Lösningar till tentan i SF1861 Optimeringslära, 3 Juni, 2016
|
|
- Viktoria Persson
- för 6 år sedan
- Visningar:
Transkript
1 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 the sum of the elements in the vector b is zero These observations imply that the LP problem is in fact a balanced network flow problem with 4 nodes (one for each row in A) and 4 directed arcs (one for each column in A) The network corresponding to the given A, b and c in this exercise can be illustrated by FIGURE below, where the supply at the nodes (ie the components in the vector b), and the unit costs of the arcs (ie the components in the vector c) are written in the figure Arcs from Node are directed from left to right, while arcs from Node3 are directed from right to left Negative supply means demand If the flow in the arc from node i to node j is denoted x ij, the variable vector is x = (x, x 3, x 34, x 4 ) T The suggested solutions ˆx = (5,, 3, ) T and x = (, 3,, 4) T can be illustrated in FIGURE and FIGURE 3, respectively, with the arc-flows written on the arcs Node O -5 O -5 O -5 / \ / / \ / \ / / \ / \ / / \ / \ / / \ / \ / / \ / \ / / \ Node O O Node3 O O O O \ / \ / \ \ / \ / \ \ / \ / \ \ / \ / \ \ / \ / \ \ / \ / \ O -4 O -4 O -4 Node4 FIGURE FIGURE FIGURE 3 Both the suggested solutions are clearly feasible, since there is flow balance in each of the four nodes and all arc-flows are non-negative Moreover, each of the two solutions corresponds to a spanning tree in the network Thus, both solutions are basic feasible solutions to the LP problem It remains to show that they are optimal
2 For each of the two solutions, the simplex multipliers y i for the four nodes are calculated by y 4 = and y i y j = c ij for all arcs (i, j) in the corresponding spanning tree In FIGURE 4, the y i for ˆx are calculated in the order y 4 =, y 3 = 3, y =, = In FIGURE 5, the y i for x are calculated in the order y 4 =, y =, =, y 3 = 3 Then the reduced cost for the single non-basic variable x 3 in FIGURE 4 is calculated by r 3 = c 3 y 3 + = ( ) =, while the reduced cost for the single non-basic variable x 34 in FIGURE 5 is calculated by r 34 = c 34 y 3 + y 4 = = O y=- O y=- / / \ / / \ / / \ r3=4-3+(-)= 4 / / \ / / \ / / \ y= O O y3=3 y= O O y3=3 \ / \ \ / \ \ / \ 3 r34=3-3+= \ / \ \ / \ \ / \ O y4= O y4= FIGURE 4 FIGURE 5 Since r 3 in FIGURE 4, ˆx is an optimal solution to the LP problem Since r 34 in FIGURE 5, x is an optimal solution to the LP problem As a final check, we see that c Tˆx = =, and c T x = =, so that c Tˆx = c T x
3 Uppgift (b) Först använder vi Gauss Jordans metod på matrisen 6 [ A b ] = Efter några enkla radoperationer erhålls matrisen 6 [ T p ] = 4 Nu är A överförd till trappstegsform med tre trappstegsettor, medan den ursprungliga högerledsvektorn b samtidigt överförts till den nya högerledsvektorn p Observera att de bägge ekvationssystemet Ax = b och Tx = p har samma lösningsmängd, eftersom de enkla radoperationerna inte ändrar denna Men den allmänna lösningen till Tx = p erhålls i detta fall genom att först sätta den variabel som inte svarar mot trappstegsettor till ett godtyckligt tal v, x 4 = v, och därefter bestämma hur trappstegsvariablerna x, x och x 3 måste bero av v för att Tx = p ska bli uppfyllt Detta ger att den allmänna lösningen till Tx = p, och därmed även till Ax = b, är x = 6 v, x = + v, x 3 = 4 v och x 4 = v, som kan skrivas x 6 x = x x 3 = 4 + v, för v IR, ur vilket framgår att vektorn x 4 6 x = 4 enda) kolonn utgör en bas till N (A) är en lösning till Ax = b, medan Z = är en matris vars (i detta fall Om vi nu kräver att Ax = b och x j 5 för alla j, så innebär detta att v måste uppfylla: 6 v 5, v 45, + v 5, v 5, 4 v 5, v 5, och + v 5, v 5 Vi ser att enda möjligheten är att v = 5, vilket svarar mot lösningen x = (35, 5, 5, 5) T 3
4 Uppgift (a) Vi har ett LP-problem på standardformen där A =, b = minimera c T x då Ax = b, x, ( ) 6 och c 9 T = ( 5, 8, 5,, ) Startlösningen ska ha basvariablerna x 4 och x 5, så att β = (4, 5) och ν = (,, 3) Motsvarande basmatris är A β =, medan A ν = Motsvarande baslösning har x β = b och x ν =, där b ges av systemet A β b = b, ) ( ) ) ( ) ( b 6 ( b =, med lösningen b 9 b 6 = = b 9 Vektorn y med simplexmultiplikatorerna erhålls ur systemet A ( ) ( ) ( ) ( ) β Ty = c β, y y =, med lösningen y = = Reducerade kostnaderna för icke-basvariablerna [ ges] av r T ν = c T ν y T A ν = ( 5, 8, 5) (, ) = ( 5, 8, 5) Eftersom r ν = r = 8 är minst, och <, ska vi låta x bli ny basvariabel Då behöver vi beräkna vektorn ā ur systemet A β ā = a, ) ( ) ) (ā (ā =, med lösningen ā = = ā ā ( ) Det största värde som den nya basvariabeln x kan ökas till ges av { } { bi 6 t max = min ā i > = min i ā i, 9 } = 6 = b ā Minimerande index är i =, varför x β = x 4 inte längre ska vara basvariabel Dess plats tas av x Nu är alltså β = (, 5) och ν = (, 4, 3) Motsvarande basmatris är A β =, medan A ν = Motsvarande baslösning har x β = b och x ν =, där b ges av systemet A β b = b, ) ( ) ) ( ) ( b 6 ( b 3 =, med lösningen b = = b 9 b 3 4
5 Vektorn y med simplexmultiplikatorerna erhålls ur systemet A ( ) ( ) ( ) ( β Ty ) = c β, y 8 y 4 =, med lösningen y = = Reducerade kostnaderna för icke-basvariablerna [ ges] av r T ν = c T ν y T A ν = ( 5,, 5) ( 4, ) = (3, 4, ) Eftersom r ν3 = r 3 = är minst, och <, ska vi låta x 3 bli ny basvariabel Då behöver vi beräkna vektorn ā 3 ur systemet A β ā 3 = a 3, ) ( ) ) (ā3 (ā3 =, med lösningen ā 3 = = ā 3 ā 3 ( ) 5 Det största värde som den nya basvariabeln x 3 kan ökas till ges av { } { bi 3 t max = min ā i3 > = min i ā i3 5, 3 } = 3 = b ā 3 Minimerande index är i =, varför x β = x 5 inte längre ska vara basvariabel Dess plats tas av x 3 Nu är alltså β = (, 3) och ν = (, 4, 5) Motsvarande basmatris är A β =, medan A ν = Motsvarande baslösning har x β = b och x ν =, där b ges av systemet A β b = b, ) ( ) ) ( ) ( b 6 ( b 5 =, med lösningen b = = b 9 b 3 Vektorn y med simplexmultiplikatorerna erhålls ur systemet A ( ) ( ) ( ) ( β Ty ) = c β, y 8 y 3 =, med lösningen y = = 5 Reducerade kostnaderna för icke-basvariablerna [ ges] av r T ν = c T ν y T A ν = ( 5,, ) ( 3, ) = (, 3, ) Eftersom r ν så är den aktuella tillåtna baslösningen, x = (, 5, 3,, ) T, optimal lösning till P Optimalvärdet är c T x = = 7 5
6 Uppgift (b) Det primala problemet P är på formen minimera c T x då Ax = b, x Det motsvarande duala problemet D är då på formen som utskrivet blir: maximera b T y då A T y c, maximera 6y + 9 då y + 5, y + 8, y + 5, y, En noggrann figur visar dels att det tillåtna området till D har de fyra hörnpunkterna ( ) ( ) ( ) ( ) 5 3 y () =, y () =, y (3) = och y 3 (4) =, 5 dels att det tillåtna området till D är obegränsat och består av alla punkter på och sydväst om de fem linjesegmenten: y axeln väster om punkten y (), linjestycket mellan punkterna y () och y (), 3 linjestycket mellan punkterna y () och y (3), 4 linjestycket mellan punkterna y (3) och y (4), 5 axeln söder om punkten y (4) Nivåkurvorna till målfunktionen 6y + 9 är parallella linjer vinkelräta mot vektorn (6, 9) T, med växande värden åt nordnordost i figuren Den nivåkurva som svarar mot det maximala värdet på målfunktionen inom det tillåtna området ges ur figuren av den nivåkurva som går genom hörnpunkten y () Denna hörnpunkt, med y = 3 och = är alltså en optimal lösning till D Optimalvärdet är b T y = 6 ( 3) + 9 ( ) = 7 6
7 Uppgift (c) Komplementaritetsvillkoren blir i detta fall: Ax = b, x, A T y c och x j (c A T y) j =, j =,, 5, x + x + x 3 + x 4 = 6, x + x + x 3 + x 5 = 9, x, x, x 3, x 4, x 5, y + + 5, y + + 8, y + + 5, y,, x (y + + 5) =, x (y + + 8) =, x 3 ( y + + 5) =, x 4 y =, x 5 = Insättning av våra erhållna lösningar x = (, 5, 3,, ) T och y = ( 3, ) T ger att = 6, = 9,, 5, 3,,, ( 3) + ( ) + 5, ( 3) + ( ) + 8, ( 3) + ( ) + 5, 3 ( ( 3) + ( ) + 5 ) = ( ) =, 5 ( ( 3) + ( ) + 8 ) = 5 =, 3 ( ( 3) + ( ) + 5 ) = 3 =, ( 3) =, ( ) = Samtliga villkor är alltså uppfyllda, vilket verifierar att x = (, 5, 3,, ) T och y = ( 3, ) T är optimala lösningar till P respektive D 7
8 Uppgift 3(a) Med x () = (, ) T är h(x () ) = (3, 3, 5, 5) T och f(x () ) = h(x() ) T h(x () ) = 34 (x ) (x ) 4 Vidare är h(x) = (x ) (x ) (x + ) (x ), så att h(x() ) = 4 4 (x ) (x + ) 4 I Gauss-Newtons metod ska man lösa ekvationssystemet h(x () ) T h(x () )d = h(x () ) T h(x () ) 3 I vårt fall är h(x () ) T h(x () ) = 3 ( ) 3 d så ekvationssystemet blir = 3 Vi prövar t =, så att x () = x () + t d () = x () + d () = d ( 3 och h(x () ) T h(x () ) = 3 ( ) ( 3, med lösningen d 3 () = ( ) Då blir h(x () ) = (,,, ) T och f(x () ) = < 34 = f(x () ) (med bred marginal) så steget t = accepteras Därmed har vi utfört en fullständig iteration med Gauss-Newtons metod, och erhållit x () = (, ) T Uppgift 3(b) Eftersom f är godtyckligt många gånger deriverbar i alla punkter x IR så är f en konvex funktion på IR om och endast om Hessianen F(x) ( matrisen med andraderivator) är positivt semidefinit i alla punkter x IR 4 När f(x) = h(x)t h(x) så ges Hessianen av F(x) = h(x) T h(x) + h i (x)h i (x) 6x I vårt fall är h(x) T + 3 6x x h(x) = 6x x 6x Vidare är H i (x) =, oberoende av i och x, samt h i (x) = 4x + 4x 4, [ i= 4 4x så att F(x) = h(x) T + 8x h(x) + h i (x)h i (x) = + 4 6x ] x i= 6x x 8x + 4x + 4 = a b = 8, där a = 3x b c + x + 3, b = x x och c = x + 3x + 3 Här är både a 3 > och c 3 > för alla x Vidare är ac b = 3x 4 + 3x4 + 6x x + x + x > för alla x Därmed är F(x) positivt definit för alla x IR, vilket medför att f är en strikt konvex funktion på hela IR i= ), ) 8
9 Uppgift 4(a) Vi har i denna deluppgift ett QP med likhetsbivillkor, ett problem på formen minimera xt Hx + c T x då Ax = b, där H =, c =, A = [ ] och b = 3 Allmänna lösningen till Ax = b, till x + x + x 3 =, ges av x v v x = x = v = + v + = x 3 = x + Zv, där x = kolonner utgör en bas till N (A), och v = är en lösning till Ax = b, Z = ( v + ) ( v är en matris vars ), där v och är godtyckliga reella tal Variabelbytet x = x + Zv leder till att vi ska lösa systemet (Z T HZ)v = Z T (H x + c), förutsatt att Z T HZ är åtminstone positivt semidefinit Vi får att Z T HZ =, som är positivt definit (t >, > och > ) ( ) och Z T (H x + c) = Systemet (Z T HZ)v = Z T (H x + c) har då den unika lösningen ˆv = (/3, /3) T, vilket ger att ˆx = x + Zˆv = (4/3, /3, /3) T är unik optimal lösning till QP-problemet Vår erhållna vektor ˆx = (4/3, /3, /3) T och skalären u uppfyller Lagrangevillkoren för QP-problemet om Hˆx + c = A T u och Aˆx = b, om 4/3 u /3 + = u och 4/3 + /3 + ( /3) = /3 3 u Vi ser att allt detta är uppfyllt om u = 4/3 = 9
10 Uppgift 4(b) Nu ska vi istället försöka maximera f(x) = xt Hx + c T x då Ax = b, med H, c, A och b som i (a)-uppgiften För att få ett ekvivalent minimeringsproblem (som vi är väl hemmastadda med) byter vi tecken på målfunktionen och studera följande ekvivalenta minimeringsproblem: P : minimera xt ( H)x + ( c) T x då Ax = b Vi tillämpar nollrumsmetoden [ och erhåller ] samma x och Z som (a)-uppgiften Men nu blir Z T ( H)Z =, som ej är positivt semidefinit, vilket medför att det inte finns någon optimal lösning till QP-problemet P Nu ska vi försöka hitta tillåtna lösningar x med godtyckligt stora värden på f(x) Variabelbytet x = x + Zv, som garanterar att Ax = b, följt av en Taylorutveckling av andra graden, som är exakt för kvadratiska funktioner, leder till att f(x) = f( x + Zv) = f( x) + (H x + c) T Zv + (Zv)T H (Zv) = = f( x) + (Z T (H x + c)) T v + vt (Z T HZ)v = se (a)-uppgiften ( ) T ( ) ( ) T ( ) v = + + v = + v + + v + v Genom att välja t ex ṽ = ( 6, ) T så blir f( x) = f( x + Zṽ) = + >, där alltså x = x + Zṽ = ( 6, 6, ) T
11 Uppgift 5 Problemet kan skrivas på formen: f(x) = x 4 + x4 + cx x + 4x + 4x 3, g (x) = 4 x x, g (x) = 4 x x 3, g 3 (x) = 4 x x 3 minimera f(x) då g i (x), i =,, 3, där Bivillkorsfunktionerna är linjära, och därmed även konvexa x Målfunktionen har Hessianen F(x) = x, cx 3 som är positivt semidefinit for alla x IR 3 om och endast om c För icke-negativa värden på konstanten c har vi alltså ett konvext optimeringsproblem Vidare uppfyller exempelvis x = (3, 3, 3) T samtliga bivillkor med strikt olikhet, så det betraktade problemet är ett regulärt konvext problem om c, vilket medför att ˆx är en globalt optimal lösning till problemet om och endast om ˆx är en KKT-punkt Om däremot c < så har problemet ingen optimal lösning (Låt exempelvis x(t) = (4, 4, t) T Detta är en tillåten lösning för varje värde på t, och om c < så gäller att f(x(t)) då t ) Uppgift 5(a) KKT-villkoren kan delas upp i fyra grupper enligt följande f 3 g i (KKT ) (x) + y i (x) =, för j =,, 3 : x j x j i= 4x y =, 4x y y 3 =, 4cx y 3 = (KKT ) Tillåten punkt, g i (x) för i =,, 3 : 4 x x, 4 x x 3, 4 x x 3 (KKT 3) Lagrangemultiplikatorerna icke-negativa: y,, y 3 (KKT 4) Komplementaritetsvillkor, y i g i (x) = för i =,, 3 : y (4 x x ) =, y (4 x x 3 ) =, y (4 x x 3 ) =
12 Uppgift 5(b) Antag först att x = (3, 3, ) T Då är 4 x x <, 4 x x 3 = och 4 x x 3 =, så KKT- är uppfyllt Vidare är KKT-4 uppfyllt om och endast om y = När y = så är KKT- uppfyllt om och endast om =, y 3 =, och 4c + 4 y 3 =, vilket är uppfyllt om och endast om =, y 3 = och c = 55 Då är även KKT-3 uppfyllt, och eftersom c = 55 så är x = (3, 3, ) T inte bara en KKT-punkt utan även en globalt optimal lösning när c = 55 Uppgift 5(c) Antag nu att x = (, 3, 3) T Då är 4 x x =, 4 x x 3 = och 4 x x 3 <, så KKT- är uppfyllt Vidare är KKT-4 uppfyllt om och endast om y 3 = När y 3 = så är KKT- uppfyllt om och endast om 8 y =, y =, och 8c + 4 = Men de två första av dessa villkor är uppfyllda endast om y = och = 4, vilket bryter mot KKT-3 Det går alltså inte att välja något värde på c som gör x = (, 3, 3) T till en globalt optimal lösning Uppgift 5(d) Antag slutligen att x = (,, ) T Då är 4 x x =, 4 x x 3 = och 4 x x 3 =, så KKT- och KKT-4 är uppfyllda Villkoren KKT kan nu skrivas y y 3 y + = 36, y + y 3 = 36, + y 3 = 3 c + 4 Lösningen till detta ekvationssystem är, med utnyttjande av den givna räknehjälpen, 36 = 36 = = 3 c c + 4 = c + = 34 6 c 6 c + 6 c + Vi ser att KKT-3 blir uppfyllda om och endast om c 34/6 = 7/8 och c /6 Men vi kräver enligt ovan även att c för att ett globalt optimum ska finnas Alltså: x = (,, ) T en global optimallösning om och endast om c 7/8
Lösningar 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 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 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 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 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 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 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 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 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 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 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 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 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 merLösningar till tentan i 5B1760 Linjär och kvadratisk optimering, 17 december 2003.
Lösningar till tentan i 5B7 Linjär och kvadratisk optimering, 7 december 3 Uppgift (a) 3 Vi använder Gauss-Jordans metod för att överföra A 3 5 till trappstegsform 3 7 Addition av ( ) gånger första raden
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 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 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 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 mer1 Minkostnadsflödesproblem i nätverk
Krister Svanberg, april 2012 1 Minkostnadsflödesproblem i nätverk Ett nätverk består av en given mängd noder numrerade från 1 till m (där m är antalet noder) samt en given mängd riktade bågar mellan vissa
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 26-6- Kaj Holmberg Lösningar Uppgift Hinkpackning (hink = tur med cykeln. Jag använder
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 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 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 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 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 merSF1624 Algebra och geometri Lösningsförslag med bedömningskriterier till kontrollskrivning 2 Fredagen den 28 januari, 2011
SF1624 Algebra och geometri Lösningsförslag med bedömningskriterier till kontrollskrivning 2 Fredagen den 28 januari, 2011 UPPGIFT (1) Låt V vara mängden av vektorer (x 1, x 2, x 3 ) i R 3 som uppfyller
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 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 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 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 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 merTentamen TMA946/MAN280 tillämpad optimeringslära
Tentamen TMA946/MAN80 tillämpad optimeringslära 01081 1. 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,
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 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 merFöreläsning 6: Nätverksoptimering
Föreläsning 6: Nätverksoptimering. Minkostnadsflödesproblem i nätverk.. Modellering och grafteori.. Simplexmetoden. Föreläsning 6 - Ulf Jönsson & Per Enqvist Nätverksoptimering Minkostnadsflödesproblem
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 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 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 merSF1624 Algebra och geometri Lösningsförslag till tentamen DEL A
SF64 Algebra och geometri Lösningsförslag till tentamen 0-0-0 DEL A De tre totalmatriserna 0 3 3 4 0 3 0 0 0 0, 0 3 0 4 4 0 3 0 3 0 0 0 0 och 0 3 0 4 0 3 3 0 0 0 0 0 svarar mot linjära ekvationssystem
Läs merVectorer, spannet av vektorer, lösningsmängd av ett ekvationssystem.
Vectorer, spannet av vektorer, lösningsmängd av ett ekvationssystem. Begrepp som diskuteras i det kapitlet. Vektorer, addition och multiplikation med skalärer. Geometrisk tolkning. Linjär kombination av
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 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 merSF1624 Algebra och geometri Lösningsförslag till modelltentamen DEL A
SF1624 Algebra och geometri Lösningsförslag till modelltentamen DEL A (1) Vid lösningen av ekvationssystemet x 1 3x 2 +3x 3 4x 4 = 1, x 2 +x 3 x 4 = 0, 4x 1 +x 2 x 3 2x 4 = 5, kommer man genom Gausselimination
Läs mer2 = 3 = 1. ekvationssystem är beskriven som de vektorer X = 2 0 1 2. 1 1 0 2
. Tisdagen 35 Igår visade vi att lösningsmängden W R 5 till ekvationssystemet 3x + x 2 + 3x 3 + 2x 4 x 5 = (..) 2x 2 + x 3 + 4x 4 + 2x 5 = 3x 3x 2 + x 3 6x 4 5x 5 = har bas u och u 2 och u 3 där 5 2 6
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 mer6. a) Visa att följande vektorer är egenvektorer till matrisen A = 0 2 0 0 0 0 1 1, och ange motsvarande
MÄLARDALENS HÖGSKOLA Akademin för utbildning, kultur och kommunikation Avdelningen för tillämpad matematik Examinator: Erik Darpö TENTAMEN I MATEMATIK MAA5 Vektoralgebra TEN2 Datum: juni 25 Skrivtid: 3
Läs merSF1624 Algebra och geometri Lösningsförslag till tentamen DEL A
SF1624 Algebra och geometri Lösningsförslag till tentamen 2011-06-09 DEL A (1) Betrakta ekvationssystemet x y 4z = 2 2x + 3y + z = 2 3x + 2y 3z = c där c är en konstant och x, y och z är de tre obekanta.
Läs merHemuppgift 1, SF1861 Optimeringslära för T
Hemuppgift 1, SF1861 Optimeringslära för T Examinator: Per Enqvist, tel: 790 6298, penqvist@math.kth.se. Assistenter: Amol Sasane, sasane@math.kth.se, Mikael Fallgren, werty@kth.se. Lämnas in till någon
Läs merTentamen i Matematik 2: M0030M.
Tentamen i Matematik 2: M0030M. Datum: 2010-01-12 Skrivtid: 09:00 14:00 Antal uppgifter: 6 ( 30 poäng ). Jourhavande lärare: Norbert Euler Telefon: 0920-492878 Tillåtna hjälpmedel: Inga Till alla uppgifterna
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 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 merLösningsförslag till skrivningen i Vektorgeometri (MAA702) måndagen den 30 maj 2005
VÄXJÖ UNIVERSITET Matematiska och systemtekniska institutionen Per-Anders Svensson Lösningsförslag till skrivningen i Vektorgeometri (MAA702) måndagen den 30 maj 2005 Uppgift. Bestäm samtliga vektorer
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 merStora bilden av Linjära algebran. Vektorrum, linjära transformationer, matriser (sammanfattning av begrepp)
Stora bilden av Linjära algebran. Vektorrum, linjära transformationer, matriser (sammanfattning av begrepp) Linjär algebra består av tre grenar eller koncept: geometriska begreppet av vektorrum, analysbegreppet
Läs merand u = och x + y z 2w = 3 (a) Finn alla lösningar till ekvationssystemet
Kursen bedöms med betyg,, 5 eller underkänd, där 5 är högsta betyg. För godkänt betyg krävs minst poäng från uppgifterna -7. Var och en av dessa sju uppgifter kan ge maximalt poäng. För var och en av uppgifterna
Läs merSF1624 Algebra och geometri Lösningsförslag till tentamen Fredagen den 23 oktober, 2009 DEL A
SF1624 Algebra och geometri Lösningsförslag till tentamen Fredagen den 23 oktober, 2009 DEL A (1) (a) Bestäm de övriga rötterna till ekvationen z 3 11z 2 + 43z 65 = 0 när det är känt att en av rötterna
Läs mer1 De fyra fundamentala underrummen till en matris
Krister Svanberg, mars 2012 1 De fyra fundamentala underrummen till en matris 1.1 Definition av underrum En given delmängd M av IR n säges vara ett underrum i IR n om följande gäller: För varje v 1 M,
Läs merHemuppgift 2, SF1861 Optimeringslära för T, VT-10
Hemuppgift 2, SF1861 Optimeringslära för T, VT-1 Kursansvarig: Per Enqvist, tel: 79 6298, penqvist@math.kth.se. Assistenter: Mikael Fallgren, werty@kth.se, Amol Sasane, sasane@math.kth.se. I denna uppgift
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 mer1. Compute the following matrix: (2 p) 2. Compute the determinant of the following matrix: (2 p)
UMEÅ UNIVERSITY Department of Mathematics and Mathematical Statistics Pre-exam in mathematics Linear algebra 2012-02-07 1. Compute the following matrix: (2 p 3 1 2 3 2 2 7 ( 4 3 5 2 2. Compute the determinant
Läs mer2. (a) Skissa grafen till funktionen f(x) = e x 2 x. Ange eventuella extremvärden, inflektionspunkter
Matematik Chalmers Tentamen i TMV225 Inledande matematik M, 2009 08 21, f Telefon: Jonatan Vasilis, 0762 721861 Inga hjälpmedel. Kalkylator ej tillåten. Varje uppgift är värd 10 poäng, totalt 50 poäng.
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 mer1 Grundläggande kalkyler med vektorer och matriser
Krister Svanberg, mars 2015 1 Grundläggande kalkyler med vektorer och matriser Trots att läsaren säkert redan behärskar grundläggande vektor- och matriskalkyler, ges här i Kapitel 1 en repetition om just
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 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 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 merMatriser och vektorer i Matlab
CTH/GU LABORATION 2 TMV157-2014/2015 Matematiska vetenskaper Matriser och vektorer i Matlab 1 Inledning Först skall vi se lite på matriser, vilket är den grundläggande datatypen i Matlab, sedan skall vi
Läs merSF1624 Algebra och geometri Lösningsförslag till modelltentamen DEL A
SF624 Algebra och geometri Lösningsförslag till modelltentamen DEL A () (a) Använd Gauss-Jordans metod för att bestämma lösningsmängden till ekvationssystemet 2x + 4x 2 + 2x 3 + 2x 4 = 2, 3x + 6x 2 x 3
Läs mer6.1 Skalärprodukt, norm och ortogonalitet. TMV141 Linjär algebra E VT 2011 Vecka 6. Lärmål 6.1. Skalärprodukt. Viktiga begrepp
6.1 Skalärprodukt, norm och ortogonalitet TMV141 Linjär algebra E VT 2011 Vecka 6 Skalärprodukt Norm/längd Normerad vektor/enhetsvektor Avståndet mellan två vektorer Ortogonala vektorer Ortogonala komplementet
Läs merOptimeringsproblem. 1 Inledning. 2 Optimering utan bivillkor. CTH/GU STUDIO 6 TMV036c /2015 Matematiska vetenskaper
CTH/GU STUDIO TMV3c - 1/15 Matematiska vetenskaper Optimeringsproblem 1 Inledning Vi skall söka minsta eller största värdet hos en funktion på en mängd, dvs. vi skall lösa s.k. optimeringsproblem min f(x)
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 merThis exam consists of four problems. The maximum sum of points is 20. The marks 3, 4 and 5 require a minimum
Examiner Linus Carlsson 016-01-07 3 hours In English Exam (TEN) Probability theory and statistical inference MAA137 Aids: Collection of Formulas, Concepts and Tables Pocket calculator This exam consists
Läs merPre-Test 1: M0030M - Linear Algebra.
Pre-Test : M3M - Linear Algebra. Test your knowledge on Linear Algebra for the course M3M by solving the problems in this test. It should not take you longer than 9 minutes. M3M Problem : Betrakta fyra
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 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 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 merLösningar till några övningar inför lappskrivning nummer 3 på kursen Linjär algebra för D, vt 15.
1 Matematiska Institutionen KTH Lösningar till några övningar inför lappskrivning nummer 3 på kursen Linjär algebra för D, vt 15. 1. Undersök om vektorn (1,, 1, ) tillhör span{(1,, 3, 4), (1, 0, 1, 1),
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 merHemuppgift 1, SF1861 Optimeringslära, VT 2017
Hemuppgift 1, SF1861 Optimeringslära, VT 2017 Examinator: Krister Svanberg, tel: 790 7137, krille@math.kth.se. Labassistent: David Ek, daviek@kth.se, Lämnas i Matematiks svarta postlåda (SF) för inlämningsuppgifter,
Läs merUppsala Universitet Matematiska Institutionen Bo Styf. Sammanfattning av föreläsningarna
Uppsala Universitet Matematiska Institutionen Bo Styf LAoG I, 5 hp ES, KandMa, MatemA -9-6 Sammanfattning av föreläsningarna 3-7 Föreläsningarna 3 7, 8/ 5/ : Det viktigaste är här att du lär dig att reducera
Läs merSF1624 Algebra och geometri Lösningsförslag med bedömningskriterier till kontrollskrivning 1 Måndagen den 29 november, 2010
SF624 Algebra och geometri Lösningsförslag med bedömningskriterier till kontrollskrivning Måndagen den 29 november, 200 UPPGIFT () Betrakta det linjära ekvationssystemet x + x 2 + x 3 = 7, x x 3 + x 4
Läs merAlgebraiska egenskaper hos R n i)u + v = v + U
Underrum till R n, nollrum, kolonnrum av en matris, rank, bas, koordinater, dimension. Påminnelse om R n s egenskaper: Algebraiska egenskaper hos R n i)u + v = v + U v) c(u + v) = cu + cv ii) ( u + v)
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 mer7 Extremvärden med bivillkor, obegränsade områden
Nr 7, 1 mars -5, Amelia 7 Extremvärden med bivillkor, obegränsade områden Största och minsta värden handlar om en funktions värdemängd. Värdemängden ligger givetvis mellan det största och minsta värdet,
Läs mer1. Vi skriver upp ekvationssystemet i matrisform och gausseliminerar tills vi når trappstegsform,
Lösningsförslag, Matematik 2, E, I, M, Media och T, 2 2 8.. Vi skriver upp ekvationssystemet i matrisform och gausseliminerar tills vi når trappstegsform, 2 2 2 a 2 2 2 a 2 2-2 2 a 7 7 2 a 7 7-7 2 a +
Läs mer1. (Dugga 1.1) (a) Bestäm v (3v 2u) om v = . (1p) and u =
Kursen bedöms med betyg,, 5 eller underkänd, där 5 är högsta betyg. För godkänt betyg krävs minst poäng från uppgifterna -7. Var och en av dessa sju uppgifter kan ge maximalt poäng. För var och en av uppgifterna
Läs merSKRIVNING I VEKTORGEOMETRI
SKRIVNING I VEKTORGEOMETRI 2014-11-25 1400-1700 Om inget annat uttryckligen sägs, kan koordinaterna för en vektor i antas vara givna i en ON-bas Baser i rummet kan dessutom antas vara positivt orienterade
Läs merTMV166/186 Linjär Algebra M/TD 2011/2012 Läsvecka 1. Omfattning. Innehåll 2012-01-20. Lay, kapitel 1.1-1.9, Linjära ekvationer i linjär algebra
TMV166/186 Linjär Algebra M/TD 2011/2012 Läsvecka 1 Omfattning Lay, kapitel 1.1-1.9, Linjära ekvationer i linjär algebra Innehåll Olika aspekter av linjära ekvationssystem 1. skärning mellan geometriska
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 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 merdenna del en poäng. 1. (Dugga 1.1) och v = (a) Beräkna u (2u 2u v) om u = . (1p) och som är parallell
Kursen bedöms med betyg, 4, 5 eller underänd, där 5 är högsta betyg. För godänt betyg rävs minst 4 poäng från uppgifterna -7. Var och en av dessa sju uppgifter an ge maximalt poäng. För var och en av uppgifterna
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 merDagens program. Linjära ekvationssystem och matriser
Dagens program Matriser Räkneoperationer och räknelagar Linjära ekvationssystem och matriser Matrisform av ekvationssystem Elementära radoperationer Trappstegsmatriser, rang och lösningsstruktur Matrisinvers,
Läs merlinjära ekvationssystem.
CTH/GU LABORATION 2 TMV216/MMGD20-2017/2018 Matematiska vetenskaper 1 Inledning Linjära ekvationssystem Denna laboration börjar med att vi påminner oss om matriser i Matlab samtidigt som vi börjar se på
Läs merDEL I. Matematiska Institutionen KTH. Lösning till tentamensskrivning på kursen Linjär algebra II, SF1604 för D, den 5 juni 2010 kl
1 Matematiska Institutionen KTH Lösning till tentamensskrivning på kursen Linjär algebra II, SF164 för D, den 5 juni 21 kl 9.- 14.. Examinator: Olof Heden. Hjälpmedel: Inga hjälpmedel är tillåtna på tentamensskrivningen.
Läs merTentamen i Matematik 2: M0030M.
Tentamen i Matematik 2: M0030M. Datum: 203-0-5 Skrivtid: 09:00 4:00 Antal uppgifter: 2 ( 30 poäng ). Examinator: Norbert Euler Tel: 0920-492878 Tillåtna hjälpmedel: Inga Betygsgränser: 4p 9p = 3; 20p 24p
Läs mer1 Find the area of the triangle with vertices A = (0,0,1), B = (1,1,0) and C = (2,2,2). (6p)
Divsion of Mathematics Examination Vector algebra and applied mathematics MAA150 - TEN2 Mälardalen University Date: 2015-11-06 Examiner: Mats Bodin Exam aids: not any All solutions should be presented
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 merUppsala Universitet Matematiska Institutionen Thomas Erlandsson
Uppsala Universitet Matematiska Institutionen Thomas Erlandsson MATRISER MED MERA VEKTORRUM DEFINITION Ett vektorrum V är en mängd av symboler u som vi kan addera samt multiplicera med reella tal c så
Läs mer