ingenieurkurse
online lernen

Besser lernen mit Online-Kursen

NEU! Jetzt online lernen:
Operations Research 2
Den Kurs kaufen für:
einmalig 39,00 €
Zur Kasse
Grundlagen des Operations Research 1 > Primaler Simplexalgorithmus:

Lösung des Maximierungsproblems mittels primalen Simplexalgorithmus

WebinarTerminankündigung:
 Am 20.12.2016 (ab 16:00 Uhr) findet unser nächstes Webinar statt.
Gratis-Webinar (Operations Research) Primaler Simplexalgorithmus
- Das 60-minütige Gratis-Webinar behandelt den primalen Simplexalgorithmus.
[weitere Informationen] [Terminübersicht]

In diesem Abschnitt wird das im vorherigen Abschnitt grafisch gelöste Optimierungsproblem mittels primalen Simplexverfahren gelöst. Es müssen folgenden Voraussetzungen vorliegen, damit das primale Simplexverfahren angwandt werden kann:

  1. Es muss die Standardform vorliegen (Maximierungsproblem, Kleiner/Gleich-Nebenbedingung, Nichtnegativitätsbedingung)

  2. Die Standardform muss dann in die Normalform überführt werden (Gleichheitsbedingung) mittels Einführung von Schlupfvariablen.

  3. Es müssen nicht-negative Koeffizienten auf der Rechten-Seite der Nebenbedingungen vorliegen ($b_i \ge 0$, für alle $i$).

Liegt nicht die Standardform vor, so muss das gegebene Optimierungsmodell noch in diese überführt werden.

Anwendungsbeispiel: Primales Simplexverfahren

Es ist das folgende Optimierungsproblem gegeben (siehe vorherigen Abschnitt):

$f(x_1, x_2) = z = 250x_1 + 450 x_2$    $ \rightarrow$   max!

u.d.N.

$4x_1 + 3x_2                      \le 24$

$2x_1 + 4x_2                      \le 24$

$4x_1 + 5x_2                      \le 32$

$x_1, x_2  \ge 0$


Das Optimierungsproblem liegt in Standarform vor. Es muss nun noch in die Normalform überführt werden. Dies geschieht, indem Schlupfvariablen eingeführt werden und dadurch die $\le$-Bedingung in eine $=$ Bedingung umgeformt wird. Die Schlupfvariablen gehen mit dem Faktor Null in die Zielfunktion ein:

$f(x_1, x_2) = z = 250x_1 + 450 x_2$    $ \rightarrow$   max!

u.d.N

$4x_1 + 3x_2  + x_3                          = 24$

$2x_1 + 4x_2          + x_4                  = 24$

$4x_1 + 5x_2                   + x_5         = 32$

$x_1, x_2, x_3, x_4, x_5  \ge 0$


Nachdem nun das Optimierungsproblem in die Normalform überführt worden ist, kann als nächstes das Tableau aufgestellt werden:

Beispiel Primales Simplexverfahren Anfangstableau

Dieses Anfangstableau besitzt bereits eine 1. Basislösung (Voraussetzung für das primale Simplexverfahren). Diese Basislösung stellt eine zulässige jedoch keine optimale Lösung dar. Die zulässige Lösung lautet wie folgt:

$x_1 = 0$ und $x_2 =0$ und damit 

$x_3 = 24$, $x_4 = 24$ und $x_5 = 32$.

Es werden also keine der beiden Produkte hergestellt, somit stehen die Kapazitäten im vollen Umfang zur Verfügung. Der Zielfunktionswert beträgt demnach den Wert $z = 0$. Es wird also kein Gewinn generiert. 


Um nun eine optimale Lösung zu erhalten, wird als nächstes das Primale Simplexverfahren angewandt. Dazu werden zunächst Pivotspalte, Pivotzeile und Pivotelement ausgewählt:

Beispiel Primales Simplexverfahren Pivotzeile Pivotspalte Pivotelement

Zunächst wird die Pivotspalte bestimmt. Diese wird ausgewählt, indem der kleinste negative Wert der Zielfunktionszeile (unterste Zeile) gewählt wird (hier: $-450$). Danach folgt die Pivotzeile. Dazu werden die Werte der rechten Seite mit den Werte der Pivotspalte dividiert (diese müssen positiv sein). Es wird der kleinste Quotient ausgewählt, in dem obigen Beispiel $24:4 = 6$. Dort wo sich Pivotspalte und Pivotzeile treffen liegt das Pivotelement (hier: $4$). 

Es kann nun begonnen werden den 1. Simplexschritt durchzuführen. Die Basisvariable und Nichtbasisvariable des Pivotelements müssen für das neue Tableau vertauscht werden:

Beispiel Primales Simplexverfahren Simplexschritt

Das obige Tableau ist für den 1. Simplexschritt ermittelt worden. Es wurde wie folgt vorgegangen:

Das Pivotelement geht mit seinem reziproken Wert ein: $\frac{1}{4}$

Die neuen Elemente der Pivotzeile werden ermittelt, indem die alten Werte durch das Pivotelement geteilt werden.

Die neuen Elemente der Pivotspalte werden ermittelt, indem die alten Werte durch das Pivotelement geteilt und mit $-1$ multipliziert werden.

Die restlichen Werte werden bestimmt indem der alte Wert abzüglich der alten Werte aus zugehöriger Pivotspalte mal Pivotzeile durch Pivotelement berechnet wird. Z.B.: Der Wert $\frac{6}{4}$ wurde bestimmt durch:

$4 - \frac{2 \cdot 5}{4}$.

Der Zielfunktionswert wurde ermittelt, indem die Basisvariablen mit den Werten der rechten Seite in die Zielfunktion eingesetzt werden:

$ z = 250 \cdot 0 + 450 \cdot 6 = 2.700$.

Weiterer Simplexschritt

Da noch ein negativer Wert in der Zielfunktionszeile auftaucht, kann ein weiterer Simplexschritt durchgeführt werden, um den Zielfunktionswert weiter zu maximieren.

Es werden zunächst wieder Pivotspalte, Pivotzeile und Pivotelement ausgewählt:

Beispiel Primales Simplexverfahren Pivotzeile Pivotspalte Pivotelement

Zunächst wird die Pivotspalte bestimmt. Diese wird ausgewählt, indem der kleinste negative Wert der Zielfunktionszeile (unterste Zeile) gewählt wird (hier: $-25$). Danach folgt die Pivotzeile. Dazu werden die Werte der rechten Seite mit den Werte der Pivotspalte dividiert (diese müssen positiv sein). Es wird der kleinste Quotient ausgewählt, in dem obigen Beispiel $2:6/4 = 1,33$. Dort wo sich Pivotspalte und Pivotzeile treffen liegt das Pivotelement (hier: $6/4$). 

Es kann nun begonnen werden den Simplexschritt durchzuführen. Die Basisvariable und Nichtbasisvariable des Pivotelements müssen für das neue Tableau vertauscht werden:

Beispiel Primales Simplexverfahren Simplexschritt

Es handelt sich bei dem obigen Tableau um das Endtableau, da keine negativen Werte mehr in der Zielfunktionzeile vorhanden sind. Es werden für $x1 = \frac{4}{3}$ Mengen und für $x_2 = \frac{16}{3}$ Mengen hergestellt. Ingesamt ergib sich der Zielfunktionswert durch:

$z = 250 \cdot \frac{4}{3} + 450 \cdot \frac{16}{3} = 2.733$.

Der Gewinn für das Unternehmen beträgt demnach 2.733 €. Im vorherigen Abschnitt ist ein Gewinn in Höhe von 2.710 € ermittelt worden. Der Unterschiedsbetrag lässt sich auf die Rundungen der Mengen zurückführen. Am Ende ist aber klar, dass beide Verfahren zum selben Ergebnis führen.

Merke

Das im Normalfall nur ganze Mengen produziert bzw. abgesetzt werden können, soll in diesem Beispiel vernachlässigt werden.

Die Kapazitäten der Maschine 2 und der Montagearbeiter werden zu 100% ausgenutzt. Dies sieht man an den Schlupfvariablen $x_4$ und $x_5$, welche im letzten Tableau Nichtbasisvariablen darstellen. Nichtbasisvariablen besitzen immer den Wert null. Da diese Schlupfvariablen innerhalb der Restriktionen für die Maschinenkapazität 2 und für die Montagearbeiter zu finden sind, gilt für diese die vollständige Ausnutzung der Kapazität. Dies kann man auch ganz einfach ermitteln, indem man $x_1 = \frac{4}{3}$ und $x_2 = \frac{16}{3}$ in die Restriktionen 2 und 3 einsetzt:

$2 \cdot \frac{4}{3} + 4 \cdot \frac{16}{3} + x_4          = 24$

Es bleibt also $x_4 = 0$ übrig, da die beiden Produkte die Kapaizität der Maschine 2 vollständig ausnutzen.

$4 \cdot \frac{4}{3} + 5 \cdot \frac{16}{3} + x_5        = 32$

Es bleibt also für $x_5 = 0$ übrig, da die beiden Produkte die Kapazität der Monatgearbeiter vollständig ausnutzen.

Für die Kapazität der Maschine 1 hingegen (siehe zunächst Tableau) bleiben $x_3 = \frac{8}{3}$ der Kapazität übrig. Die Maschine wird also nicht zu 100% ausgenutzt. Durch Einsetzen von $x_1 = \frac{4}{3}$ und $x_2 = \frac{16}{3}$ in die 1. Restriktion ergibt sich dieses Ergebnis ebenfalls:

$4 \cdot \frac{4}{3} + 3 \cdot \frac{16}{3}  + x_3       = 24$

Es bleibt also für $x_3 = \frac{8}{3}$ an Kapazität übrig, da die beiden Produkte die Kapazität der Maschine 1 nicht vollständig ausnutzen.

Video: Lösung des Maximierungsproblems mittels primalen Simplexalgorithmus

In diesem Abschnitt wird anhand eines ausführlichen Beispiels gezeigt, wie man ein lineares Maximierungsproblem mittels primalen Simplexalgorithmus löst.

Video: Lösung des Maximierungsproblems mittels primalen Simplexalgorithmus

In diesem Abschnitt wird anhand eines ausführlichen Beispiels gezeigt, wie man ein lineares Maximierungsproblem mittels primalen Simplexalgorithmus löst.

Video: Lösung des Maximierungsproblems mittels primalen Simplexalgorithmus

In diesem Abschnitt wird anhand eines ausführlichen Beispiels gezeigt, wie man ein lineares Maximierungsproblem mittels primalen Simplexalgorithmus löst.

Video: Lösung des Maximierungsproblems mittels primalen Simplexalgorithmus

In diesem Abschnitt wird anhand eines ausführlichen Beispiels gezeigt, wie man ein lineares Maximierungsproblem mittels primalen Simplexalgorithmus löst.

Video: Lösung des Maximierungsproblems mittels primalen Simplexalgorithmus

In diesem Abschnitt wird anhand eines ausführlichen Beispiels gezeigt, wie man ein lineares Maximierungsproblem mittels primalen Simplexalgorithmus löst.
Vorstellung des Online-Kurses Operations Research 2Operations Research 2
Dieser Inhalt ist Bestandteil des Online-Kurses

Operations Research 2

Ingenieurkurse (ingenieurkurse.de)
Diese Themen werden im Kurs behandelt:

[Bitte auf Kapitelüberschriften klicken, um Unterthemen anzuzeigen]

  • Operations Research 2: Überblick
    • Einleitung zu Operations Research 2: Überblick
  • Grundlagen des Operations Research 1
    • Einleitung zu Grundlagen des Operations Research 1
    • Definition: Lineares Programm
    • Standardform: Maximierungsproblem
      • Einleitung zu Standardform: Maximierungsproblem
      • Grafische Lösung des Maximierungsproblems
    • Primaler Simplexalgorithmus
      • Einleitung zu Primaler Simplexalgorithmus
      • Lösung des Maximierungsproblems mittels primalen Simplexalgorithmus
    • Dualer Simplexalgorithmus
    • Umformung in die Standardform
    • Umformung in die Normalform
  • Ganzzahlige Optimierung
    • Einleitung zu Ganzzahlige Optimierung
    • Grafisches Verfahren
    • Verfahren von Gomory
      • Einleitung zu Verfahren von Gomory
      • Beispiel: Verfahren von Gomory
    • Branch-and-Bound-Verfahren
      • Einleitung zu Branch-and-Bound-Verfahren
      • Branch-and-Bound: Maximierungsprobleme
        • Einleitung zu Branch-and-Bound: Maximierungsprobleme
        • Branch-and-Bound am Maximierungsproblem
          • Einleitung zu Branch-and-Bound am Maximierungsproblem
          • Festlegung der oberen/unteren Schranke, Prioritätenfestlegung
          • Entscheidungsbaum für das Maximierungsproblem
          • Beispiel: Branch and Bound am Maximierungsproblem
        • Branch-and-Bound am Maximierungsproblem (optimale Lösung)
          • Einleitung zu Branch-and-Bound am Maximierungsproblem (optimale Lösung)
          • Beispiel: Branch and Bound am Maximierungsproblem (optimale Lösung)
      • Branch-and-Bound: Minimierungsprobleme
        • Einleitung zu Branch-and-Bound: Minimierungsprobleme
        • Branch-and-Bound am Minimierungsproblem
          • Einleitung zu Branch-and-Bound am Minimierungsproblem
          • Festlegung der unteren/oberen Schranke, Prioritätenfestlegung
          • Entscheidungsbaum für das Minimierungsproblem
          • Beispiel: Branch and Bound am Minimierungsproblem
        • Branch-and-Bound am Minimierungsproblem (optimale Lösung)
          • Einleitung zu Branch-and-Bound am Minimierungsproblem (optimale Lösung)
          • Beispiel: Branch and Bound am Minimierungsproblem (optimale Lösung) 1
          • Beispiel: Branch and Bound am Minimierungsproblem (optimale Lösung) 2
          • Beispiel: Branch and Bound am Minimierungsproblem (optimale Lösung) 3
      • Branch-and-Bound: Knapsack-Problem
      • Branch-and-Bound: Knapsack-Problem (Alternative)
    • Verfahren der vorsichtigen Annäherung
  • Kombinatorische Optimierung
    • Einleitung zu Kombinatorische Optimierung
    • Traveling-Salesman-Problem
      • Einleitung zu Traveling-Salesman-Problem
      • Vollständige Enumeration
        • Einleitung zu Vollständige Enumeration
        • Beispiel: Vollständige Enumeration (Reduktion der Matrix)
        • Beispiel: Vollständige Enumeration (Anwendung des Verfahrens)
      • Heuristische Verfahren
        • Einleitung zu Heuristische Verfahren
        • Verfahren des besten Nachfolgers
          • Einleitung zu Verfahren des besten Nachfolgers
          • Verfahren des besten Nachfolgers (Ausgangsmatrix)
          • Verfahren des besten Nachfolgers (reduzierte Matrix)
        • Verfahren der sukzessiven Einbeziehung von Stationen
          • Einleitung zu Verfahren der sukzessiven Einbeziehung von Stationen
          • Einbeziehung von Stationen (Ausgangsmatrix)
      • Entscheidungsbaumverfahren
        • Einleitung zu Entscheidungsbaumverfahren
        • Begrenzte Enumeration
        • Branch-and-Bound Verfahren am Traveling-Salesman-Problem
          • Einleitung zu Branch-and-Bound Verfahren am Traveling-Salesman-Problem
          • Branch-and-Bound (TSP): 1. Iteration
          • Branch-and-Bound (TSP): Weitere Iterationen
    • Fertigungsablaufplanung
      • Einleitung zu Fertigungsablaufplanung
      • Flow-Shop-Probleme
      • Johnson-Algorithmus
  • Nichtlineare Optimierung
    • Grundlagen der nichtlinearen Optimierung
      • Einleitung zu Grundlagen der nichtlinearen Optimierung
      • Konkave und konvexe Funktionen
        • Einleitung zu Konkave und konvexe Funktionen
        • Beispiel: Nachweis konvexer/konkaver Funktionen auf direktem Weg
        • Beispiel: Nachweis konvexer/konkaver Funktionen über Differenzierbarkeit
    • Nichtlineare Optimierung unter Nebenbedingungen
      • Einleitung zu Nichtlineare Optimierung unter Nebenbedingungen
      • Methode der zulässigen Richtung
        • Einleitung zu Methode der zulässigen Richtung
        • Beispiel: Methode der zulässigen Richtungen (1. Iteration)
        • Beispiel: Methode der zulässigen Richtungen (2. Iteration)
        • Beispiel: Methode der zulässigen Richtungen (3. Iteration)
  • 61
  • 7
  • 25
  • 64
einmalig 39,00
umsatzsteuerbefreit gem. § 4 Nr. 21 a bb) UStG
Online-Kurs Top AngebotTrusted Shop

Unsere Nutzer sagen:

  • Phillipp Grünewald

    Phillipp Grünewald

    "ingenieurkurse.de hat mir besonders bei den Mathe-Themen geholfen. Super Erklärungen!"
  • Martina Pfeiffer

    Martina Pfeiffer

    "Klasse für den Einstieg ins Ingenieurstudium."
  • Marcel Eberhardt

    Marcel Eberhardt

    "Ich mache mir dank euch keine Sorgen für die Prüfungen. Danke!"

NEU! Sichere dir jetzt die perfekte Prüfungsvorbereitung und spare 10% bei deiner Kursbuchung!

10% Coupon: lernen10

Zu den Online-Kursen