Sami Holopainen Rakenteiden mekaniikka, Vol. 37 No. 2, 2004, ss
|
|
- Seppo Väänänen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 AVARUUSRISTIKON GEOMETRIAN OPTIMOINNISTA Sami Holopainn Rakntidn mkaniikka, Vol. 37 No. 2, 2004, ss TIIVISTELMÄ Artikklissa tarkastllaan usin kirjallisuudssa siintyvän avaruusristikon yhdistttyä poikkilikkauspinta-alojn ja gomtrian optimointia. Tavoittna on siis haka lasknnallissti ristikon sauvojn optimikoko ja niidn solmuill optimaalinn sijainti. Kohdfunktiona on käyttty ristikon matriaalitilavuutta (massaa) sitn, ttä sallittuja jännityksiä i saa ylittää. Optimointimntlmä on slostttu ylisllä tasolla. JOHDANTO Rakntn gomtrian optimointi on räs kantavin rakntidn optimoinnin onglmatyyppi [5]. Siitä käyttään myös nimitystä layout-optimointi, mikä käsittää myös topologian ja sauvojn poikkipintasuuridn optimoinnin (sizing). Kysssä on sidottu optimointi, sillä tässä tapauksssa sauvojn jännitykst ovat rajoitttuja. Optimointionglma on pälinaarinn (nonlinar programming NLP), koska siinä olvat funktiot ovat suunnittlumuuttujin suhtn pälinaarisia. Suunnittlumuuttujina olvat solmukoordinaatit ja poikkilikkauspinta-alat ovat tässä tapauksssa jatkuvia. Joskus sim. sauvan poikkipintasuurt ovat olosuhtidn pakosta (saatavuus) kuitnkin diskrttjä. Kuvatut optimointionglmat ratkaistaan jollakin robustilla optimointimntlmällä, jonka sopivuus ko. onglman ratkaisuun prustuu usin hyviin käytännön kokmuksiin. Mntlmän thokkuus prustuu nnn kaikka siihn, ttä kritri()n ja rajoitustn hrkkyydt tunntaan. Ko. onglma linaarisna statiikan thtävänä on sllainn, ttä hrkkyydt voidaan laska, jopa analyyttissti. Kuitnkin juuri hrkkyyslasknta on usin ratkaisun haastavin osa, koska s on suunnittlumuuttujina olvin solmukoordinaattin suhtn hankalaa. Onglman ratkaisu voidaan jakaa kolmn osaan: Statiikan ratkaisu (FEM), hrkkyyslasknta kuormittull rakntll (dsign snsitivity analysis, DSA) ja varsinainn optimointi jollakin robustilla optimointimntlmällä. Mntlmä voi olla kokmuksn ( insinööriajattluun ) prustuva päsuora, itratiivinn mntlmä, sim. täysi jännitystkniikka (fully strssd dsign, FSD) tai optimaalisuuskritrin mntlmä (optimality critria, OC). Mntlmänä voi olla myös matmaattinn optimointialgoritmi, kutn präkkäistn kvadraattistn/linaaristn approksimaatioidn mntlmä (squntial quadratic/linar programming, SQP/SLP), täydnntyn Lagrangn funktion mntlmä (augmntd lagrangian mthod ALM), MMA (mthod of moving asymptots) tai kolmannksi jokin huristinn mntlmä, sim. simuloitu jäähdytys 34
2 (simulatd annaling, SA), tabu-haku (tabu sarch, TS) ja gnttist algoritmit. Ensimmäist mntlmät ovat tyypillissti hyvin thtäväsidonnaisia, mutta suppnvat mlko hyvin. Matmaattist algoritmit suppnvat usin hyvin ja ovat suhtllisn ylispätviä. Jälkimmäist mntlmät suppnvat gradinttipohjaisia matmaattisia mntlmiä hitaammin ja vaativat paljon analyysjä. Niitä kuitnkin käyttään, kun luotttavaa gradintti-informaatiota i ol saatavilla sim. stabiilisuutn liittyvissä rajoitushdoissa. Tässä artikklissa optimointimntlmänä on nk. täydnntyn Lagrangn funktion mntlmä (ALM), jota on slostttu ylispiirtissti. OPTIMOINTIONGELMAN RATKAISUSTA ALM-mntlmä on nk. sakkofunktiomntlmä [2], [9]. Prusajatuksna on muodostaa jono vapaita ääriarvothtäviä, joidn ratkaisut konvrgoivat kohti sidotun thtävän ratkaisua. Konvrgnssi saavuttaan sakottamalla käyvän alun (pistt, jotka ivät riko rajoitushtoja) ulkopuollla kulkmissta. Sakkofunktiona käyttään tässä nliöllistä funktiota (jatkuva, positiivinn). Optimiratkaisu x* voidaan määritllä s.. x* = lim r x(r) li sakkokrrointa r kasvattaan itraatioittain. Sopiva sakkokrroin valitaan s.. saatu ratkaisu olisi lähllä alkupräisn onglman käypää alutta (r riittävän suuri) ja toisaalta niin, ttä täydnntty Lagrangn funktio i käyttäydy numrissti huonosti (r riittävän pini). Käyttty ALM-algoritmi ratkais priaattssa onglmaa [9]: min f ( x) s.. h( x) = 0, l u x x x. Problman täydnntty Lagrangn funktio T r T n m A( x, λ, r) = f ( x) + λ h( x) + h( x) h( x), x R ; λ, h R ; r > 0. 2 ALM:ssä alkupräinn sidottu onglma korvataan vapaalla thtävällä: min Minimipistssä A( x, λ, r) = 0, josta suraa, ttä R S T f ( x) + h' ( x) λ = 0, missä h( x) = 0. T T f f ( x) = f' ( x), f ( x) = i x i T = = h, h' ( x) h( x), h( x) ij x i j x, λ (1) A( x, λ, r). (2) Edllä f :R q1 R on kohdfunktio (objkti), λ Lagrangn krroinvktori ja h:n komponnttina ovat rajoitusyhtälöt h i :R qi R. Sakkofunktiona on trmi h T h. Käyttyn täydnntyn Lagrangn funktion minimipist on alkupräisn onglman Karush-Kuhn- Tuckr-pist (KKT-pist). Ts. hto (2) totutuu. 35
3 Käytännössä algoritmi tn itratiivissti: 1. Valits alkuarvot λ ja sakkokrroin r 2. Ratkais minimointithtävä min A x,λ (x,λ,r), ratkaisuna saadaan itraatti x k 3. Jos h(x)=0 (sakkofunktio riittävän pini), lopta. Muutn päivitä x k, λ k, valits r k+1 > r k ja jatka asklsta 2. Alkupräinn onglma on siis yhtälörajoittinn, jonka KKT-pist saadaan Lagrangn funktion (täydnntty Lagrangn funktio ilman sakkotrmiä) gradintin nollakohdasta. Tällöin rajoitutaan tarkastlmaan vain käypiä pistitä, ts. A(x,λ) = f(x). Käyttyssä algoritmissa ratkaisua hataan itratiivissti. Jokaislla itraatiokirrokslla k ratkaistaan linaarissti rajoitttua problmaa, jossa kohdfunktiona on täydnntty Lagrangn funktio (kohta 2): T r T min A( x, λ, r) = f ( x) + λ h( x) + h( x) h( x) 2 s.. h' ( x )( x x ) + h( x ) = 0, l k k k u x x x (3) Ratkaisu on approksimatiivinn, jossa kohdfunktiota f approksimoidaan toisn krtaluvun kvadraattislla approksimaatiolla ja Hssn matriisia A päivittään BFGStkniikalla (kirjaimt tulvat khittäjin Broydn, Fltchr, Goldfarb ja Shanno nimstä). Ratkaisulta i vaadita suurta tarkkuutta, sillä approksimatiivista problmaa ratkaistaan kunns problma (3) totutuu (ulompi itraatio) ja optimi saavuttaan. Ts. alkupräisn onglman KKT-hdot totutuvat. Mrkitään l k = λ k+1 - λ k Uusi hakusuunta s k saadaan Nwtonin mntlmällä suraavasti: A (z k )s k = - A(z k ). (4) Edllä z k = [x k, λ k ] T on nykyinn itraatiopist ja s k = [d k, l k ] T hakusuunta. Hssn matriisin komponntit ovat suraavat: 2 A [A ] ij = x x i j. Uusi itraatiopist z k+1 = z k + s k ja x k+1 = x k + d k. Kuinka ryhmä (4) ratkaistaan lopulta, slviää sim. artikklista [4]. ALM:ää on käsitlty myös lähtssä [2]. Mukana voi olla myös päyhtälörajoituksia, kun niihin lisätään plivara- ja ylijäämämuuttujat s.. onglma palautuu yhtälörajoittisksi thtäväksi. Myös muuttujill voidaan asttaa rajat, joidn käsittly vaihtl algoritmittain. Algoritmin ida on siis s, ttä käyvän alun ulkopuollla liikkuminn on kallista ja aihuttaa siis kustannuksia. Hyvin asttut optimointiparamtrit (mm. loptus, sakkokrroin itraatioittain jn.) saavat aikaan sn, ttä optimi on käyvällä alulla. Algoritmi konvrgoi, jos KKT-hdot (2) totutuvat. Loptuskritrinä on tavallissti kohdfunktion ja suunnittlumuuttujin muutokst. Ei-konvksissa onglmassa (joko kohdfunktio tai rajoitukst i-konvksja) i ol takita siitä, päädytäänkö globaaliin vai kntis johonkin lokaaliin optimiin (mikä skin 36
4 on jo parannus sinänsä). Optimointialgoritmi saa tarvittavan siirtymä- ja jännitysinformaation FEM-ohjlmasta. Näitä titoja tarvitaan kohdfunktion ja rajoitustn arvojn laskmisn laskntapistssä skä niidn hrkkyyksin lasknnassa. Ratkaisuun käyttyn ohjlman vuokaavio on priaattasolla sittty kuvassa 1. i Lähtötidot, aloituspist FEMratkaisu Hrkkyysanalyysi (DSA) Optimointi (ALM) Päivitä suunnittlumuuttujat Konvrgoi? kyllä Post-prosssointi STOP Kuva 1 Ratkaisuvuokaavio. HERKKYYSLASKENTA Optimiratkaisu totuttaa KKT-hdot (2). Niidn lasknnassa tarvitaan kohdfunktion ja rajoitustn hrkkyydt suunnittlumuuttujin suhtn. Hrkkyyslasknta tai - analyysi (Dsign Snsitivity Analysis DSA) on analyyttissti usin hyvin hankalaa, mahdotontakin, jolloin on tyydyttävä laskmaan funktion g:r q R muutosta, kun sitä himan häiritään muuttamalla suunnittlumuuttujin (x i R) arvoja sim. diffrnssimntlmällä tai kokilmalla. Matmaattisssa milssä DSA ja häiriöhrkkyystarkastlu (Imprfction Snsitivity Analysis ISA) ovat kvivalntit. Tämä artikkli käsittl staattissti kuormitttujn ristikoidn optimointia. Tässä tapauksssa myös analyyttinn hrkkyyslasknta onnistuu. Hrkkyysanalyysiä on käsitlty mlko kattavasti aihsn liittyn mm. lähtssä [7]. Varsinainn analyysi, voidaan thdä priaattssa kahdlla ri tavalla: o Varioidaan kontinuumimallin tasapainohto suunnittlumuuttujin suhtn ja ratkaistaan saatu linaarinn ryhmä. NR-itroinnilla tai diskrtoimalla nsin FEM-muotoon. o Muodostamalla suunnittludrivaatat diskrtill (FEM) mallill. Ensimmäisn mntlmän tu on siinä, ttä mahdollissti rajoitushtoina olvin jännitystn (ja vnymin) hrkkyyslasknta sisältyy variointiin, sillä varioitavat funktio(naali)t sisältävät n. Kontinuumiprustista hrkkyysanalyysiä käyttään usin pälinaarisissa mkaniikan onglmissa. Jälkimmäinn mntlmä on luonnollissti suoraviivaismpi sittää, sillä s on jo valmiiksi ratkaistavassa muodossa ja tässä artikklissa siksi käyttty. 37
5 Hrkkyysanalyysi voidaan suorittaa suoraan drivoimalla tai nk. adjungoidulla mntlmällä suraavasti: dg g g g T = + q = q + z, i = 1,.., n, missä (5) dxi xi q xi xi xi z = g q ja q Rp (solmusiirtymävktori). Tässä artikklissa objktina on ristikon matriaalitilavuus (kuormittamattomana) ja rajoitushtoina ovat sauvojn jännitykst. Suunnittlumuuttujina ovat sauvojn pintaalat ja niidn solmukoordinaatit (nnn kuormittamista alkutilassa). Rajoitushtojn hrkkyydt dσ da = σ σ z T q. (6) A Olttaan, ttä muodonmuutokst ovat piniä ja matriaali on linaarissti kimmoista (vakio kimmomoduuli E), jolloin todllisll jännityksll pät z = Eb li z = E/L [-l,-m,-n,l,m,n], missä (7) L = lmntin alkupräinn pituus, l = cos(x,x), m = cos(x,y), n = cos(x,z). Y x (x 4,x 5,x 6 ) (x,y) (x 1,x 2,x 3 ) (x,x) X (x,z) Z Kuva 2 Suuntakosinit. Ts. z:n muut komponntit ovat nollia. Tasapainotilassa potntiaalinrgia Π saavuttaa miniminsä li Π/ q = 0. Drivoimalla tasapainohto saadaan K q/ A = - K/ A q, kun kuormitus i riipu suunnittlumuuttujista (ikä siirtymistä). Edllä K = R/ q li lmntin jäykkyysmatriisi ja R = sisäistn voimin vktori. 38
6 Mrkitään K λ = z. Silloin dσ σ T T da σ λ σ A σ λ = K q = K q nyt ristikoll A dσ σ T = da σ λ 1 K q, missä ( ) liittyy lmnttiin. A (8) Kohdfunktion f hrkkyys sauvan pinta-alan A suhtn li df/da = L (sauvalmntin pituus). Hrkkyydn lasknta solmukoordinaattin suhtn tapahtuu priaattssa samalla tavalla, mutta suora drivointi K/ x j on hankalampaa: vain ko. solmuun liittyvin lmnttin jäykkyysmatriisit riippuvat ko. muuttujasta. Lisäksi sauvan jännitys riippuu myös ksplisiittissti solmukoordinaatistaan (kaavan (5) trmi g/ x j 0). Kohdfunktiossa drivointi kohdistuu ko. solmuun liittyvin lmnttin k pituuksiin: df dx j A L k = k, k I (ko. solmuun liittyvät lmntit) (9) x k j AVARUUSRISTIKON LAYOUT-OPTIMOINTI Tavoittna on siis haka lasknnallissti ristikon sauvojn optimikoko ja niidn solmuill optimaalinn sijainti. Optimointikritrinä on käyttty ristikon matriaalitilavuutta (massaa) sitn, ttä sallittuja jännityksiä i saa ylittää. Muita rajoituksia olisivat sim. ristikon jousto (myös kohdfunktiona), siirtymät, globaali ja lokaalit nurjahdushdot. Näistä tavallissti hlpoimmin käsitltäviä (numrist onglmat, hrkkyyslasknta) ovat siirtymät ja jousto. Suunnittlumuuttujina ovat ristikon tittyjn solmujn koordinaatit ja sauvojn pinta-alat ja n ovat jatkuvia. Kysssä on siis pälinaarinn optimointionglma (Nonlinar programming, NLP) ja sn instanssina avaruusristikon layout-optimointi. Tässä simrkissä pinta-alall on astttu alaraja, jolla välttään nk. singulaarisuusonglma, joka usin siintyy suunnittlumuuttujin nollakohdissa käytttässä jännitysrajoituksia (onglma KKThtoihin prustuvissa algoritmissa). Singulaarisuusonglma voidaan ottaa huomioon nk. rlaksointitkniikalla (Chng & Guo 1997) tai olla luottamatta gradinttiprustisn tkniikkaan sllaisnaan sovltamalla sim. primaali-duaalimntlmää (Achtzingr 2000). Yhdisttyssä sizing ja layout-optimoinnissa alarajan asttaminn on osoittautunut suurissa onglmissa (larg-scal) lähs välttämättömäksi, lli optimointia suoritta monitasoissti (sim. riksn sizing ja layout-optimointi präkkäisinä vaihina) tai käyttämällä huristisia optimointimntlmiä [3]. Tyypillissti avaruusristikoissa on suuri määrä osia, joista jopa kaikki on optimoitava. Tällöin optimointialgoritmin on myös kyttävä tunnistamaan kussakin itraatiopistssä aktiivist rajoitushdot ts. tässä tapauksssa niidn sauvojn jännitykst, jotka ovat lähllä sallittua jännitystä. Muut rajoitushdot voidaan jättää tarkastlun ulkopuolll 39
7 ko. vaihssa. Tarkastltava raknn on symmtrinn ja käsittää 25 sauvalmnttiä (kuva 3) [1], [2]. Kuva 3 Optimoitava ristikko OPTIMOINNIN LÄHTÖTIEDOT Ajoa vartn anntut alkutidot on sittty taulukossa 1: Taulukko 1. Lähtötidot. Kuva 3 Ohjlman raknnkaavio Matriaali Kimmomoduuli Minimiala Mitta a träs 25 MPa 150 mm mm Tässä optimoidaan sauvojn 10,11,...,25 poikkilikkausaloja ja vaaditaan, ttä sauvojn 1,2,,9 pinta-alat ovat 150 mm 2. Lisäksi vaaditaan, ttä vaakasuuntaist sauvat 10, 11, 12 ja 13 ovat yhtäsuurt li onglmassa on yhtnsä 13 pinta-alamuuttujaa. Alussa kaikkin pinta-alamuuttujin arvoiksi asttaan 200 mm 2. Gomtriaa optimoidaan s.. suunnittlu-, tarkmmin paikkamuuttujina ovat solmujn 1 ja 2 kaikki koordinaatit (yht. 6 kpl). Paikkamuuttujin arvot alussa on sittty taulukossa 2: Taulukko 2. Paikkamuuttujat alussa. X Y Z Solmu Solmu
8 Optimointionglma on sitn suraava: min f = V(A,x) = A i L i (x), i = 1,2,...25, (10) σ sall_a σ i (x j,u k (A,x)) σ sall_y, i = 1,2,...,25, j S (ko. sauvan solmukoordinaatit), (11) k = 1,2,...,6, ts. sauvan vapausastt (DOF). A sall_a A m A sall_y, m = 1..13, x sall_a,n x n x sall_y,n, n = 1,2,...,6. (12) Kaikkin sauvojn sallitut jännitykst ovat 130 MPa vtoa ja 13 MPa puristusta. Suunnittlumuuttujina ovat siis sauvojn 10, 14, 15,...,25 poikkilikkausalat ja solmujn 1 ja 2 koordinaatit. Sauva i saa hävitä, jotn solmujn i sallita mnnä päällkkäin. Edllä sallitut paikkamuuttujin arvot on sittty taulukossa 3 (mm) ja kuormitus (symmtrinn) taulukossa 4: Taulukko 3. Paikkamuuttujin rajat (mm). x sall_a x sall_y y sall_a y sall_y z sall_a z sall_y Solmu < Solmu 2 > Taulukko 4. Kuormitus (kn). X Y Z Solmu Solmu RATKAISU Tilavuus itraatioittain on sittty kuvassa 4: Tilavuus V/10 cm 3 2,3 2,1 1,9 1,7 1, Itraatiot Kuva 4. Tilavuus itraatioittain. Vain nk. pääitraatiot (uloin laskntasilmukka), jotka tarvitaan, ttä kohdfunktio optimissa i nää muutu sallittua nmmän dllisn laskntakirroksn optimista. Kohdfunktion sallittu muutos on Uusi kirros alkaa dllisn kirroksn optimista ( lämmin käynnistys ). 41
9 Optimiraknn on siis symmtrinn, ja solmut 1 ja 2 yhtyvät! Suunnittlumuuttujat optimissa: A i * = 150 mm 2 (alarajalla), i = 1..13, x 1 * = [>0,0,8000] T (solmu 1) ja x 2 * = [>0,0,8000] T (solmu 2). Thtävä oli astttu sitn, ttä solmut ivät saa mnnä päällkkäin. Numroarvot jännitysrajoitustn, Lagrangn krtoimin ja solmusiirtymin osalta on sittty taulukossa 5. Taulukko 5. Numrodata optimissa. Sauvan nro/dof* ) Jännitykst sauvoissa (MPa) Lagrangn krtoimt λ * / Solmusiirtymät (mm) * ) DOF = solmun vapausastt s.. solmun 1 DOF = 1, 2, 3, solmun 2 DOF = 4, 5, 6 jn. 42
10 Tulos i ol tarkka optimi, mutta s täyttää loptuskritrit. Optimoitu raknn on kuvassa 5: Kuva 5 Optimoitu raknn. Solmut 1 ja 2 yhtyvät. ERIKOISTAPAUS: PUHDAS GEOMETRIAN OPTIMOINTI Jatktaan tstausta. Asttaan nyt pinta-alat arvoon 400 mm 2 (kaikki sauvat). Arvo on mlko suuri, jolloin gomtriall saadaan nmmän plivaraa. Optimoidaan kaikkin vapaidn solmujn 1,2,...,6 koordinaatit. Ts. onglmassa on nyt yhtnsä 18 suunnittlutai tarkmmin paikkamuuttujaa. Sallitut paikkamuuttujin arvot on annttu taulukossa 6: Taulukko 6. Paikkamuuttujin rajat (mm). x sall_a x sall_y y sall_a y sall_y z sall_a z sall_y Solmu < Solmu 2 > Solmu Solmu Solmu Solmu Lähtöraknn ja data on muutn sama kuin dllä. RATKAISU Jälln optimiraknn on symmtrinn ja solmut 1 ja 2 yhtyvät. Vaikka optimiraknn näyttääkin lähs symmtrisltä, jännitykst sauvoissa osoittavat optimirakntssa olvan kuitnkin päsymmtriaa. Ts. suunnittlumuuttujat tulisi asttaa s.. n noudattavat symmtriaa. On siis vaadittava, ttä optimoitavat solmut sijaitsvat 43
11 symmtrissti myös optimissa. Tilavuus itraatioittain on sittty kuvassa 6 ja optimoitu raknn kuvassa 7. Itraatioilla tarkoittaan tässä samaa kuin dllä kuvassa 4. Tilavuus /10 cm 3 5,4 5,2 5 4,8 4,6 4,4 4, Itraatiot Kuva 6. Tilavuus itraatioittain. Kuva 7. Optimoitu raknn. Sykkyrä huipussa osoittaa solmujn 1 ja 2 sijainnin itraatioittain (sis. myös sismmät irraatiot). Suunnittlumuuttujat optimissa ovat likimäärin suraavat (mm) * : x 1 [>0,0,7300] T (solmu 1), x 2 [>0,0,7300] T (solmu 2), x 3 [-300,100,3800] T (solmu 3), x 4 [300,100,3800] T (solmu 4), x 5 [300,-100,3800] T (solmu 5), x 6 [-300,-100,3800] T (solmu 6). * Solmut ivät saa mnnä päällkkäin. 44
12 YHTEENVETO Layout-optimoinnissa tn tullita onglmakohtia ALM-algoritmilla: Paramtrin asttaminn hankalaa (kaikka i voi optimoida). Ratkaisu suppn hitaasti. Syntyy numrista pätarkkuutta. Mikäli suppn liian hitaasti s.. sim. sallittu ali-itraatioidn määrä ylittyy, ajaudutaan mahdollissti käyvän alun ulkopuolll, jolloin sisäpistalgoritmi kskytyy. Suuri gomtrian muuttuminn alkupräisstä, jolloin o jäsntn häviäminn ja siitä johtuvat singularittit o rakntn muuttuminn totaalissti toisksi o lmnttivrkko vaatii päivitystä optimoinnin dtssä (hankalaa kuort, solidit?). Hrkkyysanalyysin vaikus (ja sn implmntointi) mm. jännitysrajoitustn osalta Hrkkyys nimnomaan paikkamuuttujin suhtn suuri. Hrkkyysanalyysilta dllyttään hyvää tarkkuutta ja luotttavuutta, hdoton vaatimus suppnmisn varmistamisksi. Optimointithtävän (instanssin) asttaminn: kohdfunktio(t), rajoitushdot. Erilainn thtävän asttlu johtaa rilaisn optimaalisn lopputuloksn, mutta mikä on tarkoituksnmukaisin. Koska itraatioita ja analyysja on tyypillissti paljon, syntyy numrista pätarkkuutta. Esim. tstionglmassa itraatioidn aikana syntyy siirtymää y-suunnassa symmtriasta huolimatta. Siksi thtävä tulisi asttaa niin, ttä s tuk symmtriaa. On sim. vaadittava, ttä sauvojn 8 ja 9 alat (kuva 3) ovat yhtäsuurt myös suunnittlumuuttujina. ALM-mntlmän dut kysisssä thtävässä: Ylnsäkin gradinttipohjaistn mntlmin suppnminn ja saavutttavin tulostn luotttavuus on tyypillissti hyvä, sikäli kuin mntlmin ja toisaalta instanssin rityisvaatimukst ottaan huomioon. Mntlmä i ol kovin hrkkä sakkoparamtrin r valinnasta. Sisäpistmntlmä on turvallinn, tulokst hyväksyttäviä usin myös kskytystilantissa. Lagrangn krtoimt krtovat paljon: rajoitushtojn ja/tai optimointimuuttujin mrkitys myös kskytystilantissa, onko optimi jn. Mitä suraavaksi: Epälinaaristn rakntidn gomtrian optimointi. Gomtrinn ja\tai matriaalinn pälinaarisuus ja Gradinttipohjaistn mntlmin mahdollisuudt tällaistn rakntidn optimoinnissa: hrkkyysanalyysi. 45
13 LÄHTEITÄ [1] Haftka, R., Gurdal, Z. Elmnts of Structural Optimization. Third rvisd and xpandd dition. Kluwr acadmic publishr, 1996, p [2] Vandrplaats, G. Numrical Optimization Tchniqus for Enginring Dsign: with Applications. Colorado Springs, CO, 1999, p [3] Bndsø, M.P., Sigmund O. Topology Optimization. Thory, Mthods and Applications. Springr, 2002, p [4] Broydn, C.G. Linar Equations in Optimization, in Algorithms for Continious Optimization (Emilio Spdicato, d.), Kluwr, 1994 pp [5] Rozvany, G.I.N t al. Optimization of Larg Structural Systms. Volum I (Rozvany, G.I.N, d.), NATO ASI Sris, 1991 pp [6] Achtzigr, W. Optimization with variabl sts of constraints and an application to truss dsign, Computational Optimization and Applications 15(1): 69-96, [7] Kirsch, U. Optimum Structural Dsign, McGraw-Hill, [8] Chng G.D., Guo, X. ε -ralaxd approach in topology optimization, Structural Optimization 13: , [9] Robinson S.M. A quadratically convrgnt algorithm for gnral nonlinar programming problms, Mathmatical Programming 3: , Sami Holopainn, dipl.ins. TTY, Tknillisn mkaniikan ja optimoinnin laitos, PL Tampr sami.holopainn@tut.fi 46
ELEMENTTIMENETELMÄN PERUSTEET SESSIO 19: Gaussin integrointi emojanan alueessa.
/ ELEMENIMENEELMÄN PERUSEE SESSIO : Gaussin intgrointi mojanan alussa. JOHDANO Ylisssä lujuusopin lmnttimntlmässä lmntin jäykkyysmatriisi [ k ] ja kvivalnttinn solmukuormitusvktori { r } lasktaan määrätyistä
LisätiedotTeknillinen korkeakoulu Mat Epälineaarisen elementtimenetelmän perusteet (Mikkola/Ärölä) 11. harjoituksen ratkaisut
Tknillinn korkakoulu Mat-5.187 Epälinaarisn lmnttimntlmän prustt (Mikkola/Ärölä) 11. harjoituksn ratkaisut Tht. 1 Rfrnssitilan suurita käyttän (kokonais-lagrang) lausuttu hto krittisn aika-askln pituudll
LisätiedotEnsimmäisen kertaluvun differentiaaliyhtälö on lineaarinen, jos se voidaan kirjoittaa muotoon. + p(x)y = r(x) (28)
.5 Linaarist diffrntiaaliyhtälöt 10 Ensimmäisn krtaluvun diffrntiaaliyhtälö on linaarinn, jos s voidaan kirjoittaa muotoon + p(x)y = r(x) (8) Yhtälö on linaarinn y:n ja y:n suhtn, p ja r voivat olla mitä
LisätiedotDifferentiaaliyhtälöt, Syksy 2015 Harjoitus 2, Ratkaisut Ratkaise separoituvat differentiaaliyhtälöt. a) y = y
Diffrntiaaliyhtälöt, Syksy 215 Harjoitus 2, Ratkaisut 1.11.215 1. Ratkais sparoituvat diffrntiaaliyhtälöt a) y = y 3, b) y = 1 + y 2 y 2. y Ratkaisu. a): Yhtälö y = 3 on hyvin määritlty kun 3. Lisäksi
Lisätiedot1. Laske sivun 104 esimerkin tapaan sellainen likiarvo luvulle e, että virheen itseisarvo on pienempi kuin 10 5.
MATEMATIIKAN JA TILASTOTIETEEN LAITOS Analyysi II Harjoitus Ratkaisuhdotuksia Aapo Tvanlinna. Lask sivun 4 simrkin tapaan sllainn likiarvo luvull, ttä virhn itsisarvo on pinmpi kuin 5. Huomataan nsin,
LisätiedotAx 0 mm Bx mm Cx 1800 Ay 0 mm By mm Cy 0
Tamprn tknillinn yliopisto Tknisn suunnittlun laitos EDE-00 Elmnttimntlmän prustt. Harjoitus 6 Syksy 0. F 00 OpNro 859 L 800 mm M T 85 K K 9 E 05000 MPa Kulmat ja pituudn lämpölaajnmiskrroin α 0.60865
LisätiedotLIITE 8A: RAKENNELUVUN 137 YHTÄLÖITÄ
LIITE 8A: RAKENNELUVUN 37 YHTÄLÖITÄ Raknnluvusta 37 on tämän työn yhtydssä syntynyt yli 00 yhtälöä, joista 00 yhtälöä on analysoitu. Näistä on osoittautunut 70 yhtälöä milnkiintoisiksi ja saman vrran otaksutaan
LisätiedotEnergian säilymislain perusteella elektronin rekyylienergia on fotnien energioiden erotus: (1)
S-11446 Fysiikka IV (Sf), I Väliko 544 1 Osoita, ttä Comptonin sironnassa lktronin suurin mahdollinn rkyylinrgia voidaan sittää muodossa E Kin hf 1 + mc /hf Enrgian säilymislain prustlla lktronin rkyylinrgia
Lisätiedot4 KORKEAMMAN KL:N LINEAARISET DIFFERENTIAALIYHTÄLÖT
KORKEAMMAN KL:N LINEAARISET DIFFERENTIAALIYHTÄLÖT Krtalukua n olvassa diffrntiaalihtälössä F(,,,, (n) ) = siint n:nnn krtaluvun drivaatta (n) = d n /d n ja mahdollissti almpia drivaattoja, :tä ja :ää.
Lisätiedot3 TOISEN KERTALUVUN LINEAARISET DIFFERENTIAALIYHTÄLÖT. y + p(x)y + q(x)y = r(x) (1)
5 3 TOISEN KERTALUVUN LINEAARISET DIFFERENTIAALIYHTÄLÖT Huomautus pälinaarisista diffrntiaalihtälöistä: Epälinaarisn DY:n ratkaismisn i ol lispätvää mntlmää. Joitakin rikoistapauksia voidaan ratkaista:
LisätiedotSauvaelementti hum
Sauvalmntti hum.9. Yhdn solmuvapausastn sauvalmntti akastllaan kuvan mukaista sauvalmnttiä. Sauvan vasmmassa päässä on sauvan lokaalisolmu numo, jonka -koodinaatti on ja vastaavasti oikassa päässä lokaalisolmu
LisätiedotLämmönsiirto (ei tenttialuetta)
ämmönsiirto um 4..3 ämmönsiirto (i tnttialutta) rminologiaa ämpötila on suur, joka kuvaa, mitn kuuma jokin sin tai ain on. ämpötilaa (lat. tmpratura) mitataan SI-järjstlmässä klvinillä (K) tai clsiusastilla
LisätiedotOptimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0
Optimaalisuusehdot Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0 i = 1,..., m j = 1,..., l missä f : R n R, g i : R n R kaikilla i = 1,..., m, ja h j : R n R kaikilla j = 1,..., l
LisätiedotPiiri 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
Lisätiedot4. Putkivirtaus 4. PUTKIVIRTAUS. 4.1 Virtauslajit ja Reynoldsin luku. 4.2 Putkivirtauksen häviöt
4. Putkivirtaus 4. PUTKIVIRTAUS Brnoullin yhtälön yhtydssä todttiin todllisssa virtauksssa syntyvän aina häviöitä, jotka muuttuvat lämmöksi. Putkivirtauksssa nämä häviät näkyvät painn laskuna virtaussuunnassa
LisätiedotTee konseptiin pisteytysruudukko! Muista kirjata nimesi ja ryhmäsi. Lue ohjeet huolellisesti
MAA8 Ko 5..04 T konsptiin pisttsruudukko! Muista kirjata nimsi ja rhmäsi. Lu ohjt huolllissti A-Osio: Ei saa kättää laskinta. MAOL saa olla alusta asti kätössä. Maksimissaan h aikaa suorittaa A- Osio.
LisätiedotPalkkielementti hum 3.10.13
Palilmntti hum.0. Palilmnttjä Tarastllaan tässä sitysssä vain Eulr-Brnoullin palitoriaan prustuvia palilmnttjä. Tässä palitoriassa olttaan, ttä palin poiiliaus säilyy taivutttunain tasona, joa on ohtisuorassa
LisätiedotY56 laskuharjoitukset 6 - mallivastaukset
Y56 Kvät 00 Harjoitus. Monopsoni Y56 laskuharjoitukst 6 - mallivastaukst Tavoittna on ymmärtää panosmarkkinoidn luonntta, kun markkinoilla on vain yksi ostaja. Monopsoni tuottaa hyödykttä y kilpailullisill
LisätiedotJohdatus graafiteoriaan
Johdatus graafitoriaan Syksy 2017 Lauri Hlla Tamprn yliopisto Luonnontitidn tidkunta 2 Luku 1 Pruskäsittitä 1.1 Määritlmiä 1.2 Esimrkkjä 1.3 Trminologiaa 1.4 Joitakin rikoisia yksinkrtaisia graafja 1.5
Lisätiedot2 Osittaisderivaattojen sovelluksia
2 Osittaisderivaattojen sovelluksia 2.1 Ääriarvot Yhden muuttujan funktiolla f(x) on lokaali maksimiarvo (lokaali minimiarvo) pisteessä a, jos f(x) f(a) (f(x) f(a)) kaikilla x:n arvoilla riittävän lähellä
LisätiedotRahoitusriskit ja johdannaiset Matti Estola Luento 5. Termiinihinnan määräytyminen
Rahoitusriskit ja johdannaist Matti Estola Lunto 5 rmiinihinnan määräytyminn 1. rmiinin ylinn hinnoittlukaava Mrkitään trmiinisopimuksn kohd-tuudn spot hintaa sopimuksn tkopäivänä S :lla, kohd-tuudn trmiinihintaa
Lisätiedot8. RAKENNELUKU /α = 137, (8.1)
8. RAKENNELUKU 37 Raknnluku 37 on skä matmatiikassa ttä fysiikassa samantapainn ja prustavalaatuinn raknnluku kuin luonnonluku /. Fysiikassa luvun 37 kääntisarvoa kutsutaan hinoraknnvakioksi, jonka tarkka
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta 8..206 Gripenberg, Nieminen, Ojanen, Tiilikainen, Weckman Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi
Lisätiedotf(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
LisätiedotDifferentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40
Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40 Alkuviikolla harjoitustehtäviä lasketaan harjoitustilaisuudessa. Loppuviikolla näiden harjoitustehtävien tulee olla ratkaistuina harjoituksiin
LisätiedotKimppu-suodatus-menetelmä
Kimppu-suodatus-menetelmä 2. toukokuuta 2016 Kimppu-suodatus-menetelmä on kehitetty epäsileiden optimointitehtävien ratkaisemista varten. Menetelmässä approksimoidaan epäsileitä funktioita aligradienttikimpulla.
LisätiedotLuento 11: Rajoitusehdot. Ulkopistemenetelmät
Luento 11: Rajoitusehdot. Ulkopistemenetelmät ja sisäpistemenetelmät Lagrangen välttämättömien ehtojen ratkaiseminen Newtonin menetelmällä Jos tehtävässä on vain yhtälörajoituksia, voidaan minimipistekandidaatteja
LisätiedotEsimerkki 1, Perusmalli (1)
(1) Lhtipaino hankkii tarvitsmansa painomustn krran viikossa. Kskimäärin viikossa hankitaan 1000 kg painomusttta (5000 kg vuodssa). Tilauskustannus on 50,00/tilaus. Yksikköylläpitokustannus on 1,0/kg/.
LisätiedotArvioita karakterisummille: Pólya-Vinogradovin epäyhtälö ja sen parannuksia
Solmu 2/2015 1 Arvioita karaktrisummill: Pólya-Vinogradovin päyhtälö ja sn parannuksia Jss Jääsaari Matmatiikan ja tilastotitn laitos, Hlsingin yliopisto Johdanto Alkuluvut ovat analyyttisn lukutorian
Lisätiedotexp(x) = e x x n n=0 v(x, y) = e x sin y
4 Alkisfunktioita 41 Eksponnttifunktio Eksponnttifunktio xp : R R on määritlty khitlmällä xp(x) = x x n = n! Pyrimm laajntamaan määritlmän koko tasoon C sitn, ttä 1 xp : C C on analyyttinn ja xp(x) = x,
LisätiedotEmpiiriset sovellukset
Empiirist sollukst Kotithtään ratkaisu.4. S ystmianalyysin Tknillinn korkakoulu Esitlmä # - Esitlmöijän nimi Optimointiopin sminaari - Kät Kotithtää Epäsymmtrisn tidon huutokauppa öljysiintymästä Piirrä
Lisätiedot1 Rajoittamaton optimointi
Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y
LisätiedotMat Lineaarinen ohjelmointi
Mat-.34 Lineaarinen ohjelmointi 9..7 Luento Kokonaislukuoptimoinnin algoritmeja (kirja.-.) Lineaarinen ohjelmointi - Syksy 7 / Luentorunko Gomoryn leikkaava taso Branch & Bound Branch & Cut Muita menetelmiä
LisätiedotMat-2.108 Sovelletun matematiikan erikoistyö. Osakeindeksisidonnaisten joukkovelkakirjojen hinnoittelumallit
Mat-.8 ovlltun matmatiikan rikoistyö Osakindksisidonnaistn joukkovlkakirjojn hinnoittlumallit mu Nyholm (45757F) 3..4 ERIKOIYÖ (5) EKNILLINEN KORKEAKOULU mu Nyholm isällysluttlo JOHDANO... 3 HINNOIELUMALLI...
LisätiedotLuento 9: Yhtälörajoitukset optimoinnissa
Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon
LisätiedotViikon aiheet. Funktion lineaarinen approksimointi
Viikon aiheet Funktion ääriarvot Funktion lineaarinen approksimointi Vektorit, merkintätavat, pituus, yksikkövektori, skalaarilla kertominen, kanta ja kannan vaihto Funktion ääriarvot 6 Väliarvolause Implisiittinen
LisätiedotLuento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.
Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista x + αd, α 0, on pisteestä x R n alkava puolisuora, joka on vektorin d suuntainen. Samoin
Lisätiedote n 4πε S Fysiikka III (Est) 2 VK
S-11.137 Fysiikka III (Est) VK 7.5.009 1. Bohrin vtyatomimallissa lktronilla voi olla vain tittyjä nopuksia. Johda kaava sallituill nopuksill, ja lask sn avulla numrinn arvo suurimmall mahdollisll nopudll.
LisätiedotLineaarinen optimointi. Harjoitus 6-7, Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän. c T x = min!
Lineaarinen optimointi Harjoitus 6-7, 016. 1. Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän c T x = min! (T) Ax b x 0 duaalitehtävän duaali on tehtävä (T). Ratkaisu. (P) c T x = min! Ax b x
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 14 Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu Luennolla 6 Tarkastelimme yhden muuttujan funktion f(x) rajoittamatonta optimointia
Lisätiedot. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-.39 Optimointioppi Kimmo Berg 8. harjoitus - ratkaisut. a)huomataan ensinnäkin että kummankin jonon raja-arvo r on nolla. Oletetaan lisäksi että
LisätiedotVariations on the Black-Scholes Model
Variations on th Black-Schols Mol Sovlltun matmatiikan jatko-opintosminaari 6.9 Koh-tuus maksaa osinkoja avoittna on tarkastlla tilantita, joissa B&S yhtälö i ol riittävä sllaisnaan (sim. option koh-tuus
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori = (,..., ). Reaalisten m n-matriisien joukkoa merkitään
LisätiedotTalousmatematiikan perusteet, ORMS1030
Tamprn ksäyliopisto, syksy 2016 Talousmatmatiikan prustt, ORMS1030 2. harjoitus, (p 4.11.2016) 1. Yritys valmistaa kappaltavaraa kappaltta viikossa. Yhdn kappaln matriaali- ja palkkakustannus on 7, jotn
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään
LisätiedotJakso 10. Tasavirrat. Tasaantumisilmiöt. Vaihtovirrat. Sarja- ja lineaaripiirit. Maxwellin yhtälöt. (Kuuluu kurssiin Sähkömagnetismi, LuTK)
Jakso 10. Tasavirrat. Tasaantumisilmiöt. Vaihtovirrat. Sarja- ja linaaripiirit. Maxwllin yhtälöt. (Kuuluu kurssiin Sähkömagntismi, LuTK) Näytä tai jätä tarkistttavaksi tämän jakson pakollist thtävät viimistään
LisätiedotEste- ja sakkofunktiomenetelmät
Este- ja sakkofunktiomenetelmät Keijo Ruotsalainen Mathematics Division Luennon kulku Este- ja sisäpistemenetelmät LP-ongelmat ja logaritminen estefunktio Polun seuranta Newtonin menetelmällä Sakkofunktiomenetelmistä
Lisätiedotb 1. b m ) + ( 2b Ax) + (b b)
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-9 Optimointioppi Kimmo Berg 5 harjoitus - ratkaisut min Ax b (vertaa PNS-tehtävät) a x + + a n x n a) Ax b = a m x + + a mn x n = x a a m }{{}
LisätiedotABSORBOIVIEN MATERIAALIEN JA REIKÄLEVYJEN SKAALAUS 1 JOHDANTO 2 PERUSSKAALAUS Z A =, (1) A KANAVAÄÄNENVAIMENTIMIEN PIENOISMALLEIHIN
BSORBOIVIEN MTERILIEN J REIKÄLEVYJEN SKLUS KNVÄÄNENVIMENTIMIEN PIENOISMLLEIHIN So Uosukainn 1), Hikki Isomoisio 1), Jukka Tanttari 1), Esa Nousiainn 2) 1) VTT PL 1, 244 VTT tunimi.sukunimi@vtt.fi 2) Wärtsilä
LisätiedotKon Hydraulijärjestelmät
on-41.44 Hydralijärjstlmät Laboratoriotyö - Tkimatriaali Sähköhydralisn järjstlmän säätö äskylin Erolin Säätäjä Astslait Toimilait ja korma w qv x Antri va 1. Hydralinn säätöjärjstlmä. vassa 1 säätöjärjstlmän
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016 Antti Rasila
LisätiedotLuento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.
Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista. + αd, α 0, on pisteessä R n alkava puolisuora, joka on vektorin d suuntainen. Samoin 2
LisätiedotMatematiikan peruskurssi (MATY020) Harjoitus 10 to
Matematiikan peruskurssi (MATY00) Harjoitus 10 to 6.3.009 1. Määrää funktion f(x, y) = x 3 y (x + 1) kaikki ensimmäisen ja toisen kertaluvun osittaisderivaatat. Ratkaisu. Koska f(x, y) = x 3 y x x 1, niin
Lisätiedotmin 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
LisätiedotSummien arviointi integraalien avulla
Solmu /25 Summi arvioiti itgraali avulla A-Maria Ervall-Hytö Matmatiika ja tilastotit laitos, Hlsigi yliopisto Johdato Molaisia summia voi arvioida itgraali avulla. Itgraalilla saavutttava hyöty o s, ttä
LisätiedotKeskeiset tulokset heikko duaalisuus (duaaliaukko, 6.2.1) vahva duaalisuus (6.2.4) satulapisteominaisuus (6.2.5) yhteys KKT ehtoihin (6.2.
Duaalisuus Lagrangen duaalifunktio ja duaalitehtävä määrittely ja geometria max θ(u,v), missä θ(u,v)=inf x X ϕ(x,u,v) s.e u 0 Lagr. funktio ϕ(x,u,v)=f(x)+u T g(x)+v T h(x) Keskeiset tulokset heikko duaalisuus
LisätiedotLuetteloivat 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
LisätiedotJuuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty
Juuri 0 Thtävin ratkaisut Kustannusosakyhtiö Otava päivittty 9..08 Kokoavia thtäviä ILMAN TEKNISIÄ APUVÄLINEITÄ. a) Kirjoittaan kskiarvoll lausk :n avulla ja ratkaistaan yhtälöstä. π 4 π 4π :4 π 4 a b
LisätiedotTalousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita
LisätiedotLuento 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
Lisätiedot12. Hessen matriisi. Ääriarvoteoriaa
179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä
LisätiedotDuaalisuus 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
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu
Lisätiedotẍ(t) q(t)x(t) = f(t) 0 1 z(t) +.
Diffrniaaliyhälö II, harjoius 3, 8 228, rakaisu JL, kuusi sivua a On muunnava linaarinn oisn kraluvun diffrniaaliyhälö ẍ qx f yhäpiäväksi nsimmäisn kraluvun linaarisksi kahdn skalaariyhälön sysmiksi Rak
LisätiedotMatematiikka B1 - TUDI
Osittaisderivointi Osittaisderivaatan sovellukset Matematiikka B1 - TUDI Miika Tolonen 3. syyskuuta 2012 Miika Tolonen Matematiikka B2 - TUDI 1 Osittaisderivointi Osittaisderivaatan sovellukset Kurssin
LisätiedotJakso 15. Vaihtovirrat. Sarja- ja lineaaripiirit. Maxwellin yhtälöt
Jakso 15. Vaihtovirrat. Sarja- ja linaaripiirit. Maxwllin yhtälöt Tässä jaksossa käsitllään vaihtovirtapiirjä. Mukana on skä sarjapiirjä ttä linaaripiirjä. Sarjapiirilaskut ovat hkä hlpompia, sillä virta
LisätiedotTilavuus puolestaan voidaan esittää funktiona V : (0, ) (0, ) R,
Vektorianalyysi Harjoitus 9, Ratkaisuehdotuksia Anssi Mirka Tehtävä 1. ([Martio, 3.4:1]) Millä suoralla sylinterillä, jonka tilavuus on V > on pienin vaipan ja pohjan yhteenlaskettu pinta-ala? Ratkaisu
Lisätiedot6 Hypertekstin rakenne ja navigointi
6 Hyprtkstin raknn ja navigointi Hyprtkstin prusraknn on vrkko li graafi Laajnntaan näkökulmaa WWW:stä ylisn hyprtkstin suuntaan. Hyprmiasta ja hyprtkstistä puhuttassa on hyvä huomata, ttä samoja trmjä
LisätiedotHarjoitus 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, on säännöllinen 2-ulotteinen pinta. Määrää T x0 pisteessä x 0 = (0, 1, 1).
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 017 Harjoitus 4 Ratkaisuehdotukset 4.1. Osoita, että tasa-arvojoukko S F (0), F : R 3 R, F (x) = 3x 1 x 3 + e x + x e x 3, on säännöllinen
LisätiedotHarjoitus 6 ( )
Harjoitus 6 (21.4.2015) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s. t. g(x) 0 h(x) = 0 x X olevan optimointitehtävän Lagrangen duaali on missä max θ(u, v) s. t.
LisätiedotMalliratkaisut 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
Lisätiedot6. Luennon sisältö. Lineaarisen optimoinnin duaaliteoriaa
JYVÄSKYLÄN YLIOPISTO 6. Luennon sisältö Lineaarisen optimoinnin duaaliteoriaa työkalu ratkaisun analysointiin Jälki- ja herkkyysanalyysiä mitä tapahtuu optimiratkaisulle, jos tehtävän vakiot hieman muuttuvat
LisätiedotFaustmannin (1849) kiertoaikamalli on yksinkertaisin
Mtsätitn aikakauskirja 3/1999 Titn tori Olli Tahvonn Faustmannin kirtoaikamallista ja sn ylistyksistä m t a Johdanto Faustmannin (1849) kirtoaikamalli on yksinkrtaisin mahdollinn kuvaus taloudllissti thokkaasta
LisätiedotMatematiikkalehti 2/2001. http://solmu.math.helsinki.fi/
Matmatiikkalhti 2/2001 http://solmu.math.hlsinki.fi/ 2 Solmu Solmu 2/2001 Matmatiikan laitos PL 4 (Yliopistonkatu 5) 00014 Hlsingin yliopisto http://solmu.math.hlsinki.fi/ Päätoimittaja Pkka Alstalo Toimitussihtrit
LisätiedotSekalukuoptimointi. Lehtonen, Matti Matemaattisen ohjelmoinnin seminaari, Tietojenkäsittelytieteen laitos Helsingin Yliopisto
Sekalukuoptimointi Lehtonen, Matti Matemaattisen ohjelmoinnin seminaari, 2000-10-11 Tietojenkäsittelytieteen laitos Helsingin Yliopisto 1 Tiivistelmä Seminaarin aihe käsittelee globaalin optimoinnin erästä
LisätiedotNelisolmuinen levyelementti
Lv hm 6..3 Nliolminn lvlmntti arkatllaan kvan nliolmita lvlmnttiä. q 6 q 8 η 3 q 5 ( 3, 3 q 7 (, q (, v P q ξ (, q q 3 Pitn P koordinaatit voidaan laa mokoordinaattin ξ ja η avlla, jotka ovat normratt
LisätiedotRatkaisut 3. KJR-C2001 Kiinteän aineen mekaniikan perusteet, IV/2016
Kotitehtävät palautetaan viimeistään keskiviikkoisin ennen luentojen alkua eli klo 14:00 mennessä. Muistakaa vastaukset eri tehtäviin palautetaan eri lokeroon! Joka kierroksen arvostellut kotitehtäväpaperit
LisätiedotLuento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.
Luento : Optimointitehtävän graafinen ratkaiseminen. LP-malli. LP-malli simerkki: Maalifirma Sateenkaari valmistaa ulko- ja sisämaalia raaka-aineista M ja M. Sisämaalin maksimikysyntä on tonnia/päivä.
LisätiedotPVC-IKKUNOIDEN ASENNUS
OHJE Tarvittavat työkalut Asnnusraudat Sorkkar auta Ruuvja / ruuvja ja tulppia, jos sinä on btonia Vsivaaka Ruuvinväännin Saumausvaahtoa, laajnvaa saumanauhaa, villakaistaa jn. Taivutu spihdit Kiiloja
Lisätiedot1. Osoita, että annetut funktiot ovat seuraavien differentiaaliyhtälöiden ratkaisufunktioita:
760P FYSIIKAN MATEMATIIKKAA Krtausthtäviä välikoksn, sl 008 Näitä laskuja i laskta laskupäivissä ikä näistä saa laskuharjoituspistitä Laskut on tarkoitttu laskttaviksi itsksn, kavriporukalla tai Fsiikan
LisätiedotUlvilan kaupunki. Ulvilan Kaasmarkun Ryöpäkinmäen ja Fatiporin pohjoispuolen liito-oravaselvitys 2014 AHLMAN GROUP OY
Ulvilan kaupunki Ulvilan Kaasmarkun Ryöpäkinmän ja Faporin pohjoispuoln liito-oravaslvitys 204 AHLN GROUP OY RAPORTTEJA 3/204 SISÄLLYSLUETTELO Johdanto... 3 Raporsta... 3 Slvitysaluidn yliskuvaukst...
Lisätiedot18. SIPOREX-VAAKAELEMENTTISEINÄN SUUNNITTELU
E 18. SIPOREX-VAAKAELEMENTTISEINÄN SUUNNITTELU 18.1 Rakntllinn suunnittlu Kuormaluokka Siporx-vaakasinälmntit mitoittaan ylnsä vaakasuorall kuormall (usimmitn tuulikuormall) yksiaukkoisna palkkina. Valmistaja
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Funktion monotonisuus Derivoituva funktio f on aidosti kasvava, jos sen derivaatta on positiivinen eli jos f (x) > 0. Funktio on aidosti vähenevä jos sen derivaatta
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
LisätiedotINFO / Matemaattinen Analyysi, k2016, L0
INFO / Matemaattinen Analyysi, k2016, L0 orms1010, Aikataulu 1 kevät 2016 ORMS1010 Matemaattinen analyysi, luennot Ke 14-16 Viikot 09-10 salissa F119 Ke 14-16 Viikot 11 salissa F140 Ke 14-16 Viikot 13-18
LisätiedotOsakesalkun 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.
LisätiedotKirjallisuuskatsaus sisäpistemenetelmiin ja niiden soveltamiseen eri optimointiluokille (valmiin työn esittely)
Kirjallisuuskatsaus sisäpistemenetelmiin ja niiden soveltamiseen eri optimointiluokille (valmiin työn esittely) Ilari Vähä-Pietilä 28.04.2014 Ohjaaja: TkT Kimmo Berg Valvoja: Prof. Harri Ehtamo Työn saa
LisätiedotTEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS
1. Suorakaiteen muotoisen lämmönvaraajan korkeus on K, leveys L ja syvyys S yksikköä. Konvektiosta ja säteilystä johtuvat lämpöhäviöt ovat verrannollisia lämmönvaraajan lämpötilan T ja ympäristön lämpötilan
Lisätiedot2 Konveksisuus ja ratkaisun olemassaolo
2 Konveksisuus ja ratkaisun olemassaolo Ratkaisun olemassaolon tutkimiseen tarvitaan perustietoja konvekseista joukoista ja lineaarialgebrasta. Niitä tarvitaan myös ratkaisualgoritmin ymmärtämiseen. Tutkitaan
Lisätiedot5. Omat rahat, yrityksen rahat
5. Omat rahat, yrityksn rahat Matmaattist aint Intgraatio: yhtiskuntaoppi Tässä jaksossa Palkka, palkkakustannukst Budjtti, budjtointi Kannattavuus, tulos Hinnoittlu, hinta Osio 5/1 Matmaattist aint 5.
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
LisätiedotSisältö. Ajoittaminen. Dynaaminen vai staattinen ajoitus. Staattisen ajoituksen rajoitukset: Ylikuormitus
8 Tosiaikajärjstlmät (3ov) Lunto Ajoittaminn: RM & EDF Tiina Niklanr Sisältö Johanto ja trmistöä Dynaaminn, staattinn, ylikuormitus Ajoituksn prusmntlmiä Kllo-ohjattu Esim. staattinn taulukkopohjainn,
LisätiedotOsakesalkun 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
LisätiedotDiplomi-insinöörien ja arkkitehtien yhteisvalinta - dia-valinta 2010 Insinöörivalinnan fysiikan koe 2.6.2010, malliratkaisut
A1 Diplomi-insinöörin ja arkkithtin yhtisalinta - dia-alinta 2010 Alla on lutltu kuusi suurtta skä annttu taulukoissa kahdksan lukuaroa ja kahdksan SI-yksikön symbolia. Yhdistä suurt oikan suuruusluokan
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
LisätiedotQ Q 3. [mm 2 ] 1 1 = L
EDE-00 Elementtimenetelmän perusteet. Harjoitus 5r Syksy 03. 400 mm 0 kn 600 mm A 400 mm B 8 kn 300 mm 5 kn 000 mm 8 kn 300 mm 300 mm 00 mm. Määritä pisteiden A ja B siirtymät elementtimenetelmällä, kun
LisätiedotKuva 1: Funktion f tasa-arvokäyriä. Ratkaisu. Suurin kasvunopeus on gradientin suuntaan. 6x 0,2
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 018 Harjoitus Ratkaisuehdotukset Tehtävä 1. Olkoon f : R R f(x 1, x ) = x 1 + x Olkoon C R. Määritä tasa-arvojoukko Sf(C) = {(x 1, x
LisätiedotHarjoitus 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