Discrete optimization I - Cheatsheet.pdf

Discrete optimization I - Cheatsheet
Discrete optimization I - Cheatsheet Mathematische Modellierung diskreter Probleme Definition: Modellierung diskreter Optimierungsprobleme durch mathematische Formulierungen, meist mit Variablen, die ganzzahlige Werte annehmen. Details: Variablen: Integer, binär Ziel: Funktion zur Optimierung (Minimierung/Maximierung) Nebenbedingungen: Gleichungen/Ungleichungen Beispiele: Rucksackproblem, Travelli...

© StudySmarter 2024, all rights reserved.

Discrete optimization I - Cheatsheet

Mathematische Modellierung diskreter Probleme

Definition:

Modellierung diskreter Optimierungsprobleme durch mathematische Formulierungen, meist mit Variablen, die ganzzahlige Werte annehmen.

Details:

  • Variablen: Integer, binär
  • Ziel: Funktion zur Optimierung (Minimierung/Maximierung)
  • Nebenbedingungen: Gleichungen/Ungleichungen
  • Beispiele: Rucksackproblem, Travelling Salesman Problem
  • Zielfunktion: \[ \text{min/max } f(x) \]
  • Constraints: \[ g_i(x) \leq b_i, \forall i \]

Der Simplex-Algorithmus und seine Varianten

Definition:

Simplex-Algorithmus zur Lösung von LP-Problemen (linearen Programmierungen). Varianten optimieren für spezielle Bedingungen und Effizienz.

Details:

  • Ziel: Finden einer optimalen Lösung in einem konvexen Polyeder definiert durch lineare Ungleichungen
  • Iterative Methode: Bewegt sich entlang der Kanten des Polyeders
  • Start in einer Basislösung, dann Übergang zu Nachbarbasislösungen
  • Bland's Regel vermeidet Zyklen, verbessert Stabilität
  • Dual-Simplex: arbeitet mit unzulässigen Lösungen, verbesserter Umgang mit Nebenbedingungen
  • Revised Simplex: spart Speicher durch Arbeit mit reduzierten Problemen
  • Practical issues: Degeneration, künstliche Basis, Pivot-Auswahl

Dualitätstheorie und deren Anwendungen

Definition:

Analyse von Optimierungsproblemen durch Transformation in Dualprobleme; Dualität liefert Schranken und notwendige Bedingungen für Optimalität.

Details:

  • Primal- und Dualprobleme: Jede LP hat ein zugehöriges Dualproblem.
  • Schwache Dualität: Für zulässige Lösungen gilt: Kosten des Dualproblems ≤ Kosten des Primärproblems.
  • Starke Dualität: Optimalwerte stimmen überein, wenn beide Probleme zulässige Lösungen haben (nur bei LP, nicht allgemein).
  • KKT-Bedingungen: Notwendige und hinreichende Bedingungen für Optimalität (bei konvexen Problemen).
  • Anwendung: Berechnung von Schranken, Umformulation von Problemen, Sensitivitätsanalyse.

Branch-and-Bound-Methoden

Definition:

Methode zur Lösung von diskreten Optimierungsproblemen, indem der Suchraum systematisch durchsucht wird durch Zerlegen in Teilprobleme (Branching) und Schranken für optimale Werte (Bounding).

Details:

  • Erkundungsbaum strukturiert die Problemlösung.
  • Verwendet obere und untere Schranken zur Reduktion des Suchraums.
  • Verzicht auf bestimmte Zweige, wenn Schranken keine verbesserten Lösungen versprechen.
  • Anwendung bei: Ganzzahlige Optimierung, kombinatorische Probleme.
  • Ziel: Effizienz durch minimales Durchsuchen.

Cutting-Plane-Verfahren

Definition:

Methode zur Lösung von Ganzzahlproblemen durch sukzessives Hinzufügen von Geraden (Schnitte) zur Eingrenzung des Lösungsraums.

Details:

  • Beginnt mit der Lösung des Relaxierungsproblems (ohne Ganzzahligkeitsbeschränkungen).
  • Findet Schnittebenen, die den nicht-ganzzahligen Teil des Lösungsraums eliminieren.
  • Fügt Schneidebedingungen zur aktuellen Relaxierung hinzu.
  • Wiederholt den Prozess, bis eine ganzzahlige Lösung gefunden wird.
  • Verwendet oft Gomory-Cuts für lineare Probleme.
  • Effektiv für MILP-Probleme.
  • Algorithmus kann in LP-Solver integriert werden.

Max-Flow Min-Cut Theorem

Definition:

Der Max-Flow Min-Cut Theorem besagt, dass der maximale Fluss in einem Flussnetzwerk gleich der Kapazität des minimalen Schnitts durch das Netzwerk ist.

Details:

  • Maximaler Fluss (\textit{max-flow}): Der größte mögliche Fluss, der von der Quelle (\textit{source}) zum Ziel (\textit{sink}) fließen kann.
  • Minimaler Schnitt (\textit{min-cut}): Die kleinste Kapazität der Kantenmenge, deren Entfernung das Netzwerk in zwei disjunkte Mengen trennt, mit der Quelle in einer und dem Ziel in der anderen.
  • Formel: \textit{max-flow} = \textit{min-cut}
  • Anwendungen: Netzwerkplanung, Transportlogistik, Bildsegmentierung, etc.

Metaheuristiken wie Simulated Annealing und Tabu Search

Definition:

Metaheuristiken sind allgemeine, problemunabhängige Lösungsansätze zur näherungsweisen Lösung schwieriger Optimierungsprobleme.

Details:

  • Simulated Annealing: basiert auf dem Abkühlen eines Metalls. Akzeptiert auch schlechtere Lösungen mit einer gewissen Wahrscheinlichkeit, um globale Optima zu finden.
  • Formeln:
  • Akzeptanzwahrscheinlichkeit: \(P(E,E') = e^{(f(E) - f(E')) / T}\)
  • Tabu Search: verwendet eine adaptive Speicherstruktur (Tabuliste), um Rückschritte zu vermeiden und die Lösungssuche zu diversifizieren.
  • Kernelemente:
  • Tabuliste: Speichert kürzlich besuchte Lösungen, um Zyklen zu vermeiden.
  • Aspirationskriterium: Erlaubt Tabuschritte, wenn sie zu einer besseren Lösung führen.

Lineare Relaxation und Cutting Planes bei ganzzahliger Programmierung

Definition:

Lineare Relaxation: Ganzzahlige Variablen als kontinuierliche Variablen behandeln. Cutting Planes: Zusätzliche Ungleichungen einführen, um unzulässige Ganzzahllösungen auszuschließen.

Details:

  • Lineare Relaxation: Ursprüngliches Problem ohne Ganzzahlanforderungen lösen.
  • Ziel: Näherungslösung und obere Schranke finden.
  • Cutting Planes: Iterativ zusätzliche Schnitte einführen, um den Lösungsraum zu verengen.
  • Gomory-Cuts: Häufig verwendete Methode zur Generierung von Schnitten.
  • Fenchel-Cuts, Knapsack-Cuts: Weitere Techniken für spezielle Problemklassen.
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