Mat Optimointiopin seminaari
|
|
- Toivo Hyttinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 reference rogramming portfoliopäätösanalyysissa: Robust ortfolio Modeling (RM) -menetelmä Lähteet: Mat Optimointiopin seminaari Liesiö, J., Mild,., Salo, A., reference programming for robust portfolio modeling and proect selection, European Journal of Operational Research 181/3, s Mild,., Monitavoiteoptimointi siltoen korausohelman laatimisessa - RMmenetelmän soveltaminen, Tiehallinnon selvityksiä 2006.
2 Esityksen rakenne Johdanto RM-tehtävän määrittely Epätäydellinen informaatio Dominanssi Ei-dominoituen portfolioiden laskeminen Ydinluku äätössäännöt RM-tehtävissä RM: yhteenveto Sovellus Kotitehtävä
3 Johdanto 1/3 Viime viikolla reference rogramming viitekehys Epätäydellinen scoreinformaatio Epätäydellinen painoinformaatio Lasketaan ei-dominoidut vaihtoehdot Elisitoidaan mahdollisesti lisäinformaatiota Valitaan lopulta yksi eidominoiduista vaihtoehdoista päätössäännöillä (esim. Maximin) C 1 = alkka C 2 = C 3 = Mielenkiintoisuus Lomamäärä Tutkia [0.5, 0.7] [0.6, 0.9] [0.4, 0.6] Konsultti [0.8, 1.0] [0.5, 0.8] [0.2, 0.5] Opettaa [0.4, 0.6] [0.3, 0.7] [0.4, 0.7] S w ={w R 3 w 1 + w 2 + w 3 = 1, w 2 w 1, w 1 w 3, [w 1 w 2 w 3 ] 0}
4 Johdanto 2/3 Tänään RM (Robust ortfolio Modeling) Ulottaa reference rogrammingin periaatteet proektiportfolion valitsemiseen C 1 = Tuotto C 2 = Mielenkiintoisuus C 3 = Maineen kasvu roekti 1 [0.5, 0.7] [0.6, 0.9] [0.4, 0.6] roekti 2 [0.8, 1.0] [0.5, 0.8] [0.2, 0.5] roekti m [0.4, 0.6] [0.3, 0.7] [0.4, 0.7] S w ={w R 3 w1 + w2 + w3 = 1, w 1 w 3, w 3 w 2, [w 1 w 2 w 3 ] 0}
5 RM:n toimintaperiaate Johdanto 3/3
6 RM-tehtävän määrittely 1/2 roektit X={x 1,..., x m } Score-matriisi v ={v i [0, 1], =1,...,m, i=1,...,n} ainot w S ortfolio p X n 0 w w R n wi 0, wi 1 i 1 C 1... C n w 1... w n x 1 v v 1n x m v m1... v mn ortfolion kokonaisarvo V(p, w, v) x p V(x ) x n p i 1 w v i i
7 RM-tehtävän määrittely 2/2 Budettivektori B = [B 1,..., B q ] R q roektin kustannukset C(x ) = [c 1,..., c q ] ortfolion kustannukset Käypät portfoliot F = {p C(p) B} x + C(p) C(x p ) C 1... C n w 1... w n x 1 v v 1n x m v m1... v mn Jos olisi täydellinen paino- a scoreinformaatio, niin paras portfolio löytyisi ratkaisemalla tehtävä max p F x n pi 1 w v i i max z 1,...,z m m 1 z i n 1 w v i i m 1 z C(x ) B, z {0,1}
8 Epätäydellinen informaatio 1/2 ainoinformaatio S w epäyhtälöraoituksin 0 S w Score-informaatio intervallein S v {v R m n v i [v i,v i ]} w Kuva: Salo, A. A., Hämäläinen, R.., reference Assessment by Imprecise Ratio Statements, Operations Research 40/6, s Informaatiooukko S S w S v
9 Epätäydellinen informaatio 2/2 Jokaiselle w S w, v S v pätee V(p, w, v) [min V(p, w), max V(p, w)], w S w w S w C 1... C n w 1... w n x 1 v v 1n missä V(p, w) x n pi 1 w i v i, x m v m1... v mn V(p, w) x n pi 1 w v i i.
10 Määritelmä: Dominanssi 1/3 Olkoon p, p. Tällöin p p oss V(p,w,v) V(p,w,v) (w,v) S a S V(p,w,v) > V(p,w,v) ollakin (w,v) S. ortfolion kokonaisarvoa maksimoiva päätöksentekiä kiinnostunut vain ei-dominoiduista portfolioista
11 Lause 1: Dominanssi 2/3 Olkoon p, p a S = S w S v. Tällöin p S p' min[v(p \ p',w) w Sw max[v(p \ p',w) w S w V(p' \ V(p' \ p, w)] p, w)] 0 0 Lause 1 antaa kaavat, oilla tutkia portfolioiden välistä dominanssia käytännössä
12 Dominanssi 3/3 p S p' min[v(p \ p',w) w Sw max[v(p \ p',w) w S w V(p' \ p, w)] V(p' \ p, w)] 0 0 w Kuva: Salo, A. A., Hämäläinen, R.., reference Assessment by Imprecise Ratio Statements, Operations Research 40/6, s S w konveksi monikulmio => minimointi- a maksimointitehtävien ratkaisut löytyvät S w :n kärkipisteistä
13 Ei-dominoituen portfolioiden Määritelmä: laskeminen 1/3 Ei-dominoituen portfolioiden oukko informaatiooukon S suhteen on (S) {p F p' S p p' F }. eriaatteessa :n voisi laskea seuraavasti: 1. Listaa kaikki mahdolliset portfoliot 2. oista ei-käypät, olloin älelle ää F 3. Muodosta tekemällä F :ssä pareittaisia dominanssi-tarkistuksia Tämä on kuitenkin usein laskennallisesti liian raskas menettely
14 Ei-dominoituen portfolioiden laskeminen 2/3 Rekursiivinen algoritmi For k ~ (a) (b) k k {{ {p },{x 2,..., m do {p {p {p m 1 }} ~ F k k x 1 p' k p p' p' p, (p \{x k ~ p' 1 k s.t. p' s.t. p' m } k } k 1 )} p, C(p' ) p, C(p' ) C(p)} C(p)} Laskennallisesti tehokkaampi tapa
15 Ei-dominoituen portfolioiden laskeminen 3/3 (S):ssä on yleensä useita alkioita Ei-dominoituen portfolioiden lkm:ää voidaan koettaa pienentää elisitoimalla lisäinformaatiota Lause 2: ~ S ~ Lisää painoraotteita Sw S Kapeammat score-intervallit S, int(s) ~ S a/tai ( w ) ~ ( Sv Sv ~ ( S) (S) )
16 Ydinluku 1/3 Määritelmä: roektin x ydinluku informaatiooukon S suhteen on Ydinluvun perusteella voidaan sanoa selkeitä suosituksia yksittäisistä proekteista, vaikka ei-dominoitua portfolioita olisikin monta CI(x,S) {p (S) x (S) p}
17 Ydinluku 2/3 Määritelmä: Ydinproek tit :X Raatapausproektit Ulkoproektit :X C E ( S) :X ( S) B { x ( S) { x X { x X CI ( x X 0 CI ( x, S) 1}, CI ( x, S) 0}., S) 1}, Lauseesta 2 seuraa: ~ S ~ S, int(s) S X C (S) X C ~ ( S), X E (S) X E ~ ( S) Lisäinformaation myötä raatapausproektea saadaan siirrettyä ydin- a ulkoproekteihin äädyttyään ydin- tai ulkoproektiksi, proektin status ei tule enää muuttumaan
18 Ydinluku 3/3 Ei-dominoidut portfoliot poikkeavat toisistaan vain X B (S):n suhteen Lisäinformaation elisitoimisen pitäisi keskittyä raatapausproektien score-intervallien kapeuttamamiseen a/tai painoinformaation keräämiseen Ydin- a ulkoproektien scoreen tarkentaminen ei muuta ei-dominoituen portfolioiden oukkoa
19 äätössäännöt RM-tehtävissä 1/2 Ydinluku kuvaa yksittäisen proektin robustisuutta (herkkyyttä informaation muutoksille) Kokonaisille portfolioille tarvitaan robustisuus-mittaa erityisesti silloin, kun lisäinformaatiota ei ole tarolla, mutta pitäisi silti antaa päätössuosituksia portfolioista Tarvitsee kuitenkin tutkia vain ei-dominoitua portfolioita
20 äätössäännöt RM-tehtävissä 2/2 Absolute robustness ~ Maximin: min arg max min V(p,w) p w S w Robust deviation ~ Minimax-regret: mmr arg min max[ V(p' \ p, w) - V(p \ p',w)] p p' w, S w
21 RM: yhteenveto Interaktiivinen Läpinäkyvä Ei-dominoituen portfolioiden analysoimisessa apuna: ortfolion kriteerikohtaiset scoret ortfolion kokonaisscore-intervalli Ydinluvut proektitasolla Robustisuus-mitat portfoliotasolla
22 RM-sovellus: Siltoen korausohelman laatiminen Lähtökohta: Tarkastelussa 313 siltaa Kaakkois-Suomen tiepiiristä itäisi muodostaa portfolio kunnostettavista silloista Sovelluksessa käytetään vanhaa aineistoa, onka pohalta tiepiiri on o oikeasti tehnyt hankesuunnitelman silloista RM-tuloksia voidaan verrata vanhaan suunnitelmaan
23 Kriteerit C 1 = Vauriopistesumma (VS) C 2 = Koraustarveindeksi (KTI) C 3 = Toiminnalliset puutteet (TM puut.) C 4 = Liikenteellinen merkitys (KVL) C 5 = Suolattavuus (Suola) C 6 = Esteettisyys (Estets)
24 Kriteerikohtaiset scoret 1/2 Kaikissa kriteereissä käytettiin pisteytystä 1-5 Korkeammat pisteet ilmaisevat korkeampaa koraustarvetta Score-informaatio oletettiin tarkaksi (v i = v i )
25 Kriteerikohtaiset scoret 2/2 Esimerkki: VS-, KTI- a KVL kriteerien pisteytys Liikenteellinen luokka isteet Runkoverkko 5 Muut valta- kantatiet 4.2 Muut tiet KVL Muut tiet KVL Muut tiet KVL Muut tiet KVL
26 ainoinformaatio S w = {w R 6 w i =1, w 1 w 3, w 4, w 5, w 6, w 2 w 3, w 4, w 5, w 6, w 3 w 5, w 6, w 4 w 5, w 6, w 0} C 1 = Vauriopistesumma (VS) C 2 = Koraustarveindeksi (KTI) C 3 = Toiminnalliset puutteet (TM puut.) C 4 = Liikenteellinen merkitys (KVL) C 5 = Suolattavuus (Suola) C 6 = Esteettisyys (Estets)
27 Raoitusehdot 1. Budettiraoitus 9,000, ortfolioon saa kuulua korkeintaan 90 hanketta Seuraa käytettävissä olevista resursseista 3. ortfolion todellisen VS:n pitää olla vähintään 15,000 vauriopistettä Seuraa tulostavoitteesta
28 Optimoinnin tulokset Optimoinnissa löytyi 4420 ei-dominoitua portfoliota Kaikkiin sisältyy 90 proektia Budetti käytetty varsin täysimääräisesti kaikissa Todellisen VS:n vaihteluväli [15002, 19415]
29 Ydinlukuanalyysi Ydinproektien lkm X C (S) = 39 Raatapausproektien lkm X B (S) = 112 Ulkoproektien lkm X E (S) = 162 Esimerkinomaisena oukkona mukana myös proektit, oilla ydinluku suurempi kuin 0.5 äitä oli 89 kpl Yhteiskustannus 8,970,000 Myös asetettu VS-alaraa ylittyy
30 Ydinlukuanalyysi
31 Kriteereiden välinen korrelaatio 1/2 roektien kriteerikohtaisista scoreista laskettiin kriteereiden välisiä korrelaatioita VS:llä a KTI:llä = 0.71 KVL:llä a Suolalla = 0.81 Kriteerien tulisi olla preferenssiriippumattomia => kriteerien välisen positiivisen korrelaation kanssa oltava tarkkana, ottei kriteerien taustalla oleva ilmiö tule ylipainotetuksi
32 Kriteereiden välinen korrelaatio 2/2 Huolellisesti rakennetussa mallissa korrelaatiosta kuitenkin peräti hyötyä arantaa ydinlukuun perustuvien proektioukkoen erottuvuutta (enemmän varmoa ydin- a ulkohankkeita) Auttaa seulomaan kaikkien kriteerien suhteen hyviä proektea
33 RM-tulosten vertailu toteutuneeseen hankesuunnitelmaan Toteutuneessa hankesuunnitelmassa on 67 sellaista siltaa, otka mukana myös RMmallin oukossa ydinluku yli /89 75% Tulokset varsin yhdenmukaiset Toteutettu hankesuunnitelma perustui yksinomaan kahteen ensimmäiseen kriteeriin
34 Kotitehtävä 1/2 C 1 = C 2 = C 3 = Tuotto Mielenkiintoisuus Maineenkasvu roekti 1 [0.80, 1.0] [0.13, 0.33] [0.60, 0.80] roekti 2 [0.80, 1.0] [0.80, 1.0] [0.20, 0.40] roekti 3 [0.52, 0.72] [0.45, 0.65] [0.30, 0.50] roekti 4 [0.50, 0.70] [0.80, 1.0] [0.10, 0.30] roekti 5 [0.45, 0.65] [0.40, 0.60] [0.0, 0.20] roekti 6 [0.80, 1.0] [0.72, 0.92] [0.0, 0.20] S w ={w R 3 w 1 + w 2 + w 3 = 1, w 2 w 1, w 1 w 3, [w 1 w 2 w 3 ] 0}
35 Kotitehtävä 2/2 1. Määritä ei-dominoidut proektiportfoliot, kun portfolioon saa kuulua enintään 3 proektia 2. Mikä portfolio tulisi valita, os lopulta käytetään Maximin-päätössääntöä? Ratkaisut voi lähettää sähköpostitse osoitteeseen pekka.laitila@aalto.fi tai antaa ensi viikon haroituksen yhteydessä
Robust portfolio modeling (RPM) epätäydellisellä hintainformaatiolla ja projektiriippuvuuksilla
Robust portfolio modeling (RPM) epätäydellisellä hintainformaatiolla ja projektiriippuvuuksilla Mat-2.4142 Optimointiopin seminaari kevät 2011 Lähde: Liesiö, J., Mild, P., Salo, A., 2008. Robust portfolio
LisätiedotPreference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi
Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi Mat-2.4142 Optimointiopin seminaari 9.2.2011 Lähteet: Salo, A. & Hämäläinen, R. P., 2010.
LisätiedotLisäinformaation 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
LisätiedotAihioiden priorisointi ja portfolioanalyysi ennakoinnissa (valmiin työn esittely)
Aihioiden priorisointi ja portfolioanalyysi ennakoinnissa (valmiin työn esittely) Juha Kännö 23..22 Ohjaajat: TkL Antti Punkka, DI Eeva Vilkkumaa Valvoja: Prof. Ahti Salo Työn saa tallentaa ja julkistaa
LisätiedotPortfoliolähestymistapa CO2 - kiilapelin analysoinnissa (valmiin työn esittely) Tuomas Lahtinen
Portfoliolähestymistapa CO2 - kiilapelin analysoinnissa (valmiin työn esittely) Tuomas Lahtinen 07.05.2012 Ohjaaja: Raimo Hämäläinen Valvoja: Raimo Hämäläinen Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotKasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely)
Kasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely) Santtu Saijets 16.6.2014 Ohjaaja: Juuso Liesiö Valvoja: Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
LisätiedotKaksi sovellusta robustien päätössuositusten tuottamisesta
Esitelmä 12 Antti Toppila sivu 1/19 Optimointiopin seminaari Kevät 2011 Kaksi sovellusta robustien päätössuositusten tuottamisesta Antti Toppila 2.3.2011 Esitelmä 12 Antti Toppila sivu 2/19 Optimointiopin
LisätiedotAihioiden priorisointi ja portfolioanalyysi ennakoinnissa
Juha Kännö Aihioiden priorisointi ja portfolioanalyysi ennakoinnissa Perustieteiden korkeakoulu Kandidaatintyö Espoo 23..22 Vastuuopettaja: Prof. Ahti Salo Työn ohjaajat: TkL Antti Punkka DI Eeva Vilkkumaa
LisätiedotPreference Programming viitekehys tehokkuusanalyysissä
Preference Programming viitekehys tehokkuusanalyysissä Mat-2.4142 Optimointiopin seminaari kevät 2011 Salo, A., Punkka, A., 2011. Ranking Intervals and Dominance Relations for Ratio-Based Efficiency Analysis,
Lisätiedotmonitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi Ohjaaja: Prof. Kai Virtanen Valvoja: Prof.
Epätäydellisen preferenssiinformaation hyödyntäminen monitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi 15.1.2018 Ohjaaja: Prof. Kai Virtanen Valvoja: Prof. Kai Virtanen Tausta Päätöspuu
LisätiedotLuento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu
Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) on voimassa
LisätiedotRPM-menetelmän päätössääntöjen tilastollinen vertailu
Mat-2.4108 Sovelletun matematiikan erikoistyöt RPM-menetelmän päätössääntöjen tilastollinen vertailu Topi Sikanen 55670A Tfy N 30.9.2008 Sisältö 1 Johdanto 2 2 Projektiportfolion valinta epätäydellisellä
LisätiedotLuento 6: Monitavoiteoptimointi
Luento 6: Monitavoiteoptimointi Monitavoiteoptimointitehtävässä on useita optimoitavia kohdefunktioita eli ns kriteereitä: f 1,, f m Esimerkiksi opiskelija haluaa oppia mahdollisimman hyvin ja paljon mahdollisimman
LisätiedotAdditiivinen arvofunktio
Additiivinen arvofunktio Mat-.44 Optimointiopin seminaari kevät 0 Preferenssi Päätöksentekijällä preferenssi vaihtoehtojen a,b A välillä a parempi kuin b ( a b) b parempi kuin a ( b a) Indifferentti vaihtoehtojen
LisätiedotOptimaaliset 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
LisätiedotLuento 6: Monitavoitteinen optimointi
Luento 6: Monitavoitteinen optimointi Monitavoitteisessa optimointitehtävässä on useita optimoitavia kohdefunktioita eli ns kriteereitä: f,,f m Esimerkki ortfolion eli arvopaperijoukon optimoinnissa: f
LisätiedotMonitavoiteoptimointi siltojen korjausohjelman laatimisessa
OPTIMOINTIMALLIN PISTEET Kohdenumero ja nimi Ydinluku VPS KTI TM puut. KVL Suola Estets Hinta 2109 Lavus joen s ilta 1.00 5.00 1.65 4 2.6 1 2.6 50000 2218 J oroisvirran silta 1.00 5.00 5.00 2 5 5 2.6 180000
LisätiedotEräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus
Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus Mat-2.4142 Optimointiopin seminaari 2.3.2011 Lähteet: Clemen, R. T., & Smith, J. E. (2009). On the Choice of Baselines
LisätiedotLineaaristen 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
LisätiedotArvohäviö Rank Inclusion in Criteria Hierarchies menetelmässä. Jari Mustonen, 47046C,
Arvohäviö Rank Inclusion in Criteria Hierarchies menetelmässä Jari Mustonen, 47046C, jari.mustonen@iki. 4. huhtikuuta 2005 Sisältö 1 Johdanto 2 2 Aikaisempi tutkimus 3 2.1 Arvopuuanalyysi.........................
LisätiedotLineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla Juho Andelmin 21.01.2013 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Raimo P. Hämäläinen Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotAdditiivinen arvofunktio projektiportfolion valinnassa
Esitelmä 5 Antti Toppila sivu 1/19 Optimointiopin seminaari Kevät 2011 Additiivinen arvofunktio projektiportfolion valinnassa Antti Toppila 2.2.2011 Esitelmä 5 Antti Toppila sivu 2/19 Optimointiopin seminaari
LisätiedotPäätösanalyyttisiä huomioita luonnonarvokaupasta
Päätösanalyyttisiä huomioita luonnonarvokaupasta Antti Punkka Systeemianalyysin laboratorio Teknillinen korkeakoulu http://www.sal.tkk.fi/ antti.punkka@tkk.fi 1 Sisältö METSO-ohjelma ja luonnonarvokauppa
LisätiedotLuento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu
Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) vasemman puolen
LisätiedotSovellus: Portfoliopäätösanalyysi lentoliikenteen parantamisen tukena
Sovellus: Portfoliopäätösanalyysi lentoliikenteen parantamisen tukena Mat-2.4142 Optimointiopin seminaari kevät 2011 Sisällys 1. Ongelma: Lentoliikenteen parannus 2. Ongelma: Projektien valinta 3. Esimerkki
LisätiedotYhteistyötä sisältämätön peliteoria jatkuu
Yhteistyötä sisältämätön peliteoria jatkuu Tommi Lehtonen Optimointiopin seminaari - Syksy 2000 / 1 Bayesilainen tasapaino Täysi informaatio Vajaa informaatio Staattinen Nash Bayes Dynaaminen Täydellinen
LisätiedotHarjoitus 4: Matlab - Optimization Toolbox
Harjoitus 4: Matlab - Optimization Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Optimointimallin muodostaminen
LisätiedotINTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti
12.11.1999 INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E Mat-2.142 Optimointiopin seminaari Referaatti Syksy 1999 1. JOHDANTO Thomas M. Stratin artikkeli Decision Analysis Using Belief Functions käsittelee
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
LisätiedotSignalointi: autonromujen markkinat
Signalointi: autonromujen markkinat Mat-.414 Optimointiopin seminaari Klaus Mattila 1.0.008 1 Esityksen rakenne Johdanto Autonromujen markkinat: Akerlofin malli Kustannuksellinen signalointi: Spencen malli
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot.. Tehtävä Edellinen tehtävä voidaan ratkaista mm. Bellman-Fordin, Floyd-Warshallin tai Dikstran algoritmilla. Kyseessä on syklitön suunnattu verkko, oten algoritmi. (lyhimmät tiet
LisätiedotMat-2.4194 Research Course in Systems Science: Trends and Developments in Decision Analysis. Home Assignment
Mat-2.4194 Research Course in Systems Science: Trends and Developments in Decision Analysis Punkka / Liesiö Home Assignment Malli Tavoitteena on tarkastella siltojenkorjausohjelman laatimista RPM-menetelmällä.
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
LisätiedotGaussinen vaikutuskaavio Tommi Gustafsson 45434f Tfy IV
Mat-.4 Optimointiopin seminaari, syksy 999 Referaatti 7.0.999 Gaussinen vaikutuskaavio Tommi Gustafsson 45434f Tfy IV JOHDATO Ross D. Shachter a C. Robert Kenley (989) esittelevät artikkelissaan Gaussian
LisätiedotData Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä
Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä Mat-2.4142 Optimointiopin seminaari kevät 2011 Esityksen rakenne I osa Tehokkuudesta yleisesti DEA-mallin perusajatus CCR-painotus II osa
LisätiedotOptimaalisen tuotekehitysportfolion valinta kasvuyrityksessä
Aalto-yliopisto Perustieteiden korkeakoulu Teknillisen fysiikan ja matematiikan tutkinto-ohjelma Optimaalisen tuotekehitysportfolion valinta kasvuyrityksessä Kandidaatintyö 21.8.2014 Santtu Saijets Työn
LisätiedotU missä U A := {U R n : U avoin ja U A}; intuitiivisesti suurin avoin joukko, joka sisältyy A:han. Määritellään A:n sulkeuma A := F F A
Mitta a integraali Kesä 2 4. tehtävät Malliratkaisut (LS). Olkoon a i R i =, 2,... ono. Sanotaan, että i a i = os kaikille M R on olemassa i, olle kaikille i i pätee a i M. Sanotaan, että i a i = os i
LisätiedotHarjoitus 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)
LisätiedotJohdatus lukuteoriaan Harjoitus 2 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma
Johdatus lukuteoriaan Harjoitus 2 syksy 2008 Eemeli Blåsten Ratkaisuehdotelma Tehtävä 1 1. Etsi lukujen 4655 ja 12075 suurin yhteinen tekijä ja lausu se kyseisten lukujen lineaarikombinaationa ilman laskimen
LisätiedotEllipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio
Ellipsoidimenetelmä Kokonaislukuoptimointi Sovelletun matematiikan lisensiaattiseminaari Kevät 2008 / 1 Sisällys Ellipsoidimenetelmän geometrinen perusta ja menetelmän idea Formaali ellipsoidimenetelmä
LisätiedotMalliratkaisut 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
LisätiedotKokonaislukuoptiomointi Leikkaustasomenetelmät
Kokonaislukuoptiomointi Leikkaustasomenetelmät Systeemianalyysin Laboratorio 19.3.2008 Sisällys Leikkaustasomenetelmät yleisesti Leikkaustasomenetelmät generoivilla kokonaislukujoukoilla Gomoryn leikkaavat
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.
LisätiedotBayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly
Bayesin pelit Kalle Siukola MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 12.10.2016 Toistetun pelin esittäminen automaatin avulla Ekstensiivisen muodon puu on tehoton esitystapa, jos peliä
LisätiedotMoraalinen uhkapeli: perusmalli ja optimaalinen sopimus
Moraalinen uhkapeli: perusmalli a optimaalinen sopimus Mat-2.4142 Optimointiopin seminaari Mauno Taaamaa 18.02.2008 Esityksen rakenne Johdanto moraalisen uhkapelin käsite) Yksinkertaistettu tapaus a sen
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
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-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset
MS-C350 Osittaisdifferentiaaliyhtälöt Haroitukset 5, syksy 207. Oletetaan, että a > 0 a funktio u on yhtälön u a u = 0 ratkaisu. a Osoita, että funktio vx, t = u x, t toteuttaa yhtälön a v = 0. b Osoita,
LisätiedotMatriisilaskenta Luento 8: LU-hajotelma
Matriisilaskenta Luento 8: LU-hajotelma Antti Rasila 2016 Matriisihajotelmat 1/2 Usein matriisiyhtälön Ax = y ratkaiseminen on epäkäytännöllistä ja hidasta. Siksi numeerisessa matriisilaskennassa usein
LisätiedotKokonaislukuoptimointi
Kokonaislukuoptimointi Algebrallisen geometrian sovelluksia Sisältö Taustaa algebrallisesta geometriasta Gröbnerin kanta Buchbergerin algoritmi Kokonaislukuoptimointi Käypyysongelma Algoritmi ratkaisun
LisätiedotMat Optimointiopin seminaari
Lähde: Preferenssi-informaatio DEA-malleissa: Value Efficiency Analysis (VEA) -menetelmä Mat-2.4142 Optimointiopin seminaari 23.3.2011 Halme, M., Joro, T., Korhonen, P., Wallenius, J., 1999. A Value Efficiency
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
LisätiedotHaitallinen valikoituminen: Kahden tyypin malli
Haitallinen valikoituminen: Kahden tyypin malli Mat-2.4142 Optimointiopin seminaari Mikko Hyvärinen 29.1.2008 Haitallinen valikoituminen kahden tyypin malli Haitallinen valikoituminen tarkoittaa että päämies
LisätiedotHarjoitus 1 (17.3.2015)
Harjoitus 1 (17.3.2015) Tehtävä 1 Piirretään tilanteesta verkko, jossa kaupungeille on annetttu seuraavat numerot: 1 = Turku 2 = Tampere 3 = Helsinki 4 = Kuopio 5 = Joensuu. a) Tehtävänä on ratkaista Bellman
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
LisätiedotLineaaristen monitavoiteoptimointitehtävien
Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Jerri Nummenpalo 17.09.2012 Ohjaaja: TkT Juuso Liesiö Valvoja: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla.
LisätiedotReferenssipiste- ja referenssisuuntamenetelmät
Referenssipiste- ja referenssisuuntamenetelmät Optimointiopin seminaari - Kevät 2000 / 1 Esitelmän sisältö Menetelmien ideat Menetelmien soveltaminen Menetelmien ominaisuuksia Optimointiopin seminaari
LisätiedotRationalisoituvuus ja yleinen tieto rationaalisuudesta
Rationalisoituvuus ja yleinen tieto rationaalisuudesta Keskeiset termit: Rationalizability rationalisoituvuus ratkaisukonsepti peliteoriassa Rationalizable rationalisoituva Rationality rationaalisuus pelaajat
LisätiedotAlgoritmit 1. Luento 13 Ti 23.2.2016. Timo Männikkö
Algoritmit 1 Luento 13 Ti 23.2.2016 Timo Männikkö Luento 13 Suunnittelumenetelmät Taulukointi Kapsäkkiongelma Ahne menetelmä Verkon lyhimmät polut Dijkstran menetelmä Verkon lyhin virittävä puu Kruskalin
LisätiedotPortfoliomalli turpeenoton optimointiin
Aalto-yliopisto Perustieteiden korkeakoulu Teknillisen fysiikan ja matematiikan tutkinto-ohjelma Portfoliomalli turpeenoton optimointiin Kandidaatintyö 7.12.2012 Joonas Ollila Työn saa tallentaa ja julkistaa
LisätiedotMääritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V. Termejä: Lineaarikuvaus, Lineaarinen kuvaus.
1 Lineaarikuvaus 1.1 Määritelmä Määritelmä 1. Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V W on lineaarinen, jos (a) L(v + w) = L(v) + L(w); (b) L(λv) = λl(v) aina, kun v, w V ja λ K. Termejä:
LisätiedotInnovaatioaihioiden vuorovaikutteinen tarkastelu monikriteerisessä RPM-seulonnassa
Mat-2.108 - Sovelletun matematiikan erikoistyö 4.1.2006 Innovaatioaihioiden vuorovaikutteinen tarkastelu monikriteerisessä RPM-seulonnassa TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Erkka Jalonen
LisätiedotSalausmenetelmät. Veikko Keränen, Jouko Teeriaho (RAMK, 2006)
Salausmenetelmät Veikko Keränen, Jouko Teeriaho (RAMK, 2006) LUKUTEORIAA JA ALGORITMEJA 4. Eulerin a Fermat'n lauseet à 4.1 Alkuluokka a Eulerin -funktio Yleensä olemme kiinnostuneita vain niistä äännösluokista
Lisätiedot4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä
JYVÄSKYLÄN YLIOPISTO 4. Luennon sisältö Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä kevät 2012 TIEA382 Lineaarinen ja diskreetti optimointi Lineaarinen optimointitehtävä Minimointitehtävä
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
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 }{{}
LisätiedotMonitavoitteiseen 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
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
LisätiedotPelien teoriaa: tasapainokäsitteet
Pelien teoriaa: tasapainokäsitteet Salanién (2005) ja Gibbonsin (1992) mukaan Mat-2.4142 Optimointiopin seminaari Jukka Luoma 1 Sisältö Staattinen Dynaaminen Staattinen Dynaaminen Pelityyppi Täydellinen
LisätiedotHaitallinen 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
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)± (
LisätiedotKaksirivisen matriisin determinantille käytämme myös merkintää. a 11 a 12 a 21 a 22. = a 11a 22 a 12 a 21. (5.1) kaksirivine
Vaasan yliopiston julkaisuja 97 5 DETERMINANTIT Ch:Determ Sec:DetDef 5.1 Determinantti Tämä kappale jakautuu kolmeen alakappaleeseen. Ensimmäisessä alakappaleessa määrittelemme kaksi- ja kolmiriviset determinantit.
Lisätiedot802320A LINEAARIALGEBRA OSA III
802320A LINEAARIALGEBRA OSA III Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 56 Määritelmä Määritelmä 1 Olkoot V ja W lineaariavaruuksia kunnan K yli. Kuvaus L : V
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
LisätiedotAircraft Maintenance Scheduling with Multi- Objective Simulation- Optimization
Aircraft Maintenance Scheduling with Multi- Objective Simulation- Optimization 7.5.2011 Ohjaaja: Ville Mattila Valvoja: Raimo Hämäläinen Tausta Ilmavoimilla tärkeä rooli maanpuolustuksessa Rauhan aikana
Lisätiedot2.5. Matriisin avaruudet ja tunnusluvut
2.5. Matriisin avaruudet ja tunnusluvut m n-matriisi A Lineaarikuvaus A : V Z, missä V ja Z ovat sopivasti valittuja, dim V = n, dim Z = m (yleensä V = R n tai C n ja Z = R m tai C m ) Kuva-avaruus ja
LisätiedotEsteet, hyppyprosessit ja dynaaminen ohjelmointi
Esteet, hyppyprosessit ja dynaaminen ohjelmointi Juha Martikainen 4.10.2000 Oppikirjan sivut 83-87 ja 93-98 Optimointiopin seminaari - Syksy 2000 / 1 Esteet (määritelmät) Muistellaan menneitä: Ajelehtiva
LisätiedotHarjoitus 3 (3.4.2014)
Harjoitus 3 (3..) Tehtävä Olkoon kaaren paino c ij suurin sallittu korkeus tieosuudella (i, j). Etsitään reitti solmusta s solmuun t siten, että reitin suurin sallittu korkeus pienimmillään olisi mahdollisimman
LisätiedotOptimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0
Optimaalisuusehdot Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0 i = 1,..., m j = 1,..., l missä f : R n R, g i : R n R kaikilla i = 1,..., m, ja h j : R n R kaikilla j = 1,..., l
LisätiedotTäydentäviä muistiinpanoja Turingin koneiden vaihtoehdoista
Täydentäviä muistiinpanoja Turingin koneiden vaihtoehdoista Antti-Juhani Kaijanaho 15. maaliskuuta 2012 1 Apumääritelmä Määritelmä 1. Olkoon Σ merkistö, jolla on olemassa täydellinen järjestys ( ) Σ 2.
LisätiedotDiskreettiaikainen dynaaminen optimointi
Diskreettiaikainen dynaaminen optimointi Usean kauden tapaus 2 kauden yleistys Ääretön loppuaika Optimaalinen pysäytys Optimointiopin seminaari - Syksy 2000 / Ongelma t 0 x 0 t- t T x t- + x t + x T u
LisätiedotMat Optimointiopin seminaari kevät Monitavoiteoptimointi. Tavoitteet
Mat-2.142 Optimointiopin seminaari kevät 2000 Monitavoiteoptimointi Optimointiopin seminaari - Kevät 2000 / 1 Tavoitteet Monitavoitteisten optimointitehtävien ratkaisukäsitteet ja soveltamismahdollisuudet
Lisätiedotja λ 2 = 2x 1r 0 x 2 + 2x 1r 0 x 2
Johdatus diskreettiin matematiikkaan Harjoitus 4, 7.10.2015 1. Olkoot c 0, c 1 R siten, että polynomilla r 2 c 1 r c 0 on kaksinkertainen juuri. Määritä rekursioyhtälön x n+2 = c 1 x n+1 + c 0 x n, n N,
Lisätiedot8. 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:
LisätiedotKandidaatintyön esittely: Epätäydellisen preferenssi-informaation huomioon ottavien päätöksenteon tukimenetelmien vertailu
Kandidaatintyön esittely: Epätäydellisen preferenssi-informaation huomioon ottavien päätöksenteon tukimenetelmien vertailu Vilma Virasjoki 19.11.2012 Ohjaaja: DI Jouni Pousi Valvoja: Professori Raimo P.
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
LisätiedotMääritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )
Määritelmä 519 Olkoon T i L V i, W i, 1 i m Yksikäsitteisen lineaarikuvauksen h L V 1 V 2 V m, W 1 W 2 W m h v 1 v 2 v m T 1 v 1 T 2 v 2 T m v m 514 sanotaan olevan kuvausten T 1,, T m indusoima ja sitä
LisätiedotHarjoitus 12: Monikriteerinen arviointi
Harjoitus 12: Monikriteerinen arviointi MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheet Monikriteerinen arviointi Kurssin opetusteemojen
Lisätiedotf(n) = Ω(g(n)) jos ja vain jos g(n) = O(f(n))
Määritelmä: on O(g(n)), jos on olemassa vakioarvot n 0 > 0 ja c > 0 siten, että c g(n) kun n > n 0 O eli iso-o tai ordo ilmaisee asymptoottisen ylärajan resurssivaatimusten kasvun suuruusluokalle Samankaltaisia
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
LisätiedotMonitavoiteoptimointi tienpidon tuotteiden välisessä rahanjaossa
Monitavoiteoptimointi tienpidon tuotteiden välisessä rahanjaossa Menetelmän testaaminen Kaakkois-Suomen tiepiirin aineistolla Esittäjä, paikka, aika Teknillinen korkeakoulu PL 1100, 0 TKK 1 Taustaa Tienpidon
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 3 7.3.07 Tehtävä Olkoon tilamuuttujat Tällöin saadaan rekursioyhtälö f n (x n ) = max yn {0,} ynwn xn f 0 ( ) = 0. x n = vaiheessa n jäljellä oleva paino, n =,...,N, esine n pakataan
LisätiedotSisätuloavaruudet. 4. lokakuuta 2006
Sisätuloavaruudet 4. lokakuuta 2006 Tässä esityksessä vektoriavaruudet V ja W ovat kompleksisia ja äärellisulotteisia. Käydään ensin lyhyesti läpi määritelmiä ja perustuloksia. Merkitään L(V, W ) :llä
LisätiedotYhteistyötä sisältämätön peliteoria
Yhteistyötä sisältämätön peliteoria jarkko.murtoaro@hut.fi Optimointiopin seminaari Kevät 2003 / 1 Sisältö Johdanto Käsitteistö Työkalut Nashin tasapaino Täydellinen tasapaino Optimointiopin seminaari
LisätiedotMat Operaatiotutkimuksen projektityöseminaari
Mat-2.177 Operaatiotutkimuksen projektityöseminaari Loppuraportti 19.4.2004 Projekti Asiakas Monitavoitteinen portfolio-optimointi tiestön päällystämishankkeiden valinnassa Inframan Oy Yhteyshenkilö Jaakko
Lisätiedot9 Matriisit. 9.1 Matriisien laskutoimituksia
9 Matriisit Aiemmissa luvuissa matriiseja on käsitelty siinä määrin kuin on ollut tarpeellista yhtälönratkaisun kannalta. Matriiseja käytetään kuitenkin myös muihin tarkoituksiin, ja siksi on hyödyllistä
LisätiedotRatkaisuehdotukset LH 8 / vko 47
Ratkaisuehdotukset LH 8 / vko 47 Tehtävä 1: Olkoot A R n n matriisi, jonka singulaariarvohajotelma on A [ ] [ ] Σ U 1 U r 0 [V1 ] T 2 V 0 0 2 Jossa Σ r on kääntyvä matriisi, [ U 1 U 2 ] ja [ V1 V 2 ] ovat
LisätiedotTalousmatematiikan 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,
LisätiedotTehtävä 1. Päättele resoluutiolla seuraavista klausuulijoukoista. a. 1 {p 3 } oletus. 4 {p 1, p 2, p 3 } oletus. 5 { p 1 } (1, 2) 7 (4, 6)
Tehtävä 1 Päättele resoluutiolla seuraavista klausuulijoukoista. a. {{p 0 }, {p 1 }, { p 0, p 2 }, {p 1, p 2, p 3 }, { p 2, p 3 }, {p 3 }}, b. {{ p 0, p 2 }, {p 0, p 1 }, {{ p 1, p 2 }, { p 2 }}, c. {{p
Lisätiedot