Optimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0
|
|
- Jukka-Pekka Ahola
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 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 1
2 Sallittu alue: S = {x R n g i (x) 0 i = 1,..., m, h j (x) = 0 j = 1,..., l} Aktiivinen rajoite: Epäyhtälörajoite g i (x) 0 on aktiivinen pisteessä x S, jos g i (x ) = 0 Säännöllinen piste: Piste x S on säännöllinen, jos siinä aktiivisten epäyhtälörajoitteiden ja kaikkien yhtälörajoitteiden gradienttien joukko { g i (x ), h j (x )} on lineaarisesti riippumaton 2
3 Lagrangen kertoimet: λ = (λ 1,..., λ l ) T ja µ = (µ 1,..., µ m ) T Lagrangen funktio: L(x, λ, µ) = f(x) + m i=1 µ i g i (x) + l j=1 λ j h j (x) Lagrangen funktion gradientti: x L(x, λ, µ) = f(x) + m i=1 µ i g i (x) + l j=1 λ j h j (x) 3
4 Välttämättömät Karush Kuhn Tucker-optimaalisuusehdot: Olkoot tehtävän (NLP) objekti- ja rajoitefunktiot jatkuvasti differentioituvia säännöllisessä pisteessä x S Jos x on tehtävän lokaali minimipiste, niin on olemassa Lagrangen kertoimet µ i 0, i = 1,..., m, ja λ j, j = 1,..., l, siten, että f(x ) + m i=1 µ i g i (x ) + l j=1 µ i g i (x ) = 0 i = 1,..., m λ j h j (x ) = 0 4
5 Riittävät Karush Kuhn Tucker-optimaalisuusehdot: Olkoot tehtävän (NLP) objekti- ja rajoitefunktiot jatkuvasti differentioituvia ja konvekseja, ja olkoon x S Jos on olemassa Lagrangen kertoimet µ i 0, i = 1,..., m, ja λ j, j = 1,..., l, siten, että f(x ) + m i=1 µ i g i (x ) + l j=1 µ i g i (x ) = 0 i = 1,..., m niin x on tehtävän globaali minimipiste λ j h j (x ) = 0 5
6 Tehtävä (NLP) vektorimuodossa: min f(x) kun g(x) 0 h(x) = 0 missä g = (g 1,..., g m ) T ja h = (h 1,..., h l ) T Lagrangen funktio vektorimuodossa: L(x, λ, µ) = f(x) + µ T g(x) + λ T h(x) 6
7 KKT-ehdot vektorimuodossa: x L(x, λ, µ) = 0 g(x) 0 h(x) = 0 µ T g(x) = 0 µ 0 7
8 Yleinen minimointitehtävä ei-negatiivisuusrajoittein (NLP ): min f(x) kun g(x) 0 h(x) = 0 x 0 Epätäydellinen Lagrangen funktio (ei ota huomioon ei-negatiivisuusrajoitetta): L(x, λ, µ) = f(x) + µ T g(x) + λ T h(x) 8
9 x 0 g m+i (x) 0 kaikilla i = 1,..., n, missä g m+i (x) = x i = Täydellinen Lagrangen funktio: L(x, λ, µ) = L(x, λ, µ) + n i=1 µ m+i g m+i (x) Merkitään ν = (ν 1,..., ν n ) T = (µ m+1,..., µ m+n ) T = L(x, λ, µ, ν) = L(x, λ, µ) ν T x 9
10 KKT-ehdot tehtävälle (NLP ): x L(x, λ, µ) ν = 0 x L(x, λ, µ) 0 g(x) 0 g(x) 0 h(x) = 0 h(x) = 0 µ T g(x) = 0 µ T g(x) = 0 ν T x = 0 x L(x, λ, µ) T x = 0 x, µ, ν 0 x, µ 0 10
11 Kvadraattinen optimointi Kvadraattinen minimointitehtävä (QP): min 1 2 xt Qx + c T x kun Ax = b x 0 missä Q R n n, c R n, A R m n ja b R m, ja lisäksi Q on symmetrinen (Rajoitteena voisi olla myös Ax b) 11
12 Semidefiniittisyys: Matriisi Q R n n on positiivisesti semidefiniitti, jos se on symmetrinen ja x T Qx 0 kaikilla x R n Definiittisyys: Matriisi Q R n n on positiivisesti definiitti, jos se on symmetrinen ja x T Qx > 0 kaikilla x R n, x 0 Matriisi Q on positiivisesti semidefiniitti Tehtävän (QP) objektifunktio on konveksi Matriisi Q on positiivisesti definiitti ja S = Tehtävällä (QP) on yksikäsitteinen ratkaisu 12
13 Ax = b h(x) = 0, missä h(x) = Ax b x 0 g(x) 0, missä g(x) = x = Tehtävän (QP) Lagrangen funktio: L(x, λ, µ) = 1 2 xt Qx + c T x + λ T (Ax b) µ T x 13
14 f(x) = x T Qx = f(x) = 2Qx f(x) = c T x = f(x) = c = L(x, λ, µ) = 1 2 xt Qx + c T x + λ T Ax λ T b µ T x x L(x, λ, µ) = Qx + c + A T λ µ 14
15 = Tehtävän (QP) KKT-ehdot: Qx + c + A T λ µ = 0 Ax = b µ T x = 0 x, µ 0 15
16 λ R = λ = u v, missä u,v 0 = Tehtävän (QP) KKT-ehdot: Qx + c + A T u A T v µ = 0 Ax = b µ T x = 0 x,u,v, µ 0 16
17 C = [ Q A T A T ] I A y = x u v µ d = [ ] c b = Lineaarinen komplementaarinen probleema (LCP): Cy = d µ T x = 0 y 0 17
18 Lisätään keinotekoiset muuttujat w = (w 1,..., w n+m ) T ja keinotekoinen objektifunktio: min n+m i=1 w i kun Cy + Iw = d y,w 0 Ratkaistaan tehtävä simplex-menetelmällä siten, että komplementaarisuusehto µ T x = 0 pysyy voimassa, ts. muuttujat µ i ja x i eivät ole perusmuuttujina samanaikaisesti 18
19 Esimerkki Kvadraattinen minimointitehtävä: min x x2 2 2x 1 + 2x 2 kun x 1 + x 2 = 3 x 1, x 2 0 Tehtävä matriisimuodossa: ] min 1 [ xt x + [ 2 2 ] x 0 2 kun [ 1 1 ] x = [ 3 ] x 0 19
20 KKT-ehdot lineaarisena komplementaarisena probleemana: Kerrotaan toinen rivi 1:llä µ 1 x 1 = µ 2 x 2 = 0 x 1, x 2, u 1, v 1, µ 1, µ 2 0 x 1 x 2 u 1 v 1 µ 1 µ 2 = Lisätään keinotekoiset muuttujat w 1, w 2 ja w 3 Lisätään keinotekoinen objektifunktio w 1 + w 2 + w 3 20
21 = Lineaarisen komplementaarisen probleeman simplex-taulukko: x 1 x 2 u 1 v 1 µ 1 µ 2 w 1 w 2 w Eliminoidaan objektifunktiosta perusmuuttujat 21
22 = Aloitusperusmuodon simplex-taulukko: x 1 x 2 u 1 v 1 µ 1 µ 2 w 1 w 2 w Pivot-alkio valitaan siten, että µ 1 ja x 1 eivät ole perusmuuttujia samanaikaisesti µ 2 ja x 2 eivät ole perusmuuttujia samanaikaisesti 22
23 = 0 1 3/2 3/2 1/2 1 3/ /2 1/2 1/2 0 1/ /2 1/2 1/2 0 1/
24 0 1 3/2 3/2 1/2 1 3/ /2 1/2 1/2 0 1/ /2 1/2 1/2 0 1/ = /2 1/2 3/2 3/ /2 1/2 1/2 1/ /2 1/2 1/2 1/
25 /2 1/2 3/2 3/ /2 1/2 1/2 1/ /2 1/2 1/2 1/2 1 1 = /4 1/4 1/4 1/4 1/2 5/ /2 1/2 1/2 1/ /4 1/4 1/4 1/4 1/2 1/2 25
26 Optimaalinen simplex-taulukko: x 1 x 2 u 1 v 1 µ 1 µ 2 w 1 w 2 w /4 1/4 1/4 1/4 1/2 5/ /2 1/2 1/2 1/ /4 1/4 1/4 1/4 1/2 1/2 Saatiin optimi, jossa w 1 = w 2 = w 3 = 0 Ratkaisu: (x 1, x 2 ) = (5/2,1/2) 26
27 Yleinen minimointitehtävä ei-negatiivisuusrajoittein Tehtävä (NLP ): min f(x) kun g(x) 0 h(x) = 0 x 0 Epätäydellinen Lagrangen funktio: L(x, λ, µ) = f(x) + µ T g(x) + λ T h(x) 27
28 KKT-ehdot tehtävälle (NLP ): x L(x, λ, µ) 0 ( 1 ) g(x) 0 ( 2 ) h(x) = 0 ( 2 ) µ T g(x) = 0 ( 3 ) x L(x, λ, µ) T x = 0 ( 3 ) x, µ 0 ( 4 ) ( 1 ) Varsinaiset KKT-ehdot ( 2 ) Varsinaiset rajoitteet ( 3 ) Komplementaarisuusehdot ( 4 ) Ei-negatiivisuusrajoitteet 28
29 Esimerkki x A, x B = tuotteiden A ja B määrät P A, P B = tuotteiden A ja B hinnat min x A P A x B P B + 0.2x A + 0.3x B kun x A + 21P A 0.1P B = 60 x B + 25P B 0.1P A = 50 x A 25 x B 30 x A + 2x B 50 x A, x B, P A, P B 0 29
30 Epätäydellinen Lagrangen funktio: L(x A, x B, P A, P B, λ 1, λ 2, µ 1, µ 2, µ 3 ) = x A P A x B P B + 0.2x A + 0.3x B + λ 1 (x A + 21P A 0.1P B 60) + λ 2 (x B + 25P B 0.1P A 50) + µ 1 (x A 25) + µ 2 (x B 30) + µ 3 (x A + 2x B 50) 30
31 KKT-ehdot: L/ x A = P A λ 1 + µ 1 + µ 3 0 L/ x B = P B λ 2 + µ 2 + 2µ 3 0 L/ P A = x A + 21λ 1 0.1λ 2 0 L/ P B = x B 0.1λ λ 2 0 x A + 21P A 0.1P B = 60 x B + 25P B 0.1P A = 50 x A 25 x B 30 x A + 2x B 50 µ 1 (x A 25) = µ 2 (x B 30) = µ 3 (x A + 2x B 50) = 0 ( L/ x A )x A = ( L/ x B )x B = ( L/ P A )P A = ( L/ P B )P B = 0 x A, x B, P A, P B, µ 1, µ 2, µ
32 Kvadraattinen minimointitehtävä Tehtävä (QP): min 1 2 xt Qx + c T x kun Ax = b x 0 KKT-ehdot: Qx + c + A T λ µ = 0 Ax = b µ T x = 0 x, µ 0 Oletetaan, että Q on positiivisesti definiitti 32
33 Erikoistapauksia Ei rajoitteita: min 1 2 xt Qx + c T x kun x R n KKT-ehdot: Qx + c = 0 Qx = c Lineaarinen yhtälöryhmä = Voidaan ratkaista (esimerkiksi) Choleskyn menetelmällä tai liittogradienttimenetelmällä 33
34 Vain yhtälörajoitteita: min 1 2 xt Qx + c T x kun Ax = b KKT-ehdot: Qx + c + A T λ = 0 Ax = b [ Q A T A 0 ] [ ] x λ = [ ] c b Lineaarinen yhtälöryhmä = Voidaan ratkaista (esimerkiksi) Gaussin eliminointimenetelmällä 34
35 Vain alarajarajoitteita: min 1 2 xt Qx + c T x kun x b KKT-ehdot: Qx + c µ = 0 x b µ T ( x + b) = 0 µ 0 Voidaan ratkaista (esimerkiksi) jollain aktiivijoukkomenetelmällä 35
36 Olkoon I act optimissa aktiivisten rajoitteiden joukko = x i = b i kun i I act µ i =? kun i I act x i =? kun i / I act µ i = 0 kun i / I act 36
37 Muuttujat x i, i / I act, saadaan ratkaisemalla lineaarinen yhtälöryhmä: Qx + c µ = 0 = j I act q ij x j + j / I act q ij x j + c i µ i = 0 i / I act = j / I act q ij x j = c i j I act q ij b j i / I act 37
38 Lagrangen kertoimet µ i, i I act, voidaan laskea: Qx + c µ = 0 = j I act q ij x j + j / I act q ij x j + c i µ i = 0 i I act = µ i = j / I act q ij x j + j I act q ij b j + c i i I act 38
39 Iteroidaan joukon I act suhteen: Aluksi arvataan I act, esimerkiksi I act = Ratkaistaan x ja lasketaan µ Jos x b ja µ 0, niin optimi on löytynyt = Lopetetaan Muuten päivitetään joukkoa I act Jos x i < b i, niin I act = I act {i} Jos µ i < 0, niin I act = I act \ {i} Uusi iteraatio 39
40 Esimerkki: Käyränsovitus Havaintopisteistö (x i, y i ), i = 1,..., k Tavoite: Etsi toisen asteen polynomi siten, että sen kuvaaja sopii havaintopisteisiin mahdollisimman hyvin pienimmän neliösumman (PNS) mielessä a, b, c = polynomin ax 2 + bx + c kertoimet min k i=1 kun a, b, c R (ax 2 i + bx i + c y i ) 2 40
41 = X = x 2 1 x 1 1 x 2 2 x x 2 k x k 1 z = a b y = c y 1 y 2. y k k (ax 2 i + bx i + c y i ) 2 = k i=1 i=1 ([Xz] i y i ) 2 = (Xz y) T (Xz y) = z T X T Xz 2y T Xz + y T y Poistetaan vakiotermi y T y ja kerrotaan 1/2:lla = Objektifunktio on kvadraattinen 41
42 Rajoitteeton (QP)-tehtävä: min 1 2 xt Qx + c T x min 1 2 zt (X T X)z (X T y) T z kun x R n kun z R 3 KKT-ehdot: Qx = c (X T X)z = X T y 42
43 Sisäpistemenetelmät Simplex-menetelmä (George Dantzig, 1947): Kuljetaan sallitun alueen reunalla Pienissä tehtävissä käytännössä paras ja luotettavin menetelmä (jos koodattu tehokkaasti) Ratkaisuaika pahimmassa tapauksessa eksponentiaalinen Voidaanko lineaarisen optimoinnin ratkaisuideaa parantaa? 43
44 Sisäpistemenetelmät: Kuljetaan sallitun alueen sisäpisteissä Lähellä epälineaarisen optimoinnin menetelmiä Suurissa tehtävissä (tuhansia muuttujia) yleensä tehokkaampia kuin simplex 44
45 Karmarkarin menetelmä: Sisäpistemenetelmä lineaarisille optimointitehtäville Ratkaisuaika polynominen Alkuperäinen versio vuodelta 1984, sen jälkeen useita parannettuja versioita Gradientti antaa objektifunktion suurimman kasvun suunnan (ei ota huomioon rajoitteita) Edetään sisäpisteestä projisoidun negatiivisen gradientin suuntaan 45
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
LisätiedotLineaarinen optimointitehtävä
Lineaarinen optimointitehtävä Minimointitehtävä yhtälörajoittein: min kun n j=1 n j=1 c j x j a ij x j = b i x j 0 j = 1,..., n i = 1,..., m Merkitään: z = alkuperäisen objektifunktion arvo käsiteltävänä
LisätiedotLuento 9: Yhtälörajoitukset optimoinnissa
Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon
LisätiedotJYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö
JYVÄSKYLÄN YLIOPISTO 3. Luennon sisältö Lineaarisen optimointitehtävän sallittu alue Optimointitehtävien muunnoksia Lineaarisen yhtälöryhmän perusmuoto ja perusratkaisut Lineaarisen optimointitehtävän
LisätiedotTaustatietoja 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:
LisätiedotJälki- ja herkkyysanalyysi. Tutkitaan eri kertoimien ja vakioiden arvoissa tapahtuvien muutosten vaikutusta optimiratkaisuun
Jälki- ja herkkyysanalyysi Tutkitaan eri kertoimien ja vakioiden arvoissa tapahtuvien muutosten vaikutusta optimiratkaisuun 1 Hinnat ja varjohinnat Objektifunktio c T x = Kerroin c j ilmoittaa, paljonko
LisätiedotLuento 11: Rajoitusehdot. Ulkopistemenetelmät
Luento 11: Rajoitusehdot. Ulkopistemenetelmät ja sisäpistemenetelmät Lagrangen välttämättömien ehtojen ratkaiseminen Newtonin menetelmällä Jos tehtävässä on vain yhtälörajoituksia, voidaan minimipistekandidaatteja
Lisätiedot1 Kertaus. Lineaarinen optimointitehtävä on muotoa:
1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n
LisätiedotLuento 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
LisätiedotLuento 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
Lisätiedotb 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 }{{}
LisätiedotOptimointi. Etsitään parasta mahdollista ratkaisua annetuissa olosuhteissa. Ongelman mallintaminen. Mallin ratkaiseminen. Ratkaisun analysointi
Optimointi Etsitään parasta mahdollista ratkaisua annetuissa olosuhteissa Ongelman mallintaminen Mallin ratkaiseminen Ratkaisun analysointi 1 Peruskäsitteitä Muuttujat: Sallittu alue: x = (x 1, x 2,...,
LisätiedotLineaarinen optimointitehtävä
Lineaarinen optimointitehtävä min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2. a m1 x 1 + a m2 x 2 + + a mn x n b m x 1, x 2,..., x n 0 1
LisätiedotKirjallisuuskatsaus sisäpistemenetelmiin ja niiden soveltamiseen eri optimointiluokille (valmiin työn esittely)
Kirjallisuuskatsaus sisäpistemenetelmiin ja niiden soveltamiseen eri optimointiluokille (valmiin työn esittely) Ilari Vähä-Pietilä 28.04.2014 Ohjaaja: TkT Kimmo Berg Valvoja: Prof. Harri Ehtamo Työn saa
Lisätiedot6. Luennon sisältö. Lineaarisen optimoinnin duaaliteoriaa
JYVÄSKYLÄN YLIOPISTO 6. Luennon sisältö Lineaarisen optimoinnin duaaliteoriaa työkalu ratkaisun analysointiin Jälki- ja herkkyysanalyysiä mitä tapahtuu optimiratkaisulle, jos tehtävän vakiot hieman muuttuvat
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
LisätiedotMS-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
LisätiedotPiiri K 1 K 2 K 3 K 4 R R
Lineaarinen optimointi vastaus, harj 1, Syksy 2016. 1. Teollisuuslaitos valmistaa piirejä R 1 ja R 2, joissa on neljää eri komponenttia seuraavat määrät: Piiri K 1 K 2 K 3 K 4 R 1 3 1 2 2 R 2 4 2 3 0 Päivittäistä
Lisätiedot1 Rajoitettu optimointi I
Taloustieteen mat.menetelmät 2017 materiaali II-1 1 Rajoitettu optimointi I 1.1 Tarvittavaa osaamista Matriisit ja vektorit, matriisien de niittisyys Derivointi (mm. ketjusääntö, Taylorin kehitelmä) Implisiittifunktiolause
LisätiedotLuento 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
LisätiedotLineaarisen kokonaislukuoptimointitehtävän ratkaiseminen
Lineaarisen kokonaislukuoptimointitehtävän ratkaiseminen Jos sallittuja kokonaislukuratkaisuja ei ole kovin paljon, ne voidaan käydä kaikki läpi yksitellen Käytännössä tämä ei kuitenkaan ole yleensä mahdollista
LisätiedotKeskeiset tulokset heikko duaalisuus (duaaliaukko, 6.2.1) vahva duaalisuus (6.2.4) satulapisteominaisuus (6.2.5) yhteys KKT ehtoihin (6.2.
Duaalisuus Lagrangen duaalifunktio ja duaalitehtävä määrittely ja geometria max θ(u,v), missä θ(u,v)=inf x X ϕ(x,u,v) s.e u 0 Lagr. funktio ϕ(x,u,v)=f(x)+u T g(x)+v T h(x) Keskeiset tulokset heikko duaalisuus
LisätiedotLuento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja
Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja Seuraavassa esitetään optimointitehtävien numeerisia ratkaisumenetelmiä, eli optimointialgoritmeja, keittokirjamaisesti.
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 3.2.27 Tehtävä. Valmisohjelmistolla voidaan ratkaista tehtävä min c T x s. t. Ax b x, missä x, c ja b R n ja A R m n. Muunnetaan tehtävä max x + 2x 2 + 3x 3 + x s. t. x + 3x 2 + 2x
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Yleistä https://korppi.jyu.fi/kotka/r.jsp?course=96762 Sisältö Johdanto yksitavoitteiseen
Lisätiedot12. Hessen matriisi. Ääriarvoteoriaa
179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä
Lisätiedot1 Perusteita lineaarisista differentiaaliyhtälöistä
1 Perusteita lineaarisista differentiaaliyhtälöistä Johdetaan lineaarisen aikavariantin systeemin ẋ(t) = A(t)x(t) + B(t)u(t), x(t 0 ) = x 0 yleinen ratkaisu. Tarkastellaan ensin homogeenistä yhtälöä. Lause
Lisätiedot1 Rajoitettu optimointi III - epäyhtälörajoitteet, teoriaa
Taloustieteen mat.menetelmät syksy27 materiaali II-3 Rajoitettu optimointi III - epäyhtälörajoitteet, teoriaa. Perustehtävä Maksimoi f(x) ehdoilla g i (x), i = ; : : : ; k tässä f; g i : R n 7! R, i =
Lisätiedotmin x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4
LisätiedotMalliratkaisut Demo 4
Malliratkaisut Demo 4 1. tehtävä a) f(x) = 2x + 21. Funktio on lineaarinen, joten se on unimodaalinen sekä maksimoinnin että imoinnin suhteen. Funktio on konveksi ja konkaavi. b) f(x) = x (pienin kokonaisluku
LisätiedotTalousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita
Lisätiedot1 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
LisätiedotKuljetustehtävä. Materiaalia kuljetetaan m:stä lähtöpaikasta n:ään tarvepaikkaan. Kuljetuskustannukset lähtöpaikasta i tarvepaikkaan j ovat c ij
Kuljetustehtävä Materiaalia kuljetetaan m:stä lähtöpaikasta n:ään tarvepaikkaan Kuljetuskustannukset lähtöpaikasta i tarvepaikkaan j ovat c ij Lähtöpaikan i kapasiteetti on a i (oletetaan, että a i > 0
Lisätiedot, on säännöllinen 2-ulotteinen pinta. Määrää T x0 pisteessä x 0 = (0, 1, 1).
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 017 Harjoitus 4 Ratkaisuehdotukset 4.1. Osoita, että tasa-arvojoukko S F (0), F : R 3 R, F (x) = 3x 1 x 3 + e x + x e x 3, on säännöllinen
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
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
LisätiedotTalousmatematiikan 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
LisätiedotMatemaattinen Analyysi / kertaus
Matemaattinen Analyysi / kertaus Ensimmäinen välikoe o { 2x + 3y 4z = 2 5x 2y + 5z = 7 ( ) x 2 3 4 y = 5 2 5 z ) ( 3 + y 2 ( 2 x 5 ( 2 7 ) ) ( 4 + z 5 ) = ( 2 7 ) yhteys determinanttiin Yhtälöryhmän ratkaiseminen
LisätiedotOletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 018 Harjoitus 4 Ratkaisuehdotukset Tehtävä 1. Olkoon U R avoin joukko ja ϕ = (ϕ 1, ϕ, ϕ 3 ) : U R 3 kaksiulotteisen C 1 -alkeispinnan
LisätiedotMonitavoiteoptimointi
Monitavoiteoptimointi Useita erilaisia tavoitteita, eli useita objektifunktioita Tavoitteet yleensä ristiriitaisia ja yhteismitattomia Optimaalisuus tarkoittaa yleensä eri asiaa kuin yksitavoitteisessa
LisätiedotTEKNILLINEN 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
LisätiedotEste- 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= 2±i2 7. x 2 = 0, 1 x 2 = 0, 1+x 2 = 0.
HARJOITUS 1, RATKAISUEHDOTUKSET, YLE11 2017. 1. Ratkaise (a.) 2x 2 16x 40 = 0 (b.) 4x 2 2x+2 = 0 (c.) x 2 (1 x 2 )(1+x 2 ) = 0 (d.) lnx a = b. (a.) Toisen asteen yhtälön ratkaisukaavalla: x = ( 16)± (
LisätiedotTalousmatematiikan perusteet: Luento 15. Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta
Talousmatematiikan perusteet: Luento 15 Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta Viime luennolla Tarkastelimme usean muuttujan funktioiden rajoittamatonta optimointia:
LisätiedotMS-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
LisätiedotMatematiikan 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
Lisätiedot5 Differentiaaliyhtälöryhmät
5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =
LisätiedotOminaisarvoon 4 liittyvät ominaisvektorit ovat yhtälön Ax = 4x eli yhtälöryhmän x 1 + 2x 2 + x 3 = 4x 1 3x 2 + x 3 = 4x 2 5x 2 x 3 = 4x 3.
Matematiikan ja tilastotieteen laitos Lineaarialgebra ja matriisilaskenta II Ylimääräinen harjoitus 6 Ratkaisut A:n karakteristinen funktio p A on λ p A (λ) det(a λi ) 0 λ ( λ) 0 5 λ λ 5 λ ( λ) (( λ) (
LisätiedotPaikannuksen matematiikka MAT
TA M P E R E U N I V E R S I T Y O F T E C H N O L O G Y M a t h e m a t i c s Paikannuksen matematiikka MAT-45800 4..008. p.1/4 Käytännön järjestelyt Kotisivu: http://math.tut.fi/courses/mat-45800/ Luennot:
LisätiedotOPTIMOINNIN PERUSTEET. Keijo Ruotsalainen
OPTIMOINNIN PERUSTEET Keijo Ruotsalainen 23. marraskuuta 2009 2 Johdanto Kurssin tavoitteena on tutustuttaa tavallisimpiin optimointi-algoritmeihin ja niiden käyttöön sovellutuksissa. Kurssimateriaali
LisätiedotKKT: 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
Lisätiedot2 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
Lisätiedotw + 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)
LisätiedotLuento 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
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta
Talousmatematiikan perusteet: Luento 14 Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Viime luennolla Tarkastelimme usean muuttujan funktioiden
LisätiedotLuento 9: Newtonin iteraation sovellus: optimointiongelma
Luento 9: Newtonin iteraation sovellus: optimointiongelma ilman rajoitusehtoja Optimointiongelmassa tehtävänä on löytää annetun reaaliarvoisen jatkuvan funktion f(x 1,x,,x n ) maksimi tai minimi jossain
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 3 Ti 13.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 3 Ti 13.9.2011 p. 1/37 p. 1/37 Epälineaariset yhtälöt Newtonin menetelmä: x n+1 = x n f(x n) f (x n ) Sekanttimenetelmä:
LisätiedotNumeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35
Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen
Lisätiedot2. Teoriaharjoitukset
2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien
LisätiedotDemo 1: Simplex-menetelmä
MS-C2105 Optimoinnin perusteet Malliratkaisut 3 Ehtamo Demo 1: Simplex-menetelmä Muodosta lineaarisen tehtävän standardimuoto ja ratkaise tehtävä taulukkomuotoisella Simplex-algoritmilla. max 5x 1 + 4x
LisätiedotTEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Kimmo Berg. Mat Optimointioppi. 9. harjoitus - ratkaisut
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 9. harjoitus - ratkaisut 1. a) Viivahakutehtävä pisteessä x suuntaan d on missä min f(x + λd), λ f(x + λd) = (x
LisätiedotJohdatus verkkoteoriaan luento Netspace
Johdatus verkkoteoriaan luento 3.4.18 Netspace Matriisioperaatio suunnatuissa verkoissa Taustoitusta verkkoteorian ulkopuolelta ennen kuljetusalgoritmia LP-ongelma yleisesti LP = linear programming =
Lisätiedot2 Konveksisuus ja ratkaisun olemassaolo
2 Konveksisuus ja ratkaisun olemassaolo Ratkaisun olemassaolon tutkimiseen tarvitaan perustietoja konvekseista joukoista ja lineaarialgebrasta. Niitä tarvitaan myös ratkaisualgoritmin ymmärtämiseen. Tutkitaan
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45
MS-A3/A5 Matriisilaskenta Laskuharjoitus 2 / vko 45 Tehtävä (L): Hahmottele kompleksitasoon ne pisteet, jotka toteuttavat a) z 2i = 2, b) z 2i < 2, c) /z
Lisätiedotx = (1 t)x 1 + tx 2 x 1 x 2
4 Konveksisuus ja ääriarvot Palautan mieliin, että R:n välillä I derivoituvaa funktiota sanottiin konveksiksi (alaspäin kuperaksi), jos käyrä y = f(x) on välillä I jokaisen tangenttisuoransa yläpuolella
LisätiedotHarjoitus 7: vastausvihjeet
Taloustieteen matemaattiset menetelmät 31C01100 Kevät 2017 Topi Hokkanen topi.hokkanen@aalto.fi Harjoitus 7: vastausvihjeet 1. (Epäyhtälörajoitteet) Olkoon f (x, y) = 6x + 4y ja g (x, y) = x 2 + y 2 2.
Lisätiedot1. 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
LisätiedotMS-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
LisätiedotMalliratkaisut Demo 4
Malliratkaisut Demo 4 1. tehtävä a) () = 2+1. Funktio on lineaarinen, joten se on unimodaalinen sekä maksimoinnin että minimoinnin suhteen. Funktio on konveksi ja konkaavi. b) () = (suurin kokonaisluku
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 4 To 15.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 4 To 15.9.2011 p. 1/38 p. 1/38 Lineaarinen yhtälöryhmä Lineaarinen yhtälöryhmä matriisimuodossa Ax = b
LisätiedotPienimmän 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
Lisätiedotf(x 1, x 2 ) = x x 1 k 1 k 2 k 1, k 2 x 2 1, 0 1 f(1, 1)h 1 = h = h 2 1, 1 12 f(1, 1)h 1 h 2
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 7 Harjoitus 6 Ratkaisuehdotukset 6.. Olkoon f : G R, G = {(x, x ) R x > }, f(x, x ) = x x. Etsi differentiaalit d k f(, ), k =,,. Ratkaisu:
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 3 /
MS-A3/A5 Matriisilaskenta, II/27 MS-A3/A5 Matriisilaskenta Laskuharjoitus 3 / 3. 7..27 Tehtävä (L): Etsi kaikki yhtälön Ax = b ratkaisut, kun 3 5 4 A = 3 2 4 ja b = 6 8 7 4. Ratkaisu : Koetetaan ratkaista
LisätiedotLineaarinen yhtälöryhmä
Lineaarinen yhtälöryhmä 1 / 39 Lineaarinen yhtälö Määritelmä 1 Lineaarinen yhtälö on muotoa a 1 x 1 + a 2 x 2 + + a n x n = b, missä a i, b R, i = 1,..., n ovat tunnettuja ja x i R, i = 1,..., n ovat tuntemattomia.
LisätiedotNumeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden
LisätiedotYLE11, MATEMATIIKKAA TALOUSTIETEILIJÖILLE
YLE11, MATEMATIIKKAA TALOUSTIETEILIJÖILLE Tämä luentomoniste on koottu useista lähteistä, joista tärkeimmät lienevät Sydsæter & Hammond (008). Essential Mathematics for Economic Analysis, Sydsæter, Hammond,
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 5 2.2.28 Tehtävä a) Tehtävä voidaan sieventää muotoon max 5x + 9x 2 + x 3 s. t. 2x + x 2 + x 3 x 3 x 2 3 x 3 3 x, x 2, x 3 Tämä on tehtävän kanoninen muoto, n = 3 ja m =. b) Otetaan
Lisätiedota) on lokaali käänteisfunktio, b) ei ole. Piirrä näiden pisteiden ympäristöön asetetun neliöruudukon kuva. VASTAUS:
6. Käänteiskuvaukset ja implisiittifunktiot 6.1. Käänteisfunktion olemassaolo 165. Määritä jokin piste, jonka ympäristössä funktiolla f : R 2 R 2, f (x,y) = (ysinx, x + y + 1) a) on lokaali käänteisfunktio,
LisätiedotMATEMATIIKAN ALKEET II (YE19B), SYKSY 2011
MATEMATIIKAN ALKEET II (YE19B), SYKSY 011 Sisältö 1. Matriisin definiittisyys 1. Konkaavit ja konveksit funktiot 3 3. Ääriarvotehtävien toisen kertaluvun riittävät ehdot 7 3.1. Rajoittamaton ääriarvotehtävä
LisätiedotKuva 1: Funktion f tasa-arvokäyriä. Ratkaisu. Suurin kasvunopeus on gradientin suuntaan. 6x 0,2
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 018 Harjoitus Ratkaisuehdotukset Tehtävä 1. Olkoon f : R R f(x 1, x ) = x 1 + x Olkoon C R. Määritä tasa-arvojoukko Sf(C) = {(x 1, x
LisätiedotKimppu-suodatus-menetelmä
Kimppu-suodatus-menetelmä 2. toukokuuta 2016 Kimppu-suodatus-menetelmä on kehitetty epäsileiden optimointitehtävien ratkaisemista varten. Menetelmässä approksimoidaan epäsileitä funktioita aligradienttikimpulla.
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros Johdetaan ensiksi välttämättömät ehdot diskreettiaikaiselle optimisäätötehtävälle.
Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 9 1. Johdetaan ensiksi välttämättömät ehdot diskreettiaikaiselle optimisäätötehtävälle. Tilayhtälö on x k+1 = f k (x k, u k ), k = 1,..., N 1 alkuehdolla
LisätiedotOsakesalkun optimointi. Anni Halkola Turun yliopisto 2016
Osakesalkun optimointi Anni Halkola Turun yliopisto 2016 Artikkeli Gleb Beliakov & Adil Bagirov (2006) Non-smooth optimization methods for computation of the Conditional Value-at-risk and portfolio optimization.
LisätiedotAiheet. Kvadraattinen yhtälöryhmä. Kvadraattinen homogeeninen YR. Vapaa tai sidottu matriisi. Vapauden tutkiminen. Yhteenvetoa.
Yhtälöryhmän ratkaisujen lukumäärä, L8 Esimerkki kvadraattinen Haluamme ratkaista n 4x + y z = x + y + z = 5 x + y + z = 4 4 x 4 + y x y z = + z 5 4 = 5 4 Esimerkki kvadraattinen Yhtälöryhmä on kvadraattinen,
LisätiedotKonjugaattigradienttimenetelmä
Konjugaattigradienttimenetelmä Keijo Ruotsalainen Division of Mathematics Konjugaattigradienttimenetelmä Oletukset Matriisi A on symmetrinen: A T = A Positiivisesti definiitti: x T Ax > 0 kaikille x 0
Lisätiedot4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen
4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen Käypä kantaratkaisu löytyy helposti, esimerkiksi tapauksessa Ax b, b 0 x 0 jolloin sen määräävät puutemuuttujat. Tällöin simplex-menetelmän alustus
Lisätiedot1 Rajoitettu optimointi II - kustannusfunktio, Lagrangen kertoimet varjohintoina
Taloustieteen mat.menetelmät syksy27 materiaali II-2 Rajoitettu optimointi II - kustannusfunktio, Lagrangen kertoimet varjohintoina. Tuotanto Yritys valmistaa yhtä tuotetta n:stä tuotannontekijästä/panoksesta
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
LisätiedotOsakesalkun optimointi
Osakesalkun optimointi Anni Halkola Epäsileä optimointi Turun yliopisto Huhtikuu 2016 Sisältö 1 Johdanto 1 2 Taustatietoja 2 3 Laskumetodit 3 3.1 Optimointiongelmat........................ 4 4 Epäsileän
LisätiedotAalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos. MS-A0203 Differentiaali- ja integraalilaskenta 2, kevät 2016
Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Malinen/Ojalammi MS-A0203 Differentiaali- ja integraalilaskenta 2, kevät 2016 Laskuharjoitus 5A Vastaukset alkuviikolla
LisätiedotINFO / Matemaattinen Analyysi, k2016, L0
INFO / Matemaattinen Analyysi, k2016, L0 orms1010, Aikataulu 1 kevät 2016 ORMS1010 Matemaattinen analyysi, luennot Ke 14-16 Viikot 09-10 salissa F119 Ke 14-16 Viikot 11 salissa F140 Ke 14-16 Viikot 13-18
LisätiedotLineaarialgebra, kertausta aiheita
Lineaarialgebra, kertausta aiheita Matriisitulo käänteismatriisi determinantin kehittäminen determinantin ominaisuudet adjungaatti ja Cramerin kaavat yhtälöryhmän eri esitystavat Gauss-Jordan -algoritmi
LisätiedotLineaarinen toisen kertaluvun yhtälö
Lineaarinen toisen kertaluvun yhtälö Keijo Ruotsalainen Mathematics Division Lineaarinen toisen kertaluvun differentiaaliyhtälö Toisen kertaluvun täydellinen lineaarinen yhtälö muotoa p 2 (x)y + p 1 (x)y
LisätiedotLuento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu
Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) on voimassa
LisätiedotMatematiikan 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 )
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotReuna-arvotehtävien ratkaisumenetelmät
Reuna-arvotehtävien ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Malliprobleema Kahden pisteen reuna-arvotehtävä u (x) = f (x) (1) u() = u(1) = Jos u C ([,1]) ratkaisu, niin missä x u(x)
LisätiedotDuaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki
Duaalisuus kokonaislukuoptimoinnissa Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Duaalisuus binäärisissä optimointitehtävissä Lagrangen duaalisuus Lagrangen
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
LisätiedotEllipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio
Ellipsoidimenetelmä Kokonaislukuoptimointi Sovelletun matematiikan lisensiaattiseminaari Kevät 2008 / 1 Sisällys Ellipsoidimenetelmän geometrinen perusta ja menetelmän idea Formaali ellipsoidimenetelmä
LisätiedotDifferentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40
Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40 Alkuviikolla harjoitustehtäviä lasketaan harjoitustilaisuudessa. Loppuviikolla näiden harjoitustehtävien tulee olla ratkaistuina harjoituksiin
Lisätiedot