Paraméteres problémák a kombinatorikus optimalizálásban és ezek távközlési alkalmazásai. Alpár Jüttner. A doktori értekezés tézisei
|
|
- Mátyás Balog
- 7 évvel ezelőtt
- Látták:
Átírás
1 Paraméteres problémák a kombinatorikus optimalizálásban és ezek távközlési alkalmazásai A doktori értekezés tézisei Alpár Jüttner Matematika Doktori Iskola vezet je: Laczkovich Miklós akadémikus Alkalmazott Matematika Doktori Program vezet je: Prékopa András akadémikus Témavezet : Frank András tanszékvezet egyetemi tanár, a metemetikai tudomány doktora Eötvös Loránd Tudományegyetem 2006.
2 1. Célkit zések Az értekezés gyakorlati alkalmazásokkal bíró matematikai problémákat vizsgál a kombinatorikus optimalizálás területér l. Ami összekapcsolja ezeket a feladatokat, az az, hogy a diszkrét kombinatorikus problémákat egy- vagy többváltozós paraméteres problémák vagyis folytonos optimalizálási feladatok megoldására vezetjük vissza. A megfelel folytonos optimalizálási feladatok megoldására több megközelítést is bemutatunk. Az els alkalmazott módszer a N. Megiddo által kifejlesztett paraméteres keresés. Ezt az elegáns módszert az értekezés részletesen ismerteti, hisszük ugyanis, hogy e módszer még sok új alkalmazásra találhat a kombinatorikus optimalizálás terülétén. Ezen kívül több példát is mutatunk arra, hogy a folytonos optimalizásió alapvet közelít eljárásai mint például a Newton approximáció vagy a szubgradiens módszer segítségével hogyan kaphatunk diszkrét optimalizációs feladatok optimális vagy közel optimális megoldását véges vagy akár er sen polinomiális id ben. Mint már említettük, az értekezés nagy hangsúlyt fektet a gyakorlati alkalmazásokra. Fontos célunk bemutatni valós alkalmazásokból származó olyan összetett optimalizálási feladatokat, amelyekre nemtriviális matematikai módszerek és megfontolások segítségével tudunk gyakorlatban is használható megoldást adni. A bemutatott alkalmazott kutatások legnagyobb részét az Ericsson magyarországi kutatóintézete, a Trac Analysis and Network Performance Laboratory keretein belül végeztük, így az alkalmazott problémak nagy része a távközlés területér l származik. A kapott megoldások gyakorlati felhasználhatóságát a problémák kísérleti elemzésével is demonstráljuk. 2. Eredmények 2.1. Költségkorlátos optimalizáció 1. Deníció. Legyen az alapproblémának nevezett kombinatorikus optimalizálási feladat az E alaphalmazon a következ formában megadva: max{wx : x X}, (1) ahol X R E a megengedett megoldások halmaza és w R E a célfüggvény. Feltesszük még, hogy a megengedett megoldások P konvex burka egy (nem feltétlen korlátos) poliéder. Ekkor egy adott c : E R költségfüggvény és B > 0 költégkorlát mellett az alapproblémához 2
3 tartozó költségkorlátos optimalizálási feladaton a következ érték (és az y optimumhely) kiszámítását értjük: α := min{max{(w y)x : x X} : y R E, y 0, cy B} (2) Az értekezésben bebizonyítjuk a következ tételt. 2. Tétel. Tegyük fel, hogy létezik egy T id ben futó algoritmus, amely tetsz leges u R E vektorra megadja a max{wx : x P : x u} (3) feladat primál és duál megoldását, emellett az algoritmus kielégíti az úgynevezett linearitási feltételt az u-ban (lásd kés bb), akkor a (2) probléma megoldására létezik egy O(T 2 ) id ben futó algoritmus. A fenti tételben megkonstruált algoritmus Megiddo paraméteres keresés nev eljárásán alapul [Meg79]. Ezen eljárás alkalmazásához az alapfeladatot megoldó algoritmusra megkötéseket kell tennünk, ez az úgynevezett linearitási feltétel. Az elnevezés talán némileg félrevezet : a megkötés nem a futásid re vonatkozik, hanem arra, hogy az algoritmus milyen m veleteket végezhet a bemenetével. Érdekes módon, bár a paraméteres keresést számos feladat megoldására felhasználták, a linearitási feltételt mindeddig csak intuitív módon deniálták. Mi az értekezésben megadjuk e feltétel formális denícóját, és a paraméteres keresés egy általános (absztrakt) formáját is bemutatjuk. Maga a 2. Tétel sok ismert költségkorlátos feladatra azonnal megoldást szogláltat, így a [Ful59, AO95, Har77, FH75, FSO99, FSO98] cikkekben vizsgált feladatokra is. Ezek mellett az értekezés olyan új alkalmazásokat is bemutat, amelyekre eddig nem volt ismeretes er sen polynomiális algoritmus. Az els ilyen alkalmazás a költségkorlátos minimális költég áramfeladat. 3. Probléma (Költségkorlátos minimális súlyú áramfeladat). Adott egy G = (V, E) irányított gráf, egy w : E R súlyfüggvény, valamint l, u : E R alsó és fels korlátok. Ezen kívül adott még az élsúlyok változtatásának költségét leíró c : E R függvény és egy B > 0 költségkorlát. Feladat a minimális súlyú áram súlyát élek súlyának megnövelésével minél jobban megnövelni az adott B költségkorlát betartása mellett. 4. Tétel. A költségkorlátos minimális súlyú áramfeladat er sen polinomiális id ben megoldható. 3
4 A következ költségkorlátos matroid metszet probléma Frederickson és Solis-Oba maximális súlyú matroidokra vonatkozó eredményének [FSO98] kiterjesztése matroid metszetekre. Ez a probléma volt a fejezeben bemutatott kutatási eredmények f motivációja. 5. Probléma (Költségkorlátos matroid metszet feladat). Legyen adott az M 1 = (E, I 1 ) és az M 2 = (E, I 2 ) matroid a közös E alaphalmaz felett, a w : E R súly-, a c : E R költégfüggvény és a B > 0 költségkorlát. Feladat az M 1 és M 2 maximális súlyú közös bázisának súlyát az E elemeinek tetsz leges csökkentésével jobban lecsökkenteni. Egy e E elem súlya α(e)-vel való csökkentésének költsége α(e)c(e), a csökkentések összköltsége a B költségkorlátot nem haladhatja meg. 6. Tétel. A költségkorlátos matroid metszet probléma er sen polinomiális id ben megoldható. A 3. és az 5. feladatok közös általánosítása a következ költségkorlátos szubmoduláris folyamfeladat. 7. Deníció (pl. [Fuj91]). Az F 2 V halmazrendszert keresztez rendszernek hívjuk a V felett, ha minden keresztez X, Y F párra (azaz ha X, Y F, X Y, X\Y, Y \X, és X Y V teljesül) X Y, X Y F teljesül. Egy b : F R függvény keresztez n szubmoduláris az F keresztez rendszer felett, ha minden keresztez X, Y F párra b(x) + b(y ) b(x Y ) + b(x Y ) (4) teljesül. 8. Deníció (pl. [Fuj91]). Legyen adott a G = (V, E) irányított gráf, f, g : E R {± } alsó és fels capacitások az éleken és a w : E R súlyfüggvény. Legyen F 2 V egy keresztez rendszer, amire, V F teljesül és legyen b : F R egy keresztez szubmoduláris függvény. Tegyük még fel, hogy b( ) = b(v ) = 0. Ekkor a szubmoduláris folyamproblémán a következ optimalizálási feladatot értjük. max wx (5a) f x g (5b) ϱ x (X) δ x (X) b(x) minden X V -re, (5c) ahol ϱ x (X) illetve δ x (X) az x komponenseinek az X-be be- illetve az X-b l kilép éleken vett összege. 4
5 9. Probléma (Költségkorlátos szubmoduláris folyamfeladat). Legyen adott egy szubmoduláris folyamfeladat a 8. Deníció szerint, egy c : E R költségfüggvény, és egy B költségkorlát. Ekkor a költségkorlátos szubmoduláris folyamfeladat a következ : min{max{(w y)x : x P} : y 0, cy B}, (6) ahol P := {x R E : f x g, ϱ x (X) δ x (X) b(x) minden X V -re}. (7) 10. Tétel. A költségkorlátos szubmoduláris folyamfeladat er sen polinomiális id ben megoldható. A fejezetben közölt eredmények [Jüt03]-ban és [Jüt05a]-ban kerültek publikálásra LP optimalizálás plusz változókkal és feltételekkel Norton, Plotkin és Tardos [NPT92] bizonyította be a következ két tételt. 11. Tétel ([NPT92]). Tegyük fel, hogy adott egy T id ben futó algoritmus, ami legfeljebb q összehasonlítást végez, lineáris b-ben és tetsz leges b-re megoldja a max{ax : Ax b} lineáris programozási feladatot. Ekkor minden rögzített d-re létezik egy O(T q d+1 ) id ben futó algoritmus, ami tetsz leges d oszlopú C mátrixra megoldja a max{ax+cz : Ax+Cz b} feladatot. 12. Tétel ([NPT92]). Tegyük fel, hogy adott egy T id ben futó algoritmus, ami legfeljebb q összehasonlítást végez, lineáris a-ban és tetsz leges a-ra megoldja a max{ax : Ax b} lineáris programozási feladatot. Ekkor minden rögzített d-re létezik egy O(T q d+1 ) id ben futó algoritmus, ami tetsz leges d sorú C mátrixra és c vektorra megoldja a max{ax : Ax b, Cx c} feladatot. Az értekezésben a fenti algotimusok futásidejét O(T q d )-re javítjuk. Egészen pontosan a következ általánosabb tétel kerül bizonyításra: 13. Tétel. Tegyük fel, hogy adott egy T id ben futó algoritmus, ami legfeljebb q összehasonlítást végez, lineáris b-ben és tetsz leges b-re megoldja a max{ax : Ax b} lineáris programozási feladatot. Tekintsük a következ lineáris programozási feladatot: max cx + dy (8a) 5
6 Ax + By b, Ly l, Ey = e. (8b) Ekkor a (8a)-(8b) feladat O ( (T + L + E ) q dim R) id ben megoldható, ahol R := {y R k : Ly l, Ey = e} és L illetve E az L és E mátrixok méretét jelöli. A fenti tétel [Jüt05c]-ben került publikálásra Er forráskorlátos optimalizálási feladatok Tekintsünk egy E alaphalmazt, egy c : E R + költségfüggvényt és a következ absztrakt optimalizálási feladatot: min{ c(e) : P P}, (9) e P ahol P 2 E jelöli a megengedett megoldások halmazát. Legyen adott még a d : E R + függvény ennek értékeit késleltetésnek nevezzük és a R + késleltetés korlát. E jelölésekkel a (9) feladathoz tartozó er forráskorlátos optimalizálási feladat a következ : min{ c(e) : P P, d(e) }. (10) e P e P Az ilyen típusú problémák még olyan egyszer en megoldható alapproblémák esetén is N P-teljesek, mint például a legrövidebb út probléma vagy a minimális párosítás probléma páros gráfban (lásd pl. [GJ79]). Az e problémaosztályhoz tartozó feladatok közelít megoldásának az egyik szokásos útja, hogy Lagrange relaxáció segítségével megszabadulunk a plusz feltételt l. Így a feladat egy egyváltozós konkáv függvény maximalizálására redukálódik. A relaxált feladat megoldására több szerz ([HZ80, BG96, JSMR01]) egymástól függetlenül kifejlesztett egy egyszer módszert amit mi [HZ80] után Handler-Zang eljárásnak nevezzük. Habár az eljárás a gyakorlatban rendkívül hatékonynak bizonyult, az algoritmus pontos futásideje sokáig nem volt ismert. Az értekezésben a következ két tételt bizonyítjuk be. 14. Tétel. A Handler-Zang algoritmus O( E 2 log E ) iteráció után véget ér. 15. Tétel. Az er forráskorlátos legrövidebb út probléma esetén a Handler-Zang algoritmus O(m log 2 m) iteráció után véget ér, így az algoritmus teljes futásideje O(m 2 log 2 m + mn log 3 m), ahol n illetve m a gráf pontjainak illetve éleinek a száma. 6
7 Az er forráskorlátos legrövidebb út probléma fontos szerepet játszik útvonalválasztási problémák, különösen távközlési hálózatok szolgáltatásmin ség-biztosítási ( Quality of Service, QoS ) feladatainak megoldásakor. Ezekben az alkalmazásokban az algoritmusok gyakorlati futásidejével szemben nagyon szigorú elvárások fogalmazódnak meg. Az értekezésben ezért bemutatunk két módszert a Handler-Zang eljárás gyakorlati futásidejének csökkentésére. Végül empírikus módszerekkel bemutatjuk az eljárás és a javasolt javítások alkalmazhatóságát egy valós útvonalválasztási problémára és összevetjük a legfontosabb mások által javasolt eljárásokkal. A fenti algoritmus QoS útvonalválasztási feladatokra való adaptációját [JSMR01]-ben közöltük. Erre a cikkre számos, a távközlés területén publikáló szerz hivatkozott és a témakörrel foglalkozó több áttekint írás is idézi. Az algoritmus elméleti futásidejének analízise [Jüt05b]-ben található Hányados-optimalizálási feladatok Legyen X megengedett megoldások egy (véges) halmaza, c : X R és w : X R adott függvények. Tegyük fel, hogy minden x X-re w(x) > 0 teljesül és létezik x X, amire c(x) > 0. E jelölésekkel a hányados-optimalizálási feladat a következ. 16. Probléma. Keressük az { } c(x) α := max w(x) : x X (11) értéket és egy maximalizáló x X megoldást. E problémaosztály megoldására T. Radzik javasolta a Newton-Dinkelbach eljárást [Rad98], ami a függvények egy zérushelyének megkeresésére szolgáló Newton-eljárás egy adaptációja. Ez az algoritmus mind elméletileg, mint a gyakorlatban nagyon hatékonynak bizonyult. Az értekezésben bizonyított következ tétel az algoritmus Radzik által bizonyított futásid becslését [Rad98] javítja meg egy O(log n)-es faktorral. 17. Tétel. Legyen E egy véges alaphalmaz n := E és X {0, 1} E. Tegyük fel, hogy c és w lineáris függvények, azaz a következ alakban állnak el : c(x) := c e x e e E (12) 7
8 és w(x) := e E w e x e. (13) Ekkor a Newton-Dinkelbach ejárás O( E 2 log E ) iteráció után véget ér. A következ tétel a szintén Radziktól származó, az irányított aciklikus gráfokban való hányados-legrövidebb út problémára vonatkozó futásid -becslés [Rad98] általánosítása. 18. Tétel. Legyen E egy véges alaphalmaz n := E és tegyük fel, hogy X {0, 1} E éppen a Q := {x R E : Ax = b, x 0} poliéder csúcsainak halmaza, továbbá c és w a 17. Tételbeli alakú. Ekkor a Newton-Dinkelbach eljárás O(n log n) lépésben véget ér. A fenti eredmények Tomasz Radzikkal közösek, publikálásuk folyamatban van UMTS hozzáférési hálózatok tervezése Tekintsük az UMTS (Universal Mobile Telecommunications System) hozzáférési hálózatok tervezése során felmerül következ tervezési problémát. 19. Probléma. Adott a hálózati csomópontok egy N halmaza, és a következ technológiaspecikus paraméterek: az l tree, d RBS, d RNC N és a cost RNC R + konstansok, az R R N és az R P N csúcshalmazok úgy, hogy R R R P, továbbá a c link : N N {1,..., l tree } R + költségfüggvény. E bemenet mellett a tervezési feladat egy minimális költség irányított G = (N, E) gráf keresése az N csúcshalmazon, úgy, hogy E pontdiszjunkt gyökeres irányított fákból áll, amelyek összességében lefedik az N minden pontját. Minden él a megfelel gyökér irányába mutat, minden pont távolsága a hozzá tartozó gyökért l legfeljebb l tree, a gyökérpontok fokszáma legfeljebb d RNC, a többi pont be-foka legfeljebb d RBS, R R R R P, ahol R a gyökérpontok halmaza. 8
9 A minimalizálandó költségfüggvény a következ : R cost RNC + ) c link (u, v, l E (u), (14) (uv) E ahol l E (u) az u N pont szintje, azaz az u-nak a hozzá tartozó gyökért l való távolsága. Az értekezés több algoritmust is bemutat ennek a feladatnak a megoldására. El ször egy heurisztikus eljárást ismertetünk, ami a Szimulált leh tés nev metaheurisztikus eljárás és egy speciális b-párosítást megoldó szubrutin ötvözése. Bemutatunk továbbá egy technikát az algoritmus felgyorsítására, amivel már valóban képessé válik nagyméret feladatok kezelésére. Ezután azt a speciális esetet vizsgáljuk, amikor egyetlen, rögzített gyöker fa tervezése a feladat, vagyis amikor R R = R P = {r}. Erre az esetre ismertetünk egy algoritmust, ami közepes méret feladatok esetén képes az optimális megoldás megtalálására. Az algorithmus a branch-and-bound eljáráson alapul, az eljáráshoz szükséges alsó becslést az egészérték programozási feladatként történ felírás egy nemtriviális Lagrange relaxációjával kapjuk. Bemutatunk egy heurisztikus eljárást is, ami a Lagrange relaxáció segítségével nagyobb méret feladatokra is képes közel optimális megoldást szolgáltatni. Az el z speciális esetre adott egzakt algoritmus segítségével adunk egy lokális javító algoritmust is az általános esetre. Fontos jellemz je ennek az eljárásnak, hogy más lokális keresést alkalmazó algoritmusokkal ellentétben az egyes iterációkban meglehet sen bonyolult javításokat is lehet vé tesz. Ezután, a javasolt algoritmusokat gyakorlati példákon teszteljük és bemutatjuk, hogy az eljárások valós méret tervezési feladatokra közel optimális megoldásokat szolgáltatnak elfogadható futási id mellett. Végül a teljesség kedvéért bebizonyítjuk a probléma N P-teljességét a rögzített csúcsú egyetlen fa keresésének speciális esetében, a valós eszközöknek megfelel technológiaspeci- kus paraméterek mellett: 20. Tétel. Legyen G(V, E) egy irányítatlan teljes gráf, r V egy adott csúcs és d RNC N +. Ezen felül legyen adott egy c : E R + költségfüggvény az éleken. Ekkor a következ feltételekkel rendelkez és azon belül minimális költség feszít fa megtalálása N P-nehéz feladat: Minden csúcs r-t l való távolsága legfeljebb 3, 9
10 r-t l eltekintve minden pont foka legfeljebb 3, az r foka legfeljebb d RNC. Az e fejezetben bemutatott eredmények [JOF05]-ben kerültek publikálásra. Hivatkozások [AO95] [BG96] [FH75] [FSO98] [FSO99] [Fuj91] [Ful59] [GJ79] [Har77] [HZ80] R.K. Ahuja and J.B. Orlin. A capacity scaling algorithm for the constrained maximum ow problem. Networks, 25:8998, David Blokh and George Gutin. An approximation algorithm for combinatorial optimization problems with two parameters. Australasian J. Combin., 14: , D.R. Fulkerson and G.C. Harding. Maximizing the minimum source-sink path subject to a budget constraint. Mathematical Programming, 13:116118, G.N. Frederickson and R. Solis-Oba. Algorithms for measuring perturbability in matroid optimization. Combinatorica, 18:503518, G.N. Frederickson and R. Solis-Oba. Increasing the weight of minimum spanning trees. Journal of Algorithms, 33:244266, S. Fujishige. Submodular Functions and Optimization. Elsevier Science Publishers B.V., D.R. Fulkerson. Increasing the capacity of a network: the parametric budget problem. Management Science, pages , M.R. Garey and D.S. Johnson. Computers and Intractability A Guide to the Theory of NP-Completeness. W.H. Freeman and Company, New York, G.C. Harding. Some budgeted optimization problems and the edge disjoint branchings problem. PhD thesis, Cornell University, G. Handler and I. Zang. A dual algorithm for the constrained shortest path problem. Networks, 10:293310,
11 [JOF05] Alpár Jüttner, András Orbán, and Zoltán Fiala. Two new algorithms for UMTS access network topology design. European Journal of Operational Research, 164(2):456474, July [JSMR01] Alpár Jüttner, Balázs Szviatovszki, Ildikó Mécs, and Zsolt Rajkó. Lagrange relaxation based method for the QoS routing problem. In Infocom. IEEE, April [Jüt01] [Jüt03] [Jüt05a] [Jüt05b] [Jüt05c] [Meg79] [NPT92] [Rad98] Alpár Jüttner. Optimization with additional variables and constraints. EGRES report TR , Egerváry Research Group, Hungary, Alpár Jüttner. On budgeted optimization ploblems. In 3th Hungarian-Japanese Symposium on Discrete Mathematics and Its Applications, Tokyo, Japan, January Alpár Jüttner. On budgeted optimization ploblems. SIAM Journal on Discrete Matemathics, to appear. Alpár Jüttner. On resource constrained optimization problems. In 4th Japanese- Hungarian Symposium on Discrete Mathematics and Its Applications, Budapest, Hungary, June Alpár Jüttner. Optimization with additional variables and constraints. Operations Research Letters, 33(3):305311, May N. Megiddo. Combinatorial optimization with rational objective functions. Mathematics of Operations Research, 4:414424, Carolyn H. Norton, S.A. Plotkin, and Éva Tardos. Using separation algorithms in xed dimension. Journal of Algorithms, 13(1):7998, Tomasz Radzik. Fractional combinatorial optimization. In DingZhu Du and Panos Pardalos, editors, Handbook of Combinatorial Optimization. Kluwer Academic Publishers, dec
Szemidenit optimalizálás és az S-lemma
Szemidenit optimalizálás és az S-lemma Pólik Imre SAS Institute, USA BME Optimalizálás szeminárium 2011. október 6. Outline 1 Egyenl tlenségrendszerek megoldhatósága 2 Az S-lemma 3 Szemidenit kapcsolatok
RészletesebbenTotális Unimodularitás és LP dualitás. Tapolcai János
Totális Unimodularitás és LP dualitás Tapolcai János tapolcai@tmit.bme.hu 1 Optimalizálási feladat kezelése NP-nehéz Hatékony megoldás vélhetően nem létezik Jó esetben hatékony algoritmussal közelíteni
RészletesebbenNem teljesen kitöltött páros összehasonlítás mátrixok sajátérték optimalizálása Newton-módszerrel p. 1/29. Ábele-Nagy Kristóf BCE, ELTE
Nem teljesen kitöltött páros összehasonlítás mátrixok sajátérték optimalizálása Newton-módszerrel Ábele-Nagy Kristóf BCE, ELTE Bozóki Sándor BCE, MTA SZTAKI 2010. november 4. Nem teljesen kitöltött páros
RészletesebbenNem-lineáris programozási feladatok
Nem-lineáris programozási feladatok S - lehetséges halmaz 2008.02.04 Dr.Bajalinov Erik, NyF MII 1 Elég egyszerű példa: nemlineáris célfüggvény + lineáris feltételek Lehetséges halmaz x 1 *x 2 =6.75 Gradiens
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
RészletesebbenEllátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási
RészletesebbenÜtemezési modellek. Az ütemezési problémák osztályozása
Ütemezési modellek Az ütemezési problémák osztályozása Az ütemezési problémákban adott m darab gép és n számú munka, amelyeket az 1,..., n számokkal fogunk sorszámozni. A feladat az, hogy ütemezzük az
RészletesebbenOpponensi vélemény. Dósa György Tightness results for several variants of the First Fit bin packing algorithm (with help of weighting functions)
Opponensi vélemény Dósa György Tightness results for several variants of the First Fit bin packing algorithm (with help of weighting functions) című MTA doktori értekezéséről 1. ÁLTALÁNOS MEGJEGYZÉSEK
RészletesebbenLineáris kombinatorikus törtfüggvény optimalizálási feladatok
Eötvös Loránd Tudományegyetem Természettudományi Kar Kránicz Enik Gréta Lineáris kombinatorikus törtfüggvény optimalizálási feladatok BSc Szakdolgozat Témavezet : Jüttner Alpár Operációkutatási Tanszék
RészletesebbenBozóki Sándor. MTA SZTAKI, Budapesti Corvinus Egyetem. Vitaliy Tsyganok
A feszítőfákból számolt súlyvektorok mértani közepének optimalitása a logaritmikus legkisebb négyzetes célfüggvényre nézve Bozóki Sándor MTA SZTAKI, Budapesti Corvinus Egyetem Vitaliy Tsyganok Laboratory
RészletesebbenOpkut deníciók és tételek
Opkut deníciók és tételek Készítette: Bán József Deníciók 1. Deníció (Lineáris programozási feladat). Keressük meg adott lineáris, R n értelmezési tartományú függvény, az ún. célfüggvény széls értékét
RészletesebbenA lineáris programozás alapjai
A lineáris programozás alapjai A konvex analízis alapjai: konvexitás, konvex kombináció, hipersíkok, félterek, extrém pontok, Poliéderek, a Minkowski-Weyl tétel (a poliéderek reprezentációs tétele) Lineáris
Részletesebben1: Bevezetés: Internet, rétegmodell Alapok: aszimptótika, gráfok. HálózatokII, 2007
Hálózatok II 2007 1: Bevezetés: Internet, rétegmodell Alapok: aszimptótika, gráfok 1 Az előadáshoz Előadás: Szerda 17:00 18:30 Gyakorlat: nincs Vizsga írásbeli Honlap: http://people.inf.elte.hu/lukovszki/courses/g/07nwii
RészletesebbenFüggvények növekedési korlátainak jellemzése
17 Függvények növekedési korlátainak jellemzése A jellemzés jól bevált eszközei az Ω, O, Θ, o és ω jelölések. Mivel az igények általában nemnegatívak, ezért az alábbi meghatározásokban mindenütt feltesszük,
RészletesebbenDiszkrét, egészértékű és 0/1 LP feladatok
Diszkrét, egészértékű és 0/1 LP feladatok In English Integer Programming - IP Zero/One (boolean) programming 2007.03.12 Dr. Bajalinov Erik, NyF MII 1 Diszkrét és egészértékű változókat tartalmazó feladatok
RészletesebbenKiegészítő részelőadás 1. Az algoritmusok hatékonyságának mérése
Kiegészítő részelőadás 1. Az algoritmusok hatékonyságának mérése Dr. Kallós Gábor 2014 2015 1 Az Ordó jelölés Azt mondjuk, hogy az f(n) függvény eleme az Ordó(g(n)) halmaznak, ha van olyan c konstans (c
RészletesebbenAlgoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás
Algoritmusok Tervezése 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Mi az algoritmus? Lépések sorozata egy feladat elvégzéséhez (legáltalánosabban) Informálisan algoritmusnak nevezünk bármilyen jól definiált
RészletesebbenSzámítógép hálózatok, osztott rendszerek 2009
Számítógép hálózatok, osztott rendszerek 2009 1: Bevezetés: Internet, rétegmodell Alapok: aszimptótika, gráfok 1 Az előadáshoz Előadás: Hétfő 10:00 12:00 óra Gyakorlat: Hétfő 14:00-16:00 óra Honlap: http://people.inf.elte.hu/lukovszki/courses/0910nwmsc
RészletesebbenMegoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1
Megoldott feladatok 00. november 0.. Feladat: Vizsgáljuk az a n = n+ n+ sorozat monotonitását, korlátosságát és konvergenciáját. Konvergencia esetén számítsuk ki a határértéket! : a n = n+ n+ = n+ n+ =
RészletesebbenGráfelmélet/Diszkrét Matematika MSc hallgatók számára. 3. Előadás
Gráfelmélet/Diszkrét Matematika MSc hallgatók számára 3. Előadás Előadó: Hajnal Péter Jegyzetelő: Pék Máté 2009. szeptember 21. 1. Folyamok 1.1. Definíció. G = (V, E, K, B) irányított gráf, ha e! v : ekv
RészletesebbenNév KP Blokk neve KP. Logisztika I. 6 LOG 12 Dr. Kovács Zoltán Logisztika II. 6 Logisztika Dr. Kovács Zoltán
Név KP Blokk neve KP Felelıs vizsgáztató Kombinatorikus módszerek és algoritmusok 5 MAT 10 Dr. Tuza Zsolt Diszkrét és folytonos dinamikai rendszerek matematikai alapjai 5 Matematika Dr. Hartung Ferenc
RészletesebbenNemlineáris programozás 2.
Optimumszámítás Nemlineáris programozás 2. Többváltozós optimalizálás feltételek mellett. Lagrange-feladatok. Nemlineáris programozás. A Kuhn-Tucker feltételek. Konvex programozás. Sydsaeter-Hammond: 18.1-5,
RészletesebbenDeníciók és tételek a beugró vizsgára
Deníciók és tételek a beugró vizsgára (a szóbeli viszgázás jogáért) Utolsó módosítás: 2008. december 2. 2 Bevezetés Számítási problémának nevezünk egy olyan, a matematika nyelvén megfogalmazott kérdést,
RészletesebbenNemkonvex kvadratikus egyenlőtlenségrendszerek pontos dualitással
pontos dualitással Imre McMaster University Advanced Optimization Lab ELTE TTK Operációkutatási Tanszék Folytonos optimalizálás szeminárium 2004. július 6. 1 2 3 Kvadratikus egyenlőtlenségrendszerek Primál
RészletesebbenÁltalános algoritmustervezési módszerek
Általános algoritmustervezési módszerek Ebben a részben arra mutatunk példát, hogy miként használhatóak olyan általános algoritmustervezési módszerek mint a dinamikus programozás és a korlátozás és szétválasztás
RészletesebbenAlgoritmuselmélet. Bonyolultságelmélet. Katona Gyula Y.
Algoritmuselmélet Bonyolultságelmélet Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 12. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2018/
Operációkutatás I. 2018/2019-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
RészletesebbenVektorterek. Wettl Ferenc február 17. Wettl Ferenc Vektorterek február / 27
Vektorterek Wettl Ferenc 2015. február 17. Wettl Ferenc Vektorterek 2015. február 17. 1 / 27 Tartalom 1 Egyenletrendszerek 2 Algebrai struktúrák 3 Vektortér 4 Bázis, dimenzió 5 Valós mátrixok és egyenletrendszerek
RészletesebbenAlgoritmuselmélet. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 13.
Algoritmuselmélet NP-teljes problémák Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 13. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet
RészletesebbenMádi-Nagy Gergely * A feladat pontos leírása. Tekintsünk darab tetszõleges eseményt, jelöljük ezeket a következõképpen: ,...,
Mádi-Nagy Gergely * AZ ESEMÉNYEK UNIÓJÁNAK VALÓSZÍNÛSÉGE BECSLÉS A TÖBBVÁLTOZÓS DISZKRÉT MOMENTUM PROBLÉMA SEGÍTSÉGÉVEL Az események uniója valószínûsége becslésére szolgáló elsõ fontos eredmények a Boole-
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
RészletesebbenAz optimális megoldást adó algoritmusok
Az optimális megoldást adó algoritmusok shop ütemezés esetén Ebben a fejezetben olyan modellekkel foglalkozunk, amelyekben a munkák több műveletből állnak. Speciálisan shop ütemezési problémákat vizsgálunk.
RészletesebbenDiszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 10. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenSapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT- 4. kurzus. 3. Előadás: A mohó algoritmus
Csíkszereda IRT-. kurzus 3. Előadás: A mohó algoritmus 1 Csíkszereda IRT. kurzus Bevezetés Az eddig tanult algoritmus tipúsok nem alkalmazhatók: A valós problémák nem tiszta klasszikus problémák A problémák
RészletesebbenLineáris leképezések. Wettl Ferenc március 9. Wettl Ferenc Lineáris leképezések március 9. 1 / 31
Lineáris leképezések Wettl Ferenc 2015. március 9. Wettl Ferenc Lineáris leképezések 2015. március 9. 1 / 31 Tartalom 1 Mátrixleképezés, lineáris leképezés 2 Alkalmazás: dierenciálhatóság 3 2- és 3-dimenziós
RészletesebbenÚj típusú min-max tételek a kombinatorikus optimalizálásban
Új típusú min-max tételek a kombinatorikus optimalizálásban Frank András (Egerváry Kutatócsoport, ELTE TTK) Budapest 2016 október 19 Frank András (ELTE, EGRES) Új típusú min-max tételek Akadémiai székfoglaló
RészletesebbenPublikációs lista. Gódor Győző. 2008. július 14. Cikk szerkesztett könyvben... 2. Külföldön megjelent idegen nyelvű folyóiratcikk...
Publikációs lista Gódor Győző 2008. július 14. Cikk szerkesztett könyvben... 2 Külföldön megjelent idegen nyelvű folyóiratcikk... 2 Nemzetközi konferencia-kiadványban megjelent idegen nyelvű előadások...
RészletesebbenDrótposta: kovacsea@math.bme.hu ; edith_kovacs@yahoo.com ; Honlapom: http://www.math.bme.hu/diffe/staff/kovacse.shtml
Szakmai önéletrajz 1.1 Személyes adatok: Nevem: Kovács Edith Alice Születési idő, hely: 1971.05.18, Arad Drótposta: kovacsea@math.bme.hu ; edith_kovacs@yahoo.com ; Honlapom: http://www.math.bme.hu/diffe/staff/kovacse.shtml
RészletesebbenMódszer köztes tárolókat nem tartalmazó szakaszos működésű rendszerek ütemezésére
Módszer köztes tárolókat nem tartalmazó szakaszos működésű rendszerek ütemezésére Doktori (PhD) értekezés tézisei Holczinger Tibor Témavezető: Dr. Friedler Ferenc Veszprémi Egyetem Műszaki Informatikai
RészletesebbenMATLAB OKTATÁS 5. ELŐADÁS FELTÉTEL NÉLKÜLI ÉS FELTÉTELES OPTIMALIZÁLÁS. Dr. Bécsi Tamás Hegedüs Ferenc
MATLAB OKTATÁS 5. ELŐADÁS FELTÉTEL NÉLKÜLI ÉS FELTÉTELES OPTIMALIZÁLÁS Dr. Bécsi Tamás Hegedüs Ferenc FELTÉTEL NÉLKÜLI OPTIMALIZÁLÁS (FMINSEARCH) Feltétel nélküli optimalizálásra a MATLAB az fminsearch
RészletesebbenDiszkrét matematika 1. középszint
Diszkrét matematika 1. középszint 2017. sz 1. Diszkrét matematika 1. középszint 3. el adás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2015. ősz 1. Diszkrét matematika 2.C szakirány 3. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2015.
RészletesebbenEgyváltozós függvények 1.
Egyváltozós függvények 1. Filip Ferdinánd filip.ferdinand@bgk.uni-obuda.hu siva.banki.hu/jegyzetek 015 szeptember 1. Filip Ferdinánd 015 szeptember 1. Egyváltozós függvények 1. 1 / 5 Az el adás vázlata
RészletesebbenMinimális feszítőfák Legyen G = (V,E,c), c : E R + egy súlyozott irányítatlan gráf. Terjesszük ki a súlyfüggvényt a T E élhalmazokra:
Minimális feszítőfák Legyen G = (V,E,c), c : E R + egy súlyozott irányítatlan gráf. Terjesszük ki a súlyfüggvényt a T E élhalmazokra: C(T ) = (u,v) T c(u,v) Az F = (V,T) gráf minimális feszitőfája G-nek,
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 3. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.
RészletesebbenDijkstra algoritmusa
Budapesti Fazekas és ELTE Operációkutatási Tanszék 201. július 1. Legrövidebb utak súlyozatlan esetben v 4 v 3 Feladat Hány élből áll a legrövidebb út ezen a gráfon az s és t csúcsok között? v v 6 v 7
RészletesebbenOnline algoritmusok. Algoritmusok és bonyolultságuk. Horváth Bálint március 30. Horváth Bálint Online algoritmusok március 30.
Online algoritmusok Algoritmusok és bonyolultságuk Horváth Bálint 2018. március 30. Horváth Bálint Online algoritmusok 2018. március 30. 1 / 28 Motiváció Gyakran el fordul, hogy a bemenetet csak részenként
RészletesebbenBoros Endre. Rutgers University. XXXII. MOK Június 14.
Diszkrét Momentum Problémák Boros Endre Rutgers University XXXII. MOK 2017. Június 14. Prékopa András (1929-2016) emlékére Valószínűségi korlátok (Boole 1854, 1868 (1850)) E 1 = (A B C) (A B C) (A B C)
Részletesebben1/1. Házi feladat. 1. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy
/. Házi feladat. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy mindig igaz. (p (( p) q)) (( p) ( q)). Igazoljuk, hogy minden A, B és C halmazra A \ (B C) = (A \ B) (A \ C) teljesül.
RészletesebbenA szimplex algoritmus
A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás
RészletesebbenElőrenéző és paraméter tanuló algoritmusok on-line klaszterezési problémákra
Szegedi Tudományegyetem Számítógépes Algoritmusok és Mesterséges Intelligencia Tanszék Dr. Németh Tamás Előrenéző és paraméter tanuló algoritmusok on-line klaszterezési problémákra SZTE TTIK, Móra Kollégium,
RészletesebbenBoros Zoltán február
Többváltozós függvények differenciál- és integrálszámítása (2 3. előadás) Boros Zoltán 209. február 9 26.. Vektorváltozós függvények differenciálhatósága és iránymenti deriváltjai A továbbiakban D R n
RészletesebbenLogisztikai mérnök záróvizsga tételsor Módosítva 2014. június 3.
Név KP Blokk neve KP Felelıs vizsgáztató Kombinatorikus módszerek és algoritmusok 5 MAT 10 Dr. Tuza Zsolt Diszkrét és folytonos dinamikai rendszerek matematikai alapjai 5 Matematika Dr. Hartung Ferenc
RészletesebbenBranch-and-Bound. 1. Az egészértéketű programozás. a korlátozás és szétválasztás módszere Bevezető Definíció. 11.
11. gyakorlat Branch-and-Bound a korlátozás és szétválasztás módszere 1. Az egészértéketű programozás 1.1. Bevezető Bizonyos feladatok modellezése kapcsán előfordulhat olyan eset, hogy a megoldás során
RészletesebbenPáros összehasonlítás mátrixokból számolt súlyvektorok Pareto-optimalitása
Páros összehasonlítás mátrixokból számolt súlyvektorok Pareto-optimalitása Bozóki Sándor 1,2, Fülöp János 1,3 1 MTA SZTAKI; 2 Budapesti Corvinus Egyetem 3 Óbudai Egyetem XXXI. Magyar Operációkutatási Konferencia
RészletesebbenTeljesítmény Mérés. Tóth Zsolt. Miskolci Egyetem. Tóth Zsolt (Miskolci Egyetem) Teljesítmény Mérés / 20
Teljesítmény Mérés Tóth Zsolt Miskolci Egyetem 2013 Tóth Zsolt (Miskolci Egyetem) Teljesítmény Mérés 2013 1 / 20 Tartalomjegyzék 1 Bevezetés 2 Visual Studio Kód metrikák Performance Explorer Tóth Zsolt
RészletesebbenA derivált alkalmazásai
A derivált alkalmazásai Összeállította: Wettl Ferenc 2014. november 17. Wettl Ferenc A derivált alkalmazásai 2014. november 17. 1 / 57 Tartalom 1 Függvény széls értékei Abszolút széls értékek Lokális széls
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 6. Előadás Problémaosztályok http://digitus.itk.ppke.hu/~flugi/ Emlékeztető A specifikáció egy előfeltételből és utófeltételből álló leírása a feladatnak Léteznek olyan feladatok,
RészletesebbenGibbs-jelenség viselkedésének vizsgálata egyszer négyszögjel esetén
Matematikai modellek, I. kisprojekt Gibbs-jelenség viselkedésének vizsgálata egyszer négyszögjel esetén Unger amás István B.Sc. szakos matematikus hallgató ungert@maxwell.sze.hu, http://maxwell.sze.hu/~ungert
Részletesebben11. Előadás. 1. Lineáris egyenlőség feltételek melletti minimalizálás
Optimalizálási eljárások MSc hallgatók számára 11. Előadás Előadó: Hajnal Péter Jegyzetelő: Hajnal Péter 2011. április 27. 1. Lineáris egyenlőség feltételek melletti minimalizálás Múlt héten nem szerepeltek
Részletesebben11. Előadás. 11. előadás Bevezetés a lineáris programozásba
11. Előadás Gondolkodnivalók Sajátérték, Kvadratikus alak 1. Gondolkodnivaló Adjuk meg, hogy az alábbi A mátrixnak mely α értékekre lesz sajátértéke a 5. Ezen α-ák esetén határozzuk meg a 5 sajátértékhez
RészletesebbenMinimális feszítőfák Legyen G = (V,E,c), c : E R + egy súlyozott irányítatlan gráf. Terjesszük ki a súlyfüggvényt a T E élhalmazokra:
Minimális feszítőfák Legyen G = (V,E,c), c : E R + egy súlyozott irányítatlan gráf. Terjesszük ki a súlyfüggvényt a T E élhalmazokra: C(T ) = (u,v) T c(u,v) Az F = (V,T) gráf minimális feszitőfája G-nek,
RészletesebbenKonvex optimalizálás feladatok
(1. gyakorlat, 2014. szeptember 16.) 1. Feladat. Mutassuk meg, hogy az f : R R, f(x) := x 2 függvény konvex (a másodrend derivált segítségével, illetve deníció szerint is)! 2. Feladat. Mutassuk meg, hogy
RészletesebbenDiszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenAlgoritmuselmélet 11. előadás
Algoritmuselmélet 11. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Március 26. ALGORITMUSELMÉLET 11. ELŐADÁS 1 Kruskal
RészletesebbenMatematika A1a Analízis
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Matematika A1a Analízis BMETE90AX00 A derivált alkalmazásai H607, EIC 2019-04-03 Wettl
RészletesebbenA Barabási-Albert-féle gráfmodell
A Barabási-Albert-féle gráfmodell és egyéb véletlen gráfok Papp Pál András Gráfok, hálózatok modelljei Rengeteg gráfokkal modellezhető terület: Pl: Internet, kapcsolati hálók, elektromos hálózatok, stb.
RészletesebbenA lineáris optimalizálás rugalmas indexválasztási szabályainak elméletéről és gyarkorlatáról
A lineáris optimalizálás rugalmas indexválasztási szabályainak elméletéről és gyarkorlatáról Nagy Adrienn A doktori disszertáció tézisei Témavezető: Illés Tibor Egyetemi Docens, PhD Témavezető: Kovács
Részletesebben1.1. Definíció. Azt mondjuk, hogy a oszója b-nek, vagy más szóval, b osztható a-val, ha létezik olyan x Z, hogy b = ax. Ennek jelölése a b.
1. Oszthatóság, legnagyobb közös osztó Ebben a jegyzetben minden változó egész számot jelöl. 1.1. Definíció. Azt mondjuk, hogy a oszója b-nek, vagy más szóval, b osztható a-val, ha létezik olyan x Z, hogy
Részletesebben2. SZÉLSŽÉRTÉKSZÁMÍTÁS. 2.1 A széls érték fogalma, létezése
2 SZÉLSŽÉRTÉKSZÁMÍTÁS DEFINÍCIÓ 21 A széls érték fogalma, létezése Azt mondjuk, hogy az f : D R k R függvénynek lokális (helyi) maximuma (minimuma) van az x 0 D pontban, ha van olyan ε > 0 hogy f(x 0 )
RészletesebbenKövetelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 1. Előadás Követelmények, teljesítés feltételei Vizsga anyaga Előadásokhoz tartozó diasor
RészletesebbenVéges ponthalmazok legrövidebb hálózatai Kábelrakás kis költséggel
Véges ponthalmazok legrövidebb hálózatai Bessenyei Mihály U.M. Debreceni Egyetem, Matematikai Intézet, Analízis Tanszék (Szabó Gréta egyetemi hallgatóval közös munka alapján) Medve Matektábor, Pusztafalu,
RészletesebbenKövetelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 1. Előadás Követelmények, teljesítés feltételei Vizsga anyaga Előadásokhoz tartozó diasor
RészletesebbenOperációkutatás. Vaik Zsuzsanna. ajánlott jegyzet: Szilágyi Péter: Operációkutatás
Operációkutatás Vaik Zsuzsanna Vaik.Zsuzsanna@ymmfk.szie.hu ajánlott jegyzet: Szilágyi Péter: Operációkutatás Operációkutatás Követelmények: Aláírás feltétele: foglalkozásokon való részvétel + a félév
RészletesebbenKereső algoritmusok a diszkrét optimalizálás problémájához
Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások
RészletesebbenBonyolultságelmélet. Monday 26 th September, 2016, 18:28
Bonyolultságelmélet Monday 26 th September, 2016, 18:28 A kurzus teljesítési követelményei 2 Gyakorlat Három kisdolgozat 6 6 pontért kb. a 4., 7. és 10. gyakorlaton Egy nagydolgozat 28 pontért utolsó héten
RészletesebbenEgerváry Research Group. on Combinatorial Optimization. Technical reports
Egerváry Research Group on Combinatorial Optimization Technical reports TR-2002-06. Published by the Egrerváry Research Group, Pázmány P. sétány 1/C, H 1117, Budapest, Hungary. Web site: www.cs.elte.hu/egres.
RészletesebbenA szimplex tábla. p. 1
A szimplex tábla Végződtetés: optimalitás és nem korlátos megoldások A szimplex algoritmus lépései A degeneráció fogalma Komplexitás (elméleti és gyakorlati) A szimplex tábla Példák megoldása a szimplex
RészletesebbenGAZDASÁGMATEMATIKA KÖZÉPHALADÓ SZINTEN
GAZDASÁGMATEMATIKA KÖZÉPHALADÓ SZINTEN Készült a TÁMOP-4.1.-08//a/KMR-009-0041 pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék
Részletesebben1. tétel - Gráfok alapfogalmai
1. tétel - Gráfok alapfogalmai 1. irányítatlan gráf fogalma A G (irányítatlan) gráf egy (Φ, E, V) hátmas, ahol E az élek halmaza, V a csúcsok (pontok) halmaza, Φ: E {V-beli rendezetlen párok} illeszkedési
RészletesebbenDualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 7. Előadás Árazási interpretáció Tekintsük újra az erőforrás allokációs problémát (vonat
RészletesebbenAlgoritmusok bonyolultsága
Algoritmusok bonyolultsága 5. előadás http://www.ms.sapientia.ro/~kasa/komplex.htm 1 / 27 Gazdaságos faváz Kruskal-algoritmus Joseph Kruskal (1928 2010) Legyen V = {v 1, v 2,..., v n }, E = {e 1, e 2,...,
Részletesebben2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 8. Előadás Bevezetés Egy olyan LP-t, amelyben mindegyik változó egészértékű, tiszta egészértékű
RészletesebbenJegyzet. az Operációkutatás II cím tantárgyhoz. Utolsó frissítés: május 20. Király Tamás el adásai alapján készítette Papp Olga
Jegyzet az Operációkutatás II cím tantárgyhoz Király Tamás el adásai alapján készítette Papp Olga Utolsó frissítés: 2011. május 20. Tartalomjegyzék 1. TU mátrixok: kerekítés és színezés 3 1.1. Emlékeztet......................................
RészletesebbenGlobális optimalizálási algoritmusok intervallum korlátos feladatokra
Globális optimalizálási algoritmusok intervallum korlátos feladatokra Doktori értekezés tézisei Pál László Témavezet : Dr. Csendes Tibor egyetemi tanár Szegedi Tudományegyetem Informatika Doktori Iskola
RészletesebbenDiszkrét matematika I. gyakorlat
Diszkrét matematika I. gyakorlat 1. gyakorlat Gyakorlatvezet : Dr. Kátai-Urbán Kamilla Helyettesít: Bogya Norbert 2011. szeptember 8. Tartalom Információk 1 Információk Honlapcímek Számonkérések, követelmények
RészletesebbenMATEMATIKA 2. dolgozat megoldása (A csoport)
MATEMATIKA. dolgozat megoldása (A csoport). Definiálja az alábbi fogalmakat: (egyváltozós) függvény folytonossága, differenciálhatósága, (többváltozós függvény) iránymenti deriváltja. (3x8 pont). Az f
RészletesebbenElmaradó óra. Az F = (V,T) gráf minimális feszitőfája G-nek, ha. F feszitőfája G-nek, és. C(T) minimális
Elmaradó óra A jövő heti, november 0-dikei óra elmarad. Minimális feszítőfák Legyen G = (V,E,c), c : E R + egy súlyozott irányítatlan gráf. Terjesszük ki a súlyfüggvényt a T E élhalmazokra: C(T ) = (u,v)
Részletesebben22. GRÁFOK ÁBRÁZOLÁSA
22. GRÁFOK ÁBRÁZOLÁSA A megoldandó feladatok, problémák modellezése során sokszor gráfokat alkalmazunk. A gráf fogalmát a matematikából ismertnek vehetjük. A modellezés során a gráfok több változata is
RészletesebbenTovábbi forgalomirányítási és szervezési játékok. 1. Nematomi forgalomirányítási játék
További forgalomirányítási és szervezési játékok 1. Nematomi forgalomirányítási játék A forgalomirányítási játékban adott egy hálózat, ami egy irányított G = (V, E) gráf. A gráfban megengedjük, hogy két
RészletesebbenMulticast és forgalomkötegelés többrétegû hálózatokban
Multicast és forgalomkötegelés többrétegû hálózatokban SOPRONI PÉTER, PERÉNYI MARCELL, CINKLER TIBOR {soproni, perenyim, cinkler}@tmit.bme.hu BME Távközlési és Médiainformatikai Tanszék Lektorált Kulcsszavak:
RészletesebbenGRÁFELMÉLET. 7. előadás. Javító utak, javító utak keresése, Edmonds-algoritmus
GRÁFELMÉLET 7. előadás Javító utak, javító utak keresése, Edmonds-algoritmus Definíció: egy P utat javító útnak nevezünk egy M párosításra nézve, ha az út páratlan hosszú, kezdő- és végpontjai nem párosítottak,
RészletesebbenKereső algoritmusok a diszkrét optimalizálás problémájához
Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások
RészletesebbenAdatszerkezetek 2. Dr. Iványi Péter
Adatszerkezetek 2. Dr. Iványi Péter 1 Fák Fákat akkor használunk, ha az adatok között valamilyen alá- és fölérendeltség van. Pl. könyvtárszerkezet gyökér (root) Nincsennek hurkok!!! 2 Bináris fák Azokat
RészletesebbenHeurisztikák BitTorrent hálózatok max-min méltányos sávszélesség-kiosztására
Heurisztikák BitTorrent hálózatok max-min méltányos sávszélesség-kiosztására Dobjánné Antal Elvira és Vinkó Tamás Pallasz Athéné Egyetem, GAMF M szaki és Informatikai Kar Szegedi Tudományegyetem, Informatikai
RészletesebbenOnline jegyzet az Egészérték Programozás I. és II. tárgyhoz
Online jegyzet az Egészérték Programozás I. és II. tárgyhoz Király Tamás, Kis Tamás és Szeg László October 25, 2013 Egészérték programozás I. vizsgatematika 2013. tavasz 1. Az egészérték lineáris programozási
RészletesebbenA Matematika I. előadás részletes tematikája
A Matematika I. előadás részletes tematikája 2005/6, I. félév 1. Halmazok és relációk 1.1 Műveletek halmazokkal Definíciók, fogalmak: halmaz, elem, üres halmaz, halmazok egyenlősége, részhalmaz, halmazok
RészletesebbenDiszkrét matematika 1. estis képzés
Diszkrét matematika 1. estis képzés 2019. tavasz 1. Diszkrét matematika 1. estis képzés 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján
RészletesebbenKiegészítés az Operációkutatás I. (elemz ) jegyzethez
Kiegészítés az Operációkutatás I. (elemz ) jegyzethez Frank András, Király Tamás, Papp Olga 213. december Tartalomjegyzék 1. Szimplex módszer 2 1.1. A szimplex módszer tulajdonságai..........................
Részletesebben5. házi feladat. AB, CD kitér élpárra történ tükrözések: Az ered transzformáció: mivel az origó xpont, így nincs szükség homogénkoordinátás
5. házi feladat 1.feladat A csúcsok: A = (0, 1, 1) T, B = (0, 1, 1) T, C = (1, 0, 0) T, D = ( 1, 0, 0) T AB, CD kitér élpárra történ tükrözések: 1 0 0 T AB = 0 1 0, elotlási rész:(i T AB )A = (0, 0, )
Részletesebben