Einführung in die Optimierung - Cheatsheet.pdf

Einführung in die Optimierung - Cheatsheet
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 Lösu...

© StudySmarter 2024, all rights reserved.

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
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden