TIES483 Epälineaarinen optimointi. Syksy 2012

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

Download "TIES483 Epälineaarinen optimointi. Syksy 2012"

Transkriptio

1 TIES483 Epälineaarinen optimointi Syksy 2012

2 Yleistä Tietotekniikan syventävä kurssi, 5 op Pakollinen laskennallisten tieteiden FMopinnoissa (ent. simulointi ja optimointi) Kurssin kotisivu

3 Esittäytyminen - kysymykset Kuka olet? Mitä opiskelet? Missä vaiheessa opintosi ovat? Mitä tiedät optimoinnista? Mitä odotat kurssilta tavoitteesi?

4 Osaamistavoitteet Kyky tunnistaa erityyppisiä optimointitehtäviä Oppia ymmärtämään epälineaaristen optimointitehtävien ratkaisemisen perusteet Tunnistaa optimaalisuusehdot rajoittamattomille ja rajoitetuille optimointitehtäville ja osata soveltaa niitä ratkaisun optimaalisuuden tarkistamiseksi Ymmärtää optimointimenetelmän valinnan ja toteutuksen perusteet Osata etsiä ja soveltaa optimointiohjelmistoja epälinaaristen optimointitehtävien ratkaisemisessa Ymmärtää konveksin ja epäkonveksin optimointitehtävän ratkaisemisen erot Tunnistaa monitavoiteoptimointitehtävän ratkaisemisen perusteet

5 Sisältö Optimoinnin peruskäsitteet ja termit Erilaisten optimointitehtävien tunnistaminen Rajoittamaton optimointi Optimointi rajoitteiden kanssa Lokaali vs. globaali optimi Monitavoiteoptimointi Optimointiohjelmistot Käytännön sovellukset

6 Opetus Miten aiemmilla kursseillasi on opetettu? Miten opit parhaiten?

7 Cone of learning by Edgar Dale

8 Opetusmuodot Ei perinteisiä luentoja, joilla ope puhuu edessä Asiaan tutustutaan etukäteen ja luennolla käydään asiaa läpi, varsinkin ongelmakohtia Tukee paremmin oppimista, vaatii läsnäoloa Muutama pienempi / yksi isompi harjoitustyö Tarkennetaan opittuja asioita Lisäksi Luennon aikana tehtäviä harjoituksia Kotona tehtäviä harjoituksia ( perinteiset demot ) Vierailuluento (oppimispäiväkirja)

9 Kurssin vaativuus 5 op 130 h työtä Kontaktiopetus 42 h luennot 7 x 4h = 28 h demot 7 x 2 h = 14 h Itse opiskelu = 88 h materiaaliin tutustuminen demotehtävien tekeminen harjoitustyö

10 Arvostelu Koostuu Harjoitustöistä (40%) Demotehtävistä (40%) Oppimispäiväkirjasta (20%)

11 Esimerkki käytännön optimointitehtävän ratkaisemisesta Case jätevedenpuhdistamon optimaalinen suunnittelu

12 Jätevedenpuhdistus Jätevedenpuhdistuslaitosten (Wastewater treatment plant, WWTP ) matemaattinen mallinnus alkoi yleistyä 1990-luvulla Mallinnus keskittyi pääasiassa aktiivilieteprosessiin (activated sludge process, ASP), joka on maailmanlaajuisesti yleisin puhdistustapa käsiteltävä jätevesi johdetaan ilmastettuun bioreaktoriin, jossa viljellään biomassaa jätevesi puhdistetaan eli siitä poistetaan orgaanista hiiltä, typpeä ja fosforia bioreaktorissa reaktorin jälkeen biomassaa sisältävä jätevesi johdetaan selkeyttimeen, jossa biomassa poistuu painovoiman vaikutuksesta ja se johdetaan takaisin reaktoriin puhdistettu jätevesi johdetaan lisäkäsittelyyn tai poistetaan laitoksesta

13 Jätevedenpuhdistamon suunnittelu Nykyään puhdistamon suunnittelussa on useita haasteita toiminnalliset vaatimukset kiristyvät koko ajan (erityisesti typen ja fosforin poistovaatimukset) taloudellinen tehokkuus korostuu (tehtaan koon sekä käytettävän energian ja kemikaalien minimointi) toiminnallista luotettavuutta tulee korostaa Vaaditaan entistä monipuolisempia jätevedenkäsittely prosesseja Useita ristiriitaisia tavoitteita!

14 PROSIM-projekti Pöyry Oy:n vetämä projekti Tekesin Mallinnus ja simulointi ohjelmassa Tarkoituksena mallintaa muutamia suomalaisia puhdistamoja tuloksena simulointimallit, joita voidaan käyttää suunnittelun ja optimoinnin tukena Lisäksi selvittää kuinka monitavoiteoptimointi voisi hyödyttää suunnittelua (JY mukana)

15 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

16 Tehtävän mallinnus Vaatii yhteistyötä sovellusalan ammattilaisen kanssa Tehtävän esittäminen matemaattisesti todellisuuden approksimointi Mallin numeerinen esitys käyttäen simulaattoria tai muuta mallinnustyökalua mahdollistaa numeerisen simuloinnin kiinnitetyillä muuttujien arvoilla Erittäin tärkeää luotettavien tulosten saamiseksi!

17 Tehtävän mallinnus projektissa Tehtävän mallinnuksesta vastasi puhdistamojen suunnittelun asiantuntija Pöyryllä kokemusta simuloinnista muttei monitavoiteoptimoinnista Mallinnukseen käytettiin kaupallista prosessisimulaattoria (GPS-X) Kaksi tapausta: yksinkertainen ja monimutkaisempi

18 Screenshot GPS-X

19 1. Aktiivilieteprosessi

20 1. Aktiivilieteprosessi Nitrifioiva aktiivilieteprosessi Prosessissa ammonium vety (ammonium nitrogen) hapettuu nitraatiksi (nitrate nitrogen) biokemiallisessa reaktiossa Tarkasteltava jätevesi vastaa tyypillistä suomalaista mekaanisesti ja kemiallisesti esikäsiteltyä kunnallista jätevettä 1 simulaatio vie n. 5 sekuntia

21 2. Toiminta-asetusten optimointi

22 2. Toiminta-asetusten optimointi Malli kuvaa modernia puhdistamoa (kemiallinen ja biokemiallinen puhdistus) esikäsittely (hiekan poisto, kiinteän aineen erotus) typen poisto (nitrifioiva ASP) lietteen käyminen (hiilen lähde denitrifikaatioon) lietteen anaerobinen mädätys (biokaasua sähkön tai lämmön tuottoon) ylijäämäliete ja lietteen käsittelyn hylky kierrätetään sekoittamalla tulevaan jäteveteen 1 simulaatio vie n. 11 sekuntia

23 Optimointitehtävän muotoilu Optimoinnin tarkoitus tulee olla selvä mitä oikeasti halutaan? Tavoitteiden/objektifunktioiden määrittely Muuttujien valinta ja rajojen asettaminen pyritään rajaamaan kiinnostava alue Rajoitteiden määrittely Optimoinnin ja sovellusalan asiantuntijoiden yhteistyötä

24 Jätevedenpuhdistamon suunnittelu Perinteisesti WWTP on suunniteltu vertaamalla muutamia prosessivaihtoehtoja käyttäen simulointia ja insinööritietämystä tai käyttäen yksitavoitteista optimointia, missä kokonaiskustannukset on minimoitu muuttamalla kaikki tavoitteet rahaksi Heikkoudet ensimmäinen tapa ei ole systemaattinen toinen piilottaa tavoitteiden keskinäiset riippuvuudet ja sisältää epävarmuuksia Ainoastaan 2 artikkelia, joissa monitavoiteoptimointia käytetty; ei interaktiivisia lähestymistapoja

25 Optimointitehtävän muotoilu projektissa Optimointitehtävät muotoiltiin yhteistyössä Pöyryn asiantuntijan kanssa Molemmille tapauksille selvät tavoitteet Muuttujien vaihteluvälejä säädettiin projektin kuluessa realistisempi alue, tehostaa optimointia

26 1. Aktiivilieteprosessi Biokemialliset reaktiot käyttävät paljon happea ja alkaliteettia Happea tuotetaan ilmastuskompressoreilla ja alkaliteettia saadaan käsiteltävän jäteveden lisäksi lisäämällä kemikaaleja Ilmastus kuluttaa paljon energiaa ja kemikaalit maksavat Biomassan konsentraatio tulisi pitää mahdollisimman alhaalla (prosessi toimii paremmin)

27 1. Aktiivilieteprosessi Kolme (ristiriitaista) minimoitavaa objektifunktiota ammoniumtypen määrä vedessä käytetyn alkaliteettikemikaalin määrä ilmastuksen kuluttama energia Kolme päätösmuuttujaa biomassan konsentraatio käytetyn alkaliteettikemikaalin määrä O 2 -konsentraatio reaktorin viimeisessä osassa Rajoite: puhdistetun jäteveden alkaliteetti tulee olla annetuissa rajoissa (ala- ja yläraja)

28 2. Toiminta-asetusten optimointi Kokonaistavoite on minimoida typen määrä puhdistetussa jätevedessä ja minimoida käyttökustannukset Käyttökustannukset koostuvat 4 eri objektifunktiosta minimoi ilmastuksen tarve aktiivilieteprosessissa minimoi ylimääräisen hiilen lähteen käyttö denitrifikaatiossa minimoi ylimääräisen lietteen tuotto maksimoi biokaasun tuotto yhteensä 5 objektifunktiota

29 2. Toiminta-asetusten optimointi Viisi ristiriitaista objektifunktiota Neljä päätösmuuttujaa fermentointiin menevän lietteen pumppaus ylimääräisen lietteen pumppaus O 2 -konsentraatio valitussa reaktorin osassa lisä hiilenlähteen käyttö (metanoli) Rajoitteita (ala- ja ylärajat) puhdistetun veden ammonium pitoisuudelle biomassan konsentraatiolle kokonaistypenpoistolle (%)

30 Soveltuvan optimointiohjelmiston valinta Mitä tehtävän luonteesta tiedetään? Onko gradientteja saatavilla? Onko tehtävä mahdollisesti epäkonveksi? Onko funktioiden arvojen laskeminen (=tehtävän simulointi) aikaa vievää? Useita tavoitteita, onko päätöksentekijä käytettävissä?

31 Simulaatiopohjainen optimointi Suljettu (Black-box) ensin simuloidaan, sitten optimoidaan optimoija kutsuu simulaattoria, aina steady-state ratkaisu (kaikki rajoitteet toteutuvat) aikaavievä, ei vaadi juurikaan tietoa optimoitavasta mallista Avoin samanaikainen simulointi ja optimointi hyödynnetään tietoa optimoitavasta prosessista steady-state (kaikki rajoitteet toteutuvat) vasta optimaalisen ratkaisun löytyessä

32 Optimoinnin haasteet Puhdistamon suunnittelutehtävän ominaisuuksia simulaatiopohjainen (usein black-box) ei gradientteja saatavilla laskennallisesti vaativa (simulointi vie aikaa) sisältää jatkuvia muuttujia ja epälineaarisia funktioita tulee ottaa huomioon useita näkökulmia (monitavoitteinen) vaatii insinööritietämystä (päätöksentekijä) Tarvitaan tehokkaita optimointityökaluja päätöksenteon tueksi

33 Projektissa käytetyt työkalut Käytettiin interaktiivista lähestymistapaa Prosessi mallinnettiin käyttäen GPS-X prosessisimulaattoria GPS-X kytkettiin IND-NIMBUS optimointiohjelmistoon yksitavoitteisessa optimoinnissa käytettiin globaalin optimoinnin menetelmiä Päätöksentekijä oli asiantuntija puhdistamojen suunnittelussa

34 IND-NIMBUS

35 Optimointiohjelmiston ja mallinnustyökalun kytkeminen Mitä ohjelmistoja on saatavilla? optimointimenetelmien eri toteutukset Mitä tietoa ohjelmistojen välillä pitää kulkea? Mitkä ovat rajapinnat? rajapintojen muokkausmahdollisuus auttaa kaupallisten mallinnustyökalujen kytkeminen usein hankalaa, ei mahdollista vaikuttaa rajapintaan Kokonaisuuden testaaminen kytkemisen jälkeen ennen optimointia esim. yksinkertaisilla tehtävillä

36 Kytkeminen projektissa Käytössä kaupallinen simulaattori (GPS-X) ja JY:ssä kehitetty optimointityökalu (IND- NIMBUS) Mahdollisuus vaikuttaa ainoastaan optimointiohjelmiston rajapintaan Simulaattorin rajapinnasta ja sen käytöstä tietoa tekniseltä tuelta

37 Optimointi ja saadun ratkaisun analysointi Sopivien parametrien määrittäminen (mallinnustyökalu, optimointiohjelmisto) Sovellusalan ammattilaisen hyödyntäminen (mm. päätöksentekijänä) Tehtävän käyttäytymisestä oppiminen Optimointia voidaan myös käyttää mallin testaamisessa Analysoi ja varmista saatujen tulosten järkevyys (yhdessä ammattilaisen kanssa)

38 1. Aktiivilieteprosessi Kaikkiaan laskettiin 11 PO ratkaisua Viisi näistä oli käytännössä relevanttia (eli nitrifiointi toimii) Pienimmän ammoniumnitraatti pitoisuuden ratkaisu käytti liian paljon energiaa ja kemikaaleja antamatta riittävää parannusta veden laatuun Jäljelle jäävät 4 ratkaisua olivat käytännössä yhtä hyviä energian ja kemikaalien kulutuksen suhteen (mikä tahansa voitaisiin valita) Näistä valittiin ratkaisu, jossa biomassan konsentraatio oli pienin parempi prosessin käytettävyys

39 1. Aktiivilieteprosessi Hakanen, J., Miettinen, K., Sahlstedt, K., Wastewater Treatment: New Insight Provided by Interactive Multiobjective Optimization, Decision Support Systems, 51, , 2011

40 2. Toiminta-asetusten optimointi Alussa DM käytti insinööritietoon perustuvia arvoja tavoitteille ( alustava referenssipiste ) DM pystyi tutkimaan käyttökustannusten välisiä riippuvuuksia (4 eri objektifunktiota) Kaikkiaan laskettiin 10 PO ratkaisua Kokeiltiin IND-NIMBUkSen tarjoamia eri (globaaleja) yksitavoiteoptimoijia Paras kompromissi antoi selvästi paremmat arvot kolmelle objektifunktiolle (11, 15 and 45%) ja vain vähän huonommat arvot muille kahdelle (13 and 7%) verrattuna insinööritietoon Selkein parannus saatiin kemikaalien kulutuksessa

41 2. Toiminta-asetusten optimointi J. Hakanen, K. Sahlstedt & K. Miettinen, Wastewater Treatment Plant Design and Operation under Multiple Conflicting Criteria, Submitted to Environmental Modelling & Software

42 Opiskeltava materiaali ke luennolle Optimoinnin peruskäsitteet Matemaattinen perusta Minimointi yhden muuttujan suhteen Luentomoniste sivut 1-16 Optimointitehtävien ratkaiseminen (Juha Haataja, CSC) sivut

TIES483 Epälineaarinen optimointi

TIES483 Epälineaarinen optimointi TIES483 Epälineaarinen optimointi Käytännön optimointiongelmien ratkaiseminen jussi.hakanen@jyu.fi Syksy 2012 Käytännön optimointiongelmien ratkaiseminen Käytännössä tulee kiinnittää huomiota ainakin seuraaviin

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

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 Käytännön optimointiongelmien ratkaiseminen Käytännön optimointiongelmien ratkaiseminen

Lisätiedot

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 TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Käytännön optimointiongelmien ratkaiseminen Käytännön optimointiongelmien ratkaiseminen

Lisätiedot

TIES483 Epälineaarinen optimointi

TIES483 Epälineaarinen optimointi TIES483 Epälineaarinen optimointi Käytännön optimointiongelmien ratkaiseminen jussi.hakanen@jyu.fi Syksy 2012 Käytännön optimointiongelmien ratkaiseminen Käytännössä tulee kiinnittää huomiota ainakin seuraaviin

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

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 Yleistä https://korppi.jyu.fi/kotka/r.jsp?course=96762 Sisältö Johdanto yksitavoitteiseen

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

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 Optimaalisuus: objektiavaruus f 2 min Z = f(s) Parhaat arvot alhaalla ja vasemmalla

Lisätiedot

TIES483 Epälineaarinen optimointi. Monitavoiteoptimointi Syksy 2012

TIES483 Epälineaarinen optimointi. Monitavoiteoptimointi Syksy 2012 TIES483 Epälineaarinen optimointi Monitavoiteoptimointi jussi.hakanen@jyu.fi Syksy 2012 Sisältö Johdanto monitavoiteoptimointiin Monitavoiteoptimoinnin käsitteitä Menetelmätyypit Käytännön sovellusesimerkkejä

Lisätiedot

TIEA382 Lineaarinen ja diskreetti optimointi

TIEA382 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/

Lisätiedot

Monitavoiteoptimointi

Monitavoiteoptimointi Monitavoiteoptimointi Useita erilaisia tavoitteita, eli useita objektifunktioita Tavoitteet yleensä ristiriitaisia ja yhteismitattomia Optimaalisuus tarkoittaa yleensä eri asiaa kuin yksitavoitteisessa

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

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

Lisätiedot

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 TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Monitavoiteoptimointi Mitä monitavoitteisuus tarkoittaa? Halutaan saavuttaa

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

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 PO pisteiden määräämismenetelmät Idea: tuotetaan erilaisia PO ratkaisuita, joista

Lisätiedot

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 TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Tasaväliset PO pisteet? Painokerroinmenetelmä: muutetaan painoja systemaattisesti

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

Parempaa äänenvaimennusta simuloinnilla ja optimoinnilla

Parempaa 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

Lisätiedot

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 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

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

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

MALLIT VESIJÄRJESTELMIEN TUTKIMUKSESSA

MALLIT 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

Lisätiedot

Biologinen fosforinpoisto Mahdollisuudet, rajoitukset, tekniikka

Biologinen fosforinpoisto Mahdollisuudet, rajoitukset, tekniikka Biologinen fosforinpoisto Mahdollisuudet, rajoitukset, tekniikka Prosessiasiantuntija Pöyry Environment Oy 1 Yleistä Biomassa sitoo fosforia yli normaalin metaboliatarpeen PAO (Phosphorus-Accumulating

Lisätiedot

PROSESSIMALLINNUKSEN HYÖDYNTÄMINEN KAKOLANMÄEN JÄTEVEDENPUHDISTAMON PROSESSIAJOSSA

PROSESSIMALLINNUKSEN HYÖDYNTÄMINEN KAKOLANMÄEN JÄTEVEDENPUHDISTAMON PROSESSIAJOSSA PROSESSIMALLINNUKSEN HYÖDYNTÄMINEN KAKOLANMÄEN JÄTEVEDENPUHDISTAMON PROSESSIAJOSSA Vesihuoltopäivät 10.5.2017 KAKOLANMÄEN JÄTEVEDENPUHDISTAMO 14 kunnan omistama osakeyhtiö AVL 300 000 keskivirtaama noin

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

Kohti energiaomavaraista jätevesilaitosta. Vesi ja vihreä talous - seminaari

Kohti energiaomavaraista jätevesilaitosta. Vesi ja vihreä talous - seminaari Kohti energiaomavaraista jätevesilaitosta Vesi ja vihreä talous - seminaari 11.9. 2013 1 Konsernirakenne 2013 Econet-konserni Econet Oy Econet Consulting Oy 100 % Oy Slamex Ab 100 % Dewaco Oy 100 % Econet

Lisätiedot

Jäteveden denitrifikaation lisääminen ja vesistöhaittojen vähentäminen sedimenttidiffuusorin avulla

Jäteveden denitrifikaation lisääminen ja vesistöhaittojen vähentäminen sedimenttidiffuusorin avulla LIFE12 ENV/FI/597 2013-2017 Jäteveden denitrifikaation lisääminen ja vesistöhaittojen vähentäminen sedimenttidiffuusorin avulla Marja Tiirola Limnologipäivät 10.4.2017 N-SINK o Reduction of waste water

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

KEHÄ. Tutkimusongelmia ja pilotteja. Harri Mattila,

KEHÄ. Tutkimusongelmia ja pilotteja. Harri Mattila, KEHÄ Tutkimusongelmia ja pilotteja Harri Mattila, 3.5.2017 Energia, ravinteet, digitaalisuus, tulevaisuus Energian tuotanto ja kulutus on sidoksissa ilmastonmuutokseen Fosfori on ehtyvä ja strategisesti

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

Miksi kompromissi on parempi kuin optimi? Uusia monitavoiteoptimoinnin menetelmiä päätöksentekoon

Miksi 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

Lisätiedot

Teollinen optimointi: avain yritysten kilpailukykyyn

Teollinen optimointi: avain yritysten kilpailukykyyn Teollinen optimointi: avain yritysten kilpailukykyyn Professori Kaisa Miettinen, JY, virkaanastujaisesitelmä 14.5.2008 Johdattelu optimointiin Teollinen optimointi viittaa optimoinnin soveltamiseen erityisesti

Lisätiedot

Jätevesiprosessien monitoroinnin ja ohjauksen tulevaisuus

Jätevesiprosessien monitoroinnin ja ohjauksen tulevaisuus Jätevesiprosessien monitoroinnin ja ohjauksen tulevaisuus Kolme havaintoesimerkkiä Henri Haimi Sisältö Case 1: Viikinmäen jälkisuodatusprosessin nitraattipitoisuuksien estimointi n malliprediktiivinen

Lisätiedot

Aircraft Maintenance Scheduling with Multi- Objective Simulation- Optimization

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

Lisätiedot

OPTIMOINNIN JA PÄÄTÖKSENTEON MAISTERI- KOULUTUS (OPTI)

OPTIMOINNIN 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

Lisätiedot

Ei ole olemassa jätteitä, on vain helposti ja hieman hankalammin uudelleen käytettäviä materiaaleja

Ei ole olemassa jätteitä, on vain helposti ja hieman hankalammin uudelleen käytettäviä materiaaleja Jätehuolto Ei ole olemassa jätteitä, on vain helposti ja hieman hankalammin uudelleen käytettäviä materiaaleja Jätteiden käyttötapoja: Kierrätettävät materiaalit (pullot, paperi ja metalli kiertävät jo

Lisätiedot

Typenja fosforintalteenotto

Typenja fosforintalteenotto Typenja fosforintalteenotto jätevesistä - rejekti Surendra Pradhan Riku Vahala Anna Mikola Juho Kaljunen 29.03.2017 Sisällys Typen talteenoton tarpeellisuus NPHarvest-projekti lyhyesti Laboratoriotestien

Lisätiedot

Jäteveden ravinteet ja kiintoaine kiertoon viirasuodattimella. Asst.Prof. (tenure track) Marika Kokko

Jäteveden 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

Lisätiedot

Mat Optimointiopin seminaari kevät Monitavoiteoptimointi. Tavoitteet

Mat Optimointiopin seminaari kevät Monitavoiteoptimointi. Tavoitteet Mat-2.142 Optimointiopin seminaari kevät 2000 Monitavoiteoptimointi Optimointiopin seminaari - Kevät 2000 / 1 Tavoitteet Monitavoitteisten optimointitehtävien ratkaisukäsitteet ja soveltamismahdollisuudet

Lisätiedot

Mat Työ 1: Optimaalinen lento riippuliitimellä

Mat 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

Lisätiedot

Lineaarisen ohjelman määritelmä. Joonas Vanninen

Lineaarisen ohjelman määritelmä. Joonas Vanninen Lineaarisen ohjelman määritelmä Joonas Vanninen Sisältö Yleinen optimointitehtävä Kombinatorinen tehtävä Optimointiongelman tapaus Naapurusto Paikallinen ja globaali optimi Konveksi optimointitehtävä Lineaarinen

Lisätiedot

ENON JÄTEVEDENPUHDISTAMON VELVOITETARKKAILUJEN YHTEENVETO 2018

ENON JÄTEVEDENPUHDISTAMON VELVOITETARKKAILUJEN YHTEENVETO 2018 ENON JÄTEVEDENPUHDISTAMON VELVOITETARKKAILUJEN YHTEENVETO 218 1 JOENSUUN VESI Enon jätevedenpuhdistamo VELVOITETARKKAILUJEN YHTEENVETO 218 1. YLEISTÄ Enon taajaman jätevedenpuhdistamo on tyypiltään biologis-kemiallinen

Lisätiedot

Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla

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

Lisätiedot

SOVELLETUN MATEMATIIKAN MAISTERIKOULUTUS

SOVELLETUN MATEMATIIKAN MAISTERIKOULUTUS SOVELLETUN MATEMATIIKAN MAISTERIKOULUTUS 18.3.2013 JYVÄSKYLÄN YLIOPISTO INFORMAATIOTEKNOLOGIAN TIEDEKUNTA 2014 1. AJANKOHTAISUUS Tieto- ja viestintäteknologia ovat muuttaneet ratkaisevasti tapaa, jolla

Lisätiedot

Lineaaristen monitavoiteoptimointitehtävien

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.

Lisätiedot

ÄÄNENVAIMENTIMIEN MALLINNUSPOHJAINEN MONITAVOITTEINEN MUODONOPTIMOINTI 1 JOHDANTO. Tuomas Airaksinen 1, Erkki Heikkola 2

ÄÄNENVAIMENTIMIEN 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

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

JOHDANTO PERUSTIETOA MBR- TEKNIIKASTA

JOHDANTO PERUSTIETOA MBR- TEKNIIKASTA JOHDANTO PERUSTIETOA MBR- TEKNIIKASTA Membraanibioreaktori Aktiivilieteprosessi Membraanisuodatus CAS + = Jätevedenkäsittely (orgaanisten partikkeleiden pilkkoutuminen) tehdään aktiivilieteprosessissa

Lisätiedot

Viemäröinti ja jätevedenpuhdistus Anna Mikola TkT D Sc (Tech)

Viemäröinti ja jätevedenpuhdistus Anna Mikola TkT D Sc (Tech) Viemäröinti ja jätevedenpuhdistus Anna Mikola TkT D Sc (Tech) Kytkeytyminen oppimistavoitteisiin Pystyy kuvailemaan yhdyskuntien vesi- ja jätehuollon kokonaisuuden sekä niiden järjestämisen perusperiaatteet

Lisätiedot

TTY Porin laitoksen optimointipalvelut yrityksille

TTY 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

Lisätiedot

Typenpoiston tehostaminen vesistön mikrobeilla

Typenpoiston tehostaminen vesistön mikrobeilla 2013-2017 Typenpoiston tehostaminen vesistön mikrobeilla Sanni Aalto 9.6.2016 Demonstraatiot 2014-16 Ulkopuoliset rahoittajat & Seurantaryhmä: MTK HS Vesi Metsähallitus Ympäristöministeriö Hämeen ELY Viron

Lisätiedot

Harjoitus 8: Excel - Optimointi

Harjoitus 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

Lisätiedot

OPISKELUTYÖN MITOITUS Opetuksen suunnittelun työväline, jolla arvioidaan opiskelijan työmäärää suhteessa 1 PERUSTIEDOT

OPISKELUTYÖN MITOITUS Opetuksen suunnittelun työväline, jolla arvioidaan opiskelijan työmäärää suhteessa 1 PERUSTIEDOT OPISKELUTYÖN MITOITUS Opetuksen suunnittelun työväline, jolla arvioidaan opiskelijan työmäärää suhteessa 1 PERUSTIEDOT Tiedekunta Laitos Yksikkö Taso (kandidaatti, maisteri, jatkoopinnot) Moduuli Kurssikoodi

Lisätiedot

Luento 6: Monitavoitteinen optimointi

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

Lisätiedot

ERIKOISTAPAUKSET VEDEN KÄSITTELYYN SIVUTUOTTEISTA TEHDYILLÄ RAKEILLA,

ERIKOISTAPAUKSET VEDEN KÄSITTELYYN SIVUTUOTTEISTA TEHDYILLÄ RAKEILLA, ERIKOISTAPAUKSET VEDEN KÄSITTELYYN SIVUTUOTTEISTA TEHDYILLÄ RAKEILLA, Kuokkanen, T., Kuokkanen, V., Rämö, J. Rakeistettujen materiaalien ominaisuuksia Kalsiumkarbonaatti, tuhka, verkkosilikaattipohjainen

Lisätiedot

Talousmatematiikan perusteet: Luento 12. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

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,

Lisätiedot

Kokemuksia ja näkemyksiä teollisuusmatematiikan koulutuksen kehittämisestä

Kokemuksia ja näkemyksiä teollisuusmatematiikan koulutuksen kehittämisestä Kokemuksia ja näkemyksiä teollisuusmatematiikan koulutuksen kehittämisestä Erkki Heikkola, Pasi Tarvainen Numerola Oy, Jyväskylä Teollisuusmatematiikan päivä 15.10.2009, Helsingin yliopisto Numerola Oy

Lisätiedot

Ilmastuksen energiankulutuksen ja typenpoiston optimointi Turun Kakolanmäen jätevedenpuhdistamolla

Ilmastuksen energiankulutuksen ja typenpoiston optimointi Turun Kakolanmäen jätevedenpuhdistamolla Ilmastuksen energiankulutuksen ja typenpoiston optimointi Turun Kakolanmäen jätevedenpuhdistamolla Envieno, Turun seudun puhdistamo Oy, Esa Malmikare Jouko Tuomi Vesihuolto 2015 KAKOLANMÄEN JÄTEVEDENPUHDISTAMO

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

monitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi Ohjaaja: Prof. Kai Virtanen Valvoja: Prof.

monitavoitteisissa 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

Lisätiedot

Optimointi. 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 Optimointi Etsitään parasta mahdollista ratkaisua annetuissa olosuhteissa Ongelman mallintaminen Mallin ratkaiseminen Ratkaisun analysointi 1 Peruskäsitteitä Muuttujat: Sallittu alue: x = (x 1, x 2,...,

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

Kiintoaineen ja ravinteiden poiston tehostaminen yhdyskuntajätevedestä mikrosiivilällä. Petri Nissinen, Pöyry Finland Oy

Kiintoaineen 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,

Lisätiedot

Ravinteiden talteenotto mädättämöiden rejektivedestä Markkinapotentiaali Suomessa

Ravinteiden talteenotto mädättämöiden rejektivedestä Markkinapotentiaali Suomessa Ravinteiden talteenotto mädättämöiden rejektivedestä Markkinapotentiaali Suomessa Vesihuoltopäivät 2017 Ingrid Nobre, Surendra Pradhan ja Anna Mikola Haaste fosforin ja typen talteenottoon Fosforivarannot

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

Agenda. Läpäisyvaatimukset Henkilökunta Luennot ja aikataulu Kurssimateriaali Harjoitustyöt Demoharjoitus Tentti ja arvostelu Muuta?

Agenda. Läpäisyvaatimukset Henkilökunta Luennot ja aikataulu Kurssimateriaali Harjoitustyöt Demoharjoitus Tentti ja arvostelu Muuta? OHJ-4301 Sulautettu Ohjelmointi (http://www.cs.tut.fi/~sulo/) 5op, to 12-14, 14, TB 109 Arto Salminen, arto.salminen@tut.fi Agenda Läpäisyvaatimukset Henkilökunta Luennot ja aikataulu Kurssimateriaali

Lisätiedot

Flipped classroom (2op) Käänteinen opetus/luokkahuone Lähipäivä

Flipped classroom (2op) Käänteinen opetus/luokkahuone Lähipäivä Flipped classroom (2op) Käänteinen opetus/luokkahuone Lähipäivä 6.10.2015 Learning services / OPIT Timo Ovaska Keskeinen sisältö ja osaamistavoitteet Käänteisen opetuksen suunnittelu ja elementit Erilaisten

Lisätiedot

Malliratkaisut Demo 4

Malliratkaisut 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

Lisätiedot

Lataa Optimointitehtävien ratkaiseminen - Juha Haataja. Lataa

Lataa Optimointitehtävien ratkaiseminen - Juha Haataja. Lataa Lataa Optimointitehtävien ratkaiseminen - Juha Haataja Lataa Kirjailija: Juha Haataja ISBN: 9789529821952 Sivumäärä: 245 Formaatti: PDF Tiedoston koko: 10.07 Mb Kustantajan kuvausteksti kirjasta puuttuu.

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat Lineaarinen ohjelmointi Mat-2.3140 Lineaarinen ohjelmointi 4.10.2007 Luento 4 Ekstreemipisteiden optimaalisuus ja Simplex (kirja 2.4-2.6, 3.1-3.2) Lineaarinen ohjelmointi - Syksy 2007 / 1 Luentorunko Degeneroituvuus Ekstreemipisteiden

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

Kon Simuloinnin Rakentaminen Janne Ojala

Kon Simuloinnin Rakentaminen Janne Ojala Kon 16.4011 Simuloinnin Rakentaminen Janne Ojala Simulointi käytännössä 1/3 Simulaatiomalleja helppo analysoida Ymmärretään ongelmaa paremmin - Opitaan ymmärtämään koneen toimintaa ja siihen vaikuttavia

Lisätiedot

Yhden muuttujan funktion minimointi

Yhden 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

Lisätiedot

Ohjelmistotekniikan menetelmät, kesä 2008

Ohjelmistotekniikan menetelmät, kesä 2008 582101 - Ohjelmistotekniikan menetelmät, kesä 2008 1 Ohjelmistotekniikan menetelmät Methods for Software Engineering Perusopintojen pakollinen opintojakso, 4 op Esitietoina edellytetään oliokäsitteistön

Lisätiedot

Optimaalisuusehdot. 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 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

Lisätiedot

KERTARAPORTTI 25.8.2014

KERTARAPORTTI 25.8.2014 s. 1 (2) UUDENKAUPUNGIN HÄPÖNNIEMEN KESKUSPUHDISTAMO Tutkimus: 8/2014, 6.8.2014 (uki8). Puhdistamo toimi tarkkailun aikana melko hyvin. Mereen lähtevän veden BOD7ATU- ja CODCr-arvot sekä fosfori- ja kiintoainepitoisuudet

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

OPETUSSUUNNITELMALOMAKE

OPETUSSUUNNITELMALOMAKE OPETUSSUUNNITELMALOMAKE v0.90 Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit

Lisätiedot

Kon Konepajojen tuotannonohjaus: ILOG CPLEX Studion käyttö

Kon Konepajojen tuotannonohjaus: ILOG CPLEX Studion käyttö Kon-15.4199 Konepajojen tuotannonohjaus: ILOG CPLEX Studion käyttö 22.1.2016 Harjoituksessa 1. Varmistetaan että kaikilla on pari! Ilmoittautukaa oodissa etukäteen! 2. Tutustutaan ensimmäiseen tehtävään

Lisätiedot

Talousmatematiikan perusteet: Luento 15. Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta

Talousmatematiikan 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:

Lisätiedot

JÄTEVEDEN UUSIEN KÄSITTELYVAATIMUKSIEN TOTEUTTAMINEN JA SEN KUSTANNUKSET

JÄTEVEDEN UUSIEN KÄSITTELYVAATIMUKSIEN TOTEUTTAMINEN JA SEN KUSTANNUKSET JÄTEVEDEN UUSIEN KÄSITTELYVAATIMUKSIEN TOTEUTTAMINEN JA SEN KUSTANNUKSET TYÖN TAUSTA JA TAVOITTEET VVY:n toimeksianto keväällä 2015 Tavoitteena arvioida jätevesien käsittelyn tehostamisen varteenotettavia

Lisätiedot

Tuotannon simulointi. Teknologiademot on the road -hanke

Tuotannon simulointi. Teknologiademot on the road -hanke Tuotannon simulointi Teknologiademot on the road -hanke Simulointi Seamkissa Tuotannon simulointia on tarjottu palvelutoimintana yrityksille 90-luvun puolivälistä lähtien. Toteutettuja yritysprojekteja

Lisätiedot

Konesalin 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 Konesalin jäähdytysjärjestelmän mallinnus, simulointi ja optimointi To 4.6.2015 Merja Keski-Pere Konesaleista Digitalisaation lisääntyminen palvelinkapasiteettia lisää Eurooppaan arviolta jopa 60 uutta

Lisätiedot

Kurssin toteutus ja ryhmiinjako Ma 2.9. klo 13-15 PR104 Aki Sorsa (SÄÄ) Pe 13.9. klo 8-10 (oma huone) Ke 18.9. Tehtävien palautus

Kurssin toteutus ja ryhmiinjako Ma 2.9. klo 13-15 PR104 Aki Sorsa (SÄÄ) Pe 13.9. klo 8-10 (oma huone) Ke 18.9. Tehtävien palautus PROSESSI- JA YMPÄRISTÖTEKNIIKAN PERUSTA I Aikataulu, syksy 2013 TEEMA AIKATAULU VASTUU Kurssin toteutus ja ryhmiinjako Ma 2.9. klo 13-15 PR104 Aki Sorsa (SÄÄ) Yksikköprosessit ja taseajattelu Ympäristövaikutukset

Lisätiedot

Talousmatematiikan perusteet: Johdanto. Kurssin tavoitteet Käytännön järjestelyt Suosituksia suorittamiseen

Talousmatematiikan perusteet: Johdanto. Kurssin tavoitteet Käytännön järjestelyt Suosituksia suorittamiseen Talousmatematiikan perusteet: Johdanto Kurssin tavoitteet Käytännön järjestelyt Suosituksia suorittamiseen Kurssin tavoitteet Matematiikkaa hyödynnetään monilla kauppa- ja taloustieteen osaalueilla Esim.

Lisätiedot

Mädätys HSY:n jätevedenpuhdistamoilla. Mädätyksen rakenne- ja laitetekniikka seminaari 15.10.2013

Mädätys HSY:n jätevedenpuhdistamoilla. Mädätyksen rakenne- ja laitetekniikka seminaari 15.10.2013 Mädätys HSY:n jätevedenpuhdistamoilla Mädätyksen rakenne- ja laitetekniikka seminaari 15.10.2013 HSY - Helsingin seudun ympäristöpalvelut kuntayhtymä HSY tuottaa jäte- ja vesihuoltopalveluita yli miljoonalle

Lisätiedot

Energian ja ravinteiden kierrätyksen uudet mahdollisuudet vesihuollossa (KEHÄ)

Energian ja ravinteiden kierrätyksen uudet mahdollisuudet vesihuollossa (KEHÄ) Energian ja ravinteiden kierrätyksen uudet mahdollisuudet vesihuollossa (KEHÄ) 01.09.2016-31.08.2018 Mia O Neill Hankkeen tavoitteet Päätavoitteena on tehostaa sitoutuvan energian ja/tai ravinteiden kierrätystä

Lisätiedot

RUKAN UUDEN JÄTEVEDENPUHDISTAMON KÄYNNISTYS- JA KÄYTTÖKOKEMUKSIA Kristian Sahlstedt, osastopäällikkö Pöyry Finland Oy

RUKAN UUDEN JÄTEVEDENPUHDISTAMON KÄYNNISTYS- JA KÄYTTÖKOKEMUKSIA Kristian Sahlstedt, osastopäällikkö Pöyry Finland Oy RUKAN UUDEN JÄTEVEDENPUHDISTAMON KÄYNNISTYS- JA KÄYTTÖKOKEMUKSIA Kristian Sahlstedt, osastopäällikkö Pöyry Finland Oy Vesihuolto 2017 10.5.2015 JOHDANTO Rukan alueen jätevedenpuhdistuksen uudistamista

Lisätiedot

ENERGIAA JÄTEVESISTÄ. Maailman käymäläpäivän seminaari - Ongelmasta resurssiksi - 19.11.2014

ENERGIAA JÄTEVESISTÄ. Maailman käymäläpäivän seminaari - Ongelmasta resurssiksi - 19.11.2014 ENERGIAA JÄTEVESISTÄ Maailman käymäläpäivän seminaari - Ongelmasta resurssiksi - 19.11.2014 Watrec Oy palvelutarjonta Ratkaisut 1) Viranomaisprosessit 2) Selvitysprosessit 3) Asiantuntijaarvioinnit Asiantuntijapalvelut

Lisätiedot

Kevät Kirsi Valjus. Jyväskylän yliopisto Tietotekniikan laitos

Kevät Kirsi Valjus. Jyväskylän yliopisto Tietotekniikan laitos Numeeriset menetelmät TIEA381 Kevät 2013 Kirsi Valjus Jyväskylän yliopisto Tietotekniikan laitos Luento 1 () Numeeriset menetelmät 13.3.2013 1 / 34 Luennon 1 sisältö Käytännön asioita Numeerisen matematiikan

Lisätiedot

5.6.3 Matematiikan lyhyt oppimäärä

5.6.3 Matematiikan lyhyt oppimäärä 5.6.3 Matematiikan lyhyt oppimäärä Matematiikan lyhyen oppimäärän opetuksen tehtävänä on tarjota valmiuksia hankkia, käsitellä ja ymmärtää matemaattista tietoa ja käyttää matematiikkaa elämän eri tilanteissa

Lisätiedot

5.10 KEMIA OPETUKSEN TAVOITTEET

5.10 KEMIA OPETUKSEN TAVOITTEET 5.10 KEMIA Kemian opetuksen tarkoituksena on tukea opiskelijan luonnontieteellisen ajattelun ja nykyaikaisen maailmankuvan kehittymistä osana monipuolista yleissivistystä. Opetus välittää kuvaa kemiasta

Lisätiedot

Kuvataiteen perusopinnot (25 op) - ayukuv1700

Kuvataiteen perusopinnot (25 op) - ayukuv1700 Kuvataiteen perusopinnot (25 op) - ayukuv1700 Opetus toteutetaan vuonna 2016 Riihimäellä yhteistyössä Riihimäen kansalaisopiston kanssa. Ajankohta Kevät 2016 - Syksy 2016 Opiskelijan tulee omata riittävät

Lisätiedot

Matemaattinen optimointi I -kurssin johdantoluento Prof. Marko M. Mäkelä Turun yliopisto Matematiikan ja tilastotieteen laitos

Matemaattinen 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

Lisätiedot

Talousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu

Talousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu Talousmatematiikan perusteet: Luento 14 Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu Luennolla 6 Tarkastelimme yhden muuttujan funktion f(x) rajoittamatonta optimointia

Lisätiedot

Talousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu

Talousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita

Lisätiedot

5.10 Kemia. Opetuksen tavoitteet

5.10 Kemia. Opetuksen tavoitteet 5.10 Kemia Kemian opetuksen tarkoituksena on tukea opiskelijan luonnontieteellisen ajattelun ja nykyaikaisen maailmankuvan kehittymistä osana monipuolista yleissivistystä. Opetus välittää kuvaa kemiasta

Lisätiedot

Optimoinnin sovellukset

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

Lisätiedot

OPETUSSUUNNITELMALOMAKE

OPETUSSUUNNITELMALOMAKE OPETUSSUUNNITELMALOMAKE v0.90 Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit

Lisätiedot

OPERAATIOTUTKIMUS METSÄTALOUDESSA

OPERAATIOTUTKIMUS METSÄTALOUDESSA OPERAATIOTUTKIMUS METSÄTALOUDESSA Jyrki Kangas, UPM Metsä & Annika Kangas, Helsingin yliopisto Alustus FORS-seminaarissa 'Operaatiotutkimus metsäsektorilla' 24.5.2006 Helsinki Tyypillisimmät OR-tehtävät

Lisätiedot

Analyysi 1, kevät 2010

Analyysi 1, kevät 2010 Analyysi 1, kevät 2010 Peter Hästö 27. tammikuuta 2010 Matemaattisten tieteiden laitos Osaamistavoitteet Kurssin onnistuneen suorittamisen jälkeen opiskelija osaa määritellä alkeistopologian käsitteet

Lisätiedot