Beruflich Dokumente
Kultur Dokumente
Nur die Kästen ankreuzen die richtig sind! Wie bei dem multiple choice Teil der echten Klausur
muss man nicht Begründen (es hilft aber sich zu überlegen, warum es stimmt oder nicht. Man sollte
im Normalfall immer eine Antwort darauf haben außer bei den ganz abgefahrenen Sachen wo leider
nur auswendig lernen hilft.)
1. Gradientenverfahren
1. ∇f (x) = 0 ist eine notwendige Bedingung
2. Ist f konkav, ist ∇f (x) = 0 eine hinreichende Bedingung
3. Die Gleichung ∇f (x) = 0 führt oft zu einem nicht linearen Gleichungssystem das gelöst werden
muss
4. Der Startpunkt für den Gradientenabstieg kann beliebig gewählt werden
5. Der Startpunkt hat Einfluss auf die Schrittanzahl die das Verfaahren benötigt
6. Der direkte Weg zum Optimum muss nicht immer der kürzeste sein
7. Die Wahl der Schrittweite ist wichtig für Konvergenz und Effizienz
8. Besonders bei flachen Gradienten sollte man die Schrittweite möglichst klein wählen
9. Oft ist es besser suboptimale Schrittweiten zu wählen die die Konvergenz garantieren als die
optimalste Schrittweite zu bestimmen
10. Die Reduktion des Funktionswertes in jedem Schritt garantiert Konvergenz
11. Die Differenzierbarkeit der Funktion ist nur wichtig um den gradienten zu bestimmen, nicht für
die Konvergenz des Verfahrens
12. Das CG Verfahren braucht immer genau n Schritte zum Ziel
13. Dass CG Verfahren kann zum lösen linearer Gleichungssysteme benutzt werden
14. Für kleinere Konditionszahlen ist das CG Verfahren effizienter
15. Umso allgemeiner die Funktion, umso besser läuft das CG Verfahren ab
1
ein lineares Gleichungssystem lösen
16. Das Gauss-Newton verfahren approximiert wieder die Hesse-Matrix und nutzt dabei die spezielle
Form der Problemstruktur von least square Problemen aus
4. Lineare Programme
1. Bei linearen Programmen muss nur die Zielfunktion linear sein
2. Falls es ein Minimum gibt, so liegt es auf dem Rand des von den Nebenbedingungen aufgespannten
Polyeders
3. Ohne Nebenbedingungen hat ein lineares Programm immer garantiert eine Lösung
4. Ist der Polyeder die leere Menge, ist das lineare Programm ungültig
5. Ist der Polyeder in negativer Richtung von c offen, ist das lineare Programm ungültig
6. Jedes lineare Programm lässt sich in Standardform überführen
7. Die KKT Bedingungen sind bei linearen Programmen hinreichend
8. Das duale Problem eines linearen Programms ist ein quadratisches Programm
9. Ist das duale Problem lösbar, so auch das primale
10. Ist das eine Problem unbeschränkt, so ist das andere ungültig
11. Das Simplex Verfahren benötigt die Standardform
12. Die Basislösung ist die optimalste Lösung
13. Eine initiale Basislösung lässt sich durch lösen eines linearen Programms finden
14. Um den Aufwand der invertierung zu reduzieren, zerlegt man die Matrix B in eine obere und
untere Dreiecksmatrix
2
5. Problemstellungen und Nicht lineare Optimierung
5.1 Betrachte das folgende Problem:
max3 f (x) = 10x1 + 7x2 + 9x3
x∈R
5.2.1. Die Funktion lässt sich in die Form f (x) = 12 x> Qx + g > x überführen. Geben sie dabei
die Matrix Q und den Vektor g an.
5.2.2. Die Nebenbedingung ist aktiv
5.2.3. Das Problem erfüllt die Vorraussetzungen für starke dualität (Selber keinen Plan lol :D)
5.3 Sei
min c> x, s.t. Ax − b = 0, x ≥ 0
x
ein lineares Programm in der Standardform. Geben sie die zu dieser Problemstellung passenden
KKT Bedingungen an.
5.4 Sei
min f (x), s.t. c(x) = 0, x ≥ 0
x
ein nicht lineares Programm in der Standardform. Geben sie die zu dieser Problemstellung passenden
KKT Bedingungen an. Was muss geändert werden um die KKT Bedingungen zu glätten?
5.5 Sei f(x) = 21 x> Qx + g > x eine linear quadratische Funktion mit Nebenbedingungen c(x) = Ax + b
und der positiv definiten Matrix Q. Geben sie an welche der folgenden Matrizen die KKT Matrix
für dieses Problem darstellt:
Q −A>
(1)
0 A
Q A
(2)
−A> 0
Q −A>
(3)
A 0
Q −A>
(4)
A −Q
5.5.1. Matrix Nummer: stimmt
5.5.2. Durch die KKT Matrix kann garantiert das globale Optimum von f (x) bestimmt werden
5.6 Führen Sie für das folgende NLP einen Schritt des Newton-Verfahrens aus: f (x) = x1 + x2 ,
c(x) = 2 − x21 − x22 mit Startwerten x1 = 0, x2 = −2, λ = 1.
3
6. Kombinatorische Optimierung
1. Für viele Probleme in der kombinatorischen Optimierung gibt es Verfahren, die das Optimum in
Polynomieller Laufzeit finden
2. Das Bipartite Graph Matching Problem lässt sich in polynomieller Laufzeit lösen
3. Beim Maximum Flow Problem sucht man den maximalen Schnitt zwischen Quelle und Senke
4. Bei Integer linearen Programmen liegen die Optima auf den Ecken der gültigen Menge
5. Das Simplex-Verfahren kann nicht benutzt werden um ein Integer linear Program exakt zu lösen
6. Durch relaxieren und rounding erhält man garantiert die globale optimale Lösung
7. Bipartite Graph Matching kann durch den Simplex Algorithmus gelöst werden
8. Durch hinzufügen neuer Nebenbedingungen bei einem Integer linear Program ist es in manchen
fällen möglich auf die exakte Ganzzahlige Lösung zu runden