TIES483 Epälineaarinen optimointi
|
|
- Toivo Jaakkola
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 TIES483 Epälineaarinen optimointi Käytännön optimointiongelmien ratkaiseminen Syksy 2012
2 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
3 Esimerkki: Kemiallinen erotusprosessi Tarkastellaan kromatografiaan perustuvaa kemiallista erotusprosessia Käytetään moniin tärkeisiin erotusprosesseihin (mm. sokeri-, petrokemian- ja lääketeollisuudessa) Perustuu eri kemiallisten komponenttien nopeuseroon nesteessä *
4 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)
5 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
6 Kemiallinen erotusprosessi Syöte- ja poistovirtojen paikkaa vaihdetaan säännöllisin väliajoin (askelaika) Säätö muuttujat askelaika virtausnopeudet
7 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
8 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 [%] Sisältyvät tuottofunktioon Mahdollistaa joustavamman tarkastelun ja paljastaa eri tavoitteiden vaikutukset ratkaisuun
9 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
10 Kemiallinen erotusprosessi Kawajiri & Biegler, Journal of Chromatography A, 1133, 2006
11 Kemiallinen erotusprosessi Entäpä jos otetaan kaikki objektifunktiot huomioon samanaikaisesti? Ratkaisu interaktiivisella NIMBUSmenetelmällä Tehtävä mallinnettiin AMPLoptimointialustalla avoin lähestymistapa simulaatiopohjaiseen optimointiin! tehtävän rakenteen hyödyntäminen
12
13 Kemiallinen erotusprosessi Skalarisoidut optimointitehtävät ratkottiin Ipoptoptimoijalla ( sisäpistemenetelmä suurille tehtäville konvergoi globaalisti ja superlineaarisesti mallin rakenteen hyödyntäminen ODY-mallille diskretisointi sekä ajan että paikan suhteen muuttujaa, yhtälörajoitetta Skalarisoidun tehtävän ratkaisu: 16.4 Ipopt iteraatiota (27.6 objf laskentaa) ja 65.8 CPU s keskimäärin Hakanen et al., Control & Cybernetics, 36, 2007
14 Ratkaisuprosessi DM oli asiantuntija kyseisissä prosesseissa
15 Superstruktuuri
16 Miten tehtävä muuttuu?
17 Superstuktuuri Superstruktuuri mallin diskretisointi ajan ja paikan suhteen muuttujaa, yhtälörajoitetta Skalarisoidun tehtävän ratkaisu: 111 Ipopt iteraatiota (406 objf laskentaa) ja 835 CPU s keskimäärin Hakanen et al., In: V. Barichard,M. Ehrgott, X. Gandibleux and V. T kindt (eds.): Multiobjective Programming and Goal Programming, Lecture Notes in Economics and Mathematical Systems, Springer-Verlag, Vol. 618, 2008
18 Ratkaisuprosessi
19 Valitun ratkaisun toteutus
20 Esimerkki: Vesikiertojen optimointi
21 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?
22 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
23 Vesikiertojen optimointi Käytännössä siis annetaan orgaanisen aineen pitoisuuksille ylärajat minimoidaan veden kulutus (yksi objektifunktio) Muuttamalla ylärajoja saadaan erilaisia ratkaisuja rajoiteyhtälömenetelmä vaatii uuden optimoinnin Miten määrittää ylärajat? perustuen insinööritietoon ja nykytekniikkaan liian tiukat ylärajat: ei välttämättä sallittuja ratkaisuita ei saada ratkaisuja, joissa ylärajoja rikotaan entäpä, jos rajoja relaksoitaisiin hieman? Monitavoitteinen muotoilu, jossa pitoisuusrajoitteet myös objektifunktioina (3)
TIES592 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
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 PO pisteiden määräämismenetelmät Idea: tuotetaan erilaisia PO ratkaisuita, joista
LisätiedotTIES483 Epälineaarinen optimointi. Monitavoiteoptimointi Syksy 2012
TIES483 Epälineaarinen optimointi Monitavoiteoptimointi jussi.hakanen@jyu.fi Syksy 2012 Sisältö Johdanto monitavoiteoptimointiin Monitavoiteoptimoinnin käsitteitä Menetelmätyypit Käytännön sovellusesimerkkejä
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 Yleistä https://korppi.jyu.fi/kotka/r.jsp?course=96762 Sisältö Johdanto yksitavoitteiseen
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
LisätiedotTIES483 Epälineaarinen optimointi
TIES483 Epälineaarinen optimointi Käytännön optimointiongelmien ratkaiseminen jussi.hakanen@jyu.fi Syksy 2012 Käytännön optimointiongelmien ratkaiseminen Käytännössä tulee kiinnittää huomiota ainakin seuraaviin
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/
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 Tasaväliset PO pisteet? Painokerroinmenetelmä: muutetaan painoja systemaattisesti
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
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
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
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.
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
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
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
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
LisätiedotJYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö
JYVÄSKYLÄN YLIOPISTO 3. Luennon sisältö Lineaarisen optimointitehtävän sallittu alue Optimointitehtävien muunnoksia Lineaarisen yhtälöryhmän perusmuoto ja perusratkaisut Lineaarisen optimointitehtävän
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
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
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
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
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
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
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.
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
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
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
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
LisätiedotLineaarinen optimointitehtävä
Lineaarinen optimointitehtävä Minimointitehtävä yhtälörajoittein: min kun n j=1 n j=1 c j x j a ij x j = b i x j 0 j = 1,..., n i = 1,..., m Merkitään: z = alkuperäisen objektifunktion arvo käsiteltävänä
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
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
LisätiedotKEMS448 Fysikaalisen kemian syventävät harjoitustyöt
KEMS448 Fysikaalisen kemian syventävät harjoitustyöt Jakaantumislaki 1 Teoriaa 1.1 Jakaantumiskerroin ja assosioituminen Kaksi toisiinsa sekoittumatonta nestettä ovat rajapintansa välityksellä kosketuksissa
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
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
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
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
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
LisätiedotA W F P. A W F P Hellävarainen kemiallinen pesu. Erittäin hellävarainen konepesu enintään ilmoitetussa lämpötilassa.
30 40 50 60 70 95 Konepesu enintään ilmoitetussa lämpötilassa. 30 40 50 60 70 95 Erittäin hellävarainen konepesu enintään ilmoitetussa lämpötilassa. 30 40 Erittäin hellävarainen konepesu enintään ilmoitetussa
LisätiedotOptimoinnin sovellukset
Optimoinnin sovellukset Timo Ranta Tutkijatohtori TTY Porin laitos OPTIMI 4.12.2014 Mitä optimointi on? Parhaan ratkaisun systemaattinen etsintä kaikkien mahdollisten ratkaisujen joukosta Tieteellinen
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
LisätiedotSeoksen pitoisuuslaskuja
Seoksen pitoisuuslaskuja KEMIAA KAIKKIALLA, KE1 Analyyttinen kemia tutkii aineiden määriä ja pitoisuuksia näytteissä. Pitoisuudet voidaan ilmoittaa: - massa- tai tilavuusprosentteina - promilleina tai
LisätiedotMatemaattinen optimointi I, demo
Matemaattinen optimointi I, demo 3 29.1.2015 Demo 3 järjestetään Quantumin mikroluokassa normaaleina demoaikoina. Tavoitteena on harjoitella kurssilla tarvittavien optimointiohjelmistojen käyttöä. Demopisteet
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
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
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
LisätiedotKokonaislukuoptimointi
Kokonaislukuoptimointi Optimointitehtävät, joissa muuttujat tai osa niistä voivat saada vain kokonaislukuarvoja Puhdas kokonaislukuoptimointitehtävä: Kaikki muuttujat kokonaislukuja Sekoitettu kokonaislukuoptimointitehtävä:
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
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
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
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,...,
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 3 7.3.07 Tehtävä Olkoon tilamuuttujat Tällöin saadaan rekursioyhtälö f n (x n ) = max yn {0,} ynwn xn f 0 ( ) = 0. x n = vaiheessa n jäljellä oleva paino, n =,...,N, esine n pakataan
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
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta
Talousmatematiikan perusteet: Luento 14 Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Viime luennolla Tarkastelimme usean muuttujan funktioiden
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
LisätiedotKuvioton metsäsuunnittelu Paikkatietomarkkinat, Helsinki Tero Heinonen
Paikkatietomarkkinat, Helsinki 3.11.2009 Tero Heinonen Sisältö Kuvioton metsäsuunnittelu Optimointi leimikon suunnittelumenetelmänä Verrataan optimointi lähestymistapaa diffuusiomenetelmään Muuttuvat käsittely-yksiköt
LisätiedotTalousmatematiikan perusteet: Luento 15. Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta
Talousmatematiikan perusteet: Luento 15 Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta Viime luennolla Tarkastelimme usean muuttujan funktioiden rajoittamatonta optimointia:
LisätiedotDemo 1: Excelin Solver -liitännäinen
MS-C2105 Optimoinnin perusteet Malliratkaisut 1 Ehtamo Demo 1: Excelin Solver -liitännäinen Ratkaise tehtävä käyttäen Excelin Solveria. max 3x 1 + x 2 s.e. 2x 1 + 5x 2 8 4x 1 + 2x 2 5 x 1, x 2 0 Ratkaisu
LisätiedotOrgaanisten epäpuhtauksien määrittäminen jauhemaisista näytteistä. FT Satu Ikonen, Teknologiakeskus KETEK Oy Analytiikkapäivät 2012, Kokkola
Orgaanisten epäpuhtauksien määrittäminen jauhemaisista näytteistä FT, Teknologiakeskus KETEK Oy Analytiikkapäivät 2012, Kokkola TEKNOLOGIAKESKUS KETEK OY Kokkolassa sijaitseva yritysten osaamisen kehittämiseen
LisätiedotSIMO-pilotointi Metsähallituksessa. SIMO-seminaari
SIMO-pilotointi Metsähallituksessa SIMO-seminaari Hakkuiden optimointi tiimitasolla Metsähallituksen metsissä Heli Virtasen Pro gradu -tutkielma Tutkimusalue ja aineisto Metsätalouden Kainuun alue Kuhmon
LisätiedotKimppu-suodatus-menetelmä
Kimppu-suodatus-menetelmä 2. toukokuuta 2016 Kimppu-suodatus-menetelmä on kehitetty epäsileiden optimointitehtävien ratkaisemista varten. Menetelmässä approksimoidaan epäsileitä funktioita aligradienttikimpulla.
LisätiedotReiluus. Maxmin-reiluus. Tärkeä näkökohta best effort -tyyppisissä palveluissa. Reiluuden maxmin-määritelmä
J. Virtamo 38.3141 Teleliikenneteoria / Reiluus 1 Reiluus Maxmin-reiluus Tärkeä näkökohta best effort -tyyppisissä palveluissa kenellekään ei anneta kvantitatiivisia QoS-takuita kaikkien pitää saada palvelua
LisätiedotKuljetustehtävä. Materiaalia kuljetetaan m:stä lähtöpaikasta n:ään tarvepaikkaan. Kuljetuskustannukset lähtöpaikasta i tarvepaikkaan j ovat c ij
Kuljetustehtävä Materiaalia kuljetetaan m:stä lähtöpaikasta n:ään tarvepaikkaan Kuljetuskustannukset lähtöpaikasta i tarvepaikkaan j ovat c ij Lähtöpaikan i kapasiteetti on a i (oletetaan, että a i > 0
LisätiedotSeosten erotusmenetelmiä
Seosten erotusmenetelmiä KEMIAA KAIKKIALLA, KE1 Kemiassa on usein tarve erottaa niin puhtaita aineita kuin myös seoksia toisistaan. Seoksesta erotetaan sen komponentteja (eli seoksen muodostavia aineita)
LisätiedotPK-yrityksen kokemuksia KaivosVV:stä ja mitä
PK-yrityksen kokemuksia KaivosVV:stä ja mitä olemme tehneet sen aikana SanOx Ltd, Jukka Hakola, Commercial Director Jukka.hakola@sansox.fi +358 40 500 1123 DOUBLE WINNER OF EU INNOVATION AWARD 2014 OxTube,
LisätiedotDuaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki
Duaalisuus kokonaislukuoptimoinnissa Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Duaalisuus binäärisissä optimointitehtävissä Lagrangen duaalisuus Lagrangen
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
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
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
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
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
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
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.
LisätiedotSiipikarjanlannasta biokaasua
Siipikarjanlannasta biokaasua Sari Luostarinen Erikoistutkija, FT, Dos. sari.luostarinen@luke.fi Biokaasuprosessi Proteiinit Hiilihydraatit Rasvat HYDROLYYSI Eloperäisen materiaalin mikrobiologinen hajotus
LisätiedotUusi ejektoripohjainen hiilidioksidin talteenotto-menetelmä. BioCO 2 -projektin loppuseminaari elokuuta 2018, Jyväskylä.
Uusi ejektoripohjainen hiilidioksidin talteenotto-menetelmä BioCO 2 -projektin loppuseminaari - 30. elokuuta 2018, Jyväskylä Kristian Melin Esityksen sisältö Haasteet CO 2 erotuksessa Mitä uutta ejektorimenetelmässä
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
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
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.
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
LisätiedotEri maankäyttömuotojen vaikutuksesta liukoisen orgaanisen aineksen määrään ja laatuun tapaustutkimus
TASO-hankkeen loppuseminaari 11.11.2013 Eri maankäyttömuotojen vaikutuksesta liukoisen orgaanisen aineksen määrään ja laatuun tapaustutkimus Jarkko Akkanen Biologian laitos Joensuun kampus OSAHANKE Turvetuotannon
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.
LisätiedotKiintoaineen ja ravinteiden poiston tehostaminen yhdyskuntajätevedestä mikrosiivilällä. Petri Nissinen, Pöyry Finland Oy
Kiintoaineen ja ravinteiden poiston tehostaminen yhdyskuntajätevedestä mikrosiivilällä Petri Nissinen, Pöyry Finland Oy Prof. Jukka Rintala ja Asst.Prof. Marika Kokko Kemian ja biotekniikan laboratorio,
LisätiedotKonesalin jäähdytysjärjestelmän mallinnus, simulointi ja optimointi. To 4.6.2015 Merja Keski-Pere
Konesalin jäähdytysjärjestelmän mallinnus, simulointi ja optimointi To 4.6.2015 Merja Keski-Pere Konesaleista Digitalisaation lisääntyminen palvelinkapasiteettia lisää Eurooppaan arviolta jopa 60 uutta
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
LisätiedotMat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5
Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 1. Kotitehtävä. 2. Lasketaan aluksi korkoa korolle. Jos korkoprosentti on r, ja korko maksetaan n kertaa vuodessa t vuoden ajan, niin kokonaisvuosikorko
LisätiedotEllipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio
Ellipsoidimenetelmä Kokonaislukuoptimointi Sovelletun matematiikan lisensiaattiseminaari Kevät 2008 / 1 Sisällys Ellipsoidimenetelmän geometrinen perusta ja menetelmän idea Formaali ellipsoidimenetelmä
LisätiedotLiuottimien analytiikka. MUTKU-päivät 2016, 16.3.2016 Jarno Kalpala, ALS Finland Oy
Liuottimien analytiikka MUTKU-päivät 2016, 16.3.2016 Jarno Kalpala, ALS Finland Oy RIG H T S O L U T I O N S R IGH T PA RT N ER Sisältö Terminologia Näytteenoton ja analysoinnin suurimmat riskit ja niiden
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
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
LisätiedotVaipparakenteen merkitys jäähallin energiankulutuksessa
Vaipparakenteen merkitys jäähallin energiankulutuksessa Jäähallipäivät 15.4.2015 Diplomityö Matti Partanen & Ari Laitinen Esityksen sisältö 1. Tutkimuksen tausta 2. Tutkimuksen tavoitteet 3. Tutkimuksen
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
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) () = 2+1. Funktio on lineaarinen, joten se on unimodaalinen sekä maksimoinnin että minimoinnin suhteen. Funktio on konveksi ja konkaavi. b) () = (suurin kokonaisluku
LisätiedotMOOLIMASSA. Vedyllä on yksi atomi, joten Vedyn moolimassa M(H) = 1* g/mol = g/mol. ATOMIMASSAT TAULUKKO
MOOLIMASSA Moolimassan symboli on M ja yksikkö g/mol. Yksikkö ilmoittaa kuinka monta grammaa on yksi mooli. Moolimassa on yhden moolin massa, joka lasketaan suhteellisten atomimassojen avulla (ATOMIMASSAT
LisätiedotKEMIA. Kemia on tiede joka tutkii aineen koostumuksia, ominaisuuksia ja muuttumista.
KEMIA Kemia on tiede joka tutkii aineen koostumuksia, ominaisuuksia ja muuttumista. Kemian työturvallisuudesta -Kemian tunneilla tutustutaan aineiden ominaisuuksiin Jotkin aineet syttyvät palamaan reagoidessaan
LisätiedotOPERAATIOTUTKIMUS METSÄTALOUDESSA
OPERAATIOTUTKIMUS METSÄTALOUDESSA Jyrki Kangas, UPM Metsä & Annika Kangas, Helsingin yliopisto Alustus FORS-seminaarissa 'Operaatiotutkimus metsäsektorilla' 24.5.2006 Helsinki Tyypillisimmät OR-tehtävät
Lisätiedot