aktuelle Version des Vorlesungsskripts - ZIB
aktuelle Version des Vorlesungsskripts - ZIB
aktuelle Version des Vorlesungsskripts - ZIB
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
2.3 Polyeder und lineare Programme<br />
(2.8) Definition. Ein Kegel C ⊆ K n heißt polyedrisch genau dann, wenn C ein Polyeder<br />
ist. △<br />
(2.9) Bemerkung. Ein Kegel C ⊆ K n ist genau dann polyedrisch, wenn es eine Matrix<br />
A ∈ K (m,n) gibt mit<br />
C = P (A, 0). △<br />
Beweis. Gilt C = P (A, 0), so ist C ein Polyeder und offensichtlich ein Kegel.<br />
Sei C ein polyedrischer Kegel, dann existieren nach Definition (2.1) c) eine Matrix A<br />
und ein Vektor b mit C = P (A, b). Da jeder Kegel den Nullvektor enthält, gilt 0 = A0 ≤ b.<br />
Angenommen, es existiert ein x ∈ C mit Ax ≤ 0, d. h. es existiert eine Zeile von A, sagen<br />
wir Ai·, mit t := Ai·x > 0. Da C ein Kegel ist, gilt λx ∈ C für alle λ ∈ K+. Jedoch für<br />
λ := bi<br />
t + 1 gilt einerseits λx ∈ C und andererseits Ai·(λx) = λt > bi, ein Widerspruch.<br />
Daraus folgt, für alle x ∈ C gilt Ax ≤ 0. Hieraus ergibt sich C = P (A, 0). ✷<br />
In der folgenden Tabelle 2.1 haben wir alle möglichen Transformationen aufgelistet.<br />
Sie soll als “Nachschlagewerk” dienen.<br />
Eine wichtige Eigenschaft von linearen Programmen ist die Tatsache, dass man effizient<br />
erkennen kann, ob ein gegebener Punkt tatsächlich der gesuchte Optimalpunkt<br />
ist oder nicht. Dahinter steckt die sogenannte Dualitätstheorie, die wir anhand unseres<br />
Einführungsbeispiels aus Kapitel 1.1 erläutern wollen. Durch Anwenden der Transformationsregeln<br />
können wir das LP (1.3) in der Form<br />
min −6s + t (2.10a)<br />
−s + t ≥ −1 (2.10b)<br />
s − t ≥ −1 (2.10c)<br />
s ≥ 2 (2.10d)<br />
−s ≥ −3 (2.10e)<br />
t ≥ 0 (2.10f)<br />
− t ≥ −3. (2.10g)<br />
schreiben. Wir wollen nun zeigen, dass der Punkt x ∗ = (3, 2) mit Zielfunktionswert −16<br />
minimal ist.<br />
Ein Weg, dies zu beweisen, besteht darin, untere Schranken für das Minimum zu finden.<br />
Wenn man sogar in der Lage ist, eine untere Schranke zu bestimmen, die mit dem Zielfunktionswert<br />
einer Lösung <strong>des</strong> Ungleichungssystems übereinstimmt, ist man fertig: Der<br />
Zielfunktionswert irgendeiner Lösung ist immer eine obere Schranke, und wenn untere<br />
und obere Schranke gleich sind, ist der optimale Wert gefunden.<br />
Um eine untere Schranke für die Zielfunktion −6s + t zu finden, können wir uns zunächst<br />
die Schranken der Variablen anschauen. Wegen Ungleichung (2.10e) haben wir<br />
−6s ≥ −18. Zusammen mit Ungleichung (2.10f) erhalten wir −6s + t ≥ −18. Um zu dieser<br />
unteren Schranke zu gelangen, haben wir positive Vielfache der Variablenschranken<br />
31