4EK314 Diskrétní modely
|
|
- Julie Bártová
- před 5 lety
- Počet zobrazení:
Transkript
1 4EK314 Diskrétní modely Jan Fábry Fakulta informatiky a statistiky Katedra ekonometrie fabry@vse.cz Únor 2016, Praha Jan Fábry Diskrétní modely 1 / 153
2 Sylabus kurzu 1 Úloha celočíselného programování 2 Modelování základních úloh IP a MIP 3 Úlohy na grafech Tokové úlohy Okružní a rozvozní úlohy 4 Speciální omezení s logickými proměnnými 5 Vlastnosti diskrétních úloh 6 Řešení úloh - metody a algoritmy Relaxace Exaktní metody Výpočetní složitost Heuristiky a metaheuristiky Jan Fábry Diskrétní modely 2 / 153
3 Sylabus kurzu 1 Úloha celočíselného programování 2 Modelování základních úloh IP a MIP 3 Úlohy na grafech Tokové úlohy Okružní a rozvozní úlohy 4 Speciální omezení s logickými proměnnými 5 Vlastnosti diskrétních úloh 6 Řešení úloh - metody a algoritmy Relaxace Exaktní metody Výpočetní složitost Heuristiky a metaheuristiky Jan Fábry Diskrétní modely 3 / 153
4 Úloha celočíselného programování Obecná úloha lineárního programování (LP): z LP = maxfc T x : Ax b; x 2 R n +g: (1) Úloha celočíselného programování (IP): z IP = maxfc T x : Ax b; x 2 Z n +g: (2) z LP z IP neboť Z n + R n + P = fx : Ax b; x 2 R n +g; S = fx : Ax b; x 2 Z n +g; S P Úloha smíšeně-celočíselného programování (MIP): z MIP = maxfc T x + h T y : Ax + Gy b; x 2 R n + ; y 2 Zp +g: (3) Úloha bivalentního programování (BIP): z BIP = maxfc T x : Ax b; x 2 B n g; B = f0; 1g: (4) Jan Fábry Diskrétní modely 4 / 153
5 Sylabus kurzu 1 Úloha celočíselného programování 2 Modelování základních úloh IP a MIP 3 Úlohy na grafech Tokové úlohy Okružní a rozvozní úlohy 4 Speciální omezení s logickými proměnnými 5 Vlastnosti diskrétních úloh 6 Řešení úloh - metody a algoritmy Relaxace Exaktní metody Výpočetní složitost Heuristiky a metaheuristiky Jan Fábry Diskrétní modely 5 / 153
6 Modelování základních úloh IP a MIP 1. Úloha výrobního plánování Proměnné: x i je počet kusů i-tého typu produktu Omezující podmínky: x 1 ; x 2 ; : : : ; x n - celé 2. Řezná úloha Proměnné: x i je počet kusů původního materiálu rozděleného podle i-tého řezného schématu Omezující podmínky: x 1 ; x 2 ; : : : ; x n - celé Účelová funkce: minimalizace počtu rozřezaných kusů původního materiálu minimalizace odpadu maximalizace počtu výrobků sestavených z nařezaných dílů (maximalizace zisku) Jan Fábry Diskrétní modely 6 / 153
7 Modelování základních úloh IP a MIP 3. (0-1) Úloha batohu Formulace: Je dán rozpočet b pro investice do n uvažovaných projektů, kde a j je hodnota nákladů na projekt j a c j je jeho očekávaný výnos. Cílem je vybrat takový soubor projektů, který maximalizuje celkový očekávaný výnos a nepřekročí daný rozpočet. Proměnné: ( 1 je-li projekt j vybrán x j = (5) 0 jinak Model: max nx j=1 nx j=1 c j x j (6) a j x j b (7) x j 2 f0; 1g pro j = 1; 2; : : : ; n (8) Jan Fábry Diskrétní modely 7 / 153
8 Modelování základních úloh IP a MIP 4. Úloha perfektního párování Formulace: Na školním výletě má být n (sudé číslo) studentů rozřazeno do dvoulůžkových pokojů. Pro potenciální spolubydlící i a j je dán index spokojenosti c ij. Cílem je umístit studenty do pokojů tak, abychom maximalizovali celkovou spokojenost třídy. Proměnné: ( 1 jestliže studenti i a j jsou spolubydlící x ij = i < j (9) 0 jinak Model: n X1 nx max c ij x ij (10) X j <i x ji + X j >i x ij 2 f0; 1g pro i=1 j=i+1 x ij = 1 pro i = 1; 2; : : : ; n (11) i = 1; 2; : : : ; n 1 j = i + 1; i + 2; : : : ; n (12) Jan Fábry Diskrétní modely 8 / 153
9 Modelování základních úloh IP a MIP 5. Zobecněný přiřazovací problém Formulace: Uvažujme m čerpacích stanic odebírajících naftu z n terminálů. Každá stanice i může odebírat naftu pouze z jednoho terminálu, její požadavek je a i. Kapacita terminálu j je b j. Pokud stanice i odebírá naftu z terminálu j, jsou účtovány fixní náklady c ij. Cílem je minimalizovat celkové náklady. Proměnné: x ij = ( 1 jestliže stanice i odebírá naftu z terminálu j 0 jinak (13) Jan Fábry Diskrétní modely 9 / 153
10 Modelování základních úloh IP a MIP 5. Zobecněný přiřazovací problém Model: nx j=1 mx i=1 min mx nx i=1 j=1 c ij x ij (14) x ij = 1 pro i = 1; 2; : : : ; m (15) a i x ij b j pro j = 1; 2; : : : ; n (16) x ij 2 f0; 1g pro i = 1; 2; : : : ; m j = 1; 2; : : : ; n (17) Jan Fábry Diskrétní modely 10 / 153
11 Modelování základních úloh IP a MIP 6. Lineární přiřazovací problém Formulace: K dispozici máme n pracovníků schopných provést n úkolů. Každý pracovník má vykonávat právě jeden úkol. Realizace j -tého úkolu i-tým pracovníkem je ohodnocena náklady c ij. Cílem je rozdělit mezi pracovníky všechny úkoly s minimální výší celkových nákladů. Variables: x ij = ( 1 jestliže pracovník i vykonává úkol j 0 jinak (18) Jan Fábry Diskrétní modely 11 / 153
12 Modelování základních úloh IP a MIP 6. Lineární přiřazovací problém Model: nx j=1 nx i=1 min nx nx i=1 j=1 c ij x ij (19) x ij = 1 pro i = 1; 2; : : : ; n (20) x ij = 1 pro j = 1; 2; : : : ; n (21) x ij 2 f0; 1g pro i = 1; 2; : : : ; n j = 1; 2; : : : ; n (22) Jan Fábry Diskrétní modely 12 / 153
13 Modelování základních úloh IP a MIP 7. Úzkoprofilový přiřazovací problém Formulace: Je dáno n úkolů a n paralelních strojů k jejich realizaci. Koeficient c ij představuje dobu nutnou pro dokončení úkolu i strojem j. Cílem je minimalizovat dobu, za kterou budou úkoly dokončeny (všechny stroje začnou na úkolech pracovat současně). Proměnné: x ij = ( 1 jestliže úkol i je přiřazen na stroj j 0 jinak (23) T = čas dokončení posledního úkolu (24) Jan Fábry Diskrétní modely 13 / 153
14 Modelování základních úloh IP a MIP 7. Úzkoprofilový přiřazovací problém Model: min T (25) c ij x ij T nx j=1 nx i=1 pro i = 1; 2; : : : ; n j = 1; 2; : : : ; n (26) x ij = 1 pro i = 1; 2; : : : ; n (27) x ij = 1 pro j = 1; 2; : : : ; n (28) x ij 2 f0; 1g pro i = 1; 2; : : : ; n j = 1; 2; : : : ; n (29) Jan Fábry Diskrétní modely 14 / 153
15 Modelování základních úloh IP a MIP 8. Kvadratický přiřazovací problém Formulace: Množina n zařízení má být umístěna na n pracovišť (na každém pracovišti bude právě jedno zařízení). Koeficient c ij představuje hodnotu toku produktů od zařízení i k zařízení j a d kl je vzdálenost mezi pracovišti k a l. Cílem je rozmístit zařízení na pracoviště s minimálními náklady. Variables: x ik = ( 1 je-li zařízení i umístěno na pracoviště k 0 jinak (30) Jan Fábry Diskrétní modely 15 / 153
16 Modelování základních úloh IP a MIP 8. Kvadratický přiřazovací problém Model: min nx k=1 nx i=1 nx nx nx nx i=1 j=1 k=1 l=1 c ij d kl x ik x jl (31) x ik = 1 pro i = 1; 2; : : : ; n (32) x ik = 1 pro k = 1; 2; : : : ; n (33) x ik 2 f0; 1g pro i = 1; 2; : : : ; n k = 1; 2; : : : ; n (34) Jan Fábry Diskrétní modely 16 / 153
17 Modelování základních úloh IP a MIP 8. Kvadratický přiřazovací problém Linearizace účelové funkce: y ijkl = 8 >< >: 1 jestliže zařízení i je umístěno na pracoviště k a zařízení j je umístěno na pracoviště l (35) 0 jinak min nx nx nx nx i=1 j=1 k=1 l=1 c ij d kl y ijkl (36) y ijkl x ik + x jl 1 pro i ; j ; k ; l = 1; 2; : : : ; n (37) Jan Fábry Diskrétní modely 17 / 153
18 Modelování základních úloh IP a MIP 8. Kvadratický přiřazovací problém Aplikace: Letovací problém Přiřazení letadel k odletovým bránám Jan Fábry Diskrétní modely 18 / 153
19 Modelování základních úloh IP a MIP 9. Pokrytí, dělení a rozklad množiny Formulace: Nechť M = f1; 2; : : : ; mg je konečná množina úkolů a N = f1; 2; : : : ; ng konečná množina firem zajišťujících tyto úkoly. Je dána matice A s hodnotami a ij = 1, jestliže firma j je schopna řešit úkol i, a ij = 0 jinak. Jestliže j -tá firma bude vybrána, bude si účtovat náklady c j. Cílem je pokrýt všechny úkoly s minimálními celkovými náklady. Nechť M j M je množina úkolů, které je firma j 2 N schopna řešit. Říkáme, že F N je pokrytím M, jestliže [ j 2F M j = M F N je dělením M, jestliže M j \ M k = ; pro všechna j ; k 2 F ; j 6= k F N je rozkladem M, jestliže F je pokrytím a dělením M Jan Fábry Diskrétní modely 19 / 153
20 Modelování základních úloh IP a MIP 9. Pokrytí, dělení a rozklad množiny Proměnné: ( 1 jestliže firma j je vybrána, tj. j 2 F x j = (38) 0 jinak Model: (pokrytí) (dělení) (rozklad) nx nx j=1 nx j=1 j=1 min nx j=1 a ij x j 1 a ij x j 1 a ij x j = 1 c j x j (39) pro i = 1; 2; : : : ; m pro i = 1; 2; : : : ; m (40) pro i = 1; 2; : : : ; m x j 2 f0; 1g pro j = 1; 2; : : : ; n (41) Jan Fábry Diskrétní modely 20 / 153
21 Modelování základních úloh IP a MIP 9. Pokrytí, dělení a rozklad množiny Aplikace: Nechť N = f1; 2; : : : ; ng je množina potenciálních lokalit pro umístění hasičských stanic. Náklady na umístění stanice v lokalitě j jsou c j. Nechť M = f1; 2; : : : ; mg je množina oblastí, které mají být zajištěny. Množina M j obsahuje oblasti, které je možné zajistit z lokality j (např. jsou dosažitelné ze stanice v rámci 10 minut). Přiřazení posádek letům. Rozvržení pracovníků na směny. Jan Fábry Diskrétní modely 21 / 153
22 Modelování základních úloh IP a MIP 10. Úloha optimálního rozmístění zařízení Formulace: Je dána množina M = f1; 2; : : : ; mg lokalit pro umístění zařízení a množina zákazníků N = f1; 2; : : : ; ng. Nechť a i je kapacita zařízení v lokalitě i a b j je velikost poptávky j -tého zákazníka. Za využití lokality i se účtují fixní náklady f i. Přeprava jedné jednotky z lokality i k zákazníkovi j stojí c ij. Cílem je rozhodnout, kam umístit zařízení a jaké množství přepravit mezi jednotlivými lokalitami a zákazníky tak, aby celkové náklady byly minimální. Proměnné: ( 1 jestliže zařízení bude umístěno v lokalitě i x i = (42) 0 jinak y ij = množství přepravené z lokality i k zákazníkovi j (43) Jan Fábry Diskrétní modely 22 / 153
23 Modelování základních úloh IP a MIP 10. Úloha optimálního rozmístění zařízení Model: nx j=1 mx i=1 min mx nx i=1 j=1 c ij y ij + mx i=1 f i x i (44) y ij a i x i pro i = 1; 2; : : : ; m (45) y ij = b j pro j = 1; 2; : : : ; n (46) x i 2 f0; 1g pro i = 1; 2; : : : ; m (47) y ij 2 R + pro i = 1; 2; : : : ; m j = 1; 2; : : : ; n (48) Jan Fábry Diskrétní modely 23 / 153
24 Modelování základních úloh IP a MIP 11. Úloha výrobního plánování s fixními náklady Formulace: Lze vyrábět n produktů na n výrobních linkách (každý produkt na jedné VL). Pokud je VL i využita (tj. vyrábí se produkt i), účtují se fixní náklady f i. Jednotkový zisk z produktu i je c i. Jsou definované standardní (kapacitní) omezující podmínky úlohy výrobního plánování. Cílem je maximalizovat celkový zisk z produkce snížený o fixní náklady. Proměnné: ( 1 jestliže se produkt i vyrábí (na VL i) x i = (49) 0 jinak y i = objem výroby produktu i (50) Jan Fábry Diskrétní modely 24 / 153
25 Modelování základních úloh IP a MIP 11. Úloha výrobního plánování s fixními náklady Model: (kapacitní omezení) max nx i=1 nx i=1 c i y i nx i=1 f i x i (51) a li y i b l pro l = 1; 2; : : : ; m (52) y i Mx i pro i = 1; 2; : : : ; n (53) x i 2 f0; 1g pro i = 1; 2; : : : ; n (54) y i 2 R + pro i = 1; 2; : : : ; n (55) M = vysoká konstanta Jan Fábry Diskrétní modely 25 / 153
26 Modelování základních úloh IP a MIP 12. Kontejnerový dopravní problém Formulace: Homogenní zboží je přepravováno přímo od m dodavatelů k n odběratelům. Nechť a i je kapacita dodavatele i a b j je požadavek odběratele j. Pro přepravu jsou použity kontejnery o kapacitě K ; za přepravu jednoho kontejneru mezi dodavatelem i a odběratelem j se účtují náklady c ij. Cílem je uspokojit požadavky všech odběratelů s minimálními přepravními náklady. Proměnné: y ij = objem přepravy od dodavatele i k odběrateli j (56) x ij = počet kontejnerů použitých pro přepravu zboží od dodavatele i k odběrateli j (57) Jan Fábry Diskrétní modely 26 / 153
27 Modelování základních úloh IP a MIP 12. Kontejnerový dopravní problém Model: mx min nx j=1 mx i=1 nx i=1 j=1 c ij x ij (58) y ij a i pro i = 1; 2; : : : ; m (59) y ij = b j pro j = 1; 2; : : : ; n (60) y ij Kx ij y ij 2 R + x ij 2 Z + pro pro pro i = 1; 2; : : : ; m j = 1; 2; : : : ; n i = 1; 2; : : : ; m j = 1; 2; : : : ; n i = 1; 2; : : : ; m j = 1; 2; : : : ; n (61) (62) (63) Jan Fábry Diskrétní modely 27 / 153
28 Modelování základních úloh IP a MIP 13. Rozšířená úloha batohu Formulace 1: Je dána množina n předmětů, které mohou být umístěny do m kontejnerů. Je dána hmotnost předmětu j, kterou označíme w j a jeho hodnota c j. Kontejner i má nosnost K i. Cílem je maximalizovat celkovou hodnotu všech vybraných položek. Proměnné: x ij = ( 1 jestliže předmět j je umístěn do kontejneru i 0 jinak (64) Jan Fábry Diskrétní modely 28 / 153
29 Modelování základních úloh IP a MIP 13. Rozšířená úloha batohu Model: max nx j=1 mx i=1 mx nx i=1 j=1 c j x ij (65) x ij 1 pro j = 1; 2; : : : ; n (66) w j x ij K i pro i = 1; 2; : : : ; m (67) x ij 2 f0; 1g pro i = 1; 2; : : : ; m j = 1; 2; : : : ; n (68) Jan Fábry Diskrétní modely 29 / 153
30 Modelování základních úloh IP a MIP 13. Rozšířená úloha batohu Formulace 2: Je dána množina n typů předmětů, které mají být převezeny s využitím m kontejnerů s identickou nosností K. Pro typ předmětu j je dána jeho hmotnost w j a počet r j, který má být převezen. Cílem je minimalizovat počet použitých kontejnerů k přepravě všech předmětů. Proměnné: ( 1 je-li kontejner i použitý x i = (69) 0 jinak y ij = počet položek typu j umístěných v kontejneru i (70) Jan Fábry Diskrétní modely 30 / 153
31 Modelování základních úloh IP a MIP 13. Rozšířená úloha batohu Model: nx j=1 mx i=1 min mx i=1 x i (71) y ij = r j pro j = 1; 2; : : : ; n (72) w j y ij Kx i pro i = 1; 2; : : : ; m (73) x i 2 f0; 1g pro i = 1; 2; : : : ; m (74) y ij 2 Z + pro i = 1; 2; : : : ; m j = 1; 2; : : : ; n (75) Jan Fábry Diskrétní modely 31 / 153
32 Sylabus kurzu 1 Úloha celočíselného programování 2 Modelování základních úloh IP a MIP 3 Úlohy na grafech Tokové úlohy Okružní a rozvozní úlohy 4 Speciální omezení s logickými proměnnými 5 Vlastnosti diskrétních úloh 6 Řešení úloh - metody a algoritmy Relaxace Exaktní metody Výpočetní složitost Heuristiky a metaheuristiky Jan Fábry Diskrétní modely 32 / 153
33 Úlohy na grafech Úvod to teorie grafů Graf je množina G = fv ; Eg, kde V je množina uzlů (vrcholů) a E množina hran. Neorientovaná hrana je množina dvou uzlů fi ; j g. Orientovaná hrana je uspořádaná dvojice uzlů (i ; j ). V neorientovaném grafu jsou všechny hrany neorientované. V orientovaném grafu (digrafu) jsou všechny hrany orientované. Smíšený graf obsahuje neorientované i orientované hrany. Dva uzly spojené hranou se nazývají sousední. Dvě hrany se společným uzlem se nazývají sousední. Hrana a vrchol obsažený v této hraně se nazývají incidentní. Stupeň uzlu (v neorientovaném grafu) je počet hran s ním incidentních. Vstupní polostupeň uzlu (v orientovaném grafu) je počet incidentních hran, v nichž je tento uzel koncovým uzlem. Jan Fábry Diskrétní modely 33 / 153
34 Úlohy na grafech Úvod to teorie grafů Výstupní polostupeň uzlu (v orientovaném grafu) je počet incidentních hran, v nichž je tento uzel počátečním uzlem. Sled z uzlu i do uzlu j je posloupnost uzlů a hran, která začíná v uzlu i a končí v uzlu j (uzly a hrany se mohou opakovat). Tah je sled, v němž se neopakují žádné hrany. Cesta je tah, v němž se neopakují žádné uzly. Cyklus je uzavřený sled (začíná a končí ve stejném uzlu). V orientované cestě (v orientovaném grafu) je respektována orientace všech hran. V neorientované cestě (v orientovaném grafu) nemusí být orientace hran respektována. Neorientovaný graf je souvislý, jestliže mezi každými dvěma uzly existuje cesta. Orientovaný graf je souvislý, jestliže mezi každými dvěma uzly existuje orientovaná nebo neorientovaná cesta. Jan Fábry Diskrétní modely 34 / 153
35 Úlohy na grafech Úvod to teorie grafů Orientovaný graf je silně souvislý, jestliže mezi každými dvěma uzly existuje orientovaná cesta. Neorientovaný graf je úplný, jestliže mezi každými dvěma uzly existuje hrana. Strom je souvislý neorientovaný graf, v němž neexistuje cyklus. Podgraf grafu G = fv ; Eg je graf G 0 = fv 0 ; E 0 g, kde V 0 V a E 0 E. Kostra grafu G je podgraf G 0, kde V 0 = V, a který je stromem. V ohodnoceném grafu jsou uzlům a/nebo hranám přiřazena čísla. Hamiltonův cyklus v grafu je cyklus, který obsahuje každý uzel grafu právě jednou. Eulerův cyklus v grafu obsahuje každou jeho hranu právě jednou. Eulerův tah v grafu je tah, který obsahuje každou jeho hranu. Eulerovský graf je graf, v němž existuje Eulerův cyklus. Jan Fábry Diskrétní modely 35 / 153
36 Sylabus kurzu 1 Úloha celočíselného programování 2 Modelování základních úloh IP a MIP 3 Úlohy na grafech Tokové úlohy Okružní a rozvozní úlohy 4 Speciální omezení s logickými proměnnými 5 Vlastnosti diskrétních úloh 6 Řešení úloh - metody a algoritmy Relaxace Exaktní metody Výpočetní složitost Heuristiky a metaheuristiky Jan Fábry Diskrétní modely 36 / 153
37 Tokové úlohy 1. Úloha hledání maximálního toku Formulace: Nechť G = fv ; Eg je digraf, v němž je pro každou hranu (i ; j ) definována její kapacita k ij. Cílem je nalézt maximální hodnotu toku mezi zdrojem s a místem určení (stokem) d. Proměnné: x ij = hodnota toku z uzlu i do uzlu j (76) F = hodnota celkového toku (77) Model: max F (78) X x ij j 2V (i; j)2e X j 2V (j ; i)2e x ji = 8 >< >: F pro i = s 0 pro i 2 V n fs; dg F pro i = d (79) x ij k ij pro (i ; j ) 2 E (80) x ij 2 R + pro (i ; j ) 2 E (81) F 2 R + (82) Jan Fábry Diskrétní modely 37 / 153
38 Tokové úlohy 1. Úloha hledání maximálního toku Alternativní model: Přidáme fiktivní orientovanou hranu ze stoku d do zdroje s, která má kapacitu k ds = M (vysoká konstanta). Proměnné: x ij = hodnota toku z uzlu i do uzlu j (83) Model: X x ij j 2V (i; j)2e X j 2V (j ; i)2e max x ds (84) x ji = 0 pro i 2 V (85) x ij k ij pro (i ; j ) 2 E (86) x ij 2 R + pro (i ; j ) 2 E (87) Jan Fábry Diskrétní modely 38 / 153
39 Tokové úlohy 2. Úloha hledání toku s minimálními náklady Formulace: Nechť G = fv ; Eg je digraf, v němž pro každou hranu (i ; j ) je definována její kapacita k ij a jednotkové náklady c ij. Cílem je splnit požadovanou hodnotu celkového toku F 0 (ze zdroje s do stoku d) s minimálními celkovými náklady. Proměnné: x ij = hodnota toku z uzlu i do uzlu j (88) Model: X x ij j 2V (i; j)2e X j 2V (j ; i)2e min X i2v x ji = 8 >< >: X j 2V (i;j)2e F 0 c ij x ij (89) pro i = s 0 pro i 2 V n fs; dg F 0 pro i = d (90) x ij k ij pro (i ; j ) 2 E (91) x ij 2 R + pro (i ; j ) 2 E (92) Jan Fábry Diskrétní modely 39 / 153
40 Tokové úlohy 3. Úloha hledání maximálního toku s limitovanými náklady Formulace: Nechť G = fv ; Eg je digraf, v němž pro každou hranu (i ; j ) je definována její kapacita k ij a jednotkové náklady c ij. Cílem je nalézt maximální hodnotu toku mezi zdrojem s a místem určení (stokem) d při respektování omezených celkových nákladů C 0. Proměnné: x ij = hodnota toku z uzlu i do uzlu j (93) F = hodnota celkového toku (94) Model: X X i2v j 2V (i;j)2e max F (95) c ij x ij C 0 (96) a omezující podmínky (79) - (82) Jan Fábry Diskrétní modely 40 / 153
41 Tokové úlohy 4. Úloha hledání toku s minimálními fixními náklady Formulace: Nechť G = fv ; Eg je digraf, v němž je pro každou hranu (i ; j ) definována její kapacita k ij. Za využití hrany (i ; j ) je účtována částka c ij. Cílem je splnit požadovanou hodnotu celkového toku F 0 (ze zdroje s do stoku d) s minimálními celkovými fixními náklady. Proměnné: x ij = hodnota toku z uzlu i do uzlu j (97) y ij = ( 1 je-li hrana (i ; j ) využita 0 jinak (98) Jan Fábry Diskrétní modely 41 / 153
42 Tokové úlohy 4. Úloha hledání toku s minimálními fixními náklady Model: X X min c ij y ij (99) i2v X x ij j 2V (i; j)2e X j 2V (j ; i)2e x ji = j 2V (i;j)2e 8 >< >: F 0 pro i = s 0 pro i 2 V n fs; dg F 0 pro i = d (100) x ij k ij y ij pro (i ; j ) 2 E (101) y ij 2 f0; 1g pro (i ; j ) 2 E (102) Jan Fábry Diskrétní modely 42 / 153
43 Tokové úlohy 5. Víceproduktová toková úloha Formulace: Nechť G = fv ; Eg je digraf a Q je množina produktů, které mají být dopraveny ze zdroje s do stoku d. Pro každý produkt q 2 Q je zadáno požadované množství F q 0. Celková hodnota toku všech produktů hranou (i ; j ) nesmí překročit její kapacitu k ij. Tok jedné jednotky produktu q hranou (i ; j ) je ohodnocen náklady c q ij. Cílem je přepravit požadovaná množství všech produktů s minimálními celkovými náklady. Proměnné: x q ij = množství produktu q přepravené (103) z uzlu i do uzlu j Jan Fábry Diskrétní modely 43 / 153
44 Tokové úlohy 5. Víceproduktová toková úloha Model: X min q2q X x q ij j 2V (i; j)2e X j 2V (j ; i)2e x q ji = X q2q 8 >< >: F q 0 X X i2v j 2V (i;j)2e c q ij x q ij (104) pro i = s; q 2 Q 0 pro i 2 V n fs; dg; q 2 Q F q 0 pro i = d; q 2 Q (105) x q ij k ij pro (i ; j ) 2 E (106) x q ij 2 R + pro (i ; j ) 2 E ; q 2 Q (107) Jan Fábry Diskrétní modely 44 / 153
45 Tokové úlohy 6. Přepravní úloha (Transshipment Problem) Formulace: Nechť G = fv ; Eg je digraf se třemi množinami uzlů: množina zdrojů V s, množina cílových uzlů V d a množina průběžných uzlů V t. Nechť a i > 0 je velikost nabídky homogenního produktu ve zdroji i 2 V s a a i < 0 je velikost poptávky po produktu v cílovém uzlu i 2 V d. Pro průběžný uzel i 2 V t platí a i = 0. Pro každou hranu (i ; j ) je definována její kapacita k ij a jednotkové náklady c ij. Poptávka ve všech cílových uzlech musí být uspokojena, aniž by došlo v některém zdroji k překročení jeho nabídky. Cílem je minimalizovat celkové náklady. Předpokládejme, že velikost celkové poptávky je rovna velikosti celkové nabídky. Předpoklady: V = V s [V d [V t a V s \V d \V t = ; (108) X i2v s a i + X i2v d a i = 0 (109) Jan Fábry Diskrétní modely 45 / 153
46 Tokové úlohy 6. Přepravní úloha (Transshipment Problem) Proměnné: x ij = hodnota toku z uzlu i do uzlu j (110) Model: X x ij j 2V (i; j)2e min X i2v X j 2V (j ; i)2e X j 2V (i;j)2e c ij x ij (111) x ji = a i pro i 2 V (112) x ij k ij pro (i ; j ) 2 E (113) x ij 2 R + pro (i ; j ) 2 E (114) Jan Fábry Diskrétní modely 46 / 153
47 Tokové úlohy 7. Minimální kostra grafu Formulace: Nechť G = fv ; Eg je neorientovaný graf, v němž jsou pro každou hranu fi ; j g definovány náklady c ij. Cílem je najít kostru grafu G s minimálními celkovými náklady odpovídajícími součtu nákladů vybraných hran. Úprava grafu: Množina neorientovaných hran E je převedena na množinu orientovaných hran A takto: Každá hrana fi ; j g 2 E je nahrazena dvojicí orientovaných hran (i ; j ) 2 A a (j ; i) 2 A, c ji = c ij. Proměnné: ( 1 je-li hrana (i ; j ) vybrána x ij = (115) 0 jinak y ij = hodnota toku z uzlu i do uzlu j (116) Jan Fábry Diskrétní modely 47 / 153
48 Tokové úlohy 7. Minimální kostra grafu Model: min X i2v X X j 2V (i; j)2a y ij j 2V (i; j)2a X j 2V (i;j)2a X j 2V (1; j)2a c ij x ij (117) x 1j = 0 (118) x ij = 1 pro i 2 V n f1g (119) X j 2V (j ; i)2a y ji = 1 pro i 2 V n f1g (120) 0 y ij (jv j 1)x ij pro (i ; j ) 2 A (121) x ij 2 f0; 1g pro (i ; j ) 2 A (122) Jan Fábry Diskrétní modely 48 / 153
49 Tokové úlohy 8. Minimální Steinerův strom Formulace: Nechť G = fv ; Eg je digraf, s 2 V je zdroj signálu (vysílač), D V je množina uživatelů (přijímačů, cílových míst) a T V je množina pomocných stanic (ústředen), přes které může být signál přenášen. Uživatelé mohou být připojeni na vysílač buď přímo nebo přes ústředny. Hodnota c ij představuje náklady na spojení (i ; j ) 2 E. Za použití ústředny i 2 T je účtována fixní částka f i. Cílem je spojit všechny uživatele s vysílačem s minimálními celkovými náklady. Proměnné: ( 1 je-li uzel i zařazen do stromu z i = (123) 0 jinak ( 1 je-li hrana (i ; j ) zařazena do stromu x ij = (124) 0 jinak y ij = hodnota toku z uzlu i do uzlu j (125) Jan Fábry Diskrétní modely 49 / 153
50 Tokové úlohy 8. Minimální Steinerův strom Model: X min i2v X X j 2V (i; j)2e y ij j 2V (i; j)2e X j 2V (i;j)2e c ij x ij + X i2t f i z i (126) z i = 1 pro i 2 D (127) x ij = z i pro i 2 V n fsg (128) X j 2V (j ; i)2e y ji = z i pro i 2 V n fsg (129) 0 y ij (jv j 1)x ij pro (i ; j ) 2 E (130) x ij 2 f0; 1g pro (i ; j ) 2 E (131) z i 2 f0; 1g pro i 2 T (132) Jan Fábry Diskrétní modely 50 / 153
51 Sylabus kurzu 1 Úloha celočíselného programování 2 Modelování základních úloh IP a MIP 3 Úlohy na grafech Tokové úlohy Okružní a rozvozní úlohy 4 Speciální omezení s logickými proměnnými 5 Vlastnosti diskrétních úloh 6 Řešení úloh - metody a algoritmy Relaxace Exaktní metody Výpočetní složitost Heuristiky a metaheuristiky Jan Fábry Diskrétní modely 51 / 153
52 Okružní a rozvozní úlohy Klasifikace úloh Typ trasy v grafu Trasy jsou tvořeny uzly Úloha obchodního cestujícího (TSP) - nekonečně velká kapacita vozidel Rozvozní úloha (VRP) - omezená kapacita vozidel Trasy jsou tvořeny hranami Úloha čínského listonoše (CPP) Počet dep a vozidel Jedno depo (výchozí místo) s jedním nebo několika vozidly Více dep Znalost zákazníků Statické úlohy - všichni zákazníci jsou známí předem Dynamické úlohy - zákazníci známí předem a zákazníci s on-line požadavky Cíl Minimalizace celkové délky tras (celkových nákladů) Minimalizace celkové doby jízdy všech vozidel Minimalizace nejdelší doby jízdy ze všech vozidel Jan Fábry Diskrétní modely 52 / 153
53 Okružní a rozvozní úlohy 1. Symetrická úloha obchodního cestujícího Formulace: Nechť G = fu ; Eg je úplný graf se vzdáleností c ij definovanou pro každou hranu fi ; j g (matice C je symetrická). Nechť uzel 1 je depo a ju j = n. Cílem je určit minimální Hamiltonův cyklus. Proměnné: ( 1 je-li hrana fi ; j g zahrnuta do trasy x ij = i < j (133) 0 jinak Jan Fábry Diskrétní modely 53 / 153
54 Okružní a rozvozní úlohy 1. Symetrická úloha obchodního cestujícího Model I (Dantzig, Fulkerson, Johnson): X X i2u 0 j 2U 0 i<j X j 2U j <i x ji + min X i2u X j 2U j >i X j 2U i<j c ij x ij (134) x ij = 2 pro i 2 U (135) ju j x ij ju 0 j 1 pro U 0 U ; 3 ju 0 j 2 (136) x ij 2 f0; 1g pro i ; j 2 U ; i < j : (137) Jan Fábry Diskrétní modely 54 / 153
55 Okružní a rozvozní úlohy 1. Symetrická úloha obchodního cestujícího Model II (Dantzig, Fulkerson, Johnson): Omezující podmínky (136) jsou nahrazeny podmínkami X X X X ju j x ij + x ij 1 pro U 0 U ; 3 ju 0 j 2 i2u 0 j 2U nu 0 i<j i2u nu 0 j 2U 0 i<j (138) Jan Fábry Diskrétní modely 55 / 153
56 Okružní a rozvozní úlohy 2. Nesymetrická úloha obchodního cestujícího Formulace: Nechť G = fu ; Eg je úplný digraf se vzdáleností c ij definovanou pro každou hranu (i ; j ) (matice C je obecně nesymetrická). Nechť uzel 1 je depo a ju j = n. Cílem je určit minimální Hamiltonův cyklus. Proměnné: x ij = 8 >< >: 1 jestliže vozidlo jede přímo z uzlu i do uzlu j 0 jinak (139) u i = umělá proměnná zavedená v podmínkách zabraňujících vytváření parciálních cyklů (140) Jan Fábry Diskrétní modely 56 / 153
57 Okružní a rozvozní úlohy 2. Nesymetrická úloha obchodního cestujícího Model (Miller, Tucker, Zemlin): nx j=1 nx i=1 min nx nx i=1 j=1 u i + 1 (n 1)(1 x ij ) u j c ij x ij (141) x ij = 1 pro i = 1; 2; : : : ; n (142) x ij = 1 pro j = 1; 2; : : : ; n (143) x ij 2 f0; 1g pro pro i = 1; 2; : : : ; n j = 2; 3; : : : ; n i = 1; 2; : : : ; n j = 1; 2; : : : ; n (144) (145) u i 2 R + pro i = 1; 2; : : : ; n (146) Jan Fábry Diskrétní modely 57 / 153
58 Okružní a rozvozní úlohy 3. Úloha obchodního cestujícího s časovými okny (TSPTW) Formulace: Nechť je definována nesymetrická úloha TSP. Každý uzel i musí být navštíven v rámci časového intervalu he i ; l i i. Vozidlo stráví v uzlu i daný čas S i. Hodnota d ij představuje dobu přejezdu mezi uzly i a j. Cílem je určit minimální Hamiltonův cyklus (z hlediska vzdálenosti) při respektování všech časových oken. Proměnné: 8 >< 1 jestliže vozidlo jede přímo x ij = z uzlu i do uzlu j (147) >: 0 jinak t i = čas příjezdu vozidla do uzlu i (148) Jan Fábry Diskrétní modely 58 / 153
59 Okružní a rozvozní úlohy 3. Úloha obchodního cestujícího s časovými okny (TSPTW) Úprava modelu MTZ: e i t i l i pro i = 2; 3; : : : ; n (149) t 1 = 0 (150) t i 2 R + pro i = 2; 3; : : : ; n (151) Proměnné u i jsou eliminovány a omezující podmínky (144) jsou nahrazeny podmínkami t i + S i + d ij M (1 x ij ) t j pro i = 1; 2; : : : ; n j = 2; 3; : : : ; n i 6= j (152) Jan Fábry Diskrétní modely 59 / 153
60 Okružní a rozvozní úlohy 4. Metrická úloha obchodního cestujícího ( - TSP) Trojúhelníkové nerovnosti: c ij c ik + c kj pro i ; j ; k = 1; 2; : : : ; n; i 6= j 6= k (153) 5. Euklidovská úloha obchodního cestujícího Euklidovské vzdálenosti: c ij = q (X i X j ) 2 + (Y i Y j ) 2 pro i ; j = 1; 2; : : : ; n; i 6= j (154) 6. Otevřená úloha obchodního cestujícího Namísto minimálního Hamiltonova cyklu se hledá minimální otevřená cesta vedoucí přes všechny uzly (trasa není zakončena v depu): nastavíme c i1 = 0 pro i = 2; 3; : : : ; n (155) Jan Fábry Diskrétní modely 60 / 153
61 Okružní a rozvozní úlohy 7. Dynamická úloha obchodního cestujícího Ve statické verzi TSP jsou všichni zákazníci známí předem. V dynamické verzi se během realizace optimální trasy objevují on-line požadavky dalších zákazníků. Statická úloha Optimalizace Trasa vozidla On-line požadavek Dynamická úloha Re-optimalizace Jan Fábry Diskrétní modely 61 / 153
62 Okružní a rozvozní úlohy 8. Rozvozní úloha Formulace: Nechť G = fu ; Eg je úplný digraf se vzdáleností c ij definovanou pro každou hranu (i ; j ). Nechť uzel 1 je depo, v němž je k dispozici vozidlo s kapacitou V, ju j = n. Každý zákazník i má požadavek o velikosti q i. Cílem je uspokojit požadavky všech zákazníků a minimalizovat celkovou délku všech tras. Proměnné: 8 >< 1 jestliže vozidlo jede přímo x ij = u uzlu i do uzlu j (156) >: 0 jinak u i = umělá proměnná zavedená pro bilanci nákladu vozidla (157) Předpoklady: nx i=2 q i > V (158) q i V pro i = 2; 3; : : : ; n (159) Jan Fábry Diskrétní modely 62 / 153
63 Okružní a rozvozní úlohy 8. Rozvozní úloha Model: nx j=1 nx i=1 min nx u i + q j V (1 x ij ) u j nx i=1 j=1 c ij x ij (160) x ij = 1 pro i = 2; 3; : : : ; n (161) x ij = 1 pro j = 2; 3; : : : ; n (162) pro i = 1; 2; : : : ; n j = 2; 3; : : : ; n (163) u i V pro i = 2; 3; : : : ; n (164) x ij 2 f0; 1g u 1 = 0 (165) pro i = 1; 2; : : : ; n j = 1; 2; : : : ; n (166) u i 2 R + pro i = 2; 3; : : : ; n (167) Jan Fábry Diskrétní modely 63 / 153
64 Okružní a rozvozní úlohy 9. Rozvozní úloha s heterogenním vozovým parkem Formulace: Nechť je definována úloha VRP s K typy vozidel, která jsou k dispozici v jednom depu. Pro každý typ k je dána kapacita vozidla V k, počet vozidel p k a nákladový koeficient d k, odvozený od spotřeby vozidla. Cílem je uspokojit požadavky všech zákazníků a minimalizovat celkové náklady. Proměnné: 8 >< 1 jestliže vozidlo typu k jede přímo xij k = z uzlu i do uzlu j (168) >: 0 jinak u i = umělá proměnná zavedená pro bilanci nákladu vozidla (169) Předpoklad: nx KX q i p k V k (170) Značení: i=2 k=1 V = max k=1;2;:::;k V k (171) Jan Fábry Diskrétní modely 64 / 153
65 Okružní a rozvozní úlohy 9. Rozvozní úloha s heterogenním vozovým parkem Model: KX nx min xij k k=1 j=1 nx i=1 x k ij = nx j=2 nx i=1 KX nx nx k=1 i=1 j=1 d k c ij x k ij (172) = 1 pro i = 2; 3; : : : ; n (173) x k ji u i + q j V (1 x k ij ) u j pro j = 1; 2; : : : ; n k = 1; 2; : : : ; K (174) x k 1j p k pro k = 1; 2; : : : ; K (175) pro i = 1; 2; : : : ; n j = 2; 3; : : : ; n k = 1; 2; : : : ; K (176) Jan Fábry Diskrétní modely 65 / 153
66 Okružní a rozvozní úlohy 9. Rozvozní úloha s heterogenním vozovým parkem Model (pokrač.): u i nx KX j=1 k=1 x k ij 2 f0; 1g x k ij V k pro i = 1; 2; : : : ; n (177) u 1 = 0 (178) pro i = 1; 2; : : : ; n j = 1; 2; : : : ; n k = 1; 2; : : : ; K (179) u i 2 R + pro i = 2; 3; : : : ; n (180) Jan Fábry Diskrétní modely 66 / 153
67 Okružní a rozvozní úlohy 10. Rozvozní úloha s časovými okny (VRPTW) Jestliže jsou v úloze definována časová okna, je zavedena proměnná t i a všechny odpovídající omezující podmínky podobně jako v úloze TSPTW. 11. Rozvozní úloha s dělenou dodávkou (SDVRP) Standardní model úlohy VRP nelze použít, pokud 9i ; q i > V. Takový požadavek musí být rozdělen do více tras. I v případě, že q i V ; 8i, může být výhodné dělit dodávky. V modelu proměnná Q k i značí část požadavku q i zahrnutou do trasy k: KX k=1 Q k i = q i pro i = 2; 3; : : : ; n (181) Jan Fábry Diskrétní modely 67 / 153
68 Okružní a rozvozní úlohy 12. Přepravní problémy - úlohy vyzvednutí a doručení (PDP) One-to-One PDP (úloha přepravy hendikepovaných osob, úloha kurýrní služby) Každý požadavek je dán místem vyzvednutí a místem doručení. Trasy vozidel začínají a končí ve společném depu. Many-to-Many PDP Zboží může být vyzvednuto v jednom z několika míst a doručeno do jednoho z několika míst. One-to-Many-to-One PDP Každý zákazník obdrží zásilku z depa a zašle do něj jinou zásilku. Jan Fábry Diskrétní modely 68 / 153
69 Okružní a rozvozní úlohy 13. Neorientovaná úloha čínského listonoše Formulace: Nechť G = fu ; Eg je neorientovaný souvislý graf. Pro každou hranu fi ; j g jsou dány náklady c ij. Cílem je najít cyklus s minimálními celkovými náklady takový, že v něm bude obsažena každá hrana alespoň jednou. Věta: Neorientovaný graf G je eulerovský právě tehdy, když G je souvislý a všechny uzly mají sudý stupeň. Pokud graf G není eulerovský, sestrojíme supergraf G grafu G takový, že G je eulerovský a obsahuje Eulerův cyklus, který je kratší než Eulerův cyklus v jakémkoli jiném supergrafu grafu G. Jan Fábry Diskrétní modely 69 / 153
70 Okružní a rozvozní úlohy 13. Neorientovaná úloha čínského listonoše Proměnné v modelu I: ( 1 jestliže hrana fi ; j g je zdvojena v G x ij = 0 jinak Značení v modelu I: y i = umělá proměnná pro vyjádření sudého/lichého čísla U 0 U je množina uzlů sudého stupně U 1 U je množina uzlů lichého stupně i < j (182) (183) Jan Fábry Diskrétní modely 70 / 153
71 Okružní a rozvozní úlohy 13. Neorientovaná úloha čínského listonoše Model I: X min c ij x ij (184) X fj ;ig2e j <i X fj ;ig2e j <i x ji + x ji + X fi;j g2e j >i X fi;j g2e j >i fi;j g2e i<j x ij = 2y i pro i 2 U 0 (185) x ij = 2y i + 1 pro i 2 U 1 (186) x ij 2 f0; 1g pro fi ; j g 2 E ; i < j (187) y i 2 Z + pro i 2 U (188) Jan Fábry Diskrétní modely 71 / 153
72 Okružní a rozvozní úlohy 13. Neorientovaná úloha čínského listonoše Proměnné v modelu II: Model II: x ij = počet hran fi ; j g v grafu G (189) X min c ij x ij (190) fi;j g2e x ij + x ji 1 pro fi ; j g; fj ; ig 2 E (191) X fj ;ig2e x ji = X fi;j g2e x ij pro i 2 U (192) x ij 2 Z + pro fi ; j g 2 E (193) Jan Fábry Diskrétní modely 72 / 153
73 Okružní a rozvozní úlohy 14. Orientovaná úloha čínského listonoše Formulace: Nechť G = fu ; Eg je silně souvislý digraf. Pro každou hranu (i ; j ) jsou dány náklady c ij. Cílem je najít cyklus s minimálními celkovými náklady takový, že v něm bude obsažena každá hrana alespoň jednou. Věta: Orientovaný graf G je eulerovský právě tehdy, když G je silně souvislý a vstupní polostupeň každého uzlu je roven jeho výstupnímu polostupni. Pokud G není eulerovský, sestrojíme supergraf G grafu G takový, že G je eulerovský a obsahuje Eulerův cyklus, který je kratší než Eulerův cyklus v jakémkoli jiném supergrafu grafu G. Jan Fábry Diskrétní modely 73 / 153
74 Okružní a rozvozní úlohy 14. Orientovaná úloha čínského listonoše Značení: deg i = vstupní polostupeň uzlu i deg + i = výstupní polostupeň uzlu i I = množina uzlů i pro které deg i > deg+ i J = množina uzlů j pro které deg j < deg+ j a i = deg i deg + i pro i 2 I b j = deg + j deg j pro j 2 J d ij = délka nejkratší orientované cesty z i 2 I do j 2 J Proměnné: x ij = počet nejkratších orientovaných cest mezi uzly i a j, které přidáme do grafu G (194) Jan Fábry Diskrétní modely 74 / 153
75 Okružní a rozvozní úlohy 14. Orientovaná úloha čínského listonoše Model: X X min d ij x ij (195) i2i j 2J X j 2J X i2i x ij = a i pro i 2 I (196) x ij = b j pro j 2 J (197) x ij 2 R + pro i 2 I j 2 J (198) Jan Fábry Diskrétní modely 75 / 153
76 Okružní a rozvozní úlohy 15. Smíšená úloha čínského listonoše (čištění ulic) CPP na smíšeném grafu G = fu ; Eg. 16. Rural verze úlohy čínského listonoše (doručování pošty) Nechť G = fu ; Eg je souvislý s množinou R E povinných hran, kterými je nutné projet alespoň jednou. Zbývající hrany v množině E n R jsou volitelné a mohou být využity v optimální trase. 17. Kapacitní úloha čínského listonoše (svoz odpadu) Nechť G = fu ; Eg je souvislý graf s požadavky o velikosti q ij pro každou hranu fi ; j g (pro každou povinnou hranu ve verzi Rural CPP ). Pro uspokojení požadavků je k dispozici vozidlo s omezenou kapacitou. Je nutné najít cykly, aniž by na některém z nich došlo k překročení kapacity vozidla. 18. Hierarchická úloha čínského listonoše (odklízení sněhu pluhem) U každé hrany je dána její priorita z hlediska důležitosti příslušné komunikace. Jan Fábry Diskrétní modely 76 / 153
77 Sylabus kurzu 1 Úloha celočíselného programování 2 Modelování základních úloh IP a MIP 3 Úlohy na grafech Tokové úlohy Okružní a rozvozní úlohy 4 Speciální omezení s logickými proměnnými 5 Vlastnosti diskrétních úloh 6 Řešení úloh - metody a algoritmy Relaxace Exaktní metody Výpočetní složitost Heuristiky a metaheuristiky Jan Fábry Diskrétní modely 77 / 153
78 Speciální omezení s logickými proměnnými 1. Po částech lineární funkce Formulace: Po částech lineární funkce f (y) je definována na množině intervalů I 1 ; I 2 ; : : : ; I r 1 : ha 1 ; a 2 i; ha 2 ; a 3 i; : : : ; ha r 1 ; a r i. Pro každou mez intervalu a k je dána funkční hodnota f (a k ). Formulujte lineární model funkce pomocí diskrétních proměnných. Příklad: a 1 = 0 a 2 = 15 a 3 = 30 f(y) f (a 1 ) = 10 f (a 2 ) = 30 f (a 3 ) = y Jan Fábry Diskrétní modely 78 / 153
79 Speciální omezení s logickými proměnnými 1. Po částech lineární funkce Proměnné: ( 1 jestliže y 2 h0; 15i x 1 = 0 jinak ( 1 jestliže y 2 h15; 30i x 2 = 0 jinak 1 ; 2 ; 3 = umělé proměnné použité v konvexních kombinacích (199) (200) (201) Jan Fábry Diskrétní modely 79 / 153
80 Speciální omezení s logickými proměnnými 1. Po částech lineární funkce Formulace podmínek: Jestliže y 2 h0; 15i, pak ) y = = a a 2 2 f (y) = = f (a 1 ) 1 + f (a 2 ) 2 Jestliže y 2 h15; 30i, pak ) y = = a a 3 3 f (y) = = f (a 2 ) 2 + f (a 3 ) = 1 1 ; 2 2 R + (202) = 1 2 ; 3 2 R + (203) ) x 1 = 0 ) 1 = 0 1 x 1 3 x 2 (204) x 2 = 0 ) 3 = 0 ( 2 x 1 + x 2 ) * Nerovnost je důležitá v případě, že jsou definovány alespoň tři intervaly (x 1 = 0 ^ x 2 = 0 ) 2 = 0): Jan Fábry Diskrétní modely 80 / 153
81 Speciální omezení s logickými proměnnými 1. Po částech lineární funkce Model: y = (205) f (y) = (206) 1 x 1 (207) 2 x 1 + x 2 (208) 3 x 2 (209) x 1 + x 2 = 1 (210) = 1 (211) x 1 ; x 2 2 f0; 1g (212) 1 ; 2 ; 3 2 R + (213) Jan Fábry Diskrétní modely 81 / 153
82 Speciální omezení s logickými proměnnými 1. Po částech lineární funkce Proměnné v obecném modelu: ( 1 jestliže y 2 Ii = ha i ; a i+1i x i = 0 jinak i = umělá proměnná použitá v konvexních kombinacích Obecný model: y = f (y) = rx i=1 rx i=1 pro i = 1; 2; : : : ; r 1 (214) pro i = 1; 2; : : : ; r (215) a i i (216) f (a i ) i (217) Jan Fábry Diskrétní modely 82 / 153
83 Speciální omezení s logickými proměnnými 1. Po částech lineární funkce Obecný model (pokrač.): r X1 i=1 rx i=1 x i = 1 (218) i = 1 (219) 1 x 1 (220) r x r 1 (221) i x i 1 + x i pro i = 2; 3; : : : ; r 1 (222) x i 2 f0; 1g pro i = 1; 2; : : : ; r 1 (223) i 2 R + pro i = 1; 2; : : : ; r (224) Jan Fábry Diskrétní modely 83 / 153
84 Speciální omezení s logickými proměnnými 2. Nekonvexní množina přípustných řešení Příklad: Jsou dány následující omezující podmínky. Použijte diskrétní proměnné tak, aby bylo možné úlohu s podmínkami řešit jako model MIP. y 1 + y 2 40 y 1 20 nebo y 2 10 y 1 ; y 2 2 R + Proměnné: ( 1 jestliže y1 20 x 1 = 0 jinak ( 1 jestliže y2 10 x 2 = 0 jinak (225) (226) Jan Fábry Diskrétní modely 84 / 153
85 Speciální omezení s logickými proměnnými 2. Nekonvexní množina přípustných řešení Model: y 1 + y 2 40 (227) y 1 20x 1 (228) y 2 10x 2 (229) x 1 + x 2 1 (230) y 1 ; y 2 2 R + (231) x 1 ; x 2 2 f0; 1g (232) Jan Fábry Diskrétní modely 85 / 153
86 Speciální omezení s logickými proměnnými 3. Platnost různých soustav omezení (typ buď-nebo) Příklad: Tři různé produkty mohou být na stroji vyráběny buď v pořadí P 1! P 2! P 3 nebo P 3! P 2! P 1. Předpokládejme, že výroba produktu P i trvá t i. Formulujte omezující podmínky modelující přípustnou produkci. Proměnné: y i = okamžik začátku výroby produktu P i (233) x = ( 1 vyrábí-li se produkty v pořadí P1! P 2! P 3 0 vyrábí-li se produkty v pořadí P 3! P 2! P 1 (234) Jan Fábry Diskrétní modely 86 / 153
87 Speciální omezení s logickými proměnnými 3. Platnost různých soustav omezení (typ buď-nebo) Model: y 1 + t 1 y 2 + M (1 x ) (235) y 2 + t 2 y 3 + M (1 x ) (236) y 3 + t 3 y 2 + Mx (237) y 2 + t 2 y 1 + Mx (238) y i 2 R + pro i = 1; 2; 3 (239) x 2 f0; 1g (240) Jan Fábry Diskrétní modely 87 / 153
88 Speciální omezení s logickými proměnnými 4. Platnost různých soustav omezení (splnění k z m podmínek) Příklad: Model obsahuje soustavu m omezujících podmínek. Nechť i-tá podmínka je definována jako ai T y b i. Zajistěte, aby bylo splněno přesně k ze všech m podmínek (k < m). Umělé proměnné: ( 1 je-li i-tá omezující podmínka zahrnuta v modelu x i = (241) 0 jinak Omezující podmínky: ai T y b i + M (1 x i ) pro i = 1; 2; : : : ; m (242) mx i=1 x i = k (243) Jan Fábry Diskrétní modely 88 / 153
89 Speciální omezení s logickými proměnnými 5. Speciální omezení pro úroveň výroby Příklad: Firma zvažuje výrobu nového produktu. V případě výroby, úroveň musí být alespoň 500 ks a nesmí překročit 1000 ks. Naformulujte odpovídající omezující podmínky. Proměnné: y = úroveň výroby (244) ( 1 jestliže se firma rozhodne produkt vyrábět x = (245) 0 jinak Model: 500x y 1000x (246) y 2 Z + (247) x 2 f0; 1g (248) Jan Fábry Diskrétní modely 89 / 153
90 Speciální omezení s logickými proměnnými 6. Plánování diskrétní úrovně výroby Příklad: Firma zvažuje, zda vyrobit 500, 1000 nebo 2000 ks daného produktu. Naformulujte odpovídající omezující podmínky. Proměnné: y = úroveň výroby (249) ( 1 je-li výroba na i-té úrovni x i = i = 1; 2; 3 (250) 0 jinak Model: y = 500x x x 3 (251) x 1 + x 2 + x 3 = 1 (252) y 2 Z + (253) x i 2 f0; 1g pro i = 1; 2; 3 (254) Jan Fábry Diskrétní modely 90 / 153
91 Speciální omezení s logickými proměnnými 7. Výroba určitého počtu druhů produktů Příklad: Firma může teoreticky vyrábět n druhů produktů. Rozhodla se z nich ale vyrábět jen k druhů. Pro každý produkt i je dána maximální úroveň výroby q i. Naformulujte odpovídající omezující podmínky. Proměnné: y i = úroveň výroby produktu i (255) ( 1 jestliže se produkt i vyrábí x i = (256) 0 jinak Omezující podmínky: 1 M x i y i q i x i pro i = 1; 2; : : : ; n (257) nx i=1 x i = k (258) Jan Fábry Diskrétní modely 91 / 153
92 Speciální omezení s logickými proměnnými 7. Výroba určitého počtu druhů produktů Příklad (rovnající se množství vyráběných druhů produktů): V předchozím příkladu je navíc určeno, že se úrovně výroby u vyráběných druhů produktů musí rovnat (podmínka komplementarity). Další proměnné: w = úroveň výroby vyráběných druhů produktů (259) Další omezující podmínky: w M (1 x i ) y i w + M (1 x i ) pro i = 1; 2; : : : ; n (260) Jan Fábry Diskrétní modely 92 / 153
93 Speciální omezení s logickými proměnnými 8. Definice proměnné rovnající se minimu dalších proměnných Příklad: Zapište proměnnou jako minimum n proměnných. Proměnné: w = min(y 1 ; y 2 ; : : : ; y n ) (261) ( 1 jestliže w = yi x i = (262) 0 jinak Omezující podmínky: w y i w + M (1 x i ) pro i = 1; 2; : : : ; n (263) nx i=1 x i 1 (264) Jan Fábry Diskrétní modely 93 / 153
94 Speciální omezení s logickými proměnnými 9. Linearizace součinu binárních proměnných Příklad: Linearizujte maximalizační účelovou funkci x 1 x 2 x 3 (všechny proměnné jsou binární). Umělá proměnná: w = x 1 x 2 x 3 (265) Model: max w (266) x 1 + x 2 + x 3 2 w (267) w x i pro i = 1; 2; 3 (268) x i 2 f0; 1g pro i = 1; 2; 3 (269) w 2 R + (270) Jan Fábry Diskrétní modely 94 / 153
95 Sylabus kurzu 1 Úloha celočíselného programování 2 Modelování základních úloh IP a MIP 3 Úlohy na grafech Tokové úlohy Okružní a rozvozní úlohy 4 Speciální omezení s logickými proměnnými 5 Vlastnosti diskrétních úloh 6 Řešení úloh - metody a algoritmy Relaxace Exaktní metody Výpočetní složitost Heuristiky a metaheuristiky Jan Fábry Diskrétní modely 95 / 153
96 Vlastnosti diskrétních úloh Množina přípustných bodů v úlohách lineárního a celočíselného programování (LP) P = fx 2 R n + : Ax bg (271) (IP) S = fx 2 Z n + : Ax bg (272) x x 1 Jan Fábry Diskrétní modely 96 / 153
97 Vlastnosti diskrétních úloh Definice: Polyedr P R n je množina bodů, které splňují konečný počet lineárních nerovností: P = fx 2 R n : Ax bg. Polyedr je omezený, jestliže existuje hodnota 2 R + taková, že P fx 2 R n : x j pro j = 1; 2; : : : ; ng. Omezený polyedr se nazývá polytop. Definice: Nechť je dána množina S R n. Bod x 2 R n je konvexní kombinací bodů z S, jestliže existuje konečná množina bodů fx 1 ; x 2 ; : : : ; x t g v S a vektor 2 R t + takový, že P t i=1 i = 1 a x = P t i=1 ix i. Definice: T R n je konvexní množina, pokud platí: jestliže x 1 ; x 2 2 T, pak x 1 + (1 )x 2 2 T pro všechna 2 h0; 1i. Jan Fábry Diskrétní modely 97 / 153
98 Vlastnosti diskrétních úloh Definice: Konvexní obal conv(s) množiny S je množina všech bodů, které jsou konvexní kombinací bodů z S. x S conv(s) P x 1 Jan Fábry Diskrétní modely 98 / 153
99 Vlastnosti diskrétních úloh Definice: Nerovnost T x 0 se nazývá platná nerovnost vzhledem k S, jestliže ji splňují všechny body z S. x π T x π x 1 Jan Fábry Diskrétní modely 99 / 153
100 Vlastnosti diskrétních úloh Definice: Jestliže T x 0 je platná nerovnost vzhledem k S a 9x 0 2 S takový, že T x 0 = 0, pak se nerovnost nazývá opěrná nerovnost vzhledem k S. Množina F = fx 2 conv(s) : T x = 0 g se nazývá opěrná stěna množiny conv(s). Říkáme, že opěrná nerovnost T x 0 reprezentuje opěrnou stěnu F. x F π T x π x 1 Jan Fábry Diskrétní modely 100 / 153
101 Vlastnosti diskrétních úloh Definice: Opěrná stěna F množiny conv(s) se nazývá fazeta množiny conv(s), jestliže dim F = dim conv(s) 1. x π T x π 0 F x 1 Jan Fábry Diskrétní modely 101 / 153
102 Vlastnosti diskrétních úloh Definice: Platné nerovnosti T x 0 a T x 0 se nazývají ekvivalentní, jestliže = a 0 = 0 pro některé > 0. Definice: Nechť T x 0 a T x 0 jsou dvě platné nerovnosti vzhledem k conv(s), které nejsou ekvivalentní. Jestliže existuje hodnota > 0 taková, že a 0 0, pak říkáme, že T x 0 dominuje (je silnější než) T x 0. Říkáme také, že T x 0 je dominována (je slabší než) T x 0. Pokud T x 0 dominuje T x 0, pak fx 2 R n + : T x 0 g fx 2 R n + : T x 0 g. Definice: Maximální platná nerovnost je taková, která není dominována žádnou jinou platnou nerovností. Jan Fábry Diskrétní modely 102 / 153
103 Vlastnosti diskrétních úloh Každá maximální platná nerovnost vzhledem k S reprezentuje neprázdnou opěrnou stěnu množiny conv(s) a množina všech maximálních platných nerovností obsahuje nerovnosti, které reprezentují všechny fazety množiny conv(s). x platná nerovnost maximální platná nerovnost x platná nerovnost maximální platná nerovnost x x 1 Jan Fábry Diskrétní modely 103 / 153
104 Vlastnosti diskrétních úloh Zesilování nerovností Věta (Diophantos): Lineární rovnice P n j=1 j x j = 0, v níž j 2 Z (j = 0; 1; : : : ; n), má řešení x 2 Z n, právě tehdy, když největší společný dělitel koeficientů j (j = 1; 2; : : : ; n) dělí celočíselně hodnotu 0. Příklad: Nechť 3x 1 + 6x 2 14 je platná nerovnost vzhledem k S. Cílem je najít silnější platnou nerovnost, která je opěrnou nerovností vzhledem k S. x x1 + 6x2 14 3x1 + 6x x 1 Jan Fábry Diskrétní modely 104 / 153
105 Vlastnosti diskrétních úloh Zesilování nerovností - lifting Definice: Nechť je dána nerovnost P n j=1 j x j 0, v níž j 2 R + (j = 0; 1; : : : ; n) a x 2 B n. Jestliže pro nějakou hodnotu k > 0 je nerovnost P n j=1 j x j + k x k 0 platná, pak říkáme, že je liftovaná z původní nerovnosti vzhledem k proměnné x k. Algoritmus: Opakuj pro k = 1; 2; : : : ; n: 1 Nastav x k = 1 a vypočti k = max x k 2B P nj=1 j x j 0 2 Vypočti k = 0 k 3 Nahraď k součtem k + k 4 Nerovnost P n j=1 j x j 0 je liftovaná vzhledem k proměnné x k Nerovnost P n j=1 j x j 0 je liftovaná vzhledem ke všem proměnným. Jan Fábry Diskrétní modely 105 / 153
106 Vlastnosti diskrétních úloh Zesilování nerovností - lifting Příklad: Liftujte nerovnost 4x 1 + 5x 2 + 6x 3 + 8x 4 13, kde x j 2 B (j = 1; 2; 3; 4). x 1 = 1! 1 = 12! 1 = 1! 1 = 5! 5x 1 + 5x 2 + 6x 3 + 8x 4 13 x 2 = 1! 2 = 13! 2 = 0! 2 = 5! 5x 1 + 5x 2 + 6x 3 + 8x 4 13 x 3 = 1! 3 = 11! 3 = 2! 3 = 8! 5x 1 + 5x 2 + 8x 3 + 8x 4 13 x 4 = 1! 4 = 13! 4 = 0! 4 = 8! 5x 1 + 5x 2 + 8x 3 + 8x 4 13 Jan Fábry Diskrétní modely 106 / 153
107 Vlastnosti diskrétních úloh Zesilování nerovností - fixing Příklad: Nechť je dána nerovnost 2x 1 + 3x 2 + 4x 3 15x 4 2, v níž x j 2 B (j = 1; 2; 3; 4). Pokud x 4 = 1, nerovnost nemůže být splněna! přípustné řešení existuje jen tehdy, jestliže proměnná je zafixována x 4 = 0. Příklad: Nechť je dána nerovnost 20x 1 + 5x 2 + 1x 3 8x 4 7, v níž x j 2 B (j = 1; 2; 3; 4). Zafixování x 1 = 1. Příklad: Nechť je dána rovnice x 1 + x 2 + 3x 3 = 4, v níž x j 2 B (j = 1; 2; 3). Protože x 3 = 0 je nepřípustné, proměnná je zafixována x 3 = 1. Potom je rovnice redukována na rovnici x 1 + x 2 = 1. Jan Fábry Diskrétní modely 107 / 153
108 Vlastnosti diskrétních úloh Zesilování nerovností - Gomoryho řez Nechť S = fx 2 Z n + : T x = 0 g, kde j 2 R (j = 0; 1; : : : ; n). Zvolíme-li libovolně d 2 N, pak každý koeficient j lze vyjádřit jako j kde j = d Pak rovnici lze psát jako nebo j = j d + 0 j ; (273) a 0 j = j mod d. Tedy j 2 Z a 0 j d( nx j=1 nx j=1 nx j=1 2 h0; d). j x j = 0 (274) ( j d + 0 j )x j = 0 d (275) j x j 0 ) = 0 0 nx j=1 0 j x j : (276) Jan Fábry Diskrétní modely 108 / 153
109 Vlastnosti diskrétních úloh Zesilování nerovností - Gomoryho řez Protože hodnota na levé straně nerovnosti (276) je celočíselným násobkem hodnoty d, hodnota na pravé straně musí být také celočíselná. Vzhledem k h0; d) a P n j=1 0 j x j 0, hodnota na pravé straně nemůže být kladným násobkem d, tj. musí být nekladná. Proto také hodnota na levé straně musí být nekladná. Zlomkový Gomoryho řez: 0 0 nx j=1 0 j x j 0! nx j=1 0 j x j 0 0 (277) Celočíselný Gomoryho řez: nx j=1 j x j 0 0! nx j=1 j x j 0 (278) Jan Fábry Diskrétní modely 109 / 153
110 Vlastnosti diskrétních úloh Zesilování nerovností - Gomoryho řez Příklad: Nechť S = fx 2 Z 3 + : 37x 1 68x x 3 141g. Nalezněte silnější platnou nerovnost vzhledem k S. Transformace na rovnici 37x 1 68x x 3 + x 4 = 141 Zvolíme d = = 3: = 6: = 6: = 0: = 11: Zlomkový Gomoryho řez: x 1 + 4x 2 + 6x 3 + x 4 9 Celočíselný Gomoryho řez: 3x 1 6x 2 + 6x 3 11 Jan Fábry Diskrétní modely 110 / 153
Pokročilé matematické modely a metody
Pokročilé matematické modely a metody Jan Fábry ŠKODA AUTO Vysoká škola Katedra logistiky, kvality a automobilové techniky fabry@savs.cz http://nb.vse.cz/~fabry Leden 2017, Mladá Boleslav Jan Fábry Pokročilé
Více4EK314 Diskrétní modely Příklady
4EK314 Diskrétní modely Příklady Jan Fábry Fakulta informatiky a statistiky Katedra ekonometrie fabry@vse.cz http://nb.vse.cz/~fabry Únor 2016, Praha Jan Fábry Diskrétní modely - příklady 1 / 28 Cvičení
VícePříklady ke cvičením. Modelování produkčních a logistických systémů
Modelování produkčních a logistických systémů Katedra logistiky, kvality a automobilové techniky Garant, přednášející, cvičící: Jan Fábry 10.12.2018 Příklady ke cvičením Opakování lineárního programování
VíceOtázky ke státní závěrečné zkoušce
Otázky ke státní závěrečné zkoušce obor Ekonometrie a operační výzkum a) Diskrétní modely, Simulace, Nelineární programování. b) Teorie rozhodování, Teorie her. c) Ekonometrie. Otázka č. 1 a) Úlohy konvexního
VíceZáklady informatiky. Teorie grafů. Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová
Základy informatiky Teorie grafů Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová Obsah přednášky Barvení mapy Teorie grafů Definice Uzly a hrany Typy grafů Cesty, cykly, souvislost grafů Barvení mapy
VíceObsah prezentace. Základní pojmy v teorii o grafech Úlohy a prohledávání grafů Hledání nejkratších cest
Obsah prezentace Základní pojmy v teorii o grafech Úlohy a prohledávání grafů Hledání nejkratších cest 1 Základní pojmy Vrchol grafu: {množina V} Je to styčná vazba v grafu, nazývá se též uzlem, prvkem
VíceGrafové algoritmy. Programovací techniky
Grafové algoritmy Programovací techniky Grafy Úvod - Terminologie Graf je datová struktura, skládá se z množiny vrcholů V a množiny hran mezi vrcholy E Počet vrcholů a hran musí být konečný a nesmí být
VíceÚvod do teorie grafů
Úvod do teorie grafů Neorientovaný graf G = (V,E,I) V množina uzlů (vrcholů) - vertices E množina hran - edges I incidence incidence je zobrazení, buď: funkce: I: E V x V relace: I E V V incidence přiřadí
VíceGrafové algoritmy. Programovací techniky
Grafové algoritmy Programovací techniky Grafy Úvod - Terminologie Graf je datová struktura, skládá se z množiny vrcholů V a množiny hran mezi vrcholy E Počet vrcholů a hran musí být konečný a nesmí být
Více4EK213 LINEÁRNÍ MODELY
4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 Mgr. Sekničková Jana, Ph.D. 2. PŘEDNÁŠKA MATEMATICKÝ MODEL ÚLOHY LP Mgr. Sekničková Jana, Ph.D. 2 OSNOVA PŘEDNÁŠKY Obecná formulace MM Množina
VíceGrafy. RNDr. Petra Surynková, Ph.D. Univerzita Karlova v Praze Matematicko-fyzikální fakulta.
6 RNDr., Ph.D. Katedra didaktiky matematiky Univerzita Karlova v Praze Matematicko-fyzikální fakulta petra.surynkova@mff.cuni.cz http://surynkova.info množina vrcholů a množina hran hrana vždy spojuje
Více1 Úvod do celočíselné lineární optimalizace
Úvod do celočíselné lineární optimalizace Martin Branda, verze 7.. 7. Motivace Reálné (smíšeně-)celočíselné úlohy Optimalizace portfolia celočíselné počty akcií, modelování fixních transakčních nákladů,
VíceZáklady informatiky. 07 Teorie grafů. Kačmařík/Szturcová/Děrgel/Rapant
Základy informatiky 07 Teorie grafů Kačmařík/Szturcová/Děrgel/Rapant Obsah přednášky barvení mapy teorie grafů definice uzly a hrany typy grafů cesty, cykly, souvislost grafů Barvení mapy Kolik barev je
Více4EK201 Matematické modelování. 2. Lineární programování
4EK201 Matematické modelování 2. Lineární programování 2.1 Podstata operačního výzkumu Operační výzkum (výzkum operací) Operational research, operations research, management science Soubor disciplín zaměřených
Vícee-mail: RadkaZahradnikova@seznam.cz 1. července 2010
Optimální výrobní program Radka Zahradníková e-mail: RadkaZahradnikova@seznam.cz 1. července 2010 Obsah 1 Lineární programování 2 Simplexová metoda 3 Grafická metoda 4 Optimální výrobní program Řešení
VíceMetody síťové analýzy
Metody síťové analýzy Řeší problematiku složitých systémů, zejména pak vazby mezi jejich jednotlivými prvky. Vychází z teorie grafů. Základní metody síťové analýzy: CPM (Critical Path Method) deterministický
Více4EK201 Matematické modelování 5. Speciální úlohy lineárního programování
4EK201 Matematické modelování 5. Speciální úlohy lineárního programování 4. Typické úlohy LP Úlohy výrobního plánování (alokace zdrojů) Úlohy finančního plánování (optimalizace portfolia) Směšovací problémy
Více4EK213 Lineární modely. 12. Dopravní problém výchozí řešení
4EK213 Lineární modely 12. Dopravní problém výchozí řešení 12. Distribuční úlohy LP Úlohy výrobního plánování (alokace zdrojů) Úlohy finančního plánování (optimalizace portfolia) Úlohy reklamního plánování
Více5 Orientované grafy, Toky v sítích
Petr Hliněný, FI MU Brno, 205 / 9 FI: IB000: Toky v sítích 5 Orientované grafy, Toky v sítích Nyní se budeme zabývat typem sít ových úloh, ve kterých není podstatná délka hran a spojení, nýbž jejich propustnost
Více4EK311 Operační výzkum. 2. Lineární programování
4EK311 Operační výzkum 2. Lineární programování 2.2 Matematický model úlohy LP Nalézt extrém účelové funkce z = c 1 x 1 + c 2 x 2 + + c n x n na soustavě vlastních omezení a 11 x 1 + a 12 x 2 + a 13 x
VíceMatematické modelování 4EK201
Matematické modelování 4EK0 Ukázkový test Maimum 00 bodů. Pokud má úloha lineárního programování více optimálních řešení, pak (a) jich může být nekonečně mnoho, (b) jich musí být nekonečně mnoho.. Doplňte
Více4EK311 Operační výzkum. 4. Distribuční úlohy LP část 1
4EK311 Operační výzkum 4. Distribuční úlohy LP část 1 4. Distribuční úlohy LP Úlohy výrobního plánování (alokace zdrojů) Úlohy finančního plánování (optimalizace portfolia) Úlohy reklamního plánování (plánování
VíceCLARKEOVA-WRIGHTOVA METODA ŘEŠENÍ ÚLOHY VRP
CLARKEOVA-WRIGHTOVA METODA ŘEŠENÍ ÚLOHY VRP 1. Definice úlohy Úloha VRP (Vehicle Routing Problem problém okružních jízd) je definována na obecné dopravní síti S = (V,H), kde V je množina uzlů sítě a H
VíceOptimalizace. Obsah přednášky. DÚ LP - Okružní problém. Lineární optimalizace. DÚ LP - Okružní problém. DÚ LP - Okružní problém
Obsah přednášky Mgr. Květuše Sýkorová Optimalizace Lineární programování Distribuční úlohy Okružní problém KI Př UJEP Ústí nad Labem Nederivační metody Metody 1D optimalizace Derivační metody Optimalizace
VícePřijímací zkouška - matematika
Přijímací zkouška - matematika Jméno a příjmení pište do okénka Číslo přihlášky Číslo zadání 1 Grafy 1 Pro který z následujících problémů není znám žádný algoritmus s polynomiální časovou složitostí? Problém,
VíceVzdálenost uzlů v neorientovaném grafu
Vzdálenosti a grafy Vzdálenost uzlů v neorientovaném grafu Je dán neorientovaný neohodnocený graf G = (V,E,I) vzdálenost uzlů u a v v neorientovaném souvislém grafu G je délka nejkratší cesty spojující
VíceSystematická tvorba jízdního řádu 2. cvičení
Projektování dopravní obslužnosti Systematická tvorba jízdního řádu 2. cvičení Ing. Zdeněk Michl Ústav logistiky a managementu dopravy ČVUT v Praze Fakulta dopravní Rekapitulace zadání Je dána následující
VíceTEORIE GRAFŮ TEORIE GRAFŮ 1
TEORIE GRAFŮ 1 TEORIE GRAFŮ Přednášející: RNDr. Jiří Taufer, CSc. Fakulta dopravní ČVUT v Praze, letní semestr 1998/99 Zpracoval: Radim Perkner, tamtéž, v květnu 1999 ZÁKLADNÍ POJMY Říkáme, že je dán prostý
VíceObecná úloha lineárního programování. Úloha LP a konvexní množiny Grafická metoda. Jiří Neubauer. Katedra ekonometrie FEM UO Brno
Přednáška č. 3 Katedra ekonometrie FEM UO Brno Optimalizace portfolia Investor se s pomocí makléře rozhoduje mezi následujícími investicemi: akcie A, akcie B, státní pokladniční poukázky, dluhopis A, dluhopis
VíceTGH02 - teorie grafů, základní pojmy
TGH02 - teorie grafů, základní pojmy Jan Březina Technical University of Liberec 28. února 2017 Metainformace materiály: jan.brezina.matfyz.cz/vyuka/tgh (./materialy/crls8.pdf - Introduction to algorithms)
VíceTGH02 - teorie grafů, základní pojmy
TGH02 - teorie grafů, základní pojmy Jan Březina Technical University of Liberec 5. března 2013 Počátek teorie grafů Leonard Euler (1707 1783) 1735 pobyt v Královci (Prusko), dnes Kaliningrad (Rusko) Úloha:
VíceTGH02 - teorie grafů, základní pojmy
TGH02 - teorie grafů, základní pojmy Jan Březina Technical University of Liberec 31. března 2015 Počátek teorie grafů Leonard Euler (1707 1783) 1735 pobyt v Královci (Prusko), dnes Kaliningrad (Rusko)
VíceLDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25
Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem
VíceÚvod do úloh plánování rozvozu (Vehicle Routing Problems)
Úvod do úloh plánování rozvozu (Vehicle Routing Problems) RNDr. Martin Branda, Ph.D. Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Výpočetní
VíceInterpolace Uvažujme třídu funkcí jedné proměnné ψ(x; a 0,..., a n ), kde a 0,..., a n jsou parametry, které popisují jednotlivé funkce této třídy. Mějme dány body x 0, x 1,..., x n, x i x k, i, k = 0,
Více4EK311 Operační výzkum. 5. Teorie grafů
4EK311 Operační výzkum 5. Teorie grafů 5. Teorie grafů definice grafu Graf G = uspořádaná dvojice (V, E), kde V označuje množinu n uzlů u 1, u 2,, u n (u i, i = 1, 2,, n) a E označuje množinu hran h ij,
VíceTeorie grafů. Kostra grafu. Obsah. Radim Farana Podklady pro výuku pro akademický rok 2013/2014
Teorie grafů Radim Farana Podklady pro výuku pro akademický rok 013/014 Obsah Kostra grafu. Tahy,. Úloha čínského pošťáka. Zdroj: Vítečková, M., Přidal, P. & Koudela, T. Výukový modul k předmětu Systémová
VíceZákladní pojmy teorie grafů [Graph theory]
Část I Základní pojmy teorie grafů [Graph theory] V matematice grafem obvykle rozumíme grafické znázornění funkční závislosti. Pro tento předmět je však podstatnější pohled jiný. V teorii grafů rozumíme
Více4EK213 Lineární modely. 10. Celočíselné programování
4EK213 Lineární modely 10. Celočíselné programování 10.1 Matematický model úlohy ILP Nalézt extrém účelové funkce z = c 1 x 1 + c 2 x 2 + + c n x n na soustavě vlastních omezení a 11 x 1 + a 12 x 2 + a
Vícefakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz (reg. č. CZ.1.07/2.2.00/28.
Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem
VíceHEURISTICKÉ ALGORITMY PRO ŘEŠENÍ ÚLOH OBCHODNÍHO CESTUJÍCÍHO
HEURISTICKÉ ALGORITMY PRO ŘEŠENÍ ÚLOH OBCHODNÍHO CESTUJÍCÍHO Heuristické algoritmy jsou speciálními algoritmy, které byly vyvinuty pro obtížné úlohy, jejichž řešení je obtížné získat v rozumném čase. Mezi
VíceOperační výzkum. Síťová analýza. Metoda CPM.
Operační výzkum Síťová analýza. Metoda CPM. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu Registrační číslo
Více07 Základní pojmy teorie grafů
07 Základní pojmy teorie grafů (definice grafu, vlastnosti grafu, charakteristiky uzlů, ohodnocené grafy) Definice grafu množina objektů, mezi kterými existují určité vazby spojující tyto objekty. Uspořádaná
VíceDefinice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s
Kapitola 13 Kvadratické formy Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru f(x 1,..., x n ) = a ij x i x j, kde koeficienty a ij T. j=i Kvadratická forma v n proměnných
VíceMetody lineární optimalizace Simplexová metoda. Distribuční úlohy
Metody lineární optimalizace Simplexová metoda Dvoufázová M-úloha Duální úloha jednofázová Post-optimalizační analýza Celočíselné řešení Metoda větví a mezí Distribuční úlohy 1 OÚLP = obecná úloha lineárního
VíceGrafy. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 13.
Grafy doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 13. března 2017 Jiří Dvorský (VŠB TUO) Grafy 104 / 309 Osnova přednášky Grafy
VíceVektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
VíceJiří Neubauer. Katedra ekonometrie FEM UO Brno
Přednáška č. 11 Katedra ekonometrie FEM UO Brno Jedná se o speciální případ dopravních úloh, řeší např. problematiku optimálního přiřazení strojů na pracoviště. Příklad Podnik má k dispozici 3 jeřáby,
Více7. přednáška Systémová analýza a modelování. Přiřazovací problém
Přiřazovací problém Přiřazovací problémy jsou podtřídou logistických úloh, kde lze obecně říci, že m dodavatelů zásobuje m spotřebitelů. Dalším specifikem je, že kapacity dodavatelů (ai) i požadavky spotřebitelů
Více4 Pojem grafu, ve zkratce
Petr Hliněný, FI MU Brno, 2014 1 / 24 FI: IB000: Pojem grafu 4 Pojem grafu, ve zkratce Třebaže grafy jsou jen jednou z mnoha struktur v matematice a vlastně pouze speciálním případem binárních relací,
Více4EK213 LINEÁRNÍ MODELY
4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 3. přednáška SIMPLEXOVÁ METODA I. OSNOVA PŘEDNÁŠKY Standardní tvar MM Základní věta LP Princip simplexové metody Výchozí řešení SM Zlepšení řešení
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceTeorie grafů. zadání úloh. letní semestr 2008/2009. Poslední aktualizace: 19. května 2009. First Prev Next Last Go Back Full Screen Close Quit
Teorie grafů zadání úloh letní semestr 2008/2009 Poslední aktualizace: 19. května 2009 Obsah Úloha číslo 1 5 Úloha číslo 2 6 Úloha číslo 3 7 Úloha číslo 4 8 Úloha číslo 5 9 Úloha číslo 6 10 Úloha číslo
VíceNumerické metody optimalizace - úvod
Numerické metody optimalizace - úvod Petr Tichý 16. února 2015 1 Organizace přednášek a cvičení 13 přednášek a cvičení. Zápočet: úloha programování a testování úloh v Matlabu. Další informace na blogu
VíceDiskrétní matematika. DiM /01, zimní semestr 2016/2017
Diskrétní matematika Petr Kovář petr.kovar@vsb.cz Vysoká škola báňská Technická univerzita Ostrava DiM 470-2301/01, zimní semestr 2016/2017 O tomto souboru Tento soubor je zamýšlen především jako pomůcka
VíceH {{u, v} : u,v U u v }
Obyčejný graf Obyčejný graf je dvojice G= U, H, kde U je konečná množina uzlů (vrcholů) a H {{u, v} : u,v U u v } je (konečná) množina hran. O hraně h={u, v} říkáme, že je incidentní s uzly u a v nebo
VíceUčební texty k státní bakalářské zkoušce Matematika Základy lineárního programování. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Základy lineárního programování študenti MFF 15. augusta 2008 1 15 Základy lineárního programování Požadavky Simplexová metoda Věty o dualitě (bez důkazu)
VíceParametrické programování
Parametrické programování Příklad 1 Parametrické pravé strany Firma vyrábí tři výrobky. K jejich výrobě potřebuje jednak surovinu a jednak stroje, na kterých dochází ke zpracování. Na první výrobek jsou
VíceTexty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech
Texty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech 1. července 2008 1 Funkce v R n Definice 1 Necht n N a D R n. Reálnou funkcí v R n (reálnou funkcí n proměnných) rozumíme zobrazení
VíceVYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE. Optimalizace trasy při revizích elektrospotřebičů
VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Hlavní specializace: Ekonometrie a operační výzkum Název diplomové práce Optimalizace trasy při revizích elektrospotřebičů Diplomant: Vedoucí
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2015
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 05 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceAlgoritmizace prostorových úloh
INOVACE BAKALÁŘSKÝCH A MAGISTERSKÝCH STUDIJNÍCH OBORŮ NA HORNICKO-GEOLOGICKÉ FAKULTĚ VYSOKÉ ŠKOLY BÁŇSKÉ - TECHNICKÉ UNIVERZITY OSTRAVA Algoritmizace prostorových úloh Grafové úlohy Daniela Szturcová Tento
Více4EK212 Kvantitativní management. 2. Lineární programování
4EK212 Kvantitativní management 2. Lineární programování 1.7 Přídatné proměnné Přídatné proměnné jsou nezáporné Mají svoji ekonomickou interpretaci, která je odvozena od ekonomické interpretace omezení
VíceAnalýza Petriho sítí. Analýza Petriho sítí p.1/28
Analýza Petriho sítí Analýza Petriho sítí p.1/28 1. Základní pojmy Základní problémy analýzy bezpečnost (safeness) omezenost (boundness) konzervativnost (conservation) živost (liveness) Definice 1: Místo
VíceVLASTNOSTI GRAFŮ. Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze. BI-GRA, LS 2010/2011, Lekce 5
VLASTNOSTI GRAFŮ Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze BI-GRA, LS 2010/2011, Lekce 5 Evropský sociální fond Praha & EU: Investujeme do vaší
VíceLineární programování
Lineární programování Petr Tichý 19. prosince 2012 1 Outline 1 Lineární programování 2 Optimalita a dualita 3 Geometrie úlohy 4 Simplexová metoda 2 Lineární programování Lineární program (1) min f(x) za
VíceOperační výzkum. Přiřazovací problém.
Operační výzkum Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu Registrační číslo projektu: CZ..7/2.2./28.326
Více10. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo
0. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo (PEF PaA) Petr Gurka aktualizováno 9. prosince 202 Obsah Základní pojmy. Motivace.................................2 Aritmetický vektorový
VíceZápadočeská univerzita v Plzni. Fakulta aplikovaných věd. Ivana Kozlová. Modely analýzy obalu dat
Západočeská univerzita v Plzni Fakulta aplikovaných věd SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU MATEMATICKÉ MODELOVÁNÍ Ivana Kozlová Modely analýzy obalu dat Plzeň 2010 Obsah 1 Efektivnost a její hodnocení 2 2 Základní
VíceVYUŽITÍ NĚKTERÝCH METOD TEORIE GRAFŮ PŘI ŘEŠENÍ DOPRAVNÍCH PROBLÉMŮ
VYUŽITÍ NĚKTERÝCH METOD TEORIE GRAFŮ PŘI ŘEŠENÍ DOPRAVNÍCH PROBLÉMŮ Markéta Brázdová 1 Anotace: Metody operačního výzkumu mají při řešení praktických problémů široké využití. Článek se zabývá problematikou
Více3. Grafy a matice. Definice 3.2. Čtvercová matice A se nazývá rozložitelná, lze-li ji napsat ve tvaru A =
3 Grafy a matice Definice 32 Čtvercová matice A se nazývá rozložitelná, lze-li ji napsat ve tvaru A = A 11 A 12 0 A 22 kde A 11 a A 22 jsou čtvercové matice řádu alespoň 1 a 0 je nulová matice, anebo lze-li
Více1 Vektorové prostory.
1 Vektorové prostory DefiniceMnožinu V, jejíž prvky budeme označovat a, b, c, z, budeme nazývat vektorovým prostorem právě tehdy, když budou splněny následující podmínky: 1 Je dáno zobrazení V V V, které
Více10 Přednáška ze
10 Přednáška ze 17. 12. 2003 Věta: G = (V, E) lze nakreslit jedním uzavřeným tahem G je souvislý a má všechny stupně sudé. Důkaz G je souvislý. Necht v je libovolný vrchol v G. A mějme uzavřený eurelovský
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
VíceStátní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách
Státní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách Ústní zkouška z oboru Náročnost zkoušky je podtržena její ústní formou a komisionálním charakterem. Předmětem bakalářské zkoušky
VíceB a k a l ářská práce
Vysoká škola ekonomická v Praze Fakulta managementu v Jindřichově Hradci B a k a l ářská práce Josef Hodonský 2007 Vysoká škola ekonomická v Praze Fakulta managementu Jindřichův Hradec B a k a l ářská
Více12. Lineární programování
. Lineární programování. Lineární programování Úloha lineárního programování (lineární optimalizace) je jedním ze základních problémů teorie optimalizace. Našim cílem je nalézt maximum (resp. minimum)
Více13. Lineární programování
Jan Schmidt 2011 Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze Zimní semestr 2011/12 MI-PAA EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI
VíceÚvod do teorie her
Úvod do teorie her 2. Garanční řešení, hry s nulovým součtem a smíšené strategie Tomáš Kroupa http://staff.utia.cas.cz/kroupa/ 2017 ÚTIA AV ČR Program 1. Zavedeme řešení, které zabezpečuje minimální výplatu
VíceEkonomická formulace. Matematický model
Ekonomická formulace Firma balící bonboniéry má k dispozici 60 čokoládových, 60 oříškových a 85 karamelových bonbónů. Může vyrábět dva druhy bonboniér. Do první bonboniéry se dávají dva čokoládové, šest
VíceTechnologie dopravy a logistika
Cvičení č. 2 Optimalizace linkového vedení Četnost obsluhy, takt Ing. Zdeněk Michl Ing. Michal Drábek, Ph.D. Ing. Jiří Pospíšil, Ph.D. ČVUT v Praze Fakulta dopravní Ústav logistiky a managementu dopravy
VíceDEFINICE Z LINEÁRNÍ ALGEBRY
DEFINICE Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. definice Vektorovým prostorem rozumíme neprázdnou množinu prvků V, na které
VícePříklady modelů lineárního programování
Příklady modelů lineárního programování Příklad 1 Optimalizace výroby konzerv. Podnik vyrábí nějaký výrobek, který prodává v 1 kg a 2 kg konzervách, přičemž se řídí podle následujících velmi zjednodušených
VíceMATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]
MATICE Matice typu m/n nad tělesem T je soubor m n prvků z tělesa T uspořádaných do m řádků a n sloupců: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij] a m1 a m2 a mn Prvek a i,j je prvek matice A na místě
VíceOhraničená Hessova matice ( bordered hessian ) je. Sestrojíme posloupnost determinantů (minorů):
Ohraničená Hessova matice ( bordered hessian ) je matice 2. parc. derivací L vzhledem k λ λ r x x n v tomto pořadí: g 0 0 g x n g 0 0 2 g 2 x n g 0 0 r g x HB = r x n g g r 2 L 2 L. x 2 x x n g g x 2 r
VíceOKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN
Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,
VíceOperační výzkum. Vícekriteriální hodnocení variant. Grafická metoda. Metoda váženého součtu.
Operační výzkum Vícekriteriální hodnocení variant. Grafická metoda. Metoda váženého součtu. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
VíceDefinice 1 eulerovský Definice 2 poloeulerovský
Dále budeme předpokládat, že každý graf je obyčejný a má aspoň tři uzly. Definice 1 Graf G se nazývá eulerovský, existuje-li v něm uzavřený tah, který obsahuje každou hranu v G. Definice 2 Graf G se nazývá
Více1 Mnohočleny a algebraické rovnice
1 Mnohočleny a algebraické rovnice 1.1 Pojem mnohočlenu (polynomu) Připomeňme, že výrazům typu a 2 x 2 + a 1 x + a 0 říkáme kvadratický trojčlen, když a 2 0. Číslům a 0, a 1, a 2 říkáme koeficienty a písmenem
Více2 Spojité modely rozhodování
2 Spojité modely rozhodování Jak již víme z přednášky, diskrétní model rozhodování lze zapsat ve tvaru úlohy hodnocení variant: f(a i ) max, a i A = {a 1, a 2,... a p }, kde f je kriteriální funkce a A
VíceGraf. Uzly Lokality, servery Osoby fyzické i právní Informatické objekty... atd. Hrany Cesty, propojení Vztahy Informatické závislosti... atd.
Graf 2 0 3 1 4 5 Uzly Lokality, servery Osoby fyzické i právní Informatické objekty... atd. Hrany Cesty, propojení Vztahy Informatické závislosti... atd. Běžné reprezentace grafu Uzly = indexy Stupně uzlů
Více4EK311 Operační výzkum. 1. Úvod do operačního výzkumu
4EK311 Operační výzkum 1. Úvod do operačního výzkumu Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka Garant kurzu:
VíceTGH10 - Maximální toky
TGH10 - Maximální toky Jan Březina Technical University of Liberec 23. dubna 2013 - motivace Elektrická sít : Elektrická sít, jednotlivé vodiče mají různou kapacitu (max. proud). Jaký maximální proud může
Více4EK213 Lineární modely. 5. Dualita v úlohách LP
4EK213 Lineární modely 5. Dualita v úlohách LP 5. Dualita v úlohách LP Obecné vyjádření simplexové tabulky Formulace duálního problému Formulace symetrického duálního problému Formulace nesymetrického
VíceLDF MENDELU. Simona Fišnarová (MENDELU) LDR druhého řádu VMAT, IMT 1 / 22
Lineární diferenciální rovnice druhého řádu Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF)
VíceNávrh Designu: Radek Mařík
1. 7. Najděte nejdelší rostoucí podposloupnost dané posloupnosti. Použijte metodu dynamického programování, napište tabulku průběžných délek částečných výsledků a tabulku předchůdců. a) 5 8 11 13 9 4 1
VíceDijkstrův algoritmus
Dijkstrův algoritmus Hledání nejkratší cesty v nezáporně hranově ohodnoceném grafu Necht je dán orientovaný graf G = (V, H) a funkce, která každé hraně h = (u, v) H přiřadí nezáporné reálné číslo označované
VíceMatematika 1 MA1. 1 Analytická geometrie v prostoru - základní pojmy. 4 Vzdálenosti. 12. přednáška ( ) Matematika 1 1 / 32
Matematika 1 12. přednáška MA1 1 Analytická geometrie v prostoru - základní pojmy 2 Skalární, vektorový a smíšený součin, projekce vektoru 3 Přímky a roviny 4 Vzdálenosti 5 Příčky mimoběžek 6 Zkouška;
VíceUčební texty k státní bakalářské zkoušce Matematika Skalární součin. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Skalární součin študenti MFF 15. augusta 2008 1 10 Skalární součin Požadavky Vlastnosti v reálném i komplexním případě Norma Cauchy-Schwarzova nerovnost
Více