Kap3 1-LPandIP

Kapitel 3: Exakte Lösung von VRPs
Literatur
Folien zur Vorlesung1

Transportlogistik
Prof. Timo Gschwind, Prof. Stefan Irnich, Dr. Christian Tilk
1
Version 2.0
1 / 57
Kapitel 3.1: (Wiederholung) Lösung LP und MIP
Literatur
Kapitel 3.1: (Wiederholung) Lösung LP und

MIP
Lesen Sie...
(Domschke und Drexl, 2007): Abschnitte 2.3-2.4 und 6

(Grünert und Irnich, 2005): Abschnitte 2.2 und 3.2-3.4
(Zimmermann, 2005): Abschnitt 3-3.3, 3.6 und 5.3
2 / 57
Literatur
Lernziele
Lernziele:
Simplexverfahren zur Lösung allgemeiner LPs prinzipiell verstehen
Eine Idee haben, welche Faktoren den Lösungsaufwand für lineare
Programme beeinflussen und was tendenziell gute Modelle ausmacht
Schnittebenenverfahren und Branch-&-Bound zur Lösung
allgemeiner gemischt-ganzzahliger Programme verstehen
Eine Idee haben, was gemischt-ganzzahlige Programme schwieriger
zu lösen macht als rein lineare Programme und was gute Modelle
auszeichnet
3 / 57
Literatur
Lösung allgemeiner LP
→ Simplexalgorithmus
4 / 57
Literatur
Wiederholung: Einführendes Beispiel

Unser “Standard-Beispiel” in Dimension 2:
Ein Betrieb produziert zwei Produkte, die durch die drei Fertigungsstufen
(I) Teilefertigung (TF) mit 80 Maschinenstunden Kapazität
(II) Vormontage (VM) mit 100 Maschinenstunden Kapazität
(III) Endmontage (EM) mit 75 Maschinenstunden Kapazität
laufen müssen.
5 / 57
Literatur

laufen müssen.
Die drei Fertigungsstufen werden durch die Produkte (unterschiedlich)
wie folgt belastet:
Produkt 1 Produkt 2
TF: 4 MStd./Stück 2 MStd./Stück
VM: 2 MStd./Stück 3 MStd./Stück
EM: 5 MStd./Stück 1 MStd./Stück
5 / 57
Literatur

laufen müssen.
Die drei Fertigungsstufen werden durch die Produkte (unterschiedlich)
wie folgt belastet:
Produkt 1 Produkt 2
TF: 4 MStd./Stück 2 MStd./Stück
VM: 2 MStd./Stück 3 MStd./Stück
EM: 5 MStd./Stück 1 MStd./Stück
Durch den Verkauf der Produkte erreicht man einen Gewinn von
12 GE/Stk. für Produkt 1 und 8 GE/Stk. für Produkt 2.
5 / 57
Literatur

Gesucht: Optimales Produktionsprogramm, d.h. wie viel soll von beiden
Produkten hergestellt werden (→ Entscheidungsvariablen x1 und x2 ),
6 / 57
Literatur

so dass
1 der Gesamterlös maximiert wird und
2 die vorhandenen Kapazitäten nicht überfordert werden.
6 / 57
Literatur

so dass
1 der Gesamterlös maximiert wird und
2 die vorhandenen Kapazitäten nicht überfordert werden.
Optimierungsmodell:
max 12x1 + 8x2

so dass 4x1 + 2x2 ≤ 80 (I)
2x1 + 3x2 ≤ 100 (II)
5x1 + x2 ≤ 75 (III)
x1 , x2 ≥ 0
⇒ Lineares Programm
6 / 57
Literatur
Graphische Lösung
Bestimme zulässigen Bereich in einem (x1 , x2 )-Koordinatensystem
x1
20
15
10
x2
10 20 30 40
7 / 57
Literatur
Graphische Lösung
→ Einzeichnen der Nebenbedingungen als Geraden (→ ≤ wird =)
→ (I) 4x1 + 2x2 = 80 liefert Punkte (x1 , x2 ) = (0, 40) und (20, 0)
x1
20 (I)
15
10
x2
10 20 30 40
7 / 57
Literatur
Graphische Lösung
→ (II) 2x1 + 3x2 = 100 liefert Punkte (0, 100/3) und (50, 0)
x1
(II)
20 (I)
15
10
x2
10 20 30 33, 3 40
7 / 57
Literatur
Graphische Lösung
→ (III) 5x1 + x2 = 75 liefert Punkte (0, 75) und (15, 0)
x1
(II)
20 (I)
15
10 (III)
x2
10 20 30 33, 3 40
7 / 57
Literatur
Graphische Lösung
→ Teste (0, 0); zulässiger Bereich
x1
(II)
20 (I)
15 C
B
10 (III)
5 A
D x2
0 10 20 30 33, 3 40
7 / 57
Literatur
Graphische Lösung
Bestimme optimale Lösung
→ Isogewinngeraden: z = 12x1 + 8x2 liegen auf parallelen Graden
x1
(II)
20 (I)
15 C
B
10 (III)
5 A
z = 180
z = 120 D
0 x2
10 20 30 33, 3 40
7 / 57
Literatur
Graphische Lösung
Bestimme optimale Lösung
→ Isogewinngeraden: z = 12x1 + 8x2 liegen auf parallelen Graden
→ Gewinngerade mit maximalem Gewinn z = 300 geht durch Punkt A
x1
(II)
20 (I) z = 300
15 C
B
10 (III)
5 A
z = 180
z = 120 D
0 x2
10 20 30 33, 3 40
7 / 57
Literatur
Erkenntnisse aus dem Beispiel in Dimension 2

Es ist zu erkennen, dass die optimale Lösung des Problems in der Ecke A
des zulässigen Bereichs X liegt.
Die grundlegende Idee des Simplexalgorithmus ist es,
ausgehend von einer Ecke des Zulässigkeitsbereichs X ,
8 / 57
Literatur

nacheinander benachbarte Ecken zu besuchen und sich dabei
bezüglich des Zielfunktionswerts immer weiter zu verbessern.
8 / 57
Literatur

Findet man schließlich an einer Ecke keine benachbarte Ecke, die
einen echt besseren Zielfunktionswert ausweist, so befindet man sich
in einem Optimum und das Verfahren endet.
8 / 57
Literatur

Findet man schließlich an einer Ecke keine benachbarte Ecke, die
einen echt besseren Zielfunktionswert ausweist, so befindet man sich
in einem Optimum und das Verfahren endet.
Im unserem Beispiel könnte man

in der Ecke 0 = (0, 0)> starten und
anschließend die Ecken C und B absuchen, bis man an A = (5, 30)>
als optimaler Lösung stehenbleibt.
8 / 57
Literatur
Um das Simplexverfaren als allgemeines (rechnerisches) Lösungsverfahren

für LP in beliebig hohen Dimensionen beschreiben zu können, muss man
also insbesondere
den zulässigen Bereich X und vor allem die Ecken des zulässigen
Bereichs geometrisch und algebraisch charakterisieren und
den Schritt von einer Ecke zu einer benachbarten Ecke beschreiben.
9 / 57
Literatur
Um das Simplexverfaren als allgemeines (rechnerisches) Lösungsverfahren

für LP in beliebig hohen Dimensionen beschreiben zu können, muss man
also insbesondere
den zulässigen Bereich X und vor allem die Ecken des zulässigen
Bereichs geometrisch und algebraisch charakterisieren und
den Schritt von einer Ecke zu einer benachbarten Ecke beschreiben.
Darauf aufbauend können wir überlegen,

welche Faktoren den Lösungsaufwand für ein LP grundsätzlich
beeinflussen und
was folglich ein gutes Modell tendenziell ausmacht.
9 / 57
Literatur
Zulässigkeitsbereich eines LPs

Der Zulässigkeitsbereich jedes LPs lässt sich algebraisch als Menge X von
Elementen des Rn definieren, welche eine endliche Zahl von linearen
Ungleichungen erfüllen:
X = {x ∈ Rn : Ax ≤ b} (1)
Dabei ist A eine (m × n)-Matrix und b ∈ Rm stellt die rechten Seiten der
linearen Ungleichungen dar.
10 / 57
Literatur

Der Zulässigkeitsbereich jedes LPs lässt sich algebraisch als Menge X von
Elementen des Rn definieren, welche eine endliche Zahl von linearen
Ungleichungen erfüllen:
X = {x ∈ Rn : Ax ≤ b} (1)
Dabei ist A eine (m × n)-Matrix und b ∈ Rm stellt die rechten Seiten der
linearen Ungleichungen dar.
Bemerkung: Bei dieser Form der Repräsentation eines Polyeders durch
ausschließlich ≤-Bedingungen lassen sich
die NNB x ≥ 0 als −x ≤ 0 schreiben,
analog ≥-Restriktionen durch Multiplikation mit (−1) in
≤-Restriktionen umwandeln
und =-Restriktionen a> x = b (a ∈ Rn , b ∈ R) durch die zwei
Ungleichungen a> x ≤ b und −a> x ≤ −b repräsentieren.
10 / 57
Literatur

Der zulässige Bereich X ist entweder
1 die leere Menge X = ∅,
11 / 57
Literatur

2 eine beschränkte Menge (→ Polytop),
Fall 2 :
x1
x2
11 / 57
Literatur

3 unbeschränkt (→ Polyeder), aber in Richtung der Zielfunktion
beschränkt oder
Fall 2 : Fall 3 :
x1 x1
x2 x2
11 / 57
Literatur

beschränkt oder
4 in Richtung der Zielfunktion unbeschränkt.
Fall 2 : Fall 3 : Fall 4 :
x1 x1 x1
x2 x2 x2
11 / 57
Literatur

beschränkt oder
4 in Richtung der Zielfunktion unbeschränkt.
Fall 2 : Fall 3 : Fall 4 :
x1 x1 x1
x2 x2 x2
Merke:
Der zulässige Bereich X eines LPs ist entweder leer oder ein
konvexes Polyeder.
11 / 57
Literatur
Konvexes Polyeder
konvexes Polytop: konvexer Kegel: konvexes Polyeder:
12 / 57
Literatur
Konvexes Polyeder
Definition (konvexes) Polyeder

Sind P ⊂ Rn ein konvexes Polytop und C ⊂ Rn ein konvexer Kegel, so
heißt die Menge
P + C = {x P + x C : x P ∈ P und x C ∈ C }
ein konvexes Polyeder.
12 / 57
Literatur
Konvexes Polyeder
Definition (konvexes) Polyeder

Sind P ⊂ Rn ein konvexes Polytop und C ⊂ Rn ein konvexer Kegel, so
heißt die Menge
P + C = {x P + x C : x P ∈ P und x C ∈ C }
Bemerkung: Der konvexe Kegel C kann auch aus dem Nullvektor bestehen, d.h.
C = {0}, so dass damit auch jedes konvexe Polytop ein konvexes Polyeder ist.
12 / 57
Literatur
Existenz einer Ecke

Bemerkung: Nicht jedes konvexe Polyeder besitzt eine Ecke
Es lässt sich zeigen, dass ein Polyeder X = {x ∈ Rn : Ax ≤ b}
genau dann mindestens eine Ecke besitzt, wenn für den Rang der
Matrix A gilt: Rg(A) = n.
Dies ist immer dann der Fall, wenn alle Variablen nicht-negativ sind.
13 / 57
Literatur
Existenz einer Ecke

Es gilt die folgende zentrale Aussage:

Merke:
Besitzt ein LP mit Zulässigkeitsbereich X = {x : Ax ≤ b} und
Rg(A) = n mindestens eine optimale Lösung, so existiert auch
eine Ecke x des zulässigen Bereichs X , welche eine optimale
Lösung ist.
Die Menge aller optimalen Lösungen eines LPs ist selbst wieder
13 / 57
Literatur
Existenz einer Ecke

Es gilt die folgende zentrale Aussage:

Merke:
Besitzt ein LP mit Zulässigkeitsbereich X = {x : Ax ≤ b} und
Rg(A) = n mindestens eine optimale Lösung, so existiert auch
eine Ecke x des zulässigen Bereichs X , welche eine optimale
Lösung ist.
Die Menge aller optimalen Lösungen eines LPs ist selbst wieder
Damit können wir uns bei der Suche nach optimalen Lösungen eines LP
auf die Ecken konzentrieren.
13 / 57
Literatur
Standardform
Um die Ecken selbst als einfache algebraische Objekte beschreiben zu

können, arbeiten wir mit Gleichungen statt Ungleichungen als
Restriktionen (→ graphische Lösung).
14 / 57
Literatur
Standardform

Definition (Lineares Programm in Standardform)

Die Standardform eines LPs ist
z = max c > x
so dass Ax = b
x ≥ 0.
14 / 57
Literatur
Standardform

Definition (Lineares Programm in Standardform)

Die Standardform eines LPs ist
z = max c > x
so dass Ax = b
x ≥ 0.
Die Gleichheitsrestriktionen Ax = b stellen keine Einschränkung des

allgemeinen Falls dar, denn ≤-Restriktionen lassen sich durch Einführen
von Schlupfvariablen in äquivalente =-Restriktionen überführen!
14 / 57
Literatur
Standardform
Beispiel: Äquivalent sind
z = max 12x1 + 8x2 z = max 12x1 + 8x2 + 0x3 + 0x4 + 0x5
s.d. 4x1 + 2x2 ≤ 80 s.d. 4x1 + 2x2 + x3 = 80
2x1 + 3x2 ≤ 100 2x1 + 3x2 + x4 = 100
5x1 + x2 ≤ 75 5x1 + x2 + x5 = 75
x1 , x2 ≥ 0 x1 , x2 , x3 , x4 , x5 ≥ 0
15 / 57
Literatur
Standardform
s.d. 4x1 + 2x2 ≤ 80 s.d. 4x1 + 2x2 + x3 = 80
2x1 + 3x2 ≤ 100 2x1 + 3x2 + x4 = 100
5x1 + x2 ≤ 75 5x1 + x2 + x5 = 75
x1 , x2 ≥ 0 x1 , x2 , x3 , x4 , x5 ≥ 0
Allgemein:
z = max c > x z = max c > x + 0> xs
s.d. Ax ≤ b s.d. Ax + Im xs = b
x ≥0 x , xs ≥ 0
wobei Im die (m × m)-Einheitsmatrix ist.
15 / 57
Literatur
Standardform
s.d. 4x1 + 2x2 ≤ 80 s.d. 4x1 + 2x2 + x3 = 80
2x1 + 3x2 ≤ 100 2x1 + 3x2 + x4 = 100
5x1 + x2 ≤ 75 5x1 + x2 + x5 = 75
x1 , x2 ≥ 0 x1 , x2 , x3 , x4 , x5 ≥ 0
Allgemein:
z = max c > x z = max c > x + 0> xs
s.d. Ax ≤ b s.d. Ax + Im xs = b
x ≥0 x , xs ≥ 0
wobei Im die (m × m)-Einheitsmatrix ist.
Strukturvariablen Ursprüngliche Problemvariablen x ∈ Rp
Schlupfvariablen Ausgleichsvariablen xs ∈ Rm zur Überführung von ‘≤’ in ‘=’
mit Zielfunktionskoeffizient 0
Interpretation: Ungenutzte Kapazität
Insgesamt n (= p +m) Variablen, m Restriktionen
→ Gleichungssystem unterbestimmt, Freiheitsgrad: n − m
15 / 57
Literatur
Standardform
Was ist bis hierher erreicht? Wo wollen wir hin?

Mit Gleichungen Ax = b lässt sich einfacher arbeiten als mit einem
System von Ungleichungen und Gleichungen
Ein Teil der Entscheidungsvariablen in x lässt sich immer eindeutig
durch die übrigen Entscheidungsvariablen ausdrücken
Das Verständnis des Systems Ax = b, x ≥ 0 ermöglicht
→ die algebraische Beschreibung einer Ecke des zulässigen
Bereichs X als sog. Basislösung, d.h. grob gesagt, einer Lösung
mit hinreichend vielen Komponenten mit Wert null
→ die formale Beschreibung des Wechsels von einer Ecke zu einer
benachbarten Ecke und
→ zusammen mit der Zielfunktion max c > x die Analyse der
Auswirkungen des Wechsels auf den Zielfunktionswert und die
Herleitung von Optimalitätsbedingungen
16 / 57
Literatur
Basis
Es seien die Spalten der Koeffizientenmatrix
A ∈ Rm×n mit a1 , a2 , . . . , an
1 2 n
bezeichnet, also A = a , a , . . . , a .
Die Indexmenge der Spalten sei J = {1, 2, . . . , n}.
17 / 57
Literatur
Basis
A ∈ Rm×n mit a1 , a2 , . . . , an
1 2 n
Definition (Basis)
Eine Teil-Matrix B aus m linear unabhängigen Spalten
aB(1) , aB(2) , . . . , aB(m) der Matrix A heißt eine Basis von A. Mit
JB = {B(1), B(2), . . . , B(m)} wird die Menge der Indizes der zugehörigen
Spalten bezeichnet.
17 / 57
Literatur
Basis
A ∈ Rm×n mit a1 , a2 , . . . , an
1 2 n
Definition (Basis)
Eine Teil-Matrix B aus m linear unabhängigen Spalten
aB(1) , aB(2) , . . . , aB(m) der Matrix A heißt eine Basis von A. Mit
JB = {B(1), B(2), . . . , B(m)} wird die Menge der Indizes der zugehörigen
Spalten bezeichnet.
Anschaulich:
 
| | | |
A =  ··· aB(1) ··· aB(2) ··· ··· aB(j) ··· ··· aB(m) ··· 
| | | |
und  
| | | |
B =  aB(1) aB(2) aB(3) ··· aB(m)  .
| | | |
17 / 57
Literatur
Basisvariablen und Nicht-Basisvariablen

Definition (Basisvariablen und Nicht-Basisvariablen)
Für eine gegebene Basis B heißen die Entscheidungsvariablen
1 xB(i) für i = 1, . . . , m die Basisvariablen,
2 xj mit j ∈ JN := J \ JB heißen Nicht-Basisvariablen
(alle übrigen Variablen).
18 / 57
Literatur

Durch Umordnen von Spalten lässt sich die Koeffizientenmatrix A als

A = (B|N) schreiben. Dabei stehen die Spalten zu Basisvariablen vorn in
der Matrix B und Spalten zu Nicht-Basisvariablen hinten in der Matrix N.
18 / 57
Literatur


Zerlegt man auch x ∈ Rn entsprechend in xB und xN , so erhält man:

xB
Ax = (B|N) =b
xN
=⇒ BxB + NxN = b
=⇒ xB + B −1 NxN = B −1 b
=⇒ xB = B −1 b − B −1 NxN
18 / 57
Literatur


Zerlegt man auch x ∈ Rn entsprechend in xB und xN , so erhält man:

xB Beachte: Invertieren ist nur
Ax = (B|N) =b
xN möglich (d.h. B −1
=⇒ BxB + NxN = b existiert), weil die Spalten
von B linear unabhängig
=⇒ xB + B −1 NxN = B −1 b
sind!
=⇒ xB = B −1 b − B −1 NxN
18 / 57
Literatur
Basislösung
Aus xB = B −1 b − B −1 NxN erhält man für xN = 0 sofort xB = B −1 b.
19 / 57
Literatur
Basislösung
Definition (Basislösung)
Ein x > = (xB> , xN> ) ∈ Rn heißt eine Basislösung zur Basis B, falls
Ax = b,
xB = B −1 b und
xN = 0 gilt, d.h. alle Nicht-Basisvariablen identisch null sind.
19 / 57
Literatur
Basislösung
Ax = b,
xB = B −1 b und
Beispiel: Finde alle Basislösungen des Systems x1 + x2 = 3 und −x2 + x3 = −1.

Hier ist
1 1 0 3
A= und b= .
0 −1 1 −1
Wegen m = 2 besteht jede Basis(lösung) aus zwei Spalten/Variablen und es
gibt nur eine (n − m = 3 − 2 = 1) Nicht-Basisvariablen. siehe Tafel!
19 / 57
Literatur
Basislösung
Ax = b,
xB = B −1 b und

Hier ist
1 1 0 3
A= und b= .
0 −1 1 −1
xN = (x1 ) = (0): ⇒
xN = (x2 ) = (0): ⇒
xN = (x3 ) = (0): ⇒
19 / 57
Literatur
Basislösung
Ax = b,
xB = B −1 b und

Hier ist
1 1 0 3
A= und b= .
0 −1 1 −1
xN = (x1 ) = (0): ⇒ x2 = 3 ⇒ −3 + x3 = −1 ⇒ x = (0, 3, 2)>
xN = (x2 ) = (0): ⇒
xN = (x3 ) = (0): ⇒
19 / 57
Literatur
Basislösung
Ax = b,
xB = B −1 b und

Hier ist
1 1 0 3
A= und b= .
0 −1 1 −1
xN = (x1 ) = (0): ⇒ x2 = 3 ⇒ −3 + x3 = −1 ⇒ x = (0, 3, 2)>
xN = (x2 ) = (0): ⇒ x1 = 3 und x3 = −1 ⇒ x = (3, 0, −1)>
xN = (x3 ) = (0): ⇒
19 / 57
Literatur
Basislösung
Ax = b,
xB = B −1 b und

Hier ist
1 1 0 3
A= und b= .
0 −1 1 −1
xN = (x1 ) = (0): ⇒ x2 = 3 ⇒ −3 + x3 = −1 ⇒ x = (0, 3, 2)>
xN = (x2 ) = (0): ⇒ x1 = 3 und x3 = −1 ⇒ x = (3, 0, −1)>
xN = (x3 ) = (0): ⇒ x2 = 1 ⇒ x1 + 1 = 3 ⇒ x = (2, 1, 0)>
19 / 57
Literatur
Zulässige Basislösung
Es fehlen nur noch die NNB x ≥ 0!
20 / 57
Literatur
Definition (zulässige Basislösung)

Erfüllen alle Komponenten einer Basislösung x zusätzlich die Nicht-
Negativitätsbedingungen x ≥ 0, so spricht man von einer zulässigen Ba-
sislösung (wegen xN = 0, reicht es xB = B −1 b ≥ 0 zu fordern).
20 / 57
Literatur

Merke:
Es sei X ein nicht-leeres Polyeder, welches durch den zulässigen
Bereich X = {x : Ax = b, x ≥ 0} definiert ist und x ein Element
von X . Dann ist x genau dann eine Ecke von X , wenn x eine
zulässige Basislösung ist.
20 / 57
Literatur

Merke:
Es sei X ein nicht-leeres Polyeder, welches durch den zulässigen
Bereich X = {x : Ax = b, x ≥ 0} definiert ist und x ein Element
von X . Dann ist x genau dann eine Ecke von X , wenn x eine
zulässige Basislösung ist.
Merke:
Besitzt ein LP mindestens eine optimale Lösung, so existiert auch
eine zulässige Basislösung x , welche eine optimale Lösung ist.
20 / 57
Literatur
Einführendes Beispiel:
x1
z = max 12x1 + 8x2
s.d. 4x1 + 2x2 + x3 = 80 (II)
20 (I)
2x1 + 3x2 + x4 = 100
15 C
B
5x1 + x2 + x5 = 75 10 (III)
x1 , x2 , x3 , x4 , x5 ≥ 0 5 A
D x2
0 10 20 30 33, 3 40
4 2 1 0 0
!
A= 2 3 0 1 0
5 1 0 0 1
Betrachte 0-Punkt: siehe Tafel!
>
Nicht-Basisvariablen xN = (x1 , x2 ) x1 = x2 = 0
21 / 57
Literatur
x1
z = max 12x1 + 8x2
s.d. 4x1 + 2x2 + x3 = 80 (II)
20 (I)
2x1 + 3x2 + x4 = 100
15 C
B
5x1 + x2 + x5 = 75 10 (III)
x1 , x2 , x3 , x4 , x5 ≥ 0 5 A
D x2
0 10 20 30 33, 3 40
4 2 1 0 0
!
A= 2 3 0 1 0
5 1 0 0 1
>
>
Basisvariablen xB = (x3 , x4 , x5 ) x3 = 80, x4 = 100, x5 = 75 ≥ 0
21 / 57
Literatur
x1
z = max 12x1 + 8x2
s.d. 4x1 + 2x2 + x3 = 80 (II)
20 (I)
2x1 + 3x2 + x4 = 100
15 C
B
5x1 + x2 + x5 = 75 10 (III)
x1 , x2 , x3 , x4 , x5 ≥ 0 5 A
D x2
0 10 20 30 33, 3 40
4 2 1 0 0
!
A= 2 3 0 1 0
5 1 0 0 1
>
>
Basisvariablen xB = (x3 , x4 , x5 ) x3 = 80, x4 = 100, x5 = 75 ≥ 0
>
Basislösung x = (0, 0, 80, 100, 75) xB ≥ 0, also zulässige Basislösung!
21 / 57
Literatur
x1
z = max 12x1 + 8x2
s.d. 4x1 + 2x2 + x3 = 80 (II)
20 (I)
2x1 + 3x2 + x4 = 100
15 C
B
5x1 + x2 + x5 = 75 10 (III)
x1 , x2 , x3 , x4 , x5 ≥ 0 5 A
D x2
0 10 20 30 33, 3 40
4 2 1 0 0
!
A= 2 3 0 1 0
5 1 0 0 1
Betrachte Punkt C: siehe Tafel!
>
22 / 57
Literatur
x1
z = max 12x1 + 8x2
s.d. 4x1 + 2x2 + x3 = 80 (II)
20 (I)
2x1 + 3x2 + x4 = 100
15 C
B
5x1 + x2 + x5 = 75 10 (III)
x1 , x2 , x3 , x4 , x5 ≥ 0 5 A
D x2
0 10 20 30 33, 3 40
4 2 1 0 0
!
A= 2 3 0 1 0
5 1 0 0 1
>
>
Basisvariablen xB = (x1 , x3 , x4 ) (III): 5x1 + 0 + 0 = 75 ⇒ x1 = 15 ≥ 0.
22 / 57
Literatur
x1
z = max 12x1 + 8x2
s.d. 4x1 + 2x2 + x3 = 80 (II)
20 (I)
2x1 + 3x2 + x4 = 100
15 C
B
5x1 + x2 + x5 = 75 10 (III)
x1 , x2 , x3 , x4 , x5 ≥ 0 5 A
D x2
0 10 20 30 33, 3 40
4 2 1 0 0
!
A= 2 3 0 1 0
5 1 0 0 1
>
>
Basisvariablen xB = (x1 , x3 , x4 ) (III): 5x1 + 0 + 0 = 75 ⇒ x1 = 15 ≥ 0.
>
Basislösung x = (15, 0, 20, 70, 0) (I): x3 = 20 ≥ 0, (II): x4 = 70 ≥ 0 zulässig
22 / 57
Literatur
x1
z = max 12x1 + 8x2
s.d. 4x1 + 2x2 + x3 = 80 (II)
20 (I)
2x1 + 3x2 + x4 = 100
15 C
B
5x1 + x2 + x5 = 75 10 (III)
x1 , x2 , x3 , x4 , x5 ≥ 0 5 A
D x2
0 10 20 30 33, 3 40
4 2 1 0 0
!
A= 2 3 0 1 0
5 1 0 0 1
Betrachte Punkt A: siehe Tafel!
>
23 / 57
Literatur
x1
z = max 12x1 + 8x2
s.d. 4x1 + 2x2 + x3 = 80 (II)
20 (I)
2x1 + 3x2 + x4 = 100
15 C
B
5x1 + x2 + x5 = 75 10 (III)
x1 , x2 , x3 , x4 , x5 ≥ 0 5 A
D x2
0 10 20 30 33, 3 40
4 2 1 0 0
!
A= 2 3 0 1 0
5 1 0 0 1
>
>
Basisvariablen xB = (x1 , x2 , x5 ) 2·(II)-(I): 4x2 = 120 ⇒ x2 = 30 ⇒ x1 = 5.
23 / 57
Literatur
x1
z = max 12x1 + 8x2
s.d. 4x1 + 2x2 + x3 = 80 (II)
20 (I)
2x1 + 3x2 + x4 = 100
15 C
B
5x1 + x2 + x5 = 75 10 (III)
x1 , x2 , x3 , x4 , x5 ≥ 0 5 A
D x2
0 10 20 30 33, 3 40
4 2 1 0 0
!
A= 2 3 0 1 0
5 1 0 0 1
>
>
Basisvariablen xB = (x1 , x2 , x5 ) 2·(II)-(I): 4x2 = 120 ⇒ x2 = 30 ⇒ x1 = 5.
>
Basislösung x = (5, 30, 0, 0, 20) (III): 5 · 5 + 30 + x5 = 75 ⇒ x5 = 20 ≥ 0 zulässig
23 / 57
Literatur
Nicht zulässige Basislösung

x1
z = max 12x1 + 8x2
s.d. 4x1 + 2x2 + x3 = 80 (II)
20 (I)
2x1 + 3x2 + x4 = 100
15 C
B
5x1 + x2 + x5 = 75 10 E
(III)
x1 , x2 , x3 , x4 , x5 ≥ 0 5 A
D x2
0 10 20 30 33, 3 40
4 2 1 0 0
!
A= 2 3 0 1 0
5 1 0 0 1
Betrachte Punkt E: siehe Tafel!
Nicht-Basisvariablen xN = (x4 , x5 )> x4 = x5 = 0
24 / 57
Literatur

x1
z = max 12x1 + 8x2
s.d. 4x1 + 2x2 + x3 = 80 (II)
20 (I)
2x1 + 3x2 + x4 = 100
15 C
B
5x1 + x2 + x5 = 75 10 E
(III)
x1 , x2 , x3 , x4 , x5 ≥ 0 5 A
D x2
0 10 20 30 33, 3 40
4 2 1 0 0
!
A= 2 3 0 1 0
5 1 0 0 1
Basisvariablen xB = (x1 , x2 , x3 )> 3·(III)-(II): 13x1 = 125 ⇒ x1 = 9,61.. ⇒ x2 = 26,92...
24 / 57
Literatur

x1
z = max 12x1 + 8x2
s.d. 4x1 + 2x2 + x3 = 80 (II)
20 (I)
2x1 + 3x2 + x4 = 100
15 C
B
5x1 + x2 + x5 = 75 10 E
(III)
x1 , x2 , x3 , x4 , x5 ≥ 0 5 A
D x2
0 10 20 30 33, 3 40
4 2 1 0 0
!
A= 2 3 0 1 0
5 1 0 0 1
Basisvariablen xB = (x1 , x2 , x3 )> 3·(III)-(II): 13x1 = 125 ⇒ x1 = 9,61.. ⇒ x2 = 26,92...
Basislösung x = (9,61.., 26,92.., −12,306.., 0, 0)> (I): ⇒ x3 = −12,30.. 6≥ 0

nicht zulässig
24 / 57
Literatur
Benachbarte Basislösungen
Definition benachbarte Basislösung

Zwei Basen xB und xB 0 heißen benachbart, falls sie sich in genau einer
Komponenten unterscheiden.
Zwei Basislösungen x und x 0 sind benachbart, falls ihre Basen xB und xB 0
benachbart sind.
Die Basis xB 0 entstehen also aus xB , indem eine Variable xj entfernt und
durch eine Variable xk ersetzt wird. Es gilt xB 0 = (xB \ {xj }) ∪ {xk }.
25 / 57
Literatur

benachbart sind.
Beispiel: siehe Tafel!
25 / 57
Literatur

benachbart sind.
Punkt A mit Basis (a1 , a2 , a5 ) ist benachbart zu Punkt B mit Basis (a1 , a2 , a4 )
25 / 57
Literatur

benachbart sind.
Punkt B mit Basis (a1 , a2 , a4 ) ist benachbart zu Punkt C mit Basis (a1 , a3 , a4 )
25 / 57
Literatur

benachbart sind.
Punkt A mit Basis (a1 , a2 , a5 ) ist nicht benachbart zu Punkt C mit Basis (a1 , a3 , a4 )
25 / 57
Literatur

benachbart sind.
benachbarte Basislösungen ←→ algebraisch definiert

Beachte:
benachbarte Ecke ←→ geometrisch definiert
25 / 57
Literatur

benachbart sind.
benachbarte Basislösungen ←→ algebraisch definiert

Beachte:
benachbarte Ecke ←→ geometrisch definiert
Vorsicht: Nicht immer genau dasselbe (→ Degeneration!)
25 / 57
Literatur
Kriteriumselement und Optimalitätsbedingungen

Was ist die Auswirkung eines Basiswechsels auf die Zielfunktion?
26 / 57
Literatur

Beispiel: 0-Punkt
xB = (x3 , x4 , x5 )> , xN = (x1 , x2 )>
x3 = 80 − 4x1 − 2x2
x4 = 100 − 2x1 − 3x2
x5 = 75 − 5x1 − x2
26 / 57
Literatur

Beispiel: 0-Punkt Allgemein:

xN
xB = (x3 , x4 , x5 )> , xN = (x1 , x2 )> Ax = (N|B) =b
xB
x3 = 80 − 4x1 − 2x2 ⇒NxN + BxB = b
x4 = 100 − 2x1 − 3x2 ⇒B −1 NxN + xB = B −1 b
x5 = 75 − 5x1 − x2
⇒xB = B −1 b − B −1 NxN
26 / 57
Literatur


xN
xB = (x3 , x4 , x5 )> , xN = (x1 , x2 )> Ax = (N|B) =b
xB
x3 = 80 − 4x1 − 2x2 ⇒NxN + BxB = b
x4 = 100 − 2x1 − 3x2 ⇒B −1 NxN + xB = B −1 b
x5 = 75 − 5x1 − x2
⇒xB = B −1 b − B −1 NxN
In der Zielfunktion:
z = 12x1 + 8x2 + 0x3 + 0x4 + 0x5
= (12 − 0)x1 + (8 − 0)x2 +0
26 / 57
Literatur


xN
xB = (x3 , x4 , x5 )> , xN = (x1 , x2 )> Ax = (N|B) =b
xB
x3 = 80 − 4x1 − 2x2 ⇒NxN + BxB = b
x4 = 100 − 2x1 − 3x2 ⇒B −1 NxN + xB = B −1 b
x5 = 75 − 5x1 − x2
⇒xB = B −1 b − B −1 NxN
z = 12x1 + 8x2 + 0x3 + 0x4 + 0x5 z = c > x = cN> xN + cB> xB
= (12 − 0)x1 + (8 − 0)x2 +0 = cN> xN + cB> (B −1 b − B −1 NxN )
= (cN> − cB> B −1 N)xN +cB> B −1 b
| {z }
Komponenten:
(cj − cB> B −1 aj )xj
26 / 57
Literatur


xN
xB = (x3 , x4 , x5 )> , xN = (x1 , x2 )> Ax = (N|B) =b
xB
x3 = 80 − 4x1 − 2x2 ⇒NxN + BxB = b
x4 = 100 − 2x1 − 3x2 ⇒B −1 NxN + xB = B −1 b
x5 = 75 − 5x1 − x2
⇒xB = B −1 b − B −1 NxN
= (12 − 0)x1 + (8 − 0)x2 +0 = cN> xN + cB> (B −1 b − B −1 NxN )
= (cN> − cB> B −1 N)xN +cB> B −1 b
| {z }
Komponenten:
Die marginale Veränderung des Zielfunktionswertes bei Aufnahme der

Nicht-Basisvariablen xj in die Basis ist (cj − cB> B −1 aj )xj
→ 12 bei Aufnahme von x1 → 8 bei Aufnahme von x2
26 / 57
Literatur

Beispiel: Punkt C Allgemein:
> > xN
xB = (x1 , x3 , x4 ) , xN = (x2 , x5 ) Ax = (N|B) =b
xB
x1 = 15 − 1/5x2 − 1/5x5 ⇒NxN + BxB = b
x3 = 20 − 6/5x2 + 4/5x5 ⇒B −1 NxN + xB = B −1 b
x4 = 70 − 13/5x + 2/5x
⇒xB = B −1 b − B −1 NxN
2 5
27 / 57
Literatur

> > xN
xB = (x1 , x3 , x4 ) , xN = (x2 , x5 ) Ax = (N|B) =b
xB
x1 = 15 − 1/5x2 − 1/5x5 ⇒NxN + BxB = b
x3 = 20 − 6/5x2 + 4/5x5 ⇒B −1 NxN + xB = B −1 b
x4 = 70 − 13/5x + 2/5x
⇒xB = B −1 b − B −1 NxN
2 5
= 12(15 − 1/5x2 − 1/5x5 ) + 8x2 = cN> xN + cB> (B −1 b − B −1 NxN )
= (8 − 12/5)x2 + (0 − 12/5)x5 + 112 · 15 = (cN> − cB> B −1 N)xN +cB> B −1 b
= 28/5x2 − 12/5x5 + 180
| {z }
Komponenten:
27 / 57
Literatur

> > xN
xB = (x1 , x3 , x4 ) , xN = (x2 , x5 ) Ax = (N|B) =b
xB
x1 = 15 − 1/5x2 − 1/5x5 ⇒NxN + BxB = b
x3 = 20 − 6/5x2 + 4/5x5 ⇒B −1 NxN + xB = B −1 b
x4 = 70 − 13/5x + 2/5x
⇒xB = B −1 b − B −1 NxN
2 5
= 12(15 − 1/5x2 − 1/5x5 ) + 8x2 = cN> xN + cB> (B −1 b − B −1 NxN )
= (8 − 12/5)x2 + (0 − 12/5)x5 + 112 · 15 = (cN> − cB> B −1 N)xN +cB> B −1 b
= 28/5x2 − 12/5x5 + 180
| {z }
Komponenten:
Die marginale Veränderung des Zielfunktionswertes bei Aufnahme der

Nicht-Basisvariablen xj in die Basis ist (cj − cB> B −1 aj )xj
→ 28/5 bei Aufnahme von x2 → −12/5 bei Aufnahme von x5
27 / 57
Literatur

Maximierungsproblem: Minimierungsproblem:
Kriteriumselement ∆zj Kriteriumselement c̃j
∆zj := −cj + cB> B −1 aj c̃j := cj − cB> B −1 aj
28 / 57
Literatur

Mit jeder Einheit, um die die Nicht-Basisvariable xj erhöht wird,
verkleinert sich erhöht sich

der Zielfunktionswert um den Wert des Kriteriumselements.
28 / 57
Literatur


Interpretation:
Negative ∆zj und negative c̃j bedeuten, dass bei einem Basistausch, bei
dem die Nicht-Basisvariable xj aufgenommen wird, sich der
Zielfunktionswert verbessert.
→ Die unterschiedlichen Definitionen für max- und min-Probleme
gestatten eine einheitliche Interpretation.
28 / 57
Literatur


Interpretation:
Negative ∆zj und negative c̃j bedeuten, dass bei einem Basistausch, bei
dem die Nicht-Basisvariable xj aufgenommen wird, sich der
Zielfunktionswert verbessert.
→ Die unterschiedlichen Definitionen für max- und min-Probleme
gestatten eine einheitliche Interpretation.
Optimalität: x > = (xB> , xN> ) ist eine optimale Lösung des LPs, wenn gilt
∆zj ≥ 0 für alle j ∈ JN c̃j ≥ 0 für alle j ∈ JN

28 / 57
Literatur
Simplexalgorithmus
Annahme für Simplexalgorithmus
Gegeben: Standardproblem der linearen Programmierung in kanonischer
Form
z = max c T x
so dass Ax = b
x ≥0
mit den Eigenschaften
1 ein Maximierungsproblem
2 ausschließlich nicht-negativen Entscheidungsvariablen x ≥ 0
3 nicht-negativer rechter Seite b ≥ 0
4 (m × n)-Koeffizientenmatrix A, welche die (m × m)-Einheitsmatrix
Im als Basis enthält, d.h. A = (N|Im ).
29 / 57
Literatur
Simplexalgorithmus
Annahme für Simplexalgorithmus
Gegeben: Standardproblem der linearen Programmierung in kanonischer
Form
z = max c T x
so dass Ax = b
x ≥0
mit den Eigenschaften
1 ein Maximierungsproblem
2 ausschließlich nicht-negativen Entscheidungsvariablen x ≥ 0
3 nicht-negativer rechter Seite b ≥ 0
4 (m × n)-Koeffizientenmatrix A, welche die (m × m)-Einheitsmatrix
Im als Basis enthält, d.h. A = (N|Im ).
Bemerkung: Jedes beliebige LP lässt sich in ein Standardproblem in

kanonischer Form transformieren!
29 / 57
Literatur
Simplexalgorithmus
Grundidee (G. Dantzig, 1947):
Starte in zulässiger Basislösung
→ Kann beim Standardproblem in kanonischer Form direkt aus der
Einheitsmatrix Im als Basis angegeben werden: xB = B −1 b = Im b = b
Iteration: Gehe zu benachbarter Basislösung (ersetze eine
Basisvariable durch eine Nicht-Basisvariable), die einen besseren
(nicht-schlechteren) Zielfunktionswert hat
30 / 57
Literatur
Simplexalgorithmus
Grundidee (G. Dantzig, 1947):
Starte in zulässiger Basislösung
→ Kann beim Standardproblem in kanonischer Form direkt aus der
Einheitsmatrix Im als Basis angegeben werden: xB = B −1 b = Im b = b
Iteration: Gehe zu benachbarter Basislösung (ersetze eine
Basisvariable durch eine Nicht-Basisvariable), die einen besseren
(nicht-schlechteren) Zielfunktionswert hat
Ablauf einer Iteration:

1 Bestimme aufzunehmende Variable mit Aufnahmeregel
→ Wenn keine aufzunehmende Variable gefunden: STOPP,
Lösung ist optimal
2 Bestimme mit Eliminationsregel, welche Variable die Basis verlässt:
→ Wenn keine zu eliminierende Variable gefunden: STOPP, Problem
ist unbeschränkt
3 Führe Basistausch durch, d.h. bestimme neue Basislösung
30 / 57
Literatur
Darstellung mit Simplextableau

Allgemein: bei Aufteilung A = (N|B) zu Basis B
cN 1 ... cN p cB 1 ... cB m
cB xB xN 1 ... xN p xB 1 ... xB m b0
cB 1 xB 1 b10
.. .. ..
. . B −1 N Im .
0
cB m xB m bm
∆zj −cN> + cB> B −1 N z0
31 / 57
Literatur

cN 1 ... cN p cB 1 ... cB m
cB 1 xB 1 b10
.. .. ..
. . B −1 N Im .
0
cB m xB m bm
∆zj −cN> + cB> B −1 N z0
Beispiel: zu xB> = (x3 , x4 , x5 ) und xN> = (x1 , x2 )
cj 12 8 0 0 0
cB xB x1 x2 x3 x4 x5 b0
0 x3 4 2 1 80
0 x4 2 3 1 100
0 x5 5 1 1 75
∆zj −12 −8 0
31 / 57
Literatur

cN 1 ... cN p cB 1 ... cB m
cB 1 xB 1 b10
.. .. ..
. . B −1 N Im .
0
cB m xB m bm
∆zj −cN> + cB> B −1 N z0

aktuelle Koeffizientenmatrix
0 −1
cj 12 8 0 0 0 A := B A
0
cB xB x1 x2 x3 x4 x5 b
0 x3 4 2 1 80
0 x4 2 3 1 100
0 x5 5 1 1 75
∆zj −12 −8 0
31 / 57
Literatur

cN 1 ... cN p cB 1 ... cB m
cB 1 xB 1 b10
.. .. ..
. . B −1 N Im .
0
cB m xB m bm
∆zj −cN> + cB> B −1 N z0

0 −1
cj 12 8 0 0 0 A := B A
0
0 x3 4 2 1 80
0 x4 2 3 1 100
0 x5 5 1 1 75
∆zj −12 −8 0
aktuelle Basisvariablen
31 / 57
Literatur

cN 1 ... cN p cB 1 ... cB m
cB 1 xB 1 b10
.. .. ..
. . B −1 N Im .
0
cB m xB m bm
∆zj −cN> + cB> B −1 N z0

0 −1
cj 12 8 0 0 0 A := B A
0 aktuelle rechte
0 −1
0 x3 4 2 1 80 Seite b := B b
∼
= Wert der BV
0 x4 2 3 1 100
0 x5 5 1 1 75
∆zj −12 −8 0
31 / 57
Literatur

cN 1 ... cN p cB 1 ... cB m
cB 1 xB 1 b10
.. .. ..
. . B −1 N Im .
0
cB m xB m bm
∆zj −cN> + cB> B −1 N z0

ZF-Koeff. cj 12 8 0 0
0
0 A := B A
−1
(Hilfszeile) 0
cB xB x1 x2 x3 x4 x5 b aktuelle rechte
0 −1
0 x3 4 2 1 80 Seite b := B b
∼
= Wert der BV
ZF-Koeff. 0 x4 2 3 1 100
der BV 0 x5 5 1 1 75
(Hilfsspalte) ∆zj −12 −8 0
31 / 57
Literatur

cN 1 ... cN p cB 1 ... cB m
cB 1 xB 1 b10
.. .. ..
. . B −1 N Im .
0
cB m xB m bm
∆zj −cN> + cB> B −1 N z0

0
0 A := B A
−1
(Hilfszeile) 0
0 −1
0 x3 4 2 1 80 Seite b := B b
∼
= Wert der BV
ZF-Koeff. 0 x4 2 3 1 100
der BV 0 x5 5 1 1 75
(Hilfsspalte) ∆zj −12 −8 0
aktuelle Basisvariablen Kriteriumselemente −c + c > B −1 aj
j B 31 / 57
Literatur

cN 1 ... cN p cB 1 ... cB m
cB 1 xB 1 b10
.. .. ..
. . B −1 N Im .
0
cB m xB m bm
∆zj −cN> + cB> B −1 N z0

0
0 A := B A
−1
(Hilfszeile) 0
0 −1
0 x3 4 2 1 80 Seite b := B b
∼
= Wert der BV
ZF-Koeff. 0 x4 2 3 1 100
der BV 0 x5 5 1 1 75 aktueller ZF-Wert
(Hilfsspalte) ∆zj −12 −8 0 z 0 := cB> b 0
aktuelle Basisvariablen Kriteriumselemente −c + c > B −1 aj
j B 31 / 57
Literatur
Simplextableau: Aufnahmeregel
Marginale Änderung der Zielfunktion bei Aufnahme von xj in Basis: ∆zj
cj 12 8
x3 4 2 1 80
x4 2 3 1 100
x5 5 1 1 75
∆zj −12 −8 0
32 / 57
Literatur

Wenn alle ∆zj ≥ 0: Keine Verbesserung möglich, aktuelle Lösung
optimal!
cj 12 8
x3 4 2 1 80
x4 2 3 1 100
x5 5 1 1 75
∆zj −12 −8 0
32 / 57
Literatur

optimal!
Aufnahmeregel: Wähle im Simplextableau die Spalte ` mit betragsmäßig
größtem negativem ∆z`
cj 12 8
x3 4 2 1 80
x4 2 3 1 100
x5 5 1 1 75
∆zj −12 −8 0
32 / 57
Literatur

optimal!
Aufnahmeregel: Wähle im Simplextableau die Spalte ` mit betragsmäßig
größtem negativem ∆z`
Hier: ∆z1 = −12, ∆z2 = −8
→ wähle Spalte 1 bzw. x1 zur Aufnahme in Basis
cj 12 8
x3 4 2 1 80
Pivotspalte
x4 2 3 1 100
x5 5 1 1 75
∆zj −12 −8 0
32 / 57
Literatur
Simplextableau: Eliminationsregel
Die NBV x` soll in die Basis aufgenommen werden.
Erhöhe x` so weit wie möglich, um ZF so weit wie möglich zu verbessern
cj 12 8
cB xB x1 x2 x3 x4 x5 b0 bi0 /ai1
0
x3 4 2 1 80 20
x4 2 3 1 100 50
x5 5 1 1 75 15
∆zj −12 −8 0
33 / 57
Literatur
Bedingung: Neue Basislösung muss zulässig sein, d.h. Ax = b und xB 0 ≥ 0
0
→ x` ist beschränkt durch rechte Seiten der Gleichungen: ai` x` ≤ bi0
Hier: aus 5x1 + x2 + x5 = 75 und x5 ≥ 0 ⇒ x1 ≤ 15
cj 12 8
0
x3 4 2 1 80 20
x4 2 3 1 100 50
x5 5 1 1 75 15
∆zj −12 −8 0
33 / 57
Literatur
0
Setze x` in neuer Basislösung auf den Wert mini:a0 >0 bi0 /ai`
0
i`
Damit ist eine Variable xB(k) bestimmt, die die Basis verlässt
(Eliminationsregel)
cj 12 8
0
x3 4 2 1 80 20
x4 2 3 1 100 50
x5 5 1 1 75 15
∆zj −12 −8 0
33 / 57
Literatur
0
0
i`
(Eliminationsregel)
Hier: x5 verlässt die Basis
cj 12 8
0
x3 4 2 1 80 20
Pivotelement x4 2 3 1 100 50
x5 5 1 1 75 15 Pivotzeile
∆zj −12 −8 0
33 / 57
Literatur
0
0
i`
(Eliminationsregel)
Hier: x5 verlässt die Basis
0
Bemerkung: Sind alle ai` ≤ 0, so kann x` beliebig erhöht werden
(Problem ist unbeschränkt!)
cj 12 8
0
x3 4 2 1 80 20
Pivotelement x4 2 3 1 100 50
x5 5 1 1 75 15 Pivotzeile
∆zj −12 −8 0
33 / 57
Literatur
Simplextableau: Basistausch
Die neue Basis ist xB 0 = (xB \ {xB(k) }) ∪ {x` }
Die neue (zulässige) Basislösung kann durch Umformen des
Gleichungssystems bestimmt werden:
→ k-te Restriktion ist x` = bk0 /ak`
0 0 0
P
− j6=` akj xj /ak`
→ Einsetzen von x` in die restlichen Restriktionen und ZF-Gleichung
→ Hier: Restriktion (III): x1 = 15 − 1/5x2 − 1/5x5 einsetzen in
Restriktion (I): 4(15 − 1/5x2 − 1/5x5 ) + 2x2 + x3 = 80
⇔ 6/5x − 4/5x + x = 20
2 5 3
34 / 57
Literatur
Simplextableau: Basistausch
Die neue Basis ist xB 0 = (xB \ {xB(k) }) ∪ {x` }
Die neue (zulässige) Basislösung kann durch Umformen des
Gleichungssystems bestimmt werden:
→ k-te Restriktion ist x` = bk0 /ak`
0 0 0
P
− j6=` akj xj /ak`
→ Einsetzen von x` in die restlichen Restriktionen und ZF-Gleichung
→ Hier: Restriktion (III): x1 = 15 − 1/5x2 − 1/5x5 einsetzen in
Restriktion (I): 4(15 − 1/5x2 − 1/5x5 ) + 2x2 + x3 = 80
⇔ 6/5x − 4/5x + x = 20
2 5 3
Die Zeilenumformungen stellen folgenden Zustand her:

→ Pivotspalte ` wird zu Einheitsvektor ek
→ übrige Basisspalten behalten ihre Form bei
cj 12 8
x3 6/5 1 −4/5 20
x4 13/5 1 −2/5 70
12 x1 1 1/5 1/5 15
∆zj −28/5 12/5 180
34 / 57
Literatur
Simplextableau: Übersicht eine Iteration

35 / 57
Literatur

1 Bestimme Pivotspalte `
→ ` = arg minj {∆zj : j ∈ JN }
→ Alle ∆zj ≥ 0: STOPP, Lösung optimal!
35 / 57
Literatur

2 Bestimme Pivotzeile k
→ k = arg mini {bi0 /ai`
0 0
: ai` > 0}
0
→ Alle ai` ≤ 0: STOPP, Problem unbeschränkt!
0
⇒ Pivotelement ist ak`
35 / 57
Literatur

0 0
: ai` > 0}
0
0
3 ¯ 0 , z̄ 0 )
Transformation des Tableaus (neue Werte āij0 , b̄i0 , ∆z j
→ Tausche bisherige BV xB(k) gegen bisherige NBV x`
35 / 57
Literatur

0 0
: ai` > 0}
0
0
3 ¯ 0 , z̄ 0 )
Transformation des Tableaus (neue Werte āij0 , b̄i0 , ∆z j
→ Tausche bisherige BV xB(k) gegen bisherige NBV x`
→ Pivotzeile k:
0 0 0
ākj = akj /ak` und b̄k0 = bk0 /ak` 0 0
(Division durch ak` )
→ Übrige Zeilen i 6= k:
āij0 = aij0 − (ai`
0 0
akj )/ak`0
und b̄i0 = bi0 − (ai`
0 0 0
bk )/ak` (‘Kreis-Regel’)
→ ZF-Zeile:
¯ j = ∆zj − (∆z` akj
∆z 0 0
)/ak` und z̄ 0 = z 0 − (∆z` bk0 )/ak`
0
(‘Kreis-Regel’)
35 / 57
Literatur
Simplexalgorithmus mit Simplextableau

Erstes Tableau: entspricht 0-Punkt
Basis (x3 , x4 , x5 )
Verbesserung durch Aufnahme von x1 oder x2
cj 12 8
cB xB x1 x2 x3 x4 x5 b0 bi0 /ai`
0
x3 4 2 1 80
x4 2 3 1 100
x5 5 1 1 75
∆zj −12 −8 0
Transformation: Zeilenumformungen: Kreis-Regel: z.B. siehe Tafel!
36 / 57
Literatur

Basis (x3 , x4 , x5 )
Aufnahme x` = x1
cj 12 8
0
x3 4 2 1 80
x4 2 3 1 100
x5 5 1 1 75
∆zj −12 −8 0
36 / 57
Literatur

Basis (x3 , x4 , x5 )
Aufnahme x` = x1
Elimination xB(k) = x5
cj 12 8
0
x3 4 2 1 80 20
x4 2 3 1 100 50
x5 5 1 1 75 15
∆zj −12 −8 0
36 / 57
Literatur

Basis (x3 , x4 , x5 )
Aufnahme x` = x1
0
Pivotelement a31 =5
cj 12 8
0
x3 4 2 1 80 20
x4 2 3 1 100 50
x5 5 1 1 75 15
∆zj −12 −8 0
36 / 57
Literatur

Basis (x3 , x4 , x5 )
Aufnahme x` = x1
0
Pivotelement a31 =5
cj 12 8
0
x3 4 2 1 80 20
x4 2 3 1 100 50
x5 5 1 1 75 15
∆zj −12 −8 0
(I): Rechne: (I) minus 4/5·(III);
36 / 57
Literatur

Basis (x3 , x4 , x5 )
Aufnahme x` = x1
0
Pivotelement a31 =5
cj 12 8
0
x3 4 2 1 80 20
x4 2 3 1 100 50
x5 5 1 1 75 15
∆zj −12 −8 0
(II): Rechne: (II) minus 2/5·(III);
36 / 57
Literatur

Basis (x3 , x4 , x5 )
Aufnahme x` = x1
0
Pivotelement a31 =5
cj 12 8
0
x3 4 2 1 80 20
x4 2 3 1 100 50
x5 5 1 1 75 15
∆zj −12 −8 0
(III) Division durch 5;
36 / 57
Literatur

Basis (x3 , x4 , x5 )
Aufnahme x` = x1
0
Pivotelement a31 =5
cj 12 8
0
x3 4 2 1 80 20
x4 2 3 1 100 50
x5 5 1 1 75 15
∆zj −12 −8 0
(I): Rechne: (I) minus 4/5·(III); 0 = a0 − a0 · a0 /a0
ā12 12 11 32 31
36 / 57
Literatur

Basis (x3 , x4 , x5 )
Aufnahme x` = x1
0
Pivotelement a31 =5
cj 12 8
0
x3 4 2 1 80 20
x4 2 3 1 100 50
x5 5 1 1 75 15
∆zj −12 −8 0
ā12 12 11 32 31
(II): Rechne: (II) minus 2/5·(III); = 2 − 4 · 1/5 = 6/5
36 / 57
Literatur

Basis (x3 , x4 , x5 )
Aufnahme x` = x1
0
Pivotelement a31 =5
cj 12 8
0
x3 4 2 1 80 20
x4 2 3 1 0 100 50
x5 5 1 1 75 15
∆zj −12 −8 0
ā12 12 11 32 31
(III) Division durch 5; 0 0 0 0 /a0
ā25 = a25 − a21 · a35 31
36 / 57
Literatur

Basis (x3 , x4 , x5 )
Aufnahme x` = x1
0
Pivotelement a31 =5
cj 12 8
0
x3 4 2 1 80 20
x4 2 3 1 0 100 50
x5 5 1 1 75 15
∆zj −12 −8 0
ā12 12 11 32 31
(III) Division durch 5; 0 0 0 0 /a0
ā25 = a25 − a21 · a35 31
= 0 − 2 · 1/5 = −2/5
36 / 57
Literatur

Zweites Tableau: entspricht Punkt C
Basis (x1 , x3 , x4 )
Verbesserung nur durch Aufnahme von x2
cj 12 8
0
x3 6/5 1 −4/5 20
x4 13/5 1 −2/5 70
12 x1 1 1/5 1/5 15
∆zj −28/5 12/5 180
37 / 57
Literatur

Basis (x1 , x3 , x4 )
Aufnahme x` = x2
cj 12 8
0
x3 6/5 1 −4/5 20
x4 13/5 1 −2/5 70
12 x1 1 1/5 1/5 15
∆zj −28/5 12/5 180
37 / 57
Literatur

Basis (x1 , x3 , x4 )
Aufnahme x` = x2
cj 12 8
0
x3 6/5 1 −4/5 20 50/3
x4 13/5 1 −2/5 70 350/13
12 x1 1 1/5 1/5 15 75
∆zj −28/5 12/5 180
37 / 57
Literatur

Basis (x1 , x3 , x4 )
Aufnahme x` = x2
0
Pivotelement a12 = 6/5
cj 12 8
0
x3 6/5 1 −4/5 20 50/3
x4 13/5 1 −2/5 70 350/13
12 x1 1 1/5 1/5 15 75
∆zj −28/5 12/5 180
37 / 57
Literatur

Basis (x1 , x3 , x4 )
Aufnahme x` = x2
0
cj 12 8
0
x3 6/5 1 −4/5 20 50/3
x4 13/5 1 −2/5 70 350/13
12 x1 1 1/5 1/5 15 75
∆zj −28/5 12/5 180
(I) Division durch 6/5;
37 / 57
Literatur

Basis (x1 , x3 , x4 )
Aufnahme x` = x2
0
cj 12 8
0
x3 6/5 1 −4/5 20 50/3
x4 13/5 1 −2/5 70 350/13
12 x1 1 1/5 1/5 15 75
∆zj −28/5 12/5 180
(II): Rechne: (II) minus 13/5 : 6/5·(I);
37 / 57
Literatur

Basis (x1 , x3 , x4 )
Aufnahme x` = x2
0
cj 12 8
0
x3 6/5 1 −4/5 20 50/3
x4 13/5 1 −2/5 70 350/13
12 x1 1 1/5 1/5 15 75
∆zj −28/5 12/5 180
(III): Rechne: (III) minus 1/5 : 6/5·(I);
37 / 57
Literatur

Basis (x1 , x3 , x4 )
Aufnahme x` = x2
0
cj 12 8
0
x3 6/5 1 −4/5 20 50/3
x4 13/5 1 −2/5 70 350/13
12 x1 1 1/5 1/5 15 75
∆zj −28/5 12/5 180
(I) Division durch 6/5; ¯ 5 = ∆z5 − ∆z2 · a0 /a0
∆z 15 12
37 / 57
Literatur

Basis (x1 , x3 , x4 )
Aufnahme x` = x2
0
cj 12 8
0
x3 6/5 1 −4/5 20 50/3
x4 13/5 1 −2/5 70 350/13
12 x1 1 1/5 1/5 15 75
∆zj −28/5 12/5 180
∆z 15 12
(II): Rechne: (II) minus 13/5 : 6/5·(I); = 12/5 − (−28/5) · (−4/5) : 6/5 = −4/3
37 / 57
Literatur

Basis (x1 , x3 , x4 )
Aufnahme x` = x2
0
cj 12 8
0
x3 6/5 1 −4/5 20 50/3
x4 13/5 1 −2/5 70 350/13
12 x1 1 1/5 1/5 15 75
∆zj −28/5 12/5 180
∆z 15 12
(III): Rechne: (III) minus 1/5 : 6/5·(I); b̄20 = b20 − a22
0 · b 0 /a0
1 12
37 / 57
Literatur

Basis (x1 , x3 , x4 )
Aufnahme x` = x2
0
cj 12 8
0
x3 6/5 1 −4/5 20 50/3
x4 13/5 1 −2/5 70 350/13
12 x1 1 1/5 1/5 15 75
∆zj −28/5 12/5 180
∆z 15 12
(III): Rechne: (III) minus 1/5 : 6/5·(I); b̄20 = b20 − a22
0 · b 0 /a0
1 12
= 70 − 13/5 · 20 : 6/5 = 80/3
37 / 57
Literatur

Drittes Tableau: entspricht Punkt B
Basis (x1 , x2 , x4 )
cj 12 8
0
8 x2 1 5/6 −2/3 50/3
x4 −13/6 1 4/3 80/3
12 x1 1 −1/6 1/3 35/3
∆zj 14/3 −4/3 273 1/3

38 / 57
Literatur

Basis (x1 , x2 , x4 )
Aufnahme x` = x5
cj 12 8
0
8 x2 1 5/6 −2/3 50/3
x4 −13/6 1 4/3 80/3
12 x1 1 −1/6 1/3 35/3
∆zj 14/3 −4/3 273 1/3

38 / 57
Literatur

Basis (x1 , x2 , x4 )
Aufnahme x` = x5
cj 12 8
0
8 x2 1 5/6 −2/3 50/3 —

x4 −13/6 1 4/3 80/3 20
12 x1 1 −1/6 1/3 35/3 35
∆zj 14/3 −4/3 273 1/3
38 / 57
Literatur

Basis (x1 , x2 , x4 )
Aufnahme x` = x5
0
cj 12 8
0
8 x2 1 5/6 −2/3 50/3 —

x4 −13/6 1 4/3 80/3 20
12 x1 1 −1/6 1/3 35/3 35
∆zj 14/3 −4/3 273 1/3
38 / 57
Literatur

Basis (x1 , x2 , x4 )
Aufnahme x` = x5
0
cj 12 8
0
8 x2 1 5/6 −2/3 50/3 —

x4 −13/6 1 4/3 80/3 20
12 x1 1 −1/6 1/3 35/3 35
∆zj 14/3 −4/3 273 1/3
(I): Rechne: (I) minus (−2/3) : 4/3·(II);
38 / 57
Literatur

Basis (x1 , x2 , x4 )
Aufnahme x` = x5
0
cj 12 8
0
8 x2 1 5/6 −2/3 50/3 —

x4 −13/6 1 4/3 80/3 20
12 x1 1 −1/6 1/3 35/3 35
∆zj 14/3 −4/3 273 1/3
(II) Division durch 4/3;
38 / 57
Literatur

Basis (x1 , x2 , x4 )
Aufnahme x` = x5
0
cj 12 8
0
8 x2 1 5/6 −2/3 50/3 —

x4 −13/6 1 4/3 80/3 20
12 x1 1 −1/6 1/3 35/3 35
∆zj 14/3 −4/3 273 1/3
(III) Rechne: (III) minus 1/3) : 4/3·(II);
38 / 57
Literatur

Basis (x1 , x2 , x4 )
Aufnahme x` = x5
0
cj 12 8
0
8 x2 1 5/6 −2/3 50/3 —

x4 −13/6 1 4/3 80/3 20
12 x1 1 −1/6 1/3 35/3 35
∆zj 14/3 −4/3 273 1/3
(I): Rechne: (I) minus (−2/3) : 4/3·(II); 0 = a0 − a0 · a0 /a0
ā13 13 15 23 25
38 / 57
Literatur

Basis (x1 , x2 , x4 )
Aufnahme x` = x5
0
cj 12 8
0
8 x2 1 5/6 −2/3 50/3 —

x4 −13/6 1 4/3 80/3 20
12 x1 1 −1/6 1/3 35/3 35
∆zj 14/3 −4/3 273 1/3
ā13 13 15 23 25
(II) Division durch 4/3; = 5/6 − (−2/3) · (−13/6) : 4/3 = −1/4
38 / 57
Literatur

Basis (x1 , x2 , x4 )
Aufnahme x` = x5
0
cj 12 8
0
8 x2 1 5/6 −2/3 50/3 —

x4 −13/6 1 4/3 80/3 20
12 x1 1 −1/6 1/3 35/3 35
∆zj 14/3 −4/3 273 1/3
ā13 13 15 23 25
(III) Rechne: (III) minus 1/3) : 4/3·(II); z̄ 0 = z̄ 0 − ∆z5 · b2 : a25
0
38 / 57
Literatur

Basis (x1 , x2 , x4 )
Aufnahme x` = x5
0
cj 12 8
0
8 x2 1 5/6 −2/3 50/3 —

x4 −13/6 1 4/3 80/3 20
12 x1 1 −1/6 1/3 35/3 35
∆zj 14/3 −4/3 273 1/3
ā13 13 15 23 25
(III) Rechne: (III) minus 1/3) : 4/3·(II); z̄ 0 = z̄ 0 − ∆z5 · b2 : a25
0
= 273 1/3 − (−4/3) · 80/3 : 4/3 = 300

38 / 57
Literatur

Viertes Tableau: entspricht Punkt A
Basis (x1 , x2 , x5 )
Keine Verbesserung durch Aufnahme von x3 oder x4
cj 12 8
8 x2 1 −1/4 1/2 30
x5 −13/8 3/4 1 20
12 x1 1 3/8 −1/4 5
∆zj 5/2 1 300
Ergebnisse: siehe Tafel!
39 / 57
Literatur

Basis (x1 , x2 , x5 )
cj 12 8
8 x2 1 −1/4 1/2 30
x5 −13/8 3/4 1 20
12 x1 1 3/8 −1/4 5
∆zj 5/2 1 300
Optimale Basislösung (x1 , x2 , x3 , x4 , x5 ) = (5, 30, 0, 0, 20)
39 / 57
Literatur

Basis (x1 , x2 , x5 )
cj 12 8
8 x2 1 −1/4 1/2 30
x5 −13/8 3/4 1 20
12 x1 1 3/8 −1/4 5
∆zj 5/2 1 300

Gewinn z = 300
39 / 57
Literatur

Basis (x1 , x2 , x5 )
cj 12 8
8 x2 1 −1/4 1/2 30
x5 −13/8 3/4 1 20
12 x1 1 3/8 −1/4 5
∆zj 5/2 1 300

Gewinn z = 300
Restriktionen (I) und (II) sind bindend (Schlupf ist x3 = x4 = 0)
39 / 57
Literatur

Basis (x1 , x2 , x5 )
cj 12 8
8 x2 1 −1/4 1/2 30
x5 −13/8 3/4 1 20
12 x1 1 3/8 −1/4 5
∆zj 5/2 1 300

Gewinn z = 300
Restriktionen (I) und (II) sind bindend (Schlupf ist x3 = x4 = 0)
Restriktion (III) ist nicht bindend (Schlupf ist x5 = 20 > 0)
39 / 57
Literatur
Basisinverse im Simplextableau
Merke:
Die Basisinverse steht (in jeder Iteration) genau in den Spalten,
die in der Ausgangslösung die Einheitsmatrix Im enthalten haben.
40 / 57
Literatur
Basisinverse im Simplextableau
Merke:
Die Basisinverse steht (in jeder Iteration) genau in den Spalten,
die in der Ausgangslösung die Einheitsmatrix Im enthalten haben.
Die vier Iterationsschritte haben somit die folgenden Basisinversen B −1 :

1 Erste Iteration B −1 = Im
2 Zweite Iteration: xB = (x3 , x4 , x1 )> bzw. xB = (x1 , x3 , x4 )> :
1 0 −4/5 0 0 1/5
! !
0 1 −2/5 bzw. nach Umordnen B −1 = 1 0 −4/5
0 0 1/5 0 1 −2/5
3 Dritte Iteration: xB = (x2 , x4 , x1 )> bzw. xB = (x1 , x2 , x4 )>
5/6 0 −2/3 −1/6 0 1/3
! !
−1
−13/6 1 4/3 bzw. nach Umordnen B = 5/6 0 −2/3
−1/6 0 1/3 − /6
13 1 4/3
4 Vierte Iteration: xB = (x2 , x5 , x1 )> bzw. xB = (x1 , x2 , x5 )> (. . . selbst!)
40 / 57
Literatur
Komplexität des Simplexalgorithmus

Aufwand des Simplexalgorithmus hängt ab von:
1 der Anzahl der Iterationen
→ Anzahl der zulässigen Basislösungen (Ecken), Worst Case: 2m
→ Average Case: linear in m (oft zwischen m und 4m)
41 / 57
Literatur

2 dem Aufwand der einzelnen Iterationen
→ Bestimmung der aktuellen Koeffizienten im Gleichungs-
system: proportional zu nm
→ moderne Implementierungen nutzen spezielle, hoch-
performante Techniken; Aufwand bleibt proportional zu nm
41 / 57
Literatur

3 Dichte der Koeffizientenmatrix: Dünn besetzte Matrizen A
→ vereinfachen die Berechnungen zum Basistausch und
→ bedeuten oftmals weniger zulässige Basislösungen.
41 / 57
Literatur

3 Dichte der Koeffizientenmatrix: Dünn besetzte Matrizen A
→ vereinfachen die Berechnungen zum Basistausch und
→ bedeuten oftmals weniger zulässige Basislösungen.
Merke:
Modelle mit weniger Variablen und insbesondere weniger
Nebenbedingungen sind tendenziell einfacher zu lösen!
41 / 57
Literatur
42 / 57
Literatur
Lösung allgemeiner MIP

→ Schnittebenenverfahren
→ Branch-&-Bound (B&B)
43 / 57
Literatur

Betrachte das folgende ganzzahlige Programm (IP):
z= max 5x1 + 3x2
so dass 3x1 + 8x2 ≤ 24
6x1 − 2x2 ≤ 6
x1 , x2 ≥ 0 und ganzzahlig
44 / 57
Literatur

z= max 5x1 + 3x2
so dass 3x1 + 8x2 ≤ 24
6x1 − 2x2 ≤ 6
x1
3x1 + 8x2 ≤ 24
Die Restriktionen beschreiben 3
implizit die Menge der zulässigen
6x1 − 2x2 ≤ 6
Lösungen: 2
S = (0, 0)> , (0, 1)> , (0, 2)> ,

1
(0, 3)> , (1, 0)> , (1, 1)> , (1, 2)>
x2
1 2 3 4
44 / 57
Literatur

z= max 5x1 + 3x2
so dass 3x1 + 8x2 ≤ 24
6x1 − 2x2 ≤ 6
x1
3x1 + 8x2 ≤ 24
Die Restriktionen beschreiben 3
implizit die Menge der zulässigen
6x1 − 2x2 ≤ 6
Lösungen: 2
S = (0, 0)> , (0, 1)> , (0, 2)> ,

1
(0, 3)> , (1, 0)> , (1, 1)> , (1, 2)>
x2
1 2 3 4
Bemerkung: Im Gegensatz zu LPs gibt es für (M)IPs kein algebraisches

Verfahren, das diese ‘direkt’ lösen kann.
44 / 57
Literatur
LP-Relaxation eines MIP

Durch Weglassen der Ganzzahligkeitsbedingungen eines IP erhält man
x1
ein LP, die sog. LP-Relaxation.
3
zLP = max 5x1 + 3x2
so dass 3x1 + 8x2 ≤ 24 2
6x1 − 2x2 ≤ 6
1
x1 , x2 ≥0
x2
1 2 3 4
45 / 57
Literatur

x1
3
zLP = max 5x1 + 3x2
so dass 3x1 + 8x2 ≤ 24 2
6x1 − 2x2 ≤ 6
1
x1 , x2 ≥0
x2
Beobachtungen: 1 2 3 4
S ist enthalten im Zulässigkeitsbereich der LP-Relaxation

→ Lösungswert zLP der LP-Relax. ist eine obere Schranke für zIP
45 / 57
Literatur

x1
3
zLP = max 5x1 + 3x2
so dass 3x1 + 8x2 ≤ 24 2
(16/9, 7/3)> ⇒ zLP = 15 98
6x1 − 2x2 ≤ 6
1
x1 , x2 ≥0
x2

Optimale LP-Lösung ist i.A. nicht ganzzahlig, also unzulässig für IP
45 / 57
Literatur

x1
3
zLP = max 5x1 + 3x2
so dass 3x1 + 8x2 ≤ 24 2
(16/9, 7/3)> ⇒ zLP = 15 98
6x1 − 2x2 ≤ 6
1
x1 , x2 ≥0
x2

Einfaches Runden liefert i.A. nicht die optimale Lösung; nicht
einmal Zulässigkeit ist garantiert
45 / 57
Literatur

x1
3
zLP = max 5x1 + 3x2
so dass 3x1 + 8x2 ≤ 24 2
(16/9, 7/3)> ⇒ zLP = 15 98
6x1 − 2x2 ≤ 6
1
x1 , x2 ≥0
x2

Einfaches Runden liefert i.A. nicht die optimale Lösung; nicht
einmal Zulässigkeit ist garantiert
Bemerkung: Binärbedingungen xi ∈ {0, 1} werden in der LP-Relaxation
durch 0 ≤ xi ≤ 1 ersetzt.
45 / 57
Literatur
Konvexe Hülle von Ganzzahligen Punkten

x1
x2
Die konvexe Hülle X = conv (S) der ganzzahligen Punkte S bildet

ein konvexes Polyeder
46 / 57
Literatur

x1
x2

Alle Eckpunkte von X = conv (S) sind ganzzahlig
46 / 57
Literatur

x1
x2

Für eine vollständige Darstellung von X , gegeben durch zusätzliche
Ungleichungen (hier: x1 + x2 ≤ 3 und x1 ≤ 1), liefert der
Simplexalgorithmus eine optimale ganzzahlige Lösung
46 / 57
Literatur

x1
x2

Für eine vollständige Darstellung von X , gegeben durch zusätzliche
Ungleichungen (hier: x1 + x2 ≤ 3 und x1 ≤ 1), liefert der
Simplexalgorithmus eine optimale ganzzahlige Lösung
Bemerkung: Die vollständige Beschreibung des ganzzahligen Polyeder ist

im Allgemeinen nicht bekannt!
46 / 57
Literatur
Schnittebenenverfahren
Idee: Füge gültige Ungleichungen zu einem (M)IP hinzu, um ‘störende’
nicht-ganzzahlige Lösungen abzuschneiden.
⇒ Annährung an die konvexe Hülle der ganzzahligen Punkte
47 / 57
Literatur
Definition (gültige Ungleichung)
Gegeben sei die Menge S ⊂ Rn aller (ganzzahligen) Lösungen eines
(gemischt-)ganzzahligen Programms (M)IP.
Eine Ungleichung a> x ≤ b mit a ∈ Rn und b ∈ R heißt gültige Unglei-
chung für (M)IP, falls a> x ≤ b für alle x ∈ S gilt.
47 / 57
Literatur
Definition (gültige Ungleichung)
Gegeben sei die Menge S ⊂ Rn aller (ganzzahligen) Lösungen eines
(gemischt-)ganzzahligen Programms (M)IP.
Eine Ungleichung a> x ≤ b mit a ∈ Rn und b ∈ R heißt gültige Unglei-
chung für (M)IP, falls a> x ≤ b für alle x ∈ S gilt.
Beispiele gültiger Ungleichungen: x1
x1 ≤ 10 und x2 ≥ −1
3
x1 + 2x2 ≤ 7
2x1 + x2 ≤ 4 (Seite) 2
x1 + x2 ≤ 3 (Facette) 1
x1 ≤ 1 (Facette)
x2
1 2 3 4
47 / 57
Literatur
Ablauf Schnittebenenverfahren für (M)IP:
1 Löse die LP-Relaxation LP des (M)IP;

die Lösung von LP sei x̂
x1
2
(16/9, 7/3)>
1
x2
1 2 3 4
48 / 57
Literatur

2 Haben alle ganzzahligen Variablen von x̂
x1
ganzzahlige Werte?
→ STOPP, Lösung ist optimal für (M)IP
3
2
(16/9, 7/3)>
1
x2
1 2 3 4
48 / 57
Literatur

x1
ganzzahlige Werte?
3
3 Bestimme eine verletzte gültige
Ungleichung, d.h. eine Ungleichung 2
(16/9, 7/3)>
a> x ≤ b (a ∈ Rn , b ∈ R) mit a> x̂ > b
1
x1 ≤ 1
x2
1 2 3 4
48 / 57
Literatur

x1
ganzzahlige Werte?
3
(16/9, 7/3)>
a> x ≤ b (a ∈ Rn , b ∈ R) mit a> x̂ > b
1
x1 ≤ 1
4 Füge die verletzte gültige Ungleichung
zu LP hinzu x2
1 2 3 4
48 / 57
Literatur

x1
ganzzahlige Werte?
3
a> x ≤ b (a ∈ Rn , b ∈ R) mit a> x̂ > b (2.625, 1)>
1
x1 ≤ 1
zu LP hinzu x2
1 2 3 4
5 Reoptimiere LP und gehe zu 2
→ falls (dualer) Simplexalgorithmus
keine Lösung findet, hat (M)IP keine
zulässige ganzzahlige Lösung
48 / 57
Literatur

x1
ganzzahlige Werte?
3
x1 + x2 ≤ 3
a> x ≤ b (a ∈ Rn , b ∈ R) mit a> x̂ > b (2.625, 1)>
1
x1 ≤ 1
zu LP hinzu x2
1 2 3 4
48 / 57
Literatur

x1
ganzzahlige Werte?
3
x1 + x2 ≤ 3
a> x ≤ b (a ∈ Rn , b ∈ R) mit a> x̂ > b (2, 1)>
1
x1 ≤ 1
zu LP hinzu x2
1 2 3 4
48 / 57
Literatur
Typen von gültigen Ungleichungen
Man unterscheidet:
Gültige Ungleichungen für generelle (M)IP
→ vollkommen unabhängig von der Struktur des Problems
→ typischerweise keine Facetten, oft eher schwache Ungleichungen
→ Beispiel: Gomory Cuts (Idee: Runden von Koeffizienten)
49 / 57
Literatur
Man unterscheidet:
Gültige Ungleichungen, die sich aus speziellen Restriktionen ableiten
→ gültig aufgrund spezieller Restriktionen im Modell
→ Restriktionen, die in vielen Modellen vorkommen
→ Beispiel: Cover Cuts (für Rucksack-Bedingungen)
49 / 57
Literatur
Man unterscheidet:
Gültige Ungleichungen, die sich aus speziellen Restriktionen ableiten
→ gültig aufgrund spezieller Restriktionen im Modell
→ Restriktionen, die in vielen Modellen vorkommen
→ Beispiel: Cover Cuts (für Rucksack-Bedingungen)
Problemspezifische gültige Ungleichungen
→ nur gültig, wenn ein bestimmtes Optimierungsproblem vorliegt
oder als Teilproblem in einem größeren Problem auftaucht
→ haben manchmal die Facetten-Eigenschaft, starke Ungleichungen
→ Beispiel: Comb Inequalities (für das TSP)
49 / 57
Literatur
Branch-&-Bound (B&B): Allgemeines Prinzip

B&B-Algorithmen stellen eine allgemeine Methodik zur Lösung von
Optimierungsproblemen dar. Die Grundidee dieser Methodik besteht in der
hierarchischen Zerlegung eines Optimierungsproblems P in Teilprobleme.
50 / 57
Literatur

Der Zulässigkeitsbereich des Problems bzw. einer Relaxation des
Problems wird so in Teile zerlegt, dass die bzw. eine optimale Lösung des
übergeordneten Problems in einem der Teilprobleme enthalten ist.
P
··· ··· ··· ··· ··· ··· ··· ··· ··· ··· ··· ···
50 / 57
Literatur

Der Zulässigkeitsbereich des Problems bzw. einer Relaxation des
Problems wird so in Teile zerlegt, dass die bzw. eine optimale Lösung des
übergeordneten Problems in einem der Teilprobleme enthalten ist.
P
··· ··· ··· ··· ··· ··· ··· ··· ··· ··· ··· ···
Im Allgemeinen reicht es nicht aus, eine Zerlegung in Teilprobleme einmal

durchzuführen. Deshalb baut man eine Hierarchie auf, in der ein durch
Zerlegung entstandenes Problem wiederum in neue Teilprobleme zerlegt
wird. Die hierarchische Zerlegung in Teilprobleme lässt sich durch einen
Baum, den sog. Branch-&-Bound-Baum, veranschaulichen.
50 / 57
Literatur

P0
P 01 P 02 P 03
P 011 P 012 P 021 P 022 P 031 P 032
··· ··· ··· ··· ··· ··· ··· ··· ··· ··· ··· ···
Das ursprüngliche Problem P 0 bildet die Wurzel des Baums
51 / 57
Literatur

P0
P 01 P 02 P 03
P 011 P 012 P 021 P 022 P 031 P 032
··· ··· ··· ··· ··· ··· ··· ··· ··· ··· ··· ···

Die Knoten des Baums korrespondieren mit den Teilproblemen, wobei
zwei Knoten des Baums genau dann verbunden sind, wenn ein
Teilproblem durch Zerlegung eines anderen Teilproblems entstanden ist
Die Zerlegung entspricht der Bildung neuer Zweige des Baums, daher
wird die Zerlegung auch als Verzweigung (engl: Branching) bezeichnet
51 / 57
Literatur

P0
x1 = 0 x1 = 2
x1 = 1
P 01 P 02 P 03
P 011 P 012 P 021 P 022 P 031 P 032
··· ··· ··· ··· ··· ··· ··· ··· ··· ··· ··· ···

Beispiel: Ein IP mit ganzzahligen Variablen x1 ∈ {0, 1, 2}, x2 ∈ {5, 6}, x3 ∈ . . .
wird auf der ersten Ebene in drei Zweige zerlegt:
P 01 mit x4 = 0, P 02 mit x4 = 1 und P 03 mit x4 = 2
51 / 57
Literatur

P0
x1 = 0 x1 = 2
x1 = 1
P 01 P 02 P 03
x2 = 5 x2 = 6
P 011 P 012 P 021 P 022 P 031 P 032
··· ··· ··· ··· ··· ··· ··· ··· ··· ··· ··· ···

Beispiel: Ein IP mit ganzzahligen Variablen x1 ∈ {0, 1, 2}, x2 ∈ {5, 6}, x3 ∈ . . .
wird auf der ersten Ebene in drei Zweige zerlegt:
P 01 mit x4 = 0, P 02 mit x4 = 1 und P 03 mit x4 = 2
auf der zweiten Ebene in jeweils zwei Zweige mit x2 = 5 oder x2 = 6 usw.
51 / 57
Literatur
Versucht man nun ein Problem durch rekursive Zerlegung in Teilprobleme

zu lösen, so besteht die Gefahr, dass der Baum sehr groß wird.
(→ kombinatorische Explosion) siehe Tafel!
52 / 57
Literatur

Bei einer Zerlegung in jeweils 3 Teilprobleme hat die i-te Ebene des
B&B-Baums bereits 3i Teilprobleme.
52 / 57
Literatur

für i = 6 sind das schon 36 = 729 Teilprobleme,
für i = 10 sind das schon 310 = 59049 Teilprobleme und
für i = 15 sind das schon > 14 Mio Teilprobleme.
52 / 57
Literatur

Dies kann dadurch vermieden werden, wenn man zeigt, dass die optimale
Lösung in einem Teilproblem nicht mehr vorhanden sein kann. In diesem
Falle braucht dieses Problem nicht mehr betrachtet zu werden.
52 / 57
Literatur

Dies kann dadurch vermieden werden, wenn man zeigt, dass die optimale
Lösung in einem Teilproblem nicht mehr vorhanden sein kann. In diesem
Falle braucht dieses Problem nicht mehr betrachtet zu werden.
Der Nachweis, dass ein Teilproblem nicht (weiter) untersucht werden
muss, korrespondiert mit dem Abschneiden (engl.: Bounding) des
Baum-Astes. Dies erfolgt durch Anwendung logischer Regeln.
52 / 57
Literatur
Dakin Algorithmus: B&B-Verfahren für allgemeine MIP

Der Dakin-Algorithmus ist ein B&B-Verfahren zur exakten Lösung allgemeiner
gemischt-ganzzahliger linearer Programme (MIP).
Hauptkomponenten:
1 In jedem Knoten P i wird die LP-Relaxation des Teilproblems gelöst.
→ liefert (bei Maximierung) eine obere Schranke zUB (i)
→ wenn zUB (i) nicht größer als eine globale untere Schranke (z.B. eine
bekannte zulässige Lösung) ⇒ Bounding
53 / 57
Literatur

Hauptkomponenten:
2 Verzweigungsregel (= Zerlegung in Teilprobleme): Wenn die Lösung der
LP-Relaxation nicht ganzzahlig ist, wähle eine ganzzahlige Variable xj mit
Wert x̄j = bx̄j c + f¯j und 0 < f¯j < 1 in der aktuellen LP-Lösung und bilde
die beiden Teilprobleme xj ≤ bx̄j c und xj ≥ dx̄j e durch hinzufügen der
jeweligen Ungleichung
→ optimale LP-Lösung wird in beiden Teilproblemen unzulässig
53 / 57
Literatur

Hauptkomponenten:
2 Verzweigungsregel (= Zerlegung in Teilprobleme): Wenn die Lösung der
LP-Relaxation nicht ganzzahlig ist, wähle eine ganzzahlige Variable xj mit
Wert x̄j = bx̄j c + f¯j und 0 < f¯j < 1 in der aktuellen LP-Lösung und bilde
die beiden Teilprobleme xj ≤ bx̄j c und xj ≥ dx̄j e durch hinzufügen der
jeweligen Ungleichung
→ optimale LP-Lösung wird in beiden Teilproblemen unzulässig
Weitere Komponenten: (z.B.)
Variablenauswahl Auf welcher Variablen wird verzweigt?
Knotenauswahl Welches Teilproblem wird als nächstes abgearbeitet?
Initialisierung (Wie) wird eine initiale Lösung/untere Schranke bestimmt?
Fixierung Können Variablen auf bestimmte Werte fixiert werden?
53 / 57
Literatur
Dakin Algorithmus: Beispiel

x1
zUB = 15 89
3
2
(16/9, 7/3)>
1
x2
1 2 3 4
x2 ≤ 2 x2 ≥ 3
x1 x1
zUB = 12 23 zUB = 9
3 3
2 2
(2, 5/3)>
1 1
(3, 0)>
x2 x2
1 2 3 4 1 2 3 4
x1 ≤ 1 x1 ≥ 2
x1 x1
zUB = 11
3 3
2 2
(2, 1)>
1 1
x2 x2
1 2 3 4 1 2 3 4
54 / 57
Literatur

x1
zUB = 15 89
3
2
(16/9, 7/3)>
1
x2
1 2 3 4
x2 ≤ 2 x2 ≥ 3
x1 x1
zUB = 12 23 zUB = 9
3 3
2 2
(2, 5/3)>
1 1
(3, 0)>
x2 x2
1 2 3 4 1 2 3 4
x1 ≤ 1 x1 ≥ 2
x1 x1
zUB = 11
3 3
2 2
(2, 1)>
1 1
x2 x2
1 2 3 4 1 2 3 4
54 / 57
Literatur

x1
zUB = 15 89
3
2
(16/9, 7/3)>
1
x2
1 2 3 4
x2 ≤ 2 x2 ≥ 3
x1 x1
zUB = 12 23 zUB = 9
3 3
2 2
(2, 5/3)>
1 1
(3, 0)>
x2 x2
1 2 3 4 1 2 3 4
x1 ≤ 1 x1 ≥ 2
x1 x1
zUB = 11
3 3
2 2
(2, 1)>
1 1
x2 x2
1 2 3 4 1 2 3 4
54 / 57
Literatur

x1
zUB = 15 89
3
2
(16/9, 7/3)>
1
x2
1 2 3 4
x2 ≤ 2 x2 ≥ 3
x1 x1
zUB = 12 23 zUB = 9
3 3
2 2
(2, 5/3)>
1 1
(3, 0)>
x2 x2
1 2 3 4 1 2 3 4
x1 ≤ 1 x1 ≥ 2
x1 x1
zUB = 11
3 3
2 2
(2, 1)>
1 1
x2 x2
1 2 3 4 1 2 3 4
54 / 57
Literatur

x1
zUB = 15 89
3
2
(16/9, 7/3)>
1
x2
1 2 3 4
x2 ≤ 2 x2 ≥ 3
x1 x1
zUB = 12 23 zUB = 9
3 3
2 2
(2, 5/3)>
1 1
(3, 0)>
x2 x2
1 2 3 4 1 2 3 4
x1 ≤ 1 x1 ≥ 2
x1 x1
zUB = 11
3 3
2 2
(2, 1)>
1 1
x2 x2
1 2 3 4 1 2 3 4
54 / 57
Literatur

x1
zUB = 15 89
3
2
(16/9, 7/3)>
1
x2
1 2 3 4
x2 ≤ 2 x2 ≥ 3
x1 x1
zUB = 12 23 zUB = 9
3 3
2 2
(2, 5/3)>
1 1
(3, 0)>
x2 x2
1 2 3 4 1 2 3 4
x1 ≤ 1 x1 ≥ 2
x1 x1
zUB = 11
3 3
2 2
(2, 1)>
1 1
x2 x2
1 2 3 4 1 2 3 4
54 / 57
Literatur

x1
zUB = 15 89
3
2
(16/9, 7/3)>
1
x2
1 2 3 4
x2 ≤ 2 x2 ≥ 3
x1 x1
zUB = 12 23 zUB = 9
3 3
2 2
(2, 5/3)>
1 1
(3, 0)>
x2 x2
1 2 3 4 1 2 3 4
x1 ≤ 1 x1 ≥ 2
x1 x1
zUB = 11
3 3
2 2
(2, 1)>
1 1
x2 x2
1 2 3 4 1 2 3 4
54 / 57
Literatur
Schnittebenenverfahren und Branch-&-Bound

Vergleich Schnittebenenverfahren und B&B-Verfahren:
Beide Verfahren sind exakt und benötigen im Worst Case
exponentiell viele Schritte.
Schnittebenen schneiden am Rand einen Teil (des LP-zulässigen
aber (M)IP-unzulässigen Bereichs) weg.
B&B-Verfahren teilen den zulässigen Bereich in zwei Teile und
schneideen dabei ‘in der Mitte’ einen (LP-zulässigen aber
(M)IP-unzulässigen) Streifen weg.
55 / 57
Literatur
Schnittebenenverfahren und Branch-&-Bound

Vergleich Schnittebenenverfahren und B&B-Verfahren:
Beide Verfahren sind exakt und benötigen im Worst Case
exponentiell viele Schritte.
Schnittebenen schneiden am Rand einen Teil (des LP-zulässigen
aber (M)IP-unzulässigen Bereichs) weg.
B&B-Verfahren teilen den zulässigen Bereich in zwei Teile und
schneideen dabei ‘in der Mitte’ einen (LP-zulässigen aber
(M)IP-unzulässigen) Streifen weg.
Branch-&-Cut (B&C) ist die Kombination aus Schnittebenenverfahren
und B&B:
In jedem Knoten wird die LP-Relaxation durch zusätzliche gültige
Ungleichungen gestärkt
Es entsteht ein Trade-Off zwischen dem Aufwand in den einzelnen
Knoten und der größe des Branch-&-Bound-Baumes
→ mehr Schnittebenen ⇒ schärfere Schranken ⇒ kleinerer Baum
→ weniger Schnittebenen ⇒ schnellere Lösung der einzelnen Knoten
55 / 57
Literatur
Erinnerung: Lösung allgemeiner MIP

Alle drei Verfahren (Schnittebenenverfahren, B&B, B&C) funktionieren in der
Regel umso besser, je besser die LP-Relaxation das ganzzahligen Polyeder und
damit die optimale ganzzahlige Lösung annährt:
Für Schnittebenenverfahren: Weniger Iterationen nötig, weniger gültige
Ungleichungen werden benötigt (→ Modell kleiner)
Für B&B: Weniger Zerlegungen nötig, d.h. Baum ist kleiner
Für B&C: beides
56 / 57
Literatur

Für B&C: beides
Merke:
Formulierungen mit exponentiell vielen Nebenbedingungen und/oder
Variablen weisen oftmals eine kleinere Ganzzahligkeitslücke (engl.:
integrality gap, Abstand der optimalen LP- und (M)IP-Lösungen) auf
als kompakte Modelle und sind deswegen schneller zu lösen!
56 / 57
Literatur

Für B&C: beides
Merke:
Formulierungen mit exponentiell vielen Nebenbedingungen und/oder
Variablen weisen oftmals eine kleinere Ganzzahligkeitslücke (engl.:
integrality gap, Abstand der optimalen LP- und (M)IP-Lösungen) auf
als kompakte Modelle und sind deswegen schneller zu lösen!
Weitere Einflussfaktoren: z.B.:

Größe des Modells: beeinflusst die Zeit zur Lösung der LP-Relaxationen
Symmetrie: Abschneiden/Verzweigen einer Lösung führt zu einer Lösung
die symmetrisch zur aktuellen ist und somit zu keiner Verbesserung
56 / 57
Literatur
Kommerzielle MIP-Solver
Kommerzielle MIP-Solver (z.B. CPLEX, Gurobi, SCIP, XPress, . . .)
nutzen im Kern einen B&C-Algorithmus zur Lösung genereller MIP.
Techniken zur Performancesteigerung:
Preprocessing/Presolving
→ Verkleinern/verstärken des Modells (z.B. Eliminieren von Variablen/
Nebenbedingungen, Wertebereiche einschränken, . . .)
→ Finden zulässiger Lösungen mit Heuristiken
Erkennen von (Teil)strukturen
→ Spezielle gültige Ungleichungen (z.B. Cover Cuts, Clique Cuts)
→ Symmetriereduktion
→ Spezielle Verfahren zur Lösung von LP (z.B. Network Simplex)
Techniken zur Auswahl besserer Branching-Entscheidungen
→ Strong Branching, Lookahead Branching, . . .
Fixieren von Variablen aufgrund verschiedener Kriterien
Cut- und Column-Pools
→ Nicht alle Nebenbedingungen/Variablen werden zu jeder Zeit betrachtet
57 / 57
Literatur
[Domschke und Drexl 2007] Domschke, W. ; Drexl, A.: Einführung in

Operations Research. 7. Auflage. Berlin : Springer, 2007
[Grünert und Irnich 2005] Grünert, T. ; Irnich, S.: Optimierung im Transport
Band I: Grundlagen. Aachen : Shaker Verlag, 2005
[Zimmermann 2005] Zimmermann, H.J.: Operations Research Methoden und
Modelle. Wiesbaden : Vieweg, 2005
57 / 57

Kap3 1-LPandIP

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Kap3 1-LPandIP

Hochgeladen von

Copyright:

Verfügbare Formate

Kapitel 3: Exakte Lösung von VRPs

Folien zur Vorlesung1

Prof. Timo Gschwind, Prof. Stefan Irnich, Dr. Christian Tilk

Kapitel 3.1: (Wiederholung) Lösung LP und

(Domschke und Drexl, 2007): Abschnitte 2.3-2.4 und 6

Wiederholung: Einführendes Beispiel

Wiederholung: Einführendes Beispiel

Wiederholung: Einführendes Beispiel

Wiederholung: Einführendes Beispiel

Wiederholung: Einführendes Beispiel

Wiederholung: Einführendes Beispiel

max 12x1 + 8x2

Erkenntnisse aus dem Beispiel in Dimension 2

Erkenntnisse aus dem Beispiel in Dimension 2

Erkenntnisse aus dem Beispiel in Dimension 2

Erkenntnisse aus dem Beispiel in Dimension 2

Im unserem Beispiel könnte man

Erkenntnisse aus dem Beispiel in Dimension 2

Um das Simplexverfaren als allgemeines (rechnerisches) Lösungsverfahren

Erkenntnisse aus dem Beispiel in Dimension 2

Um das Simplexverfaren als allgemeines (rechnerisches) Lösungsverfahren

Darauf aufbauend können wir überlegen,

Zulässigkeitsbereich eines LPs

Zulässigkeitsbereich eines LPs

Zulässigkeitsbereich eines LPs

Zulässigkeitsbereich eines LPs

Zulässigkeitsbereich eines LPs

Zulässigkeitsbereich eines LPs

Zulässigkeitsbereich eines LPs

Definition (konvexes) Polyeder

ein konvexes Polyeder.

Definition (konvexes) Polyeder

ein konvexes Polyeder.

Existenz einer Ecke

Existenz einer Ecke

Es gilt die folgende zentrale Aussage:

Existenz einer Ecke

Es gilt die folgende zentrale Aussage:

Um die Ecken selbst als einfache algebraische Objekte beschreiben zu

Um die Ecken selbst als einfache algebraische Objekte beschreiben zu

Definition (Lineares Programm in Standardform)

Um die Ecken selbst als einfache algebraische Objekte beschreiben zu

Definition (Lineares Programm in Standardform)

Die Gleichheitsrestriktionen Ax = b stellen keine Einschränkung des

Was ist bis hierher erreicht? Wo wollen wir hin?

Basisvariablen und Nicht-Basisvariablen

Basisvariablen und Nicht-Basisvariablen

Durch Umordnen von Spalten lässt sich die Koeffizientenmatrix A als

Basisvariablen und Nicht-Basisvariablen

Durch Umordnen von Spalten lässt sich die Koeffizientenmatrix A als

Basisvariablen und Nicht-Basisvariablen

Durch Umordnen von Spalten lässt sich die Koeffizientenmatrix A als

Beispiel: Finde alle Basislösungen des Systems x1 + x2 = 3 und −x2 + x3 = −1.

Beispiel: Finde alle Basislösungen des Systems x1 + x2 = 3 und −x2 + x3 = −1.

Beispiel: Finde alle Basislösungen des Systems x1 + x2 = 3 und −x2 + x3 = −1.

Beispiel: Finde alle Basislösungen des Systems x1 + x2 = 3 und −x2 + x3 = −1.

Beispiel: Finde alle Basislösungen des Systems x1 + x2 = 3 und −x2 + x3 = −1.

Definition (zulässige Basislösung)

Definition (zulässige Basislösung)

Definition (zulässige Basislösung)

Nicht zulässige Basislösung

Nicht-Basisvariablen xN = (x4 , x5 )> x4 = x5 = 0

Nicht zulässige Basislösung

Beispiel: 0-Punkt Allgemein:

Beispiel: 0-Punkt Allgemein:

Beispiel: 0-Punkt Allgemein:

Beispiel: 0-Punkt Allgemein: