsningar: Kaj Holmberg Lektioner, labbar: Björn Morén
Läs merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN OPTIMERING FÖR INGENJÖRER Datum: juni 20 Tid: 8.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar i boken
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 merLaborationsuppgift 1 Tillämpad optimeringslära för MMT (5B1722)
Laborationsuppgift 1 Tillämpad optimeringslära för MMT (5B1722) Februari 2004 Avdelningen för Optimeringslära och Systemteori Institutionen för Matematik Kungliga Tekniska Högskolan Stockholm Allmän information
Läs merTAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN KOMBINATORISK OPTIMERING GRUNDKURS Datum: januari 0 Tid: 8.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merTentamensinstruktioner
TNSL05 (6) TENTAMEN Datum: augusti 07 Tid: 8- Provkod: TEN Kursnamn: TNSL05 Optimering, modellering och planering Institution: ITN Antal uppgifter: 5 Betygskrav: För godkänt krävs normalt p, betyg kräver
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 merMIO310 OPTIMERING OCH SIMULERING, 4 p
Uppvisat terminsräkning ( ) Ja ( ) Nej Inst. för teknisk ekonomi och logistik Avd. för Produktionsekonomi Jag tillåter att mitt tentamensresultat publiceras på Internet Ja Nej TENTAMEN: MIO0 OPTIMERING
Läs merTAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN KOMBINATORISK OPTIMERING GRUNDKURS Datum: oktober 08 Tid: 8.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merTentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN OPTIMERING FÖR INGENJÖRER för M/EMM Datum: 29 maj 20 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN 1 OPTIMERING FÖR INGENJÖRER Datum: 19 oktober 2017 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merTAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN KOMBINATORISK OPTIMERING GRUNDKURS Datum: januari 08 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merTAOP86/TEN 1 KOMBINATORISK OPTIMERING MED
Matematiska institutionen Optimeringslära TENTAMEN TAOP86/TEN 1 KOMBINATORISK OPTIMERING MED MILJÖTILLÄMPNINGAR för IT Datum: 16 mars 010 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kaj Holmberg: Kombinatorisk
Läs merTAOP86/TEN 1 KOMBINATORISK OPTIMERING MED
Matematiska institutionen Optimeringslära TENTAMEN TAOP86/TEN KOMBINATORISK OPTIMERING MED MILJÖTILLÄMPNINGAR Datum: 24 oktober 204 Tid: 8.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering
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 merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN OPTIMERING FÖR INGENJÖRER Datum: oktober 08 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar i boken
Läs merTAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM
Matematiska institutionen Optimeringslära TENTAMEN TAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM Datum: 23 augusti 2016 Tid: 8.00-13.00 Hjälpmedel: Miniräknare Kurslitteraturen: Kaj Holmberg:
Läs merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN OPTIMERING FÖR INGENJÖRER Datum: augusti 08 Tid:.00-9.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar i boken
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 merTAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS för D och C. Tentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN KOMBINATORISK OPTIMERING GRUNDKURS för D och C Datum: juni 0 Tid:.00-9.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering. Kaj
Läs merLösningar/svar. Uppgift 1. Tekniska Högskolan i Linköping Optimering av realistiska sammansatta system. Optimeringslära Kaj Holmberg
Tekniska Högskolan i Linköping Optimering av realistiska sammansatta system Matematiska Institutionen Lösning till tentamen Optimeringslära 2017-08-22 Kaj Holmberg Lösningar/svar Uppgift 1 1a: Variabeldefinition:
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: 11 januari 2017 Tid: 8.00-13.00 Hjälpmedel: Miniräknare Kurslitteraturen: Kaj Holmberg:
Läs merMIO310 OPTIMERING OCH SIMULERING, 4 p
Uppvisat terminsräkning ( ) Ja ( ) Nej Inst. för teknisk ekonomi och logistik Avd. för Produktionsekonomi Jag tillåter att mitt tentamensresultat publiceras på Internet Ja Nej TENTAMEN: MIO0 OPTIMERING
Läs merOptimeringslära för T (SF1861)
Optimeringslära för T (SF1861) 1. Kursinformation 2. Exempel på optimeringsproblem 3. Introduktion till linjärprogrammering Introduktion - Ulf Jönsson & Per Enqvist 1 Linjärprogrammering Kursinformation
Läs merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN OPTIMERING FÖR INGENJÖRER Datum: januari 08 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar i boken
Läs merTAOP86/TEN 1 KOMBINATORISK OPTIMERING MED
Matematiska institutionen Optimeringslära TENTAMEN TAOP8/TEN 1 KOMBINATORISK OPTIMERING MED MILJÖTILLÄMPNINGAR Datum: 1 oktober 01 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg:
Läs merTAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS för D och C
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN KOMBINATORISK OPTIMERING GRUNDKURS för D och C Datum: 17 januari 01 Tid: 8.00-1.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering.
Läs merTAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN KOMBINATORISK OPTIMERING GRUNDKURS Datum: augusti 0 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merTAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM
Matematiska institutionen Optimeringslära TENTAMEN TAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM Datum: 19 april 2017 Tid: 14.00-19.00 Hjälpmedel: Miniräknare Kurslitteraturen: Kaj Holmberg:
Läs mer