A tiszta stratégiával a biztosan elérhető nyereség:
|
|
- Zita Vörös
- 6 évvel ezelőtt
- Látták:
Átírás
1 Mátrixjátékok ismétlés: Mátrixjátékok megoldásáról (ismétlés) Legyen adott két játékos, A és B. A két játékos véges stratégia halmazból választ. Jelölje A stratégia vektorát u U, míg B stratégia vektorát v V. A P kifizetési mátrix p ij eleme azt mondja meg, hogy ha az A játékos az i. a B játékos pedig a j. stratégiát választja, akkor B mennyit fizet A-nak. Adott stratégiák esetén ekkor a játék várható értéke. w = u T P v A célja: lehető legnagyobb nyereség, vagyis maximalizálja w-t B célja: lehető legkisebb veszteség, vagyis minimalizálja w-t A tiszta stratégiával a biztosan elérhető nyereség: A esetén α = max i min j p ij B esetén β = min j max i p ij Ha α = β, akkor nyilván van tiszta egyensúlyi stratégia. Ha α < β (a nyilvánvaló) akkor Neumann tétele alapján létezik várható értékben egyensúlyi stratégia.
2 Dominánált stratégiák Minden esetben érdemes elhagyni a domináns stratégiákat. Ez elsősorban hatékonysági kérdés, ha benn maradnak akkor az optimális megoldásban nulla súllyal fognak szerepelni. Összetett dominanciát (mikor kever stratégia együttesek dominálnak más stratégiákat) már nem érdemes keresni, hiszen általánosan az ugyanolyan költséges mint maga az egyensúly megkeresése. Tekintsük példaként a stratégia mátrixot Ebben a 3. oszlop dominált. Elhagyva viszont a 3. sor válik azzá, így a redukált feladat egyszerűen [ 2 1 ] -1 3 alakban írható. Érdekességképpen megjegyezzük, hogy 2 2-es feladatokra egzakt képlet adható (mivel a stratégiák felírhatók (λ, 1 λ) alakban).
3 Az egyensúlyi stratégia megfogalmazása lineáris programozási feladatként Neumann tételének bizonyításakor láttuk, hogy bármely u U stratégia, és optimális u U és v V stratégiák esetén u T P v u T P v = w A fenti összefüggés pontosan akkor áll fenn minden u kevert stratégiára, ha az egység vektorokra fennáll. Vagyis ha P v w 1 A B játékos olyan optimális v stratégiát keres, melyre w minimális (hiszen ennyit fizet A-nak). Tudjuk, hogy a kevert stratégiákat olyan nemnegatív vektorok, melyek koordinátáinak összege 1. A B játékos optimális (egyensúlyi) stratégiáját a következő lineáris programozási feladat adja meg: min w P v w 1 1 T v = 1 v 0
4 A feladat átfogalmazása Tegyük fel egy pillanatra hogy w > 0. Ekkor az x = 1 T x = w 1, a következő rendszert kapjuk. min w P v w 1 1 T v = 1 v 0 1 w u új ismeretlent használva, mivel max 1 T x P x 1 x 0 Hasonlóan járhatunk el az A játékos egyensúlyi stratégiájának keresésekor. A következő rendszer adódik, az analóg átírás után: max w u T P w 1 1 T u = 1 u 0 min 1 T y y T P 1 T y 0 Az optimális stratégiát nyilván a w -al való vissza szorzás után kapjuk. Vegyük észre azonban, hogy a két fenti átskálázott feladat egymásnak primál-duál párja, így elég az egyik feladatot megoldani, abból mindkét játékos stratégiáját megkapjuk (mint primál megoldás, és mint duál változók).
5 A skálázásról és az eljárás összefoglalása Az átírásnál felhasználtuk hogy w > 0. Ha α = β teljesült, vagyis volt tiszta stratégia, akkor természetesen nem érdemes felírni a lineáris programozási feladatot, így α < w < β feltehető. Ha α 0 készen vagyunk. Ha α < 0 akkor P minden eleméhez ugyanazt a kellően nagy pozitív c konstansot adva egy olyan feladatot nyerünk, melynek egyensúlyi megoldásai megegyeznek az eredeti feladatéval, azonban α 0 teljesül. Vegyük észre, hogy ugyanezen eljárással tetszőleges mátrix játékot igazságossá lehet tenni. A mátrix játékok megoldását tehát az alábbiakban foglalhatjuk össze: 1. Megkeressük és elhagyjuk a dominált stratégiákat. 2. Kiszámítjuk az α és a β értékeket. 3. Ha α = β akkor van tiszta stratégia, melyeket a min max formula megoldása egyben meg is határozott. 4. Ha nem, konstans eltolással elérjük hogy w > 0 teljesüljön. 5. Felírjuk a megfelelő lineáris programozási feladatot, melynek optimális primál-duál megoldás párja megadja az optimális stratégiák szerkezetét. 6. Visszaskálázunk w -val. Ne feledjük, hogy a felírt lineáris programozási feladatnak mindíg van optimális megoldása.
6 A két ujjas malom játék megoldása (ismétlés) Emlékezzünk vissza, hogy a kétujjas malomjáték kifizetés mátrixa ferdén szimmetrikus, tehát a játék értéke w = 0, ezért, ha a játékot lineáris programozási modell segítségével szeretnénk megoldani, akkor a kifizetési mátrix elemeit növelni kell. Legyen ˆP = P + E = a módosított mátrix (minden eleméhez 1-et adtunk hozzá). Ekkor a játék értéke 1 lesz. MATLAB Felírva a lineáris programozási feladatot a látott módon, majd megoldva azt az x = y = (0, 35, 25 ), 0 optimális stratégiákat kapjuk. Mivel a játék szimmetrikus volt, nem meglepő hogy a stratégiák is azonosak. Megjegyezzük, hogy természetesen lehetnének alternatív optimális stratégiák is, így ez a jelenség nem törvényszerű. Valóban a jelenlegi feladatnak is van alternatív optimuma: x 2 = y2 = (0, 47, 37 ), 0 Ezen stratégiák tetszőleges konvex kombinációja optimális.
7 First Prev Next Last Go Back Full Screen Close Quit A Blotto játék megoldása Emlékezzünk vissza a Blotto játékra: Blotto generálisnak m, az ellenségnek n hadosztálya van, r számú (különböző vagy azonos értékű) célpont elfoglalására (legyen m n). A hadosztályok tovább nem oszthatók és a célpontok bármely túlerővel elfoglalhatók. Egyenlő erők esetén a célpont egyik fél birtokába sem kerül. Hogyan ossza meg Blotto (és az ellenség) az erőit, ha a játékosok által elfoglalt célpont-együttesek értékösszegét tekintve a különbség maximalizálása (illetve az ellenség részéről a minimalizálása) a cél? Legyen c 1, c 2,..., c r a célpontok értéke, melyekre fennáll a c 1 > c 2 > > c r reláció. Ekkor ha Blotto a B játékos, akkor stratégiáit a {m 1,..., m r }, m 1,..., m r N, m m r = m alakú sorozatok határozzák meg, ahol m i azt adja meg, hogy az i. célponthoz hány hadosztályt küld. Hasonlóan az ellenség (A játékos) stratégiái ekkor {n 1,..., n r }, n 1,..., n r N, N n r = n alakúak. Könnyen látható, hogy B stratégiáinak a száma m + r 1 m Legyen B és A stratégia választásai A i = m (i) 1,..., m(i) r Ekkor a kifizetési mátrix megfelelő eleme p ij = m (i) k >n(j) k c k m (i) k <n(j) k c k = k «, míg A esetén n + r 1 n illetve B j = n (j) 1,..., n(j) r. c k ( m (i) k ) n(j) k «. hiszen az egyes célpontok elfoglalása csak a túlerő meglétén vagy hiányán múlik.
8 Blotto: m = 2, n = 3, r = 2, c 1 = 2, c 2 = 1. (volt 1-es HF) A látott képlet segítségével az optimális stratégiákat könnyen meghatározhatjuk. Mivel A 1 = {3, 0} A 2 = {2, 1} A 3 = {1, 2} A 4 = {0, 3} B 1 = {4, 0} B 2 = {3, 1} B 3 = {2, 2} B 4 = {1, 3} B 5 = {1, 4} β = max{1, 1, 1, 1, 1} = 1, α = min{2, 2, 2, 2} = 2 vagyis a játéknak nincs tiszta egyensúlyi stratégiája, így megoldjuk a játékhoz tartozó lineáris programozási feladatot (miután elhagyjuk utolsó sort, mely dominált stratégia). MATLAB Az optimális megoldás (u Blotto esetén és v az ellenség esetén). A játék értéke 1.1. ( 5 u = 10, 3 10, 1 10, 1 ) ( 1 10, 0, v = 10, 1 10, 3 10, 5 ). 10 Vagyis nem meglepő módon, Blottonak elsősorban a legértékesebb célpontot kell támadnia (hiszen az esetek felében erejének megosztása nélkül azt támadja). Figyeljük meg továbbá, hogy a tiszta stratégia 1 egység nyereséget garantált volna, míg a kevert stratégia várható értékben ennél 10%-al nagyobb nyereséget eredményez. First Prev Next Last Go Back Full Screen Close Quit
9 Párbaj játékok A játék során a két játékos s számú pozíciót foglalhat el egymással szemben. Az első, kezdő pozícióban vannak egymástól a legtávolabb, ebben a pozícióban a legkisebb a találati valószínűség. A játékosok bármely pozícióban kilőhetnek egy golyót ellenfelükre. Ha valamely pozícióban nincsen lövés, vagy van lövés, de nincsen találat, akkor a játék a következő pozícióban - egymáshoz közeledvén - folytatódik egészen addig, amíg találat nem esik, vagy már egyik játékosnak sem marad golyója. A kifizetések: +1, ha csak a J 1 játékos talál, és -1, ha csak a J 2 játékos talál, egyébként (egyik sem, vagy mindkettő talál) zérus. A lövések optimális időzítése a kérdés: magasabb sorszámú pozícióban (kisebb távolságról) nő a találati valószínűség, viszont nő annak a valószínűsége is, hogy az ellenfél talál. Legyen az A játékos találati valószínűsége: 0 < p 1 < p 2 <... < p s 1 míg a B játékos találati valószínűsége: 0 < q 1 < q 2 <... < q s 1. csendes párbaj: a játékosnak nincsen tudomásuk arról, hogy az ellenfél lőtt, de célt tévesztett hangos párbaj: a játékosnak tudomásuk van arról, hogy az ellenfél lőtt, de célt tévesztet A hangos párbajok általában nyeregpontos játékok (gondoljunk arra, hogy ha az ellenfél lövését hallottuk de mi még nem lőttünk, akkor nyilván mi közvetlen közelről ki fogjuk végezni ellenfelünk). A párbaj játéknak ismert több golyós változata is, mikor a játékosok adott számú golyóval gazdálkodhatnak. Érdemes elgondolkodni hogy mit is jelent egy kevert stratégia egy párbaj esetén, ahol jó eséllyel csak 1 forduló van. Gondoljunk arra, hogy ellenfelünk lehet gyakorlott párbajozó, aki már kitapasztalta az áldozataira jellemző viselkedést!
10 A párbaj kifizetési mátrixa Tekintsük az 1 1 golyós csendes párbajt (az összes többi eset hasonlóan kezelhető, csupán több golyós esetben a képletek bonyolultabbak). 1. Ha i < j akkor előbb az A játékos lő. A találat valószínűsége p i, a céltévesztésé 1 p i. Nyilván, a B játékos már csak akkor lőhet, és találhat q j valószínűséggel, ha túlélte A lövését. Így a kifizetés p ij = p i (1 p j )q j. 2. Ha i > j esetén hasonló gondolatmenettel p ij = q j + (1 q j )p i. 3. Ha i = j akkor a két fél egyszerre lő. Mivel a kifizetés csak akkor nem zérus ha csak az egyik fél talál, így p ij = p i (1 q i ) q i (1 p j ) = p i q i.
11 Egy konkrét csendes, 1 1 golyós párbaj Tegyük fel hogy két párbajozó A és B közül A jobban céloz. Mi lehet ekkor B legjobb esélye? A találati valószínűségek legyenek { 1 P A = 4, 1 2, 3 } 4, 1 A kifizetés mátrix Mivel így itt sincs tiszta stratégia. P = P B = { 1 4, 1 3, 1 } 2, α = max { 12, 0, 16 }, 0 = 1 { 1 6, β = min 2, 1 3, 1 4, 1 } = 1 2 4, Megfigyelhetjük, hogy az első és a második sor dominált. A megmaradó kifizetési mátrix első és negyedik oszlopa szintén dominált, így elég lenne egy 2 2-es mátrixú feladatot megoldanunk, azonban próbáljuk most ki mi történik ha ezeket a feladatban hagyjuk. MATLAB
12 A párbaj folytatása A játék értéke 0.2, vagyis ahogy azt gondolhattuk, a két fél nem azonos esélyekkel indul. Az optimális stratégiák (u A esetén és v az ellenfél esetén) ( u = 0, 0, 4 5, 1 ), v = (0, 35 5, 25 ), 0. Vagyis a gyengébben célzó játékosnak, ahogy azt vártuk közelebb kell mennie, vagyis a 2-es vagy 3-as pozícióról lőnie, míg a jobban célzó játékos 1 4 eséllyel már a kezdő 4. pozícióról megpróbálhatja eltalálni ellenfelét. Megfigyelhetjük, hogy a dominált stratégiák értéke a kapott megoldásban természetesen nulla értékűek. A következőkben röviden ismertetünk (átismétlünk?) néhány egyszerű, klasszikus eljárást lineáris programozási feladatok megoldására.
13 A (primál) szimplex módszer START Elõfeldolgozás bemenő adatok: a kanonikus (P) feladat A B primál megengedett bázisához tartozó T B (rövid) bázis tábla begin I := {i I N c i < 0}; while (I ) do legyen q I tetszőleges; if(t q 0) then STOP: a feladat nem korlátos; else { } legyen ϑ := min bi t iq : i I B, t iq > 0 legyen p I B tetszőleges, melyre bp t pq = ϑ; endif pivotálás: I B := I B {q} \ {p}; az I indexhalmaz meghatározása; endwhile I = akkor optimális megoldásnál vagyunk; end ciklusmag: Kezdõbázis meghatározása I meghatározása I I = optimális megoldás STOP hamis q I tetszõleges tq 0 hamis Pivotálás a tqs elemen i IB,tiq > 0 I meghatározása igaz igaz primál hányadosteszt min{ bi : i IB tiq > 0} tiq ciklusmag STOP: A feladat nem korlátos 1. ábra. Szimplex módszer.
14 Példa a szimplex algoritmusra Oldjuk meg a következő feladatot (Előbb át kell alakítanunk a fenti feladatot kanonikus LPfeladattá): min( x 1 2x 2 4x 3 x 4 ) x 1 + x 3 + x 4 5 x 1 + x 2 + x 4 6 x 3 7 min( x 1 2x 2 4x 3 x 4 ) x 1 + x 3 + x 4 + u 1 = 5 x 1 + x 2 + x 4 + u 2 = 6 (1) x 3 + u 3 = 7 x 1, x 2, x 3, x 4 0 x 1, x 2, x 3, x 4, u 1, u 2, u 3 0 Megoldás a Szimplex-algoritmussal (balról-jobbra, fentről-lefele): u u u c x x u c x u u c x x u c Tehát a keresett megoldás az x 1 = 0, x 2 = 6 és x 3 = 5. A minimális célfüggvény érték 32. Ha a célfüggvény(c) sorában pozitív szám szerepel és nincs fölötte pozitív, akkor nincs megoldása a feladatnak.
15 Az MBU szimplex módszer START bemenő adatok: a kanonikus (P) feladat A B primál megengedett bázisához tartozó T B (rövid) bázis tábla begin I := {i I N c i < 0}; while(i )do legyen s I tetszőleges vezető változó; while(s I )do legyen K s = {i I B t is > 0}; if(k s = ) then STOP: a D = ; else legyen ϑ := min{ t xi is i K s }; end r I B tetszőleges, melyre t br rs J = {i I c i 0}, és q I N : θ 2 = cq t rq if (J = ) θ 2 := = ϑ és θ 1 := cs t rs ; else θ 1 := min{ ci t ri i J }, q I N : θ 2 = cq t rs ; endif if(θ 1 θ 2 ) then pivotálás a t rs elemen else pivotálás a t rq elemen endif határozzuk meg az I halmazt; endif endwhile endwhile I = akkor optimális megoldásnál vagyunk; ciklusmag: s I vezérváltozó kiválasztása s I Elõfeldolgozás Kezdõbázis meghatározása I meghatározása hamis I hamis I = optimális megoldás STOP igaz ciklusmag Ks = {i IB tis > 0} meghatározása hamis hamis hamis pivotálás a trq elemen I meghatározása STOP: D = Duál nem megengedett feladat First Prev Next Last Go Back Full Screen Close Quit igaz Ks = θ1 := cs trs θ2 = cq trq J = {i I ci 0} J = θ1 := min{ ci tri i J } θ2 = cq trs θ1 θ2 igaz igaz igaz θ2 := pivotálás a trs elemen
16 Példa az MBU szimplex algritmusra A simplex algoritmusnál látott példából indulunk, ugyanazon átalakítás után. Megoldás az MBUszimplex algoritmussal: min( x 1 2x 2 4x 3 x 4 ) u x 1 + x 3 + x u x 1 + x 2 + x 4 6 u x 3 7 x 1, x 2, x 3, x 4 0 c Folytatás az MBU Szimplex-algoritmussal (balról-jobbra, fentről-lefele): x u u c x u u c x u u c x u u c Tehát a megoldás x 2 = 6 és x 3 = 5. Így a minimális érték 32, ahogy ezt már a Szimplexalgoritmusnál is megkaptuk. First Prev Next Last Go Back Full Screen Close Quit
17 Megengedett induló bázis előállítása Tegyük fel, hogy a megoldandó feladatunk Ax = b, x, b 0 alakú. Ha kezdetben nem ilyen a feladat, akkor ún. slack változók bevezetésével (hozzáadásával, kivonásával) ilyen alakra hozzuk. A megengedett megoldás az alábbi feladat megoldásával kereshető: max 1 T Ax, Ax + Iu = b, x, u 0, ahol u jelöli a bevezetett mesterséges slack változókat. Ennek a feladatnak létezik optimális megoldása, ugyanis (1 T A)x 1 T b. A min(1 T A)x = 1 T b akkor és csak akkor, ha létezik olyan x vektor, hogy Ax = b, x 0. Ekkor a beágyazott feladatnak az (x, u) optimális megoldása, akkor és csak akkor ha u = 0. Ilyen esetekben lépünk át a primál szimplex módszerben a második fázisba, és ekkor elhagyjuk a slack változók oszlopát, illetve a másodlagos célfüggvény sorát. A következőkben megismerkedünk a criss-cross algoritmussal, hol nincs szükség első fázis feladatra.
18 A Criss-Cross módszer bemenő adatok: egy (P) feladat rövid (bázis) táblája, nem megengedett változók I indexhalmaza begin while (I ) do p := min{i I B : b i < 0}; q := min{j I N : c j < 0}; r := min{p, q}; if(r = p) then if (t (p) 0) then STOP: a P = ; else legyen q := min{j I N : t pj < 0}; endif else if(t rq 0) then STOP: a D = ; else legyen p := min{i I B : t iq > 0}; endif endif pivotálás a (p,q) pozíción; I B := I B {q} \ {p}; határozzuk meg az I halmazt; endwhile STOP: optimális megoldásnál vagyunk; end ciklusmag: STOP: D = duál nem megengedett a feladat START Elõfeldolgozás Bázis meghatározása I meghatározása hamis I = optimális megoldás STOP p := min{i IB : bi < 0} q := min{j IN : cj < 0} r := min{p,q} igaz I r = p trq 0 igaz hamis hamis p := min{i IB : tiq > 0} meghatározása pivotálás a (p,q) pozíción I meghatározása igaz ciklusmag t (p) 0 hamis igaz q := min{j IN : tpj < 0} meghatározása 1. ábra. Criss-Cross-módszer. STOP: P = primál nem megengedett a feladat First Prev Next Last Go Back Full Screen Close Quit
19 Példa a Criss-Cross algoritmusra A már jól ismert példánkat oldjuk meg ez alkalommal a Criss-Cross algoritmussal. Megoldás (balról-jobbra, fentről-lefele): u u u x x u min( x 1 2x 2 4x 3 x 4 ) x 1 + x 3 + x 4 5 x 1 + x 2 + x 4 6 x 3 7 x 1, x 2, x 3, x 4 0 A megoldás az x 2 = 6 és x 3 = 5 és a minimális érték 32. x u u x x u
20 Bimátrix játékok Egy bimátrix játékban a két játékos A és B hasonlóan mint eddig, véges stratégia halmazból választ, azonban a kifizetések nem szimmetrikusak, hanem egy A és B kifizetési mátrix írja le azokat a két játékos saját szemszögéből. Tipikus ilyen feladat volt a fogoly dilemma: gyanúsítottak J 1 és J 2 nincsen elegendő bizonyíték a gyanúsítottak elkülönítik és kihallgatják ha valamelyikük vall (és a másik tagad), akkor az, aki vallott, enyhébb büntetést kap, esetleg szabadlábra kerül, sőt jutalmat is kaphat az együttműködésért a játékosok lehetséges stratégia halmazai S 1 = {V, T } és S 2 = {V, T } Táblázatban rendszerezve a hasznosságfüggvény eredményét kifizetési mátrixot kapunk V T V (-2,-2) (3,-3) T (-3,3) (2,2) Megmutatjuk, hogyan lehet a bimátrix játékokat átírni lineáris komplementaritási feladattá.
21 Szokás szerint jelölje x és y játékosaink kevert stratégiáját. Könnyű látni, hogy a várható nyereség a játékosok ezen stratégiája mellett éppen az x T Ay illetve az x T By. Hasonlóan mint korábban, az x T Ay x T Ay minden x n esetén feltétel ekvivalens az x T Ay A i y, minden i {1,..., n} esetén, ahol A i az A mátrix i. sora. A feltételeket összevonva: (x T Ay )e m Ay ahol e m = (1,..., 1) T R m. Hasonló gondolatmenettel adódik, hogy (x,y ) n m egyensúlyi pár, akkor és csak akkor, ha (x T Ay )e n Ay (x T By )e m (x T B) T = B T x Láttuk, feltehető hogy A és B minden eleme pozitív (+c). Emiatt (x T Ay ) > 0 és (x T By ) > 0 is feltehető. Bevezetve a ξ = x /(x T By ), illetve η = y /(x T Ay ) változókat, illetve az u, v eltérés változókat, a következő rendszert kapjuk: ( ) ( ) ( ) u 0 A ξ + v B T 0 η ( ) ( ) u ξ v η ( ) ( ) u ξ, v η Megmutatható, hogy az x = ξ/ ( n i=1 ξ ( i), illetve az y = η/ m i=1 η i) egyensúlyi pontja az eredeti feladatnak. = = 0 0 ( en e m ) First Prev Next Last Go Back Full Screen Close Quit
22 Megjegyzések A bimátrix játékokat szokták kvadratikus feladattá átírni. Ennek előnye, hogy a (konvex) kvadratikus feladatokat kezelni képes megoldók lényegesen elterjedtebbek mint a lineáris komplementaritási feladatoké. Az előbbiekben levezetett lineáris komplementaritási feladatot például a híres Lemke algoritmussal lehet megoldani. A bemutatott pivot eljárások kis méretben nagytáblás megvalósítás esetben is képesek megoldani a feladatokat. Nagyobb méretben azonban fejlettebb technikákra van szükség, mint amilyen a módosított szimplex algoritmus, vagy a numerikus ɛ kerekítési hiba korlátok finom összehangolása.
Opkut 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 szimplex algoritmus
A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás
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
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
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
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
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
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
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
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 +
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
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
RészletesebbenKétfázisú szimplex algoritmus és speciális esetei
5. gyakorlat Kétfázisú szimplex algoritmus és speciális esetei. Emlékeztető Standard alak, áttérés Standard alak Minden feltétel et tartalmaz csak. A célfüggvényünket maximalizáljuk. A b vektor (jobb oldalon
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
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
RészletesebbenVektorgeometria (2) First Prev Next Last Go Back Full Screen Close Quit
Vektorgeometria (2) First Prev Next Last Go Back Full Screen Close Quit 1. Tekintsünk a térben egy P (p 1, p 2, p 3 ) pontot és egy v = (v 1, v 2, v 3 ) = 0 vektort. Ekkor pontosan egy egyenes létezik,
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
RészletesebbenHatározatlan integrál (2) First Prev Next Last Go Back Full Screen Close Quit
Határozatlan integrál () First Prev Next Last Go Back Full Screen Close Quit 1. Az összetett függvények integrálására szolgáló egyik módszer a helyettesítéssel való integrálás. Az idevonatkozó tétel pontos
RészletesebbenMiért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek
Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,
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
RészletesebbenVektorgeometria (1) First Prev Next Last Go Back Full Screen Close Quit
Vektorgeometria (1) First Prev Next Last Go Back Full Screen Close Quit 1. A térbeli irányított szakaszokat vektoroknak hívjuk. Két vektort egyenlőnek tekintünk, ha párhuzamos eltolással fedésbe hozhatók.
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
RészletesebbenAlkalmazott optimalizálás és játékelmélet Lineáris programozás Gyakorlófeladatok. Rétvári Gábor
Alkalmazott optimalizálás és játékelmélet Lineáris programozás Gyakorlófeladatok Rétvári Gábor retvari@tmit.bme.hu Feladatok Szöveges feladatok. Egy acélgyárban négyfajta zártszelvényt gyártanak: kis,
RészletesebbenLineáris egyenletrendszerek
Lineáris egyenletrendszerek Lineáris egyenletrendszernek nevezzük az a 11 x 1 + a 12 x 2 +... +a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... +a 2n x n = b 2.. a k1 x 1 + a k2 x 2 +... +a kn x n = b k n ismeretlenes,
RészletesebbenAz ellipszoid algoritmus
Az ellipszoid algoritmus Csizmadia Zsolt Eötvös Loránd Tudományegyetem Bevezető Az ellipszoid módszert a nemlineáris porgramozásra Shor [1970,0977] illetve Yudin és Nemirovskiî [1976] feljlesztették ki.
Részletesebben1. Determinánsok. Oldjuk meg az alábbi kétismeretlenes, két egyenletet tartalmaz lineáris egyenletrendszert:
1 Determinánsok 1 Bevezet definíció Oldjuk meg az alábbi kétismeretlenes, két egyenletet tartalmaz lineáris egyenletrendszert: a 11 x 1 +a 12 x 2 = b 1 a 21 x 1 +a 22 x 2 = b 2 Szorozzuk meg az első egyenletet
Részletesebben3. Fuzzy aritmetika. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI
3. Fuzzy aritmetika Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Intervallum-aritmetika 2 Fuzzy intervallumok és fuzzy számok Fuzzy intervallumok LR fuzzy intervallumok
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
RészletesebbenLineáris egyenletrendszerek
Lineáris egyenletrendszerek 1 Alapfogalmak 1 Deníció Egy m egyenletb l álló, n-ismeretlenes lineáris egyenletrendszer általános alakja: a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
RészletesebbenSzámsorozatok (1) First Prev Next Last Go Back Full Screen Close Quit
Számsorozatok (1) First Prev Next Last Go Back Full Screen Close Quit 1. Valós számsorozaton valós számok meghatározott sorrendű végtelen listáját értjük. A hangsúly az egymásután következés rendjén van.
RészletesebbenEgyenletek, egyenlőtlenségek VII.
Egyenletek, egyenlőtlenségek VII. Magasabbfokú egyenletek: A 3, vagy annál nagyobb fokú egyenleteket magasabb fokú egyenleteknek nevezzük. Megjegyzés: Egy n - ed fokú egyenletnek legfeljebb n darab valós
RészletesebbenKvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla
Kvadratikus alakok és euklideszi terek (előadásvázlat, 0. október 5.) Maróti Miklós, Kátai-Urbán Kamilla Az előadáshoz ajánlott jegyzet: Szabó László: Bevezetés a lineáris algebrába, Polygon Kiadó, Szeged,
RészletesebbenMintafeladat az RSA algoritmus szemléltetésére
Mintafeladat az RSA algoritmus szemléltetésére Feladat Adottak a p = 269 és q = 24 prímszámok, továbbá az e = 5320 nyilvános kulcs és az x = 48055 nyílt szöveg. Számolja ki n = p q és ϕ(n) értékét! Igazolja
RészletesebbenDiszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet takach november 30.
1 Diszkrét matematika I, 12 előadás Dr Takách Géza NyME FMK Informatikai Intézet takach@infnymehu http://infnymehu/ takach 2005 november 30 Vektorok Definíció Egy tetszőleges n pozitív egész számra n-komponensű
RészletesebbenRasmusen, Eric: Games and Information (Third Edition, Blackwell, 2001)
Játékelmélet szociológusoknak J-1 Bevezetés a játékelméletbe szociológusok számára Ajánlott irodalom: Mészáros József: Játékelmélet (Gondolat, 2003) Filep László: Játékelmélet (Filum, 2001) Csontos László
RészletesebbenSaj at ert ek-probl em ak febru ar 26.
Sajátérték-problémák 2018. február 26. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen, nem zérus vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre
RészletesebbenAnalízis előadás és gyakorlat vázlat
Analízis előadás és gyakorlat vázlat Készült a PTE TTK GI szakos hallgatóinak Király Balázs 2010-11. I. Félév 2 1. fejezet Számhalmazok és tulajdonságaik 1.1. Nevezetes számhalmazok ➀ a) jelölése: N b)
RészletesebbenNumerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások
Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások 1. Feladat. (6p) Jelöljön. egy tetszőleges vektornormát, ill. a hozzá tartozó indukált mátrixnormát! Igazoljuk, hogy ha A
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
RészletesebbenSzámelméleti alapfogalmak
1 Számelméleti alapfogalmak 1 Definíció Az a IN szám osztója a b IN számnak ha létezik c IN melyre a c = b Jelölése: a b 2 Példa a 0 bármely a számra teljesül, mivel c = 0 univerzálisan megfelel: a 0 =
RészletesebbenDeterminánsok. A determináns fogalma olyan algebrai segédeszköz, amellyel. szolgáltat az előbbi kérdésekre, bár ez nem mindig hatékony.
Determinánsok A determináns fogalma olyan algebrai segédeszköz, amellyel jól jellemezhető a mátrixok invertálhatósága, a mátrix rangja. Segítségével lineáris egyenletrendszerek megoldhatósága dönthető
RészletesebbenDöntési rendszerek I.
Döntési rendszerek I. SZTE Informatikai Intézet Számítógépes Optimalizálás Tanszék Készítette: London András 8 Gyakorlat Alapfogalmak A terület alapfogalmai megtalálhatók Pluhár András Döntési rendszerek
RészletesebbenKronecker-modulusok kombinatorikája és alkalmazások
Kronecker-modulusok kombinatorikája és alkalmazások BBTE, Magyar Matematika es Informatika Intézet Tegezek Meghatározás Egy Q tegez egy irányított multigráf (két csomópont között több irányított él is
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
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
RészletesebbenKongruenciák. Waldhauser Tamás
Algebra és számelmélet 3 előadás Kongruenciák Waldhauser Tamás 2014 őszi félév Tartalom 1. Diofantoszi egyenletek 2. Kongruenciareláció, maradékosztályok 3. Lineáris kongruenciák és multiplikatív inverzek
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,
Részletesebben9. gyakorlat Lineáris egyenletrendszerek megoldási módszerei folyt. Néhány kiegészítés a Gauss- és a Gauss Jordan-eliminációhoz
9. gyakorlat Lineáris egyenletrendszerek megoldási módszerei folyt. Néhány kiegészítés a Gauss- és a Gauss Jordan-eliminációhoz. Mindkét eliminációs módszer műveletigénye sokkal kisebb, mint a Cramer-szabályé:
RészletesebbenÁttekintés LP és geometria Többcélú LP LP és egy dinamikus modell 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 6. Előadás Áttekintés Kezdjük újra a klasszikus erőforrás allokációs problémával (katonák,
RészletesebbenFirst Prev Next Last Go Back Full Screen Close Quit. Komplex számok (2)
2. előadás Komplex számok (2) 1. A a + bi (a, b) kölcsönösen egyértelmű megfeleltetés lehetővé teszi, hogy a komplex számokat a sík pontjaival, illetve helyvektoraival ábrázoljuk. A derékszögű koordináta
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
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 8. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
RészletesebbenMatematika (mesterképzés)
Matematika (mesterképzés) Környezet- és Településmérnököknek Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Vinczéné Varga A. Környezet- és Településmérnököknek 2016/2017/I 1 / 29 Lineáris tér,
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 6. előadás: Vektor- és mátrixnormák Lócsi Levente ELTE IK 2013. október 14. Tartalomjegyzék 1 Vektornormák 2 Mátrixnormák 3 Természetes mátrixnormák, avagy indukált normák 4 Mátrixnormák
RészletesebbenLineáris programozás. Modellalkotás Grafikus megoldás Feladattípusok Szimplex módszer
Lineáris programozás Modellalkotás Grafikus megoldás Feladattípusok Szimplex módszer Feladat: Egy gyár kétféle terméket gyárt (A, B): /db Eladási ár 1000 800 Technológiai önköltség 400 300 Normaóraigény
Részletesebbenf(x) vagy f(x) a (x x 0 )-t használjuk. lim melyekre Mivel itt ɛ > 0 tetszőlegesen kicsi, így a a = 0, a = a, ami ellentmondás, bizonyítva
6. FÜGGVÉNYEK HATÁRÉRTÉKE ÉS FOLYTONOSSÁGA 6.1 Függvény határértéke Egy D R halmaz torlódási pontjainak halmazát D -vel fogjuk jelölni. Definíció. Legyen f : D R R és legyen x 0 D (a D halmaz torlódási
RészletesebbenElőfeltétel: legalább elégséges jegy Diszkrét matematika II. (GEMAK122B) tárgyból
ÜTEMTERV Programozás-elmélet c. tárgyhoz (GEMAK233B, GEMAK233-B) BSc gazdaságinformatikus, programtervező informatikus alapszakok számára Óraszám: heti 2+0, (aláírás+kollokvium, 3 kredit) 2019/20-es tanév
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.
RészletesebbenLineáris algebra numerikus módszerei
Hermite interpoláció Tegyük fel, hogy az x 0, x 1,..., x k [a, b] különböző alappontok (k n), továbbá m 0, m 1,..., m k N multiplicitások úgy, hogy Legyenek adottak k m i = n + 1. i=0 f (j) (x i ) = y
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
RészletesebbenLineáris algebra 2. Filip Ferdinánd december 7. siva.banki.hu/jegyzetek
Lineáris algebra 2 Filip Ferdinánd filipferdinand@bgkuni-obudahu sivabankihu/jegyzetek 2015 december 7 Filip Ferdinánd 2016 februar 9 Lineáris algebra 2 1 / 37 Az el adás vázlata Determináns Determináns
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
RészletesebbenArany Dániel Matematikai Tanulóverseny 2012/2013-as tanév kezdők III. kategória I. forduló
Bolyai János Matematikai Társulat Arany Dániel Matematikai Tanulóverseny 01/013-as tanév kezdők I II. kategória II. forduló kezdők III. kategória I. forduló Megoldások és javítási útmutató 1. Egy osztályban
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
RészletesebbenKOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA MATEmATIkA I 6 VI KOmPLEX SZÁmOk 1 A komplex SZÁmOk HALmAZA A komplex számok olyan halmazt alkotnak amelyekben elvégezhető az összeadás és a szorzás azaz két komplex szám összege és szorzata
RészletesebbenOperációkutatás vizsga
Operációkutatás vizsga A csoport Budapesti Corvinus Egyetem 2007. január 9. Egyéb gyakorló és vizsgaanyagok találhatók a honlapon a Letölthető vizsgasorok, segédanyagok menüpont alatt. OPERÁCIÓKUTATÁS
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 10. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
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.
Részletesebben1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje
1. Alapfogalmak 1.1. Algoritmus Az algoritmus olyan elemi műveletekből kompozíciós szabályok szerint felépített összetett művelet, amelyet megadott feltételt teljesítő bemeneti adatra végrehajtva, a megkívánt
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
RészletesebbenFirst Prev Next Last Go Back Full Screen Close Quit
Többváltozós függvények (2) First Prev Next Last Go Back Full Screen Close Quit 1. Egyváltozós függvények esetén a differenciálhatóságból következett a folytonosság. Fontos tudni, hogy abból, hogy egy
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
RészletesebbenDiszkrét matematika 1. estis képzés. Komputeralgebra Tanszék ősz
Diszkrét matematika 1. estis képzés 2015. ősz 1. Diszkrét matematika 1. estis képzés 6. előadás Mérai László diái alapján Komputeralgebra Tanszék 2015. ősz Elemi számelmélet Diszkrét matematika 1. estis
RészletesebbenVektorterek. =a gyakorlatokon megoldásra ajánlott
Vektorterek =a gyakorlatokon megoldásra ajánlott 40. Alteret alkotnak-e a valós R 5 vektortérben a megadott részhalmazok? Ha igen, akkor hány dimenziósak? (a) L = { (x 1, x 2, x 3, x 4, x 5 ) x 1 = x 5,
RészletesebbenNorma Determináns, inverz Kondíciószám Direkt és inverz hibák Lin. egyenletrendszerek A Gauss-módszer. Lineáris algebra numerikus módszerei
Indukált mátrixnorma Definíció A. M : R n n R mátrixnormát a. V : R n R vektornorma által indukált mátrixnormának nevezzük, ha A M = max { Ax V : x V = 1}. Az indukált mátrixnorma geometriai jelentése:
RészletesebbenFirst Prev Next Last Go Back Full Screen Close Quit. (Derivált)
Valós függvények (3) (Derivált) . Legyen a belső pontja D f -nek. Ha létezik és véges a f(x) f(a) x a x a = f (a) () határérték, akkor f differenciálható a-ban. Az f (a) szám az f a-beli differenciálhányadosa.
Részletesebben1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak
1. Generátorrendszer Generátorrendszer. Tétel (Freud, 4.3.4. Tétel) Legyen V vektortér a T test fölött és v 1,v 2,...,v m V. Ekkor a λ 1 v 1 + λ 2 v 2 +... + λ m v m alakú vektorok, ahol λ 1,λ 2,...,λ
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:
RészletesebbenA dualitás elve. Készítette: Dr. Ábrahám István
A dalitás elve Készítette: Dr. Ábrahám István A dalitás fogalma, alapösszefüggései Definíció: Adott a lineáris programozás maimm feladata: 0 A b f()=c* ma Ekkor felírható a kővetkező minimm feladat: y
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 3. előadás: Mátrixok LU-felbontása Lócsi Levente ELTE IK 2013. szeptember 23. Tartalomjegyzék 1 Alsó háromszögmátrixok és Gauss-elimináció 2 Háromszögmátrixokról 3 LU-felbontás Gauss-eliminációval
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
Részletesebben1.1. Vektorok és operátorok mátrix formában
1. Reprezentáció elmélet 1.1. Vektorok és operátorok mátrix formában A vektorok és az operátorok mátrixok formájában is felírhatók. A végtelen dimenziós ket vektoroknak végtelen sok sort tartalmazó oszlopmátrix
RészletesebbenSzemidenit 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
RészletesebbenDiverzifikáció Markowitz-modell MAD modell CAPM modell 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 11. Előadás Portfólió probléma Portfólió probléma Portfólió probléma Adott részvények (kötvények,tevékenységek,
RészletesebbenA Farkas lemmától az EP-tételekig
A Farkas lemmától az EP-tételekig Illés Tibor Differenciálegyenletek Tanszék BME, Budapest XXXII. Magyar Operációkutatási Konferencia Cegléd, 2017. június 15. Farkas Gyula... 170 éve született Szimplex
Részletesebben1. Házi feladat. Határidő: I. Legyen f : R R, f(x) = x 2, valamint. d : R + 0 R+ 0
I. Legyen f : R R, f(x) = 1 1 + x 2, valamint 1. Házi feladat d : R + 0 R+ 0 R (x, y) f(x) f(y). 1. Igazoljuk, hogy (R + 0, d) metrikus tér. 2. Adjuk meg az x {0, 3} pontok és r {1, 2} esetén a B r (x)
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
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.
RészletesebbenGauss-eliminációval, Cholesky felbontás, QR felbontás
Közelítő és szimbolikus számítások 4. gyakorlat Mátrix invertálás Gauss-eliminációval, Cholesky felbontás, QR felbontás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei
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
RészletesebbenA félév során előkerülő témakörök
A félév során előkerülő témakörök rekurzív algoritmusok rendező algoritmusok alapvető adattípusok, adatszerkezetek, és kapcsolódó algoritmusok dinamikus programozás mohó algoritmusok gráf algoritmusok
Részletesebben10. előadás. Konvex halmazok
10. előadás Konvex halmazok Konvex halmazok Definíció: A K ponthalmaz konvex, ha bármely két pontjának összekötő szakaszát tartalmazza. Állítás: Konvex halmazok metszete konvex. Konvex halmazok uniója
RészletesebbenProgramozási segédlet
Programozási segédlet Programozási tételek Az alábbiakban leírtam néhány alap algoritmust, amit ismernie kell annak, aki programozásra adja a fejét. A lista korántsem teljes, ám ennyi elég kell legyen
RészletesebbenAlap fatranszformátorok II
Alap fatranszformátorok II Vágvölgyi Sándor Fülöp Zoltán és Vágvölgyi Sándor [2, 3] közös eredményeit ismertetjük. Fogalmak, jelölések A Σ feletti alaptermek TA = (T Σ, Σ) Σ algebráját tekintjük. Minden
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
RészletesebbenNemlineáris programozás: algoritmusok
Nemlineáris programozás: algoritmusok illes@math.elte.hu Operációkutatási Tanszék Budapest 2010. I. félév Feltétel nélküli optimalizálási feladat Feltétel nélküli optimalizálási feladat: Legyen adott az
RészletesebbenGauss elimináció, LU felbontás
Közelítő és szimbolikus számítások 3. gyakorlat Gauss elimináció, LU felbontás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 EGYENLETRENDSZEREK 1. Egyenletrendszerek
Részletesebben10. Előadás. Megyesi László: Lineáris algebra, oldal. 10. előadás Sajátérték, Kvadaratikus alak
10. Előadás Megyesi László: Lineáris algebra, 98. 108. oldal. Gondolkodnivalók Mátrix inverze 1. Gondolkodnivaló Igazoljuk, hogy invertálható trianguláris mátrixok inverze is trianguláris. Bizonyítás:
Részletesebben