• Keine Ergebnisse gefunden

Probeklausur zum Selbstlernen - Einf¨ uhrung in die Mathematische Optimierung

N/A
N/A
Protected

Academic year: 2022

Aktie "Probeklausur zum Selbstlernen - Einf¨ uhrung in die Mathematische Optimierung"

Copied!
3
0
0

Wird geladen.... (Jetzt Volltext ansehen)

Volltext

(1)

Prof. Dr. Volker Kaibel M.Sc. Jonas Frede

Wintersemester 2019/2020

Probeklausur zum Selbstlernen - Einf¨ uhrung in die Mathematische Optimierung

www.math.uni-magdeburg.de/institute/imo/teaching/wise19/emo/

Richtige Klausur am 30.01.2020

Nachname: ...

Vorname: ...

Matrikelnr: ...

Bitte beachten:

• Schreiben Sie auf jedes Blatt Ihren Namen und Matrikelnummer!

• Bitte beginnen Sie jede Aufgabe mit einem neuen Blatt.

• Alle Aussagen m¨ussen sorgf¨altig begr¨undet werden.

• Die Bearbeitungszeit betr¨agt 90 Minuten.

Viel Erfolg!

Aufgabe 1 2 3 4 5 6 ∑

max. P. 6 4 6 4 6 6 32

Punkte

(2)

Einf¨uhrung in die Mathematische Optimierung – Probeklausur zum Selbstlernen -S. 1/2

Aufgabe 1 (6 Punkte)

L¨ose das folgende LP mit dem Simplex-Verfahren. Verwende dazu als Startbasis die ersten drei Spalten.

max x1 + 2x4 − 2x5 − 2x6

x1 + x4 − x6 = 2

x2 − x4 − 3x5 = 1

x3 + 2x4 − 3x6 = 6

x1, . . . , x6 ≥ 0

Aufgabe 2 (4 Punkte)

Wir betrachten das folgende Optimierungsproblem:

max x+y

s.t. (x−1)2+ (y−2)2 ≤ 1 (x−2)2+ (y−1)2 ≤ 1 (x−3)2+ (y−3)2 ≤ 4.

Uberpr¨¨ ufe die Karush-Kuhn-Tucker-Bedingungen f¨ur den Punkt (2,2); ist dieser Punkt globales Maximum des Optimierungsproplems?

Aufgabe 3 (6 Punkte)

Sei X = {x1, . . . , xl} eine endliche Menge mit x1, . . . , xl∈Rn.

(a) Formulieren Sie das Problem, zu entscheiden, ob ein gegebener Vektor ˜xin conv(X) liegt, als LP.

(b) Beweisen Sie, dass

⎛⎜

⎝ 1 1 1

⎞⎟

⎠∉conv

⎛⎜

⎛⎜

⎝ 0 0 0

⎞⎟

⎠,

⎛⎜

−1 2 0

⎞⎟

⎠,

⎛⎜

⎝ 0

−1 2

⎞⎟

⎠,

⎛⎜

⎝ 2

−10

⎞⎟

⎞⎟

⎠.

Aufgabe 4 (3+1 Punkte)

Dualisiere das im Folgenden beschriebene lineare Programm. Es seiG= (V, E)ein (unge- richteter, einfacher) Graph. Das LP hat zu jeder Kante e∈E eine Variable xe. F¨urv ∈V sei N(v) = {v∈V ∶ {v, v} ∈E} die Menge aller zu v benachbarten Knoten. Es ist ∑

e∈Exe zu minimieren unter den Nebenbedingungen:

u∈N(v)

x{u,v} ≥ 1 f¨ur alle v∈V xe ≥ 0 f¨ur alle e∈E.

Beschreibe das duale Problem auf kombinatorische Weise und nicht nur durch eine trans- ponierte Matrix!

Zeige ausserdem, dass ∑

e∈Exe≥α gilt, wennα die Stabilit¨atszahl des Graphen ist.

Hinweis: Die Stabilit¨atszahl ist die Anzahl an Knoten in der/einer gr¨oßten stabilen Menge des Graphen. Eine stabile Menge ist eine Menge von Knoten, die untereinander nicht durch Kanten verbunden sind.

(3)

Einf¨uhrung in die Mathematische Optimierung – Probeklausur zum Selbstlernen -S. 2/2

Aufgabe 5 (6 Punkte)

Gegeben sei ein (einfacher, ungerichteter) Graph G mit Knotenmenge V und Kanten- menge E und ein Vektor b ∈ RV+. F¨ur einen Knoten v bezeichne N(v) die Menge der Nachbarknoten von v. Wir wollen jedem Knoten v eine nicht-negative reelle Zahl xv ≥0 zuweisen. Dabei soll folgendes gelten:

u∈N(v)

xu ≤ bv ∀v∈V

w∈V

xw ≥ 1 Zeige folgendes:

Existiert kein solcher Vektor x, so gibt es ein λ∈RV, so dass f¨ur alle v∈V gilt:

u∈N(v)

λu≥1+ ∑

w∈V λwbw

Aufgabe 6 (6 Punkte)

Entscheide ¨uber die Korrektheit jeder der folgenden Aussagen. Falls sie falsch sind, gib eine ¨ahnliche, aber korrekte Aussage oder ein Gegenbeispiel an.

(a) F¨ur alle A, B⊆Rn gilt: conv(A∪B) =conv(A) ∪conv(B).

(b) Sei X ⊆Rn und x ∈conv(X). Dann gilt x ∈conv(x1, . . . , xk) f¨ur jede Menge von affin unabh¨angigen Punkten x1, . . . , xk∈X mit k =n+1.

(c) SeiA⊆Rn konvex und abgeschlossen und seien x, y∈A.

Dann gilt λx+ (1−λ)y∈int(A) f¨ur alle 0<λ<1.

(d) SeiX ⊆Rn und ˜x∈Rn. Falls ˜x∉conv(X), so existiert einu∈Rn mit ⟨x, u⟩ ≤1 f¨ur alle x∈X und ⟨˜x, u⟩ >1.

(e) Ist ein LP unzul¨assig, so ist das dazugeh¨orige duale LP unbeschr¨ankt.

(f) Im Simplex-Algorithmus mit der Bland-Regel f¨uhrt jeder Basiswechsel zu einer echten Verbesserung des Zielfunktionswerts der jeweils aktuellen Basisl¨osung.

Referenzen

ÄHNLICHE DOKUMENTE

Der i-te Auftrag besteht darin, Papierrollen der Breite β i &gt; 0 und der Gesamtl¨ ange mindestens λ i &gt; 0 zu erstellen (es ist erlaubt, mehrere Papierrollen der Brei- te β i

[r]

Zudem beachten Sie, dass ein LP unzul¨ assig oder unbeschr¨ ankt sein kann, was von Ihrem Code erkannt werden soll. Die L¨ osungen dieser Aufgabe sollen per Email

Im Simplex-Algorithmus mit der Bland-Regel f¨ uhrt jeder Basiswechsel zu einer echten Verbesserung des Zielfunktionswerts der jeweils aktuellen Basisl¨ osung.. Die folgenden

In beiden F¨ allen sollen f¨ ur das entsprechende LP nicht einfach Symbole f¨ ur Matri- zen/Vektoren, sondern einzelne (Un-)Gleichungen (quantifiziert mit “f¨

Beweise Bemerkung 2.8, Teil 1: Die konvexe H¨ ulle von X ⊆ R n ist die Menge der konvexen Kombinationen von endlich vielen Punkten aus X. Aufgabe 6

Falls dann keine Darstellung existiert, helfen die gewonnenen Farkas-Multiplizierer, einen Widerspruch

(1) Eine Variable, die gerade in die Basis (Gleichungsformat!) eingetreten ist, kann die Basis beim n¨ achsten Schritt wieder verlassen. (2) Falls keine Basisl¨ osung degeneriert