lineare optimierung - hochschule trierpublic.hochschule-trier.de/~rudolph/mathemaster/linopt.pdf ·...
TRANSCRIPT
![Page 1: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/1.jpg)
Prof. Dr.-Ing. Fritz Nikolai Rudolph Fachhochschule Trier Fachbereich Informatik
Lineare Optimierung
Lineare Optimierung Master 1. Semester
Inhaltsverzeichnis
1 Einleitung ................................................................................................... 2 1.1 Lineare Gleichungssysteme .............................................................. 2 1.2 Lineare Optimierungsprobleme ......................................................... 3
2 Standardform ............................................................................................. 4 2.1 Vorgehensweise zum Aufstellen des Anfangstableaus ..................... 5
3 Basislösungen und deren Interpretation .................................................... 8 4 Standardmaximierung mit dem Simplexverfahren ..................................... 9 5 Standardminimierung mit dem Simplexverfahren .................................... 10 6 Der Zweiphasen – Simplexalgorithmus.................................................... 11
6.1 Phase 1 – Suche nach einem Startpunkt ........................................ 11 7 Sonderfälle............................................................................................... 13
7.1 Unendlich viele Lösungen ............................................................... 13 7.2 Degenerierte Basislösung ............................................................... 13 7.3 Unbeschränkter zulässiger Bereich................................................. 13 7.4 Leerer zulässiger Bereich................................................................ 13
8 Links zu weiteren Skripten ....................................................................... 14 9 Beispiele .................................................................................................. 15
9.1 Beispiel: Papiermühle: Standardmaximierung................................. 15 9.2 Beispiel: Automobilhersteller: 2 Phasen Maximierung..................... 16 9.3 Beispiel: Bauer Paul: Standardmaximierung ................................... 21 9.4 Beispiel: Möbelhersteller, komplexe Minimierung ........................... 22
![Page 2: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/2.jpg)
Skript Lineare Programmierung Seite 2
Lineare Optimierung
1 Einleitung
Das folgende Skript soll dazu dienen, die Lineare Optimierung oder Lineare Programmierung nach dem Simplexverfahren zu verstehen und deren Anwendung zu erlernen. Auf Beweise wurde verzichtet, da diese in der Literatur hinlänglich diskutiert worden sind.
1.1 Lineare Gleichungssysteme
Viele Problemstellungen lassen sich auf lineare Beziehungen reduzieren. Sie liegen als lineares Gleichungssystem in der folgenden Form vor:
Fi (x) = Σ ai,j xj - ci = 0; j = 1,...n; i = 1, ...n
oder A x = c
Lineare Gleichungssysteme lassen sich in verschiedene Kategorien einteilen:
homogene
Gleichungssysteme c = 0
inhomogene Gleichungssysteme c ≠ 0
Det(A) ≠ 0 nur die triviale Lösung x = 0 genau eine Lösung
Det(A) = 0 unendlich viele Lösungen keine Lösung oder unendlich viele Lösungen
Tabelle 1 Kategorien von Gleichungssystemen
Die wichtige Gruppe der eindeutig lösbaren linearen Gleichungssysteme wird üblicherweise mit dem Gauß-Verfahren oder mit dem Einsetzverfahren gelöst. Letzteres wird in der Linearen Programmierung auch als Austauschverfahren bezeichnet.
Beide Verfahren sind ähnlich und können als Linearkombination von Gleichungen angesehen werden. Eine einzelne Gleichung eines Gleichungssystems beschreibt jeweils einen Zusammenhang und besitzt eine Menge möglicher Lösungen. Werden zwei Gleichungen geeignet linear kombiniert, indem das Vielfache einer Gleichung zu einer zweiten addiert wird, um eine Variable zu eliminieren, schränken wir die Lösungs-mengen der einzelnen Gleichungen auf deren Schnittmenge ein.
![Page 3: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/3.jpg)
Skript Lineare Programmierung Seite 3
Lineare Optimierung
Beispiel:
Gleichung 1: -4 x1 + 2 x2 = -2
Gleichung 1 hat alle Punkte der Geraden x2 = 2 x1 - 1 als Lösung.
Gleichung 2: -2 x1 + 2 x2 = 0
Gleichung 2 hat alle Punkte der Geraden x2 = x1 als Lösung.
Die Linearkombination (Gleichung 1) – 2 * (Gleichung 2) = Gleichung 3 liefert die x2 Komponente des Schnittpunktes der beiden Geraden.
Gleichung 3: -4 x1 + 4 x1 - 2 x2 = - 2 x2 = -2 → x2 = 1
Gleichung 3 entsprechend mit Gleichung 1 kombiniert liefert Gleichung 4, und damit die x1 Komponente des Schnittpunktes.
Gleichung 4: -4 x1 + 2 x2 - 2 x2= -2 - 2 → x1 = 1
Der Punkt (1, 1) ist also Lösung des Systems, das aus Gleichung 1 und Gleichung 2 besteht.
1.2 Lineare Optimierungsprobleme
In der Linearen Programmierung oder Linearen Optimierung wird versucht eine lineare Zielfunktion
z(x1, x2, ..., xn) = b1 x1 + b2x2 + ... +bnxn {max | min}
zu optimieren, also zu minimieren oder zu maximieren. Die Optimierung wird durch Nebenbedingungen eingeschränkt die typischerweise als lineare Ungleichungen vorliegen. Sie teilen den Raum in einen zulässigen und einen unzulässigen Bereich und werden als Hyperebenen bezeichnet. Aufgabe der linearen Programmierung ist es, denjenigen Punkt zu finden, für den die Zielfunktion optimal wird und der alle Nebenbedingungen erfüllt, also zulässig ist.
![Page 4: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/4.jpg)
Skript Lineare Programmierung Seite 4
Lineare Optimierung
2 Standardform
Ein lineares Optimierungsproblem oder lineares Programm hat allgemein die Form:
Zielfunktion z(x1, x2, ..., xn) = b1 x1 + b2x2 + ... +bnxn {max | min}
Nebenbedingungen
a1,1 x1+ a1,2 x2+ .... a1,nxn {≥|≤|=} c1
a2,1 x1+ a2,2 x2+ .... a2,nxn {≥|≤|=} c2
....
am,1 x1 + am,2 x2 + .... am,n xn {≥|≤|=} cm
Alle Variablen müssen die Nichtnegativitätsbedingung erfüllen
x1, x2, ..., xn ≥ 0
![Page 5: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/5.jpg)
Skript Lineare Programmierung Seite 5
Lineare Optimierung
2.1 Vorgehensweise zum Aufstellen des Anfangstableaus
1 Alle Konstanten werden auf die rechte Seite und auf positive Vorzeichen gebracht.
2 Jede Ungleichung mit dem Operator “≤“ wird um die Addition einer Schlupfvariablen erweitert und als Gleichung dargestellt.
3 Jede Ungleichung mit dem Operator “ ≥“ wird um die Subtraktion einer Schlupfvariablen erweitert und als Gleichung dargestellt.
4 Jede Variable xj, welche nicht die Nichtnegativitätsbedingung erfüllt, wird als Differenz zweier nicht negativer Variablen ersetzt xj' und xj" ersetzt:
5 xj = xj' – xj"
6 Das Ergebnis der Zielfunktion z wird als Variable aufgefasst. Die Zielfunktion wird als Gleichung in folgender Form an das Ungleichungssystem angehängt: z – b1 x1 - b2x2 + ... -bnxn = 0
7 Nebenbedingungen, die in Gleichungsform vorliegen und deshalb keine Schlupfvariable besitzen, müssen noch mit den anderen Gleichungen durch geeignete Operationen linear kombiniert werden, da sie die Grenze zwischen zwei unzulässigen Bereichen beschreiben. Im Fall einer Gleichung liegen die zulässigen Lösungen auf der Hyperebene.
a. Wir wählen die Zeile i ohne Schlupfvariable als Pivotzeile, eine Spalte j, in welcher der Koeffizient ai,j ungleich Null ist, als Pivotspalte und führen einen Pivotschritt durch. Dabei werden alle ak,j mit k ≠ i und bj zu Null.
b. Nach diesem Pivotschritt werden alle Zeilen, in denen die "rechte Seite" ck negativ ist mit –1 multipliziert.
![Page 6: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/6.jpg)
Skript Lineare Programmierung Seite 6
Lineare Optimierung
Beispiel aus [Leydold]:
z(x1, x2, x3) = 2 x1 – 5 x2 + x3 min 2x1 + x2 ≤ 100 -x1 + 2x2 + 2x3 ≤ -90 x1 + x2 –x3 ≥ 80 x1 + 4x3 = 40 x1,x2 ≥ 0 2. Nebenbedingung mit (-1) multiplizieren und Operator umdrehen. z(x1, x2, x3) = 2 x1 – 5 x2 + x3 min 2x1 + x2 ≤ 100 x1 - 2x2 - 2x3 ≥ 90 x1 + x2 –x3 ≥ 80 x1 + 4x3 = 40 x1;,x2 ≥ 0
System mittels Schlupfvariablen in Gleichungsform bringen
z(x1, x2, x3) = 2 x1 – 5 x2 + x3 min 2x1 + x2 + s1 = 100 x1 - 2x2 - 2x3 – s2 = 90 x1 + x2 –x3 – s3 = 80 x1 + 4x3 = 40 x1,x2,s1,s2,s3 ≥ 0
x3 erfüllt nicht die Nichtnegativitätsbedingung. Wir ersetzen deshalb x3 durch die Differenz x3 = x3' – x3"; x3', x3" ≥ 0
z(x1, x2, x3) = 2 x1 – 5 x2 + x'3 - x"3 min 2x1 + x2 + s1 = 100 x1 - 2x2 - 2x'3 + 2x"3 – s2 = 90 x1 + x2 –2x2 - x'3 + x"3 – s3 = 80 x1 + 4x'3 - 4x"3 = 40 x1,x2, x'3,x"3,s1,s2,s3 ≥ 0 Einfügen der Zielfunktion als Gleichung. z - 2 x1 + 5 x2 - x'3 + x"3 = 0
![Page 7: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/7.jpg)
Skript Lineare Programmierung Seite 7
Lineare Optimierung
Aufstellen des Simplextableaus:
z x1 x2 x'3 x3" s1 s2 s3 RS 0 2 1 0 0 1 0 0 100 0 1 -2 -2 2 0 -1 0 90 0 1 1 -1 1 0 0 -1 80 0 1 0 4 -4 0 0 0 40 1 -2 5 -1 1 0 0 0 0
Die vierte Zeile enthält keine Schlupfvariable. Deshalb führen wir einen Pivotschritt mit der vierten Zeile und der x1 Spalte, deren Koeffizient in der Pivotzeile nicht Null ist, durch:
z x1 x2 x'3 x3" s1 s2 s3 RS 0 0 1 -8 8 1 0 0 20 0 0 -2 -6 6 0 -1 0 50 0 0 1 -6 -5 0 0 -1 40 0 1 0 4 -4 0 0 0 40 1 0 5 7 -7 0 0 0 80
Damit ist das Anfangssimplextableau aufgestellt.
![Page 8: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/8.jpg)
Skript Lineare Programmierung Seite 8
Lineare Optimierung
3 Basislösungen und deren Interpretation
Gegeben sei das folgende Simplextableau:
z x1 x2 x'3 x3" s1 s2 s3 RS 0 0 1 -8 8 1 0 0 20 0 0 -2 -6 6 0 -1 0 50 0 0 1 -6 -5 0 0 -1 40 0 1 0 4 -4 0 0 0 40 1 0 5 7 -7 0 0 0 80
Aus dem Simplextableau können wir jetzt bereits Lösungen ablesen. Wenn wir allen Variablen, welche in ihrer Spalte mehr als einen Koeffizienten besitzen, dessen Wert ungleich Null ist, den Wert Null zuordnen, dann ist haben die übrigen den Wert der Rechten Seite RS dividiert durch den Koeffizienten in der jeweiligen Spalte der Variablen.
1. Spalte, 5. Zeile, abgelesen: z = 80
2. Spalte, 4. Zeile, abgelesen: x1= 40
3. Spalte, gesetzt: x2= 0
4. Spalte, gesetzt: x3'= 0
5. Spalte, gesetzt: x3"= 0
6. Spalte, 1. Zeile, abgelesen: s1= 20
7. Spalte, 2. Zeile, abgelesen: s2= 50 /(-1) = -50
8. Spalte, 3. Zeile, abgelesen: s3= 40 /(-1) =-40
Demnach werden die Werte der Variablen x2, x3', x3" auf den Wert 0 gesetzt, da in der jeweiligen Spalte mehr als ein Koeffizient ungleich 0 ist. Das ist erlaubt, wenn 0 eine zulässige Lösung der jeweiligen Variablen ist. Die abgelesene Lösung ist jedoch nicht zulässig, da die Schlupfvariablen s2 und s3 negativ sind, was der Eingangs-voraussetzung widerspricht.
Jede abgelesene Basislösung legt einen Betriebspunkt des zu optimierenden Systems fest. Die Werte der Basisvariablen lassen sich direkt aus dem Simplextableau ablesen. Die Werte Schlupfvariablen geben den Abstand des Betriebspunktes zu der jeweiligen Grenze an.
Im Fall einer "Kleiner gleich" Bedingung" ist die Ressource um den Wert der Schlupf-variablen noch nicht ausgenutzt. Wären nicht andere Einschränkungen gegeben oder würde die Optimierung weiter verfolgt, könnte dieses Kapazität noch zusätzlich genutzt werden.
Im Fall einer "Größer gleich" Bedingung besteht noch Minimierungspotential. Von der Ressource wird noch mehr genutzt, als die Nebenbedingung fordert. Dieses "Mehr" wird durch den Wert der Schlupfvariablen beschrieben.
![Page 9: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/9.jpg)
Skript Lineare Programmierung Seite 9
Lineare Optimierung
4 Standardmaximierung mit dem Simplexverfahren
Der Algorithmus für die Standardmaximierung verläuft in acht Schritten.
1 Anfangstableau Im ersten Schritt wir das Anfangssimplextableau aufgestellt und die zugehörige Basislösung ermittelt.
2 Zulässigkeitsprüfung Jetzt wird geprüft, ob die Basislösung, der Startpunkt, zulässig ist. Sollte dies nicht der Fall sein, müssen wir zunächst eine zulässige Basislösung suchen. Dies ist im Kapitel "2 Phasen Simplexalgorithmus" beschrieben.
3 Optimalitätstest Mit dem Optimalitätstest stellen wir fest, ob der optimale Punkt erreicht ist, oder ob weitere Optimierungsschritte erforderlich sind. Wir prüfen, ob alle Koeffizienten in der Zielfunktionszeile ≥ 0 sind. Ist dies der Fall, kann die Optimierung beendet werden, wenn eine zulässige Basislösung vorliegt.
4 Pivotspalte suchen Nun suchen wir die Pivotspalte, mit welcher der nächste Optimierungsschritt durchgeführt werden soll. Wir wählen diejenige Spalte, deren Koeffizient in der Zielfunktionszeile den kleinsten Wert trägt.
5 Lösbarkeitstest Sind alle Koeffizienten in der gewählten Spalte ≤ 0 ist das Optimierungsproblem unbeschränkt. Ist dieser Lösbarkeitstext nicht erfüllt, müssen noch weitere Nebenbedingungen gesucht werden und ein neues Anfangstableau aufgestellt werden.
6 Pivotzeile suchen Die Pivotzeile finden wir, indem wir diejenige Zeile auswählen, welche den kleinsten nicht negativen Quotienten aus Rechter Seite und Koeffizient der Pivotspalte trägt. Die Zielfunktionszeile darf nicht als Pivotzeile ausgewählt werden.
7 Pivotschritt durchführen Das Pivotelement ist derjenige Koeffizient, der sich im Schnittpunkt von Pivotspalte und Pivotzeile befindet. Ein Pivotschritt wird durchgeführt, indem die Pivotzeile mit dem Kehrwert des Pivotelements multipliziert wird und anschließend alle Koeffizienten der Pivotspalte in den übrigen Zeilen durch Addition eines Vielfachen der Pivotzeile eliminiert werden.
8 Gehe zu Schritt 3.
![Page 10: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/10.jpg)
Skript Lineare Programmierung Seite 10
Lineare Optimierung
5 Standardminimierung mit dem Simplexverfahren
Die Standardminimierung funktioniert analog der Maximierung. Lediglich die Punkte Optimalitätstest und Pivotspaltensuche unterscheiden sich.
3 Optimalitätstest Wenn alle Koeffizienten in der Zielfunktionszeile ≤0 sind, ist der optimale Punkt erreicht.
4 Pivotspalte suchen Der größte Koeffizient in der Zielfunktionszeile zeigt die Pivotspalte an.
![Page 11: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/11.jpg)
Skript Lineare Programmierung Seite 11
Lineare Optimierung
6 Der Zweiphasen – Simplexalgorithmus
In vielen Fällen, z.B. immer wenn eine Untergrenze > 0 besteht, ist der Startpunkt (0,0, …) unzulässig. In diesen Fällen lesen wir eine Schlupfvariable < 0 aus dem Anfangstableau ab. Wir müssen dann zunächst einen zulässigen Startpunkt suchen. Bezeichn| z | Hockey | Tennis |100 Hock|100 Tenn|Lackieru|Montage |max Tenn| R | min 100 | 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00|100.00| min 100 | 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00|100.00| Lackieru| 0.00| 1.00| 2.00| 0.00| 0.00| 1.00| 0.00| 0.00| 2500.00| Montage | 0.00| 1.00| 1.00| 0.00| 0.00| 0.00| 1.00| 0.00| 1500.00| max Tenn| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 1.00| 1100.00| Zielfunk| 1.00|-30.00|-40.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00|
Die Basislösung: (0, 0; -100, -100, 2500, 1500, 1100) ist unzulässig
1 Wir suchen in einer ersten Phase eine zulässige Basislösung.
2 In der zweiten Phase wird die Lösung mit dem Standardverfahren ermittelt.
6.1 Phase 1 – Suche nach einem Startpunkt
Dazu fügen in das Tableau Hilfsvariable ein in denjenigen Zeilen ein, in denen eine negative Lösung für Schlupfvariable abzulesen ist.
1 Aufstellen des Anfangssimplextableaus. In jeder Zeile, in der eine Schlupf-variable subtrahiert wird, ist eine Hilfsvariable ai zu addieren.
2 Ersetzen der Hilfsfunktion durch die Summe aller Hilfsvariablen z* = a1 + a2 + ...
3 Durch Addition aller Zeilen mit Hilfsvariablen zur Hilfszielfunktionszeile bringen wir alle Einträge der Hilfsvariablen in der Hilfszielfunktionszeile auf Null.
4 Minimieren der Hilfszielfunktion z* mit dem Standardverfahren.
5 Im Minimum von z* gibt es 3 Möglichkeiten:
a z*min = 0 und keine Hilfsvariable ist Basisvariable gehe zu Punkt 6.
b z*min = 0 und eine Hilfsvariable ist Basisvariable Durch geeignete Pivotschritte können alle Hilfsvariablen zu Nichtbasis-variablen gemacht werden. z* soll dabei unverändert bleiben. Gehe zu Punkt 6.
c z*min < 0 Der zulässige Bereich ist leer.
6 Streiche die Spalten der Hilfsvariablen aus dem Tableau und setze die ursprüngliche Zielfunktion z ein.
7 Durch Addition von Vielfachen geeigneter Zeilen bringen wir alle Einträge der Basisvariablen in der Zielfunktionszeile auf Null.
![Page 12: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/12.jpg)
Skript Lineare Programmierung Seite 12
Lineare Optimierung
Beispiel: Phase 1: 2 zusätzliche Hilfsvariablen Anfangszustand Bezeichnun| z | Hockey | Tennis |100 Hock|100 Tenn|Lackieru|Montage |max Tenn| a1 | a2 | R | q | Faktor min 100 Ho| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00|100.00| 0.00| 0.00 min 100 Te| 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 1.00|100.00| 0.00| 0.00 Lackierung| 0.00| 1.00| 2.00| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 2500.00| 0.00| 0.00 Montage | 0.00| 1.00| 1.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 1500.00| 0.00| 0.00 max Tennis| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1100.00| 0.00| 0.00 Zielfunkt.| 1.00| 1.00| 1.00| -1.00| -1.00| 0.00| 0.00| 0.00| 0.00| 0.00|200.00| 0.00| 0.00 Simplextableau Minimierung in Pivotschritt 1, Pivotelement = (0, 1) Bezeichnun| z | Hockey | Tennis |100 Hock|100 Tenn|Lackieru|Montage |max Tenn| a1 | a2 | R | q | Faktor min 100 Ho| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00|100.00|100.00| 0.00 min 100 Te| 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 1.00|100.00|########| 0.00 Lackierung| 0.00| 0.00| 2.00| 1.00| 0.00| 1.00| 0.00| 0.00| -1.00| 0.00| 2400.00| 2500.00| 1.00 Montage | 0.00| 0.00| 1.00| 1.00| 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 1400.00| 1500.00| 1.00 max Tennis| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1100.00|########| 0.00 Zielfunkt.| 1.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| -1.00| 0.00|100.00| 0.00| 1.00
Basislösung z = 100.00 Hockey = 100.00 Tennis = 0.00 100 Hockey = 0.00 100 Tennis = 0.00 Lackierung = 2400.00 Montage = 1400.00 max Tennis = 1100.00 a1 = 0.00 a2 = 100.00 Simplextableau Minimierung in Pivotschritt 2, Pivotelement = (1, 2) Bezeichnun| z | Hockey | Tennis |100 Hock|100 Tenn|Lackieru|Montage |max Tenn| a1 | a2 | R | q | Faktor min 100 Ho| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00|100.00|########| 0.00 min 100 Te| 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 1.00|100.00|100.00| 0.00 Lackierung| 0.00| 0.00| 0.00| 1.00| 2.00| 1.00| 0.00| 0.00| -1.00| -2.00| 2200.00| 1200.00| 2.00 Montage | 0.00| 0.00| 0.00| 1.00| 1.00| 0.00| 1.00| 0.00| -1.00| -1.00| 1300.00| 1400.00| 1.00 max Tennis| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1.00| 0.00| -1.00| 1000.00| 1100.00| 1.00 Zielfunkt.| 1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| -1.00| -1.00| 0.00| 0.00| 1.00
Basislösung z = 0.00 Hockey = 100.00 Tennis = 100.00 100 Hockey = 0.00 100 Tennis = 0.00 Lackierung = 2200.00 Montage = 1300.00 max Tennis = 1000.00 a1 = 0.00 a2 = 0.00
Dies ist der neue Startpunkt für die Minimierung mit dem Standardverfahren.
![Page 13: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/13.jpg)
Skript Lineare Programmierung Seite 13
Lineare Optimierung
7 Sonderfälle
7.1 Unendlich viele Lösungen
Wenn die Zielfunktion parallel zu einer Einschränkung verläuft, welche zwei gleichwertige optimale Punkte verbindet, so gibt es unendlich viele Lösungen. Im Tableau kann dann noch ein Pivotschritt ausgeführt werden, ohne dass sich der Wert der Zielfunktion ändert.
7.2 Degenerierte Basislösung
Eine Basislösung heißt degeneriert, wenn eine der Basisvariablen gleich Null ist.
7.3 Unbeschränkter zulässiger Bereich
Der Bereich ist nach mindestens einer Richtung unbeschränkt. Im Simplextableau wird dies durch eine Pivotspalte angezeigt, in der alle Koeffizienten mit Ausnahme der Zielfunktion den Wert Null haben, also kein Pivotschritt mehr durchgeführt werden kann.
7.4 Leerer zulässiger Bereich
Zwei oder mehr Bedingungen widersprechen sich. In Phase 1 kann die Hilfszielfunktion nicht auf den Wert Null gebracht werden.
![Page 14: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/14.jpg)
Skript Lineare Programmierung Seite 14
Lineare Optimierung
8 Links zu weiteren Skripten
[leydold] http://statistik.wu-wien.ac.at/~leydold/MOK/HTML/node145.html
[uniMZ] http://www.numerik.mathematik.uni-mainz.de/didaktikseminar/Gruppe7/bauer.htm
[dresden] http://www.informatik.htw-dresden.de/~weber/wima2/
![Page 15: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/15.jpg)
Skript Lineare Programmierung Seite 15
Lineare Optimierung
9 Beispiele
9.1 Beispiel: Papiermühle: Standardmaximierung
Eine Papiermühle produziert 2 Sorten Papier P1 und P2. Der Deckungsbeitrag beträgt 10 GE für P1 und 7,50GE für P2. Für P1 wird 1T Altpapier benötigt, für P2 0,6T. Es stehen maximal 15T Altpapier zur Verfügung. Von der Sorte P2 können maximal 20T abgesetzt werden.
Alle Angaben beziehen sich auf eine Periode. Maximiere den Gewinn.
Die q und die Faktorspalten gehören zum jeweils vorhergehenden Tableau.
Anfangszustand ---- | Gewinn |PSorte 1|PSorte 2|Altpapie|Absatz P| R | q | Faktor Altpapier | 0.00| 1.00| 0.60| 1.00| 0.00| 15.00| 0.00| 0.00 Absatz | 0.00| 0.00| 1.00| 0.00| 1.00| 20.00| 0.00| 0.00 Zielfunkt.| 1.00|-10.00| -7.50| 0.00| 0.00| 0.00| 0.00| 0.00 Gewinn = 0.00 PSorte 1 = 0.00 PSorte 2 = 0.00 Altpapier = 15.00 Absatz P2 = 20.00 Simplextableau Maximierung in Pivotschritt 1, Pivotelement = (0, 1) ---- | Gewinn |PSorte 1|PSorte 2|Altpapie|Absatz P| R | q | Faktor Altpapier | 0.00| 1.00| 0.60| 1.00| 0.00| 15.00| 15.00| 0.00 Absatz | 0.00| 0.00| 1.00| 0.00| 1.00| 20.00|########| 0.00 Zielfunkt.| 1.00| 0.00| -1.50| 10.00| 0.00|150.00| 0.00|-10.00 Gewinn = 150.00 PSorte 1 = 15.00 PSorte 2 = 0.00 Altpapier = 0.00 Absatz P2 = 20.00 Simplextableau Maximierung in Pivotschritt 2, Pivotelement = (1, 2) ---- | Gewinn |PSorte 1|PSorte 2|Altpapie|Absatz P| R | q | Faktor Altpapier | 0.00| 1.00| 0.00| 1.00| -0.60| 3.00| 25.00| 0.60 Absatz | 0.00| 0.00| 1.00| 0.00| 1.00| 20.00| 20.00| 0.00 Zielfunkt.| 1.00| 0.00| 0.00| 10.00| 1.50|180.00| 0.00| -1.50 Gewinn = 180.00 PSorte 1 = 3.00 PSorte 2 = 20.00 Altpapier = 0.00 Absatz P2 = 0.00 Gewinn = 180.00 PSorte 1 = 3.00 PSorte 2 = 20.00 Altpapier = 0.00
![Page 16: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/16.jpg)
Skript Lineare Programmierung Seite 16
Lineare Optimierung
9.2 Beispiel: Automobilhersteller: 2 Phasen Maximierung
1. Ein Automobilhersteller produziert 2 Typen von PKW, das Luxusmodell Tennis und das einfachere Modell Hockey. Beide Fahrzeuge basieren auf der gleichen Platt-form und benötigen deshalb dieselbe Montagezeit. Allerdings wird der Tennis in einer aufwendigen Zweifarbenlackierung ausgeliefert, welche die doppelte Lackier-Zeit des Hockey benötigt. Die folgenden Angaben beziehen sich auf eine Periode: In der Lackiererei besteht Kapazität für 2500 Hockey, in der Montage für 1500 Fahrzeuge dieses Typs. Die Marketingabteilung der Firma hat festgestellt, dass von jedem Fahrzeugtyp mindestens 100 Stück je Periode hergestellt werden müssen, um das Marktsegment zu sichern. Jedoch können maximal 1100 Tennis abgesetzt werden. Der Gewinn liegt bei 30GE (Gewinneinheiten) je Hockey und bei 40GE je Tennis.
Maximieren Sie den Gewinn je Periode.
a. Skizzieren Sie die Problemstellung der Aufgabe in Bild 1. Wo vermuten Sie das Gewinnmaximum? Begründen Sie diese Vermutung.
b. Stellen Sie das Gleichungssystem auf.
c. Stellen Sie das Anfangstableau für die Optimierung mit dem Simplex-verfahren auf.
d. Optimieren Sie das Problem rechnerisch mit dem Simplexverfahren. Tragen Sie den Optimierungsweg in die Skizze ein.
e. Interpretieren Sie die Lösung.
f. Wo befindet sich das Gewinnmaximum, wenn für das Modell Tennis der Marktpreis einbricht, so dass der Gewinn auf 20 GE je Fahrzeug sinkt. Interpretieren Sie dazu die Skizze.
![Page 17: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/17.jpg)
Skript Lineare Programmierung Seite 17
Lineare Optimierung
Absatz Hockey: Hockey >= 100
Absatz Tennis: Tennis >= 100
Absatz Tennis: Tennis ≤ 1100
Lackiererei: Hockey + 2 Tennis <= 2500
Montage: Hockey + Tennis <= 1500
Gewinn: Z -30 Hockey - 40 Tennis = 0
Bild 1: Optimierungsproblem Automobilproduktion (Formular für die Skizze)
0
100
200
300
400
500
600
700
800
900
1000
1100
1200
1300
1400
1500
1600
0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500 1600
Hockey
Tenn
is
Lackierung
Montage
max. Tennis
Zielfunktion
min. Tennis
alt. Zielfunktion: nach Gewinneinbruch
min. Hockey
![Page 18: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/18.jpg)
Skript Lineare Programmierung Seite 18
Lineare Optimierung
Die q und die Faktorspalten gehören zum jeweils vorhergehenden Tableau.
Phase 1: Ausgangsmatrix Bezeich | z |Hock |Tenni |100 H |100 T |Lack |Mont |max T | R | q | Faktor min 100 | 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00|100.00| 0.00| 0.00 min 100 | 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00|100.00| 0.00| 0.00 Lackieru| 0.00| 1.00| 2.00| 0.00| 0.00| 1.00| 0.00| 0.00| 2500.| 0.00| 0.00 Montage | 0.00| 1.00| 1.00| 0.00| 0.00| 0.00| 1.00| 0.00| 1500.| 0.00| 0.00 max Tenn| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 1.00| 1100.| 0.00| 0.00 Zielfunk| 1.00|-30.00|-40.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00 Phase 1: 2 zusaetzliche Hilfsvariablen Anfangszustand Bezeichnun| z |Hockey|Tennis|100 H |100 T |Lack |Mont |max T | a1 | a2 | R | q | Faktor min 100 Ho| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00|100.00| 0.00| 0.00 min 100 Te| 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 1.00|100.00| 0.00| 0.00 Lackierung| 0.00| 1.00| 2.00| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 2500.| 0.00| 0.00 Montage | 0.00| 1.00| 1.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 1500.| 0.00| 0.00 max Tennis| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1100.| 0.00| 0.00 Zielfunkt.| 1.00| 1.00| 1.00| -1.00| -1.00| 0.00| 0.00| 0.00| 0.00| 0.00|200.00| 0.00| 0.00 Simplextableau Minimierung in Pivotschritt 1, Pivotelement = (0, 1) Bezeichnun| z |Hockey|Tennis|100 H |100 T |Lack |Mont |max T | a1 | a2 | R | q | Faktor min 100 Ho| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00|100.00|100.00| 0.00 min 100 Te| 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 1.00|100.00|######| 0.00 Lackierung| 0.00| 0.00| 2.00| 1.00| 0.00| 1.00| 0.00| 0.00| -1.00| 0.00| 2400.| 2500.| 1.00 Montage | 0.00| 0.00| 1.00| 1.00| 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 1400.| 1500.| 1.00 max Tennis| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1100.|######| 0.00 Zielfunkt.| 1.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| -1.00| 0.00|100.00| 0.00| 1.00 z = 100.00 Hockey = 100.00 Tennis = 0.00 100 Hockey = 0.00 100 Tennis = 0.00 Lackierung = 2400.00 Montage = 1400.00 max Tennis = 1100.00 a1 = 0.00 a2 = 100.00 Simplextableau Minimierung in Pivotschritt 2, Pivotelement = (1, 2) Bezeichnun| z |Hockey|Tennis|100 H |100 T |Lack |Mont |max T | a1 | a2 | R | q | Faktor min 100 Ho| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00|100.00|######| 0.00 min 100 Te| 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 1.00|100.00|100.00| 0.00 Lackierung| 0.00| 0.00| 0.00| 1.00| 2.00| 1.00| 0.00| 0.00| -1.00| -2.00| 2200.| 1200.| 2.00 Montage | 0.00| 0.00| 0.00| 1.00| 1.00| 0.00| 1.00| 0.00| -1.00| -1.00| 1300.| 1400.| 1.00 max Tennis| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1.00| 0.00| -1.00| 1000.| 1100.| 1.00 Zielfunkt.| 1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| -1.00| -1.00| 0.00| 0.00| 1.00 z = 0.00 Hockey = 100.00 Tennis = 100.00 100 Hockey = 0.00 100 Tennis = 0.00 Lackierung = 2200.00 Montage = 1300.00 max Tennis = 1000.00 a1 = 0.00 a2 = 0.00
![Page 19: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/19.jpg)
Skript Lineare Programmierung Seite 19
Lineare Optimierung
Anfang 2. Phase Bezeichn| z |Hockey|Tennis|100 H |100 T |Lack |Mont |max T | R | q | Faktor min 100 | 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00|100.00| 0.00| 0.00 min 100 | 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00|100.00| 0.00| 0.00 Lackieru| 0.00| 0.00| 0.00| 1.00| 2.00| 1.00| 0.00| 0.00|2200.00| 0.0| 0.00 Montage | 0.00| 0.00| 0.00| 1.00| 1.00| 0.00| 1.00| 0.00|1300.00| 0.0| 0.00 max Tenn| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1.00|1000.00| 0.0| 0.00 Zielfunk| 1.00|-30.00|-40.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00 2. Phase Zielfunktion umgeformt, Basisvariable in Zielfunktionszeile eliminiert Bezeichn| z |Hockey|Tennis|100 H |100 T |Lack |Mont |max T | R | q | Faktor min 100 | 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00|100.00| 0.00| 0.00 min 100 | 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00|100.00| 0.00| 0.00 Lackieru| 0.00| 0.00| 0.00| 1.00| 2.00| 1.00| 0.00| 0.00|2200.00| 0.0| 0.00 Montage | 0.00| 0.00| 0.00| 1.00| 1.00| 0.00| 1.00| 0.00|1300.00| 0.0| 0.00 max Tenn| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1.00|1000.00| 0.0| 0.00 Zielfunk| 1.00| 0.00| 0.00|-30.00|-40.00| 0.00| 0.00| 0.00|7000.00| 0.0| 0.00 Anfangszustand Bezeichnun| z |Hockey|Tennis|100 H |100 T |Lack |Mont |max T | R | q | Faktor min 100 Ho| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00|100.00| 0.00| 0.00 min 100 Te| 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00|100.00| 0.00| 0.00 Lackierung| 0.00| 0.00| 0.00| 1.00| 2.00| 1.00| 0.00| 0.00|2200.00| 0.00| 0.00 Montage | 0.00| 0.00| 0.00| 1.00| 1.00| 0.00| 1.00| 0.00|1300.00| 0.00| 0.00 max Tennis| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1.00|1000.00| 0.00| 0.00 Zielfunkt.| 1.00| 0.00| 0.00|-30.00|-40.00| 0.00| 0.00| 0.00|7000.00| 0.00| 0.00
Simplextableau Maximierung in Pivotschritt 1, Pivotelement = (4, 4) Bezeichnun| z |Hockey|Tennis|100 H |100 T |Lack |Mont |max T | R | q | Faktor min 100 Ho| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00|100.00|######| 0.00 min 100 Te| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 1.00| 1100.| -100.| -1.00 Lackierung| 0.00| 0.00| 0.00| 1.00| 0.00| 1.00| 0.00| -2.00|200.00| 1100.| 2.00 Montage | 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1.00| -1.00|300.00| 1300.| 1.00 max Tennis| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1.00| 1000.| 1000.| 0.00 Zielfunkt.| 1.00| 0.00| 0.00|-30.00| 0.00| 0.00| 0.00| 40.00|47000.| 0.00|-40.00 z = 47000.00 Hockey = 100.00 Tennis = 1100.00 100 Hockey = 0.00 100 Tennis = 1000.00 Lackierung = 200.00 Montage = 300.00 max Tennis = 0.00
Simplextableau Maximierung in Pivotschritt 2, Pivotelement = (2, 3) Bezeichnun| z |Hockey|Tennis|100 H |100 T |Lack |Mont |max T | R | q | Faktor min 100 Ho| 0.00| 1.00| 0.00| 0.00| 0.00| 1.00| 0.00| -2.00|300.00|-100.0| -1.00 min 100 Te| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 1.00| 1100.00|####| 0.00 Lackierung| 0.00| 0.00| 0.00| 1.00| 0.00| 1.00| 0.00| -2.00|200.00|200.00| 0.00 Montage | 0.00| 0.00| 0.00| 0.00| 0.00| -1.00| 1.00| 1.00|100.00|300.00| 1.00 max Tennis| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1.00| 1000.00|####| 0.00 Zielfunkt.| 1.00| 0.00| 0.00| 0.00| 0.00| 30.00| 0.00|-20.00|53000.00|0.00|-30.00 z = 53000.00 Hockey = 300.00 Tennis = 1100.00 100 Hockey = 200.00 100 Tennis = 1000.00 Lackierung = 0.00 Montage = 100.00 max Tennis = 0.00
![Page 20: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/20.jpg)
Skript Lineare Programmierung Seite 20
Lineare Optimierung
Simplextableau Maximierung in Pivotschritt 3, Pivotelement = (3, 7) Bezeichnun| z |Hockey|Tennis|100 H |100 T |Lack |Mont |max T | R | q | Faktor min 100 Ho| 0.00| 1.00| 0.00| 0.00| 0.00| -1.00| 2.00| 0.00|500.00| -150.00| -2.00 min 100 Te| 0.00| 0.00| 1.00| 0.00| 0.00| 1.00| -1.00| 0.00| 1000.00| 1100.00| 1.00 Lackierung| 0.00| 0.00| 0.00| 1.00| 0.00| -1.00| 2.00| 0.00|400.00| -100.00| -2.00 Montage | 0.00| 0.00| 0.00| 0.00| 0.00| -1.00| 1.00| 1.00|100.00|100.00| 0.00 max Tennis| 0.00| 0.00| 0.00| 0.00| 1.00| 1.00| -1.00| 0.00|900.00| 1000.00| 1.00 Zielfunkt.| 1.00| 0.00| 0.00| 0.00| 0.00| 10.00| 20.00| 0.00|55000.00| 0.00|-20.00 z = 55000.00 Hockey = 500.00 Tennis = 1000.00 100 Hockey = 400.00 100 Tennis = 900.00 Lackierung = 0.00 Montage = 0.00 max Tennis = 100.00
Der Gewinn beträgt 55000GE. Es werden 500 Hockey und 1000 Tennis hergestellt. Die Minimalmengen werden beim Hockey um 400, beim Tennis um 900 übertroffen. Die Kapazitäten in Montage und Lackiererei werden ausgenutzt. Es könnten aber noch 100 Tennis mehr abgesetzt werden, bevor der Markt gesättigt ist.
![Page 21: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/21.jpg)
Skript Lineare Programmierung Seite 21
Lineare Optimierung
9.3 Beispiel: Bauer Paul: Standardmaximierung
Bauer Paul hat einen Acker von 40 ha Größe, wo er Zuckerrüben und Weizen anbaut. Er hat 2400 € und 312 Arbeitstage im kommenden Jahr zur Verfügung. Die Anbaukosten pro Hektar Zuckerrüben liegen bei 40 € und pro Hektar Weizen bei 120€. Die Bearbeitungszeit pro Hektar Zuckerrüben sind 7 Tage und 12 Tage pro Hektar Weizen. Auf dem Markt erzielt Bauer Paul voraussichtlich einen Reingewinn von 100 € pro angebautem Hektar Zuckerrüben und 250 € pro angebautem Hektar Weizen. Bauer Paul möchte den Gewinn maximieren.
Zuckerrüben + Weizen ≤ 40, da der Acker nur eine Größe von 40 ha hat 40 Zuckerrüben + 120 y ≤ 2400, da der Bauer nur 2400 € hat 7 Zuckerrüben + 12 Weizen ≤ 312, da er nur 312 Tage arbeitet f(x,y)=-100 Zuckerrüben + (-250) Weizen soll minimiert werden
Mit Schlupfvariablen Acker, Kosten, Zeit heißt das 1 Zuckerrüben + 1 Weizen + 1 Acker + 0 Kosten + 0 Zeit = 40 40 Zuckerrüben + 120 Weizen + 0 Acker + 1 Kosten + 0 Zeit = 2400 7 Zuckerrüben + 12 Weizen + 0 Acker + 0 Kosten + 1 Zeit = 312
Die q und die Faktorspalten gehören zum jeweils vorhergehenden Tableau.
Anfangszustand Bezeichnun| z |Rueben|Weizen|Acker |Kosten|Zeit | R | q | Faktor Acker | 0.00| 1.00| 1.00| 1.00| 0.00| 0.00| 40.00| 0.00| 0.00 Kosten | 0.00| 40.00|120.00| 0.00| 1.00| 0.00|2400.0| 0.00| 0.00 Zeit | 0.00| 7.00| 12.00| 0.00| 0.00| 1.00|312.00| 0.00| 0.00 Zielfunkt.| 1.00|-100.0|-250.0| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00 Simplextableau Maximierung in Pivotschritt 1, Pivotelement = (1, 2) Bezeichnun| z |Rueben|Weizen|Acker |Kosten|Zeit | R | q | Faktor Acker | 0.00| 0.67| 0.00| 1.00| -0.01| 0.00| 20.00| 40.00| 1.00 Kosten | 0.00| 0.33| 1.00| 0.00| 0.01| 0.00| 20.00| 20.00| 0.00 Zeit | 0.00| 3.00| 0.00| 0.00| -0.10| 1.00| 72.00| 26.00| 12.00 Zielfunkt.| 1.00|-16.67| 0.00| 0.00| 2.08| 0.00| 5000.| 0.00| -250.00 z = 5000.00 Rueben = 0.00 Weizen = 20.00 Acker = 20.00 Kosten = 0.00 Zeit = 72.00 Simplextableau Maximierung in Pivotschritt 2, Pivotelement = (2, 1) Bezeichnun| z |Rueben|Weizen|Acker |Kosten|Zeit | R | q | Faktor Acker | 0.00| 0.00| 0.00| 1.00| 0.01| -0.22| 4.00| 30.00| 0.67 Kosten | 0.00| 0.00| 1.00| 0.00| 0.02| -0.11| 12.00| 60.00| 0.33 Zeit | 0.00| 1.00| 0.00| 0.00| -0.03| 0.33| 24.00| 24.00| 0.00 Zielfunkt.| 1.00| 0.00| 0.00| 0.00| 1.53| 5.56| 5400.| 0.00|-16.67 z = 5400.00 Rueben = 24.00 Weizen = 12.00 Acker = 4.00 Kosten = 0.00 Zeit = 0.00
Interpretation:
Auf 24 Hektar werden Rüben, auf 12 Hektar wird Weizen angebaut.
4 Hektar bleiben brach oder können verpachtet werden. Da Kosten und Zeit ausgenutzt werden, müsste Bauer Paul Kredite aufnehmen und zusätzlich Personal einstellen oder Lohnbearbeitung einsetzen, um die restlichen 4 Hektar zu bearbeiten.
![Page 22: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/22.jpg)
Skript Lineare Programmierung Seite 22
Lineare Optimierung
9.4 Beispiel: Möbelhersteller, komplexe Minimierung
Ein Möbelhersteller produziert hochwertige Betten, welche wegen ihrer hohen Belastbarkeit bevorzugt an exponierte Beamte und Angestellte öffentlicher Hochschulen abgesetzt werden. Für die Produktion eines Loses werden 16 Platten der Größe A, 12 Platten der Größe B, 8 Platten der Größe C, 4 Platten der Größe D benötigt. Der Hersteller wird mit 2 Plattentypen beliefert. Typ 1 lässt sich in je 2 Platten vom Typ A und je eine Platte der Typen B, C und E aufteilen. Typ 2 liefert je 2 Platten der Typen B und D sowie je 1 Platte der Typen A und C. Der Preis einer Platte vom Type 1 beträgt 300€; eine Platte vom Typ 2 kostet 200€. Aus betrieblichen Gründen sollen höchstens 12 Platten der Größe D und maximal 5 Platten der Größe E als Rest übrig bleiben. Von Typ A sind noch 6 Platten im Lager verfügbar. Optimieren Sie den Einkauf nach den Kosten unter Einhaltung der Randbedingungen.
Gleichungssystem:
16 Platten vom Typ A: 2 T1 + T2 - minA = 16 – 6 = 10 | 6 Platten noch auf Lager
12 Platten vom Typ B: T1 + 2 T2 - minB = 12
8 Platten vom Typ C: T1 + T2 - minC = 8
4 Platten vom Typ D: 0 T1 + 2 T2 – minD = 4
max D im Lager: 0 T1 + 2 T2 + maxD = 12 + 4 = 16 | 4 Platten werden verbraucht
max E im Lager: T1 + 0 T2 + maxE = 5
T1, T2, min* ≥ 0
Zielfunktion: z = 300 T1 + 200 T2
Phase 1: Ausgangsmatrix Bezeichn| z | Typ 1| Typ 2| min A| min B| min C| min D| max D| max E| R | q | Faktor A | 0.00| 2.00| 1.00| -1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 10.00| 0.00| 0.00 B | 0.00| 1.00| 2.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 12.00| 0.00| 0.00 C | 0.00| 1.00| 1.00| 0.00| 0.00| -1.00| 0.00| 0.00| 0.00| 8.00| 0.00| 0.00 D1 | 0.00| 0.00| 2.00| 0.00| 0.00| 0.00| -1.00| 0.00| 0.00| 4.00| 0.00| 0.00 D2 | 0.00| 0.00| 2.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 16.00| 0.00| 0.00 E | 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 5.00| 0.00| 0.00 Z | 1.00| -300.| -200.| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00
Phase 1: 4 zusaetzliche Hilfsvariablen Anfangszustand Bezeichnun|z |Typ 1 |Typ 2 |min A |min B |min C |min D |max D |max E | a1 | a2 | 3 | a4 | R | q |Faktor A | 0.00 | 2.00| 1.00| -1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 10.00| 0.00| 0.00 B | 0.00| 1.00| 2.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 12.00| 0.00| 0.00 C | 0.00| 1.00| 1.00| 0.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 8.00| 0.00| 0.00 D1 | 0.00| 0.00| 2.00| 0.00| 0.00| 0.00| -1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 4.00| 0.00| 0.00 D2 | 0.00| 0.00| 2.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 16.00| 0.00| 0.00 E | 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 5.00| 0.00| 0.00 Z | 1.00| 4.00| 6.00| -1.00| -1.00| -1.00| -1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 34.00| 0.00| 0.00
![Page 23: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/23.jpg)
Skript Lineare Programmierung Seite 23
Lineare Optimierung
Simplextableau Minimierung in Pivotschritt 1, Pivotelement = (3, 2) Bezeichnun|z |Typ 1 |Typ 2 |min A |min B |min C |min D |max D |max E | a1 | a2 | a3 | a4 | R | q |Faktor A | 0.00| 2.00| 0.00| -1.00| 0.00| 0.00| 0.50| 0.00| 0.00| 1.00| 0.00| 0.00| -0.50| 8.00| 10.00| 1.00 B | 0.00| 1.00| 0.00| 0.00| -1.00| 0.00| 1.00| 0.00| 0.00| 0.00| 1.00| 0.00| -1.00| 8.00| 6.00| 2.00 C | 0.00| 1.00| 0.00| 0.00| 0.00| -1.00| 0.50| 0.00| 0.00| 0.00| 0.00| 1.00| -0.50| 6.00| 8.00| 1.00 D1 | 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| -0.50| 0.00| 0.00| 0.00| 0.00| 0.00| 0.50| 2.00| 2.00| 0.00 D2 | 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 1.00| 0.00| 0.00| 0.00| 0.00| -1.00| 12.00| 8.00| 2.00 E | 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 5.00|######| 0.00 Z | 1.00| 4.00| 0.00| -1.00| -1.00| -1.00| 2.00| 0.00| 0.00| 0.00| 0.00| 0.00| -3.00| 22.00| 0.00| 6.00 z = 22.00 Typ 1 = 0.00 Typ 2 = 2.00 min A = 0.00 min B = 0.00 min C = 0.00 min D = 0.00 max D = 12.00 max E = 5.00 a1 = 8.00 a2 = 8.00 a3 = 6.00 a4 = 0.00
Simplextableau Minimierung in Pivotschritt 2, Pivotelement = (0, 1) Bezeichnun|z |Typ 1 |Typ 2 |min A |min B |min C |min D |max D |max E | a1 | a2 | a3 | a4 | R | q |Faktor A | 0.00| 1.00| 0.00| -0.50| 0.00| 0.00| 0.25| 0.00| 0.00| 0.50| 0.00| 0.00| -0.25| 4.00| 4.00| 0.00 B | 0.00| 0.00| 0.00| 0.50| -1.00| 0.00| 0.75| 0.00| 0.00| -0.50| 1.00| 0.00| -0.75| 4.00| 8.00| 1.00 C | 0.00| 0.00| 0.00| 0.50| 0.00| -1.00| 0.25| 0.00| 0.00| -0.50| 0.00| 1.00| -0.25| 2.00| 6.00| 1.00 D1 | 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| -0.50| 0.00| 0.00| 0.00| 0.00| 0.00| 0.50| 2.00|######| 0.00 D2 | 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 1.00| 0.00| 0.00| 0.00| 0.00| -1.00| 12.00|######| 0.00 E | 0.00| 0.00| 0.00| 0.50| 0.00| 0.00| -0.25| 0.00| 1.00| -0.50| 0.00| 0.00| 0.25| 1.00| 5.00| 1.00 Z | 1.00| 0.00| 0.00| 1.00| -1.00| -1.00| 1.00| 0.00| 0.00| -2.00| 0.00| 0.00| -2.00| 6.00| 0.00| 4.00 z = 6.00 Typ 1 = 4.00 Typ 2 = 2.00 min A = 0.00 min B = 0.00 min C = 0.00 min D = 0.00 max D = 12.00 max E = 1.00 a1 = 0.00 a2 = 4.00 a3 = 2.00 a4 = 0.00
Simplextableau Minimierung in Pivotschritt 3, Pivotelement = (5, 3) Bezeichnun|z |Typ 1 |Typ 2 |min A |min B |min C |min D |max D |max E | a1 | a2 | a3 | a4 | R | q |Faktor A | 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 5.00| -8.00| -0.50 B | 0.00| 0.00| 0.00| 0.00| -1.00| 0.00| 1.00| 0.00| -1.00| 0.00| 1.00| 0.00| -1.00| 3.00| 8.00| 0.50 C | 0.00| 0.00| 0.00| 0.00| 0.00| -1.00| 0.50| 0.00| -1.00| 0.00| 0.00| 1.00| -0.50| 1.00| 4.00| 0.50 D1 | 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| -0.50| 0.00| 0.00| 0.00| 0.00| 0.00| 0.50| 2.00|######| 0.00 D2 | 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 1.00| 0.00| 0.00| 0.00| 0.00| -1.00| 12.00|######| 0.00 E | 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| -0.50| 0.00| 2.00| -1.00| 0.00| 0.00| 0.50| 2.00| 2.00| 0.00 Z | 1.00| 0.00| 0.00| 0.00| -1.00| -1.00| 1.50| 0.00| -2.00| -1.00| 0.00| 0.00| -2.50| 4.00| 0.00| 1.00 z = 4.00 Typ 1 = 5.00 Typ 2 = 2.00 min A = 2.00 min B = 0.00 min C = 0.00 min D = 0.00 max D = 12.00 max E = 0.00 a1 = 0.00 a2 = 3.00 a3 = 1.00 a4 = 0.00
Simplextableau Minimierung in Pivotschritt 4, Pivotelement = (2, 6) Bezeichnun|z |Typ 1 |Typ 2 |min A |min B |min C |min D |max D |max E | a1 | a2 | a3 | a4 | R | q |Faktor A | 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 5.00|######| 0.00 B | 0.00| 0.00| 0.00| 0.00| -1.00| 2.00| 0.00| 0.00| 1.00| 0.00| 1.00| -2.00| 0.00| 1.00| 3.00| 1.00 C | 0.00| 0.00| 0.00| 0.00| 0.00| -2.00| 1.00| 0.00| -2.00| 0.00| 0.00| 2.00| -1.00| 2.00| 2.00| 0.00 D1 | 0.00| 0.00| 1.00| 0.00| 0.00| -1.00| 0.00| 0.00| -1.00| 0.00| 0.00| 1.00| 0.00| 3.00| -4.00| -0.50 D2 | 0.00| 0.00| 0.00| 0.00| 0.00| 2.00| 0.00| 1.00| 2.00| 0.00| 0.00| -2.00| 0.00| 10.00| 12.00| 1.00 E | 0.00| 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 1.00| -1.00| 0.00| 1.00| 0.00| 3.00| -4.00| -0.50 Z | 1.00| 0.00| 0.00| 0.00| -1.00| 2.00| 0.00| 0.00| 1.00| -1.00| 0.00| -3.00| -1.00| 1.00| 0.00| 1.50 z = 1.00 Typ 1 = 5.00 Typ 2 = 3.00 min A = 3.00 min B = 0.00 min C = 0.00 min D = 2.00 max D = 10.00 max E = 0.00 a1 = 0.00 a2 = 1.00 a3 = 0.00 a4 = 0.00
![Page 24: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/24.jpg)
Skript Lineare Programmierung Seite 24
Lineare Optimierung
Simplextableau Minimierung in Pivotschritt 5, Pivotelement = (1, 5) Bezeichnun|z |Typ 1 |Typ 2 |min A |min B |min C |min D |max D |max E | a1 | a2 | a3 | a4 | R | q |Faktor A | 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 5.00|######| 0.00 B | 0.00| 0.00| 0.00| 0.00| -0.50| 1.00| 0.00| 0.00| 0.50| 0.00| 0.50| -1.00| 0.00| 0.50| 0.50| 0.00 C | 0.00| 0.00| 0.00| 0.00| -1.00| 0.00| 1.00| 0.00| -1.00| 0.00| 1.00| 0.00| -1.00| 3.00| -1.00| -2.00 D1 | 0.00| 0.00| 1.00| 0.00| -0.50| 0.00| 0.00| 0.00| -0.50| 0.00| 0.50| 0.00| 0.00| 3.50| -3.00| -1.00 D2 | 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1.00| 1.00| 0.00| -1.00| 0.00| 0.00| 9.00| 5.00| 2.00 E | 0.00| 0.00| 0.00| 1.00| -0.50| 0.00| 0.00| 0.00| 1.50| -1.00| 0.50| 0.00| 0.00| 3.50| -3.00| -1.00 Z | 1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| -1.00| -1.00| -1.00| -1.00| 0.00| 0.00| 2.00 z = 0.00 Typ 1 = 5.00 Typ 2 = 3.50 min A = 3.50 min B = 0.00 min C = 0.50 min D = 3.00 max D = 9.00 max E = 0.00 a1 = 0.00 a2 = 0.00 a3 = 0.00 a4 = 0.00
Die Hilfsvariablen a1, a2, a3 sind minimiert. Der Wert der Hilfszielfunktion ist 0. Damit ist die 1. Phase beendet.
Anfang 2. Phase Bezeichn| z | Typ 1| Typ 2| min A| min B| min C| min D| max D| max E| R | q | Faktor A | 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 5.00| 0.00| 0.00 B | 0.00| 0.00| 0.00| 0.00| -0.50| 1.00| 0.00| 0.00| 0.50| 0.50| 0.00| 0.00 C | 0.00| 0.00| 0.00| 0.00| -1.00| 0.00| 1.00| 0.00| -1.00| 3.00| 0.00| 0.00 D1 | 0.00| 0.00| 1.00| 0.00| -0.50| 0.00| 0.00| 0.00| -0.50| 3.50| 0.00| 0.00 D2 | 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1.00| 1.00| 9.00| 0.00| 0.00 E | 0.00| 0.00| 0.00| 1.00| -0.50| 0.00| 0.00| 0.00| 1.50| 3.50| 0.00| 0.00 Z | 1.00| -300.| -200.| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00
Die Koeffizienten in der ursprünglichen Zielfunktion sind noch auf den Ursprung Typ1 = 0 und Typ2 = 0 ausgerichtet. Wir müssen die Zielfunktion umformen, indem wir mit der Zielfunktion geeignete Pivotschritte durchführen, um die Koeffizienten in den Spalten der Basisvariablen auf den Wert Null bringen.
2. Phase Zielfunktion umgeformt Bezeichn| z | Typ 1| Typ 2| min A| min B| min C| min D| max D| max E| R | q | Faktor A | 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 5.00| 0.00| 0.00 B | 0.00| 0.00| 0.00| 0.00| -0.50| 1.00| 0.00| 0.00| 0.50| 0.50| 0.00| 0.00 C | 0.00| 0.00| 0.00| 0.00| -1.00| 0.00| 1.00| 0.00| -1.00| 3.00| 0.00| 0.00 D1 | 0.00| 0.00| 1.00| 0.00| -0.50| 0.00| 0.00| 0.00| -0.50| 3.50| 0.00| 0.00 D2 | 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1.00| 1.00| 9.00| 0.00| 0.00 E | 0.00| 0.00| 0.00| 1.00| -0.50| 0.00| 0.00| 0.00| 1.50| 3.50| 0.00| 0.00 Z | 1.00| 0.00| 0.00| 0.00|-100.00| 0.00| 0.00| 0.00|200.00|2200.00| 0.00| 0.00
Wir lesen jetzt die Basislösung ( 5, 3.5; 3.5, 0, 0.5, 3, 9, 0) ab. Diese Lösung ist mathematisch zulässig, funktional aber nicht, da wir keine halben Platten verbauen. Zu Beginn der Optimierung stört das jedoch nicht. Wir bestellen demnach 5 Platten des Typs 1 und 3.5 Platten des Typs 2. Damit haben wir 3.5 Platten des Typs A, 0.5 Platten des Typs B und 3 Platten des Typs D zu viel. Die Menge für Typ C reicht genau für die Produktion eines Loses. Wir können noch 9 zusätzliche Platten von Typ D lagern. Die Lagerkapazität für Typ E ist ausgeschöpft. Die Kosten z für die Platten betragen 2200€
![Page 25: Lineare Optimierung - Hochschule Trierpublic.hochschule-trier.de/~rudolph/MatheMaster/LinOpt.pdf · 2008. 1. 17. · Lineare Optimierung 1 Einleitung Das folgende Skript soll dazu](https://reader033.vdocuments.net/reader033/viewer/2022052817/60b0264f3ffee53ed62f284c/html5/thumbnails/25.jpg)
Skript Lineare Programmierung Seite 25
Lineare Optimierung
Anfangszustand Bezeichnun| z | Typ 1| Typ 2| min A| min B| min C| min D| max D| max E| R | q | Faktor A | 0.00| 1.00| 0.00| 0.00| 0.00| 0.00| 0.00| 0.00| 1.00| 5.00| 0.00| 0.00 B | 0.00| 0.00| 0.00| 0.00| -0.50| 1.00| 0.00| 0.00| 0.50| 0.50| 0.00| 0.00 C | 0.00| 0.00| 0.00| 0.00| -1.00| 0.00| 1.00| 0.00| -1.00| 3.00| 0.00| 0.00 D1 | 0.00| 0.00| 1.00| 0.00| -0.50| 0.00| 0.00| 0.00| -0.50| 3.50| 0.00| 0.00 D2 | 0.00| 0.00| 0.00| 0.00| 1.00| 0.00| 0.00| 1.00| 1.00| 9.00| 0.00| 0.00 E | 0.00| 0.00| 0.00| 1.00| -0.50| 0.00| 0.00| 0.00| 1.50| 3.50| 0.00| 0.00 Z | 1.00| 0.00| 0.00| 0.00| -100.00| 0.00| 0.00| 0.00|200.00| 2200.00| 0.00| 0.00
Simplextableau Minimierung in Pivotschritt 1, Pivotelement = (1, 8) Bezeichnun| z | Typ 1| Typ 2| min A| min B| min C| min D| max D| max E| R | q | Faktor A | 0.00| 1.00| 0.00| 0.00| 1.00| -2.00| 0.00| 0.00| 0.00| 4.00| 5.00| 1.00 B | 0.00| 0.00| 0.00| 0.00| -1.00| 2.00| 0.00| 0.00| 1.00| 1.00| 1.00| 0.00 C | 0.00| 0.00| 0.00| 0.00| -2.00| 2.00| 1.00| 0.00| 0.00| 4.00| -3.00| -1.00 D1 | 0.00| 0.00| 1.00| 0.00| -1.00| 1.00| 0.00| 0.00| 0.00| 4.00| -7.00| -0.50 D2 | 0.00| 0.00| 0.00| 0.00| 2.00| -2.00| 0.00| 1.00| 0.00| 8.00| 9.00| 1.00 E | 0.00| 0.00| 0.00| 1.00| 1.00| -3.00| 0.00| 0.00| 0.00| 2.00| 2.33| 1.50 Z | 1.00| 0.00| 0.00| 0.00|100.00| -400.| 0.00| 0.00| 0.00| 2000.| 0.00|200.00 z = 2000.00 Typ 1 = 4.00 Typ 2 = 4.00 min A = 2.00 min B = 0.00 min C = 0.00 min D = 4.00 max D = 8.00 max E = 1.00
Der Möbelhersteller beschafft 4 Platten des Typs 1 sowie 4 Platten des Typs 2. Von Typ A bleiben 2, von Typ C 4 Platten übrig. Typ B und C werden genau in der benötigten Menge produziert. Die verfügbare Lagerkapazität für D beträgt 4, für E 1 Platte.
Die Kosten betragen 2000€.
Simplextableau Minimierung in Pivotschritt 2, Pivotelement = (5, 4) Bezeichnun| z | Typ 1| Typ 2| min A| min B| min C| min D| max D| max E| R | q | Faktor A | 0.00| 1.00| 0.00| -1.00| 0.00| 1.00| 0.00| 0.00| 0.00| 2.00| 4.00| 1.00 B | 0.00| 0.00| 0.00| 1.00| 0.00| -1.00| 0.00| 0.00| 1.00| 3.00| -1.00| -1.00 C | 0.00| 0.00| 0.00| 2.00| 0.00| -4.00| 1.00| 0.00| 0.00| 8.00| -2.00| -2.00 D1 | 0.00| 0.00| 1.00| 1.00| 0.00| -2.00| 0.00| 0.00| 0.00| 6.00| -4.00| -1.00 D2 | 0.00| 0.00| 0.00| -2.00| 0.00| 4.00| 0.00| 1.00| 0.00| 4.00| 4.00| 2.00 E | 0.00| 0.00| 0.00| 1.00| 1.00| -3.00| 0.00| 0.00| 0.00| 2.00| 2.00| 0.00 Z | 1.00| 0.00| 0.00| -1000| 0.00| -100.| 0.00| 0.00| 0.00| 1800.| 0.00|100.00 z = 1800.00 Typ 1 = 2.00 Typ 2 = 6.00 min A = 0.00 min B = 2.00 min C = 0.00 min D = 8.00 max D = 4.00 max E = 3.00
Interpretation:
Der Möbelhersteller kauft 2 Platten vom Typ 1 und 6 Platten vom Typ 2.
Die Kosten für die Platten betragen 1800€.
Dabei bleiben 2 Platten vom Typ B, 8 Platten von Typ D und (5 – 2) = 3 Platten vom Typ E übrig.
Nach Ausführung des Auftrags beträgt die verfügbare Lagerkapazität für Platten vom Typ D 4 Platten und vom Typ E 3 Platten.