Katkonnanohjaus evoluutiolaskennan keinoin

Koko: px
Aloita esitys sivulta:

Download "Katkonnanohjaus evoluutiolaskennan keinoin"

Transkriptio

1 Katkonnanohjaus evoluutiolaskennan keinoin Askel kohti optimaalista tavaralajijakoa Veli-Pekka Kivinen HY, Metsävarojen käytön laitos

2 Katkonnanohjauksen problematiikkaa Miten arvo-/tavoitematriisit tulisi asettaa? - Samat matriisit jokaiseen leimikkoon vai leimikkokohtaisesti säädetyt matriisit? - Miten säätää/optimoida tavoitejakaumia? Miten tavoitejakauman ja toteutuneen tukkijakauman välistä yhteensopivuutta (goodness-of-fit) tulisi mitata? Tavaralajien optimaalinen allokointi?

3 Evoluutiolaskenta - Heikot sortuu elon tiellä... Evoluutiostrategiat Rechenberg, Schwefel 196 Evoluutio-ohjelmointi Fogel, Owens,Walsh 1965 Geneettiset algoritmit (GA) Holland 196

4 Geneettinen algoritmi (GA) Luo joukko aloitusratkaisuja Arvioi jokaisen ratkaisuehdotuksen hyvyys eli optimaalisuus Lopeta Kyllä Riittävän hyvä ratkaisu löytynyt tai aika loppunut Ei Luo uusi joukko ratkaisuyritteitä Valinta Yhdistely Mutaatio

5 Geneettinen algoritmi (GA) arvoja/tai tavoitematriisien optimointiin Yksitavoiteoptimointia - Tavoitteena maksimoida toteutuneen tukkijakauman ja tavoitejakauman välinen yhteensopivuus etsimällä optimaalisia matriisikombinaatioita Kokonaisoptimointia (forest level) - Usean leimikon rinnakkainen käsittely - Usean tukkitavaralajin rinnakkainen käsittely tavaralajiallokointi mukana Rajoittamatonta optimointia - Ei määrä tms. rajoitteita

6 Ratkaisuyritteiden koodaus LEIMIKKO 1 LEIMIKKO 2... LEIMIKKO n 1 Arvomatriismatriisi 111 Arvo- Arvomatriisi k Arvomatriismatriisi 121 Arvo- Arvomatriisi k... Arvomatriismatriisi 1n1 Arvo- Arvomatriisi 1n2 1nk 2 Arvomatriismatriisi 211 Arvo- Arvomatriisi k Arvomatriismatriisi 221 Arvo- Arvomatriisi k... Arvomatriismatriisi 2n1 Arvo- Arvomatriisi 2n2 2nk M M M M m Arvomatriismatriisi m11 Arvo- Arvomatriisi m12 m1k... Arvomatriismatriisi m21 Arvo- Arvomatriisi m22 m2k Arvomatriismatriisi mn1 Arvo- Arvomatriisi mn2 mnk Tukkilaji 1 Tukkilaji 2 Tukkilaji k

7 Stem data stand 1 Price matrix Log type 1 string 1 Log type 2 Stem data stand 2 M Stem data stand n-1 BUCKING PROCEDURE Price matrix string 2 M Price matrix string m-1 Log type k Apply mutation Stem data stand n Price matrix string m Log output matrix 1 Log output matrix 2... Log output matrix m-1 Log output matrix m Apply crossover Global target matrix Log type 1 Calculate the fitness of each price matrix string Log type k Log type 2 Has the maximum iteration number been reached? Yes End No Apply selection

8 Geneettinen optimointialgoritmi Lähtötiedot 1. Leimikoiden runkotiedot - Runkokäyrät STM-formaatissa - Valmius lukea laaturajat (mänty); ei vielä mukana optimoinnissa - Optimointitesteissä sekä todelliset (moto) että estimoidut (ennakkomittaus) puustotiedot 2. Tavaralajeittaiset tavoitejakaumat - Tavoite yli koko matriisin tai - Läpimittaluokittainen pituustavoite

9 Geneettinen optimointialgoritmi Lähtöpopulaation ratkaisuyritteet - Generoidaan satunnaisesti annetulta lukualueelta Ratkaisuyritteiden hyvyyden mittaaminen - Tavoitejakaumien ja toteutuneiden tukkijakaumien vertailu summatasolla: Tukki 1: Tav.jak. Tot.Kok.Jak. Hyv.arvo 1 Tukki 2: Tav.jak. Tot.Kok.Jak. Hyv.arvo 2 Tukki k: Tav.jak. Tot.Kok.Jak. Hyv.arvo k Kokonaishyvyysarvo

10 Katkontatuloksen hyvyyden mittaaminen Jakauma-aste Tavoitejakauma (%) Toteutunut jakauma (%) Lpm Tukin pituus (cm) Lpm Tukin pituus (cm) (mm) (mm) Jakauma-aste = min(.2,.) + min(.5,.) + min(.1,.) + min(.15,.) =.2 (2%)

11 Katkontatuloksen hyvyyden mittaaminen Khi-toiseen (χ2) testistatistiikka 2 χ = m n ( o ) ij e ij i= 1 j= 1 2 /e ij o ij = Havaittu frekvenssi (tukkien lkm) tukkiluokassa (i,j) e ij = Odotettu (tavoite) frekvenssi tukkiluokassa (i,j). - Hyvä yhteensopivuus: χ 2 - Huono yhteensopivuus: χ 2 Tulkinta? Skaalaus välille [,1] kontingenssikertoilla (C): 1 C = 1 [χ2/(χ2+n)]1/2

12 Katkontatuloksen hyvyyden mittaaminen Khi-toiseen (χ2) testistatistiikka Tavoitejakauma (%) Toteutunut jakauma (kpl) Lpm Tukin pituus (cm) Lpm Tukin pituus (cm) (mm) (mm) χ 2 = (-2) 2 /2 + (-2) 2 / (-15) 2 /15 + (-15) 2 /15 = Kontingenssikerroin (C) = [ /( )].5 =.9 1 C =.97

13 Katkontatuloksen hyvyyden mittaaminen Indeksiteoria: Laspeyresin volyymi-indeksi - Aggregoitu, painotettu määränmuutoksen mittari -- painoina perus- tai vertailuajankohdan hinnat Q L m n i= 1 j= 1 = m n i= 1 j= 1 p p ij ij o e ij ij - Hyvä yhteensopivuus: Q L 1 ( 1) - Huono yhteensopivuus: Q L o ij = Havaittu frekvenssi (tukkien lkm) tukkiluokassa (i,j) e ij = Odotettu (tavoite) frekvenssi tukkiluokalle (i,j) p ij = Tukin (suht.) (jalostus)arvo tukkiluokassa (i, j)

14 Katkontatuloksen hyvyyden mittaaminen Laspeyresin volyymi-indeksi Toteutunut jakauma (o ij ) Jalostusarvomatriisi (P ij ) Lpm Tukin pituus (cm) Lpm Tukin pituus (cm) (mm) (mm) pij x oij = 1x + 128x + 164x + 17x = 14 1 pij x eij = Q L =.919

15 Geneettinen optimointialgoritmi Ratkaisuyritteiden hyvyyden mittaus - Khi-toiseen statistiikka Seuraavan yritesukupolven muodostaminen 1. Valinta: Elitismi - Hyvyysarvoltaan parhaimmat jatkoon 2. Risteytys: Uniform crossover - Matriisien satunnainen rekombinaatio leimikoittain ja tavaralajeittain. Mutaatio: Korvaus satunnaisluvulla - Kunkin matriisin jokaisella solulla mahdollisuus mutatoitua

16 Geneettinen optimointialgoritmi Uniform crossover Vanhempi 1 Jälkeläinen Vanhempi 2 lpm/pit lpm/pit lpm/pit Crossover maski lpm/pit

17 Tavoitejakauman optimointi GA:lla Miten säätää/optimoida tavoitejakaumia? - Tavallisesti epäsuorasti arvomatriisien kautta: GA:lla toteutuneet pölkytykset tavoitteiksi Tavoitejakauma on prioriteettilista - Tulkitaan tukkiluokkien prioriteetit hintoina Ohjataan pölkytystä pelkällä tavoitejakaumalla ns. greedy algorithm (ahne algoritmi): Eniten puutetta suurin prioriteetti

18 Tavoitejakauman optimointi GA:lla Pölkytysalgoritmi: 1. Valitse katkontavaihtoehto, joka maksimoi rungon arvon (arvoapteeraus) 2. Päivitä prioriteetti(tavoite)matriisi vertaamalla toteutunutta kumulatiivista tukkijakaumaa tavoitejakaumaan: ( 1+ n) p(priority) = m n ( 1+ m) missä m = Tukkien tavoitemäärä tukkiluokassa (i, j) n = Tukkien todellinen kumulatiivinen lukumäärä tukkiluokassa (i, j). Palaa kohtaan 1

19 Kantoja riittää kaskessa... Rajoitevapaa optimointi ei vastaa todellisuutta - Tavaralajeilla määrätavoitteita/-rajoitteita - Pieniä tavaralajieriä kallista keräillä ja kuljettaa Yksitavoiteoptimointi vain osaoptimointia - Katkontatulos vain yksi kriteeri muiden joukossa - Esim. kuljetusetäisyys keskeinen tekijä tavaralajivalinnassa Rajoitettu monitavoitteinen optimointiongelma Miten saada luotettavaa ennakkotietoa? - Totaalimittaus ilmakuvilta?

Katkonta - ensimmäinen jalostuspäätös vai raaka-aineen hinnan määritystä?

Katkonta - ensimmäinen jalostuspäätös vai raaka-aineen hinnan määritystä? Katkonta - ensimmäinen jalostuspäätös vai raaka-aineen hinnan määritystä? Puupäivä, torstaina 27.10.2011 Jukka Malinen Metla / Joensuu Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research

Lisätiedot

Leimikoiden apteerausvaihtoehtojen optimointi esitutkimus. Vesa Imponen. Metsätehon raportti 48 24.2.1998

Leimikoiden apteerausvaihtoehtojen optimointi esitutkimus. Vesa Imponen. Metsätehon raportti 48 24.2.1998 Leimikoiden apteerausvaihtoehtojen optimointi esitutkimus Vesa Imponen Metsätehon raportti 48 24.2.1998 Konsortiohanke: A.Ahlström Osakeyhtiö, Aureskoski Oy, Enso Oy, Koskitukki Oy, Kuhmo Oy, Metsähallitus,

Lisätiedot

Tilastotieteellisiä malleja välimatka- ja suhdeasteikollisten preferenssien mittaamiseen. Pekka Leskinen ja Tuomo Kainulainen Metla

Tilastotieteellisiä malleja välimatka- ja suhdeasteikollisten preferenssien mittaamiseen. Pekka Leskinen ja Tuomo Kainulainen Metla \esitelm\hki0506.ppt 18.5.2006 Tilastotieteellisiä malleja välimatka- ja suhdeasteikollisten preferenssien mittaamiseen Pekka Leskinen ja Tuomo Kainulainen Metla FORS-iltapäiväseminaari 24.5.2006: Operaatiotutkimus

Lisätiedot

Petri Hannuksela. Tukkien tavoite- ja toteutuneiden jakaumien vertailua

Petri Hannuksela. Tukkien tavoite- ja toteutuneiden jakaumien vertailua PRO GRADU -TUTKIELMA Matematiikan, tilastotieteen ja filosofian laitos Tilastotiede Marraskuu 2006 Petri Hannuksela Tukkien tavoite- ja toteutuneiden jakaumien vertailua Tampereen Yliopisto Matematiikan,

Lisätiedot

Paikkatietoa metsäbiomassan määrästä tarvitaan

Paikkatietoa metsäbiomassan määrästä tarvitaan Biomassan estimointi laseraineiston, ilmakuvien ja maastomittausten perusteella Esitys Metsätieteen Päivän Taksaattorisessiossa 26.10.2011 Reija Haapanen, Sakari Tuominen ja Risto Viitala Paikkatietoa

Lisätiedot

Tukkijakauman ohjaus. Tuomo Vuorenpää Anna Aaltonen Vesa Imponen Eero Lukkarinen

Tukkijakauman ohjaus. Tuomo Vuorenpää Anna Aaltonen Vesa Imponen Eero Lukkarinen Tukkijakauman ohjaus Tuomo Vuorenpää Anna Aaltonen Vesa Imponen Eero Lukkarinen Metsätehon raportti 38 23.12.1997 Konsortiohanke: A.Ahlström Osakeyhtiö, Aureskoski Oy, Enso Oyj, Koskitukki Oy, Kuhmo Oy,

Lisätiedot

Voidaanko laatu huomioida männyn katkonnassa? Jori Uusitalo Joensuun yliopisto

Voidaanko laatu huomioida männyn katkonnassa? Jori Uusitalo Joensuun yliopisto Voidaanko laatu huomioida männyn katkonnassa? Jori Uusitalo Joensuun yliopisto Esityksen sisältö Katkonnan ohjauksen perusteet Tutkimustuloksia Laadun huomioon ottaminen katkonnassa Katkonnan ohjauksen

Lisätiedot

Puunkorjuun tulevaisuus. Aluejohtaja Jori Uusitalo 21.5.2014

Puunkorjuun tulevaisuus. Aluejohtaja Jori Uusitalo 21.5.2014 Aluejohtaja 21.5.2014 Puunkorjuun kehittämisen painopisteet Puunkorjuun kausivaihtelun vähentäminen Puun jalostamisen ja katkonnan optimointi 1000 m3 Kausivaihtelun vähentäminen 6000 Puunkorjuun kausivaihtelu

Lisätiedot

hinnoitteluun ja puukauppaan

hinnoitteluun ja puukauppaan Työkaluja puutavaran hinnoitteluun ja puukauppaan PUU tutkimus ja kehittämisohjelman väliseminaari 6.9.2012 Sokos Hotel Vaakuna, Hämeenlinna Jukka Malinen Metla / Joensuu Metsäntutkimuslaitos Skogsforskningsinstitutet

Lisätiedot

Tulevaisuuden Saha seminaari. SisuPUUN tavoitteet 27.05.2009 Jouko Silen

Tulevaisuuden Saha seminaari. SisuPUUN tavoitteet 27.05.2009 Jouko Silen Tulevaisuuden Saha seminaari SisuPUUN tavoitteet 27.05.2009 Jouko Silen SisuPUU, miksi? Lähtökohtana projektissa: 2004 2005 vuosien tappiolliset tulokset Sahateollisuuden kehitysvaihtoehdot 1. Keskittyminen

Lisätiedot

10. Painotetut graafit

10. Painotetut graafit 10. Painotetut graafit Esiintyy monesti sovelluksia, joita on kätevä esittää graafeina. Tällaisia ovat esim. tietoverkko tai maantieverkko. Näihin liittyy erinäisiä tekijöitä. Tietoverkkoja käytettäessä

Lisätiedot

Parempaa äänenvaimennusta simuloinnilla ja optimoinnilla

Parempaa äänenvaimennusta simuloinnilla ja optimoinnilla Parempaa äänenvaimennusta simuloinnilla ja optimoinnilla Erkki Heikkola Numerola Oy, Jyväskylä Laskennallisten tieteiden päivä 29.9.2010, Itä-Suomen yliopisto, Kuopio Putkistojen äänenvaimentimien suunnittelu

Lisätiedot

Optimoinnin sovellukset

Optimoinnin sovellukset Optimoinnin sovellukset Timo Ranta Tutkijatohtori TTY Porin laitos OPTIMI 4.12.2014 Mitä optimointi on? Parhaan ratkaisun systemaattinen etsintä kaikkien mahdollisten ratkaisujen joukosta Tieteellinen

Lisätiedot

TTY Porin laitoksen optimointipalvelut yrityksille

TTY Porin laitoksen optimointipalvelut yrityksille TTY Porin laitoksen optimointipalvelut yrityksille Timo Ranta, TkT Frank Cameron, TkT timo.ranta@tut.fi frank.cameron@tut.fi Automaation aamukahvit 28.8.2013 Optimointi Tarkoittaa parhaan ratkaisun valintaa

Lisätiedot

SIMO-seminaari. 23.3.2007 Helsinki

SIMO-seminaari. 23.3.2007 Helsinki SIMO-seminaari 23.3.2007 Helsinki Ohjelma Tässä ollaan nyt: SIMO-demo Kahvi Jotain erilaistakin: Tapion Suokanta Jatkokuviot SIMO-demo Datana Metsähallituksen H_alueelta 240, T_piiristä 5, osastosta 181

Lisätiedot

Metsätiedon lähteitä ja soveltamismahdollisuuksia

Metsätiedon lähteitä ja soveltamismahdollisuuksia Metsätiedon lähteitä ja soveltamismahdollisuuksia Tapio Räsänen Metsäteho Oy FOREST BIG DATA hankkeen tulosseminaari 8.3.2016 Heureka, Vantaa Tietojärjestelmät ja sovellukset Sovellus X Sovellus X Sovellus

Lisätiedot

Implementation of Selected Metaheuristics to the Travelling Salesman Problem (valmiin työn esittely)

Implementation of Selected Metaheuristics to the Travelling Salesman Problem (valmiin työn esittely) Implementation of Selected Metaheuristics to the Travelling Salesman Problem (valmiin työn esittely) Jari Hast xx.12.2013 Ohjaaja: Harri Ehtamo Valvoja: Hari Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

Tiedonsiirron kokonaisoptimointi erilaisten tietoverkkojen yhteiskäytössä

Tiedonsiirron kokonaisoptimointi erilaisten tietoverkkojen yhteiskäytössä Tiedonsiirron kokonaisoptimointi erilaisten tietoverkkojen yhteiskäytössä Juuso Meriläinen 27.11.2015 Juuso Meriläinen Tiedonsiirron kokonaisoptimointi erilaisten tietoverkkojen yhteiskäytössä 1 / 11 Johdanto

Lisätiedot

Vuoden 2005 eläkeuudistuksen

Vuoden 2005 eläkeuudistuksen Vuoden 2005 eläkeuudistuksen vaikutus eläkkeelle siirtymiseen Roope Uusitalo HECER, Helsingin yliopisto Aktuaariyhdistys 23.10. 2013 Tutkimuksen tavoite Arvioidaan vuoden 2005 uudistusten kokonaisvaikutus

Lisätiedot

IT / PC LISÄOMINAISUUDET

IT / PC LISÄOMINAISUUDET Motomit IT / PC Arvoapteeraus Tiedonsiirto Saksikalibrointi Satunnaisrunko-otanta SISÄLLYSLUETTELO: Motomit PC Hakkuukoneen apteeraus- ja ohjausjärjestelmä 1 ARVO- JA JAKAUMA-APTEERAUS...3 1.1 Arvoapteeraus...3

Lisätiedot

Puuraaka-aineen hinnoittelumenetelmät

Puuraaka-aineen hinnoittelumenetelmät Puuraaka-aineen hinnoittelumenetelmät Vesa Berg, Harri Kilpeläinen & Jukka Malinen Metsäntutkimuslaitos Joensuun yksikkö Männyn hankinta ja käyttö puutuotealalla Kehityshankkeen tiedonsiirtoseminaari Pohjois-Karjalassa

Lisätiedot

OHJ-3100 Ohjelmien ylläpito ja evoluutio. Harjoitustyö. Ohjaaja: Outi Sievi-Korte outi.sievi-korte@tut.fi TE213 Päivystys ti klo 14-16

OHJ-3100 Ohjelmien ylläpito ja evoluutio. Harjoitustyö. Ohjaaja: Outi Sievi-Korte outi.sievi-korte@tut.fi TE213 Päivystys ti klo 14-16 OHJ-3100 Ohjelmien ylläpito ja evoluutio 1 Harjoitustyö Ohjaaja: Outi Sievi-Korte outi.sievi-korte@tut.fi TE213 Päivystys ti klo 14-16 2 Yleiskatsaus Yleisesittely Geneettiset algoritmit Ohjelmistoarkkitehtuurit

Lisätiedot

TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS

TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS 1. Suorakaiteen muotoisen lämmönvaraajan korkeus on K, leveys L ja syvyys S yksikköä. Konvektiosta ja säteilystä johtuvat lämpöhäviöt ovat verrannollisia lämmönvaraajan lämpötilan T ja ympäristön lämpötilan

Lisätiedot

SIMO-pilotointi Metsähallituksessa. SIMO-seminaari

SIMO-pilotointi Metsähallituksessa. SIMO-seminaari SIMO-pilotointi Metsähallituksessa SIMO-seminaari Hakkuiden optimointi tiimitasolla Metsähallituksen metsissä Heli Virtasen Pro gradu -tutkielma Tutkimusalue ja aineisto Metsätalouden Kainuun alue Kuhmon

Lisätiedot

811312A Tietorakenteet ja algoritmit, 2015-2016. VI Algoritmien suunnitteluparadigmoja

811312A Tietorakenteet ja algoritmit, 2015-2016. VI Algoritmien suunnitteluparadigmoja 811312A Tietorakenteet ja algoritmit, 2015-2016 VI Algoritmien suunnitteluparadigmoja Sisältö 1. Hajota ja hallitse-menetelmä 2. Dynaaminen taulukointi 3. Ahneet algoritmit 4. Peruuttavat algoritmit 811312A

Lisätiedot

RUNKOPANKIN KÄYTTÖSOVELLUKSET

RUNKOPANKIN KÄYTTÖSOVELLUKSET RUNKOPANKIN KÄYTTÖSOVELLUKSET Projektit Projekti 202 Leimikoiden korjuuohjelman ja apteerausvaihtoehtojen optimointi suunnattiin runkopankin käyttösovellusten kehittämistä tukevaksi ja toteutettiin yhdessä

Lisätiedot

Sisällysluettelo SISÄLLYSLUETTELO...6 LYHYT SANASTO VASTA-ALKAJILLE...7 1. JOHDATUS PARAMETRITTOMIIN MENETELMIIN...9

Sisällysluettelo SISÄLLYSLUETTELO...6 LYHYT SANASTO VASTA-ALKAJILLE...7 1. JOHDATUS PARAMETRITTOMIIN MENETELMIIN...9 Sisällysluettelo SISÄLLYSLUETTELO...6 LYHYT SANASTO VASTA-ALKAJILLE...7 1. JOHDATUS PARAMETRITTOMIIN MENETELMIIN...9 1.1 PARAMETRITTOMIEN MENETELMIEN LYHYT HISTORIA 11 1.2 PARAMETRITTOMAT MENETELMÄT IHMISTIETEISSÄ

Lisätiedot

Tree map system in harvester

Tree map system in harvester Tree map system in harvester Fibic seminar 12.6.2013 Lahti Timo Melkas, Metsäteho Oy Mikko Miettinen, Argone Oy Kalle Einola, Ponsse Oyj Project goals EffFibre project 2011-2013 (WP3) To evaluate the accuracy

Lisätiedot

Leimikon puutavaralajikertymän ja myyntiarvon vaihtelu erilaisilla katkontaohjeilla

Leimikon puutavaralajikertymän ja myyntiarvon vaihtelu erilaisilla katkontaohjeilla Metsätieteen aikakauskirja t u t k i m u s a r t i k k e l i Teppo Piira, Harri Kilpeläinen, Jukka Malinen, Tapio Wall ja Erkki Verkasalo Teppo Piira Harri Kilpeläinen Jukka Malinen Tapio Wall Erkki Verkasalo

Lisätiedot

tehostamisvaraa? WOODVALUE hankkeen tuloksia Heikki Korpunen Hämeenlinna 6.9.2012

tehostamisvaraa? WOODVALUE hankkeen tuloksia Heikki Korpunen Hämeenlinna 6.9.2012 Onko puun hankinnan ja käytön ketjuissa tehostamisvaraa? WOODVALUE hankkeen tuloksia PUUvastaa haasteisiin: Puutametsästä markkinoille Heikki Korpunen Hämeenlinna 6.9.2012 Esityksen sisältö Puun arvoketjututkimuksen

Lisätiedot

Suomenhevosten askelja hyppyominaisuuksien periytyvyys. Suomenhevosten jalostuspäivät 10.2.2016 Aino Aminoff

Suomenhevosten askelja hyppyominaisuuksien periytyvyys. Suomenhevosten jalostuspäivät 10.2.2016 Aino Aminoff Suomenhevosten askelja hyppyominaisuuksien periytyvyys Suomenhevosten jalostuspäivät 10.2.2016 Aino Aminoff Suomenhevosten laatuarvostelu Suomenhevosten laatuarvostelu on 3-5 v. suomenhevosille suunnattu

Lisätiedot

Itseoppivat ja joustavat tuotantojärjestelmät puutuoteteollisuudessa (SisuPUU) Teollisuusseminaari 27. toukokuuta 2009

Itseoppivat ja joustavat tuotantojärjestelmät puutuoteteollisuudessa (SisuPUU) Teollisuusseminaari 27. toukokuuta 2009 Itseoppivat ja joustavat tuotantojärjestelmät puutuoteteollisuudessa (SisuPUU) Teollisuusseminaari 7. toukokuuta 009 Tukkien lajittelun optimointi Arto Usenius ja Antti Heikkilä Laatu Latvaläpimitta Pituus

Lisätiedot

OPERAATIOTUTKIMUS METSÄTALOUDESSA

OPERAATIOTUTKIMUS METSÄTALOUDESSA OPERAATIOTUTKIMUS METSÄTALOUDESSA Jyrki Kangas, UPM Metsä & Annika Kangas, Helsingin yliopisto Alustus FORS-seminaarissa 'Operaatiotutkimus metsäsektorilla' 24.5.2006 Helsinki Tyypillisimmät OR-tehtävät

Lisätiedot

Keskeiset aihepiirit

Keskeiset aihepiirit TkT Harri Eskelinen Keskeiset aihepiirit 1 Perusmääritelmät geometrisiä toleransseja varten 2 Toleroitavat ominaisuudet ja niiden määritelmät 3 Teknisiin dokumentteihin tehtävät merkinnät 4 Geometriset

Lisätiedot

Apteeraustulosten vertaileminen

Apteeraustulosten vertaileminen Apteeraustulosten vertaileminen Tilastotiede Pro Gradu Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Toukokuu 2006 Jarkko Penttinen TAMPEREEN YLIOPISTO Matematiikan, tilastotieteen

Lisätiedot

Aki Taanila LINEAARINEN OPTIMOINTI

Aki Taanila LINEAARINEN OPTIMOINTI Aki Taanila LINEAARINEN OPTIMOINTI 26.4.2011 JOHDANTO Tässä monisteessa esitetään lineaarisen optimoinnin alkeet. Moniste sisältää tarvittavat Excel ohjeet. Viimeisin versio tästä monisteesta ja siihen

Lisätiedot

Harjoitus 4: Matlab - Optimization Toolbox

Harjoitus 4: Matlab - Optimization Toolbox Harjoitus 4: Matlab - Optimization Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Optimointimallin muodostaminen

Lisätiedot

Hämeenlinna 6.9.2012. Jari Lindblad Jukka Antikainen. Jukka.antikainen@metla.fi 040 801 5051

Hämeenlinna 6.9.2012. Jari Lindblad Jukka Antikainen. Jukka.antikainen@metla.fi 040 801 5051 Puutavaran mittaus Hämeenlinna 6.9.2012 Jari Lindblad Jukka Antikainen Metsäntutkimuslaitos, Itä Suomen alueyksikkö, Joensuu Jukka.antikainen@metla.fi 040 801 5051 SISÄLTÖ 1. Puutavaran mittaustarkkuus

Lisätiedot

5.11.2009. www.metsateho.fi. 5.11.2009 Kalle Kärhä: Integroituna vai ilman? 5.11.2009 2

5.11.2009. www.metsateho.fi. 5.11.2009 Kalle Kärhä: Integroituna vai ilman? 5.11.2009 2 Integroituna vai ilman? Kalle Kärhä, Metsäteho Oy Metsätieteen päivä 2009 Näkökulmia puunkorjuun kehitykseen ja kehittämiseen 4.11.2009, Tieteiden talo, Helsinki Tuotantoketjuja tehostettava pieniläpimittaisen,

Lisätiedot

Laskennallinen menetelmä puun biomassan ja oksien kokojakauman määrittämiseen laserkeilausdatasta

Laskennallinen menetelmä puun biomassan ja oksien kokojakauman määrittämiseen laserkeilausdatasta Laskennallinen menetelmä puun biomassan ja oksien kokojakauman määrittämiseen laserkeilausdatasta Pasi Raumonen, Mikko Kaasalainen ja Markku Åkerblom Tampereen teknillinen ylipisto, Matematiikan laitos

Lisätiedot

Puukaupan uudet tuulet - rungonosahinnoittelu. Jori Uusitalo Metla 02.10.2014

Puukaupan uudet tuulet - rungonosahinnoittelu. Jori Uusitalo Metla 02.10.2014 Puukaupan uudet tuulet - rungonosahinnoittelu Jori Uusitalo Metla 02.10.2014 Puun hinnoittelutapoja Puutavaralajihinnoittelu hinta tavaralajille Runkohinnoittelu yksi hinta koko rungolle Rungonosahinnoittelu

Lisätiedot

Merkkausvärin kehittäminen

Merkkausvärin kehittäminen Merkkausvärin kehittäminen Heikki Juhe, 26.1.2011 1. Johdanto JL-tuotteet aloitti keväällä 2010 tutkimus- ja kehitysprojektin, jonka tarkoituksena oli tutkia käytössä olevien merkkausvärien imeytyvyyttä

Lisätiedot

Erilaisia tuotteita valmistavien tehtaiden ja metsien

Erilaisia tuotteita valmistavien tehtaiden ja metsien Vesa Imponen Puutavaralogistiikka pelkistää hankinnan toimintamallit e e m t Erilaisia tuotteita valmistavien tehtaiden ja metsien välisten puuvirtojen hallinta on keskeinen tehtävä metsäteollisuuden arvoketjussa.

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Monitavoiteoptimointi Mitä monitavoitteisuus tarkoittaa? Halutaan saavuttaa

Lisätiedot

Puun arvoketjujen laskenta kehittyy - CASE: Sahauskustannusten laskenta

Puun arvoketjujen laskenta kehittyy - CASE: Sahauskustannusten laskenta Puun arvoketjujen laskenta kehittyy - CASE: Sahauskustannusten laskenta Heikki Korpunen Metla Parkano Metsätieteen päivä 2009 Teknologiklubi Tieteiden talo WOOD VALUE Metsäntutkimuslaitos Skogsforskningsinstitutet

Lisätiedot

Vanhan tarinan mukaan eräässä syrjäisessä kylässä

Vanhan tarinan mukaan eräässä syrjäisessä kylässä Metsätieteen aikakauskirja 4/1999 Tieteen tori Veli-Pekka Kivinen ja Jori Uusitalo Sumea logiikka ja sen soveltaminen hakkuukoneen apteerauksen ohjauksessa e e m t a Maailma on sumea Vanhan tarinan mukaan

Lisätiedot

Metsikkötason optimointi metsäsuunnittelussa, esimerkkinä SMA

Metsikkötason optimointi metsäsuunnittelussa, esimerkkinä SMA Metsikkötason optimointi metsäsuunnittelussa, esimerkkinä SMA SIMO-seminaari 2.11.2007 Lauri Valsta Metsäekonomian laitos Sisältö Metsikkötason suunnittelun käyttökohteet Katsaus menetelmiin SMA:n rakenne

Lisätiedot

Laboratorioanalyysit, vertailunäytteet ja tilastolliset menetelmät

Laboratorioanalyysit, vertailunäytteet ja tilastolliset menetelmät Jarmo Koskiniemi Maataloustieteiden laitos Helsingin yliopisto 0504151624 jarmo.koskiniemi@helsinki.fi 03.12.2015 Kolkunjoen taimenten geneettinen analyysi Näytteet Mika Oraluoma (Vesi-Visio osk) toimitti

Lisätiedot

ABSORBOIVIEN PINTOJEN OPTIMAALINEN SIJOITTELU 1 JOHDANTO 2 TAUSTAA. Kai Saksela 1, Jonathan Botts 1, Lauri Savioja 1

ABSORBOIVIEN PINTOJEN OPTIMAALINEN SIJOITTELU 1 JOHDANTO 2 TAUSTAA. Kai Saksela 1, Jonathan Botts 1, Lauri Savioja 1 Kai Saksela 1, Jonathan Botts 1, Lauri Savioja 1 1 Aalto-yliopiston tietotekniikan laitos PL 15500, 00076 AALTO etunimi.sukunimi@aalto.fi Tiivistelmä Tässä paperissa esitetään menetelmä, jonka avulla absorboivien

Lisätiedot

Algoritmit 1. Luento 13 Ti 23.2.2016. Timo Männikkö

Algoritmit 1. Luento 13 Ti 23.2.2016. Timo Männikkö Algoritmit 1 Luento 13 Ti 23.2.2016 Timo Männikkö Luento 13 Suunnittelumenetelmät Taulukointi Kapsäkkiongelma Ahne menetelmä Verkon lyhimmät polut Dijkstran menetelmä Verkon lyhin virittävä puu Kruskalin

Lisätiedot

Optimal Harvesting of Forest Stands

Optimal Harvesting of Forest Stands Optimal Harvesting of Forest Stands (Presentation of the Complete Work) 11 April 2011 Instructor: Janne Kettunen Supervisor: Ahti Salo Tausta Ass. Prof. Janne Kettunen käsittelee osana väitöskirjatyötään

Lisätiedot

GENEETTISTEN ALGORITMIEN MAHDOLLISUUDET. eli miten ratkaista vaikeita etsintä- ja optimointiongelmia evoluutiota simuloimalla. Jarmo T.

GENEETTISTEN ALGORITMIEN MAHDOLLISUUDET. eli miten ratkaista vaikeita etsintä- ja optimointiongelmia evoluutiota simuloimalla. Jarmo T. 1 GENEETTISTEN ALGORITMIEN MAHDOLLISUUDET eli miten ratkaista vaikeita etsintä- ja optimointiongelmia evoluutiota simuloimalla Jarmo T. Alander ftp.uwasa.fi:cs/ga/finnish.ps.z www.uwasa.fi/cs/ga/finnish.html

Lisätiedot

19.10.2011. Harjoitustyö Ohjaaja: Outi Räihä outi.raiha@tut.fi TE213. OHJ-3100 Ohjelmien ylläpito ja evoluutio. Yleiskatsaus.

19.10.2011. Harjoitustyö Ohjaaja: Outi Räihä outi.raiha@tut.fi TE213. OHJ-3100 Ohjelmien ylläpito ja evoluutio. Yleiskatsaus. OHJ-3100 Ohjelmien ylläpito ja evoluutio 1 Yleiskatsaus 2 Harjoitustyö Ohjaaja: Outi Räihä outi.raiha@tut.fi TE213 Yleisesittely Geneettiset algoritmit Ohjelmistoarkkitehtuurit Darwin-työkalu Tehtävänanto

Lisätiedot

Harjoitus 3 (3.4.2014)

Harjoitus 3 (3.4.2014) Harjoitus 3 (3..) Tehtävä Olkoon kaaren paino c ij suurin sallittu korkeus tieosuudella (i, j). Etsitään reitti solmusta s solmuun t siten, että reitin suurin sallittu korkeus pienimmillään olisi mahdollisimman

Lisätiedot

1. Normaalisuuden tutkiminen, Bowmanin ja Shentonin testi, Rankit Plot, Wilkin ja Shapiron testi

1. Normaalisuuden tutkiminen, Bowmanin ja Shentonin testi, Rankit Plot, Wilkin ja Shapiron testi Mat-2.2104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Yhteensopivuuden ja homogeenisuden testaaminen Bowmanin ja Shentonin testi, Hypoteesi, 2 -homogeenisuustesti, 2 -yhteensopivuustesti,

Lisätiedot

Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä

Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi. Esimerkit laskettu JMP:llä Tilastollinen vastepintamallinnus: kokeiden suunnittelu, regressiomallin analyysi, ja vasteen optimointi Esimerkit laskettu JMP:llä Antti Hyttinen Tampereen teknillinen yliopisto 29.12.2003 ii Ohjelmien

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 NSGA-II Non-dominated Sorting Genetic Algorithm (NSGA) Ehkä tunnetuin EMO-menetelmä

Lisätiedot

Suomen metsäkeskus. SMK:n ja VMI:n inventointien yhteistyömahdollisuuksia. Taksaattoriklubin kevätseminaari Helsinki, 20.3.

Suomen metsäkeskus. SMK:n ja VMI:n inventointien yhteistyömahdollisuuksia. Taksaattoriklubin kevätseminaari Helsinki, 20.3. Suomen metsäkeskus SMK:n ja VMI:n inventointien yhteistyömahdollisuuksia Taksaattoriklubin kevätseminaari Helsinki, 20.3.2015 Juho Heikkilä Sisältöä 1. SMK:n metsävaratiedosta lyhyesti 2. VMI-SMK yhteistyön

Lisätiedot

Tentissä on viisi tehtävää, jotka arvosteellaan asteikolla 0-6. Tehtävien alakohdat ovat keskenään samanarvoisia ellei toisin mainita.

Tentissä on viisi tehtävää, jotka arvosteellaan asteikolla 0-6. Tehtävien alakohdat ovat keskenään samanarvoisia ellei toisin mainita. Tentissä on viisi tehtävää, jotka arvosteellaan asteikolla 0-6. Tehtävien alakohdat ovat keskenään samanarvoisia ellei toisin mainita. Tehtävä 1 Mitä seuraavat käsitteet tarkoittavat? Monitahokas (polyhedron).

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman

Lisätiedot

ADAP-KOOL System Manager 350 - uusi m2 F O O D R E T A I L

ADAP-KOOL System Manager 350 - uusi m2 F O O D R E T A I L ADAP-KOOL System Manager 350 - uusi m2 Sisällys 1. Järjestelmä yleisesti 2. Hyödyt ja edut 1. Käyttökohteet 2. Käyttäjät 3. SM350 faktat 1. Toiminnot 2. Säätimien tuki 3. MMI 4. Eri järjestelmä vaihtoehtoja

Lisätiedot

DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi

DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi Historiaa Bayesin kaavan hyödyntäminen BN-ohjelmistoja ollut ennenkin Tanskalaisten Hugin

Lisätiedot

Kuvioluettelo ROVANIEMI / Alue 15 / Metsäsuunnitelma 1 / AAVASAKSANNELONEN / Lohko 3

Kuvioluettelo ROVANIEMI / Alue 15 / Metsäsuunnitelma 1 / AAVASAKSANNELONEN / Lohko 3 Kuioluettelo ROVANIEMI / Alue 15 / Metsäsuunnitelma 1 / AAVASAKSANNELONEN / Lohko 3 Kuio Kasupaikka ja kehitysluokka Puustotiedot Toimenpiteet ikä, tilauus tukkia, kuitua, läpimitta, pituus, runkoluku,

Lisätiedot

Harjoitus 3 (31.3.2015)

Harjoitus 3 (31.3.2015) Harjoitus (..05) Tehtävä Olkoon kaaren paino c ij suurin sallittu korkeus tieosuudella (i,j). Etsitään reitti solmusta s solmuun t siten, että reitin suurin sallittu korkeus pienimmillään olisi mahdollisimman

Lisätiedot

Kantobiomassan määrän mallintaminen leimikoissa hakkuukonemittausten avulla

Kantobiomassan määrän mallintaminen leimikoissa hakkuukonemittausten avulla Metsätietee päivä, 6.0.0 Katobiomassa määrä mallitamie leimikoissa hakkuukoemittauste avulla Heikki Ovaskaie, Itä Suome yliopisto Pirkko Pihlaja, UPM Kymmee Teijo Palader, Itä Suome yliopisto Johdato Suomessa

Lisätiedot

30A01000 Taulukkolaskenta ja analytiikka Luku 8: Lineaarinen optimointi ja sen sovellukset

30A01000 Taulukkolaskenta ja analytiikka Luku 8: Lineaarinen optimointi ja sen sovellukset 30A01000 Taulukkolaskenta ja analytiikka Luku 8: Lineaarinen optimointi ja sen sovellukset Mitä on lineaarinen optimointi (LP)? LP= lineaarinen optimointiongelma (Linear Programming) Menetelmä, jolla etsitään

Lisätiedot

Logistinen regressio, separoivat hypertasot

Logistinen regressio, separoivat hypertasot Logistinen regressio, separoivat hypertasot Topi Sikanen Logistinen regressio Aineisto jakautunut K luokkaan K=2 tärkeä erikoistapaus Halutaan mallintaa luokkien vedonlyöntikertoimia (odds) havaintojen

Lisätiedot

Sädehoitopäivät 18.4.2013 Sairaalafyysikko Sami Suilamo Tyks. Taustaa

Sädehoitopäivät 18.4.2013 Sairaalafyysikko Sami Suilamo Tyks. Taustaa Sädehoitopäivät 18.4.2013 Sairaalafyysikko Sami Suilamo Tyks Taustaa Tyksissä käytössä Viisi Varianin kiihdytintä (Novalis Tx, Clinac ix, 2 x Clinac 2100C/D, Clinac 600C) Annossuunnittelujärjestelmät Eclipse

Lisätiedot

Harjoitus 2. Harjoitus 3

Harjoitus 2. Harjoitus 3 Harjoitus 2 Sub Harjoitus2a() ActiveSheet.Copy after:=activesheet ActiveSheet.Name = "Kopio1" ActiveSheet.Copy after:=activesheet ActiveSheet.Name = "Kopio2" ActiveSheet.Copy after:=activesheet ActiveSheet.Name

Lisätiedot

Optimoinnin mahdollisuudet tilaus- ja toimitusketjujen hallinnassa. Helsinki, 9.4.2013 Olli Bräysy

Optimoinnin mahdollisuudet tilaus- ja toimitusketjujen hallinnassa. Helsinki, 9.4.2013 Olli Bräysy Optimoinnin mahdollisuudet tilaus- ja toimitusketjujen hallinnassa Helsinki, 9.4.2013 Olli Bräysy Optimointi käsitteenä Optimoinnilla viitataan parhaimman mahdollisen ratkaisun etsimiseen annettujen kriteerien

Lisätiedot

Mänty sahapuuna tapaustutkimuksia

Mänty sahapuuna tapaustutkimuksia Mänty sahapuuna tapaustutkimuksia Harri Mäkinen Lauri Valsta, Sami Pastila, Kirsi Makkonen, Henna Lyhykäinen, Annikki Mäkelä, Arto Usenius Sisältö 1. Harvennusten kannattavuus» sahan kannalta» metsänomistajan

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman

Lisätiedot

Yrityslähtöisten ideoiden käyttö fysiikan opetuksessa

Yrityslähtöisten ideoiden käyttö fysiikan opetuksessa Yrityslähtöisten ideoiden käyttö fysiikan opetuksessa 4.10.2012 Osana CoRD-verkostoitumishanketta Jaakko Kaski Lehtori, FT, Oulun seudun ammattikorkeakoulu, tekniikan yksikkö Taustaa Fysiikka on insinöörin

Lisätiedot

Eternity II -reunatäsmäyspelin heuristiikoista. Tuomas Kujala

Eternity II -reunatäsmäyspelin heuristiikoista. Tuomas Kujala Eternity II -reunatäsmäyspelin heuristiikoista Tuomas Kujala Tampereen yliopisto Informaatiotieteiden yksikkö Tietojenkäsittelyoppi Pro gradu -tutkielma Ohjaaja: Erkki Mäkinen Toukokuu 2011 i Tampereen

Lisätiedot

Ellei tutkijalla ole käsitystä mittauksensa validiteetista ja reliabiliteetista, ei johtopäätöksillä

Ellei tutkijalla ole käsitystä mittauksensa validiteetista ja reliabiliteetista, ei johtopäätöksillä Lauri Tarkkonen: Validiteetti ja reliabiliteetti 1 Ellei tutkijalla ole käsitystä mittauksensa validiteetista ja reliabiliteetista, ei johtopäätöksillä ole pohjaa. Rakennevaliditeetin estimoiminen 1. Mitattavan

Lisätiedot

Harjoitus 4 (7.4.2014)

Harjoitus 4 (7.4.2014) Harjoitus 4 (7.4.2014) Tehtävä 1 Tarkastellaan Harjoituksen 1 nopeimman reitin ongelmaa ja etsitään sille lyhin virittävä puu käyttämällä kahta eri algoritmia. a) (Primin algoritmi) Lähtemällä solmusta

Lisätiedot

Luento 13: Geneettiset Algoritmit

Luento 13: Geneettiset Algoritmit Luento 13: Geneettiset Algoritmit Geneettiset algoritmit ovat luonnon evoluutiomekanismeja imitoivia heuristisia optimointimenetelmiä. Ne soveltuvat tehtäviin, joissa ratkaisuavaruus on hyvin suuri (esim.

Lisätiedot

Sahauksen kustannuslaskenta

Sahauksen kustannuslaskenta Sahauksen kustannuslaskenta PUU-ohjelman Pienpuupäivä Mikpoli, Mikkeli Heikki Korpunen 17.11.2010 WOOD VALUE Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute www.metla.fi

Lisätiedot

Til.yks. x y z 1 2 1 20.3 2 2 1 23.5 9 2 1 4.7 10 2 2 6.2 11 2 2 15.6 17 2 2 23.4 18 1 1 12.5 19 1 1 7.8 24 1 1 9.4 25 1 2 28.1 26 1 2-6.2 33 1 2 33.

Til.yks. x y z 1 2 1 20.3 2 2 1 23.5 9 2 1 4.7 10 2 2 6.2 11 2 2 15.6 17 2 2 23.4 18 1 1 12.5 19 1 1 7.8 24 1 1 9.4 25 1 2 28.1 26 1 2-6.2 33 1 2 33. Tehtävien ratkaisuja. a) Tilastoyksiköitä ovat työntekijät: Vatanen, Virtanen, Virtanen ja Voutilainen; muuttujina: ikä, asema, palkka, lasten lkm (ja nimikin voidaan tulkita muuttujaksi, jos niin halutaan)

Lisätiedot

2009 Mat-2.4177 Operaatiotutkimuksen Projektityöseminaari L

2009 Mat-2.4177 Operaatiotutkimuksen Projektityöseminaari L 2009 Mat-2.4177 Operaatiotutkimuksen Projektityöseminaari L Väliraportti 25.2.2009 Puustokuvioiden korjuukelpoisuus- ja saavutettavuusanalyysi Juha Valvanne Juho Matikainen Joni Nurmentaus Lasse Östring

Lisätiedot

Harjoitus 9: Excel - Tilastollinen analyysi

Harjoitus 9: Excel - Tilastollinen analyysi Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin

Lisätiedot

Metsikkötason optimointimallit metsänkasvatuksen taloudellisessa tutkimuksessa ja metsänkäsittelypäätösten tukena

Metsikkötason optimointimallit metsänkasvatuksen taloudellisessa tutkimuksessa ja metsänkäsittelypäätösten tukena Tutkijoiden metsäpalaverin päätöskokous Kolilla, 16.-17.11. 200 Metsikkötason optimointimallit metsänkasvatuksen taloudellisessa tutkimuksessa ja metsänkäsittelypäätösten tukena Kari Hyytiäinen, Metsäntutkimuslaitos

Lisätiedot

Puoliveriratsujen jalostusarvostelu ja sen kehittäminen. Hevostutkimuksen infopäivä 17.3.2011 Ypäjä Minna Mäenpää Suomen Hippos ry

Puoliveriratsujen jalostusarvostelu ja sen kehittäminen. Hevostutkimuksen infopäivä 17.3.2011 Ypäjä Minna Mäenpää Suomen Hippos ry Puoliveriratsujen jalostusarvostelu ja sen kehittäminen Hevostutkimuksen infopäivä 17.3.2011 Ypäjä Minna Mäenpää Suomen Hippos ry Esityksen taustaa Väitöstilaisuus Åsa Viklund, SLU, 23.9.2010 Genetic Evaluation

Lisätiedot

Harhakomponentit kuvioittaisen arvioinnin puuston tilavuuden laskenta ketjussa

Harhakomponentit kuvioittaisen arvioinnin puuston tilavuuden laskenta ketjussa Metsätieteen aikakauskirja t u t k i m u s a r t i k k e l i Lauri Kuusisto Lauri Kuusisto ja Annika Kangas Harhakomponentit kuvioittaisen arvioinnin puuston tilavuuden laskenta ketjussa Kuusisto, L. &

Lisätiedot

Runkopankki puunhankinnan ohjauksen välineenä

Runkopankki puunhankinnan ohjauksen välineenä Ryhmähanke Runkopankki puunhankinnan ohjauksen välineenä Tapio Räsänen Vesa Imponen Jarmo Lindroos Jukka Malinen Juha-Antti Sorsa Metsätehon raportti 94 19.6.2000 Runkopankki puunhankinnan ohjauksen välineenä

Lisätiedot

ASENNUS- JA KÄYTTÖOHJE

ASENNUS- JA KÄYTTÖOHJE ASENNUS- JA KÄYTTÖOHJE YKSIKKÖHINTA SOPIMUKSEN TOTEUTUNEET MÄÄRÄT-SOVELLUS CMPRO5 VERSIO 2.8 PÄIVITETTY HEINÄKUU 2010 COPYRIGHT 2010 ARTEMIS FINLAND OY. ALL RIGHTS RESERVED. KÄYTTÖOHJE SIVU 2 (12) SISÄLLYSLUETTELO

Lisätiedot

Harjoitus 8: Excel - Optimointi

Harjoitus 8: Excel - Optimointi Harjoitus 8: Excel - Optimointi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Lineaarisen optimointimallin muodostaminen

Lisätiedot

Metsän kasvu eri hoitovaihtoehdoissa Annikki Mäkelä Ympäristötiedon foorum 8.5.2014

Metsän kasvu eri hoitovaihtoehdoissa Annikki Mäkelä Ympäristötiedon foorum 8.5.2014 Metsän kasvu eri hoitovaihtoehdoissa Annikki Mäkelä Ympäristötiedon foorum 8.5.2014 Taustaa Muuttuneet metsänhoitosuositukset Tutkimuksia eri-ikäismetsien kasvusta ja hoidosta Lähde ym. ERIKA-kokeet, Metla,

Lisätiedot

Ongelma(t): Miten merkkijonoja voidaan hakea tehokkaasti? Millaisia hakuongelmia liittyy bioinformatiikkaan?

Ongelma(t): Miten merkkijonoja voidaan hakea tehokkaasti? Millaisia hakuongelmia liittyy bioinformatiikkaan? Ongelma(t): Miten merkkijonoja voidaan hakea tehokkaasti? Millaisia hakuongelmia liittyy bioinformatiikkaan? 2012-2013 Lasse Lensu 2 Ihmisen, eläinten ja kasvien hyvinvoinnin kannalta nykyaikaiset mittaus-,

Lisätiedot

Mikko Havimo Petteri Mönkkönen. Bo Dahlin. www.helsinki.fi/yliopisto 27.10.2011 1

Mikko Havimo Petteri Mönkkönen. Bo Dahlin. www.helsinki.fi/yliopisto 27.10.2011 1 Metsäteiden suunnittelu Venäjällä Mikko Havimo Petteri Mönkkönen Eugene Lopatin Bo Dahlin www.helsinki.fi/yliopisto 27.10.2011 1 Tausta Luoteis-Venäjän metsätieverkko on harva verrattuna esimerkiksi Suomen

Lisätiedot

2014-06-06. Kävelytutkimusta. suunnittelun tueksi. Riikka Kallio 22.5.2015

2014-06-06. Kävelytutkimusta. suunnittelun tueksi. Riikka Kallio 22.5.2015 2014-06-06 Kävelytutkimusta suunnittelun tueksi Riikka Kallio 22.5.2015 Kalle Kulkija 2 KÄVELIJÄ ON TUTKIJALLE HAASTAVA Kävelijä mutkittelee, pysähtelee ja käyttää oikoreittejä Kävelijä kokee

Lisätiedot

Energiapuuharvennuskohteen valinta. METKA-hanke 2014

Energiapuuharvennuskohteen valinta. METKA-hanke 2014 Energiapuuharvennuskohteen valinta METKA-hanke 2014 Ryhmätyö - ryhmätyö 10 min (kaikki ryhmät) - ryhmätyön purku 10 min Mitkä ovat energiapuuharvennuksen vaikeimmat kohdat? Kohteen rajaaminen? Hinnoittelu

Lisätiedot

A. Huutokaupat ovat tärkeitä ainakin kolmesta syystä. 1. Valtava määrä taloudellisia transaktioita tapahtuu huutokauppojen välityksellä.

A. Huutokaupat ovat tärkeitä ainakin kolmesta syystä. 1. Valtava määrä taloudellisia transaktioita tapahtuu huutokauppojen välityksellä. HUUTOKAUPOISTA A. Huutokaupat ovat tärkeitä ainakin kolmesta syystä 1. Valtava määrä taloudellisia transaktioita tapahtuu huutokauppojen välityksellä. 2. Huutokauppapelejä voidaan käyttää taloustieteen

Lisätiedot

Leimikon arvosaanto ja puukaupan tehostaminen. Jukka Malinen, Harri Kilpeläinen, Tapio Wall & Erkki Verkasalo

Leimikon arvosaanto ja puukaupan tehostaminen. Jukka Malinen, Harri Kilpeläinen, Tapio Wall & Erkki Verkasalo Leimikon arvosaanto ja puukaupan tehostaminen Jukka Malinen, Harri Kilpeläinen, Tapio Wall & Erkki Verkasalo / Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute www.metla.fi

Lisätiedot

Teema 3: Tilastollisia kuvia ja tunnuslukuja

Teema 3: Tilastollisia kuvia ja tunnuslukuja Teema 3: Tilastollisia kuvia ja tunnuslukuja Tilastoaineiston peruselementit: havainnot ja muuttujat havainto: yhtä havaintoyksikköä koskevat tiedot esim. henkilön vastaukset kyselylomakkeen kysymyksiin

Lisätiedot

HUS:N TUOTTAVUUDEN MITTAUS JA TUOTTAVUUSKEHITYS. Laskentapäällikkö Taru Lehtonen Yhtymähallinto, talousryhmä taru.k.lehtonen@hus.

HUS:N TUOTTAVUUDEN MITTAUS JA TUOTTAVUUSKEHITYS. Laskentapäällikkö Taru Lehtonen Yhtymähallinto, talousryhmä taru.k.lehtonen@hus. HUS:N TUOTTAVUUDEN MITTAUS JA TUOTTAVUUSKEHITYS Laskentapäällikkö Taru Lehtonen Yhtymähallinto, talousryhmä taru.k.lehtonen@hus.fi TUOTTAVUUDEN MITTAUS DRG-pisteet / htv (tuotos / panos mittari) Tuottavuus

Lisätiedot

Mark Summary. Taitaja 2013. Skill Number 105 Skill Metsäkoneen käyttö. Competitor Name

Mark Summary. Taitaja 2013. Skill Number 105 Skill Metsäkoneen käyttö. Competitor Name Summary Skill Number 105 Skill Metsäkoneen käyttö ing Scheme Lock 14-05-2013 13:55:19 Final Lock 16-05-2013 15:52:13 Criterion Criterion Description s Day 1 Day 2 Day 3 Day 4 Total Award A B C D E F A

Lisätiedot

Kehittyvästä metsätiedosta lisätehoa puuhuoltoon. Jarmo Hämäläinen Metsäteho Oy

Kehittyvästä metsätiedosta lisätehoa puuhuoltoon. Jarmo Hämäläinen Metsäteho Oy Kehittyvästä metsätiedosta lisätehoa puuhuoltoon Jarmo Hämäläinen Metsäteho Oy Puunhankinnan uudet tavat ja työkalut Teollisuuden Metsänhoitajien, Koneyrittäjien ja Metsätehon yhteisseminaari. Metsäpäivät

Lisätiedot

Millainen palkitseminen kannustaa tuloksellisuuteen, erityisesti asiantuntijatyössä?

Millainen palkitseminen kannustaa tuloksellisuuteen, erityisesti asiantuntijatyössä? Millainen palkitseminen kannustaa tuloksellisuuteen, erityisesti asiantuntijatyössä? Elina Moisio Tutkija, TkL, MBA 17.8.2011 Kannustaminen = suoritus- tai tulosperusteinen palkitseminen? Perinteinen oletus:

Lisätiedot

KUITUPUUN KESKUSKIINTOMITTAUKSEN FUNKTIOINTI

KUITUPUUN KESKUSKIINTOMITTAUKSEN FUNKTIOINTI KUITUPUUN KESKUSKIINTOMITTAUKSEN FUNKTIOINTI Asko Poikela Samuli Hujo TULOSKALVOSARJAN SISÄLTÖ I. Vanha mittauskäytäntö -s. 3-5 II. Keskusmuotolukujen funktiointi -s. 6-13 III.Uusi mittauskäytäntö -s.

Lisätiedot