Dynaaminen optimointi

Koko: px
Aloita esitys sivulta:

Download "Dynaaminen optimointi"

Transkriptio

1 Dynaaminen optimointi Tapa ratkaista optimointitehtävä Tehtävä ratkaistaan vaiheittain ja vaiheet yhdistetään rekursiivisesti Perustuu optimaalisuusperiaatteeseen: Optimaalisen ratkaisupolun loppuosa on optimaalinen myös tehtävälle, jossa tarkastellaan vain loppuosaa omana tehtävänään 1

2 Koneen optimaalinen vaihto Tarkastellaan N:n vuoden periodia, yhden vuoden jaksoissa Jokaisen vuoden alussa vanha kone voidaan vaihtaa uuteen tai säilyttää vanha kone Tavoite: Määrää, milloin kone vaihdetaan, jotta kokonaiskustannukset minimoituvat p = uuden koneen (ikä 0 vuotta) hinta c(i) = koneen käyttökustannukset vuodessa, kun kone i vuoden ikäinen t(i) = koneesta vaihdossa saatava hyvitys, kun kone i vuoden ikäinen s(i) = koneen loppuarvo, kun se vuoden N lopussa on i vuoden ikäinen 2

3 Dynaamisen optimoinnin vaiheet: Aloitetaan periodin viimeisestä vuodesta Jokaisen vuoden k alussa tutkitaan kaikki vaihtoehdot, joiden mukaan k:s vuosi voidaan toimia Seuraavan vuoden alusta toimitaan optimaalisesti periodin loppuun Paras vaihtoehto vuoden k alussa on se, joka antaa parhaan kokonaistuloksen vuodesta k periodin loppuun asti Edetään kohti periodin alkua vuosi kerrallaan 3

4 Rekursiofunktiot: f k (i) =optimaaliset kokonaiskustannukset vuodesta k periodin loppuun asti, kun aloitetaan vuoden k alussa i vuoden ikäisellä koneella Vaihtoehdot vuoden k alussa: Ei vaihdeta: kustannukset = c(i) + f k+1 (i + 1) Vaihdetaan: kustannukset = p t(i) + c(0) + f k+1 (1) = f k (i) = min{c(i) + f k+1 (i + 1), p t(i) + c(0) + f k+1 (1)} 4

5 Optimaalinen kustannus periodin lopussa eli vuoden N + 1 alussa: f N+1 (i) = koneen loppuarvo = s(i) Lasketaan takenevasti f k (i):t kaikilla k = N,...,1 ja kaikilla tarvittavilla tai mahdollisilla i Optimaalinen ratkaisupolku nähdään f k (i):n arvoista, alkaen ensimmäisestä vuodesta 5

6 Esimerkki: N = 5 p = 50 c(0) = 10 i c(i) t(i) s(i) Merkitään: 1 = ei vaihdeta, 2 = vaihdetaan 6

7 f 6 (i) = s(i) i f 6 (i) f 5 (i) f 4 (i) f 3 (i) f 2 (i) f 1 (i)

8 f 5 (i) = min{c(i) + f 6 (i + 1),60 t(i) + f 6 (1)} i f 6 (i) f 5 (i) f 4 (i) f 3 (i) f 2 (i) f 1 (i)

9 f 4 (i) = min{c(i) + f 5 (i + 1),60 t(i) + f 5 (1)} i f 6 (i) f 5 (i) f 4 (i) f 3 (i) f 2 (i) f 1 (i)

10 f 3 (i) = min{c(i) + f 4 (i + 1),60 t(i) + f 4 (1)} i f 6 (i) f 5 (i) f 4 (i) f 3 (i) f 2 (i) f 1 (i)

11 f 2 (i) = min{c(i) + f 3 (i + 1),60 t(i) + f 3 (1)} i f 6 (i) f 5 (i) f 4 (i) f 3 (i) f 2 (i) f 1 (i)

12 f 1 (i) = min{c(i) + f 2 (i + 1),60 t(i) + f 2 (1)} i f 6 (i) f 5 (i) f 4 (i) f 3 (i) f 2 (i) f 1 (i)

13 Esimerkki: Vuoden 1 alussa kone on 2 vuoden ikäinen = f 1 (2) = 115 kun kone vaihdetaan vuoden 1 alussa = f 2 (1) = 76 kun konetta ei vaihdeta vuoden 2 alussa = f 3 (2) = 63 kun kone vaihdetaan vuoden 3 alussa = f 4 (1) = 24 kun kone vaihdetaan vuoden 4 alussa = f 5 (1) = 4 kun konetta ei vaihdeta vuoden 5 alussa 13

14 Sijoittajan ongelma Kokonaissumma T voidaan sijoittaa n:ään eri kohteeseen Tavoite: Määrää kuhunkin kohteeseen sijoitettava summa siten, että kokonaistuotto maksimoituu x i = kohteeseen i sijoitettava summa p i (s) = kohteen i tuotto, kun siihen sijoitetaan summa s 14

15 Optimointitehtävä: max p 1 (x 1 ) + + p n (x n ) kun x x n = T x 1,..., x n 0 Rekursiofunktiot: = f j (s) = kokonaistuotto, kun sijoitetaan summa s optimaalisella tavalla kohteisiin j,..., n f n (s) = p n (s) (oletus: p n kasvaa kun s kasvaa) f j (s) = max x j {p j (x j ) + f j+1 (s x j ) x j s}, j < n 15

16 Esimerkki: s p 1 (s) p 2 (s) p 3 (s) p 4 (s)

17 f 4 (s) = p 4 (s) s f 4 (s) x 4 f 3 (s) x 3 f 2 (s) x 2 f 1 (s) x , ,4, ,4,5,6 17

18 f 3 (s) = max x 3 {p 3 (x 3 ) + f 4 (s x 3 ) x 3 s} s f 4 (s) x 4 f 3 (s) x 3 f 2 (s) x 2 f 1 (s) x , , ,4, ,4,5,6 12 2,3 18

19 f 2 (s) = max x 2 {p 2 (x 2 ) + f 3 (s x 2 ) x 2 s} s f 4 (s) x 4 f 3 (s) x 3 f 2 (s) x 2 f 1 (s) x , 2 8 0, , 1, , ,2, ,4, ,3, ,4,5,6 12 2,3 16 3,4 19

20 f 1 (s) = max x 1 {p 1 (x 1 ) + f 2 (s x 1 ) x 1 s} s f 4 (s) x 4 f 3 (s) x 3 f 2 (s) x 2 f 1 (s) x , 2 8 0, , 1, , , ,2,3 14 1, ,4, ,3,4 16 1, ,4,5,6 12 2,3 16 3,4 18 1,2 20

21 Esimerkki: Kokonaissumma on T = 6 = f 1 (6) = 18 kun sijoitetaan x 1 = 1 (myös x 1 = 2 käy) = f 2 (5) = 14 kun sijoitetaan x 2 = 2 (myös x 2 = 3 tai 4 käyvät) = f 3 (3) = 10 kun sijoitetaan x 3 = 2 = f 4 (1) = 2 kun sijoitetaan x 4 = 1 21

22 Sijoittajan ongelman yleistys Kokonaissumma T voidaan sijoittaa n:ään eri kohteeseen Sijoituksen tuotto ja kulut vaihtelevat käyttöasteen mukaan Tavoite: Määrää kuhunkin kohteeseen sijoitettava summa siten, että kokonaistuotto maksimoituu x i = kohteen i käyttöaste p i (x i ) = kohteen i tuotto, kun sen käyttöaste on x i r i (x i ) = kohteen i kulut, kun sen käyttöaste on x i 22

23 Optimointitehtävä: max p 1 (x 1 ) + + p n (x n ) kun r 1 (x 1 ) + + r n (x n ) T x 1,..., x n 0 Rekursiofunktiot: = f j (s) = kokonaistuotto, kun sijoitetaan summa s optimaalisella tavalla kohteisiin j,..., n f n (s) = max x n {p n (x n ) r n (x n ) s} f j (s) = max x j {p j (x j ) + f j+1 (s r j (x j )) r j (x j ) s}, j < n 23

24 Pakkausongelma Valittavana on erilaisia esineitä, joiden yhteispaino saa olla enintään W Tavoite: Määrää mukaan otettavien esineiden lukumäärä siten, että niiden yhteisarvo maksimoituu x i = esineiden i lukumäärä a i = esineen i arvo w i = esineen i paino 24

25 Optimointitehtävä: max a 1 x a n x n kun w 1 x w n x n W x 1,..., x n N Rekursiofunktiot: = f j (w) = pakkauksen optimaalinen arvo, kun paino on enintään w ja mukana saa olla vain esineitä j,..., n f n+1 (w) = 0 (kuvitteellisen esineen n + 1 arvo) f j (w) = max x j {a j x j + f j+1 (w w j x j ) w j x j w}, j n 25

26 Kapsäkkiongelma Kuten pakkausongelma, paitsi että kutakin esinettä voidaan ottaa korkeintaan yksi kappale Optimointitehtävä: max a 1 x a n x n kun w 1 x w n x n W x 1,..., x n = 0 tai 1 26

27 Pelurin ongelma Lyödään vetoa neljä kertaa Yhden vedonlyönnin voiton todennäköisyys on 0.4, häviön 0.6 Voittosumma yhdessä vedonlyönnissä on sama kuin panos Alussa pelurilla on rahaa 2 yksikköä Tavoite: Maksimoida todennäköisyys sille, että pelin lopussa pelurilla on rahaa ainakin 6 yksikköä 27

28 Rekursiofunktiot: f j (d) = todennäköisyys sille, että lopussa on ainakin 6 yksikköä, kun pelataan optimaalisesti kerroilla j,..., 4 ja kun käytössä on d yksikköä ennen kertaa j = f 4 (d) = 0.0 kun 0 d kun 3 d kun d 6 f j (d) = max b j {0.4 f j+1 (d + b j ) f j+1 (d b j ) b j d}, j < 4 28

29 f 4 (d) = 0.0 kun 0 d kun 3 d kun d 6 d f 4 (d) b 4 f 3 (d) b 3 f 2 (d) b 2 f 1 (d) b

30 f 3 (d) = max b 3 {0.4 f 4 (d + b 3 ) f 4 (d b 3 ) b 3 d} d f 4 (d) b 4 f 3 (d) b 3 f 2 (d) b 2 f 1 (d) b

31 f 2 (d) = max b 2 {0.4 f 3 (d + b 2 ) f 3 (d b 2 ) b 2 d} d f 4 (d) b 4 f 3 (d) b 3 f 2 (d) b 2 f 1 (d) b

32 f 1 (d) = max b 1 {0.4 f 2 (d + b 1 ) f 2 (d b 1 ) b 1 d} d f 4 (d) b 4 f 3 (d) b 3 f 2 (d) b 2 f 1 (d) b

33 Alkusumma 2 yksikköä = f 1 (2) = kun pelataan b 1 = 1 Jatko riippuu siitä, voitetaanko vai ei Esimerkiksi, jos ensimmäisellä kerralla voitetaan = f 2 (3) = kun pelataan b 2 = 0 = f 3 (3) = 0.40 kun pelataan b 3 = 0 = f 4 (3) = 0.4 kun pelataan b 4 = 3 33

34 Jatkuva dynaaminen optimointi Määrä q (missä q > 0) halutaan jakaa n:ään osaan siten, että osien tulo on mahdollisimman suuri Merkitään osia y i :llä, i = 1,..., n Optimointitehtävä: max y 1 y n kun y y n = q y 1,..., y n 0 34

35 Systeemin tila: x i = se osa määrästä q, joka varataan osille 1,..., i Rekursioyhtälöt: f 1 (x 1 ) = max y 1 {y 1 0 y 1 x 1 } f j (x j ) = max y j {y j f j 1 (x j y j ) 0 y j x j }, j > 1 35

36 Merkitään maksimoitavia funktioita g j :llä, ts. f j (x j ) = max yj g j (y j, x j ) = g 1 (y 1, x 1 ) = y 1 0 y 1 x 1 = y 1 = x 1 f 1 (x 1 ) = x 1 36

37 = g 2 (y 2, x 2 ) = y 2 f 1 (x 2 y 2 ) = y 2 (x 2 y 2 ) y 2 g 2 (y 2, x 2 ) = x 2 2y 2 = 0 = y 2 = 1 2 x 2 f 2 (x 2 ) = 1 2 x 2 ( x 2 1 ) 2 x 2 = ( ) x

38 = g 3 (y 3, x 3 ) = y 3 f 2 (x 3 y 3 ) = y 3 ( x3 y 3 2 y 3 g 3 (y 3, x 3 ) = 1 4 (x2 3 4x 3y 3 + 3y 2 3 ) = 0 = y 3 = 1 3 x 3 ) 2 f 3 (x 3 ) = 1 3 x 3 x x = ( ) x

39 =... [induktiolla]... = y i = x i i f i (x i ) = ( ) xi i i 39

40 Siten ratkaisu on x n = q y n = x n n = q n x n 1 = q y n = n 1 n q y n 1 = x n 1 n 1 = q n x n 2 = q y n y n 1 = n 2 n q y n 2 = x n 2 n 2 = q n.. x 1 = 1 n q y 1 = q n 40

Diskreettiaikainen dynaaminen optimointi

Diskreettiaikainen dynaaminen optimointi Diskreettiaikainen dynaaminen optimointi Usean kauden tapaus 2 kauden yleistys Ääretön loppuaika Optimaalinen pysäytys Optimointiopin seminaari - Syksy 2000 / Ongelma t 0 x 0 t- t T x t- + x t + x T u

Lisätiedot

Kokonaislukuoptimointi

Kokonaislukuoptimointi Kokonaislukuoptimointi Optimointitehtävät, joissa muuttujat tai osa niistä voivat saada vain kokonaislukuarvoja Puhdas kokonaislukuoptimointitehtävä: Kaikki muuttujat kokonaislukuja Sekoitettu kokonaislukuoptimointitehtävä:

Lisätiedot

Esimerkkejä kokonaislukuoptimointiongelmista

Esimerkkejä kokonaislukuoptimointiongelmista Esimerkkejä kokonaislukuoptimointiongelmista (eli mitä kaikkea kokonaisluvuilla voi mallintaa) 27. marraskuuta 2013 Pääoman budjetointiongelma Kulut Projekti Vuosi 1 Vuosi 2 Vuosi 3 Tuotto 1 5 1 8 20 2

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

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

Päätöksentekomenetelmät

Päätöksentekomenetelmät L u e n t o Päätösongelmia löytyy joka paikasta Hanna Virta / Liikkeenjohdon systeemit Päätöksentekomenetelmät Luennon sisältö Johdanto päätöksentekoon Päätöksenteko eri tilanteissa Päätöspuut Päästökauppa:

Lisätiedot

Graafit ja verkot. Joukko solmuja ja joukko järjestämättömiä solmupareja. eli haaroja. Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria

Graafit ja verkot. Joukko solmuja ja joukko järjestämättömiä solmupareja. eli haaroja. Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria Graafit ja verkot Suuntamaton graafi: eli haaroja Joukko solmuja ja joukko järjestämättömiä solmupareja Suunnattu graafi: Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria Haaran päätesolmut:

Lisätiedot

TIEA382 Lineaarinen ja diskreetti optimointi

TIEA382 Lineaarinen ja diskreetti optimointi TIEA382 Lineaarinen ja diskreetti optimointi Jussi Hakanen Tietotekniikan laitos jussi.hakanen@jyu.fi AgC 426.3 Yleiset tiedot Tietotekniikan kandidaattiopintojen valinnainen kurssi http://users.jyu.fi/~jhaka/ldo/

Lisätiedot

Piiri K 1 K 2 K 3 K 4 R R

Piiri K 1 K 2 K 3 K 4 R R Lineaarinen optimointi vastaus, harj 1, Syksy 2016. 1. Teollisuuslaitos valmistaa piirejä R 1 ja R 2, joissa on neljää eri komponenttia seuraavat määrät: Piiri K 1 K 2 K 3 K 4 R 1 3 1 2 2 R 2 4 2 3 0 Päivittäistä

Lisätiedot

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) vasemman puolen

Lisätiedot

Epäyhtälön molemmille puolille voidaan lisätä sama luku: kaikilla reaaliluvuilla a, b ja c on voimassa a < b a + c < b + c ja a b a + c b + c.

Epäyhtälön molemmille puolille voidaan lisätä sama luku: kaikilla reaaliluvuilla a, b ja c on voimassa a < b a + c < b + c ja a b a + c b + c. Epäyhtälö Kahden lausekkeen A ja B välisiä järjestysrelaatioita A < B, A B, A > B ja A B nimitetään epäyhtälöiksi. Esimerkiksi 2 < 6, 9 10, 5 > a + + 2 ja ( + 1) 2 2 + 2 ovat epäyhtälöitä. Epäyhtälössä

Lisätiedot

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) on voimassa

Lisätiedot

ARVIOINTIPERIAATTEET

ARVIOINTIPERIAATTEET PSYKOLOGIAN YHTEISVALINNAN VALINTAKOE 2012 ARVIOINTIPERIAATTEET Copyright Helsingin yliopisto, käyttäytymistieteiden laitos, Materiaalin luvaton kopiointi kielletty. TEHTÄVÄ 1. (max. 34.5 pistettä) 1 a.i)

Lisätiedot

Optimointi. Etsitään parasta mahdollista ratkaisua annetuissa olosuhteissa. Ongelman mallintaminen. Mallin ratkaiseminen. Ratkaisun analysointi

Optimointi. Etsitään parasta mahdollista ratkaisua annetuissa olosuhteissa. Ongelman mallintaminen. Mallin ratkaiseminen. Ratkaisun analysointi Optimointi Etsitään parasta mahdollista ratkaisua annetuissa olosuhteissa Ongelman mallintaminen Mallin ratkaiseminen Ratkaisun analysointi 1 Peruskäsitteitä Muuttujat: Sallittu alue: x = (x 1, x 2,...,

Lisätiedot

ESTON LASKENTA VERKOSSA

ESTON LASKENTA VERKOSSA J. Virtamo 38.3141 Teleliikenneteoria / Esto verkossa 1 ESTON LASKENTA VERKOSSA Erlangin funktion E(C, a) avulla voidaan laskea esto yhdessä linkissä, jonka kapasiteetti on C (johtoa) ja johon tarjotun

Lisätiedot

Luento 6: Monitavoitteinen optimointi

Luento 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

Lisätiedot

Kombinatorinen optimointi

Kombinatorinen optimointi Kombinatorinen optimointi Sallittujen pisteiden lukumäärä on äärellinen Periaatteessa ratkaisu löydetään käymällä läpi kaikki pisteet Käytännössä lukumäärä on niin suuri, että tämä on mahdotonta Usein

Lisätiedot

Luku 6. Dynaaminen ohjelmointi. 6.1 Funktion muisti

Luku 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

Lisätiedot

Luento 6: Monitavoiteoptimointi

Luento 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

Lisätiedot

Algoritmit 2. Luento 13 Ti Timo Männikkö

Algoritmit 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

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 9 Ti 4.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 9 Ti 4.10.2011 p. 1/44 p. 1/44 Funktion approksimointi Etsitään p siten, että p f, mutta ei vaadita, että

Lisätiedot

Lukion. Calculus. Polynomifunktiot. Paavo Jäppinen Alpo Kupiainen Matti Räsänen Otava PIKATESTIN JA KERTAUSKOKEIDEN TEHTÄVÄT RATKAISUINEEN

Lukion. Calculus. Polynomifunktiot. Paavo Jäppinen Alpo Kupiainen Matti Räsänen Otava PIKATESTIN JA KERTAUSKOKEIDEN TEHTÄVÄT RATKAISUINEEN Calculus Lukion MAA Polynomifunktiot Paavo Jäppinen Alpo Kupiainen Matti Räsänen Otava PIKATESTIN JA KERTAUSKOKEIDEN TEHTÄVÄT RATKAISUINEEN Polynomifunktiot (MAA) Pikatesti ja kertauskokeet Tehtävien ratkaisut

Lisätiedot

A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.

A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =

Lisätiedot

monissa laskimissa luvun x käänteisluku saadaan näyttöön painamalla x - näppäintä.

monissa laskimissa luvun x käänteisluku saadaan näyttöön painamalla x - näppäintä. .. Käänteisunktio.. Käänteisunktio Mikäli unktio : A B on bijektio, niin joukkojen A ja B alkioiden välillä vallitsee kääntäen yksikäsitteinen vastaavuus eli A vastaa täsmälleen yksi y B, joten myös se

Lisätiedot

Päätöksentekomenetelmät

Päätöksentekomenetelmät L u e n t o Hanna Virta / Liikkeenjohdon systeemit Päätöksentekomenetelmät Luennon sisältö Johdanto päätöksentekoon Päätöksenteko eri tilanteissa Päätöspuut Päätösongelmia löytyy joka paikasta Päästökauppa:

Lisätiedot

Algoritmit 1. Luento 13 Ma Timo Männikkö

Algoritmit 1. Luento 13 Ma Timo Männikkö Algoritmit 1 Luento 13 Ma 26.2.2018 Timo Männikkö Luento 13 Suunnittelumenetelmät Taulukointi Kapsäkkiongelma Ahne menetelmä Verkon lyhimmät polut Dijkstran menetelmä Verkon lyhin virittävä puu Kruskalin

Lisätiedot

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2 TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4

Lisätiedot

Päätöksentekomenetelmät

Päätöksentekomenetelmät L u e n t o Päätöksentekomenetelmät Luennon sisältö Hanna Virta / Liikkeenjohdon systeemit Johdanto päätöksentekoon Päätöksenteko eri tilanteissa Päätöspuut Johdanto päätöksentekoon Päätösongelmia löytyy

Lisätiedot

Y56 Laskuharjoitukset 4 Palautus viim. ti klo (luennolla!) Opiskelijan nimi. Opiskelijanumero

Y56 Laskuharjoitukset 4 Palautus viim. ti klo (luennolla!) Opiskelijan nimi. Opiskelijanumero Y56 Kevät 2010 1 Y56 Laskuharjoitukset 4 Palautus viim. ti 30.3. klo 12-14 (luennolla!) Opiskelijan nimi Opiskelijanumero Harjoitus 1. Tuotantoteknologia Tavoitteena on oppia hahmottamaan yrityksen tuotantoa

Lisätiedot

Kenguru 2016 Mini-Ecolier (2. ja 3. luokka) Ratkaisut

Kenguru 2016 Mini-Ecolier (2. ja 3. luokka) Ratkaisut sivu 1 / 11 TEHTÄVÄ 1 2 3 4 5 6 VASTAUS E B C D D A TEHTÄVÄ 7 8 9 10 11 12 VASTAUS E C D C E C TEHTÄVÄ 13 14 15 16 17 18 VASTAUS A B E E B A sivu 2 / 11 3 pistettä 1. Anni, Bert, Camilla, David ja Eemeli

Lisätiedot

Malliratkaisut Demo 1

Malliratkaisut Demo 1 Malliratkaisut Demo 1 1. Merkitään x = kuinka monta viikkoa odotetaan ennen kuin perunat nostetaan. Nyt maksimoitavaksi kohdefunktioksi tulee f(x) = (60 5x)(300 + 50x). Funktio f on alaspäin aukeava paraaeli,

Lisätiedot

1 Rajoitettu optimointi I

1 Rajoitettu optimointi I Taloustieteen mat.menetelmät 2017 materiaali II-1 1 Rajoitettu optimointi I 1.1 Tarvittavaa osaamista Matriisit ja vektorit, matriisien de niittisyys Derivointi (mm. ketjusääntö, Taylorin kehitelmä) Implisiittifunktiolause

Lisätiedot

MS-C2105 Optimoinnin perusteet Malliratkaisut 5

MS-C2105 Optimoinnin perusteet Malliratkaisut 5 MS-C2105 Optimoinnin perusteet Malliratkaisut 5 Ehtamo Demo 1: Arvaa lähimmäksi Jokainen opiskelija arvaa reaaliluvun välillä [0, 100]. Opiskelijat, joka arvaa lähimmäksi yhtä kolmasosaa (1/3) kaikkien

Lisätiedot

Lisää segmenttipuusta

Lisää segmenttipuusta Luku 24 Lisää segmenttipuusta Segmenttipuu on monipuolinen tietorakenne, joka mahdollistaa monenlaisten kyselyiden toteuttamisen tehokkaasti. Tähän mennessä olemme käyttäneet kuitenkin segmenttipuuta melko

Lisätiedot

, tuottoprosentti r = X 1 X 0

, tuottoprosentti r = X 1 X 0 Ostat osakkeen hintaan ja myyt sen vuoden myöhemmin hintaan X 1. Kokonaistuotto on tällöin R = X 1, tuottoprosentti r = X 1 ja pätee R = 1 + r. Lyhyeksimyymisellä tarkoitetaan, että voit myydä osakkeen

Lisätiedot

Mat-2.091 Sovellettu todennäköisyyslasku 5. harjoitukset/ratkaisut. Jatkuvat jakaumat

Mat-2.091 Sovellettu todennäköisyyslasku 5. harjoitukset/ratkaisut. Jatkuvat jakaumat Mat-2.09 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Jatkuvat jakaumat Avainsanat: Binomijakauma, Eksponenttijakauma, Jatkuva tasainen jakauma, Kertymäfunktio, Mediaani, Normaaliapproksimaatio, Normaalijakauma,

Lisätiedot

Prof. Marko Terviö Assist. Jan Jääskeläinen

Prof. Marko Terviö Assist. Jan Jääskeläinen Harjoitukset 3. 1. (a) Dismalandissa eri puolueiden arvostukset katusiivoukselle ovat Q A (P ) = 60 6P P A (Q) = 10 Q/6 Q B (P ) = 80 5P P B (Q) = 16 Q/5 Q C (P ) = 50 2P P C (Q) = 25 Q/2 Katusiivous on

Lisätiedot

Prosenttilaskuja osakeseurannan avulla

Prosenttilaskuja osakeseurannan avulla Prosenttilaskuja osakeseurannan avulla Miten sijoittamalla voi ansaita rahaa? Nyt pääset tutustumaan sijoitusmaailman saloihin ja testaamaan eri sijoitusmuotoja! Aloitus Ratkaiskaa pareittain seuraavat

Lisätiedot

Jos osaat säästää rahaa, osaat myös tehdä sitä.

Jos osaat säästää rahaa, osaat myös tehdä sitä. Säästösopimus Jos osaat säästää rahaa, osaat myös tehdä sitä. Sijoittaminen on järkevä tapa vaurastua Mandatum Lifen Säästösopimus on aktiiviseen säästämiseen ja sijoittamiseen sopiva kapitalisaatiosopimus.

Lisätiedot

30 + x. 15 + 0,5x = 2,5 + x 0,5x = 12,5 x = 25. 27,5a + 27,5b = 1,00 55 = 55. 2,5a + (30 2,5)b (27,5a + 27,5b) = 45 55.

30 + x. 15 + 0,5x = 2,5 + x 0,5x = 12,5 x = 25. 27,5a + 27,5b = 1,00 55 = 55. 2,5a + (30 2,5)b (27,5a + 27,5b) = 45 55. RATKAISUT, Insinöörimatematiikan koe 1.5.201 1. Kahdessa astiassa on bensiinin ja etanolin seosta. Ensimmäisessä astiassa on 10 litraa seosta, jonka tilavuudesta 5 % on etanolia. Toisessa astiassa on 20

Lisätiedot

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen

Lisätiedot

Hypoteesin testaus Alkeet

Hypoteesin testaus Alkeet Hypoteesin testaus Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Johdanto Kokeellinen tutkimus: Varmennetaan teoreettista olettamusta fysikaalisen systeemin käyttäytymisestä

Lisätiedot

Algoritmit 2. Luento 8 Ke 13.4.2016. Timo Männikkö

Algoritmit 2. Luento 8 Ke 13.4.2016. Timo Männikkö Algoritmit 2 Luento 8 Ke 13.4.2016 Timo Männikkö Luento 8 Rekursioyhtälöt Master-lause Lähin pistepari Ahne menetelmä Lyhin virittävä puu Kruskalin menetelmä Primin menetelmä Merkkitiedon tiivistäminen

Lisätiedot

Aluksi. 2.1. Kahden muuttujan lineaarinen epäyhtälö

Aluksi. 2.1. Kahden muuttujan lineaarinen epäyhtälö Aluksi Matemaattisena käsitteenä lineaarinen optimointi sisältää juuri sen saman asian kuin mikä sen nimestä tulee mieleen. Lineaarisen optimoinnin avulla haetaan ihannearvoa eli optimia, joka on määritelty

Lisätiedot

TALOUSTIETEEN LUENTOJEN TEHTÄVÄT

TALOUSTIETEEN LUENTOJEN TEHTÄVÄT TALOUSTIETEEN LUENTOJEN TEHTÄVÄT 1. Suhteellisen edun periaate 1. Maassa A: 1 maito ~ 3 leipää 1 leipä ~ 0,33 maitoa Maassa B: a. b. 3 maitoa ~ 5 leipää 1 maito ~ 1,67 leipää 1 leipä ~ 0,6 maitoa i. Maalla

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 1 23.1.2017 1. Päätösmuuttujiksi voidaan valita x 1 : tehtyjen peruspöytin lukumäärä x 2 : tehtyjen luxuspöytien lukumäärä. Optimointitehtäväksi tulee max 200x 1 + 350x 2 s. t. 5x

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 6 1 Korkolaskentaa Oletetaan, että korkoaste on r Jos esimerkiksi r = 0, 02, niin korko on 2 prosenttia Tätä korkoastetta käytettään diskonttaamaan tulevia tuloja ja

Lisätiedot

Funktioiden approksimointi ja interpolointi

Funktioiden approksimointi ja interpolointi Funktioiden approksimointi ja interpolointi Keijo Ruotsalainen Division of Mathematics interpolaatio-ongelma 8 Eksponenttifunktion exp(x) interpolointi 3.5 Funktion e^{0.25x} \sin(x) interpolointi 7 3

Lisätiedot

Kuljetustehtävä. Materiaalia kuljetetaan m:stä lähtöpaikasta n:ään tarvepaikkaan. Kuljetuskustannukset lähtöpaikasta i tarvepaikkaan j ovat c ij

Kuljetustehtävä. Materiaalia kuljetetaan m:stä lähtöpaikasta n:ään tarvepaikkaan. Kuljetuskustannukset lähtöpaikasta i tarvepaikkaan j ovat c ij Kuljetustehtävä Materiaalia kuljetetaan m:stä lähtöpaikasta n:ään tarvepaikkaan Kuljetuskustannukset lähtöpaikasta i tarvepaikkaan j ovat c ij Lähtöpaikan i kapasiteetti on a i (oletetaan, että a i > 0

Lisätiedot

Pelivaihtoehtoja. Enemmän vaihtelua peliin saa käyttämällä erikoislaattoja. Jännittävimmillään Alfapet on, kun miinusruudut ovat mukana pelissä!

Pelivaihtoehtoja. Enemmän vaihtelua peliin saa käyttämällä erikoislaattoja. Jännittävimmillään Alfapet on, kun miinusruudut ovat mukana pelissä! Pelivaihtoehtoja Yksinkertaisin vaihtoehto: lfapetia voi pelata monella eri tavalla. Yksinkertaisimmassa vaihtoehdossa käytetään ainoastaan kirjainlaattoja. Pelilaudan miinusruudut ovat tavallisia ruutuja,

Lisätiedot

Luento 5: Peliteoriaa

Luento 5: Peliteoriaa Luento 5: Peliteoriaa Tässä kappaleessa tutustutaan hieman peliteoriaan. Keskeisiä asioita ovat Nash-tasapaino ja sekastrategia. Cournot n duopolimalli vuodelta 1838 toimii oivallisena havainnollistuksena

Lisätiedot

Johdatus diskreettiin matematiikkaan Harjoitus 7, 28.10.2015

Johdatus diskreettiin matematiikkaan Harjoitus 7, 28.10.2015 Johdatus diskreettiin matematiikkaan Harjoitus 7, 28.10.2015 1. Onko olemassa yhtenäistä verkkoa, jossa (a) jokaisen kärjen aste on 6, (b) jokaisen kärjen aste on 5, ja paperille piirrettynä sivut eivät

Lisätiedot

Turun seitsemäsluokkalaisten matematiikkakilpailu 22.1.2014 Ratkaisuita

Turun seitsemäsluokkalaisten matematiikkakilpailu 22.1.2014 Ratkaisuita Turun seitsemäsluokkalaisten matematiikkakilpailu 22.1.2014 Ratkaisuita 1. Laske 3 21 12 3. a) 27 b) 28 c) 29 d) 30 e) 31 Ratkaisu. 3 21 12 3 = 63 36 = 27. 2. Peräkylän matematiikkakerholla on kaksi tapaa

Lisätiedot

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 1. Kotitehtävä. 2. Lasketaan aluksi korkoa korolle. Jos korkoprosentti on r, ja korko maksetaan n kertaa vuodessa t vuoden ajan, niin kokonaisvuosikorko

Lisätiedot

Investointimahdollisuudet ja investoinnin ajoittaminen

Investointimahdollisuudet ja investoinnin ajoittaminen Investointimahdollisuudet ja investoinnin ajoittaminen Ajoituksen ratkaisu dynaamisella optimoinnilla Optimointiopin seminaari - Syksy 000 / Esitelmän sisältö Investoinnin ajoitusongelman esittely Ongelman

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

Luento 4: Lineaarisen tehtävän duaali

Luento 4: Lineaarisen tehtävän duaali Luento 4: Lineaarisen tehtävän duaali Käsittelemme seuraavaksi lineaarisen optimoinnin duaaliteoriaa. Kuten luennossa 2 esitettiin, kohdefunktion optimiarvon herkkyys z, kun rajoitusyhtälön i, 1 i m, oikea

Lisätiedot

Monitavoiteoptimointi

Monitavoiteoptimointi Monitavoiteoptimointi Useita erilaisia tavoitteita, eli useita objektifunktioita Tavoitteet yleensä ristiriitaisia ja yhteismitattomia Optimaalisuus tarkoittaa yleensä eri asiaa kuin yksitavoitteisessa

Lisätiedot

Taloustieteen perusteet 31A00110 2016 Mallivastaukset 3, viikko 4

Taloustieteen perusteet 31A00110 2016 Mallivastaukset 3, viikko 4 Taloustieteen perusteet 31A00110 2016 Mallivastaukset 3, viikko 4 1. Tarkastellaan pulloja valmistavaa yritystä, jonka päiväkohtainen tuotantofunktio on esitetty alla olevassa taulukossa. L on työntekijöiden

Lisätiedot

Y56 laskuharjoitukset 5

Y56 laskuharjoitukset 5 Y56 Keät 2010 1 Y56 laskuharjoitukset 5 Palautus joko luennolle/mappiin to 8.4. tai Katjan lokerolle (Koetilantie 5, 3. krs) to 8.4. klo 16 mennessä (purku luennolla ti 13.4.) Huom. Tehtäät eiät ole aikeusjärjestyksessä,

Lisätiedot

MAA10 HARJOITUSTEHTÄVIÄ

MAA10 HARJOITUSTEHTÄVIÄ MAA0 Määritä se funktion f: f() = + integraalifunktio, jolle F() = Määritä se funktion f : f() = integraalifunktio, jonka kuvaaja sivuaa suoraa y = d Integroi: a) d b) c) d d) Määritä ( + + 8 + a) d 5

Lisätiedot

Raskaan kaluston parhaat palat

Raskaan kaluston parhaat palat Letkukeloja (ilman letkuja) Letkun maksimipituudet referenssejä, riippuu letkun paksuudesta. 2-tie letkukelat 3/8 letkuille Letkun Kätisyys Paino kg A Ø mm B mm C mm maksimipituus 1,8-2 m vasen 9,7 270

Lisätiedot

4 Kertausosa. Kertausosa. 1. a) (1, 2) ja ( 3, 7) 41 6,403... 6,4. b) ( 5, 8) ja ( 1, 10) 10 ( 8) 1 ( 5) 18 4 340 18,439... 18,4

4 Kertausosa. Kertausosa. 1. a) (1, 2) ja ( 3, 7) 41 6,403... 6,4. b) ( 5, 8) ja ( 1, 10) 10 ( 8) 1 ( 5) 18 4 340 18,439... 18,4 4 Kertausosa. a) (, ) ja (, 7) d 7 5 ( 4) 4 6,40... 6,4 b) ( 5, 8) ja (, 0) d 0 ( 8) ( 5) 8 4 40 8,49... 8,4. Koulun koordinaatit ovat (0, 0). Kodin koordinaatit ovat (,0;,0). Kodin ja koulun etäisyys

Lisätiedot

1 2 x2 + 1 dx. (2p) x + 2dx. Kummankin integraalin laskeminen oikein (vastaukset 12 ja 20 ) antaa erikseen (2p) (integraalifunktiot

1 2 x2 + 1 dx. (2p) x + 2dx. Kummankin integraalin laskeminen oikein (vastaukset 12 ja 20 ) antaa erikseen (2p) (integraalifunktiot Helsingin yliopisto, Itä-Suomen yliopisto, Jyväskylän yliopisto, Oulun yliopisto, Tampereen yliopisto ja Turun yliopisto Matematiikan valintakoe (Ratkaisut ja pisteytys) 500 Kustakin tehtävästä saa maksimissaan

Lisätiedot

8 Yritys kilpailullisilla markkinoilla (Mankiw & Taylor, Ch 14)

8 Yritys kilpailullisilla markkinoilla (Mankiw & Taylor, Ch 14) 8 Yritys kilpailullisilla markkinoilla (Mankiw & Taylor, Ch 14) Markkinat ovat kilpailulliset silloin, kun siellä on niin paljon yrityksiä, että jokainen pitää markkinoilla määräytyvää hintaa omista toimistaan

Lisätiedot

Haluatko parempaa tuottoa rahoillesi?

Haluatko parempaa tuottoa rahoillesi? Sijoitusvakuutus Haluatko parempaa tuottoa rahoillesi? Mandatum Lifen Sijoitusvakuutus sopii hyvin sekä omasta että läheisten taloudellisesta turvasta huolehtimiseen, kertyneiden varojen pitkäaikaiseen

Lisätiedot

Kuntosaliharjoittelun kesto tunteina Kokonaishyöty Rajahyöty 0 0 5 1 5 10 2 15 8 3 23 6 4 29 4 5 33 -

Kuntosaliharjoittelun kesto tunteina Kokonaishyöty Rajahyöty 0 0 5 1 5 10 2 15 8 3 23 6 4 29 4 5 33 - Harjoitukset 1 Taloustieteen perusteet Ratkaisuehdotukset Kesäyliopisto 2014 1. Oheisessa taulukossa on esitettynä kuluttajan saama hyöty kuntosaliharjoittelun kestosta riippuen. a) Laske taulukon tyhjään

Lisätiedot

3. laskuharjoituskierros, vko 6, ratkaisut

3. laskuharjoituskierros, vko 6, ratkaisut Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa

Lisätiedot

Uusien keksintöjen hyödyntäminen

Uusien keksintöjen hyödyntäminen Uusien keksintöjen hyödyntäminen Otso Ojanen 9.4.2003 Optimointiopin seminaari - Kevät 2003 / 1 Sisältö Käyttöönoton viiveet Ulkoisvaikutukset ja standardointi Teknologiaodotusten koordinointimalli Lisensiointi

Lisätiedot

Kustannusten minimointi, kustannusfunktiot

Kustannusten minimointi, kustannusfunktiot Kustannusten minimointi, kustannusfunktiot Luvut 20 ja 21 Marita Laukkanen November 3, 2016 Marita Laukkanen Kustannusten minimointi, kustannusfunktiot November 3, 2016 1 / 17 Kustannusten minimointiongelma

Lisätiedot

Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Päätöksentekijä on riskipakoinen, jos hyötyfunktio on konkaavi. a(x) = U (x) U (x)

Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Päätöksentekijä on riskipakoinen, jos hyötyfunktio on konkaavi. a(x) = U (x) U (x) Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Hyöty (engl. utility) = arvo, jonka koemme riskitilanteessa eli, kun teemme päätöksiä epävarmuuden (todennäköisyyksien) vallitessa. Vrt.

Lisätiedot

[xk r k ] T Q[x k r k ] + u T k Ru k. }.

[xk r k ] T Q[x k r k ] + u T k Ru k. }. Mat-2.48 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 3. Johdetaan lineaarisen aikainvariantin seurantatehtävän yleinen ratkaisu neliöllisellä kustannuksella. Systeemi: x k+

Lisätiedot

Maalämpöjärjestelmän hankinta. Keski-Suomen Energiatoimisto www.kesto.fi/energianeuvonta energianeuvonta@kesto.fi

Maalämpöjärjestelmän hankinta. Keski-Suomen Energiatoimisto www.kesto.fi/energianeuvonta energianeuvonta@kesto.fi Maalämpöjärjestelmän hankinta Keski-Suomen Energiatoimisto www.kesto.fi/energianeuvonta energianeuvonta@kesto.fi 1 Sisältö Yleistä Maalämpö sopii useimpiin kohteisiin, missä on vesikiertoinen lämmönjakojärjestelmä

Lisätiedot

Harjoitus 9: Optimointi I (Matlab)

Harjoitus 9: Optimointi I (Matlab) Harjoitus 9: Optimointi I (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Optimointimallin muodostaminen Optimointitehtävien

Lisätiedot

Cloetta Fazer -konsernin osavuosikatsaus tammi-maaliskuu 2002

Cloetta Fazer -konsernin osavuosikatsaus tammi-maaliskuu 2002 Cloetta Fazer -konsernin osavuosikatsaus tammi- Konsernin tulos rahoituserien jälkeen kasvoi 93 :iin (86 ilman myyntivoittoja) Verrattavien yksiköiden liikevoitto kasvoi 91 :iin (85). Liikevoitto nousi

Lisätiedot

Aktian vuoden 2016 liikevoiton odotetaan pysyvän suunnilleen samalla tasolla kuin 2015.

Aktian vuoden 2016 liikevoiton odotetaan pysyvän suunnilleen samalla tasolla kuin 2015. TÄYDENNYS 6/15.2.2016 AKTIA PANKKI OYJ:N OHJELMAESITTEEN/LISTALLEOTTOESITTEEN 22.4.2015 JOUKKOVELKAKIRJALAINOJEN LIIKKEESEENLASKUOHJELMAAN (500.000.000 EUROA) SEKÄ AKTIA DEBENTUURILAINA 1/2016, 2,25% 27.2.2021

Lisätiedot

finnish BOI 2015, päivä 1. Muistiraja: 256 MB. 30.04.2015

finnish BOI 2015, päivä 1. Muistiraja: 256 MB. 30.04.2015 Tehtävä: BOW Keilaus finnish BOI 0, päivä. Muistiraja: 6 MB. 30.04.0 Jarkka pitää sekä keilauksesta että tilastotieteestä. Hän on merkinnyt muistiin muutaman viimeisimmän keilapelin tulokset. Valitettavasti

Lisätiedot

f(x, y) = x 2 y 2 f(0, t) = t 2 < 0 < t 2 = f(t, 0) kaikilla t 0.

f(x, y) = x 2 y 2 f(0, t) = t 2 < 0 < t 2 = f(t, 0) kaikilla t 0. Ääriarvon laatu Jatkuvasti derivoituvan funktion f lokaali ääriarvokohta (x 0, y 0 ) on aina kriittinen piste (ts. f x (x, y) = f y (x, y) = 0, kun x = x 0 ja y = y 0 ), mutta kriittinen piste ei ole aina

Lisätiedot

Demo 1: Excelin Solver -liitännäinen

Demo 1: Excelin Solver -liitännäinen MS-C2105 Optimoinnin perusteet Malliratkaisut 1 Ehtamo Demo 1: Excelin Solver -liitännäinen Ratkaise tehtävä käyttäen Excelin Solveria. max 3x 1 + x 2 s.e. 2x 1 + 5x 2 8 4x 1 + 2x 2 5 x 1, x 2 0 Ratkaisu

Lisätiedot

Nollasummapelit ja bayesilaiset pelit

Nollasummapelit ja bayesilaiset pelit Nollasummapelit ja bayesilaiset pelit Kristian Ovaska HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Seminaari: Peliteoria Helsinki 18. syyskuuta 2006 Sisältö 1 Johdanto 1 2 Nollasummapelit 1 2.1

Lisätiedot

Ratkaisuehdotukset Kesäyliopisto 2014. 1. Kuvassa on esitetty erään ravintolan lounasbuffetin kysyntäfunktio.

Ratkaisuehdotukset Kesäyliopisto 2014. 1. Kuvassa on esitetty erään ravintolan lounasbuffetin kysyntäfunktio. Harjoitukset 2 Taloustieteen perusteet Ratkaisuehdotukset Kesäyliopisto 2014 1. Kuvassa on esitetty erään ravintolan lounasbuffetin kysyntäfunktio. a) Mikä on kysynnän hintajousto 12 :n ja 6 :n välillä?

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

2.7 Neliöjuuriyhtälö ja -epäyhtälö

2.7 Neliöjuuriyhtälö ja -epäyhtälö 2.7 Neliöjuuriyhtälö ja -epäyhtälö Neliöjuuren määritelmä palautettiin mieleen jo luvun 2.2 alussa. Neliöjuurella on mm. seuraavat ominaisuudet. ab = a b, a 0, b 0 a a b =, a 0, b > 0 b a2 = a a > b, a

Lisätiedot

Ohjelmoinnin peruskurssi Y1

Ohjelmoinnin peruskurssi Y1 Ohjelmoinnin peruskurssi Y1 CSE-A1111 30.9.2015 CSE-A1111 Ohjelmoinnin peruskurssi Y1 30.9.2015 1 / 27 Mahdollisuus antaa luentopalautetta Goblinissa vasemmassa reunassa olevassa valikossa on valinta Luentopalaute.

Lisätiedot

Diskreetit rakenteet

Diskreetit rakenteet Diskreetit rakenteet 811120P 5 op 7. Oulun yliopisto Tietojenkäsittelytieteiden laitos 2015 / 2016 Periodi 1 Mikä on verkko? verkko (eli graafi) koostuu solmuista ja väleistä, jotka yhdistävät solmuja

Lisätiedot

Luetteloivat ja heuristiset menetelmät. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki

Luetteloivat ja heuristiset menetelmät. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Luetteloivat ja heuristiset menetelmät Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Branch and Bound sekä sen variaatiot (Branch and Cut, Lemken menetelmä) Optimointiin

Lisätiedot

1 Rajoitettu optimointi II - kustannusfunktio, Lagrangen kertoimet varjohintoina

1 Rajoitettu optimointi II - kustannusfunktio, Lagrangen kertoimet varjohintoina Taloustieteen mat.menetelmät syksy27 materiaali II-2 Rajoitettu optimointi II - kustannusfunktio, Lagrangen kertoimet varjohintoina. Tuotanto Yritys valmistaa yhtä tuotetta n:stä tuotannontekijästä/panoksesta

Lisätiedot

2. Uusiutuvat luonnonvarat: Kalastuksen taloustiede

2. Uusiutuvat luonnonvarat: Kalastuksen taloustiede YLE5 / YET-09 Luonnonvarataloustieteen jatkokurssi. Uusiutuvat luonnonvarat: alastuksen taloustiede Marko Lindroos & Maija Holma Uusiutuvat luonnonvarat alastuksen taloustiede: Luentoteemat.1 Johdanto.

Lisätiedot

1 Eksergia ja termodynaamiset potentiaalit

1 Eksergia ja termodynaamiset potentiaalit 1 PHYS-C0220 Termodynamiikka ja statistinen fysiikka, kevät 2017 Emppu Salonen 1 Eksergia ja termodynaamiset potentiaalit 1.1 Suurin mahdollinen hyödyllinen työ Tähän mennessä olemme tarkastelleet sisäenergian

Lisätiedot

Jos siis ohjausrajoitusta ei olisi, olisi ratkaisu triviaalisti x(s) = y(s). Hamiltonin funktio on. p(0) = p(s) = 0.

Jos siis ohjausrajoitusta ei olisi, olisi ratkaisu triviaalisti x(s) = y(s). Hamiltonin funktio on. p(0) = p(s) = 0. Mat-.148 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 1 1. Olkoon maaston korkeus y(s) derivoituva funktio ja etsitään tien profiilia x(s). Päätösmuuttuja on tien jyrkkyys

Lisätiedot

Luento 7. June 3, 2014

Luento 7. June 3, 2014 June 3, 2014 Peli, jossa on kaksi Nash-tasapainoa. Yksi tasapaino on (1; 2) ja toinen (2; 1); P1:n valinta on ilmoitettu ensin. Ensimmäinen tasapaino ei vaikuta hyvältä; se perustuu epäuskottavaan uhkaukseen.

Lisätiedot

Java-kielen perusteet

Java-kielen perusteet Java-kielen perusteet Tunnus, varattu sana, kommentti Muuttuja, alkeistietotyyppi, merkkijono, Vakio Tiedon merkkipohjainen tulostaminen Ohjelmointi (ict1tx006) Tunnus (5.3) Javan tunnus Java-kirjain Java-numero

Lisätiedot

Algoritmit 1. Luento 12 Ti Timo Männikkö

Algoritmit 1. Luento 12 Ti Timo Männikkö Algoritmit 1 Luento 12 Ti 19.2.2019 Timo Männikkö Luento 12 Osittamisen tasapainoisuus Pikalajittelun vaativuus Lajittelumenetelmien vaativuus Laskentalajittelu Lokerolajittelu Kantalukulajittelu Algoritmit

Lisätiedot

Apteekkien työntekijöiden apteekkikohtainen erä 1.10.2009

Apteekkien työntekijöiden apteekkikohtainen erä 1.10.2009 Apteekkien työntekijöiden apteekkikohtainen erä 1.10.2009 Apteekkien Työnantajaliiton koulutusaineisto apteekeille 1.6.2009 / JKK 1 Tavoitteet Apteekkikohtainen erä on tarkoitettu henkilökohtaisen hyvän

Lisätiedot

2) Aliohjelma, jonka toiminta perustuu sivuvaikutuksiin: aliohjelma muuttaa parametrejaan tai globaaleja muuttujia, tulostaa jotakin jne.

2) Aliohjelma, jonka toiminta perustuu sivuvaikutuksiin: aliohjelma muuttaa parametrejaan tai globaaleja muuttujia, tulostaa jotakin jne. Proseduurit Proseduuri voi olla 1) Funktio, joka palauttaa jonkin arvon: real function sinc(x) real x sinc = sin(x)/x... y = sinc(1.5) 2) Aliohjelma, jonka toiminta perustuu sivuvaikutuksiin: aliohjelma

Lisätiedot

Mikrotaloustiede Prof. Marko Terviö Aalto-yliopiston 31C00100 Syksy 2015 Assist. Salla Simola kauppakorkeakoulu

Mikrotaloustiede Prof. Marko Terviö Aalto-yliopiston 31C00100 Syksy 2015 Assist. Salla Simola kauppakorkeakoulu Mikrotaloustiede Prof. Marko Terviö Aalto-yliopiston 31C00100 Syksy 2015 Assist. Salla Simola kauppakorkeakoulu Mallivastaukset - Loppukoe 10.12. Monivalinnat: 1c 2a 3e 4a 5c 6b 7c 8e 9b 10a I (a) Sekaniputus

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 7 Ti 27.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 7 Ti 27.9.2011 p. 1/39 p. 1/39 Interpolointi Ei tunneta funktion f : R R lauseketta, mutta tiedetään funktion

Lisätiedot

Ostokset verkkokaupoista 1-6/2010 (yhteensä 4767 miljoonaa euroa)

Ostokset verkkokaupoista 1-6/2010 (yhteensä 4767 miljoonaa euroa) Ostokset verkkokaupoista 1-6/2010 (yhteensä 4767 miljoonaa euroa) 1 1 Mitä varauskanavia tarjoat? Vaihtoehdot Asiakas toimistossa Asiakas puhelimessa Asiakas lähettää sähköpostin Asiakas lähettää tekstiviestin

Lisätiedot