Search space traversal using metaheuristics
|
|
|
- Eeva Halttunen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Search space traversal using metaheuristics Mika Juuti Ohjaaja: Ville Mattila Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki oikeudet pidätetään.
2 Työn tavoite Tutkia (lyh. ACS) metaheuristiikkaa Verrata ACS:n ja simuloidun jäähdytyksen (lyh. SJ) suorituskykyä yleisesti käytetyissä testiongelmissa Kuvata ACS:n käyttöönottoa kombinatorista optimointitehtävää varten 2
3 Moniulotteinen selkärepun täyttöongelma (MKP) Täytä (yksi) selkäreppu niillä esineillä, jotka antavat parhaan tuoton Rajoitteita voi olla enemmän kuin yksi m-dimensional knapsack problem (MKP) Esim. budjetointitehtävä NP-kova tehtävä, polynomiaikaista algoritmia ei tiettävästi ole 3
4 Ylläpitää muurahaisten rakentamia ratkaisuja ja feromonipolkuja Kukin muurahainen päättää minne mennä jokaisella iteraatiolla naapurustoinformaation perusteella iteraatio hidas (noin 2.5 ms testikoneella) Konvergoi optimia kohden tietyn oletuksin, kun laskenta-aika lähestyy ääretöntä Ratkaisee graafi-ongelmia Konstruktiivinen menetelmä, rakentaa ratkaisuja lisäämällä käypiä esineitä nykyiseen ratkaisuun 4
5 MKP graafi-ongelmana Yhdistetään valitut esineet (noodi) viivoilla (kaari) Naapurusto voidaan tulkita eri lailla: Kaikki ratkaisut, joihin on lisätty tai poistettu yksi esine (SJ) Kaikki käyvät ratkaisut, jotka on saatu lisäämällä esine (ACS) 5
6 Esimerkki Muurahainen 1 aloittaa esineestä 1 ja valitsee seuraavan esineen heuristiikan perusteella, osaratkaisu on (x 1 ). Muurahainen 1 valitsi esineen 4 ja voi jatkaa ratkaisun rakentamista, osaratkaisu on (x 1, x 4 ). 6
7 Muurahainen 1 valitsi esineen 3 eikä voi jatkaa, ratkaisu on (x 1, x 4, x 3 ). Ratkaisu on paras tähän mennessä. Muurahainen 2 aloittaa esineestä 2, osaratkaisu on (x 2 ). 7
8 Muurahainen 2 valitsi esineen 4 ja voi jatkaa, osaratkaisu on (x 2, x 4 ). Muurahainen 2 valitsee esineen 1, eikä voi jatkaa. Ratkaisu on (x 2, x 4, x 1 ). Ratkaisu on paras tähän mennessä. Iteraatiokierros päättyy kun viimeinen muurahainen on rakentanut ratkaisunsa. Paras ratkaisu palkitaan lisäämällä feromonia ( ) tällä polulla. Seuraavilla kierroksilla vähennetään feromonia aina silloin, kun kuljetaan jotain polkua pitkin. 8
9 Simuloitu jäähdytys (SJ) Generoidaan alkuratkaisu Siirrytään naapurustossa poistamalla ja lisäämällä esineitä Ei käytä muistia, jokainen iteraatio nopea (noin 30 µs testikoneella) Konvergoi optimia kohti, kun laskenta-aika lähestyy ääretöntä 9
10 Esimerkki Generoidaan tasajakaumasta alkuratkaisu ongelmalle (x 2, x 3 = 1; x 1, x 4 = 0) Valitaan esine joukosta (x 1, x 2, x 3, x 4 ) Valittiin 4 4 ei ole mukana ratkaisussa lisätään 4 ratkaisuun Ratkaisu ei ole käypä, pudotetaan satunnaisesti esine Pudotettiin 2 Ratkaisu käypä (x 3, x 4 = 1; x 1, x 2 = 0) 10
11 Valitaan satunnaisesti yksi esineistä Valittiin 1 Ratkaisu käypä (x 1, x 3, x 4 = 1; x 2 = 0) Jatkuu... 11
12 Algoritmien testaus 25 testiongelmaa OR librarystä Esineitä kpl, rajoitteita 5-30 kpl Tiukkuus-suhde on 0.25, 0.50 tai 0.75 c i n j 1 r ij x i Viisi iteraatiota per ongelma, parhaista tuloksista keskiarvo 12
13 in iteraatiopolitiikat Iteraatiopolitiikka A: Valitaan muurahaisten alkuratkaisuksi yksi ensimmäisistä kymmenestä esineestä Ei välttämättä johda globaaliin optimiin Iteraatiopolitiikka B: Valitaan muurahaisten alkuratkaisuksi satunnainen esine Konvergoi globaaliin optimiin 13
14 Laskenta-ajan vaikutus Keskiarvot viiden ongelman parhaille ratkaisuille 100,00 % 98,00 % 96,00 % 94,00 % 92,00 % Optimaalinen ratkaisu iteraatiopolitiikka A 250 esinettä 10 rajoitusta = iteraatiota Ratkaisun laatu (%:a optimaalisesta) 90,00 % 88,00 % 86,00 % Simuloitu Jäähdytys iteraatiopolitiikka B 84,00 % 82,00 % iteraatiopolitiikka B symmetrisillä feromonipoluilla 80,00 % 10 s 30 s 120 s 300 s Laskenta-aika (s) 14
15 Rajoitusten ja esineiden vaikutus Käyttäytyminen rajoitteiden lukumäärän suhteen 100,00 % Käyttäytyminen esineiden lukumäärän suhteen 100,00 % 98,00 % 96,00 % iteraatiopolitiikka A 98,00 % 96,00 % iteraatiopolitiikka A Ratkaisun laatu (%:a LPrelaksoidusta) 94,00 % 92,00 % 90,00 % 88,00 % Simuloitu Jäähdytys LP-relaksoitu ratkaisu Ratkaisun laatu (%:a LP-relaksoidusta) 94,00 % 92,00 % 90,00 % 88,00 % Simuloitu Jäähdytys LP-relaksoitu ratkaisu 86,00 % 84,00 % iteraatiopolitiikka B 86,00 % 84,00 % iteraatiopolitiikka B 82,00 % 80,00 % Rajoitteiden lukumäärä (m) iteraatiopolitiikka B symmetrisillä feromonipoluilla 82,00 % 80,00 % Esineiden lukumäärä (n) iteraatiopolitiikka B symmetrisillä feromonipoluilla 250 esinettä 120 s laskenta-aikaa = 0,50 10 rajoitusta 120 s laskenta-aikaa = 0,50 15
16 Tiukkuus-suhteen vaikutus 100,00 % Tiukkuus-suhde 250 esinettä 98,00 % 96,00 % 10 rajoitusta Ratkaisun laatu (%:a optimaalisesta) 94,00 % 92,00 % 90,00 % 88,00 % iteraatiopolitiikalla A Simuloitu Jäähdytys LP-relaksoitu ratkaisu 120 s laskentaaikaa 86,00 % 84,00 % 82,00 % iteraatiopolitiikka B 80,00 % 78,00 % iteraatiopolitiikka B symmetrisillä feromonipoluilla 76,00 % Tiukkuus-suhde 16
17 Havainnot Isot tehtävät (n = 500) odotetusti vaikeita ACS:n iteraatiopolitiikassa A ratkaisun laatu ei parantunut 2 minuutin ja 5 minuutin ajon välillä Stagnaatio Ei huomattavia eroja symmetrisen ja epäsymmetrisen feromonipäivityksen välillä ACS toteutti yhtä laadukkaita ratkaisuja kuin SJ Muurahaisten oma heuristiikka ohjaa algoritmia hyviin ratkaisuihin ACS toimi huomattavasti paremmin korkean tiukkuus-suhteen tehtävissä 17
18 Johtopäätökset ACS antaa korkealaatuisia tuloksia jo pienellä laskenta-ajalla Konstruktiiviset menetelmät tehokkaampia, kun ongelman tiukkuussuhde korkea Alkuesineiden valinnalla merkitystä varsinkin lyhyissä laskennoissa 18
Joonas 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
Implementation 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
Minimilatenssiongelman 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.
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
3.4 Peruutus (backtracking)
3.4 Peruutus (backtracking) Tarkastellaan kahta esimerkkiongelmaa: Kahdeksan kuningattaren ongelma: sijoitettava 8 8 ruudun pelilaudalle 8 nappulaa siten, että millekään vaaka-, pysty- tai viistoriville
Trimmitysongelman 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
Monitavoitteiseen 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
Monte Carlo -menetelmä optioiden hinnoittelussa (valmiin työn esittely)
Monte Carlo -menetelmä optioiden hinnoittelussa (valmiin työn esittely) 17.09.2015 Ohjaaja: TkT Eeva Vilkkumaa Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
Algoritmit 2. Luento 13 Ti Timo Männikkö
Algoritmit 2 Luento 13 Ti 30.4.2019 Timo Männikkö Luento 13 Simuloitu jäähdytys Merkkijonon sovitus Horspoolin algoritmi Ositus ja rekursio Rekursion toteutus Algoritmit 2 Kevät 2019 Luento 13 Ti 30.4.2019
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)
Kiinalaisen postimiehen ongelma
Kiinalaisen postimiehen ongelma Kimmo Kontio 1.12.2015 Ohjaaja/Valvoja: Harri Ehtamo [5] Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki oikeudet pidätetään.
Kirjallisuuskatsaus 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
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.
Demo 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
Malliratkaisut Demot
Malliratkaisut Demot 4 3.4.017 Tehtävä 1 Tarkastellaan harjoituksen 1 nopeimman reitin ongelmaa ja etsitään sille lyhin virittävä puu käyttämällä kahta eri algoritmia. a) (Primin algoritmi) Lähtemällä
Kuvioton 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
Pisteen x lähistö koostuu kaikista ratkaisuista, jotka on saatu x:stä tekemällä siihen yksi siirto:
24 10. Lokaali haku Optimoinnissa heuristisilla menetelmillä tarkoitetaan algoritmeja, jotka osassa tapauksista antavat tehtävälle hyvän tai lähes optimaalisen ratkaisun, mutta joiden toimivuutta ei voida
Kuljetustehtävä. 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
Algoritmit 2. Luento 12 To Timo Männikkö
Algoritmit 2 Luento 12 To 3.5.2018 Timo Männikkö Luento 12 Geneettiset algoritmit Simuloitu jäähdytys Merkkijonon sovitus Horspoolin algoritmi Algoritmit 2 Kevät 2018 Luento 12 To 3.5.2018 2/35 Algoritmien
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,
Algoritmit 2. Luento 12 Ke Timo Männikkö
Algoritmit 2 Luento 12 Ke 26.4.2017 Timo Männikkö Luento 12 Rajoitehaku Kauppamatkustajan ongelma Lyhin virittävä puu Paikallinen etsintä Vaihtoalgoritmit Geneettiset algoritmit Simuloitu jäähdytys Algoritmit
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
Lineaaristen 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.
Tuotantoprosessin 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
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
Optimization 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.
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
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
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
Johdatus verkkoteoriaan 4. luento
Johdatus verkkoteoriaan 4. luento 28.11.17 Viikolla 46 läpikäydyt käsitteet Viikolla 47 läpikäydyt käsitteet Verkko eli graafi, tasoverkko, solmut, välit, alueet, suunnatut verkot, isomorfiset verkot,
Peliteorian soveltaminen hajautettujen järjestelmien protokollasuunnittelussa (valmiin työn esittely)
Peliteorian soveltaminen hajautettujen järjestelmien protokollasuunnittelussa (valmiin työn esittely) Riku Hyytiäinen 23.02.2015 Ohjaaja: Harri Ehtamo Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa
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
Menetelmä 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
Graafit ja verkot. Joukko solmuja ja joukko järjestämättömiä solmupareja. eli haaroja. Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria
Graafit ja verkot Suuntamaton graafi: eli haaroja Joukko solmuja ja joukko järjestämättömiä solmupareja Suunnattu graafi: Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria Haaran päätesolmut:
Sekalukuoptimointi. 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
Scheduling of Genetic Analysis Workflows on Grid Environments (valmiin työn esittely) Arttu Voutilainen
Scheduling of Genetic Analysis Workflows on Grid Environments (valmiin työn esittely) Arttu Voutilainen 20.4.2015 Ohjaaja: FT Lauri Eronen (Biocomputing Platforms Ltd.) Valvoja: Prof. Harri Ehtamo Työn
Optimaaliset 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
Simulointimalli mellakkapoliisin resurssien kohdentamiseen (valmiin työn esittely)
Simulointimalli mellakkapoliisin resurssien kohdentamiseen (valmiin työn esittely) Eero Rantala 21.1.2013 Ohjaaja: Kai Virtanen Valvoja: Raimo P. Hämäläinen Työn saa tallentaa ja julkistaa Aalto-yliopiston
Verkko-optimointiin perustuva torjuntatasan laskenta mellakkapoliisin resurssien kohdentamisessa (valmiin työn esittely) Paavo Kivistö
Verkko-optimointiin perustuva torjuntatasan laskenta mellakkapoliisin resurssien kohdentamisessa (valmiin työn esittely) Paavo Kivistö 21.01.2013 Ohjaaja: Kai Virtanen Valvoja: Raimo P. Hämäläinen Työn
Tentissä on viisi tehtävää, jotka arvosteellaan asteikolla 0-6. Tehtävien alakohdat ovat keskenään samanarvoisia ellei toisin mainita.
Tentissä on viisi tehtävää, jotka arvosteellaan asteikolla 0-6. Tehtävien alakohdat ovat keskenään samanarvoisia ellei toisin mainita. Tehtävä 1 Mitä seuraavat käsitteet tarkoittavat? Monitahokas (polyhedron).
Vesivoimaketjun optimointi mehiläisalgoritmilla (Valmiin työn esittely)
Vesivoimaketjun optimointi mehiläisalgoritmilla (Valmiin työn esittely) Sakke Rantala 2.12.2013 Ohjaaja: DI Hannu Korva Valvoja: Professori Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston
Luento 7: Kokonaislukuoptimointi
Luento 7: Kokonaislukuoptimointi Lineaarisessa optimointitehtävässä (LP) kaikki muuttujat ovat jatkuvia. Kokonaislukuoptimoinnin (ILP = Integer LP) tehtävässä kaikilla muuttujilla on kokonaislukurajoitus
Luento 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
Lineaaristen 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
Haitallinen valikoituminen: yleinen malli ja sen ratkaisu
Haitallinen valikoituminen: yleinen malli ja sen ratkaisu Mat-2.4142 Optimointiopin seminaari Matias Leppisaari 29.1.2008 Esityksen rakenne Yleinen malli Käypyys ja rajoitusehdot Mallin ratkaisu Kotitehtävä
Kombinatorinen optimointi
Kombinatorinen optimointi Sallittujen pisteiden lukumäärä on äärellinen Periaatteessa ratkaisu löydetään käymällä läpi kaikki pisteet Käytännössä lukumäärä on niin suuri, että tämä on mahdotonta Usein
Johdatus verkkoteoriaan luento Netspace
Johdatus verkkoteoriaan luento 3.4.18 Netspace Matriisioperaatio suunnatuissa verkoissa Taustoitusta verkkoteorian ulkopuolelta ennen kuljetusalgoritmia LP-ongelma yleisesti LP = linear programming =
Työvuorosuunnittelun 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
Lentotiedustelutietoon 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
7.4 Sormenjälkitekniikka
7.4 Sormenjälkitekniikka Tarkastellaan ensimmäisenä esimerkkinä pitkien merkkijonojen vertailua. Ongelma: Ajatellaan, että kaksi n-bittistä (n 1) tiedostoa x ja y sijaitsee eri tietokoneilla. Halutaan
Tietorakenteet, laskuharjoitus 7, ratkaisuja
Tietorakenteet, laskuharjoitus, ratkaisuja. Seuraava kuvasarja näyttää B + -puun muutokset lisäysten jälkeen. Avaimet ja 5 mahtuvat lehtisolmuihin, joten niiden lisäys ei muuta puun rakennetta. Avain 9
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
PARITUS KAKSIJAKOISESSA
PARITUS KAKSIJAKOISESSA GRAAFISSA Informaatiotekniikan t iik seminaari i Pekka Rossi 4.3.2008 SISÄLTÖ Johdanto Kaksijakoinen graafi Sovituksen peruskäsitteet Sovitusongelma Lisäyspolku Bipartite matching-algoritmi
Algoritmit 2. Luento 11 Ti Timo Männikkö
Algoritmit 2 Luento 11 Ti 24.4.2018 Timo Männikkö Luento 11 Rajoitehaku Kapsäkkiongelma Kauppamatkustajan ongelma Paikallinen etsintä Lyhin virittävä puu Vaihtoalgoritmit Algoritmit 2 Kevät 2018 Luento
Aircraft 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
Muurahaiskolonnaoptimointi ja kauppamatkustajan ongelma
Muurahaiskolonnaoptimointi ja kauppamatkustajan ongelma Jaakko Ahola LuK-tutkielma Turun yliopisto Helmikuu 2015 Sisältö 1 Johdanto 3 2 Muunnos oikeista muurahaisista keinotekoisiin 4 2.1 Tuplapolkukoe...........................
Lineaarisen 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
Optimoinnin 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
MS-C2105 Optimoinnin perusteet Malliratkaisut 5
MS-C2105 Optimoinnin perusteet Malliratkaisut 5 Ehtamo Demo 1: Arvaa lähimmäksi Jokainen opiskelija arvaa reaaliluvun välillä [0, 100]. Opiskelijat, joka arvaa lähimmäksi yhtä kolmasosaa (1/3) kaikkien
Verkon värittämistä hajautetuilla algoritmeilla
Verkon värittämistä hajautetuilla algoritmeilla 5 12 30 19 72 34 Jukka Suomela 15 77 18 4 9. tammikuuta 2012 19 2 68 Verkko 2 Verkko solmu 3 Verkko solmu kaari 4 Hajautettu järjestelmä solmu (tietokone)
Jälki- 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
Luento 7: Kokonaislukuoptimointi
Luento 7: Kokonaislukuoptimointi Lineaarisessa optimointitehtävässä (LP) kaikki muuttujat ovat jatkuvia. Kokonaislukuoptimoinnin (ILP = Integer LP) tehtävässä kaikilla muuttujilla on kokonaislukurajoitus
4 Heuristinen haku. Eero Hyvönen Helsingin yliopisto
4 Heuristinen haku Eero Hyvönen Helsingin yliopisto Strategioita: - Breath-first - Uniform-cost - Depth-first - Depth-limited - Iterative deepening - Bidirectional Tekoäly, Eero Hyvönen, 2004 2 Heuristisen
Lisäinformaation 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
Harjoitus 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
Demo 1: Branch & Bound
MS-C05 Optimoinnin perusteet Malliratkaisut 7 Ehtamo Demo : Branch & Bound Ratkaise lineaarinen kokonaislukuoptimointitehtävä käyttämällä Branch & Boundalgoritmia. max x + x s.e. x + 4x 9 5x + x 9 x Z
Kokonaislukuoptimointi hissiryhmän ohjauksessa
Kokonaislukuoptimointi hissiryhmän ohjauksessa Systeemianalyysin laboratorio Teknillinen Korkeakoulu, TKK 3 Maaliskuuta 2008 Sisällys 1 Johdanto Taustaa Ongelman kuvaus 2 PACE-graafi Graafin muodostaminen
Malliratkaisut Demot
Malliratkaisut Demot 1 12.3.2018 Tehtävä 1 Piirretään tilanteesta verkko, jossa kaupungeille on annetttu seuraavat numerot: 1 297 4 2 4 163 3 454 6 179 2 136 2 169 2 390 4 3 436 7 5 Kuva 1: Tehtävän 1
Trichoderma reesein geenisäätelyverkoston ennustaminen Oskari Vinko
Trichoderma reesein geenisäätelyverkoston ennustaminen Oskari Vinko 04.11.2013 Ohjaaja: Merja Oja Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta
Suojarakenteiden 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
Polaarisatelliittidataan perustuva lumentunnistusalgoritmi (valmiin työn esittely)
Polaarisatelliittidataan perustuva lumentunnistusalgoritmi (valmiin työn esittely) 24.01.2011 Ohjaaja: Niilo Siljamo, Ilmatieteen Laitos Valvoja: Harri Ehtamo Esityksen sisältö Termejä Tausta Menetelmät
Vangin dilemma häiriöisessä ympäristössä Markov-prosessina (valmiin työn esittely) Lasse Lindqvist
Vangin dilemma häiriöisessä ympäristössä Markov-prosessina (valmiin työn esittely) Lasse Lindqvist 21.01.2013 Ohjaaja: Kimmo Berg Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston
Geneettiset algoritmit
Geneettiset algoritmit Evoluution piirteitä laskennassa Optimoinnin perusteet - Kevät 2002 / 1 Sisältö Geneettisten algoritmien sovelluskenttä Peruskäsitteitä Esimerkkejä funktion ääriarvon etsintä vangin
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
Duaalisuus 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
Inferring Trichoderma reesei gene regulatory network
Inferring Trichoderma reesei gene regulatory network Oskari Vinko 29.04.2013 Ohjaaja: Merja Oja Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin
Harjoitus 4 (7.4.2014)
Harjoitus 4 (7.4.2014) Tehtävä 1 Tarkastellaan Harjoituksen 1 nopeimman reitin ongelmaa ja etsitään sille lyhin virittävä puu käyttämällä kahta eri algoritmia. a) (Primin algoritmi) Lähtemällä solmusta
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Evoluutiopohjainen monitavoiteoptimointi MCDM ja EMO Monitavoiteoptimointi kuuluu
Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen
Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen 08.09.2014 Ohjaaja: DI Mikko Harju Valvoja: Prof. Kai Virtanen Työn saa tallentaa ja julkistaa Aalto-yliopiston
Kimppu-suodatus-menetelmä
Kimppu-suodatus-menetelmä 2. toukokuuta 2016 Kimppu-suodatus-menetelmä on kehitetty epäsileiden optimointitehtävien ratkaisemista varten. Menetelmässä approksimoidaan epäsileitä funktioita aligradienttikimpulla.
A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.
Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =
Harjoitus 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
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
Luodin 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
Informaation leviäminen väkijoukossa matemaattinen mallinnus
Informaation leviäminen väkijoukossa matemaattinen mallinnus Tony Nysten 11.4.2011 Ohjaaja: DI Simo Heliövaara Valvoja: Prof. Harri Ehtamo Väkijoukon toiminta evakuointitilanteessa Uhkaavan tilanteen huomanneen
Rakenteisen ohjelmoinnin harjoitustyö
Tehtävä 2005/33 Puppugeneraattorissa lauseet on jaettu neljään osaan ja niistä taulukoidaan kymmenen lauseen aloitusta (esim. On huomattava, että, Kuitenkin, Tämän vuoksi), kymmenen tekijäosaa (esim. opintojen
Polkuriippuvuus trade-off-painotuksessa (valmiin työn esittely)
Polkuriippuvuus trade-off-painotuksessa (valmiin työn esittely) Riikka Siljander 8.9.2014 Ohjaaja: DI Tuomas Lahtinen Valvoja: prof. Raimo Hämäläinen Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla
V. V. Vazirani: Approximation Algorithms, luvut 3-4 Matti Kääriäinen
V. V. Vazirani: Approximation Algorithms, luvut 3-4 Matti Kääriäinen Luento omatoimisen luennan tueksi algoritmiikan tutkimusseminaarissa 23.9.2002. 1 Sisältö Esitellään ongelmat Steiner-puu Kauppamatkustajan
Rinnakkaistietokoneet luento S
Rinnakkaistietokoneet luento 2 521475S Tietokonealgoritmien rinnakkaisuuden analysointi Algoritmi on proseduuri, joka koostuu äärellisestä joukosta yksiselitteisiä sääntöjä jotka muodostavat operaatiosekvenssin,
Harjoitus 1 (20.3.2014)
Harjoitus 1 (20.3.2014) Tehtävä 1 Piirretään tilanteesta verkko, jossa kaupungeille on annetttu seuraavat numerot: 1 = Turku 2 = Tampere 3 = Hämeenlinna 4 = Imatra 5 = Jyväskylä. 5 2 149(5) 190(4) 113(1)
Suomen rautatieverkoston robustisuus
Suomen rautatieverkoston robustisuus Samu Kilpinen 28.09.2016 Ohjaaja: Eeva Vilkkumaa Valvoja: Ahti Salo Rautatieverkosto Rautatie on erinomainen tapa kuljettaa suuria ihmis- ja hyödykemääriä Käyttöä etenkin
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:
Algoritmit 1. Demot Timo Männikkö
Algoritmit 1 Demot 1 25.-26.1.2017 Timo Männikkö Tehtävä 1 (a) Algoritmi, joka laskee kahden kokonaisluvun välisen jakojäännöksen käyttämättä lainkaan jakolaskuja Jaettava m, jakaja n Vähennetään luku
Mat 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
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,
Operatioanalyysi 2011, Harjoitus 3, viikko 39
Operatioanalyysi 2011, Harjoitus 3, viikko 39 H3t1, Exercise 3.1. H3t2, Exercise 3.2. H3t3, Exercise 3.3. H3t4, Exercise 3.4. H3t5 (Exercise 3.1.) 1 3.1. Find the (a) standard form, (b) slack form of the
Talousmatematiikan 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,
Etsintä verkosta (Searching from the Web) T Datasta tietoon Heikki Mannila, Jouni Seppänen
Etsintä verkosta (Searching from the Web) T-61.2010 Datasta tietoon Heikki Mannila, Jouni Seppänen 12.12.2007 Webin lyhyt historia http://info.cern.ch/proposal.html http://browser.arachne.cz/screen/
Valitaan alkio x 1 A B ja merkitään A 1 = A { x 1 }. Perinnöllisyyden nojalla A 1 I.
Vaihto-ominaisuudella on seuraava intuition kannalta keskeinen seuraus: Olkoot A I ja B I samankokoisia riippumattomia joukkoja: A = B = m jollain m > 0. Olkoon vielä n = m A B, jolloin A B = B A = n.
MS-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