OPTIMALIZAČNÍ MODUL PRO PROSTŘEDÍ EXCEL
|
|
- Sabina Novotná
- před 4 lety
- Počet zobrazení:
Transkript
1 LINKOSA OPTIMALIZAČNÍ MODUL PRO PROSTŘEDÍ EXCEL Návod k obsluze české verze Doc. Ing. Tomáš Šubrt, Ph.D., prof. RNDr. Helena Brožová, CSc.
2 Programová realizace Modul LINKOSA.XLA může být uživateli přístupný ako integrální součást prostředí Excel, neboť e přeložen do tzv. Add In tvaru, záleží tedy pouze na uživateli, chce-li si e permanentně do svého tabulkového procesoru vložit, či chce-li s ním pracovat ako se samostatným programem (samozřemě v rámci prostředí). Za programovací azyk byl autory zvolen obektově orientovaný Visual Basic s využitím knihovny obektů Excelu. Celý program - modul se důsledně vyhýbá práci s worksheetovými funkcemi, takže všechny operace s proměnnými probíhaí bez komunikace s aktuálním listem. Při programové koncepci se autoři snažili co nevíce přiblížit běžně užívaným konvencím v zápisech a zadávání úloh lineárního programování a eich parametrů (vstupů) uživatelům orientovaným spíše na praktické aplikace lineárního programování než na práci s PC. Díky druhému zohlednění e Linkosa zcela nezávislý na formálním zápisu úlohy na listu tabulkového procesoru. Matematická podstata použitého algoritmu Modul Linkosa slouží k řešení obecných lineárních modelů s oboustranně omezenými proměnnými a různými typy lineárních omezuících podmínek. Je využit upravený revidovaný simplexový algoritmus, který pracue se vstupními údai v matici A, v níž sou koeficienty v omezuících podmínkách, vektorech b a c s cenami v účelové funkci a hodnotami pravých stran omezení, vektorech d a h obsahuících dolní a horní meze proměnných a vektoru om popisuícím typ podmínek. Lineární optimalizační model předpokládáme ve tvaru kde Ax = b x x T c x d h max/ min A e matice koeficientů lineárních podmínek, bi e hodnota omezení - pravých stran, d e dolní mez hodnoty proměnné, h e dolní mez hodnoty proměnné, c e sazba proměnné v účelové funkci. Pokud některá proměnná nemá dolní mez, předpokládáme x 0, pokud nemá horní 70 mez předpokládáme x 10.
3 Prvním krokem algoritmu e úprava modelu dosazením dolních mezí proměnných. Poté sou upraveny ednotlivé podmínky tak, aby hodnoty všech pravých stran byly nezáporné. Vlastní výpočet začíná určením výchozího bázického řešení s využitím doplňkových a pomocných proměnných a rozšířením modelu o pomocnou účelovou funkci kde x ip sou pomocné proměnné. x ip min Tato funkce e dále upravena dosazením za pomocné proměnné z omezuících podmínek x = a x b ip i i U doplňkových a pomocných proměnných se předpokládá pouze nezápornost eich hodnot. Podle výchozího bázického řešení e určen pracovní vektor typ, který obsahue informace o proměnných. Hodnoty eho složek sou 0, e-li proměnná nebázická s nulovou hodnotou, -1, e-li proměnná nebázická s hodnotou své horní meze, nebo index řádku, e-li proměnná bázická a patří-li tomuto řádku. Dále sou využity pomocná matice B 1 obsahuící inversní matici báze a vektory a obsahuící aktuální hodnoty složek transformovaných vektorů a a b v modelu. Sloupce v matici B 1 sou zároveň sloupci koeficientů výchozích bázických proměnných, tedy doplňkových typu rezerva a pomocných, sloupce doplňkových proměnných typu překročení se liší pouze násobkem -1. Algoritmus výpočtu má dvě fáze, v první e nalezeno výchozí bázické řešení modelu s využitím pomocné účelové funkce minimalizuící součet hodnot pomocných proměnných. Pokud v optimálním řešení této funkce sou vyřazeny pomocné proměnné z báze, pokračue výpočet hledáním optimálního řešení modelu s vlastní účelovou funkcí. Výpočet končí, e-li nalezeno optimální řešení, nebo nelze-li toto řešení nalézt, protože účelová funkce e na množině přípustných řešení neomezená. Po výpočtu e k dispozici i matice transformovaných vektorů, takže e možno provádět další požadované výpočty a experimenty s optimálním řešením modelu. Test optimality a test přípustnosti probíhaí podle klasických pravidel s přesností na ednu miliontinu. Pro test přípustnosti sou vždy určeny transformované vektory příslušné proměnné a pravé strany. hodnoty Obecný krok algoritmu tedy vychází z testu optimality, pro který sou vypočítávány z 1 c = ( B ) * a n1
4 kde B -1 e aktuální inversní matice báze a e vektor testované strukturní proměnné, n1 e poslední řádek inversní matice báze. Pro doplňkové proměnné typu rezerva nebo pomocné proměnné i-té omezuící podmínky sou kriteriální hodnoty přímo v matici B 1, tedy z c = ( ) i i B 1 n1 pro doplňkové proměnné typu překročení e třeba brát v úvahu sazbu pomocných proměnných, a proto v první fázi výpočtu a z c = ( B 1 ) i i n z c = ( ) i i B 1 n1 v druhé fázi. Tyto hodnoty sou uvažovány v případě proměnných na dolní mezi, pro proměnné na horní mezi sou eště násobeny koeficientem -1. Po výběru výhodné proměnné pro zařazení do báze e třeba určit, zda dode ke změně aktuální báze a přechodu některých proměnných z dolních na horní meze či obráceně. Vzhledem k rozšíření algoritmu o omezení proměnných výpočet pokračue podle stavu aktuálního řešení a výsledku testu přípustnosti ednou ze šesti možností: - vybraná proměnná byla na dolní mezi a nahradí proměnnou, eíž hodnota bude na dolní mezi - vybraná proměnná byla na dolní mezi a nahradí proměnnou, eíž hodnota bude na horní mezi - vybraná proměnná byla na dolní mezi a bude mít hodnotu rovnu své horní mezi - vybraná proměnná byla na horní mezi a nahradí proměnnou, eíž hodnota bude na dolní mezi - vybraná proměnná byla na horní mezi a nahradí proměnnou, eíž hodnota bude na horní mezi - vybraná proměnná byla na horní mezi a bude mít hodnotu rovnu své dolní mezi Pro test přípustnosti e potřeba znát hodnoty transformovaných vektorů vybrané proměnné a pravých stran. Pro vektor pravých stran platí β = B 1 * b. Aktuální vektor vybrané strukturní proměnné vypočítáme podle vztahu 1 α B * = a.
5 Pro doplňkové proměnné typu rezerva a pro pomocné proměnné v i-té podmínce de o i- tý sloupcový vektor z inversní matice báze, v případě doplňkové proměnné typu překročení v i- té podmínce se edná o i-tý vektor inversní matice báze vynásobený koeficientem -1. Eliminační krok e realizován přechodem k nové inversní matici báze. Na rozdíl od klasické revidované metody zde není využita metoda reinverse, ale v každém kroku e známa aktuální inversní matice B -1. Po určení řídícího prvku e proveden eden eliminační krok transformace inversní matice báze. Případně sou upraveny hodnoty pravých stran vzhledem ke změně hodnot proměnných s hodnotami na dolní nebo horní mezi. Práce s modulem Otevření modulu LINKOSA Modul LINKOSA může být uživateli přístupný ako integrální součást prostředí Excel, neboť e přeložen do tzv. Add In tvaru, záleží tedy pouze na uživateli, chce-li si e permanentně do svého tabulkového procesoru vložit, či chce-li s ním pracovat ako se samostatným programem (samozřemě v rámci prostředí). Buď bude tento modul otevřen ako soubor programu MS Excel a následně spuštěn procedurou HLAVNILIN, nebo instalován ako doplněk příkazem SOUBOR Možnosti Doplňky a standardně spuštěn z nabídky Excelu. Zápis modelu do listu MS EXCEL Současná verze umožňue řešit problémy o 250 omezuících podmínkách a 250 strukturních proměnných. Linkosa podporue zadávání modelu v následuícím tvaru Ax = b x d x h T c x max/ min V grafické podobě, všeobecně známé a vhodné pro list tabulkového procesoru mohou být tyto parametry v aktuálním listu zobrazeny ako na následuícím obrázku. Prvním krokem při práci s každým modulem e příprava matematického modelu na list tabulkového procesoru. Každý koeficient, název, typ omezení, kritéria, či smysl optimalizace musí ležet v samostatné buňce. Nulové prvky není třeba zadávat. Z důvodu přehlednosti výsledků e vhodné, nikoli však nutné, aby v ednom sešitu (souboru *.XLS) byl definován vždy en eden model. Doporučené rozvržení modelu na listu Excelu e na obrázku 1.
6 Ještě ednou e na tomto místě třeba zdůraznit, že se edná pouze o tvar doporučený, neboť program Linkosa e nezávislý na formálním tvaru modelu v aktuálním listu. Obr. 1: Formální struktura lineárního optimalizačního modelu na aktuálním listu Spuštění a volba azyka Po spuštění programového modulu z menu NÁSTROJE Linear Optimization e nutné zvolit azyk pro komunikaci s uživatelem viz následuící obrázek. Obr.2: Výběr azykové mutace modulu Linkosa Výběr režimu práce Po zvolení azyka komunikace se uživatel rozhodue, zda chce zadávat zcela nový, zatím neřešený model, nebo zda chce znovu počítat model iž příslušným modulem ednou řešený, en
7 mírně změněný (např. co do hodnoty koeficientů). Popis rozhodovacího dialogu třetího kroku vidíme na obrázku 3. Modul Linkosa umožňue dva režimy práce: 1. Aplikaci algoritmu na aktuální list - první výpočet 2. Aplikaci algoritmu na aktuální list - opakovaný výpočet Ve první větvi Linkosa vyžadue zadání názvu modelu a adres všech eho parametrů. Všechny dříve definované adresy se vynuluí. Ve druhém režimu práce Linkosa předpokládá, že adresy parametrů modelu se nezměnily, tedy že e prováděn opakovaný výpočet téhož modelu pouze s kvantitativními změnami v parametrech (např. změny v hodnotách vektoru pravých stran, ve smyslech omezení nebo v typu optimalizace). I v tomto režimu e však možné měnit adresy uložení parametrů, pouze staré adresy musí být ručně uživatelem vymazány. Obr. 3: Výběr režimu práce Definice formální struktury modelu Všechny parametry modelu s výimkou eho názvu sou popsány svými fyzickými adresami (ve tvaru $A$1) na aktuálním listu. Adresy se definuí přímým výběrem odpovídaících oblasti (polí) na listu pomocí myši nebo příslušných funkčních kláves dle konvencí prostředí Excel. Rozměr modelu - počet omezení a počet proměnných - e odvozen od rozměrů oblasti, v níž e definována matice koeficientů omezuících podmínek - tedy matice A. Oblasti matice A, vektoru smyslů omezení, vektorů b a c musí být definovány. Jsou-li kdekoli ve vybrané oblasti prázdné buňky, předpokládá se hodnota daného parametru nulová. Není-li zadán smysl omezení,
8 předpokládá se, že toto omezení není uvažováno. Oblasti názvů proměnných, omezení a účelové funkce nemusí být definovány, eich nezadáním e však prakticky znemožněn smysluplný rozbor výsledků řešení. Nesou-li definovány oblasti vektorů omezení proměnných (d a h), hledí se na všechny proměnné pouze ako na nezáporné. Analogicky sou-li oblasti vektorů omezení proměnných definovány a příslušná složka d resp. h odpovídá prázdné buňce, hledí se na ně ako na d = 0 resp. h = Při zadávání vektoru omezení do aktuálního listu e třeba ednotlivé typy omezení zadávat v některém a následuících tvarů "<","<=" resp. ">", ">=" resp. "=". Obr. 4: Definice formální struktury modelu Výpočet modelu a rozbor výsledků Po zadání adres všech parametrů modelu a výběru typu optimalizace (maximalizace nebo minimalizace) proběhne vlastní výpočet bez akýchkoli mezivýstupů resp. mezivýsledků. Neprve e testována správnost zadání modelu, např. e porovnáván počet proměnných s počtem sloupců matice A, počtem prvků vektorů c, d a h, počet omezení s počtem řádků matice A, počtem prvků vektoru b a typů omezení, ale také sou porovnávány velikosti dolních a horních mezí proměnných. Chyby sou uživateli oznámeny. Je-li zadání modelu formálně správné, proběhne výpočet. Ve shodě s principy řešení úlohy lineárního programování nastává edna z následuících situací. 1. Model nemá optimální řešení - účelová funkce e neomezená. 2. Model nemá přípustné řešení. 3. Optimální řešení bylo nalezeno.
9 Situace 1 a 2 sou uživateli oznámeny odpovídaícím varovným dialogy. Obr. 5: Výpočet modelu skončil neúspěšně V situaci 3 dode k úspěšnému vyřešení modelu. Linkosa nabízí uživateli následuící výsledné zprávy: a) Výpis základního řešení modelu. b) Výpis matice transformace (ALFA) optimální báze. c) Výpis výsledků analýzy citlivosti pro hodnoty pravých stran. d) Výpis výsledků analýzy citlivosti pro hodnoty cen. Obr. 6: Optimální řešení bylo nalezeno V případě a) dode k vytvoření nového listu s názvem "Opt.Řešení N", kde N e pořadí výpočtu příslušného modelu modulem Linkosa a sou v něm v tabulkové formě vypsány podle pořadí a názvů hodnoty všech strukturních proměnných a eich statuty (bázická / dolní mez / horní mez) akož i hodnoty levých stran omezuících podmínek s hodnotami příslušeících rezerv (+) či překročení (-).
10 V případě b) bude vytvořen list s názvem "Matice ALFA N" s analogickým významem hodnoty N. Tento list zobrazue informace pro rozbor optimálního řešení t. : - hodnoty bázických proměnných, strukturní proměnné sou charakterizovány svými názvy, doplňkové písmenem "R" (ako rezerva) a názvem odpovídaícího omezení, - hodnoty změnových vektorů ako součinů inverzní matice optimální báze B -1 s příslušnými vektory koeficientů nebázických proměnných a, uvedeny sou všechny strukturní a doplňkové proměnné a navíc hypotetické doplňkové proměnné typu rezerva, které by patřily omezuícím podmínkám rovnicového tvaru, - duální ceny, umožňuící analýzu perspektivity ednotlivých nebázických proměnných (V případě proměnných na horní mezi sou hodnoty duálních cen násobeny 1 a v případě hypotetických doplňkových proměnných mohou signalizovat hypotetickou neoptimalitu řešení, splnění rovnice). V případě c) dode k vytvoření nového listu s názvem "Stabilita prav. stran N", číslo N vyadřue pořadí výpočtu příslušné analýzy citlivosti a sou v něm v tabulkové formě vypsány podle pořadí a názvů hodnoty všech pravých stran a dolní a horní meze eich možných hodnot. Pokud e tato mez nekonečno, není tato hodnota uvedena a příslušné pole tabulky e prázdné. V případě d) dode k vytvoření nového listu s názvem "Stabilita cen N", číslo N vyadřue pořadí výpočtu příslušné analýzy citlivosti a sou v něm v tabulkové formě vypsány podle pořadí a názvů hodnoty všech cen koeficientů v účelové funkci a dolní a horní meze eich možných hodnot. Pokud e tato mez nekonečno, není tato hodnota uvedena a příslušné pole tabulky e prázdné. V případě hypotetických doplňkových proměnných typu rezerva nemusí interval stability obsahovat hodnotu 0, neboť, ak bylo řečeno, tato proměnná může způsobovat hypotetickou neoptimalitu řešení.
11 Obr. 7: List se základním optimálním řešením Obr. 8: List se změnovými vektory optimální báze Obr. 9: List s intervaly stability pravých stran
12 Obr. 10: List s intervaly stability cen
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
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
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
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
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
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
4EK213 Lineární modely. 4. Simplexová metoda - závěr
4EK213 Lineární modely 4. Simplexová metoda - závěr 4. Simplexová metoda - závěr Konečnost simplexové metody Degenerace Modifikace pravidla pro volbu vstupující proměnné Blandovo pravidlo Kontrola výpočtu
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
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
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
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
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
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
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
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
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
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
Testování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času
Testování hypotéz 1 Jednovýběrové testy 90/ odhad času V podmínkách naprostého odloučení má voák prokázat schopnost orientace v čase. Úkolem voáka e provést odhad časového intervalu 1 hodiny bez hodinek
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 000/00 Michal Marvan 3. Matice lineárního zobrazení V této přednášce budeme používat indexy dvoího druhu:
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
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
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)
Obr. P1.1 Zadání úlohy v MS Excel
Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel. Výpočet budeme demonstrovat
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
Přílohy. Příloha 1. Obr. P1.1 Zadání úlohy v MS Excel
Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel 2007. Výpočet budeme demonstrovat
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 ),
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
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]
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
a počtem sloupců druhé matice. Spočítejme součin A.B. Označme matici A.B = M, pro její prvky platí:
Řešené příklady z lineární algebry - část 1 Typové příklady s řešením Příklady jsou určeny především k zopakování látky před zkouškou, jsou proto řešeny se znalostmi učiva celého semestru. Tento fakt se
0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Vektory Definice 011 Vektorem aritmetického prostorur n budeme rozumět uspořádanou n-tici reálných čísel x 1, x 2,, x n Definice 012 Definice sčítání
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
0.1 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
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
Matematika (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
Algoritmus. Přesné znění definice algoritmu zní: Algoritmus je procedura proveditelná Turingovým strojem.
Algoritmus Algoritmus je schematický postup pro řešení určitého druhu problémů, který je prováděn pomocí konečného množství přesně definovaných kroků. nebo Algoritmus lze definovat jako jednoznačně určenou
Úvod do lineární algebry
Úvod do lineární algebry 1 Aritmetické vektory Definice 11 Mějme n N a utvořme kartézský součin R n R R R Každou uspořádanou n tici x 1 x 2 x, x n budeme nazývat n rozměrným aritmetickým vektorem Prvky
(Cramerovo pravidlo, determinanty, inverzní matice)
KMA/MAT1 Přednáška a cvičení, Lineární algebra 2 Řešení soustav lineárních rovnic se čtvercovou maticí soustavy (Cramerovo pravidlo, determinanty, inverzní matice) 16 a 21 října 2014 V dnešní přednášce
1.Modifikace simplexové metody
.Modifikace simplexové metody Simplexová metoda, v podobě popsané v prvním tématu, je vhodná zejména pro řešení úloh LP menších rozměrů, především pak pro ruční výpočty. Algoritmus metody je jednoduchý,
Operace s maticemi
Operace s maticemi Seminář druhý 17.10. 2018 Obsah 1 Operace s maticemi 2 Hodnost matice 3 Regulární matice 4 Inverzní matice Matice Definice (Matice). Reálná matice typu m n je obdélníkové schema A =
Matematika B101MA1, B101MA2
Matematika B101MA1, B101MA2 Zařazení předmětu: povinný předmět 1.ročníku bc studia 2 semestry Rozsah předmětu: prezenční studium 2 + 2 kombinované studium 16 + 0 / semestr Zakončení předmětu: ZS zápočet
10. 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
Maticí typu (m, n), kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru:
3 Maticový počet 3.1 Zavedení pojmu matice Maticí typu (m, n, kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru: a 11 a 12... a 1k... a 1n a 21 a 22...
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
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.
Základy matematiky pro FEK
Základy matematiky pro FEK 3. přednáška Blanka Šedivá KMA zimní semestr 2016/2017 Blanka Šedivá (KMA) Základy matematiky pro FEK zimní semestr 2016/2017 1 / 21 Co nás dneska čeká... Co je to soustava lineárních
4.Řešení optimalizačních úloh v tabulkových kalkulátorech
4.Řešení optimalizačních úloh v tabulkových kalkulátorech Tabulkové kalkulátory patří mezi nejpoužívanější a pro běžného uživatele nejdostupnější programové systémy. Kromě základních a jim vlastních funkcí
MATICE. 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
maticeteorie 1. Matice A je typu 2 4, matice B je typu 4 3. Jakých rozměrů musí být matice X, aby se dala provést
Úlohy k zamyšlení 1. Zdůvodněte, proč třetí řádek Hornerova schématu pro vyhodnocení polynomu p v bodě c obsahuje koeficienty polynomu r, pro který platí p(x) = (x c) r(x) + p(c). 2. Dokažte, že pokud
Lineární algebra Operace s vektory a maticemi
Lineární algebra Operace s vektory a maticemi Robert Mařík 26. září 2008 Obsah Operace s řádkovými vektory..................... 3 Operace se sloupcovými vektory................... 12 Matice..................................
SOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC
SOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC Pojm: Algebraická rovnice... rovnice obsahující pouze celé nezáporné mocnin neznámé, tj. a n n + a n 1 n 1 +... + a 2 2 + a 1 + a 0 = 0, kde n je přirozené číslo.
VEKTORY. Obrázek 1: Jediný vektor. Souřadnice vektoru jsou jeho průměty do souřadných os x a y u dvojrozměrného vektoru, AB = B A
VEKTORY Vektorem se rozumí množina všech orientovaných úseček, které mají stejnou velikost, směr a orientaci, což vidíme na obr. 1. Jedna konkrétní orientovaná úsečka se nazývá umístění vektoru na obr.
ALGEBRA. Téma 5: Vektorové prostory
SLEZSKÁ UNIVERZITA V OPAVĚ Matematický ústav v Opavě Na Rybníčku 1, 746 01 Opava, tel. (553) 684 611 DENNÍ STUDIUM Téma 5: Vektorové prostory Základní pojmy Vektorový prostor nad polem P, reálný (komplexní)
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
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
KTE / PPEL Počítačová podpora v elektrotechnice
KTE / PPEL Počítačová podpora v elektrotechnice Ing. Lenka Šroubová, Ph.D. email: lsroubov@kte.zcu.cz http://home.zcu.cz/~lsroubov 3. 10. 2012 Základy práce s výpočetními systémy opakování a pokračování
Základy algoritmizace
Algoritmus Toto je sice na první pohled pravdivá, ale při bližším prozkoumání nepřesná definice. Například některé matematické postupy by této definici vyhovovaly, ale nejsou algoritmy. Přesné znění definice
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
SEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík
SEMESTRÁLNÍ PRÁCE Leptání plasmou Ing. Pavel Bouchalík 1. ÚVOD Tato semestrální práce obsahuje písemné vypracování řešení příkladu Leptání plasmou. Jde o praktickou zkoušku znalostí získaných při přednáškách
Regresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
Soustavy. Terminologie. Dva pohledy na soustavu lin. rovnic. Definice: Necht A = (a i,j ) R m,n je matice, b R m,1 je jednosloupcová.
[1] Terminologie [2] Soustavy lineárních rovnic vlastnosti množin řešení metody hledání řešení nejednoznačnost zápisu řešení Definice: Necht A = (a i,j ) R m,n je matice, b R m,1 je jednosloupcová matice.
Determinant matice řádu 5 budeme počítat opakovaným použitím rozvoje determinantu podle vybraného řádku nebo sloupce. Aby byl náš výpočet
Řešené příklady z lineární algebry - část 2 Příklad 2.: Určete determinant matice A: A = 4 4. Řešení: Determinant matice řádu budeme počítat opakovaným použitím rozvoje determinantu podle vybraného řádku
Necht tedy máme přirozená čísla n, k pod pojmem systém lineárních rovnic rozumíme rovnice ve tvaru
2. Systémy lineárních rovnic V této kapitole se budeme zabývat soustavami lineárních rovnic s koeficienty z pole reálných případně komplexních čísel. Uvádíme podmínku pro existenci řešení systému lineárních
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...............................
Vyhledávání. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 21.
Vyhledávání doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 21. září 2018 Jiří Dvorský (VŠB TUO) Vyhledávání 242 / 433 Osnova přednášky
2. Určete jádro KerL zobrazení L, tj. nalezněte alespoň jednu jeho bázi a určete jeho dimenzi.
Řešené příklady z lineární algebry - část 3 Typové příklady s řešením Příklad 3.1: Zobrazení L: P 3 R 23 je zobrazení z prostoru P 3 všech polynomů do stupně 3 (včetně nulového polynomu) do prostoru R
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
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
VI. Maticový počet. VI.1. Základní operace s maticemi. Definice. Tabulku
VI Maticový počet VI1 Základní operace s maticemi Definice Tabulku a 11 a 12 a 1n a 21 a 22 a 2n, a m1 a m2 a mn kde a ij R, i = 1,, m, j = 1,, n, nazýváme maticí typu m n Zkráceně zapisujeme (a ij i=1m
P ílohy. P íloha 1. ešení úlohy lineárního programování v MS Excel
P ílohy P íloha 1 ešení úlohy lineárního programování v MS Excel V této p íloze si ukážeme, jak lze ešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel 2007. Výpočet budeme demonstrovat
1 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
KIV/ZI Základy informatiky MS EXCEL MATICOVÉ FUNKCE A SOUHRNY
KIV/ZI Základy informatiky MS EXCEL MATICOVÉ FUNKCE A SOUHRNY cvičící: Tomáš Ptáček zimní semestr 2012 MS EXCEL MATICE (ÚVOD) Vektor: (1D) v = [1, 2, 3, 5, 8, 13] Např.: matice sousednosti Matice: (2D)
Determinanty. Obsah. Aplikovaná matematika I. Pierre Simon de Laplace. Definice determinantu. Laplaceův rozvoj Vlastnosti determinantu.
Determinanty Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Determinanty Definice determinantu Sarrusovo a křížové pravidlo Laplaceův rozvoj Vlastnosti determinantu Výpočet determinantů 2 Inverzní
Operace s maticemi. 19. února 2018
Operace s maticemi Přednáška druhá 19. února 2018 Obsah 1 Operace s maticemi 2 Hodnost matice (opakování) 3 Regulární matice 4 Inverzní matice 5 Determinant matice Matice Definice (Matice). Reálná matice
Matice. Modifikace matic eliminační metodou. α A = α a 2,1, α a 2,2,..., α a 2,n α a m,1, α a m,2,..., α a m,n
[1] Základní pojmy [2] Matice mezi sebou sčítáme a násobíme konstantou (lineární prostor) měníme je na jiné matice eliminační metodou násobíme je mezi sebou... Matice je tabulka čísel s konečným počtem
8 Matice a determinanty
M Rokyta, MFF UK: Aplikovaná matematika II kap 8: Matice a determinanty 1 8 Matice a determinanty 81 Matice - definice a základní vlastnosti Definice Reálnou resp komplexní maticí A typu m n nazveme obdélníkovou
Využití tabulkového procesoru MS Excel
Semestrální práce Licenční studium Galileo srpen, 2015 Využití tabulkového procesoru MS Excel Ing Marek Bilko Třinecké železárny, a.s. Stránka 1 z 10 OBSAH 1. ÚVOD... 2 2. DATOVÝ SOUBOR... 2 3. APLIKACE...
Plánování experimentu
Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Ing. Radek Růčka Přednášející: Prof. Ing. Jiří Militký, CSc. 1. LEPTÁNÍ PLAZMOU 1.1 Zadání Proces
Rizikové procesy. 1. Spuštění modulu Rizikové procesy. 2. Popis prostředí a ovládacích prvků modulu Rizikové procesy
Rizikové procesy Modul slouží k evidenci rizik a zpracovávání mapy rizik za jednotlivé součásti a VUT. Přístupová práva k tomuto modulu mohou získat manažeři rizik a výbor pro řízení rizik. 1. Spuštění
Plánování projektu. 3. dubna Úvod. 2 Reprezentace projektu. 3 Neomezené zdroje. 4 Variabilní doba trvání. 5 Přidání pracovní síly
Plánování proektu 3. dubna 2018 1 Úvod 2 Reprezentace proektu 3 Neomezené zdroe 4 Variabilní doba trvání 5 Přidání pracovní síly Problémy plánování proektu Zprostředkování, instalace a testování rozsáhlého
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,
Nový způsob práce s průběžnou klasifikací lze nastavit pouze tehdy, je-li průběžná klasifikace v evidenčním pololetí a školním roce prázdná.
Průběžná klasifikace Nová verze modulu Klasifikace žáků přináší novinky především v práci s průběžnou klasifikací. Pro zadání průběžné klasifikace ve třídě doposud existovaly 3 funkce Průběžná klasifikace,
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
1 Determinanty a inverzní matice
Determinanty a inverzní matice Definice Necht A = (a ij ) je matice typu (n, n), n 2 Subdeterminantem A ij matice A příslušným pozici (i, j) nazýváme determinant matice, která vznikne z A vypuštěním i-tého
DIPLOMOVÁ PRÁCE. Petra Váchová Lineární programování ve výuce na střední
Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Petra Váchová Lineární programování ve výuce na střední škole Katedra didaktiky matematiky Vedoucí diplomové práce: RNDr. Pavla
5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza
5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat se hledají souvislosti mezi dvěma, případně
Vyhledávání. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 12.
Vyhledávání doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 12. září 2016 Jiří Dvorský (VŠB TUO) Vyhledávání 201 / 344 Osnova přednášky
Systémové modelování. Lineární programování - Definice modelu a jeho grafické řešení
6. Lineární optimalizační modely. Definice modelu, jeho vlastnosti a omezení. Možnosti řešení optimalizačních modelů. Praktické aplikace. Ekonomicko matematické metody I. Lineární programování Modelování
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
Matematika. Kamila Hasilová. Matematika 1/34
Matematika Kamila Hasilová Matematika 1/34 Obsah 1 Úvod 2 GEM 3 Lineární algebra 4 Vektory Matematika 2/34 Úvod Zkouška písemná, termíny budou včas vypsány na Intranetu UO obsah: teoretická a praktická
Vektorové 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
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
y (5) (x) y (4) (x) + 4y (3) (x) 12y (x) 45y (x) 27y(x) (horní indexy značí derivaci) pro 3. y(x) = x sin 3x 4. y(x) = x cos 3x 9.
Přezdívka: Jméno a příjmení: výsledek 101 Vypočtěte y x y 4 x + 4y x 12y x 4y x 27yx horní indexy značí derivaci pro 1. yx = sin x 2. yx = cos x. yx = x sin x 4. yx = x cos x. yx = e x 1 6. yx = xe x 7.
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:
Typy souborů ve STATISTICA. Tento článek poslouží jako přehled hlavních typů souborů v programu
StatSoft Typy souborů ve STATISTICA Tento článek poslouží jako přehled hlavních typů souborů v programu STATISTICA, ukáže Vám jejich možnosti a tím Vám dovolí využívat program efektivněji. Jistě jste již
České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská OKRUHY. ke státním závěrečným zkouškám BAKALÁŘSKÉ STUDIUM
OKRUHY ke státním závěrečným zkouškám BAKALÁŘSKÉ STUDIUM Obor: Studijní program: Aplikace přírodních věd 1. Vektorový prostor R n 2. Podprostory 3. Lineární zobrazení 4. Matice 5. Soustavy lineárních rovnic
Obsah Úvod Kapitola 1 Než začneme Kapitola 2 Práce s hromadnými daty před analýzou
Úvod.................................................................. 11 Kapitola 1 Než začneme.................................................................. 17 1.1 Logika kvantitativního výzkumu...........................................
vyjádřete ve tvaru lineární kombinace čtverců (lineární kombinace druhých mocnin). Rozhodněte o definitnosti kvadratické formy κ(x).
Řešené příklady z lineární algebry - část 6 Typové příklady s řešením Příklad 6.: Kvadratickou formu κ(x) = x x 6x 6x x + 8x x 8x x vyjádřete ve tvaru lineární kombinace čtverců (lineární kombinace druhých
1. Úvod do genetických algoritmů (GA)
Obsah 1. Úvod do genetických algoritmů (GA)... 2 1.1 Základní informace... 2 1.2 Výstupy z učení... 2 1.3 Základní pomy genetických algoritmů... 2 1.3.1 Úvod... 2 1.3.2 Základní pomy... 2 1.3.3 Operátor
Numerické metody a programování. Lekce 4
Numerické metody a programování Lekce 4 Linarní algebra soustava lineárních algebraických rovnic a 11 a 12 x 2 a 1, N x N = b 1 a 21 a 22 x 2 a 2, N x N = b 2 a M,1 a M,2 x 2 a M,N x N = b M zkráceně A