Dynaaminen ohjelmointi ja vaikutuskaaviot
|
|
- Jaana Pääkkönen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Teknillinen Korkeakoulu / Ssteemianalsin laboratorio Mat-2.42 Optimointiopin seminaari / Referaatti esitelmästä Sami Mllmäki Dnaaminen ohjelmointi ja vaikutuskaaviot
2 OHDANTO Dnaamiset ohjelmointitehtävät ratkaistaan leensä rekursiivisten htälöien avulla, jolloin itse tehtävän mmärtäminen saattaa heikentä monimutkaisten matemaattisten formulointien takia. Tämän vuoksi on naamisille ongelmille pritt kehittämään mahollisimman havainnollista esitstapaa siten, että saataisiin esille tehtävän luonne ilman matemaattisten lausekkeien eksplisiittistä esittämistä. Motivaationa havainnollisuuen kehittämiselle voiaan pitää niitä useita naamiseen ohjelmoitiin perustuvia päätöksenteko-ongelmia, joissa itse päätöksentekijät eivät välttämättä hallitse prosessiin liittviä matemaattisia operaatioita. Esitelmässä, jonka pohjalta tämä referaatti on kirjoitettu, käsiteltiin sellaisten naamisten ongelmien havainnollistamista, joien arvofunktiot ovat separoituvia. Havainnollistaminen tehään muokkaamalla perinteistä vaikutuskaaviota siten, että arvofunktion separoituvaa luonnetta voiaan kättää hväksi. Tällaisen vaikutuskaavion muoostamismenetelmät on esitett kappaleessa 2. Samaisessa kappaleessa on määritelt mös arvofunktion separoituvuus. Kappaleessa 3 on kät läpi muoostetun vaikutuskaavion ratkaisemiseen tarvittavat säännöt. Varsinainen ratkaisualgoritmi on nähtävissä joko lähteestä [] tai aiheesta pietn esitelmän kalvoista. Viimeisenä on hteenveto sekä joitakin pohintoja ja sovelluksia kseiseen aiheeseen liitten. Esitelmän ja siten mös tämän referaatin lähteenä on kätett oseph A. Tatmanin ja Ross D. Shachterin artikkelia Dnamic Programming an Influence Diagrams []. 2 VAIKUTUSKAAVION MUODOSTAMINEN SUPERARVOSOLMUEN AVULLA Vaikutuskaaviota muoostettaessa on oletettu, että kätetllä arvofunktiolla on separoituva luonne. Tässä esitelt vaikutuskaaviomalli ei siis päe leisesti naamisiin ohjelmointitehtäviin, vaan ainoastaan silloin, kun separoituvuus on voimassa. Arvofunktio g() on separoituva, jos se voiaan esittää summana tai tulona seuraavasti: q g( ) = g i ( i ) tai g( ) = g i ( i ). () i= q i= Kun arvofunktio on separoituva, voiaan kokonaisarvo esittää usean arvosolmun avulla, jolloin kokonaisarvo on näien arvosolmuista saatavien arvojen summa (tai tulo). otta separoituvuus voiaan esittää eksplisiittisesti vaikutuskaaviossa, on määriteltävä seuraavat arvosolmut:. Summasolmu: os arvosolmun r, jonka eeltäjiä ovat arvosolmut r, r 2,, r n, arvo voiaan esittää muoossa [ r r,..., rn ] = g( r,..., rn ) = r +... rn E +, (2) niin r on summasolmu. 2. Tulosolmu: os arvosolmun r, jonka eeltäjiä ovat arvosolmut r, r 2,, r n, arvo voiaan esittää muoossa E [ r r,..., rn ] = h( r,..., rn ) = r... rn, (3)
3 niin r on tulosolmu. Näitä arvosolmuja kutsutaan leisesti nimellä superarvosolmut (super value noes). Superarvosolmun eeltäjät ovat siis aina joko tavallisia arvosolmuja tai superarvosolmuja. Superarvosolmujen avulla voiaan arvofunktion separoituva luonne esittää vaikutuskaaviossa. Tästä on piirrett esimerkki kuvaan. [,,, ] = E[ u, ] + E[ r ] E[ s ] E, u w u Σ s Π w r Σ Kuva. Separoituvan arvofunktion esittäminen vaikutuskaaviossa superarvosolmujen avulla. os tehtävän arvofunktio on separoituva, voiaan tämä ominaisuus siis esittää vaikutuskaaviossa superarvosolmuilla. Tällöin on mös olemassa menetelmä vaikutuskaavion ratkaisemiseksi. Vaikutuskaavion ratkaisumenetelmä solmujen poistamissääntöineen on esitelt seuraavassa kappaleessa. 3 VAIKUTUSKAAVION RATKAISUMENETELMÄ Superarvosolmuja sisältävälle vaikutuskaaviolle voiaan muoostaa sellainen ratkaisualgoritmi, että tehtävä saaaan aina reusoitua hestä arvosolmusta muoostuvaksi vaikutuskaavioksi. Tätä varten on seuraavassa esitett ne oletukset ja lauseet, jotka tarvitaan algoritmin muoostamiseen. Lauseien toistukset on ohitettu. (Lauseet toistuksineen ovat lähteessä [].) Oletetaan, että ratkaistava vaikutuskaavio toteuttaa ns. no forgetting ehon, mikä tarkoittaa sitä, että jokaisen päätössolmun suorina seuraajina ovat kaikki muut päätössolmut: tehtjä päätöksiä ei siis unoheta. Lisäksi oletetaan arvofunktiolle separoituva luonne.
4 Reusointilauseet. Kahen sattumasolmun välisen kaaren suunnan kääntäminen: Sattumasolmujen välinen kaari voiaan kääntää, jolloin molemmat solmut perivät toistensa eeltäjät. 2. Loppuarvoon vaikuttamattomien solmujen poistaminen: Sellaiset sattuma- ja päätössolmut, joilla ei ole seuraajia voiaan poistaa vaikutuskaaviosta. 3. Yksinkertainen sattumasolmun poistaminen: os on sattumasolmu, loppuarvosolmu ja on eeltäjä vain arvosolmulle r (eikä millekään muulle), voiaan poistaa vaikutuskaaviosta kättämällä sen ootusarvoa r:n arvon määräämisessä. 4. Yksinkertainen päätössolmun poistaminen: os on sellaisen vaikutuskaavion päätössolmu, jonka loppuarvosolmuna on ja joka toteuttaa seuraavat ehot: - Kaikkien arvosolmujen arvot ovat einegatiiviset - on vain arvosolmun r suora eeltäjä (eikä minkään muun) - r:n kaikki eholliset eeltäjät, paitsi, ovat :n informatiivisia eeltäjiä Tällöin voiaan poistaa vaikutuskaaviosta maksimoimalla r :n suhteen. Lauseille 3 ja 4 voiaan johtaa mös leiset muoot:. Sattumasolmun poistaminen: os on sattumasolmu, jolla ei ole päätössolmuseuraajia, niin voiaan poistaa. 2. Päätössolmun poistaminen: os lauseen 4 ehot toteutuvat ja lisäksi kaikki polut :stä loppuarvosolmuun sisältävät arvosolmun r, niin voiaan poistaa vaikutuskaaviosta poistamalla ensin ne arvosolmut, jotka kuuluvat joukkoon C in (r) V (missä C in (r) tarkoittaa r:n epäsuoria eeltäjiä ja V arvosolmujen joukkoa) ja maksimoimalla sitten r :n suhteen. Lisäksi seuraavassa on esitett menetelmä arvosolmurakenteen reusoimiseksi: 3. Subset rule: os arvosolmuilla r ja r 2 on sama seuraaja, superarvosolmu r, ja C(r ) sisält C(r 2 ):een, ei ko. arvosolmujen poistaminen lisää vaikutuskaavion ratkaisemiseen tarvittavien operaatioien kokonaismäärää. Eellä mainittujen oletusten ja lauseien avulla voiaan muoostaa sellainen algoritmi [], jolla voiaan reusoia vaikutuskaavio hteen arvosolmuun. 4 YHTEENVETO Superarvosolmujen avulla voiaan muoostaa vaikutuskaavio sellaiselle naamiselle tehtävälle, jonka arvofunktiolla on separoituva luonne. Kaavion muoostamisen tarkoituksena on tehä kseisestä tehtävästä mahollisimman havainnollinen, kuitenkaan tehokkuuen näkökulmaa unohtamatta. Saausta
5 vaikutuskaaviosta nähään helposti eri solmujen eholliset riippuvuuet, ja algoritmi huolehtii riippuvuuksien päivittämisestä prosessin eri vaiheissa. Lisäksi rekursiivisten kaavojen eksplisiittisestä esittämisestä voiaan luopua. Tässä esitettä superarvosolmuihin perustuvaa vaikutuskaaviota sekä sen ratkaisemista voiaan soveltaa mm. erilaisiin päätöksentekotehtäviin, kuten Markovin päätösprosesseihin. Arvofunktion separoituvan luonteen vaatimus rajoittaa kuitenkin menetelmän kättämistä laajemmin. [] IEEE Transactions on Sstem, Man. An Cbernetics, Vol 20, No. 2, March/April 990
Dynaaminen ohjelmointi ja vaikutuskaaviot
Dynaaminen ohjelmointi ja vaikutuskaaviot. Taustaa 2. Vaikutuskaaviot ja superarvosolmut 3. Vaikutuskaavion ratkaiseminen 4. Vaikutuskaavio ja dynaaminen ohjelmointi: 5. Yhteenveto Esitelmän sisältö Optimointiopin
LisätiedotGaussinen vaikutuskaavio Tommi Gustafsson 45434f Tfy IV
Mat-.4 Optimointiopin seminaari, syksy 999 Referaatti 7.0.999 Gaussinen vaikutuskaavio Tommi Gustafsson 45434f Tfy IV JOHDATO Ross D. Shachter a C. Robert Kenley (989) esittelevät artikkelissaan Gaussian
Lisätiedot2. M : T kevät 2007 Laskennallisen logiikan jatkokurssi Laskuharjoitus 11 Ratkaisut 1. M :
T-79.5101 kevät 2007 Laskennallisen logiikan jatkokurssi Laskuharjoitus 11 Ratkaisut 2. M : a 1. M : a c b, e b f,r c e a) M,a = A(U), sillä (esim.) (a,b,,,,...) on tilasta a alkava täysi polku, joka ei
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
LisätiedotT Kevät 2003 Logiikka tietotekniikassa: erityiskysymyksiä I Laskuharjoitus 11 Ratkaisut
T-79.146 Kevät 2003 Logiikka tietotekniikassa: erityiskysymyksiä I Laskuharjoitus 11 Ratkaisut 1. M : a P P f Q, R Q e P a) M, a = A(P UQ), sillä (esim.) (a,,,,,...) on tilasta a alkava täysi polku, joka
Lisätiedotf (t) + t 2 f(t) = 0 f (t) f(t) = t2 d dt ln f(t) = t2, josta viimeisestä yhtälöstä saadaan integroimalla puolittain
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoituksen mallit Kevät 09 Tehtävän ratkaisu a) Analyysin peruslauseen mukaan missä c, c R y () = 3 sin() y () = 3 sin() = 3 cos()
LisätiedotSarjoja ja analyyttisiä funktioita
3B Sarjoja ja analyyttisiä funktioita 3B a Etsi funktiolle z z 5 potenssisarjaesitys kiekossa B0, 5. b Etsi funktiolle z z potenssisarjaesitys kiekossa, jonka keskipiste on z 0 4. Mikä on tämän potenssisarjan
LisätiedotDerivointiesimerkkejä 2
Derivointiesimerkkejä 2 (2.10.2008 versio 2.0) Parametrimuotoisen funktion erivointi Esimerkki 1 Kappale kulkee pitkin rataa { x(t) = sin 2 t y(t) = cos t. Määritetään raan suuntakulma positiiviseen x-akseliin
LisätiedotSähköstatiikka ja magnetismi Kondensaattorit ja kapasitanssi
Sähköstatiikka ja magnetismi Konensaattorit ja kapasitanssi ntti Haarto 1.5.13 Yleistä Konensaattori toimii virtapiirissä sähköisen potentiaalin varastona Kapasitanssi on konensaattorin varauksen Q ja
LisätiedotMatematiikan tukikurssi: kurssikerta 10
Matematiikan tukikurssi: kurssikerta 10 1 Newtonin menetelmä Oletetaan, että haluamme löytää funktion f(x) nollakohan. Usein tämä tehtävä on mahoton suorittaa täyellisellä tarkkuuella, koska tiettyjen
LisätiedotJohdatus graafiteoriaan
Johdatus graafiteoriaan Syksy 2017 Lauri Hella Tampereen yliopisto Luonnontieteiden tiedekunta 62 Luku 2 Yhtenäisyys 2.1 Polku 2.2 Lyhin painotettu polku 2.3 Yhtenäinen graafi 2.4 Komponentti 2.5 Aste
LisätiedotAseiden leviämisen estäminen
Mat-2.142 Optimointiopin seminaari 6.10.1999 Antti Pirinen Aseiden leviämisen estäminen Menetelmä sotilaallisten järjestelmien tehokkuuden arvioimiseksi Referaatti Lähde: Stafira, Parnell, Moore : A Methodology
Lisätiedotπx) luvuille n N. Valitaan lisäksi x = m,
Lisäyksiä Muutamia lisäyksiä laskuharjoitusten 9 tehtävien ratkaisuihin. Sarjan n n cos4 n π termeittäin erivoituvuus Sarjan n n cos4 n πtermeittäinerivoitavuusonhiukkasenhankalaasia tutkia. Olkoon a n
LisätiedotFysiikka 1. Kondensaattorit ja kapasitanssi. Antti Haarto
Fysiikka Konensaattorit ja kapasitanssi ntti Haarto 4..3 Yleistä Konensaattori toimii virtapiirissä sähköisen potentiaalin varastona Kapasitanssi on konensaattorin varauksen Q ja jännitteen suhe Yksikkö
LisätiedotDiskreettiaikainen dynaaminen optimointi
Diskreettiaikainen dynaaminen optimointi Usean kauden tapaus 2 kauden yleistys Ääretön loppuaika Optimaalinen pysäytys Optimointiopin seminaari - Syksy 2000 / Ongelma t 0 x 0 t- t T x t- + x t + x T u
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
LisätiedotINTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti
12.11.1999 INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E Mat-2.142 Optimointiopin seminaari Referaatti Syksy 1999 1. JOHDANTO Thomas M. Stratin artikkeli Decision Analysis Using Belief Functions käsittelee
LisätiedotJatkuva-aikaisten Markov-prosessien aikakehitys
5A Jatkuva-aikaisten Markov-prosessien aikakehitys Tämän harjoituksen tavoitteena on harjoitella jatkuva-aikaisiin Markov-prosesseihin liittyviä hetkittäisiä jakaumia ja tutkia niien muutoksia ajassa.
LisätiedotTietorakenteet, esimerkkivastauksia viikon 12 laskareihin
Tietorakenteet, esimerkkivastauksia viikon laskareiin (a) Oletetaan seuraavan kuvan mukainen verkko ja etsitään lyyimpiä polkuja solmusta Ensimmäiseksi käsitellään solmu B, jonka etäisyys on kolme Seuraavaksi
LisätiedotSuoran yhtälöt. Suoran ratkaistu ja yleinen muoto: Suoran yhtälö ratkaistussa, eli eksplisiittisessä muodossa, on
Suoran htälöt Suoran ratkaistu ja leinen muoto: Suoran htälö ratkaistussa, eli eksplisiittisessä muodossa, on ANALYYTTINEN GEOMETRIA MAA5 = k + b, tai = a missä vakiotermi b ilmoittaa suoran ja -akselin
LisätiedotTietorakenteet, esimerkkivastauksia viikon 12 laskareihin
Tietorakenteet, esimerkkivastauksia viikon laskareiin (a) Oletetaan seuraavan kuvan mukainen verkko ja etsitään lyyimpiä polkuja solmusta Ensimmäiseksi käsitellään solmu B, jonka etäisyys on kolme Seuraavaksi
Lisätiedot58131 Tietorakenteet ja algoritmit (kevät 2014) Uusinta- ja erilliskoe, , vastauksia
58131 Tietorakenteet ja algoritmit (kevät 2014) Uusinta- ja erilliskoe, 10..2014, vastauksia 1. [9 pistettä] (a) Todistetaan 2n 2 + n + 5 = O(n 2 ): Kun n 1 on 2n 2 + n + 5 2n 2 + n 2 +5n 2 = 8n 2. Eli
Lisätiedot3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö
3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö Yhtälön (tai funktion) y = a + b + c, missä a 0, kuvaaja ei ole suora, mutta ei ole yhtälökään ensimmäistä astetta. Funktioiden
LisätiedotGraafit ja verkot. Joukko solmuja ja joukko järjestämättömiä solmupareja. eli haaroja. Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria
Graafit ja verkot Suuntamaton graafi: eli haaroja Joukko solmuja ja joukko järjestämättömiä solmupareja Suunnattu graafi: Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria Haaran päätesolmut:
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Sarjakehitelmiä Palautetaan mieliin, että potenssisarja on sarja joka on muotoa a n (x x 0 ) n = a 0 + a 1 (x x 0 ) + a 2 (x x 0 ) 2 + a 3 (x x 0 ) 3 +. n=0 Kyseinen
LisätiedotPARITUS KAKSIJAKOISESSA
PARITUS KAKSIJAKOISESSA GRAAFISSA Informaatiotekniikan t iik seminaari i Pekka Rossi 4.3.2008 SISÄLTÖ Johdanto Kaksijakoinen graafi Sovituksen peruskäsitteet Sovitusongelma Lisäyspolku Bipartite matching-algoritmi
LisätiedotEräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus
Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus Mat-2.4142 Optimointiopin seminaari 2.3.2011 Lähteet: Clemen, R. T., & Smith, J. E. (2009). On the Choice of Baselines
LisätiedotUskomusverkot: Lääketieteelliset sovellukset
Teknillinen korkeakoulu Systeemianalyysin laboratorio Mat-2.142 Optimointiopin seminaari Referaatti Uskomusverkot: Lääketieteelliset sovellukset Sami Nousiainen 44433N Tf V 2 1. JOHDANTO 3 2. YKSINKERTAINEN
LisätiedotSisällys. 7. Oliot ja viitteet. Olion luominen. Olio Java-kielessä
Sisälls 7. Oliot ja viitteet Olio Java-kielessä. Olion luominen, elinikä ja tuhoutuminen.. Viitteiden vertailu. Varautuminen null-arvoon. Viite metodin paluuarvona.. Muuttumattomat ja muuttuvat merkkijonot.
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 7 Differentiaalikehitelmä Funktion f erivaatta pisteessä x 0 eli f (x 0 ) on erotusosamäärän rajaarvo: f (x) f (x 0 ). x x 0 x x 0 Tämä voiaan esittää hieman eri muoossa
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 3. viikolle /
MS-A008 Differentiaali- ja integraalilaskenta, V/07 Differentiaali- ja integraalilaskenta Ratkaisut 3. viikolle / 5. 7.4. Taylorin Polynomit, Taylorin sarjat, potenssisarjat, Newtonin menetelmä Tehtävä
Lisätiedoty = 3x2 y 2 + sin(2x). x = ex y + e y2 y = ex y + 2xye y2
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 2 mallit Kevät 219 Tehtävä 1. Laske osittaisderivaatat f x = f/x ja f y = f/, kun f = f(x, y) on funktio a) x 2 y 3 + y sin(2x),
LisätiedotELEMENTTIMENETELMÄN PERUSTEET SESSIO 14: Yleisen lujuusopin elementtimenetelmän perusteita.
4/ LMNIMNLMÄN PRS SSSIO 4: Yleisen lujuusopin elementtimenetelmän perusteita. JOHDANO A A A A Yleinen elementtimenetelmä on osittaisdifferentiaalihtälörhmän reuna-arvotehtävän likimääräinen ratkaisumenetelmä.
LisätiedotT Syksy 2004 Logiikka tietotekniikassa: perusteet Laskuharjoitus 7 (opetusmoniste, kappaleet )
T-79144 Syksy 2004 Logiikka tietotekniikassa: perusteet Laskuharjoitus 7 (opetusmoniste, kappaleet 11-22) 26 29102004 1 Ilmaise seuraavat lauseet predikaattilogiikalla: a) Jokin porteista on viallinen
LisätiedotKuva 1: Tehtävä 1a. = 2π. 3 x3 1 )
BMA58 - Integraalilaskenta ja sovellukset Harjoitus 3, Kevät 6 = Kuva : Tehtävä a. a Slinterinkuorelle tässä h = ja r = ja kä läpi välin [,], joka johtaa lausekkeeseen: V = π 6 / 3 d 3 3 3 = 3 Kuva : Tehtävä
LisätiedotPinta-alan laskeminen
Pint-ln lskeminen Esimerkki Välillä, jtkuvn, einegtiivisen funktion f määrätt integrli nt suorn pint-ln, eli f = A. INTEGRAALILASKENTA, MAA9 A = f Toislt, jos f on välillä,, eipositiivinen, eli f R, niin
LisätiedotSolmu 3/2001 Solmu 3/2001. Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä:
Frégier n lause Simo K. Kivelä Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä: Suorakulmaisen kolmion kaikki kärjet sijaitsevat paraabelilla y = x 2 ; suoran kulman
LisätiedotMAOL-pisteytysohje. Matematiikka lyhyt oppimäärä Kevät 2014
0..0 MAOL-pistetsohje Matematiikka lht oppimäärä Kevät 0 Hvästä suorituksesta näk, miten vastaukseen on päädtt. Ratkaisussa on oltava tarvittavat laskut tai muut riittävät perustelut ja lopputulos. Arvioinnissa
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kertausta 2. välikokeeseen Toisessa välikokeessa on syytä osata ainakin seuraavat asiat: 1. Potenssisarjojen suppenemissäe, suppenemisväli ja suppenemisjoukko. 2. Derivaatan laskeminen
LisätiedotMatematiikan tukikurssi: kurssikerta 12
Matematiikan tukikurssi: kurssikerta 2 Tenttiin valmentavia harjoituksia Huomio. Tähän tulee lisää ratkaisuja sitä mukaan kun ehin niitä kirjoittaa. Kurssilla käyään läpi tehtävistä niin monta kuin mahollista.
LisätiedotKurssikoe on maanantaina 29.6. Muista ilmoittautua kokeeseen viimeistään 10 päivää ennen koetta! Ilmoittautumisohjeet löytyvät kurssin kotisivuilla.
HY / Avoin ylioisto Johdatus yliopistomatematiikkaan, kesä 201 Harjoitus 7 Ratkaisut palautettava viimeistään perjantaina 26.6.201 klo 16.00. Huom! Luennot ovat salissa CK112 maanantaista 1.6. lähtien.
LisätiedotMS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö
MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin
LisätiedotTEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Kimmo Berg. Mat Optimointioppi. 11. harjoitus - ratkaisut
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-239 Optimointioppi Kimmo Berg harjoitus - ratkaisut Logaritmiseksi estefunktiotehtäväksi saaaan min F() = µ(ln 2 + ln( + )) Etsitään lokaalit minimit
LisätiedotReaalifunktiot 1/5 Sisältö ESITIEDOT: funktiokäsite
Reaalifunktiot 1/5 Sisältö ESITIEDOT: funktiokäsite Hakemisto KATSO MYÖS: potenssi, juuret, polnomit, rationaalifunktiot, eksponenttifunktio, logaritmifunktio, trigonometriset funktiot, arcusfunktiot,
Lisätiedotz z 0 (m 1)! g(m 1) (z0) k=0 Siksi kun funktioon f(z) sovelletaan Cauchyn integraalilausetta, on voimassa: sin(z 2 dz = (z i) n+1 k=0
TKK, Matematiian laitos v.pfaler/pursiainen Mat-.33 Matematiian perusurssi KP3-i sysy 2007 Lasuharjoitus 4 viio 40 Tehtäväsarja A viittaa aluviion ja L loppuviion tehtäviin. Valmistauu esittämään nämä
LisätiedotTKT20001 Tietorakenteet ja algoritmit Erilliskoe , malliratkaisut (Jyrki Kivinen)
TKT0001 Tietorakenteet ja algoritmit Erilliskoe 5.1.01, malliratkaisut (Jyrki Kivinen) 1. [1 pistettä] (a) Esitä algoritmi, joka poistaa kahteen suuntaan linkitetystä järjestämättömästä tunnussolmullisesta
LisätiedotORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. päätöspuiden avulla tarkastellaan vasta seuraavissa harjoituksissa.
ORMS00 Päätöksenteko epävarmuuden vallitessa Syksy 008 Harjoitus Ratkaisuehdotuksia Nämä harjoitukset liittyvät päätöspuiden rakentamiseen: varsinaista päätöksentekoa päätöspuiden avulla tarkastellaan
LisätiedotAlgoritmit 1. Luento 1 Ti Timo Männikkö
Algoritmit 1 Luento 1 Ti 10.1.2017 Timo Männikkö Luento 1 Algoritmi Algoritmin toteutus Ongelman ratkaiseminen Algoritmin tehokkuus Algoritmin suoritusaika Algoritmin analysointi Algoritmit 1 Kevät 2017
LisätiedotCalkinin-Wiln jono 1/2 2/2 3/2 4/2 5/2 6/2... 1/3 2/3 3/3 4/3 5/3 6/3... 1/4 2/4 3/4 4/4 5/4 6/4... 1/5 2/5 3/5 4/5 5/5 6/5...
Calkinin-Wiln jono Funktio f : X Y on bijektio, jos sillä on käänteisfunktio f : Y X. Joukko X on äärellinen, jos se on thjä tai jos on olemassa bijektio f : X {,,,..., n}. Joukko X on numeroituva, jos
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.
LisätiedotDI matematiikan opettajaksi: Täydennyskurssi, kevät 2010 Luentorunkoa ja harjoituksia viikolle 11: ti klo 13:00-15:30
DI matematiikan opettajaksi: Tädennskurssi, kevät Luentorunkoa ja harjoituksia viikolle : ti 6 klo :-5: Kädään läpi: funktioita f : D f R n R m ja integrointia R n :ssä Oletetaan, että, R n ovat mielivaltaisia
LisätiedotInvestointimahdollisuudet ja investoinnin ajoittaminen
Investointimahdollisuudet ja investoinnin ajoittaminen Ajoituksen ratkaisu dynaamisella optimoinnilla Optimointiopin seminaari - Syksy 000 / Esitelmän sisältö Investoinnin ajoitusongelman esittely Ongelman
LisätiedotJohdannaisanalyysi. Contingent Claims Analysis Juha Leino S ysteemianalyysin. Laboratorio
Johdannaisanalyysi Contingent Claims Analysis Juha Leino 11.10.2000 Optimointiopin seminaari - Syksy 2000 / 1 Oletukset Yritys tuottaa tuotetta, jonka hinta on x x noudattaa geometrista Brownin liikettä
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D Demonstraatio 7, 6.7... Ratkaise dierentiaalihtälöpari = = Vastaus: DY-pari voidaan esittää muodossa ( = Matriisin ominaisarvot ovat i ja i ja näihin kuuluvat ominaisvektorit (
LisätiedotAlgoritmit 1. Luento 13 Ti 23.2.2016. Timo Männikkö
Algoritmit 1 Luento 13 Ti 23.2.2016 Timo Männikkö Luento 13 Suunnittelumenetelmät Taulukointi Kapsäkkiongelma Ahne menetelmä Verkon lyhimmät polut Dijkstran menetelmä Verkon lyhin virittävä puu Kruskalin
LisätiedotORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3
ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3 Ratkaisuehdotuksia 1. (a) Päätöspuu on matala, jos mitään sattumasolmua ei välittömästi seuraa sattumasolmu eikä mitään päätössolmua
LisätiedotAlgoritmit 1. Luento 7 Ti Timo Männikkö
Algoritmit 1 Luento 7 Ti 31.1.2017 Timo Männikkö Luento 7 Järjestetty binääripuu Binääripuiden termejä Binääripuiden operaatiot Solmun haku, lisäys, poisto Algoritmit 1 Kevät 2017 Luento 7 Ti 31.1.2017
LisätiedotMS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö
MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 10: Ensimmäisen kertaluvun differentiaaliyhtälö Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos
LisätiedotNumeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28
Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä
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
LisätiedotRatkaisu. Ensimmäinen kuten P Q, toinen kuten P Q. Kolmas kuten P (Q R):
Diskreetti matematiikka, sks 2010 Harjoitus 2, ratkaisuista 1. Seuraavassa on kuvattu kolme virtapiiriä, joissa on paristo, sopiva lamppu L ja katkaisimia P, Q, R, joiden läpi virta kulkee (1) tai ei kulje
LisätiedotMapu I Laskuharjoitus 2, tehtävä 1. Derivoidaan molemmat puolet, aloitetaan vasemmasta puolesta. Muistetaan että:
Mapu I Laskuharjoitus 2, tehtävä 1 1. Eräs trigonometrinen ientiteetti on sin2x = 2sinxcosx Derivoimalla yhtälön molemmat puolet x:n suhteen, joha lauseke cos 2x:lle. Ratkaisu: Derivoiaan molemmat puolet,
Lisätiedot10. Painotetut graafit
10. Painotetut graafit Esiintyy monesti sovelluksia, joita on kätevä esittää graafeina. Tällaisia ovat esim. tietoverkko tai maantieverkko. Näihin liittyy erinäisiä tekijöitä. Tietoverkkoja käytettäessä
Lisätiedot4 YLEINEN ELEMENTTIMENETELMÄ
Elementtimenetelmän perusteet 4. 4 YLEINEN ELEMENIMENEELMÄ 4. Johdanto Elementtimenetelmä on osittaisdifferentiaalihtälörhmän reuna-arvotehtävän likimääräinen ratkaisumenetelmä. ällöin tarkastellaan tiettä
LisätiedotLyhyen aikavälin hintakilpailu 2/2
Lyhyen aikavälin hintakilpailu 2/2 Ilkka Männistö Esitelmä 10 - Ilkka Männistö Optimointiopin seminaari - Kevät 2003 / 1 Kilpailun aste Markkinahinta ei kerro mitään kilpailun asteesta jos kustannusrakennetta
LisätiedotKokonaislukuoptimointi hissiryhmän ohjauksessa
Kokonaislukuoptimointi hissiryhmän ohjauksessa Systeemianalyysin laboratorio Teknillinen Korkeakoulu, TKK 3 Maaliskuuta 2008 Sisällys 1 Johdanto Taustaa Ongelman kuvaus 2 PACE-graafi Graafin muodostaminen
Lisätiedot4.6 Matriisin kääntäminen rivioperaatioilla
Vaasan liopiston julkaisuja 9 kuva.plot(,n, k-o,,n, k-s,,n3, k-d ); kuva.set_label( kausi ); kuva.set_label( lkm ); kuva.ais([,,,8]); kuva = fig.add_subplot(); kuva.plot(,tulo, k-o ); kuva.set_label( kausi
LisätiedotAlgoritmi on periaatteellisella tasolla seuraava:
Algoritmi on periaatteellisella tasolla seuraava: Dijkstra(V, E, l, v 0 ): S := { v 0 } D[v 0 ] := 0 for v V S do D[v] := l(v 0, v) end for while S V do valitse v V S jolle D[v] on minimaalinen S := S
LisätiedotPreference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi
Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi Mat-2.4142 Optimointiopin seminaari 9.2.2011 Lähteet: Salo, A. & Hämäläinen, R. P., 2010.
LisätiedotTarkennamme geneeristä painamiskorotusalgoritmia
Korotus-eteen-algoritmi (relabel-to-front) Tarkennamme geneeristä painamiskorotusalgoritmia kiinnittämällä tarkasti, missä järjestyksessä Push- ja Raise-operaatioita suoritetaan. Algoritmin peruskomponentiksi
LisätiedotYlioppilastutkintolautakunta S t u d e n t e x a m e n s n ä m n d e n
Ylioppilastutkintolautakunta S t u d e n t e a m e n s n ä m n d e n MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ..0 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vastausten piirteiden, sisältöjen ja pisteitsten luonnehdinta
LisätiedotM = (Q, Σ, Γ, δ, q 0, q acc, q rej )
6. LASKETTAVUUSTEORIAA Churchin Turingin teesi: Mielivaltainen (riittävän vahva) laskulaite Turingin kone. Laskettavuusteoria: Tarkastellaan mitä Turingin koneilla voi ja erityisesti mitä ei voi laskea.
LisätiedotInvestointimahdollisuudet ja niiden ajoitus
Investointimahdollisuudet ja niiden ajoitus Ratkaisu optiohinnoitteluteorian avulla Esitelmä - Eeva Nyberg Optimointiopin seminaari - Syksy 000 / Tähän asti opittua NP:n rajoitteet vaikka NP negatiivinen
LisätiedotMat. tukikurssi 27.3.
Mat. tukikurssi 7.. Tänään oli paljon vaikeita aiheita: - suunnattu derivaatta - kokonaisdierentiaali - dierentiaalikehitelmä - implisiittinen derivointi Nämä kaikki liittvät aika läheisesti toisiinsa.
LisätiedotCHEM-C2230 Pintakemia. Työ 2: Etikkahapon adsorptio aktiivihiileen. Työohje
CHEM-C2230 Pintakemia Tö 2: Etikkahapon orptio aktiivihiileen Töohje 1 Johdanto Kaasun ja kiinteän aineen rajapinnalla tapahtuu leensä kaasun orptiota. Mös liuoksissa tapahtuu usein liuenneen aineen orptiota
Lisätiedoty z = (x, y) Kuva 1: Euklidinen taso R 2
Kompleksiluvut. Määritelmä Tarkastellaan euklidista tasoa R = {(, y), y R}. y y z = (, y) R Kuva : Euklidinen taso R Suorakulmaisessa koordinaatistossa on -akseli ja y-akseli. Luvut ja y ovat pisteen z
Lisätiedot10. Toisen kertaluvun lineaariset differentiaaliyhtälöt
37. Toisen kertaluvun lineaariset differentiaalihtälöt Tarkastelemme muotoa () ( x) + a( x) ( x) + a( x) ( x) = b( x) olevia htälöitä, missä kerroinfunktiot ja oikea puoli ovat välillä I jatkuvia. Edellisen
LisätiedotOpetusperiodi:I, suunnattu hakukohteille:
Kurssin nimi ja koodi Muut kommentit MS-A0001 Matriisilaskenta 5 op (Matrisräkning, Kuvaus: kurssi Teknillinen fysiikka ja matematiikka käsittelee lineaarisia yhtälöryhmiä sekä vektoreita ja matriiseja
LisätiedotVerkon värittämistä hajautetuilla algoritmeilla
Verkon värittämistä hajautetuilla algoritmeilla 5 12 30 19 72 34 Jukka Suomela 15 77 18 4 9. tammikuuta 2012 19 2 68 Verkko 2 Verkko solmu 3 Verkko solmu kaari 4 Hajautettu järjestelmä solmu (tietokone)
Lisätiedot2.5. Eksponenttifunktio ja eksponenttiyhtälöt
Eksoettifuktio ja -htälöt Eksoettifuktio ja eksoettihtälöt Ku otessi käsitettä laajeetaa sallimalla eksoetille muitaki arvoja kui kokoaislukuja, tämä taahtuu ii, että ii saotut otessikaavat ovat voimassa,
LisätiedotProbabilistiset mallit (osa 1) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 1 Jorma Merikoski Tampereen yliopisto
Probabilistiset mallit (osa 1) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 1 Jorma Merikoski Tampereen yliopisto Mikä on probabilistinen malli? Kutsumme probabilistisiksi malleiksi kaikkia
LisätiedotPohdiskeleva ajattelu ja tasapainotarkennukset
Pohdiskeleva ajattelu ja tasapainotarkennukset Sanna Hanhikoski 24.3.2010 Sisältö Pohdiskeleva ajattelu Nashin tasapainotarkennukset Täydellinen tasapaino Täydellinen bayesiläinen tasapaino Vaiheittainen
LisätiedotOpetusperiodi:I, suunnattu hakukohteille: Teknillinen fysiikka ja matematiikka
Kurssin nimi ja koodi MS-A0001 Matriisilaskenta 5 op (Matrisräkning, Kuvaus: kurssi käsittelee lineaarisia yhtälöryhmiä sekä vektoreita ja matriiseja sovelluksineen. Sisältö: vektorilaskentaa, matriisit
Lisätiedot58131 Tietorakenteet ja algoritmit Uusinta- ja erilliskoe malliratkaisut ja arvosteluperusteet
58131 Tietorakenteet ja algoritmit Uusinta- ja erilliskoe 15.6.2018 malliratkaisut ja arvosteluperusteet 1. [10 pistettä] Hakemistorakenteet. Vertaa linkitettyjen listojen, tasapainoisten hakupuiden ja
Lisätiedot30A02000 Tilastotieteen perusteet
30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi
Lisätiedot[ k ] ja ekvivalenttisen solmukuormitusvektorin { r } määritystä kaavoista (4.20) ja
Elementtimenetelmän perusteet 7. 7 D-SOLIDIRAKEEE 7. ohdanto Edellä tarkasteltiin interpolointia ja numeerista integrointia emoneliön ja emokolmion alueissa. Emoelementtien avulla voidaan muodostaa vaihtelevan
LisätiedotAdditiivinen arvofunktio projektiportfolion valinnassa
Esitelmä 5 Antti Toppila sivu 1/19 Optimointiopin seminaari Kevät 2011 Additiivinen arvofunktio projektiportfolion valinnassa Antti Toppila 2.2.2011 Esitelmä 5 Antti Toppila sivu 2/19 Optimointiopin seminaari
LisätiedotReferenssipiste- ja referenssisuuntamenetelmät
Referenssipiste- ja referenssisuuntamenetelmät Optimointiopin seminaari - Kevät 2000 / 1 Esitelmän sisältö Menetelmien ideat Menetelmien soveltaminen Menetelmien ominaisuuksia Optimointiopin seminaari
LisätiedotTodistusmenetelmiä Miksi pitää todistaa?
Todistusmenetelmiä Miksi pitää todistaa? LUKUTEORIA JA TO- DISTAMINEN, MAA11 Todistus on looginen päättelyketju, jossa oletuksista, määritelmistä, aksioomeista sekä aiemmin todistetuista tuloksista lähtien
Lisätiedot1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.
Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i
Lisätiedot1. Osoita, että joukon X osajoukoille A ja B on voimassa toinen ns. de Morganin laki (A B) = A B.
HY / Avoin yliopisto Johdatus yliopistomatematiikkaan, kesä 2015 Harjoitus 3 Ratkaisuehdotuksia Tehtäväsarja I Seuraavissa tehtävissä harjoitellaan muun muassa kahden joukon osoittamista samaksi sekä joukon
LisätiedotS uay uvaxy uv 2 Ax 2 y... uv i Ax i y uv i wx i y.
3.8 Yhtedettömien kielten rajoitksista Yhtedettömille kielille on oimassa säännöllisten kielten pmppaslemman astine. Nt kitenkin merkkijonoa on pmpattaa samanaikaisesti kahdesta paikasta. Lemma 3.9 ( -lemma
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä
LisätiedotÄärellisten automaattien ja säännöllisten kielten ekvivalenssi
Äärellisten automaattien ja säännöllisten kielten ekvivalenssi Osoitamme seuraavan keskeisen tuloksen: Lause 1.8: [Sipser Thm. 1.54] Kieli on säännöllinen, jos ja vain jos jokin säännöllinen lauseke esittää
LisätiedotS Liikenneteorian perusteet (2 ov) K-98
S-38.145 Liikenneteorian perusteet (2 ov) K-98 Samuli Aalto Teletekniikan laboratorio Teknillinen korkeakoulu samuli.aalto@hut.fi http://keskus.hut.fi/opetus/s38145/ preface.ppt Opintojakson puitteet luennot
LisätiedotMS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset
MS-C350 Osittaisdifferentiaaliyhtälöt Haroitukset 5, syksy 207. Oletetaan, että a > 0 a funktio u on yhtälön u a u = 0 ratkaisu. a Osoita, että funktio vx, t = u x, t toteuttaa yhtälön a v = 0. b Osoita,
Lisätiedot= k 0 NTIME(n k + k) Siis polynomisessa ajassa epädeterministisellä Turingin koneella tunnistettavien kielten joukko
238 7.2 Luokka NP Luokka NP on: NP = { NTIME(t) t on polynomi } = k 0 NTIME(n k + k) Siis polynomisessa ajassa epädeterministisellä Turingin koneella tunnistettavien kielten joukko P NP Luokan NP ongelmista
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
LisätiedotPolkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä Olkoot γ : [a, b] R m paloittain C 1 -polku välin [a, b] jaon
Polkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä 4.1.3. Olkoot : [a, b] R m paloittain C 1 -polku välin [a, b] jaon P = {a = t 1 < < t k = b} ja joukko D R m sellainen, että ([a, b])
LisätiedotJohdatus matemaattiseen päättelyyn
Johdatus matemaattiseen päättelyyn Maarit Järvenpää Oulun yliopisto Matemaattisten tieteiden laitos Syyslukukausi 2015 1 Merkintöjä 2 Todistamisesta 2 3 Joukko-oppia Tässä luvussa tarkastellaan joukko-opin
Lisätiedot