Korlátozás és szétválasztás módszere Holló Csaba 2
|
|
- Orsolya Juhász
- 5 évvel ezelőtt
- Látták:
Átírás
1
2 Korlátozás és szétválasztás módszere Holló Csaba 2 A módszert Imreh Balázs, Imreh Csanád: Kombinatorikus optimalizálás Novadat, Győr, 25 egyetemi tankönyve alapján, kisebb változtatásokkal fogjuk bemutatni.
3 Korlátozás és szétválasztás módszere Holló Csaba 3 I. Az eljárás II. Hátizsák feladat III. Halmazlefedési feladat
4 Korlátozás és szétválasztás módszere Holló Csaba 4 1. A feladat 2. Leszámlálás 3. A szétválasztó függvény 4. A korlátozó függvény 5. A B&B eljárás
5 Korlátozás és szétválasztás módszere Holló Csaba 5 Legyen L egy véges halmaz és z: L R egy függvény. Keressük: min {z(x): x L} -t és azt az x értéket, melyre ez megvalósul. Akkor z-t célfüggvénynek fogjuk nevezni.
6 Korlátozás és szétválasztás módszere Holló Csaba 6 1. A feladat 2. Leszámlálás 3. A szétválasztó függvény 4. A korlátozó függvény 5. A B&B eljárás
7 Korlátozás és szétválasztás módszere Holló Csaba 7 Mivel L véges, ezért a fenti feladatnak biztosan van optimális megoldása. Legegyszerűbb megoldás: végignézzük L minden elemét és kiválasztunk egy olyant, melyre z(x) a legkisebb.
8 Korlátozás és szétválasztás módszere Holló Csaba 8 Ezt nevezik leszámlálási eljárásnak. Csakhogy L elemszáma nagyon nagy lehet! Hogyan tudjuk a teljes leszámlálást elkerülni? Többféleképpen, de ha jobbat nem tudunk, akkor egy módszer:
9 Korlátozás és szétválasztás módszere Holló Csaba 9 Korlátozás és szétválasztás módszere (Branch and Bound, B&B) a leszámlálás egy hatékonyabb változata általában NP nehéz feladatoknál szokták használni
10 Korlátozás és szétválasztás módszere Holló Csaba 1 Korlátozás és szétválasztás módszere Legfontosabb elemei: szétválasztó függvény korlátozó függvény levélválasztási stratégia.
11 Korlátozás és szétválasztás módszere Holló Csaba A feladat 2. Leszámlálás 3. A szétválasztó függvény 4. A korlátozó függvény 5. A B&B eljárás
12 Korlátozás és szétválasztás módszere Holló Csaba 12 Szétválasztó függvény Az L halmaz tetszőleges L >1 részhalmazához hozzárendeli L egy valódi osztályozását. A szétválasztó függvényt ϕ-vel fogjuk jelölni és egy fával ábrázolható.
13 Korlátozás és szétválasztás módszere Holló Csaba 13 L L 1 L 2 L 11 L 12 L 13 L 21 L 22 L 121 L 122 L 211 L 212 L 213
14 Korlátozás és szétválasztás módszere Holló Csaba 14 Pl. - legkevésbé önző ember (ha az önzőséget mérni tudnánk) L = emberek; L1 = férfiak; L2 = nők stb. De mi van, ha: legkevésbé önző 5 fős csoport, melynek összsúlya legfeljebb 6, IQ összege legalább 5.
15 Korlátozás és szétválasztás módszere Holló Csaba 15 Sok esetben olyan a feladat, hogy L vektorok halmaza, tehát minden x L-re x = (x 1, x 2,...,x n ). Hogyha x i {a i1, a i2,...,a ik }, akkor természetesen adódik az i-dik szinten az x i értéke szerinti szétválasztás.
16 Korlátozás és szétválasztás módszere Holló Csaba 16 L x 1 =a x 1 =a 1k x 2 =a x 2 =a 2k x 2 =a x 2 =a 2k
17 Korlátozás és szétválasztás módszere Holló Csaba 17 Jelenleg azt tudjuk tenni, hogy bejárjuk a fát (pl. mélységi bejárással). Ennek hatékonysága növelhető lenne azzal, ha bizonyos részfák bejárását elhagyhatnánk.
18 Korlátozás és szétválasztás módszere Holló Csaba 18 Erre egy lehetőség lenne az, ha lennének olyan megkötések, melyek szerint x 1, x 2,..., x i adott értékei esetén x i+1 bizonyos értékeket nem vehet fel. De ha a feladatban nincsenek ilyen megkötések, akkor ez nem segít.
19 Korlátozás és szétválasztás módszere Holló Csaba 19 Egy másik lehetőség lenne az, ha a fa bejárása során egy adott időpontig összegyűjtött ismeretek birtokában el tudnánk dönteni azt, hogy adott irányba már nem érdemes tovább menni. Erre lesz jó a korlátozó függvény.
20 Korlátozás és szétválasztás módszere Holló Csaba 2 1. A feladat 2. Leszámlálás 3. A szétválasztó függvény 4. A korlátozó függvény 5. A B&B eljárás
21 Korlátozás és szétválasztás módszere Holló Csaba 21 Korlátozó függvény Egy olyan g függvény, mely L tetszőleges L részhalmazához hozzárendeli a {z(x ): x L } függvényértékek egy alsó korlátját, továbbá ha L ={x }, akkor g(l ) = z)x ).
22 Korlátozás és szétválasztás módszere Holló Csaba 22 Hogyan használjuk a g-t? Tételezzük fel, hogy a fa bejárása során már rendelkezünk egy x* nem feltétlen optimális lehetséges megoldással. Hogyan kaphatunk ilyent?
23 Korlátozás és szétválasztás módszere Holló Csaba 23 A fa bejárása során többnyire előállnak lehetséges megoldások. Továbbá, számos feladat esetében heurisztikus eljárással elő lehet állítani viszonylag jó célfüggvényértékkel rendelkező x* lehetséges megoldást.
24 Korlátozás és szétválasztás módszere Holló Csaba 24 A fa bejárása során az aktuális L csúcspontra kiszámoljuk g(l )-t, és ha z(x*) g(l ), akkor mivel g(l ) min {z(x ): x L }, ezért nyilvánvaló, hogy L -ben nem fogunk jobb megoldást találni, így ezt a részfát nem érdemes bejárni.
25 Korlátozás és szétválasztás módszere Holló Csaba 25 Ilyenkor azt a részfát nem fogjuk tovább vizsgálni, azt mondjuk, hogy a fa megfelelő ágát, illetve levelét lezárjuk. A fa többi csúcspontját élő csúcspontoknak nevezzük.
26 Korlátozás és szétválasztás módszere Holló Csaba 26 Hogyha g(l ) kiszámolása bonyolultabb, mint az L gyökerű részfa bejárása, akkor a B&B eljárás nem fogja növelni a hatékonyságot, ezért fontos, hogy g(l ) könnyen meghatározható legyen minden L -re.
27 Korlátozás és szétválasztás módszere Holló Csaba 27 Természetesen minél jobb a rendelkezésre álló x* lehetséges megoldás, annál több ágat tudunk lezárni, így annál kisebb fát kell bejárjunk.
28 Korlátozás és szétválasztás módszere Holló Csaba 28 Ezért a bejárás során minél hamarabb el szeretnénk jutni minél jobb lehetséges x* megoldáshoz. Ehhez a mélységi bejárás helyett jobb lenne a fában mindig a legígéretesebb irányba menni.
29 Korlátozás és szétválasztás módszere Holló Csaba 29 A fát dinamikusan fogjuk felépíteni oly módon, hogy az adott lépésben mindig a legígéretesebb csúcspontot fogjuk megvizsgálni és szükség szerint tovább bontani.
30 Korlátozás és szétválasztás módszere Holló Csaba 3 Van azonban egy olyan probléma, hogy sok esetben nehéz megfelelő szétválasztó függvényt definiálni. Ezért általában egy Ω L halmazból szoktunk kiindulni és arra definiáljuk a szétválasztó függvényt.
31 Korlátozás és szétválasztás módszere Holló Csaba 31 Ebben az esetben a g korlátozó függvényre vonatkozóan a következő feltételeket írjuk elő. Az Ω tetszőleges nem üres Ω részhalmazára: G1. g(ω )=z(x ), ha Ω =1 és Ω L = { x }
32 Korlátozás és szétválasztás módszere Holló Csaba 32 G2. g(ω ) = W, ha Ω = 1 és Ω L = ahol W a gépen ábrázolható legnagyobb számot jelöli, melyhez konstans hozzáadásának vagy kivonásának eredményét úgy definiáljuk, hogy az ismét W.
33 Korlátozás és szétválasztás módszere Holló Csaba 33 G3. g(ω ) min{ z(x): x Ω L }, ha Ω > 1 és Ω L. G4. g(ω ) tetszőleges, ha Ω > 1 és Ω L =. Ha a G4 esetet könnyen felismerjük, akkor a g(ω ) = W még jobb.
34 Korlátozás és szétválasztás módszere Holló Csaba A feladat 2. Leszámlálás 3. A szétválasztó függvény 4. A korlátozó függvény 5. A B&B eljárás
35 Korlátozás és szétválasztás módszere Holló Csaba 35 A B&B eljárás Az eljárás során z*-al fogjuk jelölni az adott pillanatig megtalált legjobb optimum értéket, és x*-al az ehhez tartozó lehetséges megoldást, azaz amire z(x*)=z*.
36 Korlátozás és szétválasztás módszere Holló Csaba 36 Előkészítő rész Heurisztikus módszerrel határozzunk meg egy minél jobb megoldást, legyen ez x*, és z*=z(x*). Ha nem tudunk ilyen heurisztikus módszert, akkor legyen z*=w és x* definiálatlan.
37 Korlátozás és szétválasztás módszere Holló Csaba 37 Határozzuk meg g(ω)-t. Ennek során minden esetlegesen előálló x lehetséges megoldásra: ha z(x )<z*, akkor legyen x*= x és z* = z(x ). Legyen F = { Ω }, ha g(ω) < z*, és F = különben. Legyen r =.
38 Korlátozás és szétválasztás módszere Holló Csaba 38 r-dik iteráció Ha F r =, akkor x* optmális megoldás, z* az optimum értéke és vége az eljárásnak. Egyébként folytassuk.
39 Korlátozás és szétválasztás módszere Holló Csaba 39 Valamilyen levélválasztási stratégia szerint válasszunk ki egy Ω F r elemet. Legyen ϕ(ω ) = { Ω 1, Ω 2,..., Ω k }. Határozzuk meg rendre a g(ω 1 ), g(ω 2 ),..., g(ω k ) korlátokat.
40 Korlátozás és szétválasztás módszere Holló Csaba 4 A korlátok meghatározása során minden esetlegesen előálló x lehetséges megoldásra: ha z(x )<z*, akkor legyen x*= x és z* = z(x ).
41 Korlátozás és szétválasztás módszere Holló Csaba 41 Legyen F r+1 = { Ω i : Ω i (F r \ {Ω }) ϕ(ω ) & g(ω i )<z* } Növeljük r értékét 1-el. Térjünk rá a következő iterációs lépésre.
42 Korlátozás és szétválasztás módszere Holló Csaba 42 Érdemes megfigyelni, hogy ϕ-nek és g-nek nem muszáj minden Ω Ω-re értelmezve lenni, elegendő ha a B&B fa élő levelein értelmezve vannak.
43 Korlátozás és szétválasztás módszere Holló Csaba 43 Az eljárás nem csak minimum, hanem maximum feladatokra is használható oly módon, hogy: W helyett W-t, < helyett >-at, helyett -t, használunk, és g a halmazokhoz felső korlátot rendel.
44 Korlátozás és szétválasztás módszere Holló Csaba 44 Amikor B&B eljárással oldunk meg egy feladatot, akkor meg kell adni: az Ω halmazt a ϕ szétválasztó függvényt a g korlátozó függvényt a levélválasztási stratégiát.
45 Korlátozás és szétválasztás módszere Holló Csaba 45 A megoldás hatékonysága attól függ, hogy ezeket hogyan adjuk meg. A továbbiakban gyakorlati példákon keresztül szemléltetjük ezek lehetséges megadását.
46 Korlátozás és szétválasztás módszere Holló Csaba 46 I. Az eljárás II. Hátizsák feladat III. Halmazlefedési feladat IV. Hálózati folyamatok szintézise
47 Korlátozás és szétválasztás módszere Holló Csaba 47 I. Az eljárás II. Hátizsák feladat III. Halmazlefedési feladat
48 Korlátozás és szétválasztás módszere Holló Csaba A feladat 2. Megoldás dinamikus programozással 3. A hátizsák feladat lineáris programozási relaxációja
49 Korlátozás és szétválasztás módszere Holló Csaba 49 A hátizsák feladatnak több formája van. Mi most a bináris hátizsák feladattal fogunk foglalkozni, melyről bizonyították, hogy NP nehéz, tehát nem várható hatékony eljárás a megoldására.
50 Korlátozás és szétválasztás módszere Holló Csaba 5 Adott egy hátizsák és különböző tárgyak. Legyen: m a tárgyak száma a j a j-dik tárgy súlya (j = 1,..., m) c j a j-dik tárgy értéke (j = 1,..., m) b a hátizsák súlykorlátja x j = 1, ha a j-dik tárgy bekerül a zsákba, és x j = ha nem.
51 Korlátozás és szétválasztás módszere Holló Csaba 51 Feltételezzük, hogy minden tárgyból csak egy van. Ha nem, akkor a példányokat különböző tárgyaknak tekintjük. A cél az, hogy a tárgyakból olyan rakományt állítsunk össze, melyet a hátizsák megbír, és összértéke maximális.
52 Korlátozás és szétválasztás módszere Holló Csaba 52 Formálisan: a 1 x 1 + a 2 x a m x m b x j {,1}, j = 1,..., m max{ c 1 x 1 + c 2 x c m x m } a j, c j, b egészek
53 Korlátozás és szétválasztás módszere Holló Csaba 53 Tétel. Az optimális megoldás létezését és meghatározását illetően elegendő olyan feladatok vizsgálatára szorítkozni, melyekben minden a j, c j együttható pozitív egész.
54 Korlátozás és szétválasztás módszere Holló Csaba 54 Bizonyítás Az előző feladatból kiindulva felépítünk egy olyan feladatot, melyben a j, c j pozitív egészek, és melynek optimális megoldásából közvetlenül származtatható az előző feladat optimális megoldása.
55 Korlátozás és szétválasztás módszere Holló Csaba lépés: Minden olyan j indexre, melyre a j és c j, helyettesítsük x j -t (1-x j )-vel. 2. lépés: Minden olyan j-re, melyre a j > és c j, legyen x j =. 3. lépés: Minden olyan j-re, melyre a j és c j >, legyen x j = 1.
56 Korlátozás és szétválasztás módszere Holló Csaba 56 Világos, hogy ha a j és c j pozitív, akkor b is pozitív kell legyen, különben vagy nincs megoldás, vagy az a vektor. A továbbiakban tehát feltételezzük, hogy a j, c j, és b pozitív egészek.
57 Korlátozás és szétválasztás módszere Holló Csaba A feladat 2. Megoldás dinamikus programozással 3. A hátizsák feladat lineáris programozási relaxációja
58 Korlátozás és szétválasztás módszere Holló Csaba 58 Jelölje f(k,r) az alábbi feladat optimális megoldását: a x + a x a x r k k x {,1}, j = 1,..., k j max{ c x + c x c x } k k a, c, b egészek j j
59 Korlátozás és szétválasztás módszere Holló Csaba 59 Akkor: f(k,) =, k = 1, 2,..., m f(1,r) = c 1, ha a 1 r, r =, 1,..., b f(1,r) =, ha a 1 >r. f(k,r) = max{ f(k-1,r), c k +f(k-1, r-a k ) } Az f(k,r) értékeket egy m (b+1)-es táblázatban soronként számítjuk ki.
60 Korlátozás és szétválasztás módszere Holló Csaba 6 Az optimum értékét az f(m,b) értéke adja, az optimális megoldások pedig a rekurzív egyenletet használva visszafelé határozhatók meg.
61 Korlátozás és szétválasztás módszere Holló Csaba A feladat 2. Megoldás dinamikus programozással 3. A hátizsák feladat lineáris programozási relaxációja
62 Korlátozás és szétválasztás módszere Holló Csaba 62 Az eredeti feladatban egy tárgyat vagy teljesen beleteszünk a hátizsákba, vagy nem. Tekintsük most azt a változatot, melyben a tárgyakat részben is beletehetjük a hátizsákba. Ez lesz a feladat lineáris programozási relaxációja.
63 Korlátozás és szétválasztás módszere Holló Csaba 63 Formálisan: a 1 x 1 + a 2 x a m x m b x j 1, j = 1,..., m max{ c 1 x 1 + c 2 x c m x m } a j, c j, b pozitív egészek
64 Korlátozás és szétválasztás módszere Holló Csaba 64 Ha L a bináris hátizsák feladat lehetséges megoldásainak halmaza, és L* a relaxáció lehetséges megoldásainak halmaza, akkor:
65 Korlátozás és szétválasztás módszere Holló Csaba 65 L L* és max{z(x): x L} max{z(x): x L*} Sőt, a relaxáció optimumának egész része is felső korlátja a bináris hátizsák feladat optimális megoldásának. Hogyan oldjuk meg a feladatot?
66 Korlátozás és szétválasztás módszere Holló Csaba 66 Rendezzük át az indexeket úgy, hogy teljesüljön a c 1 /a 1 c 2 /a 2... c m /a m reláció. Akkor teljesül G. B. Dantzig következő tétele:
67 Korlátozás és szétválasztás módszere Holló Csaba 67 Legyen k a legnagyobb olyan egész szám, amire a 1 + a a k b. Akkor az x j = 1, j = 1,..., k x k+1 = (b-(a 1 + a a k ))/a k+1 x l =, l = k+2,..., m
68 Korlátozás és szétválasztás módszere Holló Csaba 68 egy optimális megoldása a hátizsák feladat lineáris programozási relaxációjának. A tétel könnyen belátható. Az is nyilvánvaló, hogy ezáltal egy hatékony megoldást adtunk.
69 Korlátozás és szétválasztás módszere Holló Csaba 69 Amennyiben a lineáris programozási relaxáció optimális megoldása egész, akkor egy bináris vektort kapunk, mely optimális megoldása a bináris hátizsák feladatnak is.
70 Korlátozás és szétválasztás módszere Holló Csaba 7 Ha a lineáris programozási relaxáció optimális megoldása nem egész, akkor abban az egyetlen nem egész komponenst -ra változtatva, a bináris hátizsák feladat egy lehetséges megoldását kapjuk.
71 Korlátozás és szétválasztás módszere Holló Csaba Megoldás korlátozás és szétválasztás módszerével
72 Korlátozás és szétválasztás módszere Holló Csaba 72 a. Az Ω halmaz b. A g korlátozó függvény c. A ϕ szétválasztó függvény d. A levélválasztási stratégia e. Az eljárás
73 Korlátozás és szétválasztás módszere Holló Csaba 73 Az Ω halmaz Legyen Ω = { (x 1,..., x m ), x j {,1}, j = 1,..., m }. Látható, hogy L Ω. Továbbá Ω = 2 m, tehát Ω véges.
74 Korlátozás és szétválasztás módszere Holló Csaba 74 a. Az Ω halmaz b. A ϕ szétválasztó függvény c. A g korlátozó függvény d. A levélválasztási stratégia e. Az eljárás
75 Korlátozás és szétválasztás módszere Holló Csaba 75 Adott halmazra a szétválasztást úgy fogjuk megvalósítani, hogy valamely még nem rögzített x i értékét rögzítjük -ra, illetve 1-re, és ily módon az eredeti halmazt két részhalmazra bontjuk.
76 Korlátozás és szétválasztás módszere Holló Csaba 76 Legyen egy adott pillanatban I, J {1,..., m}, I J =, I azon i indexek halmaza, melyekre x i -t 1-re rögzítettük, J azon j indexek halmaza, melyekre x j -t -ra rögzítettük, és
77 Korlátozás és szétválasztás módszere Holló Csaba 77 Ω I,J = { x : x Ω & x i = 1, ha i I & x j =, ha j J }. Akkor: Ω I,J > 1 I + J < m. Ebben az esetben létezik k {1,..., m} amire k I J. Legyen I1 = I {k}, J1 = J és I2 = I, J2 = J {k}.
78 Korlátozás és szétválasztás módszere Holló Csaba 78 Ha több ilyen k érték is van, akkor legyen k azon legkisebb komponens indexe, amely az Ω I,J által meghatározott részprobléma relaxációjának optimális megoldásában nem egész értéket kap.
79 Korlátozás és szétválasztás módszere Holló Csaba 79 Akkor legyen ϕ(ω I,J ) = {Ω I1,J1, Ω I2,J2 }. Ez azt jelenti, hogy: rögzítjük x k -t 1-re, illetve -ra, és ennek megfelelően bontjuk fel osztályokra az Ω I,J -t.
80 Korlátozás és szétválasztás módszere Holló Csaba 8 a. Az Ω halmaz b. A ϕ szétválasztó függvény c. A g korlátozó függvény d. A levélválasztási stratégia e. Az eljárás
81 Korlátozás és szétválasztás módszere Holló Csaba 81 Az Ω I,J halmazban rögzítettünk bizonyos indexű komponenseket -ra, illetve 1-re. Hogyha ezeket behelyettesítjük az eredeti feladatban, akkor annak egy (I,J)-részproblémáját kapjuk, ahol a lehetséges megoldásokba a rögzített változókat is beleértjük.
82 Korlátozás és szétválasztás módszere Holló Csaba 82 Legyen az (I,J)-részprobléma: lehetséges megoldásainak halmaza L I,J, lineáris programozási relaxációjának optimuma z I,J, annak egész része z I,J. Akkor: L I,J = L Ω I,J.
83 Korlátozás és szétválasztás módszere Holló Csaba 83 Továbbá z I,J felső korlátja a { z(x) : x L I,J } célfüggvényértékeknek. Akkor legyen g(ω I,J ) = z I,J ha az (I,J)-részprobléma lineáris programozási relaxációjának van lehetséges megoldása, és g(ω I,J ) = -W, ha nincs.
84 Korlátozás és szétválasztás módszere Holló Csaba 84 A lineáris programozási relaxáció megoldásánál tárgyaltak értelmében, ha az (I,J)-részprobléma lineáris programozási relaxációjának optimális megoldása egész, akkor az a részproblémának is optimális megoldása. Egyébként tudunk képezni egy lehetséges megoldást.
85 Korlátozás és szétválasztás módszere Holló Csaba 85 a. Az Ω halmaz b. A ϕ szétválasztó függvény c. A g korlátozó függvény d. A levélválasztási stratégia e. Az eljárás
86 Korlátozás és szétválasztás módszere Holló Csaba 86 Osztályozás céljából minden lépésben egy legnagyobb korláttal rendelkező levelet fogunk választani. Ha több ilyen is van, akkor választhatjuk pl. azt, amelyiket hamarabb megtaláljuk az F r halmazban.
87 Korlátozás és szétválasztás módszere Holló Csaba 87 a. Az Ω halmaz b. A ϕ szétválasztó függvény c. A g korlátozó függvény d. A levélválasztási stratégia e. Az eljárás
88 Korlátozás és szétválasztás módszere Holló Csaba 88 Az eredeti feladat lineáris programozási relaxációjának megoldásából kaphatunk egy lehetséges megoldást. Az eljárás az ismertetett módon működik, annyi különbséggel, hogy itt maximumot keresünk, ezért:
89 Korlátozás és szétválasztás módszere Holló Csaba 89 minden esetlegesen előálló x lehetséges megoldásra, ha z(x )>z*, akkor x*= x és z* = z(x ), és F r+1 = { Ω i : Ω i (F r \ {Ω }) ϕ(ω ) & g(ω i ) > z* }.
90 Korlátozás és szétválasztás módszere Holló Csaba 9 I. Az eljárás II. Hátizsák feladat III. Halmazlefedési feladat
91 Korlátozás és szétválasztás módszere Holló Csaba 91 I. Az eljárás II. Hátizsák feladat III. Halmazlefedési feladat IV. Hálózati folyamatok szintézise
92 Korlátozás és szétválasztás módszere Holló Csaba A feladat 2. Alkalmazások 3. Redukciók 4. Redundáns és prím fedőrendszerek
93 Korlátozás és szétválasztás módszere Holló Csaba 93 Adott egy I = {1,..., n} halmaz és I nemüres részhalmazainak egy P 1,..., P m rendszere c 1,..., c m pozitív súlyokkal. Határozzuk meg I-nek egy minimális súlyú fedőrendszerét, ahol egy fedőrendszer súlyát a benne szereplő részhalmazok súlyainak összege adja.
94 Korlátozás és szétválasztás módszere Holló Csaba 94 {P j1,... P jk } fedőrendszere I-nek, ha P j1... P jk I. Formálisan, tetszőleges i I, 1 j m indexekre legyen a ij = 1, ha i P j és a ij = különben, x j = 1, ha P j eleme a fedőrendszernek és x j = különben.
95 Korlátozás és szétválasztás módszere Holló Csaba c a (7) a (6) a (5) a (4) a (3) a (2) a (1) x 11 x 1 x 9 x 8 x 7 x 6 x 5 x 4 x 3 x 2 x 1
96 Korlátozás és szétválasztás módszere Holló Csaba 96 a i1 x 1 + a i2 x a im x m 1, i=1,..., n a ij {,1}, x j {,1}, c j >, j = 1,..., m c 1 x 1 + c 2 x 2 + c m x m = z -> min
97 Korlátozás és szétválasztás módszere Holló Csaba 97 A feladatnak akkor és csakis akkor van lehetséges megoldása, ha minden egyenlőtlenség baloldala tartalmaz legalább egy -tól különböző együtthatót. Ezt a továbbiakban feltételezni fogjuk.
98 Korlátozás és szétválasztás módszere Holló Csaba 98 A lehetséges megoldások halmaza L {,1} m, így L véges, ezért létezik optimális megoldás. Megjegyzendő, hogy a c j >, j = 1,..., m feltétel nem jelent tényleges megszorítást.
99 Korlátozás és szétválasztás módszere Holló Csaba 99 Könnyen belátható, hogy ha x j =1-et veszünk minden olyan j indexre, melyre c j, akkor az így keletkezett csak pozitív súlyokkal rendelkező probléma megoldása az eredeti feladat optimális megoldását adja.
100 Korlátozás és szétválasztás módszere Holló Csaba 1 1. A feladat 2. Alkalmazások 3. Redukciók 4. Redundáns és prím fedőrendszerek
101 Korlátozás és szétválasztás módszere Holló Csaba 11 Információ kigyűjtés Adott m fájl különböző információtartalmakkal. Fájlok összemásolásával egy minél rövidebb olyan új fájlt akarunk képezni, mely n féle, az eredeti fájlokban megtalálható információt tartalmaz.
102 Korlátozás és szétválasztás módszere Holló Csaba 12 Termelésszervezés Adott n elvégzendő feladat és m munkás, melyek mindegyike a feladatok közül bizonyosokat el tud végezni. Válasszunk ki minél kevesebb (összköltségű) munkást, akik együtt az n munkát elvégzik.
103 Korlátozás és szétválasztás módszere Holló Csaba 13 Játékszervezés Egy társaságban adott kétszemélyes játékot mindenki hajlandó játszani valakikkel, de nem mindenkivel. Feltételezzük, hogy a hajlandóság kölcsönös.
104 Korlátozás és szétválasztás módszere Holló Csaba 14 Hogyan kell minimális számú játszmát lejátszani úgy, hogy mindenki játsszon legalább egyszer? Itt a fedőrendszer elemei az egymással játszani hajlandó embereknek megfelelő kételemű halmazok.
105 Korlátozás és szétválasztás módszere Holló Csaba A feladat 2. Alkalmazások 3. Redukciók 4. Redundáns és prím fedőrendszerek
106 Korlátozás és szétválasztás módszere Holló Csaba 16 Bizonyos feltételek teljesülése esetén az eredeti feladat mérete csökkenthető. Ezeket a feltételeket írják le a redukciós szabályok. Jelölje a (i), illetve a (j) az A együtthatómátrix i-dik sorát, illetve j-dik oszlopát.
107 Korlátozás és szétválasztás módszere Holló Csaba 17 R1. Ha a (i) =e k, ahol e k a k-dik egységvektor, akkor bármelyik x L lehetséges megoldásra x k =1. Akkor minden t P k -ra a tk x k =1, ezért a t-dik feltétel teljesül, így elhagyható. Továbbá a k-adik oszlop is törölhető.
108 Korlátozás és szétválasztás módszere Holló Csaba 18 R2. Ha a (r) a (s), r, s {1,..., n}, akkor x L-re a (r) x 1 a (s) x 1, ezért az s-edik feltétel elhagyható. R3. Ha J {1,..., m}, k {1,..., m} t J a (t) a (k) és t J c t c k, akkor a k-adik oszlop elhagyható.
109 Korlátozás és szétválasztás módszere Holló Csaba c a (7) a (6) a (5) a (4) a (3) a (2) a (1) x 11 x 1 x 9 x 8 x 7 x 6 x 5 x 4 x 3 x 2 x 1
110 Korlátozás és szétválasztás módszere Holló Csaba A feladat 2. Alkalmazások 3. Redukciók 4. Redundáns és prím fedőrendszerek
111 Korlátozás és szétválasztás módszere Holló Csaba 111 Legyen Φ = {P 1,..., P k } egy fedőrendszer. P s redundáns elem, ha P\P s is fedőrendszer. Φ redundáns fedőrendszer, ha van redundáns eleme. Ellenkező esetben Φ prím fedőrendszer.
112 Korlátozás és szétválasztás módszere Holló Csaba 112 P1. Redundáns fedőrendszerből elhagyva egy redundáns elemet kisebb súlyú fedőrendszert kapunk. P2. A halmazfeledési probléma bármely optimális megoldása egy prím fedőrendszert ad.
113 Korlátozás és szétválasztás módszere Holló Csaba 113 P3. A Φ ={P 1,..., P k } fedőrendszer P j eleme akkor és csak akkor redundáns, ha i P j -re a i1 + a i a ik 2 teljesül. Ily módon tetszőleges fedőrendszerről és elemről eldönthető, hogy redundáns-e.
114 Korlátozás és szétválasztás módszere Holló Csaba 114 Egy x L által meghatározott redundáns fedőrendszerből a redundáns elemek elhagyásával kapott prím fedőrendszert jelöljük prim(x )-vel. A kapott prím fedőrendszer függ a redundáns elemek elhagyásának sorrendjétől.
115 Korlátozás és szétválasztás módszere Holló Csaba Lineáris programozási relaxáció 6. Megoldás korlátozás és szétválasztás módszerével
116 Korlátozás és szétválasztás módszere Holló Csaba 116 A lineáris relaxációban az eredeti feladat x j {,1}, j = 1,..., m feltételt helyettesítjük x j, j = 1,..., m feltétellel. Tehát a feladat:
117 Korlátozás és szétválasztás módszere Holló Csaba 117 a i1 x 1 + a i2 x a im x m 1, i=1,..., n a ij {,1}, x j, c j >, j = 1,..., m c 1 x 1 + c 2 x 2 + c m x m = z -> min
118 Korlátozás és szétválasztás módszere Holló Csaba 118 Ha egy x optimális megoldásban lenne x j >1, akkor x j -t 1-re változtatva is lehetséges megoldást kapnánk és a célfüggvény értéke csökkenne, ami ellentmondás lenne azzal, hogy x optimális megoldás.
119 Korlátozás és szétválasztás módszere Holló Csaba 119 L1. A relaxáció bármely x optimális megoldására x j 1. Tehát az optimális megoldás szempontjából a relaxációs feladatba x j helyett írhatunk x j 1-et.
120 Korlátozás és szétválasztás módszere Holló Csaba 12 L2. A lineáris programozási relaxáció bármely x optimális megoldásában minden -tól különböző komponens helyébe 1-et írva egy fedőrendszerhez jutunk, melyet int(x )-vel jelölünk.
121 Korlátozás és szétválasztás módszere Holló Csaba 121 Ebből a redundáns elemek elhagyásával egy prim(int(x )) fedőrendszerhez jutunk.
122 Korlátozás és szétválasztás módszere Holló Csaba Lineáris programozási relaxáció 6. Megoldás korlátozás és szétválasztás módszerével
123 Korlátozás és szétválasztás módszere Holló Csaba 123 a. Az Ω halmaz b. A g korlátozó függvény c. A ϕ szétválasztó függvény d. A levélválasztási stratégia e. Az eljárás
124 Korlátozás és szétválasztás módszere Holló Csaba 124 Az Ω halmaz Legyen Ω = { (x 1,..., x m ), x j {,1}, j = 1,..., m }. Látható, hogy L Ω. Továbbá Ω = 2 m, tehát Ω véges.
125 Korlátozás és szétválasztás módszere Holló Csaba 125 a. Az Ω halmaz b. A ϕ szétválasztó függvény c. A g korlátozó függvény d. A levélválasztási stratégia e. Az eljárás
126 Korlátozás és szétválasztás módszere Holló Csaba 126 Adott halmazra a szétválasztást úgy fogjuk megvalósítani, hogy valamely még nem rögzített x i értékét rögzítjük -ra, illetve 1-re, és ily módon az eredeti halmazt két részhalmazra bontjuk.
127 Korlátozás és szétválasztás módszere Holló Csaba 127 Legyen egy adott pillanatban I, J {1,..., m}, I J =, I azon i indexek halmaza, melyekre x i -t 1-re rögzítettük, J azon j indexek halmaza, melyekre x j -t -ra rögzítettük, és
128 Korlátozás és szétválasztás módszere Holló Csaba 128 Ω I,J = { x : x Ω & x i = 1, ha i I & x j =, ha j J }. Akkor: Ω I,J > 1 I + J < m. Ebben az esetben létezik k {1,..., m} amire k I J. Legyen I1 = I {k}, J1 = J és I2 = I, J2 = J {k}.
129 Korlátozás és szétválasztás módszere Holló Csaba 129 Ha több ilyen k érték is van, akkor legyen k azon komponens indexe, melyhez a legnagyobb értékű célfüggvény együttható tartozik. Ha több ilyen is van, akkor ezek közül válasszuk a legkisebb indexűt.
130 Korlátozás és szétválasztás módszere Holló Csaba 13 Akkor legyen ϕ(ω I,J ) = {Ω I1,J1, Ω I2,J2 }. Ez azt jelenti, hogy: rögzítjük x k -t 1-re, illetve -ra, és ennek megfelelően bontjuk fel osztályokra az Ω I,J -t.
131 Korlátozás és szétválasztás módszere Holló Csaba 131 a. Az Ω halmaz b. A ϕ szétválasztó függvény c. A g korlátozó függvény d. A levélválasztási stratégia e. Az eljárás
132 Korlátozás és szétválasztás módszere Holló Csaba 132 Az Ω I,J halmazban rögzítettünk bizonyos indexű komponenseket -ra, illetve 1-re. Hogyha ezeket behelyettesítjük az eredeti feladatban, akkor annak egy (I,J)-részproblémáját kapjuk, ahol a lehetséges megoldásokba a rögzített változókat is beleértjük.
133 Korlátozás és szétválasztás módszere Holló Csaba 133 Legyen az (I,J)-részprobléma: lehetséges megoldásainak halmaza L I,J, lineáris programozási relaxációjának optimuma z I,J, annak egész része z I,J. Akkor: L I,J = L Ω I,J.
134 Korlátozás és szétválasztás módszere Holló Csaba 134 Továbbá z I,J alsó korlátja a { z(x) : x L I,J } célfüggvényértékeknek. Akkor legyen g(ω I,J ) = z I,J. Ha c j, j = 1,..., m egész és z I,J nem egész, akkor lehet g(ω I,J ) = z I,J +1.
135 Korlátozás és szétválasztás módszere Holló Csaba 135 A lineáris programozási relaxáció megoldásánál tárgyaltak értelmében, ha az (I,J)-részprobléma lineáris programozási relaxációjának optimális megoldása egész, akkor egy fedőrendszerhez jutunk.
136 Korlátozás és szétválasztás módszere Holló Csaba 136 Egyébként a prim(int(x ) fedőrendszer képzésével kaphatunk egy lehetséges megoldást. Így minden korlát meghatározásánál elő tudunk állítani egy lehetséges megoldást.
137 Korlátozás és szétválasztás módszere Holló Csaba 137 a. Az Ω halmaz b. A ϕ szétválasztó függvény c. A g korlátozó függvény d. A levélválasztási stratégia e. Az eljárás
138 Korlátozás és szétválasztás módszere Holló Csaba 138 Osztályozás céljából minden lépésben egy legkisebb korláttal rendelkező levelet fogunk választani. Ha több ilyen is van, akkor választhatjuk pl. azt, amelyiket hamarabb megtaláljuk az F r halmazban.
139 Korlátozás és szétválasztás módszere Holló Csaba 139 a. Az Ω halmaz b. A ϕ szétválasztó függvény c. A g korlátozó függvény d. A levélválasztási stratégia e. Az eljárás
140 Korlátozás és szétválasztás módszere Holló Csaba 14 Egy induló lehetséges megoldás meghatározásához használjuk a következő heurisztikát. Rendezzük növekvő sorrendbe a célfüggvény együtthatókat.
141 Korlátozás és szétválasztás módszere Holló Csaba 141 A rendezett sorozatnak megfelelően a változók addig kapnak 1-et, amíg el nem érjük, hogy minden feltétel teljesül. Megjegyzendő, hogy hatékonyabb heurisztikák is léteznek.
Általános 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
Részletesebbenút hosszát. Ha a két várost nem köti össze út, akkor legyen c ij = W, ahol W már az előzőekben is alkalmazott megfelelően nagy szám.
1 Az utazó ügynök problémája Utazó ügynök feladat Adott n számú város és a városokat összekötő utak, amelyeknek ismert a hossza. Adott továbbá egy ügynök, akinek adott városból kiindulva, minden várost
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
RészletesebbenProgramozási módszertan. Mohó algoritmusok
PM-08 p. 1/17 Programozási módszertan Mohó algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu PM-08 p. 2/17 Bevezetés Dinamikus programozás
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
RészletesebbenKorlátozás és szétválasztás elve. ADAGOLO adattípus
Korlátozás és szétválasztás elve ADAGOLO adattípus Értékhalmaz: E Adagolo : A E Műveletek: A : Adagolo, x : E {Igaz} Letesit(A) {A = /0} {A = A} Megszuntet(A) {Igaz} {A = A} Uresit(A) {A = /0} {A = A}
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
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
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
RészletesebbenLINEÁRIS PROGRAMOZÁSI FELADATOK MEGOLDÁSA SZIMPLEX MÓDSZERREL
LINEÁRIS PROGRAMOZÁSI FELADATOK MEGOLDÁSA SZIMPLEX MÓDSZERREL x 1-2x 2 6 -x 1-3x 3 = -7 x 1 - x 2-3x 3-2 3x 1-2x 2-2x 3 4 4x 1-2x 2 + x 3 max Alapfogalmak: feltételrendszer (narancs színnel jelölve), célfüggvény
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.
Részletesebben1/12. 3. gyakorlat. Lineáris Programozási feladatok megoldása szimplex módszerrel. Pécsi Tudományegyetem PTI
/ Operációkutatás. gyakorlat Lineáris Programozási feladatok megoldása szimplex módszerrel Pécsi Tudományegyetem PTI Normál feladatok megoldása szimplex módszerrel / / Normál feladatok megoldása szimplex
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
RészletesebbenA szimplex algoritmus
A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás
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
Részletesebben1/ gyakorlat. Hiperbolikus programozási feladat megoldása. Pécsi Tudományegyetem PTI
1/12 Operációkutatás 5. gyakorlat Hiperbolikus programozási feladat megoldása Pécsi Tudományegyetem PTI 2/12 Ha az Hiperbolikus programozási feladat feltételek teljesülése mellett a A x b x 0 z(x) = c
RészletesebbenKOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA, MATEmATIkA I. 3 III. MEGFELELTETÉSEk, RELÁCIÓk 1. BEVEZETÉS Emlékeztetünk arra, hogy az rendezett párok halmazát az és halmazok Descartes-féle szorzatának nevezzük. Más szóval az és halmazok
Részletesebben1/ gyakorlat. Lineáris Programozási feladatok megoldása szimplex módszerrel. Pécsi Tudományegyetem PTI
/ Operációkutatás. gyakorlat Lineáris Programozási feladatok megoldása szimplex módszerrel Pécsi Tudományegyetem PTI /. Legyen adott az alábbi LP-feladat: x + 4x + x 9 x + x x + x + x 6 x, x, x x + x +
Részletesebben2. Visszalépéses keresés
2. Visszalépéses keresés Visszalépéses keresés A visszalépéses keresés egy olyan KR, amely globális munkaterülete: egy út a startcsúcsból az aktuális csúcsba (az útról leágazó még ki nem próbált élekkel
RészletesebbenGauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei
A Gauss-Jordan elimináció, mátrixinvertálás Gauss-Jordan módszer Ugyanazzal a technikával, mint ahogy a k-adik oszlopban az a kk alatti elemeket kinulláztuk, a fölötte lévő elemeket is zérussá lehet tenni.
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
RészletesebbenKOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA, MATEmATIkA I. 4 IV. FÜGGVÉNYEk 1. LEkÉPEZÉSEk, függvények Definíció Legyen és két halmaz. Egy függvény -ből -ba egy olyan szabály, amely minden elemhez pontosan egy elemet rendel hozzá. Az
RészletesebbenOperációkutatás. 4. konzultáció: Szállítási feladat. A feladat LP modellje
Operációkutatás 1 NYME KTK, gazdálkodás szak, levelező alapképzés 2002/2003. tanév, II. évf. 2.félév Előadó: Dr. Takách Géza NyME FMK Információ Technológia Tanszék 9400 Sopron, Bajcsy Zs. u. 9. GT fszt.
RészletesebbenA szimplex algoritmus
. gyakorlat A szimplex algoritmus Az előző órán bevezetett feladat optimális megoldását fogjuk megvizsgálni. Ehhez új fogalmakat, és egy algoritmust tanulunk meg. Hogy az algoritmust alkalmazni tudjuk,
RészletesebbenStruktúra nélküli adatszerkezetek
Struktúra nélküli adatszerkezetek Homogén adatszerkezetek (minden adatelem azonos típusú) osztályozása Struktúra nélküli (Nincs kapcsolat az adatelemek között.) Halmaz Multihalmaz Asszociatív 20:24 1 A
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,...,
RészletesebbenTovábbi programozási esetek Hiperbolikus, kvadratikus, integer, bináris, többcélú programozás
További programozási esetek Hiperbolikus, kvadratikus, integer, bináris, többcélú programozás Készítette: Dr. Ábrahám István Hiperbolikus programozás Gazdasági problémák optimalizálásakor gyakori, hogy
RészletesebbenAlgoritmuselmélet 18. előadás
Algoritmuselmélet 18. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Május 7. ALGORITMUSELMÉLET 18. ELŐADÁS 1 Közelítő algoritmusok
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
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
RészletesebbenAlgoritmizálás, adatmodellezés tanítása 8. előadás
Algoritmizálás, adatmodellezés tanítása 8. előadás Elágazás és korlátozás A backtrack alkalmas-e optimális megoldás keresésére? Van költség, és a legkisebb költségű megoldást szeretnénk előállítani. Van
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy
Diszkrét matematika 3. estis képzés 2018. ősz 1. Diszkrét matematika 3. estis képzés 10. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenMohó algoritmusok. Példa:
Mohó algoritmusok Optimalizálási probléma megoldására szolgáló algoritmus sokszor olyan lépések sorozatából áll, ahol minden lépésben adott halmazból választhatunk. Ezt gyakran dinamikus programozás alapján
RészletesebbenFormális nyelvek - 9.
Formális nyelvek - 9. Csuhaj Varjú Erzsébet Algoritmusok és Alkalmazásaik Tanszék Informatikai Kar Eötvös Loránd Tudományegyetem H-1117 Budapest Pázmány Péter sétány 1/c E-mail: csuhaj@inf.elte.hu 1 Véges
Részletesebbenangolul: greedy algorithms, románul: algoritmi greedy
Mohó algoritmusok angolul: greedy algorithms, románul: algoritmi greedy 1. feladat. Gazdaságos telefonhálózat építése Bizonyos városok között lehet direkt telefonkapcsolatot kiépíteni, pl. x és y város
RészletesebbenDinamikus programozás - Szerelőszalag ütemezése
Dinamikus programozás - Szerelőszalag ütemezése A dinamikus programozás minden egyes részfeladatot és annak minden részfeladatát pontosan egyszer oldja meg, az eredményt egy táblázatban tárolja, és ezáltal
RészletesebbenOptimumkeresés számítógépen
C Optimumkeresés számítógépen Az optimumok megtalálása mind a gazdasági életben, mind az élet sok más területén nagy jelentőségű. A matematikában számos módszert dolgoztak ki erre a célra, például a függvények
RészletesebbenAmortizációs költségelemzés
Amortizációs költségelemzés Amennyiben műveleteknek egy M 1,...,M m sorozatának a futási idejét akarjuk meghatározni, akkor egy lehetőség, hogy külön-külön minden egyes művelet futási idejét kifejezzük
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,
RészletesebbenGauss-Seidel iteráció
Közelítő és szimbolikus számítások 5. gyakorlat Iterációs módszerek: Jacobi és Gauss-Seidel iteráció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 ITERÁCIÓS
Részletesebbenbármely másikra el lehessen jutni. A vállalat tudja, hogy tetszőlegesen adott
. Minimális súlyú feszítő fa keresése Képzeljük el, hogy egy útépítő vállalat azt a megbízást kapja, hogy építsen ki egy úthálózatot néhány település között (a települések között jelenleg nincs út). feltétel
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
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 207. tavasz. Diszkrét matematika 2.C szakirány 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 207.
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
Részletesebben9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, mátrixegyenlet
9. Előadás Megyesi László: Lineáris algebra, 75. 84. oldal. Gondolkodnivalók Mátrix rangja 1. Gondolkodnivaló Határozzuk meg a p valós paraméter értékétől függően a következő mátrix rangját: p 3 1 2 2
RészletesebbenDiszkrét matematika II., 8. előadás. Vektorterek
1 Diszkrét matematika II., 8. előadás Vektorterek Dr. Takách Géza NyME FMK Informatikai Intézet takach@inf.nyme.hu http://inf.nyme.hu/ takach/ 2007.??? Vektorterek Legyen T egy test (pl. R, Q, F p ). Definíció.
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
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
RészletesebbenAz R halmazt a valós számok halmazának nevezzük, ha teljesíti az alábbi 3 axiómacsoport axiómáit.
2. A VALÓS SZÁMOK 2.1 A valós számok aximómarendszere Az R halmazt a valós számok halmazának nevezzük, ha teljesíti az alábbi 3 axiómacsoport axiómáit. 1.Testaxiómák R-ben két művelet van értelmezve, az
RészletesebbenÜtemezési feladatok. Az ütemezési feladatok vizsgálata az 50-es évek elején kezdődött, majd
1 Ütemezési feladatok Az ütemezési feladatok vizsgálata az 50-es évek elején kezdődött, majd tekintettel a feladat gyakorlati fontosságára sok különböző modell tanulmányozására került sor, és a témakör
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.
Részletesebben15. LINEÁRIS EGYENLETRENDSZEREK
15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
RészletesebbenOnline migrációs ütemezési modellek
Online migrációs ütemezési modellek Az online migrációs modellekben a régebben ütemezett munkák is átütemezhetőek valamilyen korlátozott mértékben az új munka ütemezése mellett. Ez csökkentheti a versenyképességi
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
Részletesebbenösszeadjuk 0-t kapunk. Képletben:
814 A ferde kifejtés tétele Ha egy determináns valamely sorának elemeit egy másik sor elemeihez tartozó adjungáltakkal szorozzuk meg és a szorzatokat összeadjuk 0-t kapunk Képletben: n a ij A kj = 0, ha
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
RészletesebbenPartíció probléma rekurzíómemorizálással
Partíció probléma rekurzíómemorizálással A partíciószám rekurzív algoritmusa Ω(2 n ) műveletet végez, pedig a megoldandó részfeladatatok száma sokkal kisebb O(n 2 ). A probléma, hogy bizonyos már megoldott
RészletesebbenVisszalépéses keresés
Visszalépéses keresés Backtracking előadás http://nik.uni-obuda.hu/prog2 Szénási Sándor szenasi.sandor@nik.uni-obuda.hu Óbudai Egyetem,Neumann János Informatikai Kar Alapvető működése Továbbfejlesztési
RészletesebbenLNM folytonos Az interpoláció Lagrange interpoláció. Lineáris algebra numerikus módszerei
Legkisebb négyzetek módszere, folytonos eset Folytonos eset Legyen f C[a, b]és h(x) = a 1 φ 1 (x) + a 2 φ 2 (x) +... + a n φ n (x). Ekkor tehát az n 2 F (a 1,..., a n ) = f a i φ i = = b a i=1 f (x) 2
RészletesebbenEuroOffice Optimalizáló (Solver)
1. oldal EuroOffice Optimalizáló (Solver) Az EuroOffice Optimalizáló egy OpenOffice.org bővítmény, ami gyors algoritmusokat kínál lineáris programozási és szállítási feladatok megoldására. Szimplex módszer
Részletesebben4. Fuzzy relációk. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI
4. Fuzzy relációk Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Klasszikus relációk Halmazok Descartes-szorzata Relációk 2 Fuzzy relációk Fuzzy relációk véges alaphalmazok
Részletesebben2. Visszalépéses stratégia
2. Visszalépéses stratégia A visszalépéses keres rendszer olyan KR, amely globális munkaterülete: út a startcsúcsból az aktuális csúcsba (ezen kívül a még ki nem próbált élek nyilvántartása) keresés szabályai:
RészletesebbenAdatszerkezetek I. 8. előadás. (Horváth Gyula anyagai felhasználásával)
Adatszerkezetek I. 8. előadás (Horváth Gyula anyagai felhasználásával) Kereső- és rendezőfák Közös tulajdonságok: A gyökérelem (vagy kulcsértéke) nagyobb vagy egyenlő minden tőle balra levő elemnél. A
RészletesebbenProgramkonstrukciók A programkonstrukciók programfüggvényei Levezetési szabályok. 6. előadás. Programozás-elmélet. Programozás-elmélet 6.
Programkonstrukciók Definíció Legyen π feltétel és S program A-n. A DO A A relációt az S-ből a π feltétellel képezett ciklusnak nevezzük, és (π, S)-sel jelöljük, ha 1. a / [π] : DO (a) = { a }, 2. a [π]
RészletesebbenKétszemélyes játékok Gregorics Tibor Mesterséges intelligencia
Kétszemélyes játékok Kétszemélyes, teljes információjú, véges, determinisztikus,zéró összegű játékok Két játékos lép felváltva adott szabályok szerint, amíg a játszma véget nem ér. Mindkét játékos ismeri
RészletesebbenBonyolultságelmélet. Monday 10 th October, 2016, 17:44
Monday 10 th October, 2016, 17:44 NP-teljes gráfelméleti problémák Tétel A Hamilton-Út probléma NP-teljes. NP-teljes gráfelméleti problémák Tétel A Hamilton-Út probléma NP-teljes. Ötlet,,Értékválasztó
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.
Részletesebben3. Lineáris differenciálegyenletek
3. Lineáris differenciálegyenletek A közönséges differenciálegyenletek két nagy csoportba oszthatók lineáris és nemlineáris egyenletek csoportjába. Ez a felbontás kicsit önkényesnek tűnhet, a megoldásra
RészletesebbenHadamard-mátrixok Előadó: Hajnal Péter február 23.
Szimmetrikus kombinatorikus struktúrák MSc hallgatók számára Hadamard-mátrixok Előadó: Hajnal Péter 2012. február 23. 1. Hadamard-mátrixok Ezen az előadáson látásra a blokkrendszerektől független kombinatorikus
Részletesebben17. előadás: Vektorok a térben
17. előadás: Vektorok a térben Szabó Szilárd A vektor fogalma A mai előadásban n 1 tetszőleges egész szám lehet, de az egyszerűség kedvéért a képletek az n = 2 esetben szerepelnek. Vektorok: rendezett
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
RészletesebbenDiszkrét matematika 2.
Diszkrét matematika 2. 2018. szeptember 21. 1. Diszkrét matematika 2. 2. előadás Fancsali Szabolcs Levente nudniq@cs.elte.hu www.cs.elte.hu/ nudniq Komputeralgebra Tanszék 2018. szeptember 21. Gráfelmélet
RészletesebbenA valós számok halmaza
VA 1 A valós számok halmaza VA 2 A valós számok halmazának axiómarendszere és alapvető tulajdonságai Definíció Az R halmazt a valós számok halmazának nevezzük, ha teljesíti a következő axiómarendszerben
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenProgramozási módszertan. Dinamikus programozás: szerelőszalag ütemezése Mátrixok véges sorozatainak szorzása
PM-06 p. 1/28 Programozási módszertan Dinamikus programozás: szerelőszalag ütemezése Mátrixok véges sorozatainak szorzása Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu
RészletesebbenMátrixjátékok tiszta nyeregponttal
1 Mátrixjátékok tiszta nyeregponttal 1. Példa. Két játékos Aladár és Bendegúz rendelkeznek egy-egy tetraéderrel, melyek lapjaira rendre az 1, 2, 3, 4 számokat írták. Egy megadott jelre egyszerre felmutatják
RészletesebbenAdatszerkezetek I. 7. előadás. (Horváth Gyula anyagai felhasználásával)
Adatszerkezetek I. 7. előadás (Horváth Gyula anyagai felhasználásával) Bináris fa A fa (bináris fa) rekurzív adatszerkezet: BinFa:= Fa := ÜresFa Rekord(Elem,BinFa,BinFa) ÜresFa Rekord(Elem,Fák) 2/37 Bináris
RészletesebbenAz impulzusnyomatékok általános elmélete
Az impulzusnyomatékok általános elmélete November 27, 2006 Az elemi kvantummechanika keretében tárgyaltuk már az impulzusnyomatékot. A továbbiakban általánosítjuk az impulzusnyomaték fogalmát a kvantummechanikában
Részletesebben9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, Leontyev-modell
9. Előadás Megyesi László: Lineáris algebra, 75. 84. oldal. Gondolkodnivalók Mátrix rangja 1. Gondolkodnivaló Tegyük fel, hogy egy elemi bázistranszformáció kezdetekor a sor- és oszlopindexek sorban helyezkednek
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. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)
Matematika A2c gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 2017/18 ősz 1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) 1. Valós vektorterek-e a következő
Részletesebbenminden x D esetén, akkor x 0 -at a függvény maximumhelyének mondjuk, f(x 0 )-at pedig az (abszolút) maximumértékének.
Függvények határértéke és folytonossága Egy f: D R R függvényt korlátosnak nevezünk, ha a függvényértékek halmaza korlátos. Ha f(x) f(x 0 ) teljesül minden x D esetén, akkor x 0 -at a függvény maximumhelyének
RészletesebbenDiMat II Végtelen halmazok
DiMat II Végtelen halmazok Czirbusz Sándor 2014. február 16. 1. fejezet A kiválasztási axióma. Ismétlés. 1. Deníció (Kiválasztási függvény) Legyen {X i, i I} nemüres halmazok egy indexelt családja. Egy
RészletesebbenSorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján
Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján Számsorozatok, vektorsorozatok konvergenciája Def.: Számsorozatok értelmezése:
RészletesebbenKonjugált gradiens módszer
Közelítő és szimbolikus számítások 12. gyakorlat Konjugált gradiens módszer Készítette: Gelle Kitti Csendes Tibor Vinkó Tamás Faragó István Horváth Róbert jegyzetei alapján 1 LINEÁRIS EGYENLETRENDSZEREK
RészletesebbenFraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk
Fraktálok Kontrakciók Affin leképezések Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 71 A Lipschitz tulajdonság ÁTMÉRŐ, PONT ÉS HALMAZ TÁVOLSÁGA Definíció Az (S, ρ) metrikus tér
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
RészletesebbenRelációk Függvények. A diákon megjelenő szövegek és képek csak a szerző (Kocsis Imre, DE MFK) engedélyével használhatók fel!
függvények RE 1 Relációk Függvények függvények RE 2 Definíció Ha A, B és ρ A B, akkor azt mondjuk, hogy ρ reláció A és B között, vagy azt, hogy ρ leképezés A-ból B-be. Ha speciálisan A=B, azaz ρ A A, akkor
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
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. ősz 1. Diszkrét matematika 2.C szakirány 2. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.
RészletesebbenLogika es sz am ıt aselm elet I. r esz Logika 1/36
1/36 Logika és számításelmélet I. rész Logika 2/36 Elérhetőségek Tejfel Máté Déli épület, 2.606 matej@inf.elte.hu http://matej.web.elte.hu Tankönyv 3/36 Tartalom 4/36 Bevezető fogalmak Ítéletlogika Ítéletlogika
RészletesebbenA továbbiakban Y = {0, 1}, azaz minden szóhoz egy bináris sorozatot rendelünk
1. Kódelmélet Legyen X = {x 1,..., x n } egy véges, nemüres halmaz. X-et ábécének, elemeit betűknek hívjuk. Az X elemeiből képzett v = y 1... y m sorozatokat X feletti szavaknak nevezzük; egy szó hosszán
RészletesebbenOptimalizációs stratégiák 1.
Optimalizációs stratégiák 1. Nyers erő, Oszd meg és uralkodj, Feljegyzéses, Dinamikus, Mohó előadás http://nik.uni-obuda.hu/prog2 Szénási Sándor szenasi.sandor@nik.uni-obuda.hu Óbudai Egyetem,Neumann János
RészletesebbenDiszkrét matematika I.
Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 3. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Relációk Diszkrét matematika I. középszint 2014.
Részletesebben8. Egyenletek, egyenlőtlenségek, egyenletrendszerek II.
8 Egyenletek, egyenlőtlenségek, egyenletrendszerek II Elméleti összefoglaló Az a + b+ c, a egyenletet másodfokú egyenletnek nevezzük A D b ac kifejezést az egyenlet diszkriminánsának nevezzük Ha D >, az
RészletesebbenHÁLÓZAT Maximális folyam, minimális vágás
HÁLÓZAT Maximális folyam, minimális vágás HÁLÓZAT informálisan Hálózat Irányított gráf Mindegyik élnek adott a (nemnegatív) kapacitása Spec csúcsok: Forrás (Source): a kiindulási pont csak ki élek Nyelő
RészletesebbenSzámelmélet (2017. február 8.) Bogya Norbert, Kátai-Urbán Kamilla
Számelmélet (2017 február 8) Bogya Norbert, Kátai-Urbán Kamilla 1 Oszthatóság 1 Definíció Legyen a, b Z Az a osztója b-nek, ha létezik olyan c Z egész szám, melyre ac = b Jelölése: a b 2 Példa 3 12, 2
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy
Diszkrét matematika 3. estis képzés 2016. ősz 1. Diszkrét matematika 3. estis képzés 3. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenPélda Hajtsuk végre az 1 pontból a Dijkstra algoritmust az alábbi gráfra. (A mátrixban a c i j érték az (i, j) él hossza, ha nincs él.
Legrövidebb utak súlyozott gráfokban A feladat egy súlyozott gráfban egy adott pontból kiinduló legrövidebb utak megkeresése. Az input a súlyozott gráf és a kiindulási s pont. Outputként egy legrövidebb
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
Részletesebben