Lineaaristen monitavoiteoptimointitehtävien
|
|
- Kaarina Niemi
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Jerri Nummenpalo Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki oikeudet pidätetään.
2 Lineaarinen ohjelmointi (LP)) Lineaarinen kohdefunktio Lineaariset rajoitteet Ratkaisuna optimipiste Tehokkaita ratkaisuohjelmistoja Lukuisia sovelluksia Tuotannonsuunnittelu Reitinsuunnittelu Verkosto-ongelmat max/min c T x s. e. Ax = b x 0
3 Monitavoitteinen lineaarinen ohjelmointitehtävä (MOLP) Useita kohdefunktioita Ratkaisuina tehokkaat pisteet Ei ratkaisuohjelmistoja Sovelluksia Resurssien allokointi Kauppatieteet Hallinnointi max/min c T 1 x c T n x s. e. Ax = b x 0 max/min
4 Käsitteiden määritelmiä Kohdefunktiot esitettän usein matriisina C Rajoitushtojen Ax = b, x 0 rajaamaa aluetta P sanotaan käyväksi alueeksi päätösavaruudessa Tavoiteavaruuden käypä alue on T = {Cx : x ϵ P} Rajoitusehdot toteuttavaa pistettä x sanotaan tehokkaaksi, jos ei ole olemassa käypää pistettä x siten, että Cx Cx Tehokasta pistettä vastaavaa tavoiteavaruuden pistettä y = Cx sanotaan ei-dominoiduksi
5 Esimerkki MOLP-tehtävästä Päätösavaruus Tavoiteavaruus
6 Haasteita MOLP-tehtävien ratkaisemisessa Satunnaisissa tehtävissä tehokkaiden kulmapisteiden määrän havaittu riippuvan eksponentiaalisesti Päätösmuuttujien lukumäärästä Rajoitefunktioiden lukumäärästä Kohdefunktioiden lukumäärästä Laskenta-aika verrannollinen tehokkaiden kulmapisteiden määrään Ei juurikaan ratkaisuohjelmistoja ADBASE kirjallisuudessa eniten viitattu ratkaisualgoritmi Ohjelmistot vaikeasti saatavilla
7 Monitavoitteinen Simplex-algoritmi Etsii tehokkaat kulmapisteet Toteutettiin Matlab-ohjelmistolla Hyödyntää vapaan lähdekoodin Lp_solve-kirjastoa Esimerkkitehtävä: hyperkuutio 2n rajoitetta 2 n tehokasta kulmapistettä
8 Resurssien allokointi kauppakeskuksille (Korhonen ja Syrjänen, 2004) Tilasto 25 suomalaista kauppakeskusta Tehtävänä maksimoida myyntiä ja voittoa uudelleenallokoimalla miestyötunteja ja liikkeiden kokoja Lisäresursseja jaettavana 1% Muutokset kauppakeskuksissa suhteessa nykytilaan Käytännön rajoina -10% ja +30% Taustalla tehokkuusanalyysissä (DEA, Data Envelopment Analysis) usein käytetyn CCR-mallin ehdot Korhonen P. ja Syrjänen, M. Resource allocation based on efficiency analysis. Management Science, 2004
9 Resurssien allokointi tehtävän muodostaminen Päätösmuuttujina Uudet resurssit x i Uudet tuotot y i Skaalauskertoimet δ i
10 Kokonaistuotto (10 6 Mk) Resurssienallokointitehtävä tulokset 1/2 Ratkaisuja kappaletta Apumuuttujien takia lopullisia ratkaisuja ainoastaan 67 erialaista päätösavaruudessa Tavoiteavaruudessa vain 10 eri ratkaisua Resurssien uudelleenallokoinnilla saadaan merkittävä etu verrattuna ainoastaan 1% lisäykseen Tavoiteavaruuden ratkaisut 1% lisäys ja uudelleenallokointi alkuperäinen 1% lisäys Kokonaismyynti (10 6 Mk)
11 Resurssienallokointitehtävä tulokset 2/2 Kiinnostavana tietona saadaan myös kertoimien δ i vaihteluvälit eri ratkaisuissa Toisia kauppakeskuksia kannattaa aina pienentää toisia aina suurentaa Mielenkiintoinen tieto päätöksentekijälle -10% ja +30% rajat näkyvät kertoimien δ i arvoissa
12 Yleisiä havaintoja MOLP-tehtävistä resurssienallokointiongelmissa Monitavoitteisella Simplex-algoritmilla on mahdollista ratkaista käytännön resurssienallokointiongelmia Päätösmuuttujien määrä vaikuttaa ratkaisevasti tehokkaiden pisteiden määrään ja siten laskenta-aikaan Tavoiteavaruudessa ratkaisujen määrä on huomattavasti pienempi kuin päätösavaruudessa Suoraan tavoiteavaruudessa MOLP-tehtävän ratkaisevat algoritmit kiinnostava tutkimuskohde Tehtävän kannalta epäolennaiset muuttujat lisäävät turhaan päätösmuuttujien määrää ja siten laskenta-aikaa
13 Tärkeimpiä tietolähteitä Ehrgott, M. Multicriteria Optimization (2005) Steuer, R.E. Multiple criteria optimization: Theory, computation, and application (1985) Korhonen P. ja Syrjänen, M. Resource allocation based on efficiency analysis. Management Science, 2004 Kysymyksiä?
Lineaaristen 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
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
LisätiedotLineaaristen monitavoiteoptimointitehtävien ratkaiseminen
Aalto-yliopisto Perustieteiden korkeakoulu Teknillisen fysiikan ja matematiikan tutkinto-ohjelma Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Kandidaatintyö 22. marraskuuta 2012 Jerri Nummenpalo
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,
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,
LisätiedotLineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla
Aalto-yliopisto Perustieteiden korkeakoulu Teknillisen fysiikan ja matematiikan tutkinto-ohjelma Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla kandidaatintyö 28.03.2013
LisätiedotTrimmitysongelman LP-relaksaation ratkaiseminen sarakkeita generoivalla algoritmilla ja brute-force-menetelmällä
Trimmitysongelman LP-relaksaation ratkaiseminen sarakkeita generoivalla algoritmilla ja brute-force-menetelmällä Vesa Husgafvel 19.11.2012 Ohjaaja: DI Mirko Ruokokoski Valvoja: Prof. Harri Ehtamo Työn
LisätiedotKirjallisuuskatsaus sisäpistemenetelmiin ja niiden soveltamiseen eri optimointiluokille (valmiin työn esittely)
Kirjallisuuskatsaus sisäpistemenetelmiin ja niiden soveltamiseen eri optimointiluokille (valmiin työn esittely) Ilari Vähä-Pietilä 28.04.2014 Ohjaaja: TkT Kimmo Berg Valvoja: Prof. Harri Ehtamo Työn saa
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
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
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
LisätiedotMonitavoiteoptimointi
Monitavoiteoptimointi Useita erilaisia tavoitteita, eli useita objektifunktioita Tavoitteet yleensä ristiriitaisia ja yhteismitattomia Optimaalisuus tarkoittaa yleensä eri asiaa kuin yksitavoitteisessa
LisätiedotOptimaaliset riskinalentamisportfoliot vikapuuanalyysissä (valmiin työn esittely)
Optimaaliset riskinalentamisportfoliot vikapuuanalyysissä (valmiin työn esittely) Markus Losoi 30.9.2013 Ohjaaja: DI Antti Toppila Valvoja: prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston
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
LisätiedotTuotantoprosessin optimaalinen aikataulutus (valmiin työn esittely)
Tuotantoprosessin optimaalinen aikataulutus (valmiin työn esittely) Joona Kaivosoja 01.12.2014 Ohjaaja: DI Ville Mäkelä Valvoja: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla
LisätiedotPortfoliolähestymistapa CO2 - kiilapelin analysoinnissa (valmiin työn esittely) Tuomas Lahtinen
Portfoliolähestymistapa CO2 - kiilapelin analysoinnissa (valmiin työn esittely) Tuomas Lahtinen 07.05.2012 Ohjaaja: Raimo Hämäläinen Valvoja: Raimo Hämäläinen Työn saa tallentaa ja julkistaa Aalto-yliopiston
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 4: Lineaarisen tehtävän duaali
Luento 4: Lineaarisen tehtävän duaali Käsittelemme seuraavaksi lineaarisen optimoinnin duaaliteoriaa. Kuten luennossa 2 esitettiin, kohdefunktion optimiarvon herkkyys z, kun rajoitusyhtälön i, 1 i m, oikea
LisätiedotTyövuorosuunnittelun optimointi (valmiin työn esittely)
Työvuorosuunnittelun optimointi (valmiin työn esittely) Pekka Alli 1.12.2015 Ohjaaja: Tuuli Haahtela Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta
Lisätiedot4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen
4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen Käypä kantaratkaisu löytyy helposti, esimerkiksi tapauksessa Ax b, b 0 x 0 jolloin sen määräävät puutemuuttujat. Tällöin simplex-menetelmän alustus
LisätiedotLuento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.
Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli. LP-malli Esimerkki. Maalitehdas valmistaa ulko- ja sisämaalia raaka-aineista M1 ja M2. Sisämaalin maksimikysyntä on 2 tonnia/päivä. Sisämaalin
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
LisätiedotAihioiden priorisointi ja portfolioanalyysi ennakoinnissa (valmiin työn esittely)
Aihioiden priorisointi ja portfolioanalyysi ennakoinnissa (valmiin työn esittely) Juha Kännö 23..22 Ohjaajat: TkL Antti Punkka, DI Eeva Vilkkumaa Valvoja: Prof. Ahti Salo Työn saa tallentaa ja julkistaa
LisätiedotLP-mallit, L8. Herkkyysanalyysi. Varjohinta. Tietokoneohjelmia. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto.
LP-mallit, L8 Yleistä 1 LP-mallit on yksi Operaatioanalyysin (Operations Research) perustyökaluista. Perusongelma: Miten pitää suorittaa operaatio mahdollisimman hyvin, kun käytettävissä on rajalliset
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
LisätiedotJohdatus verkkoteoriaan luento Netspace
Johdatus verkkoteoriaan luento 3.4.18 Netspace Matriisioperaatio suunnatuissa verkoissa Taustoitusta verkkoteorian ulkopuolelta ennen kuljetusalgoritmia LP-ongelma yleisesti LP = linear programming =
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
Lisätiedotmin x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4
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
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
LisätiedotLuento 11: Rajoitusehdot. Ulkopistemenetelmät
Luento 11: Rajoitusehdot. Ulkopistemenetelmät ja sisäpistemenetelmät Lagrangen välttämättömien ehtojen ratkaiseminen Newtonin menetelmällä Jos tehtävässä on vain yhtälörajoituksia, voidaan minimipistekandidaatteja
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 1 23.1.2017 1. Päätösmuuttujiksi voidaan valita x 1 : tehtyjen peruspöytin lukumäärä x 2 : tehtyjen luxuspöytien lukumäärä. Optimointitehtäväksi tulee max 200x 1 + 350x 2 s. t. 5x
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
LisätiedotDemo 1: Simplex-menetelmä
MS-C2105 Optimoinnin perusteet Malliratkaisut 3 Ehtamo Demo 1: Simplex-menetelmä Muodosta lineaarisen tehtävän standardimuoto ja ratkaise tehtävä taulukkomuotoisella Simplex-algoritmilla. max 5x 1 + 4x
LisätiedotKasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely)
Kasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely) Santtu Saijets 16.6.2014 Ohjaaja: Juuso Liesiö Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
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
Lisätiedot30A01000 Taulukkolaskenta ja analytiikka Luku 8: Lineaarinen optimointi ja sen sovellukset
30A01000 Taulukkolaskenta ja analytiikka Luku 8: Lineaarinen optimointi ja sen sovellukset Mitä on lineaarinen optimointi (LP)? LP= lineaarinen optimointiongelma (Linear Programming) Menetelmä, jolla etsitään
LisätiedotDemo 1: Lineaarisen tehtävän ratkaiseminen graafisesti ja Solverilla
MS-C2105 Optimoinnin perusteet Malliratkaisut 2 Ehtamo Demo 1: Lineaarisen tehtävän ratkaiseminen graafisesti ja Solverilla Ratkaise lineaarinen optimointitehtävä graafisesti ja Excelin Solverin avulla.
LisätiedotMalliratkaisut Demo 1
Malliratkaisut Demo 1 1. Merkitään x = kuinka monta viikkoa odotetaan ennen kuin perunat nostetaan. Nyt maksimoitavaksi kohdefunktioksi tulee f(x) = (60 5x)(300 + 50x). Funktio f on alaspäin aukeava paraaeli,
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
LisätiedotLisäinformaation arvo monikriteerisessä projektiportfoliovalinnassa (valmiin työn esittely)
Lisäinformaation arvo monikriteerisessä projektiportfoliovalinnassa (valmiin työn esittely) Jussi Hirvonen 23.03.2015 Ohjaaja: Eeva Vilkkumaa Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston
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.
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
LisätiedotMinimilatenssiongelman ratkaisualgoritmeja (valmiin työn esittely)
Minimilatenssiongelman ratkaisualgoritmeja (valmiin työn esittely) Antti Salmela 03.03.2014 Ohjaaja: Harri Ehtamo Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
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.
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
LisätiedotImplementation of Selected Metaheuristics to the Travelling Salesman Problem (valmiin työn esittely)
Implementation of Selected Metaheuristics to the Travelling Salesman Problem (valmiin työn esittely) Jari Hast xx.12.2013 Ohjaaja: Harri Ehtamo Valvoja: Hari Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotSearch space traversal using metaheuristics
Search space traversal using metaheuristics Mika Juuti 11.06.2012 Ohjaaja: Ville Mattila Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki
Lisätiedot1 Rajoitettu optimointi I
Taloustieteen mat.menetelmät 2017 materiaali II-1 1 Rajoitettu optimointi I 1.1 Tarvittavaa osaamista Matriisit ja vektorit, matriisien de niittisyys Derivointi (mm. ketjusääntö, Taylorin kehitelmä) Implisiittifunktiolause
LisätiedotAki Taanila LINEAARINEN OPTIMOINTI
Aki Taanila LINEAARINEN OPTIMOINTI 26.4.2011 JOHDANTO Tässä monisteessa esitetään lineaarisen optimoinnin alkeet. Moniste sisältää tarvittavat Excel ohjeet. Viimeisin versio tästä monisteesta ja siihen
LisätiedotLuento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.
Luento : Optimointitehtävän graafinen ratkaiseminen. LP-malli. LP-malli simerkki: Maalifirma Sateenkaari valmistaa ulko- ja sisämaalia raaka-aineista M ja M. Sisämaalin maksimikysyntä on tonnia/päivä.
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.3140 Lineaarinen ohjelmointi 4.10.2007 Luento 4 Ekstreemipisteiden optimaalisuus ja Simplex (kirja 2.4-2.6, 3.1-3.2) Lineaarinen ohjelmointi - Syksy 2007 / 1 Luentorunko Degeneroituvuus Ekstreemipisteiden
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
LisätiedotPiiri K 1 K 2 K 3 K 4 R R
Lineaarinen optimointi vastaus, harj 1, Syksy 2016. 1. Teollisuuslaitos valmistaa piirejä R 1 ja R 2, joissa on neljää eri komponenttia seuraavat määrät: Piiri K 1 K 2 K 3 K 4 R 1 3 1 2 2 R 2 4 2 3 0 Päivittäistä
LisätiedotMenetelmä Markowitzin mallin parametrien estimointiin (valmiin työn esittely)
Menetelmä Markowitzin mallin parametrien estimointiin (valmiin työn esittely) Lauri Nyman 17.9.2015 Ohjaaja: Eeva Vilkkumaa Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla
LisätiedotJälki- ja herkkyysanalyysi. Tutkitaan eri kertoimien ja vakioiden arvoissa tapahtuvien muutosten vaikutusta optimiratkaisuun
Jälki- ja herkkyysanalyysi Tutkitaan eri kertoimien ja vakioiden arvoissa tapahtuvien muutosten vaikutusta optimiratkaisuun 1 Hinnat ja varjohinnat Objektifunktio c T x = Kerroin c j ilmoittaa, paljonko
LisätiedotSimplex-algoritmi. T Informaatiotekniikan seminaari , Susanna Moisala
Simplex-algoritmi T-6.5 Informaatiotekniikan seminaari..8, Susanna Moisala Sisältö Simplex-algoritmi Lähtökohdat Miten ongelmasta muodostetaan ns. Simplextaulukko Miten haetaan käypä aloitusratkaisu Mitä
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
Lisätiedot73125 MATEMAATTINEN OPTIMOINTITEORIA 2
73125 MATEMAATTINEN OPTIMOINTITEORIA 2 Risto Silvennoinen Tampereen teknillinen yliopisto, kevät 2004 1. Peruskäsitteet Optimointiteoria on sovelletun matematiikan osa-alue, jossa tutkitaan funktioiden
LisätiedotKokonaislukuoptiomointi Leikkaustasomenetelmät
Kokonaislukuoptiomointi Leikkaustasomenetelmät Systeemianalyysin Laboratorio 19.3.2008 Sisällys Leikkaustasomenetelmät yleisesti Leikkaustasomenetelmät generoivilla kokonaislukujoukoilla Gomoryn leikkaavat
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
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
LisätiedotEpälineaarinen hinnoittelu: Diskreetin ja jatkuvan mallin vertailu
Epälineaarinen hinnoittelu: Diskreetin ja jatkuvan mallin vertailu 11.4.2011 Ohjaaja: TkT Kimmo Berg Valvoja: Prof. Harri Ehtamo Esityksen sisältö: Hinnoittelumallien esittely Menetelmät Esimerkkitehtävän
LisätiedotTalousmatematiikan perusteet
kevät 19 / orms.30 Talousmatematiikan perusteet 8. harjoitus, viikko 11 (11.03..03.19) L Ma 12 A2 R0 Ti 14 16 F43 R01 Ma 12 14 F43 L To 08 A2 R02 Ma 16 18 F43 R06 To 12 14 F140 R03 Ti 08 F42 R07 Pe 08
LisätiedotOptimization of Duties in Railway Traffic (valmiin työn esittely)
Optimization of Duties in Railway Traffic (valmiin työn esittely) Teemu Kinnunen 03.03.2014 Ohjaaja: Mikko Alanko Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
LisätiedotLineaarinen yhtälöryhmä
Lineaarinen yhtälöryhmä 1 / 39 Lineaarinen yhtälö Määritelmä 1 Lineaarinen yhtälö on muotoa a 1 x 1 + a 2 x 2 + + a n x n = b, missä a i, b R, i = 1,..., n ovat tunnettuja ja x i R, i = 1,..., n ovat tuntemattomia.
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
LisätiedotLuento 3: Simplex-menetelmä
Luento 3: Simplex-menetelmä Kuten graafinen tarkastelu osoittaa, LP-tehtävän ratkaisu on aina käyvän alueen kulmapisteessä, eli ekstreemipisteessä (extreme point). Simplex-menetelmässä ekstreemipisteitä,
LisätiedotLP-mallit, L19. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto. Graafisen ratkaisun vaiheet. Optimin olemassaolo
LP-mallit, L19 Yleistä 1 LP-mallit on yksi Operaatioanalyysin (Operations Research) perustyökaluista. Perusongelma: Miten pitää suorittaa operaatio mahdollisimman hyvin, kun käytettävissä on rajalliset
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
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.
LisätiedotTEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Kimmo Berg. Mat Optimointioppi. 9. harjoitus - ratkaisut
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 9. harjoitus - ratkaisut 1. a) Viivahakutehtävä pisteessä x suuntaan d on missä min f(x + λd), λ f(x + λd) = (x
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
LisätiedotTalousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.34 Lineaarinen ohjelmointi..27 Luento 5 Simplexin implementaatioita (kirja 3.2-3.5) Lineaarinen ohjelmointi - Syksy 27 / Luentorunko (/2) Simplexin implementaatiot Naiivi Revised Full tableau Syklisyys
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
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
LisätiedotMalliratkaisut Demo 4
Malliratkaisut Demo 4 1. tehtävä a) f(x) = 2x + 21. Funktio on lineaarinen, joten se on unimodaalinen sekä maksimoinnin että imoinnin suhteen. Funktio on konveksi ja konkaavi. b) f(x) = x (pienin kokonaisluku
LisätiedotMS-C2105 Optimoinnin perusteet Malliratkaisut 4
MS-C2105 Optimoinnin perusteet Malliratkaisut 4 Ehtamo Duaalin muodostamisen muistisäännöt Duaalin muodostamisessa voidaan käyttää muistisääntötaulukkoa, jota voidaan lukea vasemmalta oikealle tai oikealta
LisätiedotOvatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi.
5..0 Tehtävä Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi. (c) (d) Arvostelu Kanta on degeneroitunut jos ja vain jos sitä vastaava kantamatriisi on singulaarinen. Optimissa muuttujan
LisätiedotSuojarakenteiden vaikutus maalin selviytymiseen epäsuoran tulen tai täsmäaseen iskussa
Suojarakenteiden vaikutus maalin selviytymiseen epäsuoran tulen tai täsmäaseen iskussa Patrik Lahti 31.08.2018 Ohjaaja: DI Heikki Puustinen Valvoja: Prof. Kai Virtanen Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotLuento 9: Yhtälörajoitukset optimoinnissa
Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon
LisätiedotT 61.152 Informaatiotekniikan seminaari: Kombinatorinen Optimointi
T 61.152 Informaatiotekniikan seminaari: Kombinatorinen Optimointi Johdantoluento (22.1.2008) Nikolaj Tatti ntatti@cc.hut.fi Johdantoluento Kurssijärjestelyt ja vaatimukset. Kurssin sisällöstä. Hyvä esitelmä
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
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
LisätiedotLuodin massajakauman optimointi
Luodin massajakauman optimointi Janne Lahti 01.09.2017 Ohjaaja: DI Mikko Harju Valvoja: Prof. Kai Virtanen Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki
LisätiedotKimppu-suodatus-menetelmä
Kimppu-suodatus-menetelmä 2. toukokuuta 2016 Kimppu-suodatus-menetelmä on kehitetty epäsileiden optimointitehtävien ratkaisemista varten. Menetelmässä approksimoidaan epäsileitä funktioita aligradienttikimpulla.
LisätiedotDemo 1: Pareto-optimaalisuus
MS-C2105 Optimoinnin perusteet Malliratkaisut 6 Ehtamo Demo 1: Pareto-optimaalisuus Tunnista Pareto-optimaaliset ratkaisut. a) Risk FTW solutions ltd. Creative Solutions ltd. Focus inc. SoftCorp inc. Tull
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/
LisätiedotPäätösanalyysi Teknologföreningenin kiinteistöuudistuksen tukena (valmiin työn esittely)
Päätösanalyysi Teknologföreningenin kiinteistöuudistuksen tukena (valmiin työn esittely) Sara Melander 1.11.2016 Ohjaaja: DI Malin Östman Valvoja: Prof. Kai Virtanen Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 2.2.217 Tehtävä 1 Edellisten demojen tehtävä oli muotoa max 3x 1 + 4x 2 s.t. 7x 1 + 3x 2 24 : v 1 x 1 + 4x 2 17 : v 2 x 2 3 : v 3 x 1, x 2. Kohdefunktio voitiin kirjoittaa myös muotoon
LisätiedotGaussin ja Jordanin eliminointimenetelmä
1 / 25 : Se on menetelmä lineaarisen yhtälöryhmän ratkaisemiseksi. Sitä käytetään myöhemmin myös käänteismatriisin määräämisessä. Ideana on tiettyjä rivioperaatioita käyttäen muokata yhtälöryhmää niin,
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
LisätiedotHarjoitus 7: vastausvihjeet
Taloustieteen matemaattiset menetelmät 31C01100 Kevät 2017 Topi Hokkanen topi.hokkanen@aalto.fi Harjoitus 7: vastausvihjeet 1. (Epäyhtälörajoitteet) Olkoon f (x, y) = 6x + 4y ja g (x, y) = x 2 + y 2 2.
LisätiedotOPERAATIOTUTKIMUKSEN AJATTELUTAPA TUTKIMUSMAAILMASTA TEOLLISUUTEEN
OPERAATIOTUTKIMUKSEN AJATTELUTAPA TUTKIMUSMAAILMASTA TEOLLISUUTEEN MIKKO SYRJÄNEN FORS-ILTAPÄIVÄ 2012 1 / 1 Wärtsilä 3 July 2009 Alku operaatiotutkijana Systeemianalyysin laboratorio, DI 1999 Johdatus
LisätiedotVedonlyöntistrategioiden simulointi ja evaluointi
Vedonlyöntistrategioiden simulointi ja evaluointi Aleksi Avela 15.10.2018 Ohjaaja: Juho Roponen Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin
LisätiedotMonitavoitteinen portfolio-optimointi tiestön päällystämishankkeiden valinnassa. Jaakko Dietrich,
!" # %$&')(+*" #,.-0/214365 798;:
LisätiedotMalliratkaisut Demo 4
Malliratkaisut Demo 4 1. tehtävä a) () = 2+1. Funktio on lineaarinen, joten se on unimodaalinen sekä maksimoinnin että minimoinnin suhteen. Funktio on konveksi ja konkaavi. b) () = (suurin kokonaisluku
LisätiedotLuetteloivat ja heuristiset menetelmät. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki
Luetteloivat ja heuristiset menetelmät Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Branch and Bound sekä sen variaatiot (Branch and Cut, Lemken menetelmä) Optimointiin
LisätiedotReferenssipiste- ja referenssisuuntamenetelmät
Referenssipiste- ja referenssisuuntamenetelmät Optimointiopin seminaari - Kevät 2000 / 1 Esitelmän sisältö Menetelmien ideat Menetelmien soveltaminen Menetelmien ominaisuuksia Optimointiopin seminaari
Lisätiedot