Tehokas ilmaisku. Terminologiaa. Ilmaisku. Tavoitteiden saavuttaminen. Suunnittelun tavoitteet. S ysteemianalyysin Laboratorio Teknillinen korkeakoulu

Koko: px
Aloita esitys sivulta:

Download "Tehokas ilmaisku. Terminologiaa. Ilmaisku. Tavoitteiden saavuttaminen. Suunnittelun tavoitteet. S ysteemianalyysin Laboratorio Teknillinen korkeakoulu"

Transkriptio

1 Tehokas ilmaisku -Päätösanalyysi suunnittelun tukena- Ilmaisku Terminologiaa saattajat viholliskohde lento saattajat yhteinen viholliskohde määrittää lennon maantieteellinen läheisyys t tukevat toisiaan en valinnassa keskeistä yhteensopivuus suorituskyvyn suhteen taktisten ominaisuuksien suhteen aseistuksen suhteen saattajien tehtävänä suojatulen antaminen vihollisen ilmatorjunnan eliminointi saattajien määrä riippuu saatavuudesta tehtävän luonteesta olosuhteista en ominaisuuksista Suunnittelun tavoitteet Tavoitteiden saavuttaminen Ilmaiskun tavoitteena on viholliskohteiden tuhoaminen mahdollisimman nopeasti ja vähäisin kustannuksin Iskun suunnittelun tavoitteet ovat hyvin samankaltaiset päätöksenteon on oltava nopeaa virhearvioihin ei ole varaa Suunnittelulle asetettujen tavoitteiden saavuttamista mitataan aikaansaadun odotusarvoisen tuhon perusteella odotusarvoisten omien tappioiden perusteella päätöksentekoon kuluneen ajan perusteella 1

2 Päätösanalyysin ja mallintamisen metodiikka sää Ilmaiskun vaikutuskaavio uhat maasta vaikutuskaaviot lentokaluston allokointi taistelun aikana päätöspuut n huomioiminen olemassaolevat taistelumallit Theater Attack Model (TAM) TAC Thunder Conventional Targeting Effectiveness Model (CTEM) JFACC Tiedustelu& vakoilu kohteiden priorisointi kokoonpanon valinta JFLCC aseistus saatavilla säätiedotus lentokoneet saatavilla hyökkäysreitin valinta uhat ilmasta kohdetiedot aikaansaatu tuho vihollisen aikeet omat lopputulos Huomion arvoista vaikutuskaaviossa Sattumasolmujen suuri määrä tiedustelu & vakoilu tiedusteluun liittyvä epävarmuus saatujen tietojen luotettavuus epävarmaa sää ja säätiedotteet vihollisen aikeet lopputulokseen suoraan vaikuttavat tekijät tyypiltään sattumasolmuja odotusarvo kriteerinä optimoinnissa aikaansaatu tuho viholliskohteessa omat iskun aikana hyökkäysreitin valinta Huomion arvoista vaikutuskaaviossa päätöksenteko determinististä JFACC ja JFLCC tapahtumasolmuja vaikutus näkyy välillisesti kohteiden valinnassa (päätössolmu) aikajänne on yhden tehtävän suorittamisaika pidemmällä aikajänteellä kaluston ja aseistuksen saatavuus olisivat päätössolmuja (vs. tapahtumasolmut) kolme päätössolmua kohteiden priorisointi kokoonpanon valinta t aseistus saattajat Säätilan huomioiminen päätöspuun avulla päätöspuut vs. vaikutuskaavio yksityiskohtaisuus kronologia tapahtumat etenevät ajassa (vs. kiinteä tarkasteluperiodi) notaatiot kuten vaikutuskaaviossa ympyrä kuvaa epävarmuutta neliö kuvaa päätöksentekotilannetta päätöspuista tulee helposti kompleksisia yksityiskohtaisuus operationalisointi epävarmuus esitetään tarkkoina todennäköisyysjakaumina Päätöspuu säälle toimeksiantopäätös n sään ATO (0.6) n sään ATO n sään ATO GW ATO/Good weather (0.7) MW ATO/ Marginal weather BW ATO/Bad weather 2

3 Säätilan huomioiminen päätöspuun avulla ATO:n (Air Tasking Order) valinnan perusteet odotusarvoinen TVD (Target Value Destroyed) sakkofunktion arvo P riippuu omista tappioista odotusarvoiset omat expected attrition (EA) valitaan parhaan odotusarvoisen lopputuloksen (= TVD - P * EA) tuottava ATO Olemassaolevien mallien hyödyntäminen useita valmiita taistelusuunnittelun malleja Theater Attack Model (TAM) lineaarisen ohjelmoinnin malli yksinkertainen, mutta vaatii muistikapasiteettia helposti laajennettavissa ja varioitavissa rajoitusehtoja muuttamalla TAC Thunder kalustoresurssien allokointi tehokasta Conventional Targeting Effectiveness Model (CTEM) vahvuudet paljolti kuten TAM:issa Päätöksenteon vaiheet resurssien allokointiongelma luonteeltaan kokonaislukuoptimointia olemassaolevien mallien ja optimointialgoritmien hyödyntäminen Vaihe 2: Säätilan huomioiminen päätöspuut valitaan en perusteella parhaan odotusarvoisen lopputuloksen tuottava strategia odotusarvoisen hyödyn maksimointi resurssien optimaalinen allokointi lentojen välillä tyypillinen kokonaislukuoptimoinnin ongelma päätösmuuttujat diskreettejä (esim. lukumäärä, koko) tarvittavan kaluston koostumus hävittäjät pommittajat saattajat aseistus Kokonaislukuoptimoinnilla pyritään löytämään tehtävään sopiva tulivoimaltaan ylivoimainen kombinaatio hävittäjät ja pommittajat lukumäärältään rajoitettujen saattajien allokointi air-to-air saattohävittäjät SEAD (Suppression of Enemy Air Defence) pommikoneet maksimoitava kohdefunktio odotusarvoinen TVD (Target Value Destroyed) minimoitava sakkofunktio vaihtoehdon aiheuttamat odotusarvoiset omat päätösmuuttujat kokonaislukuoptimointitehtävässä lentokoneiden lukumäärä, tyyppi ja sijainti aseistuksen lukumäärä, tyyppi ja sijainti dummy-muuttujina saattajien tarve SEAD air-to-air escort 3

4 Herkkyystarkastelua kalustotyypin valinnan kriteerit yhteensopivuus lukumäärän valinnan kriteerit tehtävän laajuus sijainnin valinnan kriteerit maasto-olosuhteet optimoidaan karttamatriisia käyttämällä ajallisesti staattinen tilanne kohdefunktiona TVD - P * EA jos P = 0,tavoitteena ainoastaan max {TVD} SEAD ja air-to-air escort pyrkivät lähinnä eliminoimaan ilmapuolustusta odotusarvoisen TVD:n maksimoimiseksi P:n kasvaessa omia tappioita pyritään yhä tehokkaammin välttämään suojatulen määrä kasvaa painopiste siirtyy taistelukeskuksesta poispäin turvallisemmille alueille, mikäli saatavilla ei ole riittävästi suojaa Herkkyystarkastelua Vaihe 2: Säätilan huomioiminen kohdefunktion arvo ei ole erityisen herkkä optimointimenetelmän valinnalle jatkuva-aikainen LP-formulointi diskreetti MIP optimointiin käytettävä aika sen sijaan riippuu merkittävästi optimointimenetelmästä optimointiaika vähenee huomattavasti siirryttäessä LP:stä MIP:hen kyseessä nopea päätöksentekotilanne n merkitys ilmaiskun onnistumiselle suuri todennäköisyyksien avulla virhearviointi johtaa helposti tehtävän keskeyttämiseen tiettyjen aseiden käyttö vaatii minimiolosuhteet myös vihollisen ilmapuolustuksen arvioinnin kannalta huomioitava kolme mahdollista a kunkin n osalta ratkaistaan optimi ratkaisemalla Vaiheen 1 LP- tai MIP-ongelma eri säätilojen kohdefunktiot poikkeavat toisistaan optimaalinen strategia kullekin elle ratkaistaan odotusarvoperusteisesti päätöspuun avulla tiedossa olevien Päätöspuu säälle toimeksiantopäätös n sään ATO (0.6) n sään ATO n sään ATO GW ATO/Good weather (0.7) MW ATO/ Marginal weather BW ATO/Bad weather Päätöspuu ilman tta Päätöksenteko on mahdollista myös ilman tta kohdefunktion arvo eri skenaarioissa riippuu sta erilainen asevalikoima eri säätyypeille esimerkissä odotusarvoisen tuloksen maksimoi n sään ATO (Air Tasking Order) 4

5 n sään ATO EV = 108,8 203,5 36,1 Ehdollisuus ja täydellinen informaatio toimeksiantopäätös n sään ATO EV = 119,4 n sään ATO EV = -19,0 62,4 yleensä käytettävissä on ehdolliset todennäköisyydet ATO:n valinta en mukaan yleisin tapaus joskus säästä voidaan olla varmoja etukäteen ns. täydellinen informaatio ensimmäinen päätöksenteon taso poistuu ATO voidaan valita aina oikein usein säätä ei voida tietää varmasti Päätöspuu kun käytössä on ennuste toimeksiantopäätös n sään ATO (0.485) EV=139,7 (0.215) EV=169,6 n sään ATO n sään ATO (0.825) (0,093) (0,082) / (0.082) Lopputulos =TVD-P*EA 203,5 36,1-19,0 62,4 avulla. Kotitehtävä 1. Miksi saatavilla oleva aseistus ja lentokalusto ovat ilmaiskun vaikutuskaaviossa tapahtumasolmuja eivätkä päätössolmuja? Eikö Yhdysvaltain armeijalla ole riittävästi resursseja? 2. Mitä mieltä olet kuvatun kaltaisen iskun suunnittelusta odotusarvoisen tuhon ja omien tappioiden perusteella? Pystyisikö suunnittelun metodiikkaa muuttamaan siten, että se ottaisi paremmin huomioon eettiset ja moraaliset näkökohdat (liittyen siviiliuhreihin, luontotuhoihin tms.)? Koeta miettiä aihetta laajemmin eri näkökulmista ja myös pidemmällä aikavälillä. Voit esittää mahdollisen parannusehdotuksesi esim. sakkofunktion 5

Aseiden leviämisen estäminen

Aseiden leviämisen estäminen Mat-2.142 Optimointiopin seminaari 6.10.1999 Antti Pirinen Aseiden leviämisen estäminen Menetelmä sotilaallisten järjestelmien tehokkuuden arvioimiseksi Referaatti Lähde: Stafira, Parnell, Moore : A Methodology

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

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

Dynaaminen ohjelmointi ja vaikutuskaaviot

Dynaaminen ohjelmointi ja vaikutuskaaviot Dynaaminen ohjelmointi ja vaikutuskaaviot. Taustaa 2. Vaikutuskaaviot ja superarvosolmut 3. Vaikutuskaavion ratkaiseminen 4. Vaikutuskaavio ja dynaaminen ohjelmointi: 5. Yhteenveto Esitelmän sisältö Optimointiopin

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

Yhteistyötä sisältämätön peliteoria jatkuu

Yhteistyötä sisältämätön peliteoria jatkuu Yhteistyötä sisältämätön peliteoria jatkuu Tommi Lehtonen Optimointiopin seminaari - Syksy 2000 / 1 Bayesilainen tasapaino Täysi informaatio Vajaa informaatio Staattinen Nash Bayes Dynaaminen Täydellinen

Lisätiedot

monitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi Ohjaaja: Prof. Kai Virtanen Valvoja: Prof.

monitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi Ohjaaja: Prof. Kai Virtanen Valvoja: Prof. Epätäydellisen preferenssiinformaation hyödyntäminen monitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi 15.1.2018 Ohjaaja: Prof. Kai Virtanen Valvoja: Prof. Kai Virtanen Tausta Päätöspuu

Lisätiedot

Osakesalkun optimointi. Anni Halkola Turun yliopisto 2016

Osakesalkun optimointi. Anni Halkola Turun yliopisto 2016 Osakesalkun optimointi Anni Halkola Turun yliopisto 2016 Artikkeli Gleb Beliakov & Adil Bagirov (2006) Non-smooth optimization methods for computation of the Conditional Value-at-risk and portfolio optimization.

Lisätiedot

Kokonaislukuoptimointi hissiryhmän ohjauksessa

Kokonaislukuoptimointi hissiryhmän ohjauksessa Kokonaislukuoptimointi hissiryhmän ohjauksessa Systeemianalyysin laboratorio Teknillinen Korkeakoulu, TKK 3 Maaliskuuta 2008 Sisällys 1 Johdanto Taustaa Ongelman kuvaus 2 PACE-graafi Graafin muodostaminen

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

Stokastinen optimointi taktisessa toimitusketjujen riskienhallinnassa (valmiin työn esittely)

Stokastinen optimointi taktisessa toimitusketjujen riskienhallinnassa (valmiin työn esittely) Stokastinen optimointi taktisessa toimitusketjujen riskienhallinnassa (valmiin työn esittely) Esitelmöijä Olli Rentola päivämäärä 21.1.2013 Ohjaaja: TkL Anssi Käki Valvoja: Prof. Ahti Salo Työn saa tallentaa

Lisätiedot

Lineaarisen ohjelman määritelmä. Joonas Vanninen

Lineaarisen ohjelman määritelmä. Joonas Vanninen Lineaarisen ohjelman määritelmä Joonas Vanninen Sisältö Yleinen optimointitehtävä Kombinatorinen tehtävä Optimointiongelman tapaus Naapurusto Paikallinen ja globaali optimi Konveksi optimointitehtävä Lineaarinen

Lisätiedot

Gaussinen vaikutuskaavio Tommi Gustafsson 45434f Tfy IV

Gaussinen vaikutuskaavio Tommi Gustafsson 45434f Tfy IV Mat-.4 Optimointiopin seminaari, syksy 999 Referaatti 7.0.999 Gaussinen vaikutuskaavio Tommi Gustafsson 45434f Tfy IV JOHDATO Ross D. Shachter a C. Robert Kenley (989) esittelevät artikkelissaan Gaussian

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

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

Demo 1: Branch & Bound

Demo 1: Branch & Bound MS-C05 Optimoinnin perusteet Malliratkaisut 7 Ehtamo Demo : Branch & Bound Ratkaise lineaarinen kokonaislukuoptimointitehtävä käyttämällä Branch & Boundalgoritmia. max x + x s.e. x + 4x 9 5x + x 9 x Z

Lisätiedot

Luento 10 Kustannushyötyanalyysi

Luento 10 Kustannushyötyanalyysi Luento 10 Kustannushyötyanalyysi Ahti Salo Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto ahti.salo@aalto.fi 1 Päätösanalyysistä Päätöksenteon teoriat Deskriptiiviset

Lisätiedot

INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti

INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti 12.11.1999 INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E Mat-2.142 Optimointiopin seminaari Referaatti Syksy 1999 1. JOHDANTO Thomas M. Stratin artikkeli Decision Analysis Using Belief Functions käsittelee

Lisätiedot

Yhteistyötä sisältämätön peliteoria

Yhteistyötä sisältämätön peliteoria Yhteistyötä sisältämätön peliteoria jarkko.murtoaro@hut.fi Optimointiopin seminaari Kevät 2003 / 1 Sisältö Johdanto Käsitteistö Työkalut Nashin tasapaino Täydellinen tasapaino Optimointiopin seminaari

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

Talousmatematiikan perusteet: Luento 12. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

Talousmatematiikan perusteet: Luento 12. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Talousmatematiikan perusteet: Luento 12 Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Esimerkki Esim. Yritys tekee kahta elintarviketeollisuuden käyttämää puolivalmistetta,

Lisätiedot

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

Vastakkainasettelullinen riskianalyysi asejärjestelmien vaikuttavuusarvioinnissa

Vastakkainasettelullinen riskianalyysi asejärjestelmien vaikuttavuusarvioinnissa 1 Vastakkainasettelullinen riskianalyysi asejärjestelmien vaikuttavuusarvioinnissa Toteuttaja: Aalto-yliopisto Johtaja: Ahti Salo MATINE-rahoitus: 68 160 2 Tutkimusryhmä Aalto-yliopisto Matematiikan ja

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

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

Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus

Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus Mat-2.4142 Optimointiopin seminaari 2.3.2011 Lähteet: Clemen, R. T., & Smith, J. E. (2009). On the Choice of Baselines

Lisätiedot

Referenssipiste- ja referenssisuuntamenetelmät

Referenssipiste- ja referenssisuuntamenetelmät Referenssipiste- ja referenssisuuntamenetelmät Optimointiopin seminaari - Kevät 2000 / 1 Esitelmän sisältö Menetelmien ideat Menetelmien soveltaminen Menetelmien ominaisuuksia Optimointiopin seminaari

Lisätiedot

Demo 1: Simplex-menetelmä

Demo 1: Simplex-menetelmä MS-C2105 Optimoinnin perusteet Malliratkaisut 3 Ehtamo Demo 1: Simplex-menetelmä Muodosta lineaarisen tehtävän standardimuoto ja ratkaise tehtävä taulukkomuotoisella Simplex-algoritmilla. max 5x 1 + 4x

Lisätiedot

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30. FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa Luentokuulustelujen esimerkkivastauksia Pertti Palo 30. marraskuuta 2012 Saatteeksi Näiden vastausten ei ole tarkoitus olla malleja vaan esimerkkejä.

Lisätiedot

Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi.

Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi. 5..0 Tehtävä Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi. (c) (d) Arvostelu Kanta on degeneroitunut jos ja vain jos sitä vastaava kantamatriisi on singulaarinen. Optimissa muuttujan

Lisätiedot

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly Bayesin pelit Kalle Siukola MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 12.10.2016 Toistetun pelin esittäminen automaatin avulla Ekstensiivisen muodon puu on tehoton esitystapa, jos peliä

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

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

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 5 10.4.2017 Tehtävä 1 x 2 7 0,7 9,8 6 5 4 x 1 x 2 7 x 1 x 2 1 3 2 x 1 0 4,3 x 1 9 1 0,0 x 2 0 9,0 1 2 3 4 5 6 7 8 9 x 1 Kuva 1: Tehtävän 1 sallittu joukko S Optimointitehtävän sallittu

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

Aircraft Maintenance Scheduling with Multi- Objective Simulation- Optimization

Aircraft 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

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

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. päätöspuiden avulla tarkastellaan vasta seuraavissa harjoituksissa.

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. päätöspuiden avulla tarkastellaan vasta seuraavissa harjoituksissa. ORMS00 Päätöksenteko epävarmuuden vallitessa Syksy 008 Harjoitus Ratkaisuehdotuksia Nämä harjoitukset liittyvät päätöspuiden rakentamiseen: varsinaista päätöksentekoa päätöspuiden avulla tarkastellaan

Lisätiedot

Kustannustehokkaat riskienhallintatoimenpiteet kuljetusverkostossa (Valmiin työn esittely)

Kustannustehokkaat riskienhallintatoimenpiteet kuljetusverkostossa (Valmiin työn esittely) Kustannustehokkaat riskienhallintatoimenpiteet kuljetusverkostossa (Valmiin työn esittely) Joonas Lanne 23.2.2015 Ohjaaja: Eeva Vilkkumaa Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

Haitallinen valikoituminen: Kahden tyypin malli

Haitallinen valikoituminen: Kahden tyypin malli Haitallinen valikoituminen: Kahden tyypin malli Mat-2.4142 Optimointiopin seminaari Mikko Hyvärinen 29.1.2008 Haitallinen valikoituminen kahden tyypin malli Haitallinen valikoituminen tarkoittaa että päämies

Lisätiedot

Osa 12b Oligopoli ja monopolistinen kilpailu (Mankiw & Taylor, Chs 16-17)

Osa 12b Oligopoli ja monopolistinen kilpailu (Mankiw & Taylor, Chs 16-17) Osa 12b Oligopoli ja monopolistinen kilpailu (Mankiw & Taylor, Chs 16-17) Oligopoli on markkinamuoto, jossa markkinoilla on muutamia yrityksiä, jotka uskovat tekemiensä valintojen seurauksien eli voittojen

Lisätiedot

Skenaarioanalyysi metsien kehitystä kuvaavien mallien ennusteiden yhtäläisyyksistä ja eroista

Skenaarioanalyysi metsien kehitystä kuvaavien mallien ennusteiden yhtäläisyyksistä ja eroista Skenaarioanalyysi metsien kehitystä kuvaavien mallien ennusteiden yhtäläisyyksistä ja eroista Tuomo Kalliokoski 18.2.2019 Ilmastopaneelin osahanke Ilmastoviisas metsäbiotalous Sisältö Selvityksessä mukana

Lisätiedot

Dynaaminen ohjelmointi ja vaikutuskaaviot

Dynaaminen ohjelmointi ja vaikutuskaaviot Teknillinen Korkeakoulu / Ssteemianalsin laboratorio Mat-2.42 Optimointiopin seminaari / Referaatti esitelmästä Sami Mllmäki Dnaaminen ohjelmointi ja vaikutuskaaviot OHDANTO Dnaamiset ohjelmointitehtävät

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3 Ratkaisuehdotuksia 1. (a) Päätöspuu on matala, jos mitään sattumasolmua ei välittömästi seuraa sattumasolmu eikä mitään päätössolmua

Lisätiedot

Kimppu-suodatus-menetelmä

Kimppu-suodatus-menetelmä Kimppu-suodatus-menetelmä 2. toukokuuta 2016 Kimppu-suodatus-menetelmä on kehitetty epäsileiden optimointitehtävien ratkaisemista varten. Menetelmässä approksimoidaan epäsileitä funktioita aligradienttikimpulla.

Lisätiedot

Pelien teoriaa: tasapainokäsitteet

Pelien teoriaa: tasapainokäsitteet Pelien teoriaa: tasapainokäsitteet Salanién (2005) ja Gibbonsin (1992) mukaan Mat-2.4142 Optimointiopin seminaari Jukka Luoma 1 Sisältö Staattinen Dynaaminen Staattinen Dynaaminen Pelityyppi Täydellinen

Lisätiedot

Konsensusongelma hajautetuissa järjestelmissä. Niko Välimäki Hajautetut algoritmit -seminaari

Konsensusongelma hajautetuissa järjestelmissä. Niko Välimäki Hajautetut algoritmit -seminaari Konsensusongelma hajautetuissa järjestelmissä Niko Välimäki 30.11.2007 Hajautetut algoritmit -seminaari Konsensusongelma Päätöksen muodostaminen hajautetussa järjestelmässä Prosessien välinen viestintä

Lisätiedot

Luento 8. June 3, 2014

Luento 8. June 3, 2014 June 3, 2014 Luokka pelejä, joissa pelaajilla on epätäydellistä informaatiota toistensa preferensseistä ja joissa valinnat tehdään samanaikaisesti. Tämä tarkoittaa, että pelaajat eivät tiedä toistensa

Lisätiedot

73125 MATEMAATTINEN OPTIMOINTITEORIA 2

73125 MATEMAATTINEN OPTIMOINTITEORIA 2 73125 MATEMAATTINEN OPTIMOINTITEORIA 2 Risto Silvennoinen Tampereen teknillinen yliopisto, kevät 2004 1. Peruskäsitteet Optimointiteoria on sovelletun matematiikan osa-alue, jossa tutkitaan funktioiden

Lisätiedot

Harjoitus 5 ( )

Harjoitus 5 ( ) Harjoitus 5 (14.4.2015) Tehtävä 1 Figure 1: Tehtävän 1 sallittu joukko S. Optimointitehtävän sallittu alue S on pisteiden (0, 0), (0, 7), (4, 3), (9, 8) ja (9, 0) määräämä viisikulmio. Kyseinen alue saadaan

Lisätiedot

Taakanjakosektorin päästövähennysten kustannukset ja joustot

Taakanjakosektorin päästövähennysten kustannukset ja joustot TEKNOLOGIAN TUTKIMUSKESKUS VTT OY Taakanjakosektorin päästövähennysten kustannukset ja joustot Tommi Ekholm 9.5.2017 Kustannustarkastelut Tässä on arvioitu lisätoimiskenaarion (With Additional Measures,

Lisätiedot

1. Lineaarinen optimointi

1. Lineaarinen optimointi 0 1. Lineaarinen optimointi 1. Lineaarinen optimointi 1.1 Johdatteleva esimerkki Esimerkki 1.1.1 Giapetto s Woodcarving inc. valmistaa kahdenlaisia puuleluja: sotilaita ja junia. Sotilaan myyntihinta on

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

Duaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki

Duaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Duaalisuus kokonaislukuoptimoinnissa Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Duaalisuus binäärisissä optimointitehtävissä Lagrangen duaalisuus Lagrangen

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

TIES592 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

Lisätiedot

Toimitusketjun hallinnan uudet kehityssuunnat. Mikko Kärkkäinen Tammiseminaari 2015

Toimitusketjun hallinnan uudet kehityssuunnat. Mikko Kärkkäinen Tammiseminaari 2015 1 Toimitusketjun hallinnan uudet kehityssuunnat Mikko Kärkkäinen Tammiseminaari 2015 2 Toimitusketjun suunnittelun uudet tuulet Muistinvarainen laskenta mullistaa toimitusketjun suunnittelun Välitön näkyvyys

Lisätiedot

SISÄLLYS. http://d-nb.info/1023383918

SISÄLLYS. http://d-nb.info/1023383918 SISÄLLYS VARHAISINTA TAUSTAA 12 Saksalaisten valmistelut ja englantilaisten vastatoimet 13 Ensimmäinen strateginen pommittaja 14 Englantilaisten puolustusvalmisteluja 16 Zeppeliinit aloittavat toimintansa

Lisätiedot

Ketterä ja asiakaslähtöinen palvelukehitys tietoliikenneteollisuudessa

Ketterä ja asiakaslähtöinen palvelukehitys tietoliikenneteollisuudessa Ketterä ja asiakaslähtöinen palvelukehitys tietoliikenneteollisuudessa Tommi Luhtala Aalto-yliopiston Sähkötekniikan korkeakoulu Tietoliikennetekniikan laitos Työn valvoja: Prof. Raimo Kantola Työn ohjaaja:

Lisätiedot

Lentotiedustelutietoon perustuva tykistön tulenkäytön optimointi (valmiin työn esittely)

Lentotiedustelutietoon 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

Lisätiedot

Viikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi

Viikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Viikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Exactum C222, 29-31.10.2008. 1 Tällä viikolla 1. Käytännön järjestelyistä 2. Kurssin sisällöstä ja aikataulusta 3. Johdantoa Mitä koneoppiminen

Lisätiedot

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli. Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli. LP-malli Esimerkki. Maalitehdas valmistaa ulko- ja sisämaalia raaka-aineista M1 ja M2. Sisämaalin maksimikysyntä on 2 tonnia/päivä. Sisämaalin

Lisätiedot

Mat Optimointiopin seminaari kevät Monitavoiteoptimointi. Tavoitteet

Mat Optimointiopin seminaari kevät Monitavoiteoptimointi. Tavoitteet Mat-2.142 Optimointiopin seminaari kevät 2000 Monitavoiteoptimointi Optimointiopin seminaari - Kevät 2000 / 1 Tavoitteet Monitavoitteisten optimointitehtävien ratkaisukäsitteet ja soveltamismahdollisuudet

Lisätiedot

Projektiportfolion valinta

Projektiportfolion valinta Projektiportfolion valinta Mat-2.4142 Optimointiopin seminaari kevät 2011 Kotitehtävän 1 ratkaisu Kotitehtävä Kirkwood, G. W., 1997. Strategic Decision Making: Multiobjective Decision Analysis with Spreadsheets,

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

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen I UUSINTATENTTI 4.3.1996

VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen I UUSINTATENTTI 4.3.1996 1 VAASAN YLIOPISTO TALOUSMATEMATIIKKA Päätöksenteko epävarmuuden vallitessa Prof. Ilkka Virtanen I UUSINTATENTTI 4.3.1996 Tehtävä 1. Eräässä diktatuurimaassa on edelleenkin käytössä kuolemanrangaistus

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

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

Johdatus verkkoteoriaan luento Netspace

Johdatus verkkoteoriaan luento Netspace Johdatus verkkoteoriaan luento 3.4.18 Netspace Matriisioperaatio suunnatuissa verkoissa Taustoitusta verkkoteorian ulkopuolelta ennen kuljetusalgoritmia LP-ongelma yleisesti LP = linear programming =

Lisätiedot

Osakesalkun optimointi

Osakesalkun optimointi Osakesalkun optimointi Anni Halkola Epäsileä optimointi Turun yliopisto Huhtikuu 2016 Sisältö 1 Johdanto 1 2 Taustatietoja 2 3 Laskumetodit 3 3.1 Optimointiongelmat........................ 4 4 Epäsileän

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

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

Projektiportfolion valinta

Projektiportfolion valinta Projektiportfolion valinta Mat-2.4142 Optimointiopin seminaari kevät 2011 Portfolion valinta Käytettävissä on rajallinen määrä resursseja, joten ne on allokoitava mahdollisimman hyvin eri projekteille

Lisätiedot

Lääkintähelikopterikaluston mallintaminen

Lääkintähelikopterikaluston mallintaminen Mat-2.4177 Operaatiotutkimuksen projektityöseminaari Lääkintähelikopterikaluston mallintaminen Väliraportti 19.3.2010 Pohjalainen Tapio (projektipäällikkö) (29157N) Kuikka Ilmari (58634A) Tyrväinen Tero

Lisätiedot

Kaksintaistelun approksimatiivinen mallintaminen (valmiin työn esittely)

Kaksintaistelun approksimatiivinen mallintaminen (valmiin työn esittely) Kaksintaistelun approksimatiivinen mallintaminen (valmiin työn esittely) Juho Roponen 10.06.2013 Ohjaaja: Esa Lappi Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.

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

Luento 7: Kokonaislukuoptimointi

Luento 7: Kokonaislukuoptimointi Luento 7: Kokonaislukuoptimointi Lineaarisessa optimointitehtävässä (LP) kaikki muuttujat ovat jatkuvia. Kokonaislukuoptimoinnin (ILP = Integer LP) tehtävässä kaikilla muuttujilla on kokonaislukurajoitus

Lisätiedot

Metsänhoidon suositusten digitaalinen transformaatiokirjasta sähköiseen palveluun. Kati Kontinen, Tapio Oy

Metsänhoidon suositusten digitaalinen transformaatiokirjasta sähköiseen palveluun. Kati Kontinen, Tapio Oy Metsänhoidon suositusten digitaalinen transformaatiokirjasta sähköiseen palveluun Kati Kontinen, Tapio Oy Metsänhoidon suositukset Metsänhoidon suositukset ovat osa kansallisen metsästrategian toteutusta.

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 1 12.3.2018 Tehtävä 1 Piirretään tilanteesta verkko, jossa kaupungeille on annetttu seuraavat numerot: 1 297 4 2 4 163 3 454 6 179 2 136 2 169 2 390 4 3 436 7 5 Kuva 1: Tehtävän 1

Lisätiedot

MS-C2105 Optimoinnin perusteet Malliratkaisut 4

MS-C2105 Optimoinnin perusteet Malliratkaisut 4 MS-C2105 Optimoinnin perusteet Malliratkaisut 4 Ehtamo Duaalin muodostamisen muistisäännöt Duaalin muodostamisessa voidaan käyttää muistisääntötaulukkoa, jota voidaan lukea vasemmalta oikealle tai oikealta

Lisätiedot

Suomenlahden öljykuljetusten biologisten riskien mallintaminen ja päätösanalyysi Bayes-verkoilla

Suomenlahden öljykuljetusten biologisten riskien mallintaminen ja päätösanalyysi Bayes-verkoilla Suomenlahden öljykuljetusten biologisten riskien mallintaminen ja päätösanalyysi Bayes-verkoilla Annukka Lehikoinen 02.12.2008 Helsingin yliopisto Bio- ja ympäristötieteiden laitos Luonnonvarojen käytön

Lisätiedot

Valikoima, laatu ja mainonta

Valikoima, laatu ja mainonta Valikoima, laatu ja mainonta Sami Niemelä 5.2.2003 Sisältö Tuoteavaruus Käsite ja erottelutapoja Valikoiman muodostaminen Laatu ja laajuus Laatu Tyypit ja ongelmia Mainonta Käytetyt symbolit määrä s laatu

Lisätiedot

Sopimusteoria: Salanie luku 3.2

Sopimusteoria: Salanie luku 3.2 Sopimusteoria: Salanie luku 3.2 Antti Pirjetä Taloustieteiden kvantitatiiviset menetelmät Helsingin kauppakorkeakoulu 12.2.2008 1 Kilpaillut markkinat, yksi tai useampi päämies Agenttien 1 ja 2 tuottamat

Lisätiedot

Harha mallin arvioinnissa

Harha mallin arvioinnissa Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö

Lisätiedot

TIIVISTELMÄRAPORTTI. Vastakkainasettelullinen riskianalyysi asejärjestelmien vaikuttavuusarvioinnissa

TIIVISTELMÄRAPORTTI. Vastakkainasettelullinen riskianalyysi asejärjestelmien vaikuttavuusarvioinnissa 2017/2500M-0073 ISSN 1797-3457 (verkkojulkaisu) ISBN (PDF) 978-951-663-015-4 TIIVISTELMÄRAPORTTI Vastakkainasettelullinen riskianalyysi asejärjestelmien vaikuttavuusarvioinnissa Ahti Salo, Aalto Yliopisto,

Lisätiedot

Harjoitus 6 ( )

Harjoitus 6 ( ) Harjoitus 6 (30.4.2014) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s.t. g(x) 0 h(x) = 0 x X (1) olevan optimointitehtävän Lagrangen duaali on max θ(u,v) s.t. u 0,

Lisätiedot

Harjoitus 9: Optimointi I (Matlab)

Harjoitus 9: Optimointi I (Matlab) Harjoitus 9: Optimointi I (Matlab) SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 Harjoituksen aiheita Optimointimallin muodostaminen Optimointitehtävien

Lisätiedot

Luento 11: Rajoitusehdot. Ulkopistemenetelmät

Luento 11: Rajoitusehdot. Ulkopistemenetelmät Luento 11: Rajoitusehdot. Ulkopistemenetelmät ja sisäpistemenetelmät Lagrangen välttämättömien ehtojen ratkaiseminen Newtonin menetelmällä Jos tehtävässä on vain yhtälörajoituksia, voidaan minimipistekandidaatteja

Lisätiedot

Haitallinen valikoituminen

Haitallinen valikoituminen Haitallinen valikoituminen Regulointi Verotus Vakuuttajamonopoli Kertausta Hyötyfunktiot Päämies: W(q,t) Agentti: U(q,t,ө) - q hyödykkeen määrä - t hinta (kassavirta, tms) - ө agentin tyyppi Päämies ei

Lisätiedot

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Talousmatematiikan perusteet: Luento 11 Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Esimerkki Esim. Yritys tekee kahta elintarviketeollisuuden käyttämää puolivalmistetta,

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

Harjoitus 7: vastausvihjeet

Harjoitus 7: vastausvihjeet Taloustieteen matemaattiset menetelmät 31C01100 Kevät 2017 Topi Hokkanen topi.hokkanen@aalto.fi Harjoitus 7: vastausvihjeet 1. (Epäyhtälörajoitteet) Olkoon f (x, y) = 6x + 4y ja g (x, y) = x 2 + y 2 2.

Lisätiedot

Optimoinnin monet tavoitteet

Optimoinnin monet tavoitteet + Optimoinnin monet tavoitteet FORS-iltapäivä 15.11.2012: Monitavoitteisen päätöksenteon soveltaminen käytännössä Veli-Pekka Heikkinen + Esitykset aihealueet Sijoitustoiminnan kvantitatiiviset menetelmät

Lisätiedot

BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018

BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 Tehtävä 8 on tällä kertaa pakollinen. Aloittakaapa siitä. 1. Kun tässä tehtävässä sanotaan sopii mahdollisimman hyvin, sillä tarkoitetaan

Lisätiedot

MAT -2.3134 PÄÄTÖKSENTEKO JA ONGELMANRATKAISU

MAT -2.3134 PÄÄTÖKSENTEKO JA ONGELMANRATKAISU MAT -2.3134 PÄÄTÖKSENTEKO JA ONGELMANRATKAISU Syksy 2007 Ahti Salo / Juuso Liesiö 1 Miksi kurssi päätöksenteosta? Välitön oppimistavoite päätösongelmien jäsentäminen moniulotteisuuden hahmottaminen monenlaisiin

Lisätiedot

Eläkelaitoksen Optimointimallin Rakentaminen

Eläkelaitoksen Optimointimallin Rakentaminen Teknillinen korkeakoulu Mat 2.177 Operaatiotutkimuksen projektityöseminaari Kevät 2006 Eläkelaitoksen Optimointimallin Rakentaminen Väliraportti 31.3.2006 Michael Gylling Matti Konttinen Jarno Nousiainen

Lisätiedot

Työvuorosuunnittelun optimointi (valmiin työn esittely)

Työvuorosuunnittelun optimointi (valmiin työn esittely) Työvuorosuunnittelun optimointi (valmiin työn esittely) Pekka Alli 1.12.2015 Ohjaaja: Tuuli Haahtela Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta

Lisätiedot

Skenaarioanalyysi metsien kehitystä kuvaavien mallien ennusteiden yhtäläisyyksistä ja eroista

Skenaarioanalyysi metsien kehitystä kuvaavien mallien ennusteiden yhtäläisyyksistä ja eroista Skenaarioanalyysi metsien kehitystä kuvaavien mallien ennusteiden yhtäläisyyksistä ja eroista Tuomo Kalliokoski 04.04.2019 Ilmastopaneelin osahanke Ilmastoviisas metsäbiotalous Sisältö Selvityksessä mukana

Lisätiedot

Harjoitus 5 ( )

Harjoitus 5 ( ) Harjoitus 5 (24.4.2014) Tehtävä 1 Kuva 1: Tehtävän 1 sallittu joukko S. Optimointitehtävän sallittu alue S on pisteiden (0, 0), (0, 7), (4, 3), (9, 8) ja (9, 0) määräämä viisikulmio. Kyseinen alue saadaan

Lisätiedot

SEKASTRATEGIAT PELITEORIASSA

SEKASTRATEGIAT PELITEORIASSA SEKASTRATEGIAT PELITEORIASSA Matti Estola 8. joulukuuta 2013 Sisältö 1 Johdanto 2 2 Ratkaistaan sukupuolten välinen taistelu sekastrategioiden avulla 5 Teksti on suomennettu kirjasta: Gibbons: A Primer

Lisätiedot