finale Version des Vorlesungsskripts - ZIB
finale Version des Vorlesungsskripts - ZIB finale Version des Vorlesungsskripts - ZIB
10.1 Fourier-Motzkin-Elimination (10.7) Satz. Seien A eine (m, n)-Matrix, b ∈ K m , j ∈ {1, . . . , n} und I, J eine Partition der Zeilenindexmenge M = {1, . . . , m}. Seien D ∈ K r×n , d ∈ K r die durch Fourier- Motzkin-Elimination der Variablen j gewonnene Matrix bzw. Vektor. Setze E := p −1 ((Z ∩ I) ∪ ((N × P ) ∩ (I × I))), F := R \ E, (wobei p die in (10.1) Schritt 2 definierte Abbildung ist), dann gilt: Das System AI·x ≤ bI, AJ·x < bJ hat eine Lösung genau dann, wenn das System DE·x ≤ dE, DF ·x < dF eine Lösung hat. △ Beweis. Hausaufgabe. ✷ Wir können nun die Fourier-Motzkin-Elimination sukzessive auf alle Spaltenindizes anwenden. Ist in einem Schritt die neu konstruierte Matrix leer, so ist das System konsistent. Wir wollen herausfinden, was passiert, wenn Ax ≤ b nicht konsistent ist. Wir nehmen daher an, dass keine der sukzessiv konstruierten Matrizen leer ist. Eliminieren wir die 1. Spalte von A, so erhalten wir nach Satz (10.4) eine (r1, n)-Matrix D1 und einen Vektor d1 ∈ K r1 mit Ax ≤ b ist konsistent ⇐⇒ D1x ≤ d1 ist konsistent. Die erste Spalte von D1 ist eine Nullspalte. Nun eliminieren wir die zweite Spalte von D1 und erhalten mit Satz (10.4) eine (r2, n)-Matrix D2 und einen Vektor d2 ∈ K r2 mit D1x ≤ d1 ist konsistent ⇐⇒ D2x ≤ d2 ist konsistent. Die erste und die zweite Spalte von D2 bestehen aus lauter Nullen. Wir eliminieren nun die dritte Spalte von D2 und fahren auf diese Weise fort, bis wir die n-te Spalte eliminiert haben. Insgesamt erhalten wir: Ax ≤ b ist konsistent ⇐⇒ D1x ≤ d1 ist konsistent ⇐⇒ . . . ⇐⇒ Dnx ≤ dn ist konsistent. Was haben wir durch diese äquivalenten Umformungen gewonnen? Nach Konstruktion hat die n-te Matrix Dn dieser Folge von Matrizen nur noch Nullspalten, ist also eine Nullmatrix. Das System Dnx ≤ dn ist also nichts anderes als 0x ≤ dn, und die Konsistenz dieses letzten Ungleichungssystems ist äquivalent zur Konsistenz von Ax ≤ b. Die Konsistenz von 0x ≤ dn ist trivial überprüfbar, denn 0x ≤ dn hat genau dann keine Lösung, wenn der Vektor dn ∈ K rn eine negative Komponente hat; das heißt, dn ≥ 0 ist äquivalent zur Konsistenz von Ax ≤ b. Aus Satz (10.4) folgt außerdem: Es existiert eine Matrix U1 ∈ K (r1,m) mit U1 ≥ 0 und D1 = U1A, d1 = U1b. 195
10 Fourier-Motzkin-Elimination und Projektion Erneute Anwendung von (10.6) liefert die Existenz einer Matrix U2 ∈ K (r2,r1) mit U2 ≥ 0 und D2 = U2D1, d2 = U2d1. Setzen wir die Schlussweise fort, so erhalten wir eine Matrix Un ∈ K (rn,rn−1) mit Un ≥ 0 und 0 = Dn = UnDn−1, dn = Undn−1. Für die Matrix gilt dann U := Un · . . . · U1 ∈ K (rn,m) U ≥ 0, 0 = UA, dn = Ub Daraus folgt, dass jede Zeile der Matrix Dn, welche die Nullmatrix ist, eine konische Kombination von Zeilen von A ist. Wir haben uns oben überlegt, dass Ax ≤ b genau dann nicht konsistent ist, wenn Dnx ≤ dn nicht konsistent ist. Dies ist genau dann der Fall, wenn es eine Komponente von dn gibt, die negativ ist, anders ausgedrückt, wenn es einen Vektor u (eine Zeile der Matrix U) gibt mit 0 T = u T A und u T b < 0. Fassen wir diese Beobachtung zusammen. (10.8) Folgerung. Es seien A ∈ K (m,n) und b ∈ K m , dann gilt: Das Ungleichungssystem Ax ≤ b hat genau dann keine Lösung, wenn es einen Vektor u ∈ K m , u ≥ 0 gibt mit u T A = 0 T und u T b < 0. △ Diese (einfache) Konsequenz aus unserem Eliminationsverfahren (10.1) ist eines der nützlichsten Resultate der Polyedertheorie. Ergänzende Abschweifung Das Fourier-Motzkin-Eliminationsverfahren ist ein Spezialfall eines allgemeinen Projektionsverfahrens auf lineare Teilräume des K n . (10.9) Definition. Sei L ein linearer Unterraum von K n . Ein Vektor x ∈ K n heißt orthogonale Projektion eines Vektors x ∈ K n auf L, falls x ∈ L und (x − x) T x = 0 gilt. △ (10.10) Bemerkung. Sei B ∈ K (m,n) eine Matrix mit vollem Zeilenrang, L = {x ∈ K n | Bx = 0}, dann ist für jeden Vektor x ∈ K n , der Vektor x := (I − B T (BB T ) −1 B)x die orthogonale Projektion auf L. △ Die Fourier-Motzkin-Elimination der j-ten Variablen kann man, wie wir jetzt zeigen, als orthogonale Projektion von P (A, b) auf den Vektorraum L = {x | xj = 0} deuten. Wir zeigen nun, wie man ein Polyeder P (A, b) auf L = {y | c T y = 0}, c = 0, projiziert. 196
- Seite 149 und 150: 7 Flüsse mit minimalen Kosten (7.2
- Seite 151 und 152: 7 Flüsse mit minimalen Kosten W f
- Seite 153 und 154: 7 Flüsse mit minimalen Kosten r s
- Seite 156 und 157: 8 Grundlagen der Polyedertheorie In
- Seite 158 und 159: (c) Ist F = {x ∈ P | c T x = γ}
- Seite 160 und 161: (a) =⇒ (d): Nach Definition ist {
- Seite 162 und 163: (8.12) Folgerung. Sei P = P = (A, b
- Seite 164 und 165: 9 Die Grundversion des Simplex-Algo
- Seite 166 und 167: 9.1 Basen, Basislösungen, Entartun
- Seite 168 und 169: 9.1 Basen, Basislösungen, Entartun
- Seite 170 und 171: 9.2 Basisaustausch (Pivoting), Simp
- Seite 172 und 173: gilt daher ⎛ ⎜ F · E = ⎜ ⎝
- Seite 174 und 175: 9.2 Basisaustausch (Pivoting), Simp
- Seite 176 und 177: 9.3 Das Simplexverfahren (c) Ist x
- Seite 178 und 179: Setze (II.6) Updating B ′ := (p1,
- Seite 180 und 181: 9.3 Das Simplexverfahren (Die Trans
- Seite 182 und 183: 9.3 Das Simplexverfahren x2 = 0 nic
- Seite 184 und 185: 9.3 Das Simplexverfahren Wir führe
- Seite 186 und 187: 9.3 Das Simplexverfahren Das letzte
- Seite 188 und 189: 9.4 Spalten- und Zeilenauswahlregel
- Seite 190 und 191: 9.5 Die Phase I (2) Kleinster-Varia
- Seite 192 und 193: 9.5 Die Phase I x ≥ 0. Wir müsse
- Seite 194: x1 x2 x3 s1 s2 s3 9.5 Die Phase I 6
- Seite 197 und 198: 10 Fourier-Motzkin-Elimination und
- Seite 199: 10 Fourier-Motzkin-Elimination und
- Seite 203 und 204: 10 Fourier-Motzkin-Elimination und
- Seite 205 und 206: 10 Fourier-Motzkin-Elimination und
- Seite 207 und 208: 11 Das Farkas-Lemma und Dualitätst
- Seite 209 und 210: 11 Das Farkas-Lemma und Dualitätst
- Seite 211 und 212: 11 Das Farkas-Lemma und Dualitätst
- Seite 213 und 214: 11 Das Farkas-Lemma und Dualitätst
- Seite 215 und 216: 11 Das Farkas-Lemma und Dualitätst
- Seite 217 und 218: 11 Das Farkas-Lemma und Dualitätst
- Seite 219 und 220: 11 Das Farkas-Lemma und Dualitätst
- Seite 221 und 222: 11 Das Farkas-Lemma und Dualitätst
- Seite 223 und 224: 12 Ganzzahligkeit von Polyedern: Ei
- Seite 225 und 226: 12 Ganzzahligkeit von Polyedern: Ei
- Seite 227 und 228: 12 Ganzzahligkeit von Polyedern: Ei
- Seite 229: 12 Ganzzahligkeit von Polyedern: Ei
10 Fourier-Motzkin-Elimination und Projektion<br />
Erneute Anwendung von (10.6) liefert die Existenz einer Matrix U2 ∈ K (r2,r1) mit U2 ≥ 0<br />
und<br />
D2 = U2D1, d2 = U2d1.<br />
Setzen wir die Schlussweise fort, so erhalten wir eine Matrix Un ∈ K (rn,rn−1) mit Un ≥ 0<br />
und<br />
0 = Dn = UnDn−1, dn = Undn−1.<br />
Für die Matrix<br />
gilt dann<br />
U := Un · . . . · U1 ∈ K (rn,m)<br />
U ≥ 0, 0 = UA, dn = Ub<br />
Daraus folgt, dass jede Zeile der Matrix Dn, welche die Nullmatrix ist, eine konische<br />
Kombination von Zeilen von A ist.<br />
Wir haben uns oben überlegt, dass Ax ≤ b genau dann nicht konsistent ist, wenn<br />
Dnx ≤ dn nicht konsistent ist. Dies ist genau dann der Fall, wenn es eine Komponente<br />
von dn gibt, die negativ ist, anders ausgedrückt, wenn es einen Vektor u (eine Zeile der<br />
Matrix U) gibt mit 0 T = u T A und u T b < 0. Fassen wir diese Beobachtung zusammen.<br />
(10.8) Folgerung. Es seien A ∈ K (m,n) und b ∈ K m , dann gilt: Das Ungleichungssystem<br />
Ax ≤ b hat genau dann keine Lösung, wenn es einen Vektor u ∈ K m , u ≥ 0 gibt mit<br />
u T A = 0 T und u T b < 0. △<br />
Diese (einfache) Konsequenz aus unserem Eliminationsverfahren (10.1) ist eines der<br />
nützlichsten Resultate der Polyedertheorie.<br />
Ergänzende Abschweifung<br />
Das Fourier-Motzkin-Eliminationsverfahren ist ein Spezialfall eines allgemeinen Projektionsverfahrens<br />
auf lineare Teilräume <strong>des</strong> K n .<br />
(10.9) Definition. Sei L ein linearer Unterraum von K n . Ein Vektor x ∈ K n heißt<br />
orthogonale Projektion eines Vektors x ∈ K n auf L, falls x ∈ L und (x − x) T x = 0<br />
gilt. △<br />
(10.10) Bemerkung. Sei B ∈ K (m,n) eine Matrix mit vollem Zeilenrang, L = {x ∈<br />
K n | Bx = 0}, dann ist für jeden Vektor x ∈ K n , der Vektor<br />
x := (I − B T (BB T ) −1 B)x<br />
die orthogonale Projektion auf L. △<br />
Die Fourier-Motzkin-Elimination der j-ten Variablen kann man, wie wir jetzt zeigen,<br />
als orthogonale Projektion von P (A, b) auf den Vektorraum L = {x | xj = 0} deuten.<br />
Wir zeigen nun, wie man ein Polyeder P (A, b) auf L = {y | c T y = 0}, c = 0, projiziert.<br />
196