Grundlagen der Linearen Programmierung
Definition:
Grundlagen der Linearen Programmierung: Methode zur Lösung von Optimierungsproblemen mit einer linearen Zielfunktion und linearen Nebenbedingungen.
Details:
- Zielfunktion: \( \text{maximiere / minimiere } c^T x \)
- Nebenbedingungen: \( A x \leq b \) und \( x \geq 0 \)
- Machbare Menge: Polyeder \( P = \{ x \mid A x \leq b, x \geq 0 \} \)
- Optimale Lösung: Punkt in P, an dem die Zielfunktion ihr Optimum erreicht
- Simplex-Algorithmus, Dualitätstheorie grundlegend
Simplex-Algorithmus
Definition:
Algorithmus zur Lösung von linearen Programmen und zur Optimierung von Zielfunktionen in linearen Ungleichungen durch Bewegung entlang der Kanten des zulässigen Bereichs.
Details:
- Ziel: Maximierung/Minimierung einer Zielfunktion
- Standardform: \[ \text{maximiere } c^T x \text{ unter den Nebenbedingungen } Ax \leq b, x \geq 0 \]
- Grundlagen: Basislösungen, Eckpunkte des zulässigen Bereichs
- Schrittweise Bewegung zu besseren Lösungen
- Endet bei optimaler Lösung oder Feststellung der Unbeschränktheit/Unlösbarkeit
Dualitätstheorie und Sensitivitätsanalyse
Definition:
Dualitätstheorie behandelt die Beziehung zwischen einem Optimierungsproblem (Primärproblem) und einem zugehörigen Dualproblem. Sensitivitätsanalyse untersucht, wie sich Änderungen der Parameter des Modells auf die optimale Lösung auswirken.
Details:
- Primärproblem:\[\min c^T x \quad \text{u.d.B.} \quad Ax \geq b, \; x \geq 0\]
- Dualproblem:\[\max b^T y \quad \text{u.d.B.} \quad A^T y \leq c, \; y \geq 0\]
- Schwache Dualität: \[ \text{Optimalwert des Dualproblems} \leq \text{Optimalwert des Primärproblems} \]
- Starke Dualität: Wenn eine optimale Lösung existiert, dann sind die Optimalwerte gleich.
- Sensitivitätsanalyse: Untersucht die Auswirkungen von Variationen in \(c, b\) oder \(A\) auf die Lösung.
- Schattenpreise: Ableitungen der Zielfunktion bezüglich der Nebenbedingungen.
- Reduced Costs: Zusätzlicher Gewinn pro Einheit einer nicht-basisvariablen Variable.
Newton-Verfahren
Definition:
Iteratives Verfahren zur Lösung von nichtlinearen Gleichungen mittels Taylor-Approximation.
Details:
- Updateschritt: \[ x_{k+1} = x_k - \frac{f'(x_k)}{f''(x_k)} \]
- Benötigt 2. Ableitung (Hessematrix bei multivariaten Funktionen)
- Schnelle Konvergenz in der Nähe eines Optimums, quadratische Konvergenz
- Anfällig für schlechte Startwerte
Branch-and-Bound Techniken
Definition:
Methode zur Lösung von kombinatorischen Optimierungsproblemen, indem systematisch alle möglichen Lösungen durchsucht und durch Abschätzung von Schranken bestimmte Äste im Suchbaum ausgeschlossen werden.
Details:
- Ziel: Minimierung/Maximierung der Zielfunktion
- Besteht aus drei Hauptschritten: Branching (Aufteilung des Problems), Bounding (Bestimmung von Schranken), und Pruning (Entfernen von unbrauchbaren Zweigen)
- Nutzt Upper und Lower Bounds zur Abschätzung
- Eignung besonders für NP-schwere Probleme
- Häufig bei Problemen wie dem Traveling Salesman oder dem Knapsack-Problem verwendet
Metaheuristische Verfahren: Simulated Annealing, Tabu Search
Definition:
Metaheuristische Verfahren zur globalen Optimierung durch Heuristiken, um lokale Minima zu vermeiden.
Details:
- Simulated Annealing: Kombination aus Metropolis-Algorithmus und Abkühlplan
- Zufällige Lösungssuche; akzeptiert auch schlechtere Lösungen mit Wahrscheinlichkeit \( e^{-\frac{\Delta E}{T}} \)
- Temperatur (T) verringert sich gemäß Abkühlplan
- Tabu Search: Verwendet (dynamische) Liste von „verbotenen” Lösungen, um Zyklen zu vermeiden
- Nutzt lokale Suche und Erweiterung von Nachbarschaftslösungen
- Tabu-Liste: Speichert kürzlich besuchte Lösungen; Tabu-Kriterien
- Aspirationskriterien: Überschreiben Tabu, wenn Lösung besser ist