Miksi kompromissi on parempi kuin optimi? Uusia monitavoiteoptimoinnin menetelmiä päätöksentekoon
|
|
- Merja Järvinen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Miksi kompromissi on parempi kuin optimi? Uusia monitavoiteoptimoinnin menetelmiä päätöksentekoon Kaisa Miettinen Johdantoa optimointiin Optimointi tarkoittaa systemaattisia tapoja taata parhaan mahdollisen ratkaisun tai päätöksen löytyminen. Monet arkielämän päätökset tehdään intuition ja kokemuksen avulla. Mutta kun päätös koskee mutkikkaita systeemejä ja kompleksisia riippuvuussuhteita tai kun on kyse suurista investoinneista, ympäristövaikutuksista tai vastuista, tarvitaan tukea. Optimaalisiin päätöksiin pyrkivät niin yksilöt, ryhmät kuin organisaatiotkin. Optimoinnille on siis kysyntää. Optimointi edustaa laskennallisia tieteitä. Laskennalliset tieteet ovat kolmas tutkimustapa teoreettisen ja kokeellisen tieteen rinnalla. Kun tarkasteltavasta ilmiöstä on laadittu ensin matemaattinen ja sitten laskennallinen malli, ilmiötä voidaan tietokoneella matkia eli simuloida. Ilmiön simulointi ei kuitenkaan aina riitä. Usein tarvitaan entistä parempia ratkaisuja, eikä niiden hakeminen perinteisesti yrityksen ja erehdyksen kautta ole tehokasta. Kun on tärkeää saada paras mahdollinen ratkaisu, optimi, tarvitaan mallien avulla tapahtuvaa optimointia. Optimoinnin avulla voidaan löytää paras ratkaisu valitun mittarin kuten kustannusten, laadun tai ympäristöystävällisyyden suhteen tai nykyratkaisua riittävän paljon parempi ratkaisu. Optimointitehtävässä minimoidaan tai maksimoidaan tarkasteltavaa suuretta eli tavoitetta. Tehtävän ominaisuuksien mukaan voidaan erotella erilaisia tehtävätyyppejä ja valita parhaiten sopiva ratkaisumenetelmä monien joukosta. Matemaattisten mallien avulla voidaan käsitellä vaativia ongelmia. On esimerkiksi halvempaa ja turvallisempaa oppia ilmiöstä käyttäen simuloitua systeemiä kuin tehdä kokeita todellisuudessa. Eri aloilla on tehty kehittyneitä simulointimalleja, mutta nykyisin vielä liian vähän käytetty mahdollisuus on yhdistää niihin monipuoliset optimointityökalut jolloin saadaan itse malleista todellinen hyöty esiin ja voidaan taata parhaan ratkaisun löytyminen. Luotettavan optimoinnin edellytys on riittävän realistisen mallin olemassaolo. Optimointi ei voi siis kompensoida mallinnuksen puutteita. Laskennalliset tieteet edellyttävät kykyä hyödyntää matematiikan ja tietotekniikan työkaluja. Laskennallisten tieteiden hedelmistä saadaan nauttia vaikkapa lentokoneen siiven muotoilussa, kuljetusten reitityksessä ja sillan rakenteen suunnittelussa. Valitettavasti tieteenalan merkitys on monesti käyttäjälleen näkymätöntä tai jää taka-alalle. Optimista kompromissiin Yhden tavoitteen optimointikaan ei aina riitä, sillä niin strateginen, operatiivinen kuin päätöksenteko yleensäkin edellyttää mo- Academia Scientiarum Fennica
2 nesti usean ristiriitaisen tavoitteen optimoimista samanaikaisesti. Tällaisten tehtävien käsitteleminen vaatii monitavoiteoptimointia. Esimerkki monitavoiteoptimoinnista on syövän sädehoidon annossuunnittelu, jossa syöpäkudosta tuhotaan mutta säteily vaurioittaa tervettä kudosta ja erityisesti säteilyherkkiä elimiä. Säteilyn tulee siis toisaalta olla riittävä suuri syövälle, mutta mahdollisimman pieni terveelle kudokselle. Monitavoiteoptimointi voi auttaa löytämään parhaan kompromissin. Valitettavan usein ristiriitaiset tavoitteet jo mallinnusvaiheessa pakotetaan keinotekoisesti yhdeksi, sillä luullaan että tehtävä voidaan ratkaista vain tällä tavoin. Samalla kuitenkin yksinkertaistetaan ongelmaa ja hukataan tärkeää tietoa. Jos eri tavoitteita optimoidaan yksitellen, päädytään ns. osaoptimeihin jotka eivät välttämättä kokonaisuuden kannalta ole mielekkäitä. Monesti tehtävää yksinkertaistetaan esimerkiksi valitsemalla yksi tavoite optimoitavaksi ja annetaan keinotekoiset rajat muille. Tällöin menetetään mahdollisuus tarkastella eri tavoitteiden välisiä riippuvuussuhteita ja hukataan mahdollisuus saada ymmärrystä kokonaisuuden toiminnasta. Toinen hyvin suosittu tapa on antaa tavoitteille painokertoimia ja optimoida tavoitteiden painotettua summaa. Painojen kuvitellaan kuvastavan tavoitteiden tärkeyttä, mutta todellisuudessa niiden arvoja voi olla hyvin vaikea säätää siten että saataisiin tyydyttävä ratkaisu. Painokertoimia käytettäessä jää esimerkiksi epäkonvekseille tehtäville osa ratkaisuista kokonaan löytymättä, mikä on vakava puute. Kun eri tavoitteet mallinnetaan optimointitehtävään omina funktioinaan ja niitä optimoidaan samanaikaisesti, saadaan merkittävää etua edellä mainittuihin yksinkertaistaviin perinteisiin lähestymistapoihin verrattuna. Aina ei välttämättä edes ole helppoa esittää kaikkia ratkaisun kannalta keskeisiä näkökohtia yhteismitallisesti, esimerkiksi rahassa, vaan tehtävän todellinen luonne ja eri näkökulmat saadaan esiin vain monitavoiteoptimoinnin keinoin. Monitavoiteoptimointi auttaa tasapainoilemaan eri tavoitteiden välillä. Monitavoiteoptimointia Monitavoiteoptimointi etsii parhaan kompromissin useiden ristiriitaisten tavoitteiden väliltä. Yksiselitteisen optimin sijaan käsiteltävänä on joukko kompromissiratkaisuja, ns. Pareto-optimeja, joissa yhdenkin tavoitteen arvon parantaminen on mahdollista vain huonontamalla jonkin toisen tavoitteen arvoa. Kaikkea ei siis voida saada, vaan on tingittävä jostakin. Ratkaisuksi ei yleensä riitä joukko ratkaisuja, vaan on valittava yksi lopullinen ratkaisu joka toteutetaan. Lopullisen ratkaisun valitseminen matemaattisessa mielessä keskenään yhtä hy vien kompromissiratkaisujen joukosta edellyttää yleensä inhimillisen päätöksentekijän osallistumista ja hänen paremmuussuhteidensa ja toiveidensa huomioimista. Päätöksentekijä tuntee tehtävän luonteen ja on vastuussa lopullisen ratkaisun hyvyydestä, mutta hänen ei oleteta olevan monitavoiteoptimoinnin asiantuntija. Päätöksentekijällä on siis keskeinen rooli monitavoiteoptimoinnissa, ja alan menetelmät auttavat päätöksentekijää löytämään hänen tarpeitaan parhaiten tyydyttävän ratkaisun. Monitavoiteoptimoinnissa tarkastelu tapahtuu niin moniulotteisessa avaruudessa kuin mitä tehtävässä on tavoitteita. Tähän käsittelyyn tarvitaan apuneuvoja. Monitavoiteoptimoinnin menetelmät voidaan jakaa neljään luokkaan päätöksentekijän roolin mukaan. Jos käytettävissä ei ole päätöksentekijää, valitaan lopulliseksi ratkaisuksi jokin neutraali kompromissi. Toisaalta voi- 88 Academia Scientiarum Fennica 2009
3 daan tuottaa edustajisto Pareto-optimaalisia ratkaisuja ja pyytää päätöksentekijää valitsemaan niistä mieleisensä. Edustajisto antaa päätöksentekijälle käsityksen siitä, millaisia ratkaisuja tehtävälle on olemassa. Tähän menetelmäluokkaan kuuluvat mm. nykyisin suositut evoluutiopohjaiset ratkaisumenetelmät, jotka matkivat luonnossa tapahtuvaa valintaa, risteytystä ja mutaatiota. Valitettavasti evoluutioalgoritmeilla on heikkoutensa. Nimittäin ratkaisujen tuottaminen voi vaatia paljon laskentaa ja olla siten kallista ja hidasta, ja toisaalta on vaikeaa taata edustajiston kattavuus. Tässä menetelmäluokassa yleinen ongelma on lisäksi se, että päätöksentekijälle voi olla vaikeaa löytää mieleisensä suuresta ratkaisujen joukosta varsinkin jos tavoitteita on enemmän kuin kaksi. Tällöinhän ratkaisujen graafinen havainnollistaminen ei ole suoraviivaista. Kolmas mahdollisuus on etsiä päätöksentekijän etukäteen antamien paremmuussuhteiden mukainen ratkaisu. Päätöksentekijä voi esimerkiksi antaa tavoitteille ehdottoman tärkeysjärjestyksen tai toivottavat arvot. Päätöksentekijä voi kuitenkin pettyä, mikäli hän ei tunne tehtävän luonnetta kyllin hyvin etukäteen ja jos hänellä on epärealistiset odotukset. Tai päätöksentekijä voi kokea vaikeaksi muotoilla ehdottomia paremmuussuhteita. Neljäs mahdollisuus on käyttää interaktiivisia menetelmiä, joissa päätöksentekijä osallistuu aktiivisesti ratkaisuprosessiin. Interaktiivisia menetelmiä Interaktiivisissa menetelmissä muodostetaan ratkaisumalli, jota toistetaan. Toistojen välillä päätöksentekijälle annetaan tietoa tehtävästä ja häneltä pyydetään tietoa paremmuussuhteista. Eri menetelmissä nämä tiedot voivat olla erilaisia, mutta kaikissa tarvitaan päätöksentekijän aikaa ja kiinnostusta osallistua ratkaisemiseen. Samalla päätöksentekijä kuitenkin oppii tavoitteiden käyttäytymisestä ja voi täsmentää paremmuussuhteitaan ja, jopa halutessaan muuttaa mieltään. Oppimisen myötä hän vakuuttuu lopullisen ratkaisun hyvyydestä. Päätöksentekijän keskeisen roolin vuoksi menetelmän on oltava ymmärrettävä ja helppokäyttöinen. Iteratiivisessa ratkaisuprosessissa päätöksentekijälle annetaan askel askeleelta tietoa tehtävästä ja hän esittää toiveitaan eikä häntä rasiteta kognitiivisesti liian suurella tietomäärällä kerrallaan. Oppimisen myötä päätöksentekijä voi täsmentää paremmuussuhteitaan, ja jopa muuttaa mieltään. Huomattakoon, että laskentaresursseja ei tuhlata tuottamalla ratkaisuja jotka eivät päätöksentekijää kiinnosta. Samalla voidaan mallien oikeellisuutta todentaa uudella tavalla kun nähdään, vastaavatko tuloksissa havaitut riippuvuussuhteet todellisuutta. Esimerkki interaktiivisista menetelmistä on NIMBUS, jonka esittelin aikanaan väitöskirjassani. Sittemmin menetelmää on jatkokehitetty, ja siitä on julkaistu useita versioita. NIMBUS-menetelmässä päätöksentekijälle näytetään Pareto-optimaalinen ratkaisu ja hän kertoo, millaiset muutokset tavoitteiden arvoissa tekisivät ratkaisusta entistä paremman. Annetun tiedon pohjalta menetelmä tuottaa uusia ratkaisuehdokkaita, ja päätöksentekijä näkee suoraan oliko toiveita mahdollista noudattaa ja millä uhrauksilla muiden tavoitteiden arvoissa; hän oppii tavoitteiden välisistä vaihtosuhteista. Hän voi myös tuottaa väliratkaisuja valitsemiensa ratkaisujen väliltä. Päätöksentekijä voi joustavasti kartoittaa kiinnostavat ratkaisut ja lopuksi valita mieleisensä ja oppimisen myötä vakuuttua lopullisen ratkaisun hyvyydestä. Ilman tällaista tukea päätöksentekijän on vaikeaa tasapainoilla ristiriitaisten tavoitteiden välillä hallitusti. Academia Scientiarum Fennica
4 Akateemiseen käyttöön tehty WWW-NIM- BUS oli ensimmäinen Internetin yli toimiva interaktiivinen (monitavoite)optimoinnin ohjelmisto vuonna 1995, eikä vieläkään vastaavaa löydy. WWW-NIMBUS perustuu keskitetyn laskennan ja hajautetun käyttöliittymän periaatteisiin. Internet-toteutuksen vahvuus on se, että ohjelmisto on käytettävissä ympäri maailmaa ilman erillisiä asennuksia tai päivityksiä. Globaalissa maailmassa Internetin rooli entisestään vahvistuu, ja pioneeriohjelmistot näyttävät osaltaan tietä. NIMBUS-menetelmän toinen implementaatio, IND-NIMBUS, on kehitetty teollisten sovellusten tarpeisiin, ja se voidaan kytkeä erilaisiin simulointi- ja mallinnusympäristöihin. Sitä on sovellettu menestyksekkäästi eri aloilla esimerkiksi teräksen jatkuvavalun optimisäätöön, paperikoneen perälaatikon muotoiluun, paperikoneen suunnitteluun, ultraäänilähettimen optimaalisen muodon suunnitteluun, erilaisiin kemiantekniikan sovelluksiin kuten fruktoosin ja glukoosin erotteluun, jätevedenpuhdistamon suunnitteluun, lämmönsiirtoverkkojen suunnitteluun sekä syövän sädehoidon annossuunnitteluun. Sovellusalojen kirjo osoittaa, että NIMBUS on sovellusriippumaton menetelmä; jokaiselle ongelmalle ei siis tarvitse kehittää omaa ratkaisumenetelmää. Esimerkkinä uusista lähestymistavoista mainittakoon Pareto Navigator -menetelmä laskennallisesti vaativille tehtäville. Jos tehtävä on laskennallisesti vaativa, päätöksentekijä voi joutua odottamaan kun hänen toiveidensa mukaista ratkaisua lasketaan. Tällöin ratkaisuprosessin interaktiivinen luonne kärsii. Pareto Navigatorin lähtökohta on edustajisto Pareto-optimaalisia ratkaisuja, jotka voidaan tuottaa ilman päätöksentekijää. Ratkaisujoukon pohjalta luodaan approksimaatio Pareto-optimaaliselle joukolle, minkä avulla päätöksentekijä voi joustavasti suunnistaa reaaliajassa erilaisten kompromissien joukossa. Kiinnostavaksi havaittua approksimaatioratkaisua vastaava lähin todellinen ratkaisu voidaan aina laskea tarvittaessa, ja päätöksentekijä pääsee tutustumaan eri tavoitteiden riippuvuussuhteisiin saman tien. Päätöksenteossa voidaan usein erottaa oppimisvaihe ja päätösvaihe. Pareto Navigator on suunniteltu erityisesti oppimisvaiheen tueksi. Kun päätöksentekijä on oppinut omista preferensseistään ja tehtävän luonteesta kylliksi, hän voi halutessaan jatkaa esimerkiksi NIMBUS-menetelmällä tai valita Pareto Navigatorin ratkaisun lopulliseksi ratkaisuksi. Erilaista interaktiivista lähestymistapaa edustaa Nautilus-menetelmä, jossa ratkaisuprosessi aloitetaan mahdollisimman huonoista objektifunktioarvoista. Tällaisesta ratkaisuta voidaan edetä kohti Pareto-optimaalisia ratkaisuja tinkimättä minkään tavoitteen arvoissa, siis parantamalla kaik kien tavoitteiden arvoa. Kysymys on vain siitä, minkä tavoitteiden arvojen parantamista päätöksentekijä pitää tärkeämpänä kuin toisten. Menetelmän taustalla on prospektiteoria, jonka mukaan ihmiset eivät suhtaudu symmetrisesti menetyksiin ja saavutuksiin. Nautiluksen avulla vältetään tarve luopua jostakin toisen tavoitteen parantamiseksi ja vältytään juuttumasta ennenaikaisesti jonkin ratkaisun ympäristöön. Käsiteltäessä vain Pareto-optimaalisia ratkaisuja päätöksentekijälle voi joskus olla vaikeaa liikkua kauemmas lähtöratkaisusta, sillä hän ei välttämättä halua tinkiä sen mahdollistamiseksi. Jos tarkastelua jatkettaisiin, voisi kuitenkin ilmetä että kauempana on kokonaisuuden kannalta mielekkäämpiä ratkaisuja. Nautilus siis pyrkii välttämään ennenaikaista juuttumista johonkin ratkaisuun. Nautiluksen avulla voidaan siis joko etsiä hyvä lähtöratkaisu jollekin toiselle interaktiiviselle ratkaisu- 90 Academia Scientiarum Fennica 2009
5 menetelmälle tai löytää suoraan päätöksentekijää parhaiten tyydyttävä ratkaisu. Toisaalta menetelmän avulla voidaan löytää ryhmäpäätöstilanteessa useita eri päätöksentekijöitä miellyttävä ratkaisu ilman, että kenenkään täytyy tinkiä saavutetuista arvoista. Uusia menetelmätyyppejä edustavat myös erilaiset hybridimenetelmät, joissa yhdistetään erityyppisten menetelmien ideoita. Näin pyritään välttämään eri osasten heikkouksia ja kehittämään vahvuuksia. Esimerkiksi voidaan yhdistää Pareto-optimaalisen edustajiston ja interaktiivisen menetelmän perusideoita. Näin päätöksen tekijä voi saada aluksi kokonaiskäsityksen tehtävälle tarjolla olevista ratkaisuista ja sen jälkeen etsiä paremmuussuhteitaan parhaiten vastaavan ratkaisun. Esimerkiksi preferenssi-informaatiota voidaan sisällyttää evoluutioalgoritmeihin, jolloin ei olla kiinnostuneita koko Pareto-optimaalisten ratkaisujen joukon käsittelystä vaan preferenssejä vastaavista ratkaisuista. Interaktiivisten menetelmien implementaatioissa on tärkeää huomioida käyttöliittymien keskeinen rooli. Informaatiota tulee välittää päätöksentekijälle ymmärrettävässä muodossa välttäen tulkinnanvaraisuutta ja liian suurta kognitiivista kuormaa. Graafinen havainnollistaminen ja käytettävyystutkimus ovat siis olennainen osa implementaatiokehitystä. Lopuksi Kuten todettua, monitavoiteoptimoinnissa huomioidaan tehtävän todellinen luonne ilman keinotekoisia yksinkertaistuksia ja eri näkökulmat, ja moniarvoisuus voidaan käsitellä luontevasti. Aito monitavoiteoptimointi tuo esiin todelliset riippuvuussuhteet tavoitteiden välillä, ja päätöksentekijä saa uusia näkökulmia ja parempaa ymmärrystä vaikeista ilmiöistä. Hän voi löytää uusia ratkaisuja, jotka eivät etukäteen olleet edes arvattavia saati ilmeisiä. Lähestymistapa tarjoaa ennennäkemättömiä keinoja kokonaisuuksien hallintaan, sillä ratkaisut ovat optimaalisia kokonaisuuden eikä vain jonkin osasen näkökulmasta. Lisääntyvä laskentakapasiteetti tekee mahdolliseksi entistä tarkempien ja laskennallisesti raskaampien mallien käytön, ja optimointimenetelmien on kyettävä ottamaan tämä huomioon. Myös epävarmuuden käsittely ja tuotettujen ratkaisujen toteutettavuus ovat reaalielämän sovellusten haasteita. Älykkäitä päätöksenteon tukijärjestelmiä kehitettäessä ideat aina on verifioitava todellisten sovellusten avulla. Tavoitteena on ehyt ketju teoriasta menetelmiin, niiden implementaatioihin ja sovelluksiin kaikkia tarvitaan kompleksisuuden hallintaan. Uusilla lähestymistavoilla ja työkaluilla on myös kansainvälistä merkitystä, sillä esimerkiksi monitavoiteoptimoinnin menetelmäkehityksen alalla Suomi on kärkimaita maailmassa. Yksi suomalaisista tutkimusryhmistä on teollisen optimoinnin ryhmä Jyväskylän yliopiston tietotekniikan laitoksella, jonka eri yhteistyökumppanien kanssa tekemää työtä edellä on kuvattu. Ongelmia ei pidä yksinkertaistaa liikaa, sillä samalla menetetään arvokasta tietoa. Tutkimuskentässä, ja laajemmin yhteiskunnassa ja yrityksissä, on lukuisilla tahoilla piileviä ja tiedostamattomia optimointitarpeita, sillä optimoinnista, sen työkaluista ja niiden mahdollisuuksista ei tiedetä kylliksi. Toisaalta kiristyvä kilpailu luonnollisesti korostaa optimoinnin merkitystä. Uuden luominen ja kehittäminen edellyttää kykyä aidosti kyseenalaistaa vallitsevat käytänteet. Optimointityökalujen hyödyntämismahdollisuudet ovat laajat yli toimialarajojen Academia Scientiarum Fennica
6 päästökaupan optimoinnista ja optimoitujen energiasysteemien myönteisistä ympäristövaikutuksista elintarvikkeiden säilyvyyteen ja investointi- ja tuotantokustannusten välisestä tasapainoilusta resurssien allokointiin. Toisaalta prosessien ja riippuvuussuhteiden parempi ymmärtäminen tuo myös välillistä hyötyä johtaen uusiin innovaatioihin ja parempiin päätöksiin. Kun siirrytään osaoptimoinnista kokonaisuuksien tarkasteluun, edistetään samalla elinkaariosaamista. Ongelman ratkaisijalle tarjotaan mahdollisuus toisaalta nähdä tavoitteiden ristiriitaisuuden vaikutuksia ja toisaalta saada uutta ymmärrystä vaikeista ilmiöistä. Sanalla kompromissi on monesti jokseenkin kielteinen kaiku, ja optimi voi kuulostaa paljon paremmalta. Itse asiassa kuitenkin eri näkökulmien huomioiminen on rikkaus, vaikka parhaan kompromissin etsimisessä joudutaankin tasapainoilemaan ristiriitaisten tavoitteiden välillä. Sen sijaan ensi kuulemalta saavuttamisen arvoiselta kuulostava optimi onkin monesti liian yksinkertaistava ja suoraviivainen ratkaisu tässä moniarvoisessa maailmassa. 92 Academia Scientiarum Fennica 2009
Teollinen optimointi: avain yritysten kilpailukykyyn
Teollinen optimointi: avain yritysten kilpailukykyyn Professori Kaisa Miettinen, JY, virkaanastujaisesitelmä 14.5.2008 Johdattelu optimointiin Teollinen optimointi viittaa optimoinnin soveltamiseen erityisesti
LisätiedotMonitavoiteoptimointi
Monitavoiteoptimointi Useita erilaisia tavoitteita, eli useita objektifunktioita Tavoitteet yleensä ristiriitaisia ja yhteismitattomia Optimaalisuus tarkoittaa yleensä eri asiaa kuin yksitavoitteisessa
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Optimaalisuus: objektiavaruus f 2 min Z = f(s) Parhaat arvot alhaalla ja vasemmalla
LisätiedotTIES592 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
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Evoluutiopohjainen monitavoiteoptimointi MCDM ja EMO Monitavoiteoptimointi kuuluu
LisätiedotOPTIMOINNIN JA PÄÄTÖKSENTEON MAISTERI- KOULUTUS (OPTI)
OPTIMOINNIN JA PÄÄTÖKSENTEON MAISTERI- KOULUTUS (OPTI) 24.10.2013 JYVÄSKYLÄN YLIOPISTO INFORMAATIOTEKNOLOGIAN TIEDEKUNTA 2013 1. AJANKOHTAISUUS Kilpailu kiristyy kaikilla elämänalueilla koko ajan asiat
LisätiedotLuento 6: Monitavoiteoptimointi
Luento 6: Monitavoiteoptimointi Monitavoiteoptimointitehtävässä on useita optimoitavia kohdefunktioita eli ns kriteereitä: f 1,, f m Esimerkiksi opiskelija haluaa oppia mahdollisimman hyvin ja paljon mahdollisimman
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 PO pisteiden määräämismenetelmät Idea: tuotetaan erilaisia PO ratkaisuita, joista
LisätiedotParempaa 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
LisätiedotTIES592 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 Tasaväliset PO pisteet? Painokerroinmenetelmä: muutetaan painoja systemaattisesti
LisätiedotEnergiatehokkuutta parantavien materiaalien tutkimus. Antti Karttunen Nuorten Akatemiaklubi 2010 01 18
Energiatehokkuutta parantavien materiaalien tutkimus Antti Karttunen Nuorten Akatemiaklubi 2010 01 18 Sisältö Tutkimusmenetelmät: Laskennallinen materiaalitutkimus teoreettisen kemian menetelmillä Esimerkki
LisätiedotLuku 6. Dynaaminen ohjelmointi. 6.1 Funktion muisti
Luku 6 Dynaaminen ohjelmointi Dynaamisessa ohjelmoinnissa on ideana jakaa ongelman ratkaisu pienempiin osaongelmiin, jotka voidaan ratkaista toisistaan riippumattomasti. Jokaisen osaongelman ratkaisu tallennetaan
LisätiedotMonitavoitteiseen optimointiin soveltuvan evoluutioalgoritmin tarkastelu
Monitavoitteiseen optimointiin soveltuvan evoluutioalgoritmin tarkastelu (Valmiin työn esittely) 11.4.2011 Ohjaaja: Ville Mattila Valvoja: Raimo Hämäläinen Työn tavoite Tutkia evoluutioalgoritmia (Lee
Lisätiedothyvä osaaminen. osaamisensa tunnistamista kuvaamaan omaa osaamistaan
MERKITYS, ARVOT JA ASENTEET FYSIIKKA 8 T2 Oppilas asettaa itselleen tavoitteita sekä työskentelee pitkäjänteisesti. Oppilas harjoittelee kuvaamaan omaa osaamistaan. T3 Oppilas ymmärtää lämpöilmiöiden tuntemisen
LisätiedotCHERMUG-pelien käyttö opiskelijoiden keskuudessa vaihtoehtoisen tutkimustavan oppimiseksi
Tiivistelmä CHERMUG-projekti on kansainvälinen konsortio, jossa on kumppaneita usealta eri alalta. Yksi tärkeimmistä asioista on luoda yhteinen lähtökohta, jotta voimme kommunikoida ja auttaa projektin
LisätiedotTIES483 Epälineaarinen optimointi
TIES483 Epälineaarinen optimointi Käytännön optimointiongelmien ratkaiseminen jussi.hakanen@jyu.fi Syksy 2012 Käytännön optimointiongelmien ratkaiseminen Käytännössä tulee kiinnittää huomiota ainakin seuraaviin
LisätiedotFCP=Massavirta*Ominais- lämpökapasitetti. Lämpöteho= FCP*(Tin-Tout) Lisäksi tarvitaan kunkin virran lämmönsiirtokerroin h 40 C 40 C 100 C FCP=1 FCP=1
Lämmönsiirtoverkkojen monitavoiteoptimointi virtojen ryhmittelyyn perustuvalla kaksitaso- optimointimenetelmällä TkL Timo Laukkanen TKK Energiatekniikan laitos LÄMMÖNSIIRTOVERKOT Lämmönsiirtoverkkojen
LisätiedotKon Simuloinnin Rakentaminen Janne Ojala
Kon 16.4011 Simuloinnin Rakentaminen Janne Ojala Simulointi käytännössä 1/3 Simulaatiomalleja helppo analysoida Ymmärretään ongelmaa paremmin - Opitaan ymmärtämään koneen toimintaa ja siihen vaikuttavia
LisätiedotCrawford Superior 42. Optimaaliset ratkaisut. Crawford Superior 42, malli Style, väri valkoinen (RAL 9016)
Crawford Superior 42 Optimaaliset ratkaisut Crawford Superior 42, malli Style, väri valkoinen (RAL 9016) Crawford Superior 42 - Kauko-ohjattavaa laatua Hinta-laatusuhteeltaan markkinoiden paras ratkaisu
LisätiedotLataa Matemaattinen mallinnus. Lataa
Lataa Matemaattinen mallinnus Lataa ISBN: 9789510354087 Sivumäärä: 272 Formaatti: PDF Tiedoston koko: 17.27 Mb Tietokoneiden, ohjelmistojen ja informaatioteknologian nopea kehitys vahvistaa laskennallisen
LisätiedotÄÄNENVAIMENTIMIEN MALLINNUSPOHJAINEN MONITAVOITTEINEN MUODONOPTIMOINTI 1 JOHDANTO. Tuomas Airaksinen 1, Erkki Heikkola 2
ÄÄNENVAIMENTIMIEN MALLINNUSPOHJAINEN MONITAVOITTEINEN MUODONOPTIMOINTI Tuomas Airaksinen 1, Erkki Heikkola 2 1 Jyväskylän yliopisto PL 35 (Agora), 40014 Jyväskylän yliopisto tuomas.a.airaksinen@jyu.fi
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Käytännön optimointiongelmien ratkaiseminen Käytännön optimointiongelmien ratkaiseminen
LisätiedotOppiminen verkossa - teoriasta toimiviin käytäntöihin
Luennon teemat Oppiminen verkossa - teoriasta toimiviin käytäntöihin Hanna Salovaara, tutkija Kasvatustieteiden tiedekunta Koulutusteknologian tutkimusyksikkö Oulun Yliopisto Pedagogiset mallit ja skriptaus
LisätiedotTUKIMATERIAALI: Arvosanan kahdeksan alle jäävä osaaminen
1 FYSIIKKA Fysiikan päättöarvioinnin kriteerit arvosanalle 8 ja niitä täydentävä tukimateriaali Opetuksen tavoite Merkitys, arvot ja asenteet T1 kannustaa ja innostaa oppilasta fysiikan opiskeluun T2 ohjata
LisätiedotKokemuksia ja näkemyksiä teollisuusmatematiikan koulutuksen kehittämisestä
Kokemuksia ja näkemyksiä teollisuusmatematiikan koulutuksen kehittämisestä Erkki Heikkola, Pasi Tarvainen Numerola Oy, Jyväskylä Teollisuusmatematiikan päivä 15.10.2009, Helsingin yliopisto Numerola Oy
LisätiedotHALLINTO-OIKEUKSIEN TYÖMENETELMÄSELVITYS 2003 - tähän on tultu kymmenessä vuodessa
HALLINTO-OIKEUKSIEN TYÖMENETELMÄSELVITYS 2003 - tähän on tultu kymmenessä vuodessa 25.1.2013 Ylituomari Heikki Jukarainen Hämeenlinnan hallinto-oikeus Asiakasnäkökulma Hallinto-oikeuksien olisi syytä kiinnittää
LisätiedotKäytettävyys ja sen merkitys
Kuvat kirjasta Sinkkonen, Nuutila, Törmä. Helppokäyttöisen verkkopalvelun suunnittelu, 2009 Käytettävyys ja sen merkitys Irmeli Sinkkonen Adage Oy irmeli.sinkkonen@adage.fi www.adage.fi www.adage.fi Sisältö
Lisätiedot1.1 Funktion määritelmä
1.1 Funktion määritelmä Tämän kappaleen otsikoksi valittu funktio on hyvä esimerkki matemaattisesta käsitteestä, johon usein jopa tietämättämme törmäämme arkielämässä. Tutkiessamme erilaisia Jos joukkojen
LisätiedotTestaajan eettiset periaatteet
Testaajan eettiset periaatteet Eettiset periaatteet ovat nousseet esille monien ammattiryhmien toiminnan yhteydessä. Tämä kalvosarja esittelee 2010-luvun testaajan työssä sovellettavia eettisiä periaatteita.
LisätiedotOngelmanratkaisutehtävien analysointia
Ongelmanratkaisutehtävien analysointia Tero Vedenjuoksu 29.3.2014 Matemaattisten tieteiden laitos OPH:n ongelmanratkaisutaitojen tutkimus I Ajatuksia ja keskustelua artikkelista (Leppäaho, Silfverberg
LisätiedotVihreämmän ajan kuntaseminaari. Päättäjien Aamu
Vihreämmän ajan kuntaseminaari Päättäjien Aamu Agenda - 9:00-11:00 Kuntakentän haasteet ja niihin vastaaminen tietotekniikan keinoin IT:n ekologinen jalanjälki Virran- ja kustannusten säästö nykyaikaisin
LisätiedotTIES483 Epälineaarinen optimointi
TIES483 Epälineaarinen optimointi Käytännön optimointiongelmien ratkaiseminen jussi.hakanen@jyu.fi Syksy 2012 Käytännön optimointiongelmien ratkaiseminen Käytännössä tulee kiinnittää huomiota ainakin seuraaviin
Lisätiedot21.5.2014 Copyright www.videomarkkinointi.info
1 Tervetuloa kolmannelle jaksolle! Tähän jaksoon sisältyy testi, miten käytät oman aikasi? Saat vinkkejä miten omat unelmat saadaan kirkkaaksi. Jotta voit ne toteuttaa Tarvitset suunnitelman ja työkalut.
LisätiedotMitä priorisoinnilla tarkoitetaan?
Johanna Lammintakanen FT Ma. professori Sosiaali- ja terveysjohtamisen laitos Mitä priorisoinnilla tarkoitetaan? Terveydenhuollon priorisointi Käsitteestä: Mistä on kyse? Muutama ajatus ilmiöstä Keskustelun,
LisätiedotHunajakakku menossa lingottavaksi
POHDIN projekti Hunajakenno Mehiläispesän rakentuminen alkaa kennoista. Kenno on mehiläisvahasta valmistettu kuusikulmainen lieriö, joka jokaiselta sivultaan rajoittuu toisiin kennoihin. Hunajakennot muodostavat
LisätiedotTyökaluja metsätilan sukupolvenvaihdokseen
Metsätilakoon ja rakenteen parantaminen Tietopaketti metsätilojen sukupolvenvaihdoksiin 12.10.2011 Työkaluja metsätilan sukupolvenvaihdokseen Jussi Leppänen Metsäntutkimuslaitos, Vantaa jussi.leppanen@metla.fi
LisätiedotOPERAATIOTUTKIMUS METSÄTALOUDESSA
OPERAATIOTUTKIMUS METSÄTALOUDESSA Jyrki Kangas, UPM Metsä & Annika Kangas, Helsingin yliopisto Alustus FORS-seminaarissa 'Operaatiotutkimus metsäsektorilla' 24.5.2006 Helsinki Tyypillisimmät OR-tehtävät
Lisätiedothyvä osaaminen
MERKITYS, ARVOT JA ASENTEET FYSIIKKA T2 Oppilas tunnistaa omaa fysiikan osaamistaan, asettaa tavoitteita omalle työskentelylleen sekä työskentelee pitkäjänteisesti. T3 Oppilas ymmärtää fysiikkaan (sähköön
LisätiedotAircraft Maintenance Scheduling with Multi- Objective Simulation- Optimization
Aircraft Maintenance Scheduling with Multi- Objective Simulation- Optimization 7.5.2011 Ohjaaja: Ville Mattila Valvoja: Raimo Hämäläinen Tausta Ilmavoimilla tärkeä rooli maanpuolustuksessa Rauhan aikana
LisätiedotZA4880. Flash Eurobarometer 239 (Young people and science) Country Specific Questionnaire Finland
ZA4880 Flash Eurobarometer 239 (Young people and science) Country Specific Questionnaire Finland FLASH 239 YOUNG PEOPLE AND SCIENCE D1. Sukupuoli [ÄLÄ KYSY - MERKITSE SOPIVIN] Mies...1 Nainen...2 D2. Minkä
Lisätiedotarvioinnin kohde
KEMIA 8-lk Merkitys, arvot ja asenteet T2 Oppilas asettaa itselleen tavoitteita sekä työskentelee pitkäjänteisesti. Oppilas kuvaamaan omaa osaamistaan. T3 Oppilas ymmärtää alkuaineiden ja niistä muodostuvien
LisätiedotLinkkitekstit. Kaikkein vanhin WWW-suunnitteluohje:
Linkit Linkit ovat hypertekstin tärkein osa. Niiden avulla sivut liitetään toisiinsa ja käyttäjille tarjoutuu mahdollisuus liikkua muille kiinnostaville sivuille. Linkit Linkkejä on kolmea eri tyyppiä:
LisätiedotTOTUUS TALOUDESTASI TERHI MAJASALMI
TOTUUS TALOUDESTASI TERHI MAJASALMI TALENTUM HELSINKI 2012 Copyright 2012 Talentum Media Oy ja Terhi Majasalmi ISBN: 978-952-14-1884-6 ISBN:978-952-14-1883-9 Ulkoasu: Lapine Oy Paino: BALTO print 2012
LisätiedotTuotannon jatkuva optimointi muutostilanteissa
Tuotannon jatkuva optimointi muutostilanteissa 19.4.2012 Henri Tokola Henri Tokola Esityksen pitäjä 2009 Tohtorikoulutettava Aalto-yliopisto koneenrakennustekniikka Tutkimusaihe: Online-optimointi ja tuotannonohjaus
LisätiedotLaskennallisten tieteiden kansallinen kehittäminen - Nykytilan kartoitus
Laskennallisten tieteiden kansallinen kehittäminen - Nykytilan kartoitus Laskennallisten tieteiden päivä Tampere 13.11.2009 Auri Kaihlavirta Laskennallisten tieteiden kansallinen kehittäminen 2009 nykytilan
LisätiedotMat 2.4177 Operaatiotutkimuksen projektityöseminaari
Mat 2.4177 Operaatiotutkimuksen projektityöseminaari Kemira GrowHow: Paikallisen vaihtelun korjaaminen kasvatuskokeiden tuloksissa 21.2.2008 Ilkka Anttila Mikael Bruun Antti Ritala Olli Rusanen Timo Tervola
LisätiedotIlmiöpohjainen oppiminen ja BYOD
Ilmiöpohjainen oppiminen ja BYOD Anne Rongas 7.4.2015 Anne Rongas 2015, Creative Commons Nimeä-Tarttuva 4.0 Suomi Esitys löytyy: bit.ly/ilmioppibyod Jotain vanhaa, jotain uutta Tässä esityksessä: 1. Mitä
LisätiedotENSIHOITOMALLINNUS. Malli laskee asemapaikkojen määrän ja sijainnin, ambulanssien määrän, palvelun peittoprosentin ja kustannukset
ENSIHOITOMALLINNUS Malli laskee asemapaikkojen määrän ja sijainnin, ambulanssien määrän, palvelun peittoprosentin ja kustannukset ENSIHOITO: taustaa Ensihoito on sairastuneen tai vammautuneen potilaan
LisätiedotMonitavoiteoptimoinnin ja erityisesti NIMBUS-menetelmän hyödyntäminen monitavoitteisessa päätöksenteossa.
Monitavoiteoptimoinnin ja erityisesti NIMBUS-menetelmän hyödyntäminen monitavoitteisessa päätöksenteossa. Ellemari Teinilä Pro gradu -tutkielma Heinäkuu 2019 MATEMATIIKAN JA TILASTOTIETEEN LAITOS TURUN
LisätiedotBanana Split -peli. Toinen kierros Hyvin todennäköisesti ryhmien yhteenlaskettu rahasumma on suurempi kuin 30 senttiä. Ryhmien
Banana Split -peli Tavoite Esitellä banaanin tuotantoketju (mitä banaanille tapahtuu ennen kuin se on kuluttajalla) ja keskustella kuka saa mitä banaanin hinnasta. Kuinka peliä pelataan Jaa ryhmä viiteen
LisätiedotOpinnäytetyöhankkeen työseminaarin avauspuhe 20.4.2006 Stadiassa Hoitotyön koulutusjohtaja Elina Eriksson
1 Opinnäytetyöhankkeen työseminaarin avauspuhe 20.4.2006 Stadiassa Hoitotyön koulutusjohtaja Elina Eriksson Arvoisa ohjausryhmän puheenjohtaja rehtori Lauri Lantto, hyvä työseminaarin puheenjohtaja suomen
LisätiedotSuomi nousuun. Aineeton tuotanto
Suomi nousuun Aineeton tuotanto Maailman talous on muutoksessa. Digitalisoituminen vie suomalaiset yritykset globaalin kilpailun piiriin. Suomen on pärjättävä tässä kilpailussa, jotta hyvinvointimme on
LisätiedotLentotiedustelutietoon perustuva tykistön tulenkäytön optimointi (valmiin työn esittely)
Lentotiedustelutietoon perustuva tykistön tulenkäytön optimointi (valmiin työn esittely) Tuukka Stewen 1.9.2017 Ohjaaja: DI Juho Roponen Valvoja: prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotMat Optimointiopin seminaari kevät Monitavoiteoptimointi. Tavoitteet
Mat-2.142 Optimointiopin seminaari kevät 2000 Monitavoiteoptimointi Optimointiopin seminaari - Kevät 2000 / 1 Tavoitteet Monitavoitteisten optimointitehtävien ratkaisukäsitteet ja soveltamismahdollisuudet
LisätiedotElinkaarimallinnus ravinteiden kierron
Elinkaarimallinnus ravinteiden kierron alueellisen optimin etsinnässä 30.8.2016 Navigators of sustainability LCA Consulting Oy Erikoistunut materiaali- ja energiavirtojen hallinnan parantamiseen elinkaarimallintamisen
LisätiedotOPAS KASVUYRITTÄJÄN HANKINTOIHIN KÄÄNNÄ SIVUA
OPAS KASVUYRITTÄJÄN HANKINTOIHIN OSTOT TUKEVAT KASVUA Kasvuyrittäjänä tiedät, että kasvu on ennen muuta tekemistä. Millaisia tekoja tarvitaan tuloksekkaaseen ostamiseen? Tässä Esan seitsemän steppiä, joilla
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Yleistä https://korppi.jyu.fi/kotka/r.jsp?course=96762 Sisältö Johdanto yksitavoitteiseen
LisätiedotTIES592 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
LisätiedotTestaus ja säästöt: Ajatuksia testauksen selviämisestä lama-aikana
Testaus ja säästöt: Ajatuksia testauksen selviämisestä lama-aikana Muutamia ajatuksia siitä, miten testaus pärjää lama-ajan säästötalkoissa. Laman patologioita ja mahdollisuuksia. Säästämisen strategioita.
LisätiedotAineistokoko ja voima-analyysi
TUTKIMUSOPAS Aineistokoko ja voima-analyysi Johdanto Aineisto- eli otoskoon arviointi ja tutkimuksen voima-analyysi ovat tilastollisen tutkimuksen suunnittelussa keskeisimpiä asioita. Otoskoon arvioinnilla
LisätiedotTIES483 Epälineaarinen optimointi. Syksy 2012
TIES483 Epälineaarinen optimointi jussi.hakanen@jyu.fi Syksy 2012 Yleistä Tietotekniikan syventävä kurssi, 5 op Pakollinen laskennallisten tieteiden FMopinnoissa (ent. simulointi ja optimointi) https://korppi.jyu.fi/kotka/r.jsp?course=134562
LisätiedotVapaaehtoiskysely - HelsinkiMissio. Tampereen teknillinen yliopisto Tiedonhallinnan ja logistiikan laitos/mittaritiimi Harri Laihonen, FT
Vapaaehtoiskysely - HelsinkiMissio Tampereen teknillinen yliopisto Tiedonhallinnan ja logistiikan laitos/mittaritiimi Harri Laihonen, FT Esityksen sisältö 1. Aineeton pääoma 2. Miksi vapaaehtoiskysely?
LisätiedotKim Polamo T:mi Tarinapakki
Kim Polamo T:mi Tarinapakki Työnohjauksen voima Lue, kuinka työnohjaus auttaa työssäsi. 1 Tässä esitteessä on konkreettisia esimerkkejä työnohjaus -formaatin vaikutuksista. Haluan antaa oikeaa tietoa päätösten
LisätiedotKommenttipuheenvuoro Petri Hillin esitykseen Eläkkeiden rahoituksen uudistamistarpeet. Jukka Rantala Suomen Aktuaariyhdistys 10.12.
Kommenttipuheenvuoro Petri Hillin esitykseen Eläkkeiden rahoituksen uudistamistarpeet Jukka Rantala Suomen Aktuaariyhdistys 10.12.2012 Yleistä Hieno juttu, että työeläkkeiden rahoituskysymyksiä tutkitaan
LisätiedotTehtävät. Elämänpolku opettaa. Selviytymistyylejä on monia. 114 ole oman elämäsi tähti
Tehtävät 1 Elämänpolku opettaa A. Miten olet selvinnyt vaikeista hetkistä elämässäsi? Voit palata tarkastelemaan ensimmäisessä luvussa piirtämääsi elämänjanaa ja pohtia tehtävää sen avulla. B. Kirjoita
LisätiedotLiikkuva työ pilotin julkinen raportti 30.06.2014
Liikkuva työ pilotin julkinen raportti 30.06.2014 2 / 9 Green ICT pilotin raportti SISÄLLYSLUETTELO 1. Tiivistelmä koekäytöstä... 3 2. Toteutus... 4 2.1.Tavoite... 4 2.2.Mobiilisovellus... 4 2.3.Käyttöönotto...
LisätiedotTaideyliopiston kirjaston toimintasuunnitelma 2015 2017
TOIMINTASUUNNITELMAN TAUSTAT Luova ja energinen taideorganisaatio edellyttää kirjastoa, joka elää innovatiivisesti ajassa mukana sekä huomioi kehysorganisaationsa ja sen edustamien taiteen alojen pitkän
LisätiedotAki 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
Lisätiedot2. JAKSO - MYÖNTEINEN MINÄKUVA Itsenäisyys, turvallisuus, itseluottamus, itseilmaisu
2. JAKSO - MYÖNTEINEN MINÄKUVA Itsenäisyys, turvallisuus, itseluottamus, itseilmaisu Jokaisella lapsella tulisi olla itsestään kuva yksilönä joka ei tarvitse ulkopuolista hyväksyntää ympäristöstään. Heillä
LisätiedotKatkonnanohjaus evoluutiolaskennan keinoin
Katkonnanohjaus evoluutiolaskennan keinoin Askel kohti optimaalista tavaralajijakoa Veli-Pekka Kivinen HY, Metsävarojen käytön laitos Katkonnanohjauksen problematiikkaa Miten arvo-/tavoitematriisit tulisi
LisätiedotMuseotyö muutoksessa!
Museotyö muutoksessa! Kohti vaikuttavampaa museotoimintaa Carina Jaatinen, Museovirasto Tampere 27.5.2015 Virittelyä ja herättelyä! Mitä on tulevaisuuden museotoiminta? Miksi sitä tehdään? Ketä se palvelee?
LisätiedotLineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla Juho Andelmin 21.01.2013 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Raimo P. Hämäläinen Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotMainonnan kenttä Venäjällä
Mainonnan kenttä Venäjällä Mainonnan historia nykyvenäjällä 15 vuotta siitä kun se alkoi Viimeisen 10 vuoden aikana isoimmat ketjut ovat rantautunet Venäjälle Koulutus, osaaminen, ja yleinen tietotaito
LisätiedotAsiakkaiden osallistaminen on innovaation paras lanseeraus. Laura Forsman FFF, Turun Yliopisto
Asiakkaiden osallistaminen on innovaation paras lanseeraus Laura Forsman FFF, Turun Yliopisto Tuotteita käyttävistä ihmisistä on tullut parempia mainoksia, kuin perinteisistä medioista Miksi näin on? 3
LisätiedotKuvioton metsäsuunnittelu Paikkatietomarkkinat, Helsinki Tero Heinonen
Paikkatietomarkkinat, Helsinki 3.11.2009 Tero Heinonen Sisältö Kuvioton metsäsuunnittelu Optimointi leimikon suunnittelumenetelmänä Verrataan optimointi lähestymistapaa diffuusiomenetelmään Muuttuvat käsittely-yksiköt
LisätiedotSOVELLETUN MATEMATIIKAN MAISTERIKOULUTUS
SOVELLETUN MATEMATIIKAN MAISTERIKOULUTUS 18.3.2013 JYVÄSKYLÄN YLIOPISTO INFORMAATIOTEKNOLOGIAN TIEDEKUNTA 2014 1. AJANKOHTAISUUS Tieto- ja viestintäteknologia ovat muuttaneet ratkaisevasti tapaa, jolla
LisätiedotTyöhaastattelu näin onnistut haastattelussa Tervetuloa! Työnhakuveturi 11.3.2015 Satu Myller ja Nina Juhava
Työhaastattelu näin onnistut haastattelussa Tervetuloa! Työnhakuveturi 11.3.2015 Satu Myller ja Nina Juhava 10-12 asiantuntijaluentoa vuosittain 1 000 osallistujaa Teemoina mm. työnhaun uudet tuulet, työnantajien
LisätiedotSimulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen
Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen 16.06.2014 Ohjaaja: Urho Honkanen Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotVetovoimaa ja osaamista Live Delphin yhteenveto
Vetovoimaa ja osaamista Live Delphin yhteenveto Kuopio 1.11.2017 TODENNÄKÖISYYS 1. Vetovoimaisuus -teesi: Vuonna 2025 useampi kuopiolainen käy töissä seutukunnissa, kuin sieltä käydään töissä Kuopiossa.
LisätiedotViitta talous- ja henkilöstöhallinnon itsearviointityökalu. Esittelymateriaali
Viitta talous- ja henkilöstöhallinnon itsearviointityökalu Esittelymateriaali Esityksen sisältö Viitta-työkalun tausta Miten työkalu on syntynyt? Viitta-työkalun tavoitteet ja hyödyt Itsearviointiprosessi
LisätiedotKuka kylää kehittää? Salon seudun malli kyläsuunnitteluun
Kuka kylää kehittää? Salon seudun malli kyläsuunnitteluun Salon seudun suunnittelumalli yhdistää toiminnallisen kyläsuunnittelun ja maankäytön suunnittelun Toiminnallinen kyläsuunnitelma edustaa kyläläisten
LisätiedotAlgoritmit 2. Luento 13 Ti Timo Männikkö
Algoritmit 2 Luento 13 Ti 30.4.2019 Timo Männikkö Luento 13 Simuloitu jäähdytys Merkkijonon sovitus Horspoolin algoritmi Ositus ja rekursio Rekursion toteutus Algoritmit 2 Kevät 2019 Luento 13 Ti 30.4.2019
LisätiedotTietotekniikan laitoksen uusi linja
Tietotekniikan laitoksen uusi linja Tietotekniikan laitos 2011- Yhteisen rungon ympärille liittyvät oksina Tietotekniikan laitoksen perinteiset ja uudet linjat Haluatko harrastuksiisi liittyvän ammatin?
LisätiedotSonera perustaa Helsinkiin Suomen suurimman avoimen datakeskuksen. #SoneraB2D
Sonera perustaa Helsinkiin Suomen suurimman avoimen datakeskuksen Sonera perustaa Suomen suurimman avoimen datakeskuksen Perustamme Suomen suurimman kaikille yrityksille palveluja tarjoavan datakeskuksen
LisätiedotLuento 6: Monitavoitteinen optimointi
Luento 6: Monitavoitteinen optimointi Monitavoitteisessa optimointitehtävässä on useita optimoitavia kohdefunktioita eli ns kriteereitä: f,,f m Esimerkki ortfolion eli arvopaperijoukon optimoinnissa: f
LisätiedotELEMENTTIMENETELMÄN PERUSTEET SESSIO 01: Johdanto. Elementtiverkko. Solmusuureet.
0/ ELEMENTTIMENETELMÄN PERUSTEET SESSIO 0: Johdanto. Elementtiverkko. Solmusuureet. JOHDANTO Lujuuslaskentatehtävässä on tavoitteena ratkaista annetuista kuormituksista aiheutuvat rakenteen siirtmätilakenttä,
LisätiedotMetsien monikäyttöä tukevat työkalut
Metsien monikäyttöä tukevat työkalut Anne Tolvanen Metsäareena 9.10.2018 Esityksen rakenne Luonnonvarojen käyttöön liittyvät ristiriitaiset tavoitteet Ekosysteemipalvelu-lähestymistapa Tutkimuksen keinot
LisätiedotPielisen säännöstely vaikutukset Pielisen, Pielisjoen ja Saimaan virkistyskäyttöön. Pielisen juoksutuksen kehittämisen neuvotteluryhmä
Pielisen säännöstely vaikutukset Pielisen, Pielisjoen ja Saimaan virkistyskäyttöön Pielisen juoksutuksen kehittämisen neuvotteluryhmä Esityksen sisältö Pielisen säännöstelyn lähtökohdat Laskennassa käytetty
LisätiedotKOULUTUKSEN ARVIOINTI ALUEEN NÄKÖKULMASTA
KOULUTUKSEN ARVIOINTI ALUEEN NÄKÖKULMASTA Helena Rasku-Puttonen Karvin kuulemiskierros KARVIn laatutunnus myönnetty Jyväskylän yliopistolle Mistä kertoo? Jyväskylän yliopistossa on vahva jatkuvan kehittämisen
Lisätiedot+ 3 2 5 } {{ } + 2 2 2 5 2. 2 kertaa jotain
Jaollisuustestejä (matematiikan mestariluokka, 7.11.2009, ohjattujen harjoitusten lopputuloslappu) Huom! Nämä eivät tietenkään ole ainoita jaollisuussääntöjä; ovatpahan vain hyödyllisiä ja ainakin osittain
LisätiedotA. 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
LisätiedotFakta- ja näytenäkökulmat. Pertti Alasuutari Tampereen yliopisto
Fakta- ja näytenäkökulmat Pertti Alasuutari Tampereen yliopisto Mikä on faktanäkökulma? sosiaalitutkimuksen historia: väestötilastot, kuolleisuus- ja syntyvyystaulut. Myöhemmin kysyttiin ihmisiltä tietoa
LisätiedotMAL-verkoston koulutus 12.-13.10. Ryhmätyöt
MAL-verkoston koulutus 12.-13.10. Ryhmätyöt Työpajatyöskentely MAL-suunnittelun ulottuvuuksien kriittinen arviointi MAL strategisena tavoitteenasetteluna Mikä on MAL-suunnittelun asema osana strategisen
LisätiedotMaaseudun kehittämisohjelman mahdollisuudet maahanmuuttajien kotouttamiseen
Maaseudun kehittämisohjelman mahdollisuudet maahanmuuttajien kotouttamiseen Vastaanottava maaseutu Helsinki 22.1.2016 Marianne Selkäinaho Maa- ja metsätalousministeriö Mahdollisuuksien maaseutu Maaseutuohjelmalla
LisätiedotData Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä
Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä Mat-2.4142 Optimointiopin seminaari kevät 2011 Esityksen rakenne I osa Tehokkuudesta yleisesti DEA-mallin perusajatus CCR-painotus II osa
LisätiedotTomi Huttunen Kuava Oy Kuopio 17.11.2011
Mallinnuksella apua melunhallintaan Tomi Huttunen Kuava Oy Kuopio 17.11.2011 Sisältö Kuava Oy Mallintaminen ja simulointi Akustiikan ja melun simulointi Esimerkkejä: Meluemissio Virtausmelu Uusia simulointityökaluja
LisätiedotKuinka vammaisen henkilön päätöksentekoa voidaan tukea?
Kuinka vammaisen henkilön päätöksentekoa voidaan tukea? Maarit Mykkänen, Savon Vammaisasuntosäätiö Kehitysvammaliiton opintopäivät 2015 Tuetusti päätöksentekoon -projekti Projektin toiminta-aika: 2011-31.7.2015
LisätiedotOhjauksen haasteet - perusopetuksen oppilaan ohjaustarpeet. KT Jukka Lerkkanen Jyväskylä
Ohjauksen haasteet - perusopetuksen oppilaan ohjaustarpeet KT Jukka Lerkkanen 15.5.2009 Jyväskylä Sisältö Esittely Tutkimustulokset perusopetuksen oppilaan ohjaustarpeista Kehittämisehdotukset Aineisto
LisätiedotAmmatillisen koulutuksen laatupalkinto 2013. Erityisteema: Yrittäjyys. Opetusneuvos Tarja Riihimäki Opetusministeriö
Ammatillisen koulutuksen laatupalkinto 2013 Erityisteema: Yrittäjyys Opetusneuvos Tarja Riihimäki Opetusministeriö Ammatillisen koulutuksen laatupalkinto Laatupalkinnon tavoitteena on kannustaa ammatillisen
LisätiedotLUOTTAMUS JOHTAMISEN PERUSTANA
LUOTTAMUS JOHTAMISEN PERUSTANA Risto Harisalo Emeritusprofessori Tampereen yliopistosta risto.harisalo@uta.fi 1 LUOTTAMUS Keskinäinen vuorovaikutus * määrä * laatu * intensiteetti * luonne Vakaumus * yhdessäolon
Lisätiedot