Celočíselné lineární programování(ilp)

Rozměr: px
Začít zobrazení ze stránky:

Download "Celočíselné lineární programování(ilp)"

Transkript

1 Celočíselné lineární programování(ilp) Zdeněk Hanzálek, Přemysl Šůcha ČVUT FEL Katedra řídicí techniky 2. března 2010 Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

2 Obsah přednášky 1 Úvod Formulace problému 2 Vlastnosti a řešení SrovnáníILPsLP Příklady Metody řešení Speciální případy ILP Vyjadřovací schopnosti ILP 3 Závěr Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

3 Celočíselné Lineární Programování Celočíselné lineární programování(ilp) Úloha celočíselného lineárního programování(lp) je zadána maticí A R m n avektoryb R m,c R n.cílemjenajíttakovývektorx Z n, žeplatía x bac T xjemaximální. Obvykle se celočíselné lineární programování zapisuje ve tvaru: max { c T x :A x b,x Z n}. Celá řada praktických problémů týkajících se optimalizace může být modelována a řešena pomocí celočíselného lineárního programování (Integer Linear Programming- ILP). Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

4 SrovnáníILPsLP Tato úloha se od úlohy běžného lineárního programování LP liší v tom, že proměnné jsou omezeny na celá čísla. Pokud některé proměnné mohou být i reálná čísla, potom se úloha nazývá smíšené celočíselné programování MIP(Mixed Integer Programming), ale častěji se i tomuto případu říká ILP. Pokud bychom takovou úlohu řešili pomocí lineárního programování s tím, že bychom výsledek zaokrouhlili, nejenom že bychom neměli zaručeno že výsledné řešení bude optimální ale ani to, zda bude přípustné. Zatímco úloha LP je řešitelná v polynomiálním čase, úloha ILP je tzv. NP-těžká(NP-hard), neboli není znám algoritmus, který by vyřešil libovolnou instanci této úlohy v polynomiálním čase. Protože prostor řešení ILP není konvexní množina, nelze přímo aplikovat metody konvexní optimalizace. Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

5 Dělení kořisti Dělení kořisti(2 partition problem) Instance:Nezápornáceláčíslan,p 1,...,p n,kdenjepočetbankovek ap 1,...,p n jsouhodnotybankovek. Rozhodnutí:ExistujepodmnožinaS {1,...,n}taková,že i S p i = i / S p i? Rozhodovací problém, jež lze pomocí ILP zapsat jako omezující podmínku danou výše uvedenou rovnicí(my ji zapíšeme trochu jinak, abychom později snáze formulovali optimalizační problém). x i =1iffi S Toto je jeden z nejsnazších NP-úplných problémů. min 0 subject to: i 1..n x i p i =0.5 i 1..n p i parameters: n Z + 0,p i 1..n Z + 0 variables: x i 1..n {0,1} Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

6 Příklad:p= [100,50,50,50,20,20,10,10]srelaxacíumožňujedělit kořist(x = [0,0,0.9,1,1,1,1,1])nastejněvelképoloviny = ,alevpřípadě nedělitelných bankovek tato instance nemá řešení. U některých instancí snadno určíme, že je nelze rozdělit(např. součet všech cen podělený největším společným dělitelem není sudé číslo), ale není znám algoritmus, který by to uměl udělat v polynomiálním čase pro všechny možné instance problému s nedělitelnými bankovkami. Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43 Dělení kořisti s relaxací na nedělitelnost bankovek Pokudpovolímeděleníbankovek,pakx i 1..n 0,1.Prostorřešeníje konvexní množina- problém lze formulovat pomocí LP: min 0 subject to: i 1..n x i p i =0.5 i 1..n p i x i 1 i 1..n parameters: n Z + 0,p i 1..n Z + 0 variables: x i 1..n R + 0,Cmax R+ 0

7 Dělení kořisti- optimalizační verze Rozhodovací problém lze řešit optimalizačním algoritmem tak, že zavedemepráh(zde0.5 i 1..n p i)aptámese,zdajenalezená optimální hodnota nad-rovna-pod prahem. Navíc získáme hodnotu, která se prahu nejvíce blíží pokud rozhodovací problém nemá řešení. min Cmax subjectto: i 1..n x i p i Cmax i 1..n (1 x i) p i Cmax parameters: n Z + 0,p i 1..n Z + 0 variables: x i 1..n {0,1},Cmax R + 0 Aplikace:rozvrhovánímnožinynnepreemptivníchúloh {T 1,T 2,...,T n }s výpočetnímčasem [p 1,p 2,...,p n ]nadvouparalelníchidentických procesorech a minimalizací dokončení poslední z nich(maximum Completiontime)neboliP2 C max (připreempcip2 pmtn C max ) Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

8 Nejkratší cesta Nejkratší cesta v grafu(shortest Path) Instance:OrientovanýgrafG,maticevzdálenostíd :V V R + 0 a dvavrcholy1,n V. Cíl:Naléztnejkratšízvrcholu1dovrcholunneborozhodnout,žen není dosažitelný z 1. LP formulace podle fyz. analogie vrchol = kulička hrana(pro symetrickou matici d) = provázek vrchol 1 je uchycen, ostatní vrcholy taženy gravitací napnuté provázky = nejkratší cesta max s n subject to: s 1 =0 s j s i +d i,j i 1..n,j 1..n parameters: n Z + 0,d i 1..n,j 1..n R + 0 variables: s i 1..n R + 0 Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

9 Úloha obchodního cestujícího Problém asymetrického obchodního cestujícího (Asymmetric Traveling Salesman Problem) Instance:ÚplnýorientovanýgrafK n (n 3),maticevzdáleností d :V V Q +. Cíl: Nalézt nejkratší uzavřenou orientovanou cestu procházející všemi vrcholy. min subject to: i 1..n j 1..n d i,j x i,j i 1..nx i,j =1 j 1..n vstupjednou j 1..n x i,j =1 i 1..n vystupjednou s i +d i,j (1 x i,j ) M s j i 1..n,j 2..n nedělitelnost parameters: M Z + 0,n Z+ 0,d i 1..n,j 1..n Q + variables: x i 1..n,j 1..n {0,1},s i 1..n R + 0 Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

10 Metody řešení Mezi nejznámější metody řešení obecné úlohy ILP patří: Výčtové metody(enumerative Methods) Metoda větví a mezí(branch and Bound) Metody sečných nadrovin(cutting Planes Methods) Za významné osobnosti v oblasti ILP jsou považováni Ralph Gomory a Vašek Chvátal. Dnes se po nich jmenují některé metody řešení této úlohy: Gomoryho řezy resp. Chvátal-Gomoryho řezy. Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

11 Výčtové metody Výpočet je založen na prohledávání oblasti zahrnující všechna přípustná řešení. Vzhledem k celočíselnému omezení proměnných je počet těchto řešení konečný, ale jejich počet je extrémně vysoký. Proto je tato metoda vhodná pouze pro malé problémy s omezeným počtem diskrétních proměnných. PostupjemožnopoužítnaúlohuILPtak,žekekaždékombinaci diskrétních proměnných je vyřešena úloha LP, kde jsou diskrétní proměnné považovány za konstanty. Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

12 Výčtové metody min 2x 1 + x 2 s.t. 9x 1 3x 2 11 x 1 2x 1 +2x 2 10 x 2 7 x 1,x 2 0, x 1,x 2 Z + 0 Zobrázkudolejepatrné,ževúvahupřipadá10přípustnýchřešenístím, žeoptimálnířešeníjex 1 =2,x 2 =2shodnotoukritéria 2. Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

13 Metoda větví a mezí Principem této metody je rozklad množiny přípustných řešení na disjunktní podmnožiny. Algoritmus začíná výpočtem úlohy tak, že zanedbává požadavek na celočíselnot a úloha je vyřešena klasickými metodami LP. Pokudjsouvšechnyproměnnéx i celočíselné,potomvýpočetkončí. Pokudnejsou,vyberesejednaproměnnáx i / Zajejíhodnotaje přiřazena do k. Následně se vyšetřovaná oblast rozdělí na dvě podmnožiny tak, že v prvníuvažujemex i k avdruhéx i k +1. Výpočet je rekurzivně opakován pro obě nově vzniklé oblasti, dokud nenínalezenopřípustnéřešení,kdevšechnax i jsouceločíselná. Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

14 Metoda větví a mezí pomocí větvení(branching) vytváří algoritmus stavový prostor řešení, který lze grafově znázornit stromem uzly představují nějaká částečná řešení problému listy odpovídají buď nalezeným celočíselným řešením nebo řešením, která jsou odříznuta(nepřípustná řešení a řešení která nevedou k lepšímu výsledku) jakmile algoritmus nalezne nějaké celočíselné řešení, může být hodnota odpovídající cílové funkce použita k prořezávání stromu(bounding) uzel je odříznut, pokud cílová funkce tohoto částečného(i neceločíselného)řešeníznenílepšínežz,hodnotacílovéfunkce nejlepšího doposud známého celočíselného řešení Algoritmus ILP nejčastěji využívá k řešení LP simplexovou metodu protože po přidání nové omezující podmínky není nutné spouštět simplexový algoritmus znova od začátku ale umožňuje navázat na předchozí výpočet LP řešením duální simplexové metody. Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

15 Metoda větví a mezí Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

16 Metodavětvíamezí-příklad Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

17 Množina řešení ILP maxz = 3x 1 +4x 2 s.t. 5x 1 +8x 2 24 x 1,x 2 Z + 0 Co je optimální řešení? MůžemepoužítLPk řešení ILP problému? Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

18 Zaokrouhlení není vždy úspěšné maxz = 3x 1 +4x 2 LPřešeníz=14.4pro x 1 =4.8,x 2 =0 zaokrouhlením získáme neproveditelné řešení x 1 =5,x 2 =0 odtržením neceločíselné části získáme řešení z =12pro x 1 =4,x 2 =0 optimálnířešeníz=13 prox 1 =3,x 2 =1 Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

19 Proč celočíselné programování Výhody plynoucí z omezení na celočíselné proměnné realističtější(nelze vyrábět 4.3 auta) pružnější- do binárních proměnných často zakódujeme nějaká rozhodnutí(logické výrazy...) schopnost formulovat NP-obtížné problémy Nevýhody obtížnější tvorba modelu zpravidla lze řešit pouze problémy o přibližně 1000 celočíselných proměnných Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

20 Speciální případy ILP- př. nejkratší cesta pomocí toků a) Nejkratší cesta v grafu(shortest Path) Instance:Or.grafG,incidenčnímaticeC :V E { 1,0,1}, vektordélekhranl R + 0 advavrcholy1,n V. Cíl:Naléztnejkratšízvrcholu1dovrcholunneborozhodnout,žen není dosažitelný z 1. LP formulace pomocí tokuzezdrojedocíle: hranoujtečetoko velikostix j vyjma zdroje a cíle zachovávají vrcholy 1.Kirchhoffův zákon min j 1..m l j x j subject to: j 1..mC 1,j x j =1 zdrojtoku j 1..mC n,j x j = 1 cíltoku j 1..m C i,j x j =0 i 2..n 1 pars: C i 1..n,j 1..m { 1,0,1},l j 1..m R + 0 vars: x j 1..m R + 0 Výslednéhodnotyx i jsouceločíselné(binární)přestožejdeolp.proč? Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

21 Speciální případy ILP Obecná úloha ILP není řešitelná v polynomiálním čase. Existují však speciální případy, které lze řešit v polynomiálním čase. Věta- Totálně unimodulární matice MaticeA = [a ij ]typum/njetotálněunimodulární,jestliže 1 a ij {0,1, 1} 2 determinant každé čtvercové podmatice matice A je roven 0; 1 nebo -1. Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

22 Totálně unimodulární matice Věta Úlohu ILP s totálně unimodulární maticí A a celočíselným vektorem b lze řešit simplexovým algoritmem a výsledné řešení je celočíselné. Věta Úloha ILP s totálně unimodulární maticí A a celočíselným vektorem b je řešitelná v polynomiálním čase. Věta NechťAjematicetypum/ntaková,že 1 a ij {0,1, 1},i=1,...,m,j=1,...,n 2 každý sloupec matice A obsahuje buďto nejvýše jeden nenulový prvek neboprávědvanenulovéprvky,ato +1a 1, pak je matice A totálně unimodulární. Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

23 Vyjadřovací schopnosti ILP- př. investice do nemovitostí Zvažujeme investice do 6 nemovitostí. Cenaapříjemznájmuukaždéznichjsouuvedenyvtabulce. Cíl: nemovitost cena nájem maximalizovat příjem z nájmu Omezení: investiční rozpočet je 14 mil Kč Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

24 Vyjadřovací schopnosti ILP- př. investice do nemovitostí Zvažujeme investice do 6 nemovitostí. Cenaapříjemznájmuukaždéznichjsouuvedenyvtabulce. Cíl: nemovitost cena nájem maximalizovat příjem z nájmu Omezení: investiční rozpočet je 14 mil Kč Formulace x i =1právěkdyžkoupímenemovitosti max z =16x 1 +22x 2 +12x 3 +8x 4 +11x 5 +19x 6 s.t. 5x 1 +7x 2 +4x 3 +3x 4 +4x 5 +6x 6 14 x i 1 6 {0,1} Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

25 Přidánílogickýchformulíx 1 x 3 Další omezení: jestližejedům1vybrán,potomnenívybrándům3 x 1 x 3 x 1 x Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

26 Přidánílogickýchformulíx 1 x 3 Další omezení: jestližejedům1vybrán,potomnenívybrándům3 x 1 x 3 x 1 x Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

27 Přidánílogickýchformulíx 1 x 3 Další omezení: jestližejedům1vybrán,potomnenívybrándům3 x 1 x 3 x 1 x max z =16x 1 +22x 2 +12x 3 +8x 4 +11x 5 +19x 6 s.t. 5x 1 +7x 2 +4x 3 +3x 4 +4x 5 +6x 6 14 x 1 + x 3 1 x i 1 6 {0,1} Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

28 Přidánílogickýchformulíx 2 x 1 Další omezení: jestližejedům2vybrán,potommusíbýtvybránidům1 x 1 x 2 x 2 x Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

29 Přidánílogickýchformulíx 2 x 1 Další omezení: jestližejedům2vybrán,potommusíbýtvybránidům1 x 1 x 2 x 2 x Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

30 Přidánílogickýchformulíx 2 x 1 Další omezení: jestližejedům2vybrán,potommusíbýtvybránidům1 x 1 x 2 x 2 x max z =16x 1 +22x 2 +12x 3 +8x 4 +11x 5 +19x 6 s.t. 5x 1 +7x 2 +4x 3 +3x 4 +4x 5 +6x 6 14 x 2 x 1 x i 1 6 {0,1} Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

31 Přidánílogickýchformulíx 2 XORx 1 Další omezení: buďjevybrándům4nebodům5,aleneoba x 4 x 5 x 4 XORx Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

32 Přidánílogickýchformulíx 2 XORx 1 Další omezení: buďjevybrándům4nebodům5,aleneoba x 4 x 5 x 4 XORx Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

33 Přidánílogickýchformulíx 2 XORx 1 Další omezení: buďjevybrándům4nebodům5,aleneoba x 4 x 5 x 4 XORx max z =16x 1 +22x 2 +12x 3 +8x 4 +11x 5 +19x 6 s.t. 5x 1 +7x 2 +4x 3 +3x 4 +4x 5 +6x 6 14 x 4 + x 5 =1 x i 1 6 {0,1} Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

34 Přidání logických formulí- domácí úkol Promyslete jak formulovat: musíbýtvybrándům1anesmíbýtvybrándům2 musí být vybrány alespoň 3 domy musíbýtvybrányprávě3domy pokudjsouvybránydomy1a2,pakmusíbýtkvůlicestěvybráni dům3-neboli(x 1 ANDx 2 ) x 3 nesmí být vybrány právě dva domy Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

35 Vyjadřovací schopnosti ILP- př. plánování výroby oděvů Objem práce, množství materiálu a zisk jsou uvedeny v tabulce. produkt tričko košile kalhoty kapacita objem práce materiál Cíl: zisk maximalizovat zisk Omezení: celková pracovní kapacita je maximálně 150 hodin k dispozici je maximálně 160m látky Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

36 Vyjadřovací schopnosti ILP- př. plánování výroby oděvů Objem práce, množství materiálu a zisk jsou uvedeny v tabulce. produkt tričko košile kalhoty kapacita objem práce materiál Cíl: zisk maximalizovat zisk Omezení: celková pracovní kapacita je maximálně 150 hodin k dispozici je maximálně 160m látky Formulace x i početvýrobkůproduktui max z =6x 1 +4x 2 +7x 3 s.t. 3x 1 +2x 2 +6x x 1 +3x 2 +4x x i 1 3 Z 0 + Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

37 Přidání vztahu mezi binární a celočíselnou proměnnou Další omezení: zaplatit fixní cenu za pronájem stroje podle typu produktu produkt tričko košile kalhoty cena stroje Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

38 Přidání vztahu mezi binární a celočíselnou proměnnou Další omezení: zaplatit fixní cenu za pronájem stroje podle typu produktu Formulace produkt tričko košile kalhoty cena stroje zavedemebinárníproměnnouy i,takabyy i =1právěkdyžje vypůjčen stroj na výrobu produktu i novékritériummaxz =6x 1 +4x 2 +7x 3 200y 1 150y 2 100y 3 provážemebinárníy i sceločíselnoux i Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

39 Přidání vztahu mezi binární a celočíselnou proměnnou Strojijevypůjčenprávěkdyžjevyráběnprodukti,neboliprovážeme binárníy i sceločíselnoux i tak,abyplatilo y i =0právěkdyžx i =0 y i =1právěkdyžx i 1 Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

40 Přidání vztahu mezi binární a celočíselnou proměnnou Strojijevypůjčenprávěkdyžjevyráběnprodukti,neboliprovážeme binárníy i sceločíselnoux i tak,abyplatilo y i =0právěkdyžx i =0 y i =1právěkdyžx i 1 Prooborhodnotx i 0,100 lzetentovztahzajistitpomocínerovnic x i 100y i a x i y i...zdelzevypustitdíkykritériu Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

41 Funkce několika přípustných hodnot Další omezení: zaúčelemvyužitípracovnídobyjecelkovýobjempráce40,80nebo 120 hodin Požadujeme, aby nějaká funkce proměnných x nabývala pouze omezeného počtu hodnot 3x 1 +2x 2 +6x 3 =40nebo80nebo120 Lzevyjádřitpomocímnožinypomocnýchproměnnýchv i {0,1} následovně: 3x 1 +2x 2 +6x 3 =40v 1 +80v v 3 3 i=1 v i =1 Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

42 Musí platit alespoň jedna ze dvou podmínek - př. soustava nerovnic Při modelování problémů pomocí ILP se často dostáváme do situace, kdy je potřeba vyjádřit skutečnost, že platí jedno omezení, nebo druhé omezení neboobězároveň.např.prox i ,5,x i R platí 2x 1 +x 2 5 nebo 2x 3 x 4 2 nebo obě Tento případ lze modelovat pomocí konstanty M(velkého kladného číslabigm,zdenapříklad15)apomocnéproměnnéy {0,1},takabybyla vypnuta účinnost jedné z nerovnic 2x 1 +x 2 5 +M y 2x 3 x 4 2 +M (1 y) Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

43 Musí platit alespoň jedna ze dvou podmínek proy =0sesoustava 2x 1 +x 2 5 +M y 2x 3 x 4 2 +M (1 y) redukuje na 2x 1 +x 2 5 Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

44 Musí platit alespoň jedna ze dvou podmínek proy =0sesoustava 2x 1 +x 2 5 +M y 2x 3 x 4 2 +M (1 y) redukuje na 2x 1 +x 2 5 proy =1sesoustava 2x 1 +x 2 5 +M y 2x 3 x 4 2 +M (1 y) redukuje na 2x 3 x 4 2 Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

45 Musí platit alespoň jedna ze dvou podmínek- domácí úkol Promyslete jaký prostor řešení je dán soustavou nerovnic: 2x 1 +x 2 5 +M y 2x 1 x 2 2 +M (1 y) y {0,1} Promyslete jaký prostor řešení je dán soustavou nerovnic(všimněte si, žerovniceodpovídajírovnoběžnýmpřímkám;mohoupronějakéx 1,x 2 obě nerovnice platit naráz): 2x 1 +x 2 5 +M y 2x 1 +x M (1 y) y {0,1} Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

46 Platí alespoň 1 ze 2 podm.- př. nepreemptivní rozvrhování 1 r j, d Cmax j...np-obtížnýproblém Například: Instance:Množinanepreemptivníchúloh T = {T 1,...,T i,...t n } vykonávaná na jednom procesoru s omezeními na nejdřívější začátek r adeadline dkaždéúlohy.délkaúlohjedánavektoremp. Cíl: Nalézt proveditelný rozvrh daný začátky vykonávání úloh s tak, aby celková doba rozvrhu byla co nejkratší (C max =max i 1,n s i +p i ),neborozhodnout,ženeexistuje. procesor- truhlář T i -výrobažidle r i -okamžik,kdyjekdispozicimateriálnavýrobužidle d i -okamžik,kdymusíbýtžidlevyrobena s i -začátekvýrobyžidle s j +p j -konecvýrobyžidle Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

47 Rozvrhování nepreemptivních úloh- platí alespoň jedna ze dvou podmínek Jelikož v danou chvíli může být vykonávána maximálně jedna úloha, tak prokaždouneuspořádanoudvojiciúloht i,t j musíplatit: 1 buďt i předcházít j (zapíšemes j s i +p i ) 2 nebot j předcházít i (zapíšemes i s j +p j ) Povšimněmesi,žesoučasnáplatnostobounerovnicje(prop i >0) vyloučena. Potřebujeme zformulovat, že platí alespoň jedna ze dvou nerovnic. Zavedemepomocnouproměnnoux ij {0,1}tak,žex ij =1právěkdyžT i předcházít j (maticexjeantisymetrická). ProkaždouneuspořádanoudvojiciúlohT i,t j zavedemedvěnerovnice: s j +M (1 x ij ) s i +p i nerovniceje vypnutá kdyžx ij =0 s i +M x ij s j +p j nerovniceje vypnutá kdyžx ij =1 Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

48 Rozvrhování- reprezentace nekonvexního prostoru s i r i i 1..n d i s i +p i i 1..n releasedate deadline s j +M (1 x ij ) s i +p i i 1..n,j i T i předcházít j s i +M x ij s j +p j i 1..n,j i T j předcházít i Například:p i =2,p j =3,r i =r j =0, d i =9, d j =10 Nekonvexnídvojrozměrnýprostorjeprůmětemdvouřezůvroviněx =0a x = 1 do trojrozměrného polytopu daného soustavou nerovnic. Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

49 MusíplatitalespoňKzNpodmínek VpřípaděževILPmodeluuvažujemepřípad,kdyzmnožinyNpodmínek musí platit alespoň K podmínek ve tvaru: f (x 1,x 2,...,x n ) b 1 f (x 1,x 2,...,x n ) b 2. f (x 1,x 2,...,x n ) b N LzeopětvyjádřitzaloženímNpomocnýchproměnnýchy i 1...N {0,1} f (x 1,x 2,...,x n ) b 1 +M y 1 f (x 1,x 2,...,x n ) b 2 +M y 2. f (x 1,x 2,...,x n ) b N +M y N N i=1 y i =N K ProK =1aN=2lzezjednodušitnajedinouproměnnouy i ajejínegaci vyjádřitjako (1 y i )viz alespoňjednazedvoupodmínek. Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

50 Nástroje řešící úlohu ILP CPLEX- komerční MOSEK- komerční GLPK- nekomerční LP SOLVE- nekomerční YALMIP- nástroj určený k modelování ILP problémů v Matlabu Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

51 Metoda sečných nadrovin Další skupinou algoritmů jsou metody sečných nadrovin(cutting plane method). Jsou založeny podobně jako metoda větví a mezí na opakovaném řešení úlohy LP. Výpočet je prováděn iterativně tak, že v každém kroku je přidána další omezující podmínka zužující oblast přípustných řešení. Každá nová omezující podmínka musí splňovat tyto vlastnosti: Optimální řešení nalezené pomocí LP se stane nepřípustným. Žádné celočíselné řešení přípustné v předchozím kroku se nesmí stát nepřípustným. Mezi nejznámější metody patří Dantzigovy řezy(dantzig cuts), Gomoryho řezy(gomory cuts) a Chvátal-Gomoryho řezy. Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

52 Gomoryho řezy Algoritmus 1 (Inicializace) Vyřeš úlohu jako úlohu LP pomocí simplexového algoritmu. 2 (Test optimality) Pokud je nalezené řešení celočíselné, výpočet končí. 3 (Redukce) Do simplexové tabulky přidej nové omezení(gomoryho řez). Přeoptimalizuj úlohu pomocí duálního LP a jdi na krok 2. minx 1 +2x 2 s.t. 3x 1 +4x 2 6 4x 1 +3x 2 12 x 1,x 2 0,x 1,x 2 Z Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

53 Lineární programování- Shrnutí Úloha je NP-obtížná. Lze ji použít pro modelování většiny kombinatorických problémů. Nejčastěji je řešena metodou větví a mezí. Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

54 Literatura A.JensenandF.Bard. Operations Research Models and Methods. JohnWiley&Sons,Inc.,2002. B.H.KorteandJensVygen. Combinatorial Optimization: Theory and Algorithms. Springer, third edition, James B. Orlin. Introduction to optimization. MIT OpenCourseWare, R. Vanderbei. Linear Programming: Foundations and Extensions. Princeton University, rvdb/lpbook, second edition, Z. Hanzálek (ČVUT FEL) Celočíselné lineární programování(ilp) 2. března / 43

1 Úvod do celočíselné lineární optimalizace

1 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,

Více

4EK213 Lineární modely. 10. Celočíselné programování

4EK213 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

Více

Úvod do celočíselné optimalizace

Úvod do celočíselné optimalizace Úvod do celočíselné optimalizace Martin Branda Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Výpočetní aspekty optimalizace Martin Branda (KPMS

Více

11. března Výpočet je založen na prohledávání oblasti zahrnující všechna přípustná řešení [1, 2]. Vzhledem

11. března Výpočet je založen na prohledávání oblasti zahrnující všechna přípustná řešení [1, 2]. Vzhledem Celočíselné lineární programování Přemysl Šůcha 11. března 2004 1 Úvod Celá řada praktických problémů týkajících se optimalizace může být modelována a řešena pomocí integer (coločíselného 1 nebo také diskrétního)

Více

13. Lineární programování

13. 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

Více

4EK201 Matematické modelování. 2. Lineární programování

4EK201 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

Více

Metody lineární optimalizace Simplexová metoda. Distribuční úlohy

Metody 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

Více

Ekonomická formulace. Matematický model

Ekonomická 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

Více

NP-ÚPLNÉ PROBLÉMY. Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze

NP-ÚPLNÉ PROBLÉMY. Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze NP-ÚPLNÉ PROBLÉMY Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze BI-GRA, LS 2010/2011, Lekce 13 Evropský sociální fond Praha & EU: Investujeme do

Více

Otázky ke státní závěrečné zkoušce

Otázky 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

Více

Systematická tvorba jízdního řádu 2. cvičení

Systematická 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

Více

OPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB D24FZS

OPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB D24FZS OPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB Optimalizace a multikriteriální hodnocení funkční způsobilosti pozemních staveb Anotace: Optimalizace objektů pozemních staveb

Více

Programy pro ˇreˇsen ı ulohy line arn ıho programov an ı 18. dubna 2011

Programy pro ˇreˇsen ı ulohy line arn ıho programov an ı 18. dubna 2011 Programy pro řešení úlohy lineárního programování 18. dubna 2011 Přehled Mathematica Sage AMPL GNU Linear Programming Kit (GLPK) Mathematica Mathematika je program pro numerické a symbolické počítání.

Více

e-mail: RadkaZahradnikova@seznam.cz 1. července 2010

e-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

Více

Učební 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 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)

Více

Obecná úloha lineárního programování. Úloha LP a konvexní množiny Grafická metoda. Jiří Neubauer. Katedra ekonometrie FEM UO Brno

Obecná 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

Více

Numerické metody optimalizace - úvod

Numerické 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

Více

Obecná úloha lineárního programování

Obecná úloha lineárního programování Obecná úloha lineárního programování Úloha Maximalizovat hodnotu c T x (tzv. účelová funkce) za podmínek Ax b (tzv. omezující podmínky) kde A je daná reálná matice typu m n a c R n, b R m jsou dané reálné

Více

OSTRAVSKÁ UNIVERZITA PŘÍRODOVĚDECKÁ FAKULTA [ MOPV ] METODY OPERAČNÍHO VÝZKUMU

OSTRAVSKÁ UNIVERZITA PŘÍRODOVĚDECKÁ FAKULTA [ MOPV ] METODY OPERAČNÍHO VÝZKUMU OSTRAVSKÁ UNIVERZITA PŘÍRODOVĚDECKÁ FAKULTA [ MOPV ] METODY OPERAČNÍHO VÝZKUMU Distanční opora RNDr. Miroslav Liška, CSc. OSTRAVA 2002 1 Simplexová metoda je iterační výpočetní postup pro nalezení optimálního

Více

4EK311 Operační výzkum. 1. Úvod do operačního výzkumu

4EK311 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:

Více

4EK213 LINEÁRNÍ MODELY

4EK213 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

Více

4EK212 Kvantitativní management. 2. Lineární programování

4EK212 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

Více

4EK213 Lineární modely. 12. Dopravní problém výchozí řešení

4EK213 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

Více

Dynamické programování

Dynamické programování Dynamické programování prof. Ing. Pavel Tvrdík CSc. Katedra počítačových systémů Fakulta informačních technologií České vysoké učení technické v Praze c Pavel Tvrdík, 2010 Efektivní algoritmy (BI-EFA)

Více

Rozhodovací procedury a verifikace Pavel Surynek, KTIML

Rozhodovací procedury a verifikace Pavel Surynek, KTIML 6 Rozhodovací procedury a verifikace Pavel Surynek, KTIML http://ktiml.mff.cuni.cz/~surynek/nail094 Matematicko-fyzikální fakulta Univerzita Karlova v Praze 1 Lineární aritmetika Budeme zabývat rozhodovacími

Více

Parametrické programování

Parametrické 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

Více

Lineární programování

Lineární 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

Více

Karta předmětu prezenční studium

Karta předmětu prezenční studium Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 545-0259 Garantující institut: Garant předmětu: Exaktní metody rozhodování Institut ekonomiky a systémů řízení RNDr. Radmila Sousedíková,

Více

4EK314 Diskrétní modely

4EK314 Diskrétní modely 4EK314 Diskrétní modely Jan Fábry Fakulta informatiky a statistiky Katedra ekonometrie fabry@vse.cz http://nb.vse.cz/~fabry Únor 2016, Praha Jan Fábry Diskrétní modely 1 / 153 Sylabus kurzu 1 Úloha celočíselného

Více

Numerické metody a programování. Lekce 8

Numerické metody a programování. Lekce 8 Numerické metody a programování Lekce 8 Optimalizace hledáme bod x, ve kterém funkce jedné nebo více proměnných f x má minimum (maximum) maximalizace f x je totéž jako minimalizace f x Minimum funkce lokální:

Více

Operační výzkum. Teorie her. Řešení maticových her převodem na úlohu LP.

Operační výzkum. Teorie her. Řešení maticových her převodem na úlohu LP. Operační výzkum Řešení maticových her převodem na úlohu LP. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu

Více

FIT ČVUT MI-LOM Lineární optimalizace a metody. Dualita. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti

FIT ČVUT MI-LOM Lineární optimalizace a metody. Dualita. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti FIT ČVUT MI-LOM Lineární optimalizace a metody Dualita Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti Michal Černý, 2011 FIT ČVUT, MI-LOM, M. Černý, 2011: Dualita 2/5 Dualita Evropský

Více

Teorie her a ekonomické rozhodování. 2. Maticové hry

Teorie her a ekonomické rozhodování. 2. Maticové hry Teorie her a ekonomické rozhodování 2. Maticové hry 2.1 Maticová hra Teorie her = ekonomická vědní disciplína, která se zabývá studiem konfliktních situací pomocí matematických modelů Hra v normálním tvaru

Více

LDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25

LDF 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

Více

Studentská soutěžní práce

Studentská soutěžní práce Univerzita Tomáše Bati Fakulta aplikované informatiky Ústav automatizace a řídicí techniky Studentská soutěžní práce STOČ 2011 Mobilní aplikace celočíselného programování metodou větví a mezí 2011 Adam

Více

12. Lineární programování

12. 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)

Více

Metodické pokyny pro práci s modulem Řešitel v tabulkovém procesoru Excel

Metodické pokyny pro práci s modulem Řešitel v tabulkovém procesoru Excel Metodické pokyny pro práci s modulem Řešitel v tabulkovém procesoru Excel Modul Řešitel (v anglické verzi Solver) je určen pro řešení lineárních i nelineárních úloh matematického programování. Pro ilustraci

Více

Konvexní množiny Formulace úloh lineárního programování. Jiří Neubauer. Katedra ekonometrie FEM UO Brno

Konvexní množiny Formulace úloh lineárního programování. Jiří Neubauer. Katedra ekonometrie FEM UO Brno Přednáška č. 2 Katedra ekonometrie FEM UO Brno Euklidovský prostor E n Pod pojmem n-rozměrný euklidovský prostor budeme rozumnět prostor, jehož prvky jsou uspořádané n-tice reálných čísel X = (x 1, x 2,...,

Více

Třídy složitosti P a NP, NP-úplnost

Třídy složitosti P a NP, NP-úplnost Třídy složitosti P a NP, NP-úplnost Cíle přednášky: 1. Definovat, za jakých okolností můžeme problém považovat za efektivně algoritmicky řešitelný. 2. Charakterizovat určitou skupinu úloh, pro které není

Více

4EK311 Operační výzkum. 2. Lineární programování

4EK311 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

Více

Pokročilé matematické modely a metody

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

Více

fakulty 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.

fakulty 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

Více

6 Simplexová metoda: Principy

6 Simplexová metoda: Principy 6 Simplexová metoda: Principy V této přednášce si osvětlíme základy tzv. simplexové metody pro řešení úloh lineární optimalizace. Tyto základy zahrnují přípravu kanonického tvaru úlohy, definici a vysvětlení

Více

5 Orientované grafy, Toky v sítích

5 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

Více

Simplexové tabulky z minule. (KMI ZF JU) Lineární programování EMM a OA O6 1 / 25

Simplexové tabulky z minule. (KMI ZF JU) Lineární programování EMM a OA O6 1 / 25 Simplexové tabulky z minule (KMI ZF JU) Lineární programování EMM a OA O6 1 / 25 Simplexová metoda symbolicky Výchozí tabulka prom. v bázi zákl. proměné přídatné prom. omez. A E b c T 0 0 Tabulka po přepočtu

Více

u odpovědí typu A, B, C, D, E: Obsah: jako 0) CLP Constraint Logic Programming

u odpovědí typu A, B, C, D, E: Obsah: jako 0) CLP Constraint Logic Programming Průběžná písemná práce Průběžná písemná práce Obsah: Průběžná písemná práce Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ délka pro vypracování: 25 minut nejsou povoleny žádné materiály

Více

Aplikovaná numerická matematika - ANM

Aplikovaná numerická matematika - ANM Aplikovaná numerická matematika - ANM 3 Řešení soustav lineárních rovnic iterační metody doc Ing Róbert Lórencz, CSc České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových

Více

Problém lineární komplementarity a kvadratické programování

Problém lineární komplementarity a kvadratické programování Problém lineární komplementarity a kvadratické programování (stručný učební text 1 J. Rohn Univerzita Karlova Matematicko-fyzikální fakulta Verze: 17. 6. 2002 1 Sepsání tohoto textu bylo podpořeno Grantovou

Více

Úvod do úloh plánování rozvozu (Vehicle Routing Problems)

Úvod 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

Více

Analýza Petriho sítí. Analýza Petriho sítí p.1/28

Analýza 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

Více

Teoretická informatika Tomáš Foltýnek Barvení grafů Platónská tělesa

Teoretická informatika Tomáš Foltýnek Barvení grafů Platónská tělesa Tomáš Foltýnek foltynek@pef.mendelu.cz Barvení grafů Platónská tělesa strana 2 Opakování z minulé přednášky Co je to prohledávání grafu? Jaké způsoby prohledávání grafu známe? Jak nalézt východ z bludiště?

Více

Základy informatiky. Teorie grafů. Zpracoval: Pavel Děrgel Úprava: Daniela Szturcová

Základy 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

Více

3. ANTAGONISTICKÉ HRY

3. ANTAGONISTICKÉ HRY 3. ANTAGONISTICKÉ HRY ANTAGONISTICKÝ KONFLIKT Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku,

Více

Systémové modelování. Ekonomicko matematické metody I. Lineární programování

Systémové modelování. Ekonomicko matematické metody I. Lineární programování Ekonomicko matematické metody I. Lineární programování Modelování Modelování je způsob zkoumání reality, při němž složitost, chování a další vlastnosti jednoho celku vyjadřujeme složitostí, chováním a

Více

Soustavy linea rnı ch rovnic

Soustavy linea rnı ch rovnic [1] Soustavy lineárních rovnic vlastnosti množin řešení metody hledání řešení nejednoznačnost zápisu řešení a) soustavy, 10, b) P. Olšák, FEL ČVUT, c) P. Olšák 2010, d) BI-LIN, e) L, f) 2009/2010, g)l.

Více

Lineární programování(optimalizace) a soustavy lineárních nerovností

Lineární programování(optimalizace) a soustavy lineárních nerovností Lineární programování(optimalizace) a soustavy lineárních nerovností 2017 tuma@karlin.mff.cuni.cz 0-1 Příklad úlohy lineárního programování najdětemaximálníhodnotufunkce x 1 +x 2 přesvšechnyvektoryx =

Více

Přiřazovací problém. Přednáška č. 7

Přiřazovací problém. Přednáška č. 7 Přiřazovací problém Přednáška č. 7 Přiřazovací problém je jednou podtřídou logistických úloh. Typickým problémem může být nejkratší převoz materiálu od dodavatelů ke spotřebitelům. spotřebitelé a i dodavatelé

Více

ALGORITMY A DATOVÉ STRUKTURY

ALGORITMY A DATOVÉ STRUKTURY Název tématického celku: Cíl: ALGORITMY A DATOVÉ STRUKTURY Metodický list č. 1 Časová složitost algoritmů Základním cílem tohoto tematického celku je vysvětlení potřebných pojmů a definic nutných k popisu

Více

4EK311 Operační výzkum. 3. Optimalizační software a stabilita řešení úloh LP

4EK311 Operační výzkum. 3. Optimalizační software a stabilita řešení úloh LP 4EK311 Operační výzkum 3. Optimalizační software a stabilita řešení úloh LP 3.1 Příklad matematický model Lis: 1 x 1 + 2 x 2 120 [min] Balení: 1 x 1 + 4 x 2 180 [min] Poptávka: 1 x 1 1 x 2 90 [krabiček]

Více

Matematický model. omezující podmínky. Tab. 2.1 Prvky ekonomického a matematického modelu

Matematický model. omezující podmínky. Tab. 2.1 Prvky ekonomického a matematického modelu 16 Čeho chceme dosáhnout? Co můžeme ovlivnit? Jaké jsou překážky? Ekonomický model cíl analýzy procesy činitelé Matematický model účelová funkce proměnné omezující podmínky Příklady maximalizace zisku

Více

Problém batohu. Zdeněk Hanzálek hanzalek@fel.cvut.cz. ČVUT FEL Katedra řídicí techniky. 5. dubna 2011

Problém batohu. Zdeněk Hanzálek hanzalek@fel.cvut.cz. ČVUT FEL Katedra řídicí techniky. 5. dubna 2011 Problém batohu Zdeněk Hanzálek hanzalek@fel.cvut.cz ČVUT FEL Katedra řídicí techniky 5. dubna 2011 Z. Hanzálek (ČVUT FEL) Problém batohu 5. dubna 2011 1/ 15 1 Obsah přednášky 2 Úvod Formulace problému

Více

ANTAGONISTICKE HRY 172

ANTAGONISTICKE HRY 172 5 ANTAGONISTICKÉ HRY 172 Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku, jejíž výše nezávisí

Více

Základy maticového počtu Matice, determinant, definitnost

Základy maticového počtu Matice, determinant, definitnost Základy maticového počtu Matice, determinant, definitnost Petr Liška Masarykova univerzita 18.9.2014 Matice a vektory Matice Matice typu m n je pravoúhlé (nebo obdélníkové) schéma, které má m řádků a n

Více

Optimalizace obecný úvod. [proč optimalizovat?] Formalizace problému. [existují podobné problémy?]

Optimalizace obecný úvod. [proč optimalizovat?] Formalizace problému. [existují podobné problémy?] Optimalizace obecný úvod 1 Optimalizace obecný úvod Motivace optimalizačních úloh [proč optimalizovat?] Formalizace problému [jak obecně popsat optimalizační úlohu?] Klasifikace optimalizačních problémů

Více

4. Trojúhelníkový rozklad p. 1/20

4. Trojúhelníkový rozklad p. 1/20 4. Trojúhelníkový rozklad 4. Trojúhelníkový rozklad p. 1/20 4. Trojúhelníkový rozklad p. 2/20 Trojúhelníkový rozklad 1. Permutační matice 2. Trojúhelníkové matice 3. Trojúhelníkový (LU) rozklad 4. Výpočet

Více

Základy spojité optimalizace

Základy spojité optimalizace Základy spojité optimalizace 2. ledna 2013 Obsah 1 Přehled 2 1.1 Obecná úloha........................... 2 1.2 Dělení úloh............................ 2 1.3 Volný extrémem......................... 3 1.4

Více

4EK213 LINEÁRNÍ MODELY

4EK213 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

Více

Definice 9.4. Nedeterministický algoritmus se v některých krocích může libovolně rozhodnout pro některé z několika možných různých pokračování.

Definice 9.4. Nedeterministický algoritmus se v některých krocích může libovolně rozhodnout pro některé z několika možných různých pokračování. 9.5 Třída NP Definice 9.4. Nedeterministický algoritmus se v některých krocích může libovolně rozhodnout pro některé z několika možných různých pokračování. Příklad. Uvažujme problém IND a následující

Více

Západočeská univerzita v Plzni. Fakulta aplikovaných věd. Ivana Kozlová. Modely analýzy obalu dat

Západočeská 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

Více

Projekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma

Projekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky

Více

10. Složitost a výkon

10. Složitost a výkon Jiří Vokřínek, 2016 B6B36ZAL - Přednáška 10 1 Základy algoritmizace 10. Složitost a výkon doc. Ing. Jiří Vokřínek, Ph.D. Katedra počítačů Fakulta elektrotechnická České vysoké učení technické v Praze Jiří

Více

1 Duální simplexová metoda

1 Duální simplexová metoda 1 Duální simplexová metoda Autor: Markéta Popelová Datum: 8.5.2011 Předmět: Základy spojité optimalizace Zadání Mějme matici A R m n a primární úlohu lineárního programování v normálním tvaru (P) a k ní

Více

3. úloha - problém batohu metodami branch & bound, dynamické programování, heuristika s testem

3. úloha - problém batohu metodami branch & bound, dynamické programování, heuristika s testem ČVUT FEL X36PAA - Problémy a algoritmy 3. úloha - problém batohu metodami branch & bound, dynamické programování, heuristika s testem Jméno: Marek Handl Datum: 1. 1. 2009 Cvičení: Pondělí 9:00 Zadání Naprogramujte

Více

1 Projekce a projektory

1 Projekce a projektory Cvičení 3 - zadání a řešení úloh Základy numerické matematiky - NMNM20 Verze z 5. října 208 Projekce a projektory Opakování ortogonální projekce Definice (Ortogonální projekce). Uvažujme V vektorový prostor

Více

2. část: Základy matematického programování, dopravní úloha. Ing. Michal Dorda, Ph.D.

2. část: Základy matematického programování, dopravní úloha. Ing. Michal Dorda, Ph.D. 2. část: Základy matematického programování, dopravní úloha. 1 Úvodní pojmy Metody na podporu rozhodování lze obecně dělit na: Eaktní metody metody zaručující nalezení optimální řešení, např. Littlův algortimus,

Více

Příklady ke cvičením. Modelování produkčních a logistických systémů

Příklady 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

Více

7 Konvexní množiny. min c T x. při splnění tzv. podmínek přípustnosti, tj. x = vyhovuje podmínkám: A x = b a x i 0 pro každé i n.

7 Konvexní množiny. min c T x. při splnění tzv. podmínek přípustnosti, tj. x = vyhovuje podmínkám: A x = b a x i 0 pro každé i n. 7 Konvexní množiny Motivace. Lineární programování (LP) řeší problém nalezení minima (resp. maxima) lineárního funkcionálu na jisté konvexní množině. Z bohaté škály úloh z této oblasti jmenujme alespoň

Více

2.6. Vlastní čísla a vlastní vektory matice

2.6. Vlastní čísla a vlastní vektory matice 26 Cíle V této části se budeme zabývat hledáním čísla λ které je řešením rovnice A x = λ x (1) kde A je matice řádu n Znalost řešení takové rovnice má řadu aplikací nejen v matematice Definice 261 Nechť

Více

Operační výzkum. Základní informace

Operační výzkum. Základní informace Operační výzkum Přednášející: doc. Ing. Miroslav Žižka, Ph.D. Katedra podnikové ekonomiky Cvičící: doc. Ing. Miroslav Žižka, Ph.D. Základní informace rozsah předmětu: 2/2, zakončeno: zkouškou, počet kreditů:

Více

Vektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace

Vektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace Vektory a matice Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Vektory Základní pojmy a operace Lineární závislost a nezávislost vektorů 2 Matice Základní pojmy, druhy matic Operace s maticemi

Více

3. Grafy a matice. Definice 3.2. Čtvercová matice A se nazývá rozložitelná, lze-li ji napsat ve tvaru A =

3. 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

Více

4EK213 Lineární modely. 5. Dualita v úlohách LP

4EK213 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

Více

VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY

VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY Jan Krejčí 31. srpna 2006 jkrejci@physics.ujep.cz http://physics.ujep.cz/~jkrejci Obsah 1 Přímé metody řešení soustav lineárních rovnic 3 1.1 Gaussova eliminace...............................

Více

Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague

Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 1 / 40 regula Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague regula 1 2 3 4 5 regula 6 7 8 2 / 40 2 / 40 regula Iterační pro nelineární e Bud f reálná funkce

Více

4EK212 Kvantitativní management. 1. Úvod do kvantitativního managementu a LP

4EK212 Kvantitativní management. 1. Úvod do kvantitativního managementu a LP 4EK212 Kvantitativní management 1. Úvod do kvantitativního managementu a LP Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka

Více

Kolik existuje různých stromů na pevně dané n-prvkové množině vrcholů?

Kolik existuje různých stromů na pevně dané n-prvkové množině vrcholů? Kapitola 9 Matice a počet koster Graf (orientovaný i neorientovaný) lze popsat maticí, a to hned několika různými způsoby. Tématem této kapitoly jsou incidenční matice orientovaných grafů a souvislosti

Více

Úvod do teorie her

Úvod 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

Více

IB112 Základy matematiky

IB112 Základy matematiky IB112 Základy matematiky Řešení soustavy lineárních rovnic, matice, vektory Jan Strejček IB112 Základy matematiky: Řešení soustavy lineárních rovnic, matice, vektory 2/53 Obsah Soustava lineárních rovnic

Více

Operační výzkum. Síťová analýza. Metoda CPM.

Operační 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

Více

Zadání 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 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

Více

Vektorový prostor. Př.1. R 2 ; R 3 ; R n Dvě operace v R n : u + v = (u 1 + v 1,...u n + v n ), V (E 3 )...množina vektorů v E 3,

Vektorový prostor. Př.1. R 2 ; R 3 ; R n Dvě operace v R n : u + v = (u 1 + v 1,...u n + v n ), V (E 3 )...množina vektorů v E 3, Vektorový prostor Příklady: Př.1. R 2 ; R 3 ; R n...aritmetický n-rozměrný prostor Dvě operace v R n : součet vektorů u = (u 1,...u n ) a v = (v 1,...v n ) je vektor u + v = (u 1 + v 1,...u n + v n ),

Více

4. NP-úplné (NPC) a NP-těžké (NPH) problémy

4. NP-úplné (NPC) a NP-těžké (NPH) problémy Jan Schmidt 2011 Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze Zimní semestr 2011/12 MI-PAA 4. NP-úplné (NPC) a NP-těžké (NPH) problémy Karpova redukce

Více

i=1 Přímka a úsečka. Body, které leží na přímce procházející body a a b můžeme zapsat pomocí parametrické rovnice

i=1 Přímka a úsečka. Body, které leží na přímce procházející body a a b můžeme zapsat pomocí parametrické rovnice I. Funkce dvou a více reálných proměnných 1. Úvod Značení: V textu budeme používat označení: N pro množinu všech přirozených čísel; R pro množinu všech reálných čísel; R n pro množinu všech uspořádaných

Více

DSS a De Novo programming

DSS a De Novo programming De Novo Programming DSS a De Novo programming DSS navrhují žádoucí budoucnost a cesty k jejímu uskutečnění Optimalizační modely vhodné nástroje pro identifikaci optimálního řešení problému Je ale problém

Více

Grafy. 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. 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

Více

Matematika 1 MA1. 2 Determinant. 3 Adjungovaná matice. 4 Cramerovo pravidlo. 11. přednáška ( ) Matematika 1 1 / 29

Matematika 1 MA1. 2 Determinant. 3 Adjungovaná matice. 4 Cramerovo pravidlo. 11. přednáška ( ) Matematika 1 1 / 29 Matematika 1 11. přednáška MA1 1 Opakování 2 Determinant 3 Adjungovaná matice 4 Cramerovo pravidlo 5 Vlastní čísla a vlastní vektory matic 6 Zkouška; konzultace; výběrová matematika;... 11. přednáška (15.12.2010

Více

12. Globální metody MI-PAA

12. Globální metody MI-PAA 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

Více

11. Tabu prohledávání

11. Tabu prohledávání 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

Více

Připomenutí co je to soustava lineárních rovnic

Připomenutí co je to soustava lineárních rovnic Připomenutí co je to soustava lineárních rovnic Příklad 2x 3y + z = 5 3x + 5y + 2z = 4 x + 2y z = 1 Soustava lineárních rovnic obecně Maticový tvar: a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a

Více

Lineární programování

Lineární programování 24.9.205 Lineární programování Radim Farana Podklady pro výuku pro akademický rok 203/204 Obsah Úloha lineárního programování. Formulace úlohy lineárního programování. Typické úlohy lineárního programování.

Více