• Keine Ergebnisse gefunden

Einf¨ uhrung in die Mathematische Optimierung – Blatt 3

N/A
N/A
Protected

Academic year: 2022

Aktie "Einf¨ uhrung in die Mathematische Optimierung – Blatt 3"

Copied!
2
0
0

Wird geladen.... (Jetzt Volltext ansehen)

Volltext

(1)

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

Wintersemester 2019/2020

Einf¨ uhrung in die Mathematische Optimierung – Blatt 3

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

Abgabe in der ¨Ubung am 14.11.2019 oder vorher in G02-207a

Aufgabe 1 (4 Punkte)

Ein Krankenhaus m¨ochte ¨Arzte einstellen, sodass an jedem der Wochentage 1,2, . . . ,7 eine Mindestanzahl an ¨Arzten di ∈ N (i = 1,2, . . . ,7) verf¨ugbar ist. Jeder Arzt arbeitet f¨ur die zu planende Zeit jede Woche an den selben 5 aufeinanderfolgenden Tagen, wobei Tag 1 auf Tag 7 folgt, und ruht sich an den verbliebenen 2 Tagen aus.

Modelliere das Problem, m¨oglichst wenig ¨Arzte einzustellen, als ganzzahliges lineares Optimierungsproblem (also ein lineares Optimierungsproblem mit der Restriktion, dass nur ganzzahlige L¨osungsvektoren erlaubt sind). Erkl¨are, warum der Optimalwert Deines Modells tats¨achlich gleich der minimalen Anzahl einzustellender ¨Arzte ist.

Aufgabe 2 (5 Punkte)

Durch die Definition

⟨A, B⟩ =

n

i,j=1aijbij = tr(AB) =tr(AB)

f¨ur Matrizen A = (aij), B = (bij) ∈ Rn×n ist ein Skalarprodukt auf Rn×n definiert (das Frobenius-Skalarprodukt), wobei tr(C) = ∑ni=1cii die Spur vonC ∈Rn×n ist. SeiSn⊆Rn×n der Untervektorraum der symmetrischen Matrizen, und sei Sn+⊆Sn die Menge aller po- sitiv semidefiniten symmetrischen n×n-Matrizen.

Beweise, dass(Sn+)∩Sn= −Sn+f¨ur den bez¨uglich des oben definierten Skalarprodukts inSn gebildeten polaren Kegel von Sn+ gilt (in Sn ist der polare Kegel der positiv semidefiniten symmetrischen Matrizen also genau der Kegel der negativ semidefiniten symmetrischen Matrizen).

Hinweis: Ist A ∈ Sn+ und bilden z(1), . . . , z(n) ∈ Rn eine Orthonormalbasis von Rn aus Eigenvektoren von A(mit zugeh¨origen Eigenwerten λi), so istA= ∑ni=1λiz(i)z(i)⊺. Umge- kehrt ist f¨urz∈Rn die Matrixzz positiv semidefinit.

S. 1/2

(2)

Einf¨uhrung in die Mathematische Optimierung – Blatt 3 S. 2/2

Aufgabe 3 (4 Punkte)

Wie kann man ein lineares Optimierungsproblem

min{⟨c, x⟩ ∶Ax=b, x≥On}

(mit A∈Rm×n, b∈Rm und c∈Rn) als ein semidefinites Optimierungsproblem (wie in der Ubung besprochen) formulieren?¨

Definition zur Erinnerung: Ein semidefinites Optimierungsproblem ist ein Problem der Form

min{⟨C, X⟩ ∶ ⟨A(k), X⟩ =b(k) ∀k∈ [m], X ∈Sn+}

(mitA(k)∈Rn×n ∀k∈ [m],b∈Rm undC ∈Rn×n), wobei⟨⋅,⋅⟩das Frobenius-Skalarprodukt aus der vorherigen Aufgabe ist.

Hinweis: Identifiziere den Rn mit der Menge der Diagonalmatrizen inRn×n und f¨uge ge- eignete Gleichungen hinzu, umAx=bundx≥On(mit Hilfe der positiven Semidefinitheit der Matrix) zu erzwingen.

Aufgabe 4 (3 Punkte)

Beweise Bemerkung 2.36: Der polare Kegel eines Kegels ist ein abgeschlossener konvexer Kegel.

Aufgabe 5 (3 Punkte)

Beweise Satz 2.38: F¨ur jeden abgeschlossenen konvexen Kegel K gilt: K○○=K.

Referenzen

ÄHNLICHE DOKUMENTE

Zeige, dass die zus¨ atzliche Kompaktheitsforderung im Satz von Helly f¨ ur unendliche Men- genfamilien notwendig ist, d.h., konstruiere jeweils eine Folge von. (a) abgeschlossenen

[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¨

• Jeder Schlitten wird entweder von einem Weihnachtsmann oder von einem Postbe- amten besetzt (da wir reell rechnen sind auch Konvexkombinationen erlaubt).. • Jeder Schlitten wird

(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

(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