TIES483 Epälineaarinen optimointi. Monitavoiteoptimointi Syksy 2012
|
|
- Kaarina Salo
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 TIES483 Epälineaarinen optimointi Monitavoiteoptimointi Syksy 2012
2 Sisältö Johdanto monitavoiteoptimointiin Monitavoiteoptimoinnin käsitteitä Menetelmätyypit Käytännön sovellusesimerkkejä (Monitavoiteoptimoinnin ohjelmistoja)
3 Mitä monitavoitteisuus tarkoittaa? Halutaan saavuttaa useita tavoitteita samanaikaisesti Tavoitteet voivat olla ristiriitaisia (esim. yleensä hyvää ei saa halvalla) kaikkia tavoitteita ei voi saavuttaa samanaikaisesti Joudutaan tyytymään kompromisseihin
4 Monitavoitteinen päätöksentekoprosessi tarpeen tunnistaminen optimointehtävän muotoilu tehtävän (matemaattinen) mallinnus päätöksenteko parhaan ratkaisun implementointi & testaus
5 Optimointitehtävän muotoilu Optimoimalla vain yhtä tavoitetta muut jäävät huomiotta Tavoite vs. rajoite Tavoitteiden summaus Lasketaan yhteen appelsiineja ja omenoita Tavoitteiden muuntaminen Sisältää epävarmuuksia Monitavoitteinen muotoilu tuo esille tavoitteiden keskinäiset riippuvuudet
6 Esimerkki 1: Teräksen jatkuvavalu Teräksen jatkuvavalun toisiojäähdytysprosessin optimisäätö Tutkittu tietotekniikan laitoksella intensiivisesti mallinnus (1988) yksitavoiteoptimointi ( ) monitavoiteoptimointi ( )
7 Teräksen jatkuvavalu sula teräs sisään (tundish) 1. vesijäähdytteinen muotti ohut kuori etenemistä tuetaan rullilla 2. jäähdytys vesisuihkuilla loppu jäähtyminen lämpösäteilynä
8 Teräksen jatkuvavalu Lämpötilan mittaaminen valussa hankalaa lämpötilajakauma numeerisesti Prosessi mallinnettu monifaasilämpöyhtälöä kuvaavilla osittaisdifferentiaaliyhtälöillä (kiinteä ja neste faasi) lämpötilajakauma Numeerinen malli käyttäen elementtimenetelmää (Finite Element method, FEM) Dynaaminen prosessi, riippuu siis ajasta
9 Teräksen jatkuvavalu Toisiojäähdytys merkittävä: vesisuihkujen intensiteetti (helppo säädellä) vaikuttaa merkittävästi teräksen jähmettymiseen Tavoite: minimoida virheiden määrä teräksessä Laatu riippuu mm. lämpötilan käyttäytymisestä teräksen pinnalla liian pieni jäähdytys liian pitkä nestemäinen osa liian suuri jäähdytys teräkseen muodostuu vikoja Objektifunktio: pitää pintalämpötila lähellä haluttua profiilia Rajoitteita mm. lämpötilan muutokselle teräksen pinnalla sekä itse lämpötilalle kriittisissä kohdissa
10 Teräksen jatkuvavalu Yksitavoitteisen optimointitehtävän tarkastelu: rajoitteet tiukkoja ei sallittuja ratkaisuita mistä antaa periksi? Muutetaan rajoitteet objektifunktioiksi (yht. 5) mahdollistaa eri rajoitteiden samanaikaisen relaksoinnin tietoa eri rajoitteiden toteutumisesta ja niiden vuorovaikutuksista
11 Teräksen jatkuvavalu Laitinen & Neittaanmäki, Control Theory and Advanced Technology, 4 (1988) Männikkö & Mäkelä, In Proc. of the 1 st Intl. Conf. on Advanced Computational Methods in Heat Transfer (1990) Männikkö & Mäkelä, In Proc. of the Conf. on Numerical Methods for Free Boundary Problems (1991) Mäkelä & Männikkö, Advances in Mathematical Sciences and Applications, 4 (1994) Miettinen, Mäkelä & Männikkö, Computational Optimization and Applications, 11 (1998)
12 Esimerkki 2: Vesikiertojen optimointi
13 Vesikiertojen optimointi Paperinvalmistusprosessi käyttää paljon vettä (nykyään n m 3 /paperitonni) Vettä voi kierrättää eri puolilla prosessia, kunhan se pysyy riittävän puhtaana liuennut orgaaninen aine kasaantuu Puhdas vesi maksaa Prosessi mallinnettu käyttäen VTT:n Balasprosessisimulaattoria ( Miten muotoilla optimointitehtävä?
14 Vesikiertojen optimointi Tavoitteena minimoida prosessiin tarvittava puhdas vesi Objektifunktio: minimoidaan puhtaan veden määrä Rajoitteet liuenneen orgaanisen aineen määrä paperikoneen viiravedessä liuenneen orgaanisen aineen määrä valkaisuun menevässä massassa Muuttujat: 5 splitteriä ja 3 venttiiliä
15 Vesikiertojen optimointi Käytännössä siis annetaan orgaanisen aineen pitoisuuksille ylärajat minimoidaan veden kulutus (yksi objektifunktio) Miten määrittää ylärajat? perustuen insinööritietoon ja nykytekniikkaan entäpä, jos rajoja relaksoitaisiin hieman? Monitavoitteinen muotoilu, jossa pitoisuusrajoitteet myös objektifunktioina (3) Hakanen, Miettinen & Mäkelä, In Proc. of ECCOMAS2004 Conference (2004)
16 Esimerkki 3: Kemiallinen erotusprosessi Tarkastellaan kromatografiaan perustuvaa kemiallista erotusprosessia Käytetään moniin tärkeisiin erotusprosesseihin (mm. sokeri-, petrokemian- ja lääketeollisuudessa) Perustuu eri kemiallisten komponenttien nopeuseroon nesteessä *
17 Adapted from Y. Kawajiri, Carnegie Mellon University Kromatografia (yksi kolumni) Liuotin Syöte (2 komponentin sekoitus) Uutto Syöttö 1. Alkutila tuotteen poisto kolumni täytetään liuottimella Pumppu Kromatografinen kolumni (astia täynnä adsorboivan aineen partikkeleita)
18 Adapted from Y. Kawajiri, Carnegie Mellon University Prosessin simulointi Askel Kierros Desorbent Feed Desorbent Desorbent Desorbent Feed Desorbent Feed Desorbent Feed Feed Feed Feed Desorbent Feed Desorbent 16 Liquid Flow Raffinate Extract Raffinate Extract Extract Raffinate Extract Raffinate Extract Raffinate Raffinate Extract Raffinate Extract Raffinate Extract November 11, 2009 Bergische Universität Wuppertal
19 Kemiallinen erotusprosessi Syöte- ja poistovirtojen paikkaa vaihdetaan säännöllisin väliajoin (askelaika) Säätö muuttujat askelaika virtausnopeudet
20 Kemiallinen erotusprosessi Tyypillisesti prosessi optimoidaan maksimoimalla tuottofunktio Tuottofunktion muodostaminen ei ole helppoa Monitavoitteinen muotoilu maksimoi prosessin läpi menevä ainemäärä minimoi käytetyn liuottimen määrä maksimoi tuotteen puhtaus maksimoi erotetun tuotteen määrä Mahdollistaa joustavamman tarkastelun ja paljastaa eri tavoitteiden vaikutukset ratkaisuun Hakanen, Kawajiri, Miettinen & Biegler, Control & Cybernetics, 36 (2007)
21 Mitä tarkoittaa tehtävän ratkaiseminen? Tavoitteena löytää paras kompromissi Mahdollisia kompromisseja paljon, jopa ääretön määrä Perusidea: jos halutaan parantaa jotain tavoitetta, niin jostain joudutaan tinkimään
22 Optimaalisuus usealle tavoitteelle Optimoitavat tavoitteet ristiriitaisia ei yhtä optimaalista ratkaisua vrt. yhden objektifunktion optimointiin Kompromissi Optimaalisia ratkaisuita potentiaalisesti äärettömän paljon
23 Monitavoiteoptimointitehtävä Objektifunktiot, k kappaletta ( k > 1) erikoistapaus: kaksi objektifunktiota pystytään havainnollistamaan vektoreita objektiavaruudessa kun dimensio on 2 tai 3 Muuttujat: kontrolloidaan ratkaisua Rajoitteet: kuten yksitavoitteisissa optimointitehtävissä Sallittu alue S: koostuu pisteistä, jotka toteuttavat kaikki rajoitteet
24 Matemaattinen muotoilu Vektoriarvoinen objektifunktio Objektivektori Sallitun alueen kuva-avaruus
25 Optimaalisuus: objektiavaruus f 2 min Z = f(s) Parhaat arvot alhaalla ja vasemmalla f 1 min
26 Optimaalisuus Mitkä pisteet ovat optimaalisia? Miten ne löydetään?
27 Optimaalisuus: objektiavaruus f 2 min Z = f(s) Parhaat arvot alhaalla ja vasemmalla f 1 min
28 Pareto-optimaalisuus (PO) Matemaattinen määritelmä: Toisin sanoen: piste on Pareto-optimaalinen, jos ei ole toista sallittua pistettä, joka antaa vähintään yhtä hyvät arvot kaikille objektifunktioille ja ainakin yhdelle paremman Huomaa: Kaikki Pareto-optimaaliset pisteet ovat matemaattisesti yhtä hyviä
29 Miten valita paras PO-ratkaisu? Kaikki PO-ratkaisut matemaattisesti yhtä hyviä vrt. esim. tason vektorien järjestäminen PO-ratkaisuja mahdollisesti äärettömän monta Tarvitaan lisätietoa liittyen tehtävään, jota ollaan ratkaisemassa
30 Päätöksentekijä Decision maker (DM) Henkilö (tai henkilöt), joka on asiantuntija ratkaistavan tehtävän alalla Kykenee antamaan tietoa tavoitteisiin liittyvistä paremmuussuhteista kykenee esim. vertailemaan PO-ratkaisuja Ei tarvitse olla ammattilainen optimoinnin alalla Auttaa parhaan PO-ratkaisun (kompromissin) löytämisessä
31 Pareto-optimaalinen joukko f 2 Koostuu kaikista tehtävän PO-ratkaisuista Esitetään objektiavaruudessa Esim. k=2 PO-joukko on 2-ulotteisen avaruuden osajoukko f 2 f 2 f 1 diskreetti lineaarinen epälineaarinen f 1 f 1
32 Heikko Pareto-optimaalisuus Jotain tavoitetta voidaan parantaa huonontamatta muita PO-piste on myös heikosti PO PO-pisteet parempia, mutta heikosti PO-pisteitä helpompi tuottaa f 2 Heikosti PO-pisteitä f 1
33 PO-joukon vaihteluvälit Objektifunktion arvojen vaihteluvälit PO-joukossa antavat tietoa olemassaolevista ratkaisuista Ihanteellinen objektivektori (parhaimmat arvot) kertoo miten hyviä arvoja voidaan saavuttaa Nadir-objektivektori (huonoimmat arvot) kertoo miten huonoja arvoja voidaan joutua hyväksymään Hyödyllistä tietoa päätöksenteossa Käytetään apuna myös joissain menetelmissä
34 Ihanteellinen objektivektori Koostuu yksittäisten objektifunktioiden parhaimmista arvoista PO-joukossa minimoitaessa pienimmät arvot Löydetään optimoimalla jokaista objektifunktiota erikseen k objektifunktiota k optimointia Ihanteellinen objektivektori ei ole sallittu!
35 Ihanteellinen objektivektori f 2 min Z = f(s) z * z 2 * z 1 * f 1 min
36 Nadir-objektivektori Koostuu yksittäisten objektifunktioiden huonoimmista arvoista PO-joukossa minimoitaessa suurimmat arvot Ei kyetä laskemaan tarkasti, joudutaan approksimoimaan Huom. k=2 voidaan laskea tarkasti Esim. käyttäen arvotaulukkoa
37 Arvotaulukko (pay-off table) Saadaan laskemalla kaikkien objektifunktioiden arvot pisteissä, jotka saatiin laskettaessa z* i:nnellä rivillä on objektifunktioiden arvot pisteessä, jossa f i saavutti optimin diagonaalilla z* z i nad = i:nnen sarakkeen huonoin arvo Voi antaa joko optimistisen tai pessimistisen arvion (riippuu tehtävästä)
38 Nadir-objektivektori f 2 min z 2 nad Z = f(s) z nad z 2 * z 1 * z 1 nad f 1 min
39 Referenssipiste Referenssipiste = objektiavaruuden piste, joka sisältää tavoiteltavat arvot objektifunktioille Referenssipisteen komponentteja kutsutaan tavoitetasoiksi Eräs tapa päätöksentekijälle antaa preferenssitietoa (intuitiivinen) Hyödynnetään myös joissain monitavoiteoptimoinnin menetelmissä
40 Erikoistapaus: 2 tavoitetta Pareto-optimaalisen joukon voi esittää visuaalisesti (jos saatavilla) Jos toista halutaan parantaa, niin toinen f 2 min huononee Käyrältä voidaan valita haluttu ratkaisu Hyvin yleinen tilanne käytännön sovelluksissa f 1 min
41 Tehtävän skalarisointi Usein monitavoiteoptimoinnissa ideana on muuttaa monitavoitteinen tehtävä yksitavoitteiseksi voidaan hyödyntää yksitavoitteisen optimoinnin menetelmiä Puhutaan tehtävän skalarisoinnista Voidaan tehdä hyvin tai huonosti esimerkkejä myöhemmin
42 Hyvän menetelmän ominaisuuksia Skalarisointiin perustuvat menetelmät tuottavat yleensä yhden ratkaisun kerrallaan Hyvällä menetelmällä on seuraavat ominaisuudet tuottaa (heikosti) Pareto-optimaalisia ratkaisuja pystyy löytämään jokaisen Pareto-optimaalisen ratkaisun (sopivilla menetelmän parametreilla)
43 Lähestymistavat Monitavoiteoptimointiin on lukuisia menetelmiä Monitavoiteoptimoinnin menetelmät voidaan luokitella päätöksentekijän roolin mukaan menetelmät, joissa päätöksentekijää ei tarvita Pareto-optimaalisten pisteiden määräämismenetelmät paremmuussuhteiden ennaltamääräämiseen perustuvat menetelmät interaktiiviset menetelmät
44 Menetelmät, joissa DM:ää ei tarvita DM ei käytettävissä (esim. online-optimointi) Preferenssitietoa ei saatavilla Lasketaan jokin PO ratkaisu Ei ota huomioon ratkaistavan tehtävän luonnetta Nopeita menetelmiä yksi ratkaisu riittää, ei kommunikointia DM:n kanssa
45 Globaalin tavoitteen menetelmä Minimoidaan etäisyys ihanteelliseen kriteerivektoriin Etäisyyttä voidaan mitata monella tavalla, esim. L p -metriikalla, 1 p Ratkaistaan yksitavoitteinen optimointitehtävä
46 Globaalin tavoitteen menetelmä
47 Globaalin tavoitteen menetelmä Kun p=, niin kyseessä on ns. minmaxmetriikka epäsileä optimointitehtävä Jos p <, niin saatu ratkaisu on PO Jos p =, niin ratkaisu on heikosti PO
48 PO pisteiden määräämismenetelmät Idea: tuotetaan erilaisia PO ratkaisuita, joista päätöksentekijä valitsee parhaan Approksimoidaan koko PO joukkoa tai sen osaa Edut soveltuvat hyvin kahden objektifunktion tilanteeseen, koska saadut ratkaisut on helppo esittää päätöksentekijälle saa käsityksen koko PO joukosta
49 PO pisteiden määräämismenetelmät Huonot puolet PO joukon approksimointi usein aikaa vievää DM joutuu valitsemaan parhaan ratkaisun isosta joukosta ratkaisujen visualisointi, kun paljon objektifunktioita
50 ABS-jarrujärjestelmän optimointi ABS: tietokoneohjattu jarrutusjärjestelmä Säätelee jarrujen nesteiden paineistusta hyödyntäen maksimaalisesti olemassa olevan renkaiden pidon Renkaan luistaminen vaikuttaa renkaan tuottamaan jarrutusvoimaan jarrutuksen aikana vapaasti pyörivä rengas ei luistoa lukkiutunut rengas täysi luisto Useimmilla alustoilla renkaan pito on maksimaalinen kun luisto on välillä 10-30% ABS-järjestelmä on suunniteltu pitämään luisto lähellä maksimaalista pitoaluetta ABS tehokkaampi kuin jarrutus ilman säätöä
51 ABS-jarrujärjestelmän optimointi Säätäminen vaikeaa: erilaiset olosuhteet, mittaustulosten epävarmuus, sensoreiden suuret mittausvälit (> 5 ms) ABS-järjestelmän käyttäytyvät erittäin epälineaarisesti Stokastinen optimointi järjestelmä toimii hyvin eri olosuhteissa ja epätarkoilla mittauksilla Otettava huomioon useita suunnittelutavoitteita Monitavoiteoptimointia käytetty vertailemaan eri säätöalgoritmeja (Athan & Papalambros, Engineering Optimization, 27, 1996)
52 ABS-jarrujärjestelmän optimointi Tavoitteet max f 1 =ABS:n tehokkuus (verrattuna ideaalitilanteeseen) min f 2 = keskimääräinen luisto (vaikuttaa ohjaukseen) min f 3 = hidastumisen muutokset (mukavuus) min f 4 = tärinä (lyhentää laitteiston käyttöikää) min f 5 = herkkyys (mittausvirheille) max f 6 = muutosvaste (reagointi keliolosuhteiden muutoksiin)
53 ABS-jarrujärjestelmän optimointi Monitavoiteoptimointimenetelmänä painokerroinmenetelmä min f = -w 1 f 1 + w 2 f 2 + w 3 f 3 + w 4 f 4 + w 5 f 5 - w 6 f 6 Painoja vaihdellaan järjestelmällisesti eri PO ratkaisuja Vaatii globaalia optimointimenetelmää Toimiiko painokerroinmenetelmä hyvin?
54 ABS-jarrujärjestelmän optimointi Spider web visualisointi Jokaiselle tavoitteelle oma akseli Yksi ratkaisu on yksi seitti verkossa
55 Painokerroinmenetelmä Optimoidaan objektifunktioiden painotettua summaa Eri PO ratkaisuja saadaan vaihtamalla painokertoimia w i Eräs tunnetuimmista menetelmistä Gass & Saaty (1955), Zadeh (1963)
56 Painokerroinmenetelmä Hyvät puolet positiivisilla painoilla saadaan PO ratkaisu painokerrointehtävä on helppo ratkaista (yksinkertainen objektifunktio, ei lisärajoitteita) Huonot puolet ei löydä ratkaisuja PO joukon epäkonveksista osasta saatu ratkaisu ei välttämättä kuvaa preferenssejä
57 Konveksi / epäkonveksi PO joukko Painokertoimet = objektifunktion tasa-arvokäyrän kulmakerroin muuttamalla painokertoimia kulmakerroin muuttuu Epäkonveksiin osaan ei pääse millään painokertoimilla! f 2, min w 1 =0.5, w 2 =0.5 w 1 =1/3, w 2 =2/3 f 2, min konveksi PO joukko f 1, min epäkonveksi PO joukko f 1, min
58 Painokerroinmenetelmä Tulos1: Painokerroinmenetelmän antama ratkaisu on heikosti Pareto-optimaalinen. Tulos2: Painokerroinmenetelmän antama ratkaisu on Pareto-optimaalinen, jos kaikki painokertoimet ovat aidosti positiivisia. Tulos3: Painokerroinmenetelmän antama ratkaisu on Pareto-optimaalinen, jos se on yksikäsitteinen Tulos4: Olkoon x* konveksin tehtävän PO ratkaisu. Tällöin on olemassa painokerroinvektori w siten, että x* on painokerrointehtävän ratkaisu.
59 Esimerkki painokertoimista Vaimon valinta (Prof. Pekka Korhonen, Aalto yliopisto) Ulkonäkö Ruuanlaitto Talous Siisteys Martta ,4 Johanna Nina ,6 painoker. 0,4 0,2 0,2 0,2 Parhaimman objektifunktion arvon saanut ehdokas on huonoin tärkeimmän tavoitteen mielessä!
60 Esimerkki 1: Vesikiertojen optimointi
61 Vesikiertojen optimointi Tavoitteena minimoida prosessiin tarvittava puhdas vesi Objektifunktio: minimoidaan puhtaan veden määrä Rajoitteet liuenneen orgaanisen aineen määrä paperikoneen viiravedessä liuenneen orgaanisen aineen määrä valkaisuun menevässä massassa Muuttujat: 5 splitteriä ja 3 venttiiliä
62 Vesikiertojen optimointi Käytännössä siis annetaan orgaanisen aineen pitoisuuksille ylärajat minimoidaan veden kulutus (yksi objektifunktio) Monitavoiteoptimointimenetelmänä rajoiteyhtälömenetelmä Muuttamalla ylärajoja saadaan erilaisia ratkaisuja vaatii uuden optimoinnin Miten valita hyvät ylärajat? liian tiukat ylärajat: ei välttämättä sallittuja ratkaisuita Ei saada ratkaisuja, joissa ylärajoja rikotaan
63 Esimerkki 2: Kemiallinen erotusprosessi Tarkastellaan kromatografiaan perustuvaa kemiallista erotusprosessia Käytetään moniin tärkeisiin erotusprosesseihin (mm. sokeri-, petrokemian- ja lääketeollisuudessa) Perustuu eri kemiallisten komponenttien nopeuseroon nesteessä *
64 Kemiallinen erotusprosessi Syöte- ja poistovirtojen paikkaa vaihdetaan säännöllisin väliajoin (askelaika) Säätömuuttujat askelaika virtausnopeudet
65 Kemiallinen erotusprosessi Tyypillisesti prosessi optimoidaan maksimoimalla tuottofunktio max suhteellinen tuotto =(syötteen kulutus) x (erotetun tuotteen määrä) - (syötteen hinta/tuotteen hinta) x (syötteen kulutus) - (liuottimen hinta/tuotteen hinta) x (liuottimen kulutus) alaraja tuotteen puhtaudelle Tuottofunktion muodostaminen ei ole helppoa sisältää epävarmuuksia (hinnat) hävittää keskinäiset riippuvuudet
66 Kemiallinen erotusprosessi Monitavoitteinen lähestymistapa Voidaan löytää 4 objektifunktiota maksimoi prosessin läpi menevä ainemäärä minimoi käytetyn liuottimen määrä maksimoi tuotteen puhtaus maksimoi erotetun tuotteen määrä Sisältyvät tuottofunktioon
67 Kemiallinen erotusprosessi Glukoosin ja fruktoosin erotus Kawajiri & Biegler, Journal of Chromatography A, 1133 (2006) Halutaan tutkia prosessin läpi menevän ainemäärän ja liuottimen kulutuksen riippuvuutta Käsitellään tuotteen puhtautta ja erotetun tuotteen määrää rajoitteina Maksimoidaan läpi menevää ainemäärää ja annetaan liuottimen kulutukselle eri ylärajoja saadaan approksimaatio PO joukolle 2 objektifunktion tapauksessa Rajoiteyhtälömenetelmä
68 Rajoiteyhtälömenetelmä Valitaan yksi objektifunktioista optimoitavaksi, annetaan muille ylärajat ja käsitellään rajoitteina Eri PO ratkaisuja saadaan vaihtamalla ylärajoja ja optimoitavaa objektifunktiota Haimes, Lasdon & Wismer, IEEE Transactions on Systems, Man and Cybernetics, 1 (1971)
69 Rajoiteyhtälömenetelmä PO ratkaisuja eri ylärajoilla f 2 :lle ε 1 : ei ratkaisuja ε 2 : z 2 ε 3 : z 3 ε 4 : z 4
70 Rajoiteyhtälömenetelmä Hyvät puolet jokainen PO ratkaisu voidaan löytää (myös epäkonvekseille tehtäville) Huonot puolet miten valita ylärajat? ei välttämättä sallittuja ratkaisuja miten valita optimoitava funktio?
71 Rajoiteyhtälömenetelmä Tulos1: Rajoiteyhtälömenetelmän antama ratkaisu on heikosti Pareto-optimaalinen. Tulos2: Rajoiteyhtälömenetelmän antama yksikäsitteinen ratkaisu on Paretooptimaalinen. Tulos3: Sallittu x* on PO jos ja vain jos se on rajoiteyhtälömenetelmän ratkaisu jokaiselle j=1,,k, missä ε i = f i (x*), i j. (jokainen PO ratkaisu voidaan löytää)
72 Rajoiteyhtälömenetelmä PO vs. heikosti PO ε 1 : heikosti PO ε 2 : PO f 2, min heikosti PO PO ε 1 ε 2 =f 2 (x*) f 1, min
73 Tasaväliset PO pisteet? Painokerroinmenetelmä: muutetaan painoja systemaattisesti Kuvan tilanteessa POratkaisut painottuvat PO joukon toiseen päähän Miten saada tasavälinen jako? f 2, min f 1, min
74 Biokemiallisen reaktorin optimointi Putkimainen, vaipallinen reaktori (jacketed tubular reactor) Eksoterminen 1. asteen (palautumaton) reaktio Optimisäätötehtävä tehtävänä on löytää optimaalinen profiili vaipan nesteen lämpötilalle ja sitä vastaava optimaalinen säätö ei optimoida muuttujien, vaan säätöprofiilin (= funktio) suhteen jatkuva profiili täytyy diskretisoida suuri optimointitehtävä
75 Biokemiallisen reaktorin optimointi Logist et al., Chemical Engineering Science, 64 (2009) Tavoitteet minimoi lähtöaineen määrä reaktorin ulostulossa (= maksimoi reaktion konversio) maksimoi lämmön talteenotto (vaikuttaa energiankulutukseen) minimoi reaktorin pituus ( m) Mitä enemmän lämpöä käytetään, sitä parempi konversio; mitä lyhyempi reaktori, sitä huonompi konversio
76 Biokemiallisen reaktorin optimointi Tuotetaan approksimaatio PO joukosta 3 tavoitetta; voidaan visualisoida ja saadaan käsitys koko rintamasta Monitavoiteoptimointimenetelmä: Normal Boundary Intersection ideana tuottaa tasaisesti jakautunut Paretooptimaalinen pisteistö
77 Biokemiallisen reaktorin optimointi
78 Normal Boundary Intersection (NBI) Etsitään PO-joukon ääripisteet Muodostetaan niiden virittämä taso ja siihen tasavälinen pisteistö Etsitään tasoa vastaan kohtisuorassa f 2, min f 1, min
79 Normal Boundary Intersection (NBI) Ideana tuottaa tasaisesti jakautunut pisteistö PO joukosta Pisteet tuotetaan ratkaisemalla yksitavoitteisia optimointitehtäviä askelpituus lähtöpiste suunta Das & Dennis, SIAM Journal of Optimization, 8 (1998)
80 Normal Boundary Intersection (NBI) Ominaisuuksia tasaisesti jakautunut pisteistö PO-joukkoon laskenta-aika lisääntyy merkittävästi useammille tavoitteille voi tuottaa ei-paretooptimaalisia pisteitä epäkonvekseille tehtäville f 2, min f 1, min
81 Tasaväliset PO pisteet? Painokerroinmenetelmä Normal Boundary Intersection f 2, min f 2, min f 1, min NBI antaa tasaisemmin jakaantuneen pisteistön f 1, min
82 Paremmuussuhteiden ennaltamääräämiseen perustuvat menetelmät Idea: kysytään ensin DM:ltä preferenssejä, optimoidaan sen jälkeen Pyritään tuottamaan vain sellaisia PO ratkaisuja, jotka kiinnostavat DM:ää Hyvät puolet Lasketut PO ratkaisut perustuvat DM:n preferensseihin (ei turhia ratkaisuja) Huonot puolet DM:n hankala antaa preferenssejä ennen kuin on nähnyt yhtään ratkaisua
83 Jalostamon tuoton herkkyyden optimointi Bensiinin tuotto eri öljyjen sekoituksesta Tavoitteena tuottaa 3 laatua: premium, korkea- ja matalaoktaaninen Kapasiteetti barrelia /päivä
84 Jalostamon tuoton herkkyyden Tavoitteet optimointi maksimoi jalostamon tuotto minimoi tuoton herkkyys (jalostamon toimintaolosuhteiden suhteen) Tuotto lineaarinen Herkkyys: minimoidaan tuoton osittaisderivaatat epälineaarinen optimointitehtävä Seinfeld & McBride, Ind. Eng. Chem. Process Des. Develop., 9 (1970)
85 Jalostamon tuoton herkkyyden optimointi 2 menetelmää painokertoimet järjestetään tavoitteet tärkeyden mukaan: 1. tuotto, 2. herkkyys leksikografinen optimointi Strategia ottamalla herkkyys huomioon saadaan pienempi tuotto, jos muutoksia olosuhteissa ei tapahdu toisaalta jos olosuhteet muuttuvat, niin tuotto ei putoa niin paljoa, kuin ilman herkkyyksien huomioimista
86 Leksikografinen optimointi Järjestetään objektifunktiot tärkeysjärjestykseen Optimoidaan ensin tärkeimmän suhteen ja jatketaan optimointia saatujen optimiratkaisujen joukossa seuraavaksi tärkeimmän suhteen jne. Vaatii DM:ltä tärkeysjärjestyksen ennen optimointia Saatu ratkaisu on Pareto-optimaalinen
87 Leksikografinen optimointi 2 tavoitetta: 1. tärkeämpi Optimoidaan 1. suhteen, saadaan z 1 ja z 2 Optimoidaan 2. suhteen: valitaan parempi z 1 Käytännössä jokin toleranssi optimaalisille arvoille
88 Interaktiiviset menetelmät Idea: päätöksentekijää hyödynnetään aktiivisesti ratkaisuprosessin aikana Ratkaisuprosessi iteratiivinen: 1. Alustus: tuotetaan jokin PO ratkaisu(ja) 2. Esitetään PO ratkaisu(t) DM:lle 3. Onko DM tyytyväinen? Jos ei, niin pyydetään DM:ää antamaan uudet preferenssit. Muuten lopetetaan, paras ratkaisu on löytynyt. 4. Tuotetaan uusi PO ratkaisu(t) ottamalla huomioon uudet preferenssit. Jatketaan kohdasta 2. Prosessi päättyy kun DM on tyytyväinen löydettyyn PO ratkaisuun
89 Interaktiiviset menetelmät Hyvät puolet tuotetaan vain DM:ää kiinnostavia PO ratkaisuita DM pystyy ohjaamaan ratkaisuprosessia omilla preferensseillään DM voi oppia tehtävän käyttäytymisestä preferenssitiedon avulla saatujen ratkaisujen perusteella auttaa säätämään preferenssejä Huonot puolet DM joutuu käyttämään paljon aikaa prosessiin Jos PO ratkaisuiden tuottaminen kestää kauan, DM ei välttämättä enää muista mitä aiemmin on tapahtunut
90 Referenssipistemenetelmä Interaktiivinen menetelmä, perustuu referenssipisteen käyttöön Referenssipiste intuitiivinen tapa ilmaista preferenssejä DM antaa referenssipisteen, jota käytetään skalarisoidussa optimointitehtävässä Eri PO ratkaisuita saadaan muuttamalla referenssipistettä Wierzbicki, The Use of Reference Objectives in Multiobjective Optimization, In: Multiple Criteria Decision Making, Theory and Applications, Springer (1980)
91 Referenssipistemenetelmä Referenssipiste koostuu tavoitetasoista objektifunktioille voi kuulua sallitun alueen kuvajoukkoon (Z = f(s)) tai ei Painot vaikuttavat saatuun ratkaisuun
92 Painojen vaikutus f 2, min z 2 nad z w w i w i 1 1 i 1 z z z i i i nad nad z i * z z i i * * z 1 z f 1, min
93 Referenssipistemenetelmä Tuloksia: referenssipistemenetelmä tuottaa heikosti Paretooptimaalisen ratkaisun jokainen heikosti Pareto-optimaalinen ratkaisu voidaan löytää Referenssipistemenetelmän skalarisoitua optimointitehtävää voidaan muuttaa siten, että se tuottaa PO ratkaisun
94 Referenssipistemenetelmä Referenssipistemenetelmän optimointitehtävä ei ole differentioituva (minimoidaan maksimia) Voidaan muotoilla differentioituvaan muotoon ylimääräinen muuttuja ja lisää rajoitteita
95 STOM-menetelmä Satisficing Trade-Off Method, STOM Interaktiivinen menetelmä, perustuu objektifunktioiden luokitteluun Lähellä referenssipistemenetelmän ideaa Nakayama & Sawaragi, Satisficing Trade-Off Method for Multiobjective Programming, In: Interactive Decision Analysis, Springer-Verlag (1984)
96 STOM-menetelmä DM luokittelee objektifunktiot 3 luokkaan nykyisessä PO ratkaisussa funktiot, joiden arvoa halutaan parantaa funktiot, joiden arvo on tällä hetkellä hyvä funktiot, joiden arvo voi huonontua Luokittelun perusteella muodostetaan referenssipiste DM määrittää tavoitetasot ensimmäisen luokan funktioille tavoitetasot toisen luokan funktioille ovat nykyiset arvot tavoitetasot kolmannen luokan funktioille lasketaan automaattisen vaihtosuhteen avulla helpotetaan DM:n työtä
97 STOM-menetelmä Tavoitetasojen pitää olla aidosti isompia kuin ihanteellisen objektivektorin komponentit muuten nollalla jakaminen vaarana STOM-menetelmän skalarisoidun tehtävän ratkaisu on Pareto-optimaalinen (jos täydennystermi on mukana)
98 STOM-menetelmä f 2, min z 2 nad z w 1 i z i z i * * z 1 z f 1, min
99 NIMBUS-menetelmä Interaktiivinen menetelmä, perustuu objektifunktioiden luokitteluun Luokittelu: tarkastellaan nykyistä PO ratkaisua ja asetetaan jokainen objektifunktio johonkin luokkaan Miettinen, Nonlinear Multiobjective Optimization, Kluwer Academic Publishers (1999) Miettinen & Mäkelä, Synchronous Approach in Interactive Multiobjective Optimization, European Journal of Operational Research, 170 (2006)
100 NIMBUS-menetelmä 5 luokkaa koostuvat funktioista f i, joiden arvoa tulee parantaa mahd. paljon (i є I imp ) arvoa tulee parantaa annettuun rajaan asti (i є I asp ) arvo on hyvä tällä hetkellä (i є I sat ) arvo voi huonontua annettuun rajaan asti (i є I bound ) arvo voi vaihdella vapaasti (i є I free ) i z i
101 NIMBUS-menetelmä Luokittelu sallittu jos Luokittelun pohjalta muodostetaan skalarisoitu optimointitehtävä, missä x c on nykyinen PO ratkaisu
102 NIMBUS-menetelmä Tuloksia: NIMBUS-menetelmän skalarisointi tuottaa heikosti PO ratkaisun ilman täydennystermiä ratkaisu on PO, jos täydennystermi on mukana Uusimmassa synkronisessa NIMBUS-versiossa tehtävä skalarisoidaan (maksimissaan) 4 eri tavalla erilaisia ratkaisuita samalle preferenssitiedolle ei yhtä ja oikeaa tapaa skalarisoida, DM saa valita saaduista ratkaisuista
103 WWW-NIMBUS on verkossa toimiva toteutus NIMBUS-menetelmästä 1. verkossa toimiva monitavoiteoptimointiohjelmisto (2000) Kaikki laskenta tapahtuu JY:n serverillä, vain selain tarvitaan Aina uusin versio saatavilla Lomakepohjainen käyttöliittymä Vapaasti käytettävissä akateemisiin tarkoituksiin
104 Esimerkki: Kemiallinen erotusprosessi Tarkastellaan kromatografiaan perustuvaa kemiallista erotusprosessia Käytetään moniin tärkeisiin erotusprosesseihin (mm. sokeri-, petrokemian- ja lääketeollisuudessa) Perustuu eri kemiallisten komponenttien nopeuseroon nesteessä *
105 Kemiallinen erotusprosessi Monitavoitteinen lähestymistapa 4 objektifunktiota maksimoi prosessin läpi menevä ainemäärä [m/h] minimoi käytetyn liuottimen määrä [m/h] maksimoi tuotteen puhtaus [%] maksimoi erotetun tuotteen määrä [%] Glukoosin ja fruktoosin erotus Ratkaisu NIMBUS-menetelmällä Hakanen et al., Control & Cybernetics, 36 (2007)
106 Ratkaisuprosessi DM oli asiantuntija kyseisissä prosesseissa
107 MCDM ja EMO Monitavoiteoptimointi kuuluu monitavoitteisen päätöksenteon (Multiple Criteria Decision Making, MCDM) kenttään MCDM sisältää ns. perinteiset menetelmät monitavoitteisten tehtävien ratkaisemiseen Kurssilla tähän asti esitellyt monitavoiteoptimointimenetelmät kuuluvat MCDM:n alle Viimeisten parin vuosikymmenen aikana evoluutiopohjainen monitavoiteoptimointi (Evolutionary Multiobjective Optimization, EMO) on noussut erittäin suosituksi tavaksi ratkoa monitavoitteisia tehtäviä
108 MCDM ja EMO Suurin ero MCDM- ja EMO-lähestymistavoissa MCDM käsittelee yhtä ratkaisua kerralla, yleensä deterministisillä menetelmillä EMO käsittelee kerralla useaa ratkaisua (populaatio) käyttäen stokastisia menetelmiä, jotka ovat saaneet vaikutteita evoluutiosta MCDM on vanhempi tieteenala MCDM ja EMO ovat kehittyneet itsenäisesti Viimeisen vuosikymmenen aikana ne ovat lähestyneet toisiaan ja alkaneet tekemään yhteistyötä
109 Ratkaisujen visualisointi f 2, min Pareto-optimaalisten ratkaisujen visualisointi DM arvioi ja vertailee saatuja ratkaisuja Objektifunktioita 2, visualisointi helppoa voidaan esittää tason pisteinä f 1, min
110 Ratkaisujen visualisointi Objektifunktioita 3, onnistuu mutta tulkinta hankalampaa PO joukko on pinta 3-D:ssä
111 Ratkaisujen visualisointi Objektifunktioita > 3, visualisointi hankaloituu PO joukon approksimaatiota ei voi suoraan visualisoida Voidaan visualisoida esim. PO joukon projektioita 2:n tai 3:n objektifunktion suhteen (vrt. kemiallisen erotusprosessin optimointi edellä) kaikki PO pisteet eivät näytä Pareto-optimaalisilta projektioissa
112 Ratkaisujen visualisointi Yleensä visualisoidaan vain pientä joukkoa PO ratkaisuja kun objektifunktioita > 3 Käytetään erilaisia tapoja visualisoida yksittäisiä ratkaisuja paras visualisointi riippuu tietenkin DM:stä Tavoitteena pystyä vertailemaan ratkaisuja
113 Ratkaisujen visualisointi Esimerkkejä: 3D palkit Yksi ratkaisu on yksi väri
114 Ratkaisujen visualisointi Arvopolut: yksi ratkaisu on yksi murtoviiva
115 Ratkaisujen visualisointi Petal diagram: yksi ratkaisu on yksi kiekko Mitä enemmän väriä sitä huonompi arvo
116 Ratkaisujen visualisointi Whisker plot: yksi ratkaisu on yksi kiekko Mitä enemmän väriä sitä huonompi arvo
117 Käytännön optimointiongelmien ratkaiseminen
118 Käytännön optimointiongelmien ratkaiseminen Käytännössä tulee kiinnittää huomiota ainakin seuraaviin asioihin 1. Tehtävän mallinnus 2. Optimointitehtävän muotoilu 3. Soveltuvan optimointiohjelmiston valinta 4. Optimointiohjelmiston ja mallinnustyökalun kytkeminen 5. Optimointi ja saadun ratkaisun analysointi Käydään tarkemmin läpi esimerkkitehtävän avulla
119 Esimerkkisovellus Jätevedenpuhdistamon optimaalinen suunnittelu
120 Jätevedenpuhdistus Jätevedenpuhdistuslaitosten (Wastewater treatment plant, WWTP ) matemaattinen mallinnus alkoi yleistyä 1990-luvulla Mallinnus keskittyi pääasiassa aktiivilieteprosessiin (activated sludge process, ASP), joka on maailmanlaajuisesti yleisin puhdistustapa käsiteltävä jätevesi johdetaan ilmastettuun bioreaktoriin, jossa viljellään biomassaa jätevesi puhdistetaan eli siitä poistetaan orgaanista hiiltä, typpeä ja fosforia bioreaktorissa reaktorin jälkeen biomassaa sisältävä jätevesi johdetaan selkeyttimeen, jossa biomassa poistuu painovoiman vaikutuksesta ja se johdetaan takaisin reaktoriin puhdistettu jätevesi johdetaan lisäkäsittelyyn tai poistetaan laitoksesta
121 Jätevedenpuhdistamon suunnittelu Nykyään puhdistamon suunnittelussa on useita haasteita toiminnalliset vaatimukset kiristyvät koko ajan (erityisesti typen ja fosforin poistovaatimukset) taloudellinen tehokkuus korostuu (tehtaan koon sekä käytettävän energian ja kemikaalien minimointi) toiminnallista luotettavuutta tulee korostaa Vaaditaan entistä monipuolisempia jätevedenkäsittely prosesseja Useita ristiriitaisia tavoitteita!
122 PROSIM-projekti Pöyry Oy:n vetämä projekti Tekesin Mallinnus ja simulointi ohjelmassa Tarkoituksena mallintaa muutamia suomalaisia puhdistamoja tuloksena simulointimallit, joita voidaan käyttää suunnittelun ja optimoinnin tukena Lisäksi selvittää kuinka monitavoiteoptimointi voisi hyödyttää suunnittelua (JY mukana)
123 1. Tehtävän mallinnus Vaatii yhteistyötä sovellusalan ammattilaisen kanssa Tehtävän esittäminen matemaattisesti todellisuuden approksimointi Mallin numeerinen esitys käyttäen simulaattoria tai muuta mallinnustyökalua mahdollistaa numeerisen simuloinnin kiinnitetyillä muuttujien arvoilla Erittäin tärkeää luotettavien tulosten saamiseksi!
124 Tehtävän mallinnus projektissa Tehtävän mallinnuksesta vastasi puhdistamojen suunnittelun asiantuntija Pöyryllä kokemusta simuloinnista muttei monitavoiteoptimoinnista Mallinnukseen käytettiin kaupallista prosessisimulaattoria (GPS-X) Kaksi tapausta: yksinkertainen ja monimutkaisempi
125 GPS-X Kaupallinen prosessisimulaattori, kehitetty erityisesti jätevedenpuhdistuksen simulointiin myyjä Kanadalainen Hydromantis Pöyry käyttää simulaattoria suunnittelussa valmistajan tekninen tuki saatavilla 1 lisenssi n. 17k$, akateeminen lisenssi 2k$ sisältää vuoden teknisen tuen ja päivitykset Pöyryltä JY:lle lisenssi projektin ajaksi
126 Screenshot GPS-X
127 Case 1: Aktiivilieteprosessi
128 Case 1: Aktiivilieteprosessi Nitrifioiva aktiivilieteprosessi Prosessissa ammonium vety (ammonium nitrogen) hapettuu nitraatiksi (nitrate nitrogen) biokemiallisessa reaktiossa Tarkasteltava jätevesi vastaa tyypillistä suomalaista mekaanisesti ja kemiallisesti esikäsiteltyä kunnallista jätevettä 1 simulaatio vie n. 5 sekuntia
129 Case 2: Toiminta-asetusten optimointi
130 Case 2: Toiminta-asetusten optimointi Malli kuvaa modernia puhdistamoa (kemiallinen ja biokemiallinen puhdistus) esikäsittely (hiekan poisto, kiinteän aineen erotus) typen poisto (nitrifioiva ASP) lietteen käyminen (hiilen lähde denitrifikaatioon) lietteen anaerobinen mädätys (biokaasua sähkön tai lämmön tuottoon) ylijäämäliete ja lietteen käsittelyn hylky kierrätetään sekoittamalla tulevaan jäteveteen 1 simulaatio vie n. 11 sekuntia
131 2. Optimointitehtävän muotoilu Optimoinnin tarkoitus tulee olla selvä mitä oikeasti halutaan? Tavoitteiden/objektifunktioiden määrittely Muuttujien valinta ja rajojen asettaminen pyritään rajaamaan kiinnostava alue Rajoitteiden määrittely Optimoinnin ja sovellusalan asiantuntijoiden yhteistyötä
132 Jätevedenpuhdistamon suunnittelu Perinteisesti WWTP on suunniteltu vertaamalla muutamia prosessivaihtoehtoja käyttäen simulointia ja insinööritietämystä tai käyttäen yksitavoitteista optimointia, missä kokonaiskustannukset on minimoitu muuttamalla kaikki tavoitteet rahaksi Heikkoudet ensimmäinen tapa ei ole systemaattinen toinen piilottaa tavoitteiden keskinäiset riippuvuudet ja sisältää epävarmuuksia Ainoastaan 2 artikkelia, joissa monitavoiteoptimointia käytetty; ei interaktiivisia lähestymistapoja
133 Optimointitehtävän muotoilu projektissa Optimointitehtävät muotoiltiin yhteistyössä Pöyryn asiantuntijan kanssa Molemmille tapauksille selvät tavoitteet Muuttujien vaihteluvälejä säädettiin projektin kuluessa realistisempi alue, tehostaa optimointia
134 Case 1: Aktiivilieteprosessi Biokemialliset reaktiot käyttävät paljon happea ja alkaliteettia Happea tuotetaan ilmastuskompressoreilla ja alkaliteettia saadaan käsiteltävän jäteveden lisäksi lisäämällä kemikaaleja Ilmastus kuluttaa paljon energiaa ja kemikaalit maksavat Biomassan konsentraatio tulisi pitää mahdollisimman alhaalla (prosessi toimii paremmin)
135 Case 1: Aktiivilieteprosessi Kolme (ristiriitaista) minimoitavaa objektifunktiota ammoniumtypen määrä vedessä käytetyn alkaliteettikemikaalin määrä ilmastuksen kuluttama energia Kolme päätösmuuttujaa biomassan konsentraatio käytetyn alkaliteettikemikaalin määrä O 2 -konsentraatio reaktorin viimeisessä osassa Rajoite: puhdistetun jäteveden alkaliteetti tulee olla annetuissa rajoissa (ala- ja yläraja)
136 Case 2: Toiminta-asetusten optimointi Kokonaistavoite on minimoida typen määrä puhdistetussa jätevedessä ja minimoida käyttökustannukset Käyttökustannukset koostuvat 4 eri objektifunktiosta minimoi ilmastuksen tarve aktiivilieteprosessissa minimoi ylimääräisen hiilen lähteen käyttö denitrifikaatiossa minimoi ylimääräisen lietteen tuotto maksimoi biokaasun tuotto yhteensä 5 objektifunktiota
137 Case 2: Toiminta-asetusten optimointi Viisi ristiriitaista objektifunktiota Neljä päätösmuuttujaa fermentointiin menevän lietteen pumppaus ylimääräisen lietteen pumppaus O 2 -konsentraatio valitussa reaktorin osassa lisä hiilenlähteen käyttö (metanoli) Rajoitteita (ala- ja ylärajat) puhdistetun veden ammonium pitoisuudelle biomassan konsentraatiolle kokonaistypenpoistolle (%)
138 3. Soveltuvan optimointiohjelmiston valinta Mitä tehtävän luonteesta tiedetään? Onko gradientteja saatavilla? Onko tehtävä mahdollisesti epäkonveksi? Onko funktioiden arvojen laskeminen (=tehtävän simulointi) aikaa vievää? Useita tavoitteita, onko päätöksentekijä käytettävissä?
139 Simulaatiopohjainen optimointi Suljettu (Black-box) ensin simuloidaan, sitten optimoidaan optimoija kutsuu simulaattoria, aina steady-state ratkaisu (kaikki rajoitteet toteutuvat) aikaavievä, ei vaadi juurikaan tietoa optimoitavasta mallista Avoin samanaikainen simulointi ja optimointi hyödynnetään tietoa optimoitavasta prosessista steady-state (kaikki rajoitteet toteutuvat) vasta optimaalisen ratkaisun löytyessä
140 Optimoinnin haasteet Puhdistamon suunnittelutehtävän ominaisuuksia simulaatiopohjainen (usein black-box) ei gradientteja saatavilla laskennallisesti vaativa (simulointi vie aikaa) sisältää jatkuvia muuttujia ja epälineaarisia funktioita tulee ottaa huomioon useita näkökulmia (monitavoitteinen) vaatii insinööritietämystä (päätöksentekijä) Tarvitaan tehokkaita optimointityökaluja päätöksenteon tueksi
141 Projektissa käytetyt työkalut Käytettiin interaktiivista lähestymistapaa Prosessi mallinnettiin käyttäen GPS-X prosessisimulaattoria GPS-X kytkettiin IND-NIMBUS optimointiohjelmistoon yksitavoitteisessa optimoinnissa käytettiin globaalin optimoinnin menetelmiä Päätöksentekijä oli asiantuntija puhdistamojen suunnittelussa
142 IND-NIMBUS Interaktiivisen NIMBUS-menetelmän toteutus
143 4. Optimointiohjelmiston ja mallinnustyökalun kytkeminen Mitä ohjelmistoja on saatavilla? optimointimenetelmien eri toteutukset Mitä tietoa ohjelmistojen välillä pitää kulkea? Mitkä ovat rajapinnat? rajapintojen muokkausmahdollisuus auttaa kaupallisten mallinnustyökalujen kytkeminen usein hankalaa, ei mahdollista vaikuttaa rajapintaan Kokonaisuuden testaaminen kytkemisen jälkeen ennen optimointia esim. yksinkertaisilla tehtävillä
144 Kytkeminen projektissa Käytössä kaupallinen simulaattori (GPS-X) ja JY:ssä kehitetty optimointityökalu (IND- NIMBUS) Mahdollisuus vaikuttaa ainoastaan optimointiohjelmiston rajapintaan Simulaattorin rajapinnasta ja sen käytöstä tietoa tekniseltä tuelta
145 Kytkeminen projektissa Simulaattori tekee mallista suoritettavan tiedoston (.exe) Input simulaattorille komentojonotiedosto (.cmd), joka lukee muuttujien arvot tekstitiedostosta komentojonotiedostolle oma formaatti Output simulaattorille tekstitiedosto sisältäen simuloidut arvot
146 Kytkeminen projektissa Optimoija haluaa laskea funktioiden arvot (objektit ja rajoitteet) tietyillä muuttujien arvoilla muuttujien arvot kirjoitetaan tekstitiedostoon (values.in) simulointi käynnistetään suorittamalla simulointi systeemikutsuna simulaattori lukee muuttujien arvot ja suorittaa simuloinnin tulokset kirjoitetaan tekstitiedostoon (values.out) optimoija lukee simuloidut arvot tiedostosta
147 5. Optimointi ja saadun ratkaisun analysointi Sopivien parametrien määrittäminen (mallinnustyökalu, optimointiohjelmisto) Sovellusalan ammattilaisen hyödyntäminen (mm. päätöksentekijänä) Tehtävän käyttäytymisestä oppiminen Optimointia voidaan myös käyttää mallin testaamisessa Analysoi ja varmista saatujen tulosten järkevyys (yhdessä ammattilaisen kanssa)
148 Päätöksentekoprosessi Voidaan jakaa kahteen osaan oppimisvaihe päätösvaihe Interaktiivisessa monitavoiteoptimoinnissa oppimisvaiheessa tutustutaan tehtävän käyttäytymiseen antamalla eri preferenssejä ja arvioidaan näiden pohjalta tuotettuja ratkaisuja nähdään mitä voidaan saavuttaa, mitkä ovat kiinnostavia alueita PO joukossa päätösvaiheessa haetaan paras kompromissi kiinnostavalta alueelta tarkennetuilla preferensseillä
149 Case 1: Aktiivilieteprosessi
150 Case 1: Aktiivilieteprosessi Kaikkiaan laskettiin 11 PO ratkaisua Viisi näistä oli käytännössä relevanttia (eli nitrifiointi toimii) Pienimmän ammoniumnitraatti pitoisuuden ratkaisu käytti liian paljon energiaa ja kemikaaleja antamatta riittävää parannusta veden laatuun Jäljelle jäävät 4 ratkaisua olivat käytännössä yhtä hyviä energian ja kemikaalien kulutuksen suhteen (mikä tahansa voitaisiin valita) Näistä valittiin ratkaisu, jossa biomassan konsentraatio oli pienin parempi prosessin käytettävyys
151 Case 1: Aktiivilieteprosessi Hakanen, Miettinen & Sahlstedt, Wastewater Treatment: New Insight Provided by Interactive Multiobjective Optimization, Decision Support Systems, To appear
152 Case 2: Toiminta-asetusten optimointi
153 Case 2: Toiminta-asetusten optimointi Alussa DM käytti insinööritietoon perustuvia arvoja tavoitteille ( alustava referenssipiste ) DM pystyi tutkimaan käyttökustannusten välisiä riippuvuuksia (4 eri objektifunktiota) Kaikkiaan laskettiin 10 PO ratkaisua Kokeiltiin IND-NIMBUkSen tarjoamia eri (globaaleja) yksitavoiteoptimoijia Paras kompromissi antoi selvästi paremmat arvot kolmelle objektifunktiolle (11, 15 and 45%) ja vain vähän huonommat arvot muille kahdelle (13 and 7%) verrattuna insinööritietoon Selkein parannus saatiin kemikaalien kulutuksessa
154 Case 2: Toiminta-asetusten optimointi Sahlstedt, Hakanen & Miettinen, Interactive Multiobjective Optimization in Wastewater Treatment Plant Operation and Design, In Proceedings of ECWATECH 2010, IWA Specialist Conference: Water and Wastewater Treatment Plants in Towns and Communities of the XXI Century: Technologies, Design and Operation, Moscow, Russia
155 MO kirjallisuutta esim. V. Changkong & Y. Haimes, Multiobjective Decision Making: Theory and Methodology (1983) Y. Sawaragi, H. Nakayama & T. Tanino, Theory of Multiobjective Optimization (1985) R.E. Steuer, Multiple Criteria Optimization: Theory, Computation and Applications (1986) K. Miettinen, Nonlinear Multiobjective Optimization (1999) K. Deb, Multi-Objective Optimization Using Evolutionary Algorithms (2001)
156 MO kirjallisuutta esim. M. Ehrgott, Multicriteria Optimization (2005) J. Branke, K. Deb, K. Miettinen & R. Slowinski (eds): Multiobjective Optimization: Interactive and Evolutionary Approaches (2008) G.P. Rangaiah (editor), Multi-Objective Optimization: Techniques and Applications in Chemical Engineering (2009) E. Talbi, Metaheuristics: from Design to Implementation (2009)
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 PO pisteiden määräämismenetelmät Idea: tuotetaan erilaisia PO ratkaisuita, joista
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Käytännön optimointiongelmien ratkaiseminen Käytännön optimointiongelmien ratkaiseminen
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Monitavoiteoptimointi Mitä monitavoitteisuus tarkoittaa? Halutaan saavuttaa
LisätiedotTIES483 Epälineaarinen optimointi
TIES483 Epälineaarinen optimointi Käytännön optimointiongelmien ratkaiseminen jussi.hakanen@jyu.fi Syksy 2012 Käytännön optimointiongelmien ratkaiseminen Käytännössä tulee kiinnittää huomiota ainakin seuraaviin
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Optimaalisuus: objektiavaruus f 2 min Z = f(s) Parhaat arvot alhaalla ja vasemmalla
LisätiedotTIES483 Epälineaarinen optimointi
TIES483 Epälineaarinen optimointi Käytännön optimointiongelmien ratkaiseminen jussi.hakanen@jyu.fi Syksy 2012 Käytännön optimointiongelmien ratkaiseminen Käytännössä tulee kiinnittää huomiota ainakin seuraaviin
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Tasaväliset PO pisteet? Painokerroinmenetelmä: muutetaan painoja systemaattisesti
LisätiedotTIES483 Epälineaarinen optimointi. Syksy 2012
TIES483 Epälineaarinen optimointi jussi.hakanen@jyu.fi Syksy 2012 Yleistä Tietotekniikan syventävä kurssi, 5 op Pakollinen laskennallisten tieteiden FMopinnoissa (ent. simulointi ja optimointi) https://korppi.jyu.fi/kotka/r.jsp?course=134562
LisätiedotMonitavoiteoptimointi
Monitavoiteoptimointi Useita erilaisia tavoitteita, eli useita objektifunktioita Tavoitteet yleensä ristiriitaisia ja yhteismitattomia Optimaalisuus tarkoittaa yleensä eri asiaa kuin yksitavoitteisessa
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 NSGA-II Non-dominated Sorting Genetic Algorithm (NSGA) Ehkä tunnetuin EMO-menetelmä
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Evoluutiopohjainen monitavoiteoptimointi MCDM ja EMO Monitavoiteoptimointi kuuluu
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Käytännön optimointiongelmien ratkaiseminen Käytännön optimointiongelmien ratkaiseminen
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Montavoteoptmont ja teollsten prosessen hallnta Ylassstentt Juss Hakanen juss.hakanen@jyu.f syksy 2010 Interaktvset menetelmät Idea: päätöksentekjää hyödynnetään aktvsest ratkasuprosessn akana
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Yleistä https://korppi.jyu.fi/kotka/r.jsp?course=96762 Sisältö Johdanto yksitavoitteiseen
LisätiedotLuento 6: Monitavoiteoptimointi
Luento 6: Monitavoiteoptimointi Monitavoiteoptimointitehtävässä on useita optimoitavia kohdefunktioita eli ns kriteereitä: f 1,, f m Esimerkiksi opiskelija haluaa oppia mahdollisimman hyvin ja paljon mahdollisimman
LisätiedotTIEA382 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/
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.
Lisätiedotmonitavoitteisissa 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
LisätiedotLuento 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
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
LisätiedotMonitavoiteoptimoinnin ja erityisesti NIMBUS-menetelmän hyödyntäminen monitavoitteisessa päätöksenteossa.
Monitavoiteoptimoinnin ja erityisesti NIMBUS-menetelmän hyödyntäminen monitavoitteisessa päätöksenteossa. Ellemari Teinilä Pro gradu -tutkielma Heinäkuu 2019 MATEMATIIKAN JA TILASTOTIETEEN LAITOS TURUN
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
Lisätiedot1 Kertaus. Lineaarinen optimointitehtävä on muotoa:
1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n
LisätiedotLineaaristen monitavoiteoptimointitehtävien
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Jerri Nummenpalo 17.09.2012 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
LisätiedotMat Optimointiopin seminaari
Lähde: Preferenssi-informaatio DEA-malleissa: Value Efficiency Analysis (VEA) -menetelmä Mat-2.4142 Optimointiopin seminaari 23.3.2011 Halme, M., Joro, T., Korhonen, P., Wallenius, J., 1999. A Value Efficiency
LisätiedotHarjoitus 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
LisätiedotMiksi kompromissi on parempi kuin optimi? Uusia monitavoiteoptimoinnin menetelmiä päätöksentekoon
Miksi kompromissi on parempi kuin optimi? Uusia monitavoiteoptimoinnin menetelmiä päätöksentekoon Kaisa Miettinen Johdantoa optimointiin Optimointi tarkoittaa systemaattisia tapoja taata parhaan mahdollisen
LisätiedotLuento 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
LisätiedotParempaa äänenvaimennusta simuloinnilla ja optimoinnilla
Parempaa äänenvaimennusta simuloinnilla ja optimoinnilla Erkki Heikkola Numerola Oy, Jyväskylä Laskennallisten tieteiden päivä 29.9.2010, Itä-Suomen yliopisto, Kuopio Putkistojen äänenvaimentimien suunnittelu
LisätiedotKimppu-suodatus-menetelmä
Kimppu-suodatus-menetelmä 2. toukokuuta 2016 Kimppu-suodatus-menetelmä on kehitetty epäsileiden optimointitehtävien ratkaisemista varten. Menetelmässä approksimoidaan epäsileitä funktioita aligradienttikimpulla.
LisätiedotMat Optimointiopin seminaari kevät Monitavoiteoptimointi. Tavoitteet
Mat-2.142 Optimointiopin seminaari kevät 2000 Monitavoiteoptimointi Optimointiopin seminaari - Kevät 2000 / 1 Tavoitteet Monitavoitteisten optimointitehtävien ratkaisukäsitteet ja soveltamismahdollisuudet
LisätiedotMonitavoitteiseen optimointiin soveltuvan evoluutioalgoritmin tarkastelu
Monitavoitteiseen optimointiin soveltuvan evoluutioalgoritmin tarkastelu (Valmiin työn esittely) 11.4.2011 Ohjaaja: Ville Mattila Valvoja: Raimo Hämäläinen Työn tavoite Tutkia evoluutioalgoritmia (Lee
LisätiedotLineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla Juho Andelmin 21.01.2013 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Raimo P. Hämäläinen Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotMatemaattinen optimointi I -kurssin johdantoluento Prof. Marko M. Mäkelä Turun yliopisto Matematiikan ja tilastotieteen laitos
Matemaattinen optimointi I -kurssin johdantoluento 10.1.2017 Prof. Marko M. Mäkelä Turun yliopisto Matematiikan ja tilastotieteen laitos Optimointi: Parhaan mahdollisen ratkaisun etsimistä sallituissa
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 3. luento 17.11.2017 Neuroverkon opettaminen (ohjattu oppiminen) Neuroverkkoa opetetaan syöte-tavoite-pareilla
LisätiedotJoonas Haapala Ohjaaja: DI Heikki Puustinen Valvoja: Prof. Kai Virtanen
Hävittäjälentokoneen reitin suunnittelussa käytettävän dynaamisen ja monitavoitteisen verkko-optimointitehtävän ratkaiseminen A*-algoritmilla (valmiin työn esittely) Joonas Haapala 8.6.2015 Ohjaaja: DI
LisätiedotOPTIMOINNIN JA PÄÄTÖKSENTEON MAISTERI- KOULUTUS (OPTI)
OPTIMOINNIN JA PÄÄTÖKSENTEON MAISTERI- KOULUTUS (OPTI) 24.10.2013 JYVÄSKYLÄN YLIOPISTO INFORMAATIOTEKNOLOGIAN TIEDEKUNTA 2013 1. AJANKOHTAISUUS Kilpailu kiristyy kaikilla elämänalueilla koko ajan asiat
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2
LisätiedotKandidaatintyön esittely: Epätäydellisen preferenssi-informaation huomioon ottavien päätöksenteon tukimenetelmien vertailu
Kandidaatintyön esittely: Epätäydellisen preferenssi-informaation huomioon ottavien päätöksenteon tukimenetelmien vertailu Vilma Virasjoki 19.11.2012 Ohjaaja: DI Jouni Pousi Valvoja: Professori Raimo P.
LisätiedotLineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla Juho Andelmin 21.1.213 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Raimo P. Hämäläinen Työn saa tallentaa ja julkistaa Aalto-yliopiston
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
LisätiedotMALLIT VESIJÄRJESTELMIEN TUTKIMUKSESSA
MALLIT VESIJÄRJESTELMIEN TUTKIMUKSESSA Hannu Poutiainen, FT PUHDAS VESI JA YMPÄRISTÖ TUTKIMUSAVAUKSIA MAMKISSA Mikpoli 8.12.2016 Mitä mallit ovat? Malli on arvioitu kuvaus todellisuudesta joka on rakennettu
LisätiedotYhden muuttujan funktion minimointi
Yhden muuttujan funktion minimointi Aloitetaan yhden muuttujan tapauksesta Tarpeellinen myös useamman muuttujan tapauksessa Tehtävä on muotoa min kun f(x) x S R 1 Sallittu alue on muotoa S = [a, b] tai
LisätiedotReferenssipiste- ja referenssisuuntamenetelmät
Referenssipiste- ja referenssisuuntamenetelmät Optimointiopin seminaari - Kevät 2000 / 1 Esitelmän sisältö Menetelmien ideat Menetelmien soveltaminen Menetelmien ominaisuuksia Optimointiopin seminaari
LisätiedotEpätäydellisen preferenssi-informaation huomioon ottavien päätöksenteon tukimenetelmien vertailu (aihe-esittely)
Epätäydellisen preferenssi-informaation huomioon ottavien päätöksenteon tukimenetelmien vertailu (aihe-esittely) Vilma Virasjoki 23.01.2012 Ohjaaja: Jouni Pousi Valvoja: Raimo P. Hämäläinen Työn saa tallentaa
LisätiedotAircraft Maintenance Scheduling with Multi- Objective Simulation- Optimization
Aircraft Maintenance Scheduling with Multi- Objective Simulation- Optimization 7.5.2011 Ohjaaja: Ville Mattila Valvoja: Raimo Hämäläinen Tausta Ilmavoimilla tärkeä rooli maanpuolustuksessa Rauhan aikana
LisätiedotÄÄNENVAIMENTIMIEN MALLINNUSPOHJAINEN MONITAVOITTEINEN MUODONOPTIMOINTI 1 JOHDANTO. Tuomas Airaksinen 1, Erkki Heikkola 2
ÄÄNENVAIMENTIMIEN MALLINNUSPOHJAINEN MONITAVOITTEINEN MUODONOPTIMOINTI Tuomas Airaksinen 1, Erkki Heikkola 2 1 Jyväskylän yliopisto PL 35 (Agora), 40014 Jyväskylän yliopisto tuomas.a.airaksinen@jyu.fi
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 3.2.27 Tehtävä. Valmisohjelmistolla voidaan ratkaista tehtävä min c T x s. t. Ax b x, missä x, c ja b R n ja A R m n. Muunnetaan tehtävä max x + 2x 2 + 3x 3 + x s. t. x + 3x 2 + 2x
LisätiedotOptimointi. 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,...,
Lisätiedot1. 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
LisätiedotJYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö
JYVÄSKYLÄN YLIOPISTO 3. Luennon sisältö Lineaarisen optimointitehtävän sallittu alue Optimointitehtävien muunnoksia Lineaarisen yhtälöryhmän perusmuoto ja perusratkaisut Lineaarisen optimointitehtävän
LisätiedotHarjoitus 3 (31.3.2015)
Harjoitus (..05) Tehtävä Olkoon kaaren paino c ij suurin sallittu korkeus tieosuudella (i,j). Etsitään reitti solmusta s solmuun t siten, että reitin suurin sallittu korkeus pienimmillään olisi mahdollisimman
LisätiedotMonte Carlo -menetelmä optioiden hinnoittelussa (valmiin työn esittely)
Monte Carlo -menetelmä optioiden hinnoittelussa (valmiin työn esittely) 17.09.2015 Ohjaaja: TkT Eeva Vilkkumaa Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
LisätiedotVastepintamenetelmä. Kuusinen/Heliövaara 1
Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,
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 }{{}
Lisätiedot1 Johdanto LP tehtävän luonteen tarkastelua Johdanto herkkyysanalyysiin Optimiarvon funktio ja marginaalihinta
Sisältö Johdanto 2 LP tehtävän luonteen tarkastelua 3 Johdanto herkkyysanalyysiin 5 2 Optimiarvon funktio ja marginaalihinta 5 3 Johdanto duaaliteoriaan 6 2 LP-tehtävän standardimuoto 9 Johdanto Optimoinnista
LisätiedotLentotiedustelutietoon perustuva tykistön tulenkäytön optimointi (valmiin työn esittely)
Lentotiedustelutietoon perustuva tykistön tulenkäytön optimointi (valmiin työn esittely) Tuukka Stewen 1.9.2017 Ohjaaja: DI Juho Roponen Valvoja: prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotTalousmatematiikan 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,
LisätiedotLineaarinen optimointitehtävä
Lineaarinen optimointitehtävä min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2. a m1 x 1 + a m2 x 2 + + a mn x n b m x 1, x 2,..., x n 0 1
LisätiedotA 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 =
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,
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I G. Gripenberg Aalto-yliopisto 21. tammikuuta 2016 G. Gripenberg (Aalto-yliopisto) MS-A0207 Differentiaali- ja integraalilaskenta
LisätiedotMat Työ 1: Optimaalinen lento riippuliitimellä
Mat-2.132 Työ 1: Optimaalinen lento riippuliitimellä Miten ohjaan liidintä, jotta lentäisin mahdollisimman pitkälle?? 1 työssä Konstruoidaan riippuliitimen malli dynaamisen systeemin tilaesitys Simuloidaan
LisätiedotLineaarisen kokonaislukuoptimointitehtävän ratkaiseminen
Lineaarisen kokonaislukuoptimointitehtävän ratkaiseminen Jos sallittuja kokonaislukuratkaisuja ei ole kovin paljon, ne voidaan käydä kaikki läpi yksitellen Käytännössä tämä ei kuitenkaan ole yleensä mahdollista
LisätiedotJäteveden ravinteet ja kiintoaine kiertoon viirasuodattimella. Asst.Prof. (tenure track) Marika Kokko
Jäteveden ravinteet ja kiintoaine kiertoon viirasuodattimella Asst.Prof. (tenure track) Marika Kokko marika.kokko@tuni.fi ProRavinne -hanke Projektin tavoite: Kehitetään jäteveden ja biojätteen käsittelyprosesseja
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
LisätiedotKognitiivinen mallintaminen Neuraalimallinnus, luento 1
Kognitiivinen mallintaminen Neuraalimallinnus, luento 1 Nelli Salminen nelli.salminen@helsinki.fi D433 Neuraalimallinnuksen osuus neljä luentokertaa, muutokset alla olevaan suunnitelmaan todennäköisiä
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 5 2.2.28 Tehtävä a) Tehtävä voidaan sieventää muotoon max 5x + 9x 2 + x 3 s. t. 2x + x 2 + x 3 x 3 x 2 3 x 3 3 x, x 2, x 3 Tämä on tehtävän kanoninen muoto, n = 3 ja m =. b) Otetaan
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
LisätiedotKon Konepajojen tuotannonohjaus: ILOG CPLEX Studion käyttö
Kon-15.4199 Konepajojen tuotannonohjaus: ILOG CPLEX Studion käyttö 22.1.2016 Harjoituksessa 1. Varmistetaan että kaikilla on pari! Ilmoittautukaa oodissa etukäteen! 2. Tutustutaan ensimmäiseen tehtävään
LisätiedotArkkitehtuurien tutkimus Outi Räihä. OHJ-3200 Ohjelmistoarkkitehtuurit. Darwin-projekti. Johdanto
OHJ-3200 Ohjelmistoarkkitehtuurit 1 Arkkitehtuurien tutkimus Outi Räihä 2 Darwin-projekti Darwin-projekti: Akatemian rahoitus 2009-2011 Arkkitehtuurisuunnittelu etsintäongelmana Geneettiset algoritmit
LisätiedotKokonaislukuoptimointi
Kokonaislukuoptimointi Optimointitehtävät, joissa muuttujat tai osa niistä voivat saada vain kokonaislukuarvoja Puhdas kokonaislukuoptimointitehtävä: Kaikki muuttujat kokonaislukuja Sekoitettu kokonaislukuoptimointitehtävä:
LisätiedotKaksiluokkainen tapaus, lineaarinen päätöspinta, lineaarisesti erottuvat luokat
1 Tukivektoriluokittelija Tukivektorikoneeseen (support vector machine) perustuva luoikittelija on tilastollisen koneoppimisen teoriaan perustuva lineaarinen luokittelija. Perusajatus on sovittaa kahden
Lisätiedot2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio
x = x 2 = 5/2 x 3 = 2 eli Ratkaisu on siis x = (x x 2 x 3 ) = ( 5/2 2) (Tarkista sijoittamalla!) 5/2 2 Tämä piste on alkuperäisten tasojen ainoa leikkauspiste Se on myös piste/vektori jonka matriisi A
LisätiedotStokastinen 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
Lisätiedot4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä
JYVÄSKYLÄN YLIOPISTO 4. Luennon sisältö Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä kevät 2012 TIEA382 Lineaarinen ja diskreetti optimointi Lineaarinen optimointitehtävä Minimointitehtävä
LisätiedotHarjoitus 3 (3.4.2014)
Harjoitus 3 (3..) Tehtävä Olkoon kaaren paino c ij suurin sallittu korkeus tieosuudella (i, j). Etsitään reitti solmusta s solmuun t siten, että reitin suurin sallittu korkeus pienimmillään olisi mahdollisimman
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
LisätiedotDynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II
Dynaamisten systeemien teoriaa Systeemianalyysilaboratorio II 15.11.2017 Vakiot, sisäänmenot, ulostulot ja häiriöt Mallin vakiot Systeemiparametrit annettuja vakioita, joita ei muuteta; esim. painovoiman
LisätiedotTeollinen optimointi: avain yritysten kilpailukykyyn
Teollinen optimointi: avain yritysten kilpailukykyyn Professori Kaisa Miettinen, JY, virkaanastujaisesitelmä 14.5.2008 Johdattelu optimointiin Teollinen optimointi viittaa optimoinnin soveltamiseen erityisesti
LisätiedotProjektiportfolion 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
LisätiedotJOHDANTO PERUSTIETOA MBR- TEKNIIKASTA
JOHDANTO PERUSTIETOA MBR- TEKNIIKASTA Membraanibioreaktori Aktiivilieteprosessi Membraanisuodatus CAS + = Jätevedenkäsittely (orgaanisten partikkeleiden pilkkoutuminen) tehdään aktiivilieteprosessissa
LisätiedotIlmastuksen energiankulutuksen ja typenpoiston optimointi Turun Kakolanmäen jätevedenpuhdistamolla
Ilmastuksen energiankulutuksen ja typenpoiston optimointi Turun Kakolanmäen jätevedenpuhdistamolla Envieno, Turun seudun puhdistamo Oy, Esa Malmikare Jouko Tuomi Vesihuolto 2015 KAKOLANMÄEN JÄTEVEDENPUHDISTAMO
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
LisätiedotAntti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Antti Rasila Matematiikan ja systeemianalyysin laitos
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
LisätiedotLentotuhkan hyödyntämisen mahdollisuudet metsäteollisuuden jätevesien käsittelyssä
Lentotuhkan hyödyntämisen mahdollisuudet metsäteollisuuden jätevesien käsittelyssä Sakari Toivakainen RAE-projekti, RAKEISTAMINEN AVARTAA EKOLOGISUUTTA MINISEMINAARI 16.10.2014, Oulu. Clean Technologies
LisätiedotReaalilukuvälit, leikkaus ja unioni (1/2)
Luvut Luonnolliset luvut N = {0, 1, 2, 3,... } Kokonaisluvut Z = {..., 2, 1, 0, 1, 2,... } Rationaaliluvut (jaksolliset desimaaliluvut) Q = {m/n m, n Z, n 0} Irrationaaliluvut eli jaksottomat desimaaliluvut
LisätiedotTalousmatematiikan 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,
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
LisätiedotNumeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden
LisätiedotAlgoritmit 1. Luento 10 Ke Timo Männikkö
Algoritmit 1 Luento 10 Ke 14.2.2018 Timo Männikkö Luento 10 Algoritminen ongelmanratkaisu Suunnittelumenetelmät Raaka voima Järjestäminen eli lajittelu Kuplalajittelu Lisäyslajittelu Valintalajittelu Permutaatiot
LisätiedotHarjoitus 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
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
LisätiedotTTY Porin laitoksen optimointipalvelut yrityksille
TTY Porin laitoksen optimointipalvelut yrityksille Timo Ranta, TkT Frank Cameron, TkT timo.ranta@tut.fi frank.cameron@tut.fi Automaation aamukahvit 28.8.2013 Optimointi Tarkoittaa parhaan ratkaisun valintaa
LisätiedotData Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä
Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä Mat-2.4142 Optimointiopin seminaari kevät 2011 Esityksen rakenne I osa Tehokkuudesta yleisesti DEA-mallin perusajatus CCR-painotus II osa
LisätiedotLineaarisen ohjelman määritelmä. Joonas Vanninen
Lineaarisen ohjelman määritelmä Joonas Vanninen Sisältö Yleinen optimointitehtävä Kombinatorinen tehtävä Optimointiongelman tapaus Naapurusto Paikallinen ja globaali optimi Konveksi optimointitehtävä Lineaarinen
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
LisätiedotSimulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen
Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen 16.06.2014 Ohjaaja: Urho Honkanen Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotEi ole olemassa jätteitä, on vain helposti ja hieman hankalammin uudelleen käytettäviä materiaaleja
Jätehuolto Ei ole olemassa jätteitä, on vain helposti ja hieman hankalammin uudelleen käytettäviä materiaaleja Jätteiden käyttötapoja: Kierrätettävät materiaalit (pullot, paperi ja metalli kiertävät jo
Lisätiedot