Duaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

Download "Duaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki"

Transkriptio

1 Duaalisuus kokonaislukuoptimoinnissa Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki

2 Sisältö Duaalisuus binäärisissä optimointitehtävissä Lagrangen duaalisuus Lagrangen duaalien geometria ja ratkaiseminen Yhteenveto

3 Duaalisuus binäärisissä tehtävissä Perustehtävä Z IP = max c x (4.1) ehdolla: Ax = b, x {0,1} n. Lisäehto: Ax = 0, x 0 x = 0. (4.1*) (Jos lisäehto ei toteudu, niin tehtävä voidaan muuttaa muotoon, jossa se toteutuu lisäämällä uudet muuttujat ja ehdot: x i + x i+n = 1, i = 1,, n)

4 Duaalisuus binäärisissä tehtävissä Uusi lineaarinen tehtävä R 2^n :ssä: Z LP1 = max S N ( j S c j )w S (4.2) ehdoilla: ( j S A j -b)w S = 0, S N, S N w S = 1, w S 0. (Huom! N = {1,, n}. Komponentit w S R, missä S N muodostavat vektorin w R 2^n, koska N:llä 2 n kpl osajoukkoja S N)

5 Duaalisuus binäärisissä tehtävissä Jokaista osajoukkoa S N vastaa vektori x: x j = 1, kun j S, x j = 0, kun j S. Em. vektorille x pätee: c x = ( j S c j ), Ax - b = ( j S A j - b).

6 Duaalisuus binäärisissä tehtävissä Lause 4.1 Z IP = Z LP1

7 Duaalisuus binäärisissä tehtävissä Lineaarinen muunnos y S = T:S T w T. (4.3) Uusi lineaarinen optimointitehtävä R 2^n :ssä: Z LP2 = max j N c j y {j} (4.4) ehdoilla: ( j S A j - b)y S + j S A j y S {j} = 0, S N, ( j N A j - b)y N = 0, y S 0, S N, S, y = 1.

8 Duaalisuus binäärisissä tehtävissä Lause 4.2 Jos lisäehto (4.1*) on voimassa, eli vektori 0 on tehtävän Ax = 0, x 0 ainoa käypä ratkaisu, niin pätee: Z LP1 = Z LP2

9 Duaalisuus binäärisissä tehtävissä Muuttuja y = 1 on vakio, joten se voidaan poistaa tehtävästä. Uusi muotoilu tehtävälle (4.4) on siten: Z = max LP2 j N c j y {j} (4.8) ehdoilla: j N A j y {j} = b, ( j S A j - b)y S + j S A j y S {j} = 0, S, N, ( j N A j - b)y N = 0, y S 0, S N, S.

10 Duaalisuus binäärisissä tehtävissä Edellämainitulla tehtävällä (4.8) on lineaarinen duaalitehtävä (kanoninen LPduaali): Minimoi u b (4.9) ehdoilla: u {j} (A j - b) + u A j c j, j N, u S( j S A j -b)+ j S u S\{j} A j 0, S N, S 2.

11 Duaalisuus binäärisissä tehtävissä Lause 4.3 (Binäärioptimoinnin duaalisuus) Oletetaan, että lisäehto (LE) on voimassa. Tällöin pätee: (a) (Heikko duaalisuus): Jos x on käypä ratkaisu ongelmalle (4.1) ja u on käypä ratkaisu ongelmalle (4.9), niin c x u b. (b) (Vahva duaalisuus): Jos alkuperäisellä tehtävällä (4.1) on optimaalinen ratkaisu, niin myös duaalitehtävällä (4.9) on ja vastaavat optimikustannukset ovat samat.

12 Duaalisuus binäärisissä tehtävissä Lause 4.4 (Komplementaarinen slackness) Olkoot x ja u perustehtävän (4.1) ja sen duaalin (4.9) käypiä ratkaisuja. Tällöin x ja u ovat optimaalisia ratkaisuja jos ja vain jos: (u {j} (A j - b) + u A j -c j )x j = 0, j N, (4.10) (u S( j S A j -b)+ j S u S\{j} A j ) j S x j = 0, S N, S 2.

13 Duaalisuus binäärisissä tehtävissä Perustehtävä epäyhtälöehdolla: Z IP = max c x (4.12) ehdolla: Ax b, x {0,1} 2n. (Tässä oletettu, että ylimääräiset muuttujat ja ehdot (x i + x i+n = 1, i=1,, n) sisällytetty epäyhtälöön Ax b muodossa x i + x i+n 1)

14 Duaalisuus binäärisissä tehtävissä HUOM! Seuraavat tulokset täysin analogisia alussa esitetystä tehtävästä (4.1) johdetuille Lineaarinen tehtävä saa muodon: Z LP1 = max S N ( j S c j )w S (4.13) ehdoilla: ( j S A j -b)w S 0, S N, S N w S = 1, w S 0. (vrt. 4.2)

15 Duaalisuus binäärisissä tehtävissä Lineaarinen muunnos y S = T:S T w T antaa: Z LP2 = max j N c j y {j} (4.14) ehdoilla: ( j S A j -b)y S + j S A j y S {j} 0, S N, ( j N A j -b)y N = 0, y S 0, S N, S, y = 1. (vrt. 4.4)

16 Duaalisuus binäärisissä tehtävissä Lausetta 4.2 vastaava tulos antaa: Z IP = Z LP1 = Z LP2

17 Duaalisuus binäärisissä tehtävissä LP-tehtävän (4.14) (kanoninen ) LPduaalitehtävä on: Z D = min u b (4.15) ehdoilla: u {j} (A j - b) + u A j c j, j N, u S( j S A j -b)+ j S u S\{j} A j 0, S N, S 2, u S 0, S N. (vrt. 4.9) (Tälle on olemassa lauseita (4.3) ja (4.4) vastaavat tulokset)

18 Duaalisuus binäärisissä tehtävissä Propositio 4.1 Tehtävällä (4.15) on eksponentiaalinen määrä muuttujia ja ehtoja, mutta sille voidaan muodostaa sitä approksimoivien tehtävien jono, jolle pätee: Z IP = Z D = Z n Z n-1 Z 1 Z 0 = Z LP.

19 Lagrangen duaalisuus Olkoon annettu tehtävä: Z IP = min c x (4.23) ehdoilla: Ax b, Dx d, x Z n, missä A, D, b, c, d sisältävät vain kokonaislukuja.

20 Lagrangen duaalisuus Olkoon F (4.23):n jälkimmäiseen ehtoon liittyvä joukko F = {x Z n Dx d}. Otetaan käyttöön duaaliset muuttujat λ 1, λ 2,, λ m, (λ j R, λ j 0) jokaista ehtoa (Ax) j b j kohti. Yhdessä nämä muodostavat vektorin λ := {λ 1, λ 2,, λ m } R m, λ 0.

21 Lagrangen duaalisuus Saadaan tehtävä: Z(λ) = min c x + λ (b - Ax) (4.24) ehdolla: x F

22 Lagrangen duaalisuus Propositio 4.4 (a) Jos tehtävällä (4.23) on optimaalinen ratkaisu, niin Z(λ) Z IP, λ 0. (b) Funktio Z(λ) on konkaavi.

23 Lagrangen duaalisuus Saadaan tehtävä: Z D = max Z(λ) (4.25) ehdolla: λ 0.

24 Lagrangen duaalisuus Lause 4.8 (Heikko duaalisuus) Z D Z IP.

25 Lagrangen duaalisuus Lause 4.9 (4.25):n optimiarvo Z D on yhtä suuri kuin seuraavan lineaarisen tehtävän optimiarvo: Minimoi c x ehdoilla: Ax b, x conv(f).

26 Lagrangen duaalisuus Olkoon nyt (4.23):lla seuraava relaksaatio: Z LP = min c x ehdoilla: Ax b, Dx d, missä siis x R n.

27 Lagrangen duaalisuus Tällöin pätee epäyhtälöketju: Z LP Z D Z IP. (Seuraa lauseista (4.8) ja (4.9))

28 Lagrangen duaalisuus Esimerkki 4.3 Z IP = min 3x 1 x 2 ehdoilla: x 1 x 2-1, -x 1 + 2x 2 5, 3x 1 + 2x 2 3, 6x 1 + x 2 15, x 1, x 2 Z;x 1, x 2 0.

29 Lagrangen duaalisuus Esimerkki 4.3 Relaksoidaan ensimmäinen epäyhtälö: x 1 x 2-1. Muut ehdot muodostavat joukon F: F = {(1,0), (2,0), (1,1), (2,1), (0,2), (1,2), (2,2), (1,3), (2,3) }. Saadaan funktio Z(λ), λ 0: Z(λ) = min (x1, x2) F (3x 1 -x 2 + λ(-1 - x 1 + x 2 ))

30 Lagrangen duaalisuus Esimerkki 4.3 Tässä tapauksessa on Z(λ) pienin seuraavista funktioista: 3-2λ, 6-3λ, 2-λ, 5-2λ, -2+λ, 1, 4-λ, λ, 3, jotka vastaavat joukon F yhdeksää pistettä Saadaan: Z(λ) = -2+λ, kun 0 λ 5/3 3-2λ, kun 5/3 λ 3 6-3λ, kun 3 λ. (Nähdään, että Z(λ) todellakin paloittain lineaarinen ja konkaavi)

31 Lagrangen duaalisuus Esimerkki 4.3 Funktion Z(λ) maksimi Z D = max λ 0 Z(λ) = -1/3 saavutetaan kohdassa λ = 5/3.

32 Lagrangen duaalisuus Esimerkki 4.3 Toisaalta, voidaan tutkia alkuperäisen tehtävän lineaarista relaksaatiota: Z LP = min 3x 1 x 2 ehdoilla: x 1 x 2-1, -x 1 + 2x 2 5, 3x 1 + 2x 2 3, 6x 1 + x 2 15, x 1, x 2 R;x 1, x 2 0. Tällä on ratkaisu Z LP = -3/5 (saadaan esim. simplexillä) Alkuperäisen tehtävän ratkaisu on Z IP = 1. (löydetään esim. B&B:llä tai tutkimalla kaikki vaihtoehdot)

33 Lagrangen duaalisuus Esimerkki 4.3 Epäyhtälöketju: Z LP Z D Z IP toteutuu nyt arvoilla -3/5-1/3 1.

34 Lagrangen duaalisuus Esimerkki 4.4 (a) Minimoitavalla funktiolla 3x 1 x 2 päti: Z LP < Z D < Z IP. (b) Minimoitavalla funktiolla -x 1 + x 2 pätisi: Z LP < Z D = Z IP. (c) Minimoitavalla funktiolla -x 1 x 2 pätisi: Z LP = Z D = Z IP.

35 Lagrangen duaalisuus Seurauslause 4.1 (a) Z IP = Z D kaikilla kustannusvektoreilla c, jos ja vain jos: conv(f {x Ax b}) = conv(f) {x Ax b}. (b) Z LP = Z D kaikilla kustannusvektoreilla c, jos ja vain jos: conv(f) = {x Dx d}.

36 Lagrangen duaalien geometria ja ratkaiseminen Propositio 4.5 Funktio f: R n Ron konkaavi jos ja vain jos jokaiselle x * R n on olemassa vektori s siten, että: f(x) f(x * ) + s (x - x * ) kaikilla x R n

37 Lagrangen duaalien geometria ja ratkaiseminen Määritelmä 4.3 Olkoon f: R n Rkonkaavi. Vektoria s, jolle pätee: f(x) f(x * ) + s (x - x * ) kaikilla x R n, kutsutaan f:n aligradientiksi kohdassa x *. Kaikkien f:n aligradienttien joukkoa kohdassa x * merkitään f(x * ) ja kutsutaan f:n alidifferentiaaliksi kohdassa x *. (Huom. Jos f derivoituva kohdassa x *, niin f(x * ) = { f(x * ) })

38 Lagrangen duaalien geometria ja ratkaiseminen Propositio 4.6 Olkoon f: R n Rkonkaavi. Tällöin vektori x * R n maksimoi funktion f R n :ssä, jos ja vain jos 0 f(x * ).

39 Lagrangen duaalien geometria ja ratkaiseminen Olkoon K indeksijoukko, joka vastaa conv(f):n kärkipisteitä. (Merkitään tällöin k:nnetta kärkipistettä x k ). Määritellään f k = b - Ax k h k = c x k. Tällöin Z(λ) = min k K (h k + f kλ), (Huom: em. esitysmuodosta selvästi nähdään, että Z(λ) on paloittain lineaarinen.)

40 Lagrangen duaalien geometria ja ratkaiseminen Propositio 4.7 Olkoot Z(λ) = min k K (h k + f kλ) ja E(λ) = {k K Z(λ) = h k + f kλ}. Tällöin kaikille λ * 0 pätee: (a) Kaikille k E(λ * ), f k on funktion Z(.) aligradientti kohdassa λ *. (b) f(λ * ) = conv({f k k E(λ * )}). (ts. s on Z(.):n aligradientti, jos ja vain jos s on vektorien f k, k E(λ * ) konveksi kombinaatio.)

41 Lagrangen duaalien geometria ja ratkaiseminen Algoritmi 4.1 Syöte: Ei-differentiotuva konkaavi funktio Z(λ). Tuloste: Z(λ):n maksimoiva λ:n arvo ehdolla λ 0. Algoritmi: 1. Valitse alkuarvo λ 1 0; aseta t = Tarkista kuuluuko 0-vektori Z(λ t ):hen. Jos kuuluu, niin tällöin λ t on optimaalinen ja algoritmi pysähtyy. Muussa tapauksessa valitse jokin funktion Z(λ t ) aligradientti s t. 3. Aseta λ j t+1 = max {λ jt + θ t s jt, 0}, missä θ t on positiivinen askelparametri. Kasvata t:tä (t t+1) ja palaa kohtaan 2.

42 Lagrangen duaalien geometria ja ratkaiseminen Huomio 1 Käytännössä vektoriksi s t valitaan jotakin conv(f):n kärkipistettä k vastaava aligradientti f k.

43 Lagrangen duaalien geometria ja ratkaiseminen Huomio 2 Seuraavat ehdot takaavat algoritmin (4.1) suppenemisen kohti minimiä: t=1... θ t = ja lim t θ t = 0. Tällainen funktio on esimerkiksi: θ t =1/t. Käytännössä sillä laskettaessa suppeneminen on usein hidasta ja siksi suositaan toisentyyppisiä funktioita kuten: θ t = θ 0 α t tai θ t = f[ẑ D -Z(λ t )]/ / s t 2, missä 0 < f < 2 ja Ẑ D on optimiarvon Z D estimaatti)

44 Lagrangen duaalien geometria ja ratkaiseminen Huomio 3 Käytännössä kriteeri 0 Z(λ t ) saavutetaan harvoin. Usein algoritmi (4.1) pysäytetään, kun jokin ennalta-asetettu maksimimäärä iteraatioita on suoritettu.

45 Lagrangen duaalien geometria ja ratkaiseminen Esimerkki 4.6 Sovelletaan aligradienttimenetelmää esimerkkiin (4.3) Z(λ) = min{3-2λ, 6-3λ, 2-λ, 5-2λ, -2+λ, 1, 4- λ, λ, 3} F = {(1,0), (2,0), (1,1), (2,1), (0,2), (1,2), (2,2), (1,3), (2,3) }. Olkoot θ t = 0.8 t ja λ 1 = 5

46 Lagrangen duaalien geometria ja ratkaiseminen Esimerkki 4.6 Aligradienttimenetelmän kymmenen ensimmäistä iteraatioaskelta t λ t 5,00 2,60 1,32 1,83 1,01 1,34 1,60 1,81 1,48 1,61 s t Z(λ) t -9,00-2,20-0,68-0,66-0,99-0,66-0,40-0,62-0,52-0,39

47 Yhteenveto Binääriselle optimointitehtävälle on löydettävissä lineaarinen duaalitehtävä, jolle pätee vahva duaalisuus Eksponentiaalinen määrä termejä, mutta voidaan käyttää approksimaatioita Kokonaislukutehtävälle voidaan muodostaa vaihtoehtoisia Lagrangen duaaleja Yleensä pätee vain heikko duaalisuus Ratkaisuja voidaan hakea aligradienttimentelmällä

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista x + αd, α 0, on pisteestä x R n alkava puolisuora, joka on vektorin d suuntainen. Samoin

Lisätiedot

KKT: log p i v 1 + v 2 x i = 0, i = 1,...,n.

KKT: log p i v 1 + v 2 x i = 0, i = 1,...,n. TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 7. harjoitus - ratkaisut 1. Oletetaan aluksi, että epäyhtälöt eivät ole aktiivisia p i > 0. Tässä tapauksess KKTehdot

Lisätiedot

Ellipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio

Ellipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio Ellipsoidimenetelmä Kokonaislukuoptimointi Sovelletun matematiikan lisensiaattiseminaari Kevät 2008 / 1 Sisällys Ellipsoidimenetelmän geometrinen perusta ja menetelmän idea Formaali ellipsoidimenetelmä

Lisätiedot

Lineaarinen 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, 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

Lisätiedot

Piiri K 1 K 2 K 3 K 4 R R

Piiri 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

Lisätiedot

Luento 9: Yhtälörajoitukset optimoinnissa

Luento 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

Lisätiedot

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista. + αd, α 0, on pisteessä R n alkava puolisuora, joka on vektorin d suuntainen. Samoin 2

Lisätiedot

Harjoitus 6 ( )

Harjoitus 6 ( ) Harjoitus 6 (30.4.2014) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s.t. g(x) 0 h(x) = 0 x X (1) olevan optimointitehtävän Lagrangen duaali on max θ(u,v) s.t. u 0,

Lisätiedot

Luetteloivat ja heuristiset menetelmät. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki

Luetteloivat 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

Lisätiedot

Kokonaislukuoptiomointi Leikkaustasomenetelmät

Kokonaislukuoptiomointi Leikkaustasomenetelmät Kokonaislukuoptiomointi Leikkaustasomenetelmät Systeemianalyysin Laboratorio 19.3.2008 Sisällys Leikkaustasomenetelmät yleisesti Leikkaustasomenetelmät generoivilla kokonaislukujoukoilla Gomoryn leikkaavat

Lisätiedot

Luento 4: Lineaarisen tehtävän duaali

Luento 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

Lisätiedot

Luento 11: Rajoitusehdot. Ulkopistemenetelmät

Luento 11: Rajoitusehdot. Ulkopistemenetelmät Luento 11: Rajoitusehdot. Ulkopistemenetelmät ja sisäpistemenetelmät Lagrangen välttämättömien ehtojen ratkaiseminen Newtonin menetelmällä Jos tehtävässä on vain yhtälörajoituksia, voidaan minimipistekandidaatteja

Lisätiedot

1 Rajoitettu optimointi I

1 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

Lisätiedot

1 Kertaus. Lineaarinen optimointitehtävä on muotoa:

1 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

Lisätiedot

b 1. b m ) + ( 2b Ax) + (b b)

b 1. b m ) + ( 2b Ax) + (b b) TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-9 Optimointioppi Kimmo Berg 5 harjoitus - ratkaisut min Ax b (vertaa PNS-tehtävät) a x + + a n x n a) Ax b = a m x + + a mn x n = x a a m }{{}

Lisätiedot

min 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

min 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

Lisätiedot

Osakesalkun optimointi. Anni Halkola Turun yliopisto 2016

Osakesalkun 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.

Lisätiedot

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä

4. 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

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat Lineaarinen ohjelmointi Mat-.34 Lineaarinen ohjelmointi 9..7 Luento Kokonaislukuoptimoinnin algoritmeja (kirja.-.) Lineaarinen ohjelmointi - Syksy 7 / Luentorunko Gomoryn leikkaava taso Branch & Bound Branch & Cut Muita menetelmiä

Lisätiedot

Kokonaislukuoptimointi

Kokonaislukuoptimointi Kokonaislukuoptimointi Algebrallisen geometrian sovelluksia Sisältö Taustaa algebrallisesta geometriasta Gröbnerin kanta Buchbergerin algoritmi Kokonaislukuoptimointi Käypyysongelma Algoritmi ratkaisun

Lisätiedot

2 Osittaisderivaattojen sovelluksia

2 Osittaisderivaattojen sovelluksia 2 Osittaisderivaattojen sovelluksia 2.1 Ääriarvot Yhden muuttujan funktiolla f(x) on lokaali maksimiarvo (lokaali minimiarvo) pisteessä a, jos f(x) f(a) (f(x) f(a)) kaikilla x:n arvoilla riittävän lähellä

Lisätiedot

Lineaarinen optimointitehtävä

Lineaarinen 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

Lisätiedot

Osakesalkun optimointi

Osakesalkun 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

Lisätiedot

2 Konveksisuus ja ratkaisun olemassaolo

2 Konveksisuus ja ratkaisun olemassaolo 2 Konveksisuus ja ratkaisun olemassaolo Ratkaisun olemassaolon tutkimiseen tarvitaan perustietoja konvekseista joukoista ja lineaarialgebrasta. Niitä tarvitaan myös ratkaisualgoritmin ymmärtämiseen. Tutkitaan

Lisätiedot

MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta

MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta 8..206 Gripenberg, Nieminen, Ojanen, Tiilikainen, Weckman Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi

Lisätiedot

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee

Lisätiedot

Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja

Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja Seuraavassa esitetään optimointitehtävien numeerisia ratkaisumenetelmiä, eli optimointialgoritmeja, keittokirjamaisesti.

Lisätiedot

Taustatietoja ja perusteita

Taustatietoja ja perusteita Taustatietoja ja perusteita Vektorit: x R n pystyvektoreita, transpoosi x T Sisätulo: x T y = n i=1 x i y i Normi: x = x T x = ni=1 x 2 i Etäisyys: Kahden R n :n vektorin välinen etäisyys x y 1 Avoin pallo:

Lisätiedot

Kimppu-suodatus-menetelmä

Kimppu-suodatus-menetelmä Kimppu-suodatus-menetelmä 2. toukokuuta 2016 Kimppu-suodatus-menetelmä on kehitetty epäsileiden optimointitehtävien ratkaisemista varten. Menetelmässä approksimoidaan epäsileitä funktioita aligradienttikimpulla.

Lisätiedot

Harjoitus 7: vastausvihjeet

Harjoitus 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.

Lisätiedot

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016 Antti Rasila

Lisätiedot

Luento 8: Epälineaarinen optimointi

Luento 8: Epälineaarinen optimointi Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori = (,..., ). Reaalisten m n-matriisien joukkoa merkitään

Lisätiedot

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

Talousmatematiikan 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,

Lisätiedot

Ratkaisuehdotus 2. kurssikoe

Ratkaisuehdotus 2. kurssikoe Ratkaisuehdotus 2. kurssikoe 4.2.202 Huomioitavaa: - Tässä ratkaisuehdotuksessa olen pyrkinyt mainitsemaan lauseen, johon kulloinenkin päätelmä vetoaa. Näin opiskelijan on helpompi jäljittää teoreettinen

Lisätiedot

6. Luennon sisältö. Lineaarisen optimoinnin duaaliteoriaa

6. 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

Lisätiedot

Harjoitus 6 ( )

Harjoitus 6 ( ) Harjoitus 6 (21.4.2015) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s. t. g(x) 0 h(x) = 0 x X olevan optimointitehtävän Lagrangen duaali on missä max θ(u, v) s. t.

Lisätiedot

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 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

Lisätiedot

8. Ensimmäisen käyvän kantaratkaisun haku

8. Ensimmäisen käyvän kantaratkaisun haku 38 8. Ensimmäisen käyvän kantaratkaisun haku Edellä kuvattu simplex-algoritmi tarvitsee alkuratkaisuksi käyvän kantaratkaisun eli käyvän joukon kärkipisteen. Sellaisen voi konstruoida seuraavilla tavoilla:

Lisätiedot

Numeeriset menetelmät

Numeeriset 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

Lisätiedot

1 Johdanto LP tehtävän luonteen tarkastelua Johdanto herkkyysanalyysiin Optimiarvon funktio ja marginaalihinta

1 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

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat Lineaarinen ohjelmointi Mat-.34 Lineaarinen ohjelmointi 5..7 Luento Kertausta Lineaarinen ohjelmointi - Syksy 7 / LP ja Simplex Kurssin rakenne Duaalisuus ja herkkyysanalyysi Verkkotehtävät Kokonaislukutehtävät Lineaarinen ohjelmointi

Lisätiedot

Malliratkaisut Demot

Malliratkaisut 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

Lisätiedot

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Kotitehtävät, tammikuu 2011 Vaikeampi sarja 1. Ratkaise yhtälöryhmä w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Ratkaisu. Yhtälöryhmän ratkaisut (w, x, y, z)

Lisätiedot

Shorin algoritmin matematiikkaa Edvard Fagerholm

Shorin algoritmin matematiikkaa Edvard Fagerholm Edvard Fagerholm 1 Määritelmiä Määritelmä 1 Ryhmä G on syklinen, jos a G s.e. G = a. Määritelmä 2 Olkoon G ryhmä. Tällöin alkion a G kertaluku ord(a) on pienin luku n N \ {0}, jolla a n = 1. Jos lukua

Lisätiedot

TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS

TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS 1. Suorakaiteen muotoisen lämmönvaraajan korkeus on K, leveys L ja syvyys S yksikköä. Konvektiosta ja säteilystä johtuvat lämpöhäviöt ovat verrannollisia lämmönvaraajan lämpötilan T ja ympäristön lämpötilan

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 9 1 Implisiittinen derivointi Tarkastellaan nyt yhtälöä F(x, y) = c, jossa x ja y ovat muuttujia ja c on vakio Esimerkki tällaisesta yhtälöstä on x 2 y 5 + 5xy = 14

Lisätiedot

Funktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina.

Funktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Funktiot Tässä luvussa käsitellään reaaliakselin osajoukoissa määriteltyjä funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Avoin väli: ]a, b[ tai ]a, [ tai ],

Lisätiedot

Este- ja sakkofunktiomenetelmät

Este- ja sakkofunktiomenetelmät Este- ja sakkofunktiomenetelmät Keijo Ruotsalainen Mathematics Division Luennon kulku Este- ja sisäpistemenetelmät LP-ongelmat ja logaritminen estefunktio Polun seuranta Newtonin menetelmällä Sakkofunktiomenetelmistä

Lisätiedot

Ratkaisuehdotus 2. kurssikokeeseen

Ratkaisuehdotus 2. kurssikokeeseen Ratkaisuehdotus 2. kurssikokeeseen 4.2.202 (ratkaisuehdotus päivitetty 23.0.207) Huomioitavaa: - Tässä ratkaisuehdotuksessa olen pyrkinyt mainitsemaan lauseen, johon kulloinenkin päätelmä vetoaa. Näin

Lisätiedot

Kokonaislukuoptimointi

Kokonaislukuoptimointi Kokonaislukuoptimointi Optimointitehtävät, joissa muuttujat tai osa niistä voivat saada vain kokonaislukuarvoja Puhdas kokonaislukuoptimointitehtävä: Kaikki muuttujat kokonaislukuja Sekoitettu kokonaislukuoptimointitehtävä:

Lisätiedot

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista 6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 6 24.4.2017 Tehtävä 1 Määritelmän (ks. luentomonisteen s. 107) mukaan yleisen muotoa min f(x) s.t. g(x) 0 h(x) = 0 x X (1) olevan optimointitehtävän Lagrangen duaali on min θ(u,v)

Lisätiedot

Matematiikan perusteet taloustieteilij oille I

Matematiikan perusteet taloustieteilij oille I Matematiikan perusteet taloustieteilijöille I Harjoitukset syksy 2006 1. Laskeskele ja sieventele a) 3 27 b) 27 2 3 c) 27 1 3 d) x 2 4 (x 8 3 ) 3 y 8 e) (x 3) 2 f) (x 3)(x +3) g) 3 3 (2x i + 1) kun, x

Lisätiedot

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos 19.9.2016 Pekka Alestalo, Jarmo

Lisätiedot

k=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu

k=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu LIS AYKSI A kirjaan Reaalimuuttujan analyysi 1.6. Numeerinen integrointi: Gaussin kaavat Edella kasitellyt numeerisen integroinnin kaavat eli kvadratuurikaavat Riemannin summa, puolisuunnikassaanto ja

Lisätiedot

Talousmatematiikan 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 Talousmatematiikan perusteet: Luento 14 Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Viime luennolla Tarkastelimme usean muuttujan funktioiden

Lisätiedot

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 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

Lisätiedot

Malliratkaisut Demo 4

Malliratkaisut 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

Lisätiedot

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141 Lineaarialgebra ja matriisilaskenta II LM2, Kesä 2012 1/141 Kertausta: avaruuden R n vektorit Määritelmä Oletetaan, että n {1, 2, 3,...}. Avaruuden R n alkiot ovat jonoja, joissa on n kappaletta reaalilukuja.

Lisätiedot

Konjugaattigradienttimenetelmä

Konjugaattigradienttimenetelmä Konjugaattigradienttimenetelmä Keijo Ruotsalainen Division of Mathematics Konjugaattigradienttimenetelmä Oletukset Matriisi A on symmetrinen: A T = A Positiivisesti definiitti: x T Ax > 0 kaikille x 0

Lisätiedot

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0. Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 8 To 29.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 8 To 29.9.2011 p. 1/36 p. 1/36 Interpolointi kuutiosplinillä Osavälit: I i = [t i 1,t i ], i = 1,2,...,n

Lisätiedot

Kahden suoran leikkauspiste ja välinen kulma (suoraparvia)

Kahden suoran leikkauspiste ja välinen kulma (suoraparvia) Kahden suoran leikkauspiste ja välinen kulma (suoraparvia) Piste x 0, y 0 on suoralla, jos sen koordinaatit toteuttavat suoran yhtälön. Esimerkki Olkoon suora 2x + y + 8 = 0 y = 2x 8. Piste 5,2 ei ole

Lisätiedot

Matematiikan peruskurssi (MATY020) Harjoitus 10 to

Matematiikan peruskurssi (MATY020) Harjoitus 10 to Matematiikan peruskurssi (MATY00) Harjoitus 10 to 6.3.009 1. Määrää funktion f(x, y) = x 3 y (x + 1) kaikki ensimmäisen ja toisen kertaluvun osittaisderivaatat. Ratkaisu. Koska f(x, y) = x 3 y x x 1, niin

Lisätiedot

Luento 8: Epälineaarinen optimointi

Luento 8: Epälineaarinen optimointi Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään

Lisätiedot

Viikon aiheet. Funktion lineaarinen approksimointi

Viikon aiheet. Funktion lineaarinen approksimointi Viikon aiheet Funktion ääriarvot Funktion lineaarinen approksimointi Vektorit, merkintätavat, pituus, yksikkövektori, skalaarilla kertominen, kanta ja kannan vaihto Funktion ääriarvot 6 Väliarvolause Implisiittinen

Lisätiedot

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 10 1 Funktion monotonisuus Derivoituva funktio f on aidosti kasvava, jos sen derivaatta on positiivinen eli jos f (x) > 0. Funktio on aidosti vähenevä jos sen derivaatta

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 10 1 Lokaalit ääriarvot Yhden muuttujan funktion f (x) lokaali maksimi on piste x 0, jossa f (x) on suurempi kuin muualle pisteen x 0 ympäristössä, eli kun f (x 0 )

Lisätiedot

4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen

4.5 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

Lisätiedot

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1

Lisätiedot

Analyysi III. Jari Taskinen. 28. syyskuuta Luku 1

Analyysi III. Jari Taskinen. 28. syyskuuta Luku 1 Analyysi III Jari Taskinen 28. syyskuuta 2002 Luku Sisältö Sarjat 2. Lukujonoista........................... 2.2 Rekursiivisesti määritellyt lukujonot.............. 8.3 Sarja ja sen suppenminen....................

Lisätiedot

1 Rajoittamaton optimointi

1 Rajoittamaton optimointi Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y

Lisätiedot

Pienimmän neliösumman menetelmä

Pienimmän neliösumman menetelmä Pienimmän neliösumman menetelmä Keijo Ruotsalainen Division of Mathematics Funktion sovitus Datapisteet (x 1,...,x n ) Annettu data y i = f(x i )+η i, missä f(x) on tuntematon funktio ja η i mittaukseen

Lisätiedot

Harjoitus 4: Matlab - Optimization Toolbox

Harjoitus 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

Lisätiedot

4. Tukivektorikoneet

4. Tukivektorikoneet 4. Tukivektorikoneet Tukivektorikoneen (Support Vector Machine, SVM) keskeiset piirteet: Tehdään lineaarista luokittelua (tai regressiota) korkeaulotteisessa piirreavaruudessa. Laskentaa tehostetaan käyttämällä

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 8 1 Funktion kuperuussuunnat Derivoituva funktio f (x) on pisteessä x aidosti konveksi, jos sen toinen derivaatta on positiivinen f (x) > 0. Vastaavasti f (x) on aidosti

Lisätiedot

Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg)

Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg) Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus 4 9.4.-23.4.200 Malliratkaisut (Sauli Lindberg). Näytä, että Lusinin lauseessa voidaan luopua oletuksesta m(a)

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Inversio-ongelmien laskennallinen peruskurssi Luento 2 Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +

Lisätiedot

Matemaattisen analyysin tukikurssi

Matemaattisen analyysin tukikurssi Matemaattisen analyysin tukikurssi 10. Kurssikerta Petrus Mikkola 22.11.2016 Tämän kerran asiat Globaali ääriarvo Konveksisuus Käännepiste L Hôpitalin sääntö Newtonin menetelmä Derivaatta ja monotonisuus

Lisätiedot

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +

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

. 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

Lisätiedot

Funktion raja-arvo ja jatkuvuus Reaali- ja kompleksifunktiot

Funktion raja-arvo ja jatkuvuus Reaali- ja kompleksifunktiot 3. Funktion raja-arvo ja jatkuvuus 3.1. Reaali- ja kompleksifunktiot 43. Olkoon f monotoninen ja rajoitettu välillä ]a,b[. Todista, että raja-arvot lim + f (x) ja lim x b f (x) ovat olemassa. Todista myös,

Lisätiedot

Antti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16

Antti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16 MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Antti Rasila Matematiikan ja systeemianalyysin laitos

Lisätiedot

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016

Lisätiedot

3 Simplex-menetelmä. c T x = min! Ax = b (x R n ) (3.1) x 0. Tarvittaessa sarakkeiden järjestystä voidaan vaihtaa, joten voidaan oletetaan, että

3 Simplex-menetelmä. c T x = min! Ax = b (x R n ) (3.1) x 0. Tarvittaessa sarakkeiden järjestystä voidaan vaihtaa, joten voidaan oletetaan, että 3 Simplex-menetelmä Lähdetään jostakin annettuun LP-tehtävään liittyvästä käyvästä perusratkaisusta x (0) ja pyritään muodostamaan jono x (1), x (2),... käypiä perusratkaisuja siten, että eräässä vaiheessa

Lisätiedot

Luento 6: Monitavoiteoptimointi

Luento 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

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 20 R. Kangaslampi Matriisihajotelmista

Lisätiedot

1. Lineaarinen optimointi

1. 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

Lisätiedot

1. Etsi seuraavien funktioiden kriittiset pisteet ja tutki niiden laatu: (a.) f(x,y) = 20x 2 +10xy +5y 2 (b.) f(x,y) = 4x 2 2y 2 xy +x+2y +100

1. Etsi seuraavien funktioiden kriittiset pisteet ja tutki niiden laatu: (a.) f(x,y) = 20x 2 +10xy +5y 2 (b.) f(x,y) = 4x 2 2y 2 xy +x+2y +100 HARJOITUS, RATKAISUEHDOTUKSET, YLE 07.. Etsi seuraavien funktioiden kriittiset pisteet ja tutki niiden laatu: (a.) f(x,y) = 0x +0xy +5y (b.) f(x,y) = 4x y xy +x+y +00 (a.) Funktion kriittiset pisteet ratkaisevat

Lisätiedot

Kompleksianalyysi, viikko 5

Kompleksianalyysi, viikko 5 Kompleksianalyysi, viikko 5 Jukka Kemppainen Mathematics Division Kompleksiset jonot Aloitetaan jonon suppenemisesta. Määr. 1 Kompleksiluvuista z 1,z 2,...,z n,... koostuva jono suppenee kohti raja-arvoa

Lisätiedot

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5

Mat-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

Lisätiedot

Malliratkaisut Demot 6,

Malliratkaisut Demot 6, Malliratkaisut Demot 6, 19.2.21 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

Lisätiedot

MS-A0102 Differentiaali- ja integraalilaskenta 1

MS-A0102 Differentiaali- ja integraalilaskenta 1 MS-A0102 Differentiaali- ja integraalilaskenta 1 Riikka Korte (Pekka Alestalon kalvojen pohjalta) Aalto-yliopisto 24.10.2016 Sisältö Derivaatta 1.1 Derivaatta Erilaisia lähestymistapoja: I geometrinen

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat Lineaarinen ohjelmointi Mat-.4 Lineaarinen ohjelmointi..7 Luento 7 Duaalisimple ja herkkyysanalyysi (kirja 4.5, 5., 5.5-5.6) Lineaarinen ohjelmointi - Syksy 7 / Duaalisimple Herkkyysanalyysi Luentorunko Parametrinen ohjelmointi

Lisätiedot

Ominaisvektoreiden lineaarinen riippumattomuus

Ominaisvektoreiden lineaarinen riippumattomuus Ominaisvektoreiden lineaarinen riippumattomuus Lause 17 Oletetaan, että A on n n -matriisi. Oletetaan, että λ 1,..., λ m ovat matriisin A eri ominaisarvoja, ja oletetaan, että v 1,..., v m ovat jotkin

Lisätiedot

13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y )

13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y ) MATEMATIIKAN JA TILASTOTIETEEN LAITOS Differentiaaliyhtälöt, kesä 00 Tehtävät 3-8 / Ratkaisuehdotuksia (RT).6.00 3. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: y = + y + y = + y + ( y ) (y

Lisätiedot

6 Variaatiolaskennan perusteet

6 Variaatiolaskennan perusteet 6 Variaatiolaskennan perusteet Sivut ss. 22 26 pääosin lähteen [Kirk, Ch. 4, ss. 107 127] pohjalta Variaatiolaskenta keskittyy lokaaliin analyysiin eli funktion lokaalin minimin vastineisiin funktionaaleilla.

Lisätiedot

2.2.1 Ratkaiseminen arvausta sovittamalla

2.2.1 Ratkaiseminen arvausta sovittamalla 2.2.1 Ratkaiseminen arvausta sovittamalla Esimerkki: lomitusjärjestäminen (edellä) Yleistys: Ratkaistava T (1) c T (n) g(t (1),..., T (n 1), n) missä g on n ensimmäisen parametrin suhteen kasvava. (Ratkaisu

Lisätiedot