Zadanie programowania liniowego PL dla ograniczeń mniejszościowych

Slides:



Advertisements
Podobne prezentacje
Modelowanie i symulacja
Advertisements

Metody badania stabilności Lapunowa
Obserwowalność System ciągły System dyskretny
Równanie różniczkowe zupełne i równania do niego sprowadzalne
Programowanie matematyczne
Metoda simpleks Simpleks jest uniwersalną metodą rozwiązywania zadań programowania liniowego. Jest to metoda iteracyjnego poprawiania wstępnego rozwiązania.
Metody rozwiązywania układów równań liniowych
dr Przemysław Garsztka
Wzory Cramera a Macierze
Badania operacyjne. Wykład 2
Metody numeryczne wykład no 2.
Metody Numeryczne Wykład no 3.
Wykład no 11.
Metody Sztucznej Inteligencji w Sterowaniu 2009/2010Optymalizacja miary efektywności działania sztucznych sieci neuronowych Dr hab. inż. Kazimierz Duzinkiewicz,
Liniowe modele decyzyjne – rozwiązania i analiza post-optymalizacyjna
Wykład 2: Upraszczanie, optymalizacja i implikacja
Metoda simpleks opracowanie na podstawie „Metody wspomagające podejmowanie decyzji w zarządzaniu” D. Witkowska, Menadżer Łódź Simpleks jest uniwersalną.
Zadanie pierwotne Zadanie dualne Max f. celu Współczynniki f. celu Warunki „=„ Warunki „=„ Macierz parametrów Min f. celu.
Dodatkowe własności funkcji B-sklejanych zawężenie f do K Rozważmy funkcjeIch zawężenia do dowolnego przedziałutworzą układ wielomianów. Dla i=k ten układ.
Przybliżone metody rozwiązywania równań nieliniowych
Metody Lapunowa badania stabilności
AUTOMATYKA i ROBOTYKA (wykład 6)
Metody numeryczne SOWIG Wydział Inżynierii Środowiska III rok
Krzysztof Kucab Rzeszów, 2012
Obserwatory zredukowane
Stabilność Stabilność to jedno z najważniejszych pojęć teorii sterowania W większości przypadków, stabilność jest warunkiem koniecznym praktycznego zastosowania.
II Zadanie programowania liniowego PL
ALGORYTMY OPTYMALIZACJI
Zadanie programowania liniowego PL dla ograniczeń mniejszościowych
Zakładamy a priori istnienie rozwiązania α układu równań.
METODY NUMERYCZNE I OPTYMALIZACJA
Modelowanie matematyczne jako podstawa obliczeń naukowo-technicznych:
Technika optymalizacji
Metody iteracyjne rozwiązywania układów równań liniowych
Modelowanie i identyfikacja 2010/2011Optymalizacja miary efektywności działania sztucznych sieci neuronowych Dr hab. inż. Kazimierz Duzinkiewicz, Katedra.
Teoria sterowania 2012/2013Sterowalność - osiągalność Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania 1 Sterowalność - osiągalność
Teoria sterowania 2011/2012Stabilno ść Kazimierz Duzinkiewicz, dr hab. in ż. Katedra In ż ynierii Systemów Sterowania 1 Stabilność Stabilność to jedno.
II. Matematyczne podstawy MK
Dana jest sieć dystrybucji wody w postaci: Ø      m- węzłów,
Obserwowalność i odtwarzalność
Sterowalność - osiągalność
Sterowanie – metody alokacji biegunów II
Algebra Przestrzenie liniowe.
Stabilność Stabilność to jedno z najważniejszych pojęć dynamiki systemów i teorii sterowania W większości przypadków, stabilność jest warunkiem koniecznym.
Ile rozwiązań może mieć układ równań?
Źródła błędów w obliczeniach numerycznych
Przekształcenia liniowe
FUNKCJE Opracował: Karol Kara.
II Zadanie programowania liniowego PL
D. Ciołek BADANIA OPERACYJNE – wykład 2
METODA ELIMINACJI GAUSSA
METODA ELIMINACJI GAUSSA ASPEKTY NUMERYCZNE
opracowała: Anna Mikuć
Zagadnienie i algorytm transportowy
Trochę algebry liniowej.
Metody nieinkluzyjne: Metoda iteracji prostej.
Matematyka Ekonomia, sem I i II.
Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Właściwe minimum lokalne: Funkcja f(x) ma w punkcie.
D. Ciołek BADANIA OPERACYJNE – wykład 2
Katedra Inżynierii Sterowania Komputerowe systemy sterowania i wspomagania decyzji 2015/2016 © Kazimierz Duzinkiewicz, dr hab. inż. 1 Dekompozycyjne metody.
Treść dzisiejszego wykładu l Metoda kar. l Podsumowanie przekształcania zadań programowania liniowego do postaci tabelarycznej. l Specjalne przypadki –sprzeczność,
© Prof. Antoni Kozioł, Wydział Chemiczny Politechniki Wrocławskiej MATEMATYCZNE MODELOWANIE PROCESÓW BIOTECHNOLOGICZNYCH Temat – 5 Modelowanie różniczkowe.
Treść dzisiejszego wykładu l Postać standardowa zadania PL. l Zmienne dodatkowe w zadaniu PL. l Metoda simpleks –wymagania metody simpleks, –tablica simpleksowa.
Treść dzisiejszego wykładu l Analiza wrażliwości –zmiana wartości współczynników funkcji celu, –zmiana wartości prawych stron ograniczeń. l Podejścia do.
Rozwiązywanie układów równań Radosław Hołówko Konsultant: Agnieszka Pożyczka.
 Zdefiniowanie zmiennych  Programowanie liniowe jest działem programowania matematycznego obejmującym te zagadnienia, w których wszystkie związki mają.
Rozpatrzmy następujące zadanie programowania liniowego:
Metody optymalizacji Wykład /2016
Metody optymalizacji Materiał wykładowy /2017
Teoria sterowania Wykład /2016
Zapis prezentacji:

Zadanie programowania liniowego PL dla ograniczeń mniejszościowych przy ograniczeniach: dim x=n, dim c=n, dim A =[m x n], dim b1=m1, Postać kanoniczna zadania PL Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Podstawowe definicje Jeśli dla układu równań liniowych Ax=b spełniony jest warunek rz[Ar]=rz[A] to mogą zaistnieć trzy następujące przypadki: rz[A] = m = n istnieje jedno rozwiązanie układu Ax=b. rz[A] = n < m istnieje jedno rozwiązanie układu równań, lecz przy tym (m - n) równań jest zbędnych. 3. rz[A] = m < n istnieje nieskończenie wiele rozwiązań układu Ax=b , jest to układ nieoznaczony. Definicja macierzy bazowej B Macierzą bazową B układu równań Ax = b rz[A] = m, n>m nazywamy nieosobliwą macierz kwadratową o wymiarach (m*m) utworzoną z liniowo-niezależnych kolumn aj macierzy A. Definicja rozwiązania bazowego Rozwiązaniem bazowym układu równań Ax=b rz[A]=m, n>m nazywamy wektor xb=B-1b utworzony ze zmiennych odpowiadających kolumnom aj macierzy bazowej B. Składowe wektora bazowego xb są to zmienne bazowe. Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Rozwiązania bazowe B- macierz bazowa nieosobliwa N- macierz niebazowa - wektor zmiennych bazowych odpowiadających kolumnom macierz B - wektor zmiennych niebazowych odpowiadających kolumnom macierz N Definicja: Rozwiązanie bazowe jest rozwiązaniem bazowym dopuszczalnym zadania programowania liniowego PL jeśli wektor xB jest nieujemny tzn. Wówczas rozwiązanie bazowe dopuszczalne posiada nie więcej niż m dodatnich xi. Definicja: Niezdegenerowanym rozwiązaniem bazowym dopuszczalnym zadania PL nazywamy rozwiązanie dopuszczalne , w którym nie wszystkie składowe xi są większe od zera. Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Extremum zadania programowania liniowego PL Definicja: Punkt x należący do wypukłego zbioru jest punktem wierzchołkowym zbioru X, jeśli nie może być wyrażony jako kombinacja liniowa innych punktów zbioru X. Twierdzenie 5.1 Zbiór wszystkich rozwiązań dopuszczalnych zadania programowania liniowego PL jest zbiorem wypukłym. Twierdzenie 5.2 Rozwiązanie dopuszczalne x zadania programowania liniowego PL jest punktem wierzchołkowym zbioru rozwiązań dopuszczalnych X wtedy i tylko wtedy gdy odpowiada mu bazowe rozwiązanie dopuszczalne tzn.: Dowód: 1. Zakłada się, że wektor x jest bazowym rozwiązaniem dopuszczalnym. Pokazać, że x jest punktem wierzchołkowym zbioru X 2. Zakłada się, że wektor x jest punktem wierzchołkowym zbioru rozwiązań dopuszczalnych zadania programowania liniowego. Pokazać, że wektor x jest bazowym rozwiązaniem dopuszczalnym. Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Extremum zadania programowania liniowego PL cd. Twierdzenie 5.3 Jeżeli funkcja określona na domkniętym i ograniczonym wypukłym zbiorze jest ciągła i wypukła, to globalne maksimum funkcji f(x) występuje w punkcie ekstremalnym (bądź punktach) zbioru X. Dowód: Zaprzeczamy tezie: - dowolne globalne minimum v – dowolny punkt ekstremalny zbioru X. Zbiór X jest zbiorem zwartym, funkcja f(x) jest ciągła – więc istnieje punkt - punkty ekstremalne zbioru X . Każdy punkt , który nie jest punktem ekstremalnym, może być wyrażony jako kombinacja wypukła punktów vi Funkcja f(x) jest wypukła więc zachodzi dla dowolnego punktu zachodzi: ckd. Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Extremum zadania programowania liniowego PL cd. Twierdzenie 5.4 Funkcja celu zadania PL przyjmuje wartość maksymalną w punkcie wierzchołkowym zbioru rozwiązań dopuszczalnych zadania PL. 2. Jeśli funkcja celu zadania PL przyjmuje wartość maksymalną w więcej niż jednym punkcie wierzchołkowym, to ma tą samą wartość dla każdej kombinacji wypukłej tych punktów. Dla p dopuszczalnych bazowych rozwiązań optymalnych, tzn. Zbiór rozwiązań optymalnych przyjmuje postać: Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Pierwsze rozwiązanie bazowe Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Poszukiwanie rozwiązań bazowych dopuszczalnych

Pierwsze rozwiązanie bazowe dopuszczalne Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Wprowadzone oznaczenia: oraz gdzie oznaczają kolumny macierzy N. Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Postać początkowej tablicy simpleksowej dla przypadku gdy cB=0 tzn. pierwsze rozwiązanie bazowe dopuszczalne odpowiada za punkt wierzchołkowy x=0. Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Polepszanie rozwiązania bazowego dopuszczalnego Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Polepszanie bazowego rozwiązania dopuszczalnego Gdy mamy nie-zdegenerowane rozwiązanie bazowe dopuszczalne takie, że dla przynajmniej jednego i wówczas można z niego otrzymać lepsze bazowe rozwiązanie dopuszczalne przez wymianę jednej z kolumn macierzy B na kolumnę macierzy N. Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Optymalne rozwiązanie zadania programowania liniowego PL metodą simpleks Twierdzenie 5.5 Rozwiązanie bazowe dopuszczalne układu równań Ax=b jest rozwiązaniem optymalnym zadania PL, jeśli są spełnione dwa warunki: (i) Warunek prymalnej dopuszczalności: (ii) Warunek optymalności Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Pierwsza tablica simpleks-I rozwiązanie bazowe dopuszczalne Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Polepszona tablica simpleks odpowiada za następne rozwiązanie bazowe dopuszczalne o większej wartości funkcji celu. Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Algorytm simpleks (prymalny) Krok 1. (start). Rozpoczynamy algorytm od znalezienia pierwszego rozwiązania bazowego dopuszczalnego. Należy sprawdzić dopuszczalność rozwiązania: czy Tak - idź do kroku 2, Nie – STOP. Krok 2. (test optymalności). Czy dla każdego ? Tak - to aktualne rozwiązanie jest optymalne. Nie - idź do kroku 3. Krok 3. (Wybór zmiennej wchodzącej do bazy). Wybierz jako zmienną wchodzącą do bazy taką zmienną dla której Typową regułą jest wybór zmiennej jest reguła dla której: Idż do kroku 4. Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Algorytm simpleks (prymalny) c.d. Krok 4. (wybór zmiennej usuwanej z bazy). Wybierz jako zmienną usuwaną z bazy taką zmienną dla której Jeśli wiele zmiennych spełnia ten warunek, wybierz arbitralnie jedną z nich. Idż do kroku 5. Krok 5. (eliminacja Gauss’a). Wyznacz oraz względem zmiennych oraz zmiennej zgodnie z wyprowadzonym wzorem. Podstaw aby otrzymać nowe rozwiązanie bazowe dopuszczalne. Idź do kroku 2. Krok ten czasami nazywa się wymianą zmiennej bazowej ( piwotyzacją). Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5

Schemat reguły przeliczenia współczynników zmiennych wg metody eliminacji Gauss’a p - element centralny (główny) q – dowolny element w wierszu centralnym (głównym) r – dowolny element w kolumnie centralnej (głównej) s – dowolny pozostały element Metody numeryczne i optymalizacji Dr inż. Ewa Szlachcic Wykład 5