Interaktiiviset menetelmät
|
|
- Eveliina Aaltonen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Interatiiviset menetelmät. Johdanto. Interatiivinen SWT-menetelmä 3. GDF-menetelmä 4. Yhteenveto Optimointiopin seminaari - Kevät 000 /. Johdanto Interatiivisissa menetelmissä päätösenteijä ja analyytio toimivat enemmän tai vähemmän tiivissä yhteistyössä. Keseisiä teijöitä menetelmää valittaessa: Päätösenteijän aia Päätösenteijän yvyt Optimointiopin seminaari - Kevät 000 /
2 Analyytio yrittää iteroiden määrittää päätösenteijän preferenssiraenteen antamalla hänelle informaatiota ja esittämällä ysymysiä, joilla saadaan uutta informaatiota. Interatiivisilla menetelmillä päästään usein päätösenteijän annalta oieaan rataisuun, jos päätösenteijä antaa johdonmuaisia vastausia. Optimointiopin seminaari - Kevät 000 / 3 Interatiivisten menetelmien eroja: Muoto, jossa informaatiota annetaan päätösenteijälle Muoto, jossa päätösenteijä antaa informaatiota Ongelman muuntaminen yhden ohdefuntion optimointiongelmasi Optimointiopin seminaari - Kevät 000 / 4
3 Vanderpootenin luoittelu interatiivisille menetelmille: Etsintäsuuntautuneet menetelmät Päätösenteijän oletetaan antavan johdonmuaista tietoa preferensseistään Päätösenteijälle esitellään rataisuehdotusista oostuva (onvergoiva jono Optimointiopin seminaari - Kevät 000 / 5 Oppimissuuntautuneet menetelmät Vaihtoehtojen vapaa tutiminen Yritys ja erehdys sallittu Ei ohjaa päätösenteijää Rataisujonon onvergenssi ei taattu Optimointiopin seminaari - Kevät 000 / 6 3
4 . Interatiivinen SWT-menetelmä Vuonna 978 Chanong ja Haimes ehittivät laajennusen surrogate worth trade-off (orviehyödyn vaihtosuhde -menetelmään. Pohjautuu suurilta osin epsilonrajoitusehtomenetelmään. Masimoidaan päätösenteijän (implisiittisesti tunnettua arvofuntiota. Optimointiopin seminaari - Kevät 000 / 7 Rajaorvaussuhde (marginal rate of substitution f i Kriteerifuntion hyvitysmäärä, joa pisteessä * orvaa yhden ysiön huonontumisen riteerifuntion arvossa. m ( * = ij f j ( f ( * U f j U f ( f ( * i Optimointiopin seminaari - Kevät 000 / 8 4
5 Rajavaihtosuhde (trade-off rate * * * λ (, d limα Λ ( + ij = > 0 ij * * αd, missä fi( fi( Λij(, = f ( f ( j j λ ij = * fi( * f ( j T T d d * * (Kun ohdefuntiot ovat jatuvasti differentioituvia Optimointiopin seminaari - Kevät 000 / 9 Rataistaan epsilonrajoitusehto-tehtäviä, joiden Pareto-optimaalisista rataisuista päätösenteijä valitsee mielestään parhaan. Päätösenteijältä saadun rajaorvaussuhteen ja (lasetun rajavaihtosuhteen välinen suhde määrää etsintäsuunnan yseisessä pisteessä. Optimointiopin seminaari - Kevät 000 / 0 5
6 Jotta epsilonrajoitusehto-menetelmän rataisut olisivat Pareto-optimaalisia on tehtävä mm. oletuset:. Arvofuntio U : R R on implisiittisesti tunnettu, jatuvasti differentioituva ja aidosti laseva.. Kohde- ja rajoitusfuntiot ovat ahdesti differentioituvia. Optimointiopin seminaari - Kevät 000 / 3. Käypä alue S on ompati, jotta aiille epsilonrajoitus-ongelmille löytyisi äärellinen rataisu. 4. Rataisu * on epsilonrajoitus-tehtävän rajoitusfuntioiden suhteen ns. säännöllinen piste. Optimointiopin seminaari - Kevät 000 / 6
7 f λ ( * = lim > * f( f ( f( * = f ( * f( * f m < λ Z m = λ m > λ f Optimointiopin seminaari - Kevät 000 / 3 3. GDF-menetelmä Geoffrion esitteli vuonna 97 Geoffrion-Dyer- Feinberg -menetelmän Ysi tunnetuimmista interatiivisista menetelmistä Pohjautuu samaan perusideaan uin ISWTmenetelmä (implisiittisesti tunnetun arvofuntion masimointi Optimointiopin seminaari - Kevät 000 / 4 7
8 Joaisella iteraatioierrosella haetaan loaali approsimaatio arvofuntion gradientille Nopeinta asvusuuntaa approsimoidaan rajaorvaussuhde (marginal rate of substitution - tietouden avulla Arvofuntiota masimoidaan gradienttimenetelmällä (Fran-Wolfe Optimointiopin seminaari - Kevät 000 / 5 Oletusia:. Arvofuntio U : R R on implisiittisesti tunnettu, jatuvasti differentioituva ja onaavi äyvässä alueessa seä aidosti laseva U referenssifuntioon nähden siten että ( f (. Kohdefuntiot ovat jatuvasti differentioituvia 3. Käypä alue on ompati ja onvesi f l < 0 Optimointiopin seminaari - Kevät 000 / 6 8
9 Fran-Wolfen algoritmi. Valitse äypä alupiste X aseta =. Hae etsintäsuunta d = y,missä y on rataisu ongelmalle: masimoi T f ( y, un y X Optimointiopin seminaari - Kevät 000 / 7 3. Määritä aselpituus α ongelmasta: masimoi f ( + αd, un α [0,] Jos f ( + α d f (, lopeta. Muutoin aseta + = + α d ja siirry ohtaan asettamalla =+. Optimointiopin seminaari - Kevät 000 / 8 9
10 Hyötyfuntio joten U ( f,..., f p U ( f ( = i= Uf ( f usean riteerin funtio, Termi U f i on riteeriin fi liittyvä arvofuntion ns. marginaaliarvo. Korvataan tämä termi rajaorvaussuhteella, jolloin U ( f ( = jossa s on referenssifuntio ja joaisella iteraatioierrosella. p U ( f f s i p i= m is f ( i f ( f U ( f f < 0 i s Optimointiopin seminaari - Kevät 000 / 9 Arvofuntion loaalin approsimaation tasa-arvopinta d r U r ( U r ( d r 3 Optimointiopin seminaari - Kevät 000 / 0 0
11 Ongelmia: Arvofuntion onaavisuus? U ( f,..., f p differentioituvuus ja Hyvityssuhteen muutosnopeus -tietouden hyödyntäminen? (Juuri havaittavissa oleva muutos JHM Kuina helppo päätösenteijän on suorittaa viivahau annettuun suuntaan? Optimointiopin seminaari - Kevät 000 / d Optimipiste JHM B A Arvofuntion tasaarvoäyriä Optimointiopin seminaari - Kevät 000 /
12 4. Yhteenveto Vaadittujen oletusten ollessa voimassa interatiivisilla menetelmillä päästään parhaisiin tulosiin Vaadittujen oletusten toteutumisen todistaminen vaieaa Rataisut poluriippuvaisia Suhteellisen uusi tutimusenttä Optimointiopin seminaari - Kevät 000 / 3
2.8 Mallintaminen ensimmäisen asteen polynomifunktion avulla
MAB Matemaattisia malleja I.8. Mallintaminen ensimmäisen asteen.8 Mallintaminen ensimmäisen asteen polynomifuntion avulla Tutustutaan mallintamiseen esimerien autta. Esimeri.8. Määritä suoran yhtälö, un
LisätiedotM 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon
Matematiian ja tilastotieteen laitos Stoastiset differentiaaliyhtälöt Rataisuehdotelma Harjoituseen 7 1. Näytä, että uvaus M M M 2, un M 2 M = sup E M 2 t 2 t 0 on normi jouossa M 2 = { M : M on martingaali
Lisätiedot2 Taylor-polynomit ja -sarjat
2 Taylor-polynomit ja -sarjat 2. Taylor-polynomi Taylor-polynomi P n (x; x 0 ) funtion paras n-asteinen polynomiapprosimaatio (derivoinnin annalta) pisteen x 0 lähellä. Maclaurin-polynomi: tapaus x 0 0.
LisätiedotMatematiikan tukikurssi
Matematiian tuiurssi Kurssierta 5 Sarjojen suppeneminen Kiinnostusen ohteena on edelleen sarja a n = a + a 2 + a 3 + a 4 + n= Tämä summa on mahdollisesti äärellisenä olemassa, jolloin sanotaan että sarja
LisätiedotDEE Lineaariset järjestelmät Harjoitus 2, ratkaisuehdotukset. Johdanto differenssiyhtälöiden ratkaisemiseen
D-00 Lineaariset järjestelmät Harjoitus, rataisuehdotuset Johdanto differenssiyhtälöiden rataisemiseen Differenssiyhtälöillä uvataan disreettiaiaisten järjestelmien toimintaa. Disreettiaiainen taroittaa
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle /
MS-A8 Differentiaali- ja integraalilasenta, V/27 Differentiaali- ja integraalilasenta Rataisut. viiolle /. 3.4. Luujonot Tehtävä : Mitä ovat luujonon viisi ensimmäistä termiä, un luujono on a) (a n ) n=,
LisätiedotJ1 (II.6.9) J2 (X.5.5) MATRIISILASKENTA(TFM) MALLIT AV 6
MATRIISILASKENTA(TFM) MALLIT AV 6 J (II.6.9) Päättele, että avaruusvetorit a, b ja c ovat lineaarisesti riippuvat täsmälleen un vetoreiden virittämän suuntaissärmiön tilavuus =. Tuti tällä riteerillä ovato
LisätiedotPerustehtäviä. Sarjateorian tehtävät 10. syyskuuta 2005 sivu 1 / 24
Sarjateorian tehtävät 0. syysuuta 2005 sivu / 24 Perustehtäviä. Muunna sarja telesooppimuotoon ja osoita, että se suppenee. Lase myös sarjan summa. ( + ) = 2 + 6 + 2 +... 2. Osoita suoraan määritelmään
LisätiedotIII. SARJATEORIAN ALKEITA. III.1. Sarjan suppeneminen. x k = x 1 + x 2 + x ,
III. SARJATEORIAN ALKEITA Sarja on formaali summa III.. Sarjan suppeneminen = x + x 2 + x 3 +..., missä R aiilla N (merintä ei välttämättä taroita mitään reaaliluua). Luvut x, x 2,... ovat sarjan yhteenlasettavat
LisätiedotJOHDATUS LUKUTEORIAAN (syksy 2017) HARJOITUS 1, MALLIRATKAISUT
JOHDATUS LUKUTEORIAAN (sysy 2017) HARJOITUS 1, MALLIRATKAISUT Tehtävä 1. (i) Etsi luvun 111312 aii teijät. (ii) Oloot a ja b positiivisia oonaisluuja joilla a b ja b a. Osoita, että silloin a = b. Rataisu
LisätiedotV. POTENSSISARJAT. V.1. Abelin lause ja potenssisarjan suppenemisväli. a k (x x 0 ) k M
V. POTENSSISARJAT Funtioterminen sarja V.. Abelin lause ja potenssisarjan suppenemisväli P a x x, missä a, a, a 2,... R ja x R ovat vaioita, on potenssisarja, jona ertoimet ovat luvut a, a,... ja ehitysesus
LisätiedotTehtävä 3. Määrää seuraavien jonojen raja-arvot 1.
Jonotehtävät, 0/9/005, sivu / 5 Perustehtävät Tehtävä. Muotoile matemaattiset vastineet seuraavien väitteiden negaatioille (ts. vastaohdat).. Jono (a n ) suppenee ohti luua a.. Jono (a n ) on asvava. 3.
LisätiedotYlioppilastutkintolautakunta S tudentexamensnämnden
Ylioppilastutintolautaunta S tudenteamensnämnden MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 0..0 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vastausten piirteiden ja sisältöjen luonnehdinta ei sido ylioppilastutintolautaunnan
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:
LisätiedotDEE Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille tarkoitetut ratkaisuehdotukset
DEE- Lineaariset järjestelmät Harjoitus 5, harjoitustenpitäjille taroitetut rataisuehdotuset Tämän harjoitusen ideana on opetella -muunnosen äyttöä differenssiyhtälöiden rataisemisessa Lisäsi äytetään
LisätiedotHanoin tornit. Merkitään a n :llä pienintä tarvittavaa määrää siirtoja n:lle kiekolle. Tietysti a 1 = 1. Helposti nähdään myös, että a 2 = 3:
Hanoin tornit Oloot n ieoa asetettu olmeen tanoon uvan osoittamalla tavalla (uvassa n = 7). Siirtämällä yhtä ieoa errallaan, ieot on asetettava toiseen tanoon samaan järjestyseen. Isompaa ieoa ei missään
Lisätiedotfunktiojono. Funktiosarja f k a k (x x 0 ) k
SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 3 4. Funtiosarjat Tässä luvussa esitettävissä funtiosarjojen tulosissa yhdistämme luujen 3 teoriaa. Esimeri 4.. Geometrinen sarja x suppenee aiilla x ], [ ja hajaantuu
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
LisätiedotJoulukuun vaativammat valmennustehtävät ratkaisut
Jouluuun vaativammat valmennustehtävät rataisut. Tapa. Pätee z = x + y, joten z = (x + y = x + y, josta sieventämällä seuraa xy 4x 4y + 4 = 0. Siispä (x (y =. Tästä yhtälöstä saadaan suoraan x =, y = 4
LisätiedotVakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely.
1144/2011 7 Liite 1 Vauutustenisistä riseistä johtuvien suureiden lasemista varten äytettävä vauutuslajiryhmittely. Vauutuslajiryhmä Vauutusluoat Ensivauutus 1 Laisääteinen tapaturma 1 (laisääteinen) 2
Lisätiedot3. Markovin prosessit ja vahva Markovin ominaisuus
30 STOKASTISET DIFFERENTIAALIYHTÄLÖT 3. Marovin prosessit ja vahva Marovin ominaisuus Aloitamme nyt edellisen appaleen päättäneen esimerin yleistämisen Brownin liieelle. Käymme ysitellen läpi esimerin
LisätiedotTodennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 1. laskuharjoitus, ratkaisuehdotukset
Todennäöisyyslasenta IIa, syys loauu 019 / Hytönen 1. lasuharjoitus, rataisuehdotuset 1. ( Klassio ) Oloot A ja B tapahtumia. Todista lasuaavat (a) P(A B) P(A) + P(B \ A), (b) P(B) P(A B) + P(B \ A), (c)
LisätiedotSAARA KUISMANEN ELLIPSOIDIALGORITMIN KÄYTTÖ SÄÄTÖSUUNNITTELUS- SA
SAARA KUISMANEN ELLIPSOIDIALGORITMIN KÄYTTÖ SÄÄTÖSUUNNITTELUS- SA Kandidaatintyö Tarastaja: Simo Ali-Löytty ja Terho Jussila I TIIVISTELMÄ SAARA KUISMANEN: Ellipsoidialgoritmin äyttö säätösuunnittelussa
LisätiedotTehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1
Luuteoria Harjoitus 1 evät 2011 Alesis Kosi 1 Tehtävä 1 Näytä: jos a ja b ovat positiivisia oonaisluuja joille (a, b) = 1 ja a c, seä lisäsi b c, niin silloin ab c. Vastaus Kosa a c, niin jaollisuuden
Lisätiedot9 Lukumäärien laskemisesta
9 Luumäärie lasemisesta 9 Biomiertoimet ja osajouoje luumäärä Määritelmä 9 Oletetaa, että, N Biomierroi ilmaisee, uia mota -alioista osajouoa o sellaisella jouolla, jossa o aliota Meritä luetaa yli Lasimesta
LisätiedotPyramidi 3 Analyyttinen geometria tehtävien ratkaisut sivu 139 Päivitetty a) 402 Suplementtikulmille on voimassa
Pyramidi Analyyttinen geometria tehtävien rataisut sivu 9 Päivitetty 9..6 4 a) 4 Suplementtiulmille on voimassa b) a) α + β 8 α + β 8 β 6 c) b) c) α 6 6 + β 8 β 8 6 β 45 β 6 9 α 9 9 + β 8 β 8 + 9 β 7 Pyramidi
LisätiedotFunktioiden approksimointi ja interpolointi
Funktioiden approksimointi ja interpolointi Keijo Ruotsalainen Division of Mathematics interpolaatio-ongelma 8 Eksponenttifunktion exp(x) interpolointi 3.5 Funktion e^{0.25x} \sin(x) interpolointi 7 3
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
LisätiedotMS-A0402 Diskreetin matematiikan perusteet
MS-A0402 Disreetin matematiian perusteet Osa 3: Kombinatoriia Riia Kangaslampi 2017 Matematiian ja systeemianalyysin laitos Aalto-yliopisto Kombinatoriia Summaperiaate Esimeri 1 Opetusohjelmaomiteaan valitaan
LisätiedotDISKREETIN MATEMATIIKAN SOVELLUKSIA: KANAVA-EKVALISOINTI TIEDONSIIRROSSA. Taustaa
Disreetin matematiian excursio: anava-evalisointi tiedonsiirrossa / DISKREETIN MATEMATIIKAN SOVELLUKSIA: KANAVA-EKVALISOINTI TIEDONSIIRROSSA Taustaa Disreetin matematiian excursio: anava-evalisointi tiedonsiirrossa
Lisätiedottermit on luontevaa kirjoittaa summamuodossa. Tällöin päädymme lukusarjojen teoriaan: a k = s.
SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 7 3. Luusarjat Josus luujonon (b ) termit on luontevairjoittaa summamuodossa. Tällöin päädymme luusarjojen teoriaan: Määritelmä 3.. Oloon ( ), R luujono. Symboli (3.)
Lisätiedotz z 0 (m 1)! g(m 1) (z0) k=0 Siksi kun funktioon f(z) sovelletaan Cauchyn integraalilausetta, on voimassa: sin(z 2 dz = (z i) n+1 k=0
TKK, Matematiian laitos v.pfaler/pursiainen Mat-.33 Matematiian perusurssi KP3-i sysy 2007 Lasuharjoitus 4 viio 40 Tehtäväsarja A viittaa aluviion ja L loppuviion tehtäviin. Valmistauu esittämään nämä
LisätiedotK-KS vakuutussumma on kiinteä euromäärä
Kesinäinen Henivauutusyhtiö IIIELLA TEKNIIKALLA LAKUPERUTE H-TUTKINTOA ARTEN HENKIAKUUTU REKURIIIELLA TEKNIIKALLA OIMAAOLO 2 AIKALAKU JA AKUUTUIKÄ Tätä lasuperustetta sovelletaan..25 alaen myönnettäviin
LisätiedotLuento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja
Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja Seuraavassa esitetään optimointitehtävien numeerisia ratkaisumenetelmiä, eli optimointialgoritmeja, keittokirjamaisesti.
LisätiedotMekaniikan jatkokurssi Fys102
Meaniian jatourssi Fys10 Sysy 009 Jua Maalampi LUENTO 6 Harmonisen värähdysliieen energia Jousen potentiaalienergia on U ( x missä on jousivaio ja Dx on poieama tasapainosta. Valitaan origo tasapainopisteeseen,
LisätiedotSTOKASTISET DIFFERENTIAALIYHTÄLÖT 7
STOKASTISET DIFFERENTIAALIYHTÄLÖT 7 1. Todennäöisyyslasennasta ja merinnöistä Palautamme seuraavassa lyhyesti mieleen todennäöisyyslasennan äsitteitä ja esittelemme myös muutamia urssilla äytettäviä merintätapoja.
LisätiedotYRITTÄJIEN ELÄKELAIN (YEL) MUKAISEN LISÄELÄKEVAKUUTUKSEN PERUSTEET. Kokooma 30.3.2006. Viimeisin perustemuutos vahvistettu 20.12.2004.
YITTÄJIN LÄKLAIN (YL) MUKAISN LISÄLÄKVAKUUTUKSN PUSTT Koooma 30.3.2006. Viimeisin perustemuutos vahvistettu 20.12.2004. SISÄLTÖ YITTÄJIN LÄKLAIN (YL) MUKAISN LISÄLÄKVAKUUTUKSN PUSTT 1. PUSTIDN SOVLTAMINN...
LisätiedotSattuman matematiikkaa III
Sattuman matematiiaa III Kolmogorovin asioomat ja frevenssitulinta Tommi Sottinen Tutija Matematiian ja tilastotieteen laitos, Helsingin yliopisto Laboratoire de Probabilités et Modèles Aléatoires, Université
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
LisätiedotTalousmatematiikan verkkokurssi. Koronkorkolaskut
Sivu 1/7 oronorolasuja sovelletaan tapausiin, joissa aia on pidempi uin ysi oonainen orojaso, eli aia, jolle oroanta ilmoittaa oron määrän. orolasu: enintään yhden orojason pituisille oroajoille; oronorolasu:
Lisätiedot3 x ja 4. A2. Mikä on sen ympyräsektorin säde, jonka ympärysmitta on 12 ja pinta-ala mahdollisimman
HTKK, TTKK, LTKK, OY, ÅA/Insinööriosastot alintauulustelujen matematiian oe 900 Sarja A A Lase äyrien y, (Tara vastaus) y, ja rajaaman äärellisen alueen inta-ala A Miä on sen ymyräsetorin säde, jona ymärysmitta
LisätiedotReferenssipiste- ja referenssisuuntamenetelmät
Referenssipiste- ja referenssisuuntamenetelmät Optimointiopin seminaari - Kevät 2000 / 1 Esitelmän sisältö Menetelmien ideat Menetelmien soveltaminen Menetelmien ominaisuuksia Optimointiopin seminaari
LisätiedotReaaliarvoisen yhden muuttujan funktion raja arvo LaMa 1U syksyllä 2011
Neljännen viikon luennot Reaaliarvoisen yhden muuttujan funktion raja arvo LaMa 1U syksyllä 2011 Perustuu Trench in verkkokirjan lukuun 2.1. Esko Turunen esko.turunen@tut.fi Funktion y = f (x) on intuitiivisesti
LisätiedotJatkuvan ajan dynaaminen optimointi
Jatkuvan ajan dynaaminen optimointi Diskreetistä ajasta jatkuvaan Ito prosessit Optimaalinen pysäytys Poisson prosessit Optimointiopin seminaari - Syksy 2000 / 1 Jatkuvan ajan dynaaminen π(x,u,t) tuottovirta
LisätiedotLuento 2. S Signaalit ja järjestelmät 5 op TKK Tietoliikenne Laboratorio 1. Jean Baptiste Joseph Fourier ( )
Luento Jasollisten signaalien Fourier-sarjat Viivaspetri S-.7. Signaalit ja järjestelmät 5 op KK ietoliienne Laboratorio Jean Baptiste Joseph Fourier (768-83) Ransalainen matemaatio ja fyysio. Esitti Fourier-sarjat
LisätiedotOlkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat
Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset / Rataisut Aiheet: Avainsanat: Satunnaismuuttujat ja todennäöisyysjaaumat Kertymäfuntio
LisätiedotLuku kahden alkuluvun summana
Luu ahden aluluvun summana Juho Salmensuu Lahden Lyseon luio Matematiia 008 Tiivistelmä Tutielmassa tarastellaan ysymystä; uina monella eri tavalla annettu parillinen oonaisluu voidaan esittää ahden aluluvun
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
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.
HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 2018 Harjoitus 6A Rataisuehdotusia Tehtäväsarja I 1. (Moistee tehtävä 5.4) Kauppias myy mäysiemeiä, joide itävyyde väitetää oleva
LisätiedotJohdatus lukuteoriaan Harjoitus 1 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma
Johdatus luuteoriaan Harjoitus 1 ss 008 Eemeli Blåsten Rataisuehdotelma Tehtävä 1 Oloot a ja b positiivisia oonaisluuja. Osoita, että on olemassa siäsitteinen luu h ('luujen a ja b pienin hteinen jaettava',
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 }{{}
LisätiedotRiemannin sarjateoreema
Riemannin sarjateoreema LuK-tutielma Sami Määttä 2368326 Matemaattisten tieteiden laitos Oulun yliopisto Sysy 206 Sisältö Johdanto 2 Luujonot 3 2 Sarjat 4 2. Vuorottelevat sarjat........................
LisätiedotEksponentti- ja logaritmiyhtälö
Esponentti- ja logaritmiyhtälö Esponenttifuntio Oloon a 1 positiivinen reaaliluu. Reaalifuntiota f() = a nimitetään esponenttifuntiosi ja luua a sen antaluvusi. Jos a > 1, niin esponenttifuntio f : R R,
Lisätiedot1 Johdanto LP tehtävän luonteen tarkastelua Johdanto herkkyysanalyysiin Optimiarvon funktio ja marginaalihinta
Sisältö Johdanto 2 LP tehtävän luonteen tarkastelua 3 Johdanto herkkyysanalyysiin 5 2 Optimiarvon funktio ja marginaalihinta 5 3 Johdanto duaaliteoriaan 6 2 LP-tehtävän standardimuoto 9 Johdanto Optimoinnista
LisätiedotLUKU 4. Pinnat. (u 1, u 2 ) ja E ϕ 2 (u 1, u 2 ) := ϕ u 2
LUKU 4 Pinnat 4.. Määritelmiä ja esimerkkejä Määritelmä 4.. Epätyhjä osajoukko M R 3 on sileä (kaksiulotteinen) pinta, jos jokaiselle pisteelle p M on olemassa ympäristö V p R 3, avoin joukko U p R 2 ja
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
LisätiedotJohdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö
Johdatus diskreettiin matematiikkaan Harjoitus 5, 14.10.2015 1. Ratkaise rekursioyhtälö x n+4 2x n+2 + x n 16( 1) n, n N, alkuarvoilla x 1 2, x 2 14, x 3 18 ja x 4 42. Ratkaisu. Vastaavan homogeenisen
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
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
LisätiedotMatemaattinen Analyysi
Vaasan yliopisto, evät 05 / ORMS00 Matemaattinen Analyysi 6. harjoitus. Approsimoi toisen asteen polynomilla P(x) = b 0 +b x+b x oheisen tauluon muaisia havaintoja. (Teorian löydät opetusmonisteen sivuilta
LisätiedotOletteko tyytyväinen: 1. Saamanne tiedon määrään kerhopaikkaa hakiessanne?
ILTAPÄIVÄTOIMINNAN KYSELY KEVÄÄLLÄ, VANHEMPIEN OSUUS, KAIKKI KERHOT 1/5 Oletteo : 1. Saamae tiedo määrää erhoaiaa haiessae? Erittäi osaa tyytymätö tyytymätö saoa 13 % 53 % 7 % 23 % 3 % 17 % 48 % 28 % 7
Lisätiedot3.2.2 Tikhonovin regularisaatio
3 Tikhonovin regularisaatio Olkoon x 0 R n tuntematon, M R m n teoriamatriisi ja y Mx + ε R m (316 annettu data Häiriöherkässä ongelmassa pienimmän neliösumman miniminormiratkaisu x M + y Q N (M x + M
Lisätiedot4.3. Matemaattinen induktio
4.3. Matemaattinen induktio Matemaattinen induktio: Deduktion laji Soveltuu, kun ominaisuus on osoitettava olevan voimassa luonnollisilla luvuilla. Suppea muoto P(n) : Ominaisuus, joka joka riippuu luvusta
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
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 6 Sarjojen suppeneminen Kiinnostuksen kohteena on edelleen sarja a k = a + a 2 + a 3 + a 4 +... k= Tämä summa on mahdollisesti äärellisenä olemassa, jolloin sanotaan
LisätiedotNäkymäalueanalyysi. Joukhaisselkä Tuore Kulvakkoselkä tuulipuisto 29.03.2012. Annukka Engström
Näyäalueanalyysi Jouhaisselä Tuore Kulvaoselä tuulipuisto 29032012 Annua Engströ Näyäalueanalyysin uodostainen Näeäalueanalyysilla saadaan yleisuva siitä, ihin tuulivoialat äytettyjen lähtötietojen perusteella
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 1 Suunnattu derivaatta Aluksi tarkastelemme vektoreita, koska ymmärrys vektoreista helpottaa alla olevien asioiden omaksumista. Kun liikutaan tasossa eli avaruudessa
Lisätiedot(1 + i) + JA. t=1. t=1. (1 + i) n (1 + i) n. = H + k (1 + i)n 1 i(1 + i) n + JA
Investoinnin annattavuuden mittareita Opetusmonisteessa on asi sivua, joilla on hyvin lyhyesti uvattu jouo mittareita. Seuraavassa on muutama lisäommentti ja aavan-johto. Tarastelemme projetia, jona perusinvestointi
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
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
LisätiedotNumeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen
LisätiedotParetoratkaisujen visualisointi
Paretoratkaisujen visualisointi Optimointiopin seminaari - Kevät 2000 / 1 Esityksen sisältö Vaihtoehtoisten kohdevektorien visualisointi Arvopolut Palkkikaaviot Tähtikoordinaatit Hämähäkinverkkokaavio
LisätiedotStokesin lause LUKU 5
LUU 5 Stokesin lause 5.1. Integrointi monistolla Olkoot W R k alue, W kompakti Jordan-joukko ja ω jatkuva k-muoto alueessa W, ω f dx 1 dx k. Asetetaan ω : f, t.s. f dx 1 dx k : f(x dx f(x 1,, x k dx 1
Lisätiedot2 b 1 + b 1 x. = b 1 (x 4) (x 2) b 1 (x 2)
3. Approsimointi 3.. Padén approsimaatio. Cauchyn approsimaatio: [7, I, 5.8]; Padén approsimaatio: [7, I, 5.9]; [, 9.5-8] Lagrangen interpolaatiopolynomi antaa ysinertaisen rataisun sileän funtion arvojen
LisätiedotVakuutusmatematiikan sovellukset 20.11.2008 klo 9-15
SHV-tutinto Vauutusmatematiian sovelluset 20.11.2008 lo 9-15 1(7) Y1. Seuraava tauluo ertoo vauutusyhtiön masamat orvauset vahinovuoden ja orvausen masuvuoden muaan ryhmiteltynä (tuhansina euroina): Vahinovuosi
LisätiedotLuku 1: Järjestelmien lineaarisuus, differenssiyhtälöt, differentiaaliyhtälöt
SMG-00 Piirianalyysi II Luentomonisteen harjoitustehtävien vastauset Luu : Järjestelmien lineaarisuus, differenssiyhtälöt, differentiaaliyhtälöt. Järjestelmien lineaarisuus: Järjestelmä on lineaarinen,
LisätiedotELEMENTTIMENETELMÄN PERUSTEET SESSIO 12: Tasokehän palkkielementti, osa 2.
/ ELEMENTTIMENETELMÄN PERUSTEET SESSIO : Tasoehän palielementti, osa. NELJÄN VAPAUSASTEEN PALKKIELEMENTTI Kun ahden vapausasteen palielementin solmuihin lisätään loaalin -aselin suuntaiset siirtmämittauset,
Lisätiedotwww.kastowin.com Sahaus. Varastointi. Ja enemmän.
Uusi KASTOwin Mestariteos sarjatuotantona www.astowin.com Sahaus. Varastointi. Ja enemmän. Enemmän uin ainutlaatuinen: Uusi KASTOwin. Kannattavan automaattisahausen asi täreintä teijää ovat: suuri leuuteho
LisätiedotC (4) 1 x + C (4) 2 x 2 + C (4)
http://matematiialehtisolmu.fi/ Kombiaatio-oppia Kuia mota erilaista lottoriviä ja poeriättä o olemassa? Lotossa arvotaa 7 palloa 39 pallo jouosta. Poeriäsi o viide orti osajouo 52 orttia äsittävästä paasta.
LisätiedotVALIKOITUJA KOHTIA LUKUTEORIASTA
VALIKOITUJA KOHTIA LUKUTEORIASTA ARI LEHTONEN 1. Laajennettu Euleideen algoritmi 1.1. Jaoyhtälö. Oloot r 0, r 1 Z, r 0 r 1 > 0. Tällöin on olemassa ysiäsitteiset luvut q 1 ja r 2 Z siten, että r 0 = q
LisätiedotLuku 1: Järjestelmien lineaarisuus, differenssiyhtälöt, differentiaaliyhtälöt
SMG-00 Piirianalyysi II Harjoitustehtävät Luu : Järjestelmien lineaarisuus, differenssiyhtälöt, differentiaaliyhtälöt Järjestelmien lineaarisuus: Järjestelmä on lineaarinen, jos T u u T u T u, jossa ja
Lisätiedot1974 N:o 622. Vakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely. Liite 1.
1974 N:o 622 Liite 1 Vauutustenisistä riseistä johtuvien suureiden lasemista varten äytettävä vauutuslajiryhmittely Vauutuslajiryhmä Vauutusluoat Ensivauutus Laisääteinen tapaturma 1 (laisääteinen) Muu
LisätiedotLAPPEENRANNAN TEKNILLINEN YLIOPISTO
LAPPEENRANNAN TEKNILLINEN YLIOPITO TYÖOHJE 2009 Keianteniian osasto Tenillisen eian laboratorio BJ90A0900 Tenillisen eian ja tenillisen polyeerieian laboratoriotyöt Ohje: Irina Turu, Katriina Liiatainen,
LisätiedotTodennäköisyysjakaumat 1/5 Sisältö ESITIEDOT: todennäköisyyslaskenta, määrätty integraali
Todennäöissjaaumat /5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia P (X = )=p. Nämä ovat 0 ja niiden summa on p =. Pistetodennäöisdet voidaan graafisesti esittää pstsuorien
LisätiedotKiinteätuottoiset arvopaperit
Mat-.34 Ivestoititeoria Kiiteätuottoiset arvopaperit 6..05 Lähtöohtia Lueolla tarasteltii tilateita, joissa yyarvo laseassa äytettävä oro oli aettua ja riippuato aiaperiodista Käytäössä orot äärittyvät
LisätiedotCantorin joukon suoristuvuus tasossa
Cantorin joukon suoristuvuus tasossa LuK-tutkielma Miika Savolainen 2380207 Matemaattisten tieteiden laitos Oulun yliopisto Syksy 2016 Sisältö Johdanto 2 1 Cantorin joukon esittely 2 2 Suoristuvuus ja
LisätiedotDerivaatta: funktion approksimaatio lineaarikuvauksella.
Viikko 5 Tällä viikolla yleistetään R 2 :n ja R 3 :n vektorialgebran peruskäsitteet n-ulotteiseen avaruuteen R n, ja määritellään lineaarikuvaus. Tarkastellaan funktioita, joiden määrittelyjoukko on n-ulotteisen
Lisätiedot4.7 Todennäköisyysjakaumia
MAB5: Todeäöisyyde lähtöohdat.7 Todeäöisyysjaaumia Luvussa 3 Tuusluvut perehdyimme jo jaauma äsitteesee yleesä ja ormaalijaaumaa vähä taremmi. Lähdetää yt tutustumaa biomijaaumaa ja otetaa se jälee ormaalijaauma
LisätiedotKimppu-suodatus-menetelmä
Kimppu-suodatus-menetelmä 2. toukokuuta 2016 Kimppu-suodatus-menetelmä on kehitetty epäsileiden optimointitehtävien ratkaisemista varten. Menetelmässä approksimoidaan epäsileitä funktioita aligradienttikimpulla.
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
LisätiedotMAB7 Talousmatematiikka. Otavan Opisto / Kati Jordan
3.3 Laiat MAB7 Talousmatematiia Otava Opisto / Kati Jorda Laia ottamie Suuri osa ihmisistä ottaa laiaa jossai elämävaiheessa. Pailaiaa tarvitaa yleesä vauusia ja/tai taausia. Laiatulle pääomalle masetaa
LisätiedotOHJ-2300 Johdatus tietojenkäsittelyteoriaan Syksy 2008
OHJ-2300 Johdatus tietojenäsittelyteoriaan Sysy 2008 1 2 Organisaatio & aiataulu Luennot: prof. Tapio Elomaa P1: Ti 14-16 TC 103 ja to 14 16 TC 133 P2: Ti 14-16 TB 219 ja to 12 14 TB 224 26.8. 20.11. Jussi
Lisätiedot, c) x = 0 tai x = 2. = x 3. 9 = 2 3, = eli kun x = 5 tai x = 1. Näistä
Pitkä matematiikka 8.9.0, ratkaisut:. a) ( x + x ) = ( + x + x ) 6x + 6x = + 6x + 6x x = x =. b) Jos x > 0, on x = + x x = + x. Tällä ei ole ratkaisua. Jos x 0, on x = + x x = + x x =. c) x = x ( x) =
LisätiedotTehtävä 11 : 1. Tehtävä 11 : 2
Tehtävä : Käytetää irjaita M luvu ( ) meritsemisee. Satuaisverossa G, p() o yhteesä solmua, jote satuaismuuttuja X mahdollisia arvoja ovat täsmällee jouo0,..., M} aii aliot. Joaie satuaisvero mahdollisista
LisätiedotEulerin φ-funktion ominaisuuksia
TAMPEREEN YLIOPISTO Pro gradu -tutielma Jua Peltola Eulerin φ-funtion ominaisuusia Informaatiotieteiden ysiö Matematiia Marrasuu 2013 Tampereen yliopisto Informaatiotieteiden ysiö PELTOLA, JUKKA: Eulerin
LisätiedotProjektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen
Projektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen Optimointiopin seminaari - Syksy 000 / 1 Mallin laajennus Toiminta voidaan väliaikaisesti keskeyttää ja käynnistää uudelleen Keskeyttämisestä
LisätiedotIto-prosessit. Määritelmä Geometrinen Brownin liike Keskiarvoon palautuvat prosessit Iton lemma. S ysteemianalyysin. Laboratorio
Ito-prosessit Määritelmä Geometrinen Brownin liike Keskiarvoon palautuvat prosessit Iton lemma Optimointiopin seminaari - Syksy 2000 / 1 Ito-prosessit Brownin liikkeen yleistys (Ito prosessi) x(t) : dx
Lisätiedot3 Lukujonon raja-arvo
ANALYYSI A, HARJOITUSTEHTÄVIÄ, KEVÄT 209 3 Lukujonon raja-arvo 3 Määritelmä Osoita, että 6n + 2n + 3 3 < 4 n ja määritä jokin sellainen n 0 Z +, että 6n + 2n + 3 3 < 0 87 aina, kun n > n 0 2 Olkoon x n
LisätiedotLuku 11. Jatkuvuus ja kompaktisuus
1 MAT-13440 LAAJA MATEMATIIKKA 4 Taperee teillie yliopisto Risto Silveoie Kevät 2008 Luu 11. Jatuvuus ja opatisuus 11.1 Jatuvat futiot ja uvauset Tässä luvussa tarastellaa yleisiillää vetoriuuttuja vetoriarvoisia
LisätiedotLineaarinen optimointi. Harjoitus 6-7, Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän. c T x = min!
Lineaarinen optimointi Harjoitus 6-7, 016. 1. Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän c T x = min! (T) Ax b x 0 duaalitehtävän duaali on tehtävä (T). Ratkaisu. (P) c T x = min! Ax b x
Lisätiedot