TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS



Samankaltaiset tiedostot
Lineaarisen ohjelman määritelmä. Joonas Vanninen

Este- ja sakkofunktiomenetelmät

Optimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0

Luento 11: Rajoitusehdot. Ulkopistemenetelmät

1. 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

JYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö

Piiri K 1 K 2 K 3 K 4 R R

Malliratkaisut Demo 4

= 2±i2 7. x 2 = 0, 1 x 2 = 0, 1+x 2 = 0.

Malliratkaisut Demot

min 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

OPTIMOINNIN PERUSTEET. Keijo Ruotsalainen

Lineaarinen optimointitehtävä

Kimppu-suodatus-menetelmä

1 Rajoittamaton optimointi

Malliratkaisut Demot

Duaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki

Lineaarinen optimointitehtävä

Malliratkaisut Demo 4

1 Kertaus. Lineaarinen optimointitehtävä on muotoa:

Osakesalkun optimointi. Anni Halkola Turun yliopisto 2016

Taustatietoja ja perusteita

Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja

b 1. b m ) + ( 2b Ax) + (b b)

Matematiikan tukikurssi

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä

Malliratkaisut Demot

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 9: Newtonin iteraation sovellus: optimointiongelma

Kirjallisuuskatsaus sisäpistemenetelmiin ja niiden soveltamiseen eri optimointiluokille (valmiin työn esittely)

Lineaarinen optimointi. Harjoitus 6-7, Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän. c T x = min!

Optimointi. Etsitään parasta mahdollista ratkaisua annetuissa olosuhteissa. Ongelman mallintaminen. Mallin ratkaiseminen. Ratkaisun analysointi

KKT: log p i v 1 + v 2 x i = 0, i = 1,...,n.

Konjugaattigradienttimenetelmä

Osakesalkun optimointi

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

Luento 8: Epälineaarinen optimointi

Malliratkaisut Demot

Numeeriset menetelmät

Numeeriset menetelmät

Harjoitus 5 ( )

1 Johdanto LP tehtävän luonteen tarkastelua Johdanto herkkyysanalyysiin Optimiarvon funktio ja marginaalihinta

Harjoitus 7: vastausvihjeet

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ

Ellipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio

Luento 4: Lineaarisen tehtävän duaali

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 3 /

Kokonaislukuoptimointi

12. Hessen matriisi. Ääriarvoteoriaa

1 Rajoitettu optimointi I

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.

Teknillinen tiedekunta, matematiikan jaos Numeeriset menetelmät

Malliratkaisut Demo 1

Lineaarisen kokonaislukuoptimointitehtävän ratkaiseminen

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

3 = Lisäksi z(4, 9) = = 21, joten kysytty lineaarinen approksimaatio on. L(x,y) =

Luento 8: Epälineaarinen optimointi

Luento 6: Monitavoitteinen optimointi

73125 MATEMAATTINEN OPTIMOINTITEORIA 2

Ratkaisuehdotukset LH 7 / vko 47

Mat Dynaaminen optimointi, mallivastaukset, kierros 5

TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Kimmo Berg. Mat Optimointioppi. 9. harjoitus - ratkaisut

Mikäli funktio on koko ajan kasvava/vähenevä jollain välillä, on se tällä välillä monotoninen.

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.

Keskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)

MATEMATIIKAN JAOS NUMEERISET MENETELMÄT

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ Merkitään f(x) =x 3 x. Laske a) f( 2), b) f (3) ja c) YLIOPPILASTUTKINTO- LAUTAKUNTA

Harjoitus 5 ( )

Näihin harjoitustehtäviin liittyvä teoria löytyy Adamsista: Ad6, Ad5, 4: 12.8, ; Ad3: 13.8,

Matematiikan tukikurssi

3 x 1 < 2. 2 b) b) x 3 < x 2x. f (x) 0 c) f (x) x + 4 x Etsi käänteisfunktio (määrittely- ja arvojoukkoineen) kun.

Mat Lineaarinen ohjelmointi

Keskeiset tulokset heikko duaalisuus (duaaliaukko, 6.2.1) vahva duaalisuus (6.2.4) satulapisteominaisuus (6.2.5) yhteys KKT ehtoihin (6.2.

Malliratkaisut Demot 5,

Demo 1: Simplex-menetelmä

. 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

3x + y + 2z = 5 e) 2x + 3y 2z = 3 x 2y + 4z = 1. x + y 2z + u + 3v = 1 b) 2x y + 2z + 2u + 6v = 2 3x + 2y 4z 3u 9v = 3. { 2x y = k 4x + 2y = h

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Talousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta

Matriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain

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

A-osio. Ilman laskinta. MAOL-taulukkokirja saa olla käytössä. Maksimissaan yksi tunti aikaa. Laske kaikki tehtävät:

Harjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio,

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

2 Konveksisuus ja ratkaisun olemassaolo

Esimerkkejä kokonaislukuoptimointiongelmista

, on säännöllinen 2-ulotteinen pinta. Määrää T x0 pisteessä x 0 = (0, 1, 1).

Kompleksiluvun logaritmi: Jos nyt z = re iθ = re iθ e in2π, missä n Z, niin saadaan. ja siihen vaikuttava

Malliratkaisut Demot

Matematiikan tukikurssi

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Lue tehtävänannot huolella. Tee pisteytysruudukko 1. konseptin yläreunaan. ILMAN LASKINTA -OSIO! LASKE KAIKKI SEURAAVAT TEHTÄVÄT:

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

Kohdeyleisö: toisen vuoden teekkari

Neliömatriisin adjungaatti, L24

30A01000 Taulukkolaskenta ja analytiikka Luku 8: Lineaarinen optimointi ja sen sovellukset

Harjoitus 4: Matlab - Optimization Toolbox

Derivaatan sovellukset (ääriarvotehtävät ym.)

PRELIMINÄÄRIKOE PITKÄ MATEMATIIKKA

4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen

Transkriptio:

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 T a erotukseen: h c = k c A(T T a ) h r = k r A(T 4 T 4 a ) missä k c ja k r ovat tunnettuja vakioita ja A on varaajan pinta-ala. Varaajaan varastoitunut lämpöenergia on Q = kv (T T a ), missä k on vakio ja V varaajan tilavuus. Varaajan tulisi varastoida ainakin Q 0 yksikköä energiaa. Lisäksi lämpövaraajan dimensioille on voimassa koko rajoitteet: 0 L L 0, 0 K K 0, 0 S S 0. Muodosta optimointiongelma, jonka tavoitteena on imoida lämpöhäviöt. 2. Toimistohuonetta, jonka pituus on 20 metriä, leveys 12 metriä ja korkeus 3 metriä, valaistaan n:llä kattovalaisimella. Valaisimen i teho on w i wattia. Valaisimet asetetaan xykoordinaatistoon pisteisiin (x i,y i ) tietenkin 3:n metrin korkeudelle. Työpisteen valaistuksen on noudatettava voimassa olevaa työlainsäädäntöä. Tämän tarkistamiseksi valaistusteho mitataan pisteissä (α,β) = (4p,4q), missä p = 0,1,2,3,4,5 ja q = 0,1,2,3. Valaisimen i aiheuttama valaisuteho pisteessä (α,β) on E i (α,β) = k w i (α,β) (x i,y i ) (α,β,7) (x i,y i,0) 3, missä k on valaisimen tehokkuutta. Näin ollen kokonaisvaloteho pisteessä (α,β) on tällöin n E i (α,β). i Jokaisessa pisteessä valaisuteho tulisi olla 2.6:n ja 3.2:n yksikön välissä. Valaisimien teho on 40 W:n ja 300 W:n välillä. Muodosta matemaattinen malli, jossa imoit valaisimien lukumäärän, sijainnin ja sähkön kulutuksen olettaen, että kustannukset ovat verrannolliset valaisimien lukumäärään. 3. Olkoon S 1 = {x x 1 =, 0 x 2 1} ja S 2 = {x 0 x 1 1, x 2 = 0}. Määrää konveksit joukot S 1 + S 2 ja S 1 S 2. 4. Osoita, että epäyhtälösysteemillä Ax 0, c T x > 0 on ratkaisu, kun A = [ ] 1 1 1, c T = [ 1 0 5 ]. 2 2 0

Viikkotehtävä 1. Tarkastele seuraavaa optimointiongelmaa: (x 1 3) 2 + (x 2 3) 2 rajoittein 4x 2 1 + 9x2 2 36 x 2 1 + 3x 2 = 3 x 1 1 Piirrä hyväksyttävien ratkaisujen joukko ja joitain kustannusfunktion tasa-arvokäyriä. Ratkaise ongelma graafisesti (so. kuvasta katsomalla). Viikkotehtävän palautus 22.9.2008 klo 10

5. Osoita, että on olemassa hypertaso, joka separoi joukot S 1 = {x = (x 1,x 2 ) x 2 e x 1 } ja S 2 = {x = (x 1,x 2 ) x 2 e x 1 }. Onko olemassa hypertasoa, joka separoi joukot vahvasti? 6. Määrää joukkojen polaarit C i. C 1 = {(x 1,x 2 ) : 0leqx 2 x 1 }, C 2 = {(x 1,x 2 ) : x 2 x 1 } 7. Määrää joukon S = {(x 1,x 2,x 3 ) : x 2 x 2 1, x 1 +x 2 +x 3 1} ekstreemipisteet ja -suunnat. 8. Määrää rajoitejoukon U = {x 0 Ax = b} yksi kärkipiste, kun A = [ ] 1 2 1 0, b = 1 1 0 1 [ ] 8. 2 9. Onko x T = [6 0 0 1] kanonisen lineaarisen optimointitehtävän x 1 + x 2 + x 3 = 6 x 2 + 2x 3 + x 4 = 1 x 1,x 2,x 3,x 4 0 7x 2 + 9x 3 kärkipiste? Anna tarkka perustelu. Palautettava viikkotehtävä 2. Määrää lineaarisen optimointitehtävän rajoitejoukon kärkipisteet x 1 + 2x 2 8 x 1 x 2 2 x 1,x 2 0 2x 1 3x 2 3. Ratkaise LP-ongelma x 1 + x 2 10 3x 1 + x 2 3 x 2 4 x 1,x 2 0 x 1 2x 2 graafisesti ja totea, että imi löytyy kärkipisteestä. Viikkotehtävät palautettava viimeistään to 2.10 klo 11.

10. Ratkaise käyttäen Simplex-menetelmää LP-tehtävä 2x 1 + 4x 2 + x 3 = 9 3x 1 + x 2 + x 4 = 6 x 1,x 2,x 3,x 4 0 6x 1 2x 2 11. Muunna Simplex-algoritmia siten, että sillä voidaan suoraan ratkaista maksimointitehtävä: max Ax = b x 0 v T x Käyttäen modifioitua algoritmia ratkaise ongelma: max x 1 + 2x 2 + x 3 = 4 3x 1 + 2x 2 + x 4 = 14 x 1 x 2 + x 5 = 3 x 0 3x 1 + 2x 2 12. Ratkaise Simplex-algoritmilla max x 1 + x 2 + x 3 x 4 + x 5 = 7 x 1 x 2 + x 3 x 4 x 6 = 2 3x 1 + x 2 + 2x 3 2x 4 = 5 x 0 x 1 2x 2 + 3x 4 + 3x 5 13. Määrää LP-ongelman max 2x 1 + x 2 4 x 3 6 x 1 + x 2 + x 3 duaalitehtävä ja ratkaise se duaalisimplex-algoritmilla. 14. Formuloi optimointi-ongelman x 1 + x 2 1 x 1 x 2 0 x 1 3x 2 2 x 1 + 2x 2 0 x 1 2x 2 duaalitehtävä ja ratkaise se.

Palautettavat kotitehtävä 4. Muokkaa optimointiongelma 2x 1 x 2 4 x 1 2x 2 4 x 1 + x 2 5 x 1, x 2 0 3x 1 + x 2 standardimuotoon lisäämällä pelivaramuuttujat ja ratkaise Simplex-algoritmilla. Palautetaan 9.10 2008

15. Osoita, että funktio m 1 j=1 h j (x) on konveksi, jos funktiot h j(x) 0 ovat konkaaveja. 16. Olkoon f(x) = (at x) 2 b T x, missä a, b Rn. Näytä, että se on konveksi joukossa S 0 = {x R n b T x > 0}. 17. Määrää funktion f(x) = 1 2 xt Ax Hessen matriisi, kun Millä θ:n arvolla f on positiivisesti definiitti? 2 1 3 A = 2 3 2. 1 1 θ 18. Tutki funktiota f(x 1,x 2 ) = e x2 1 +x2 2 5x1 +10x 2 pisteen x = [0 0] ympäristössä. Onko funktio positiivisesti definiitti? Palautettava kotitehtävät 5. Onko seuraava funktio konveksi 1 x R 3 2 xt Px + q T x + r, kun 13 12 2 21 P = 12 17 6, q = 29 2, r = 1? 2 6 12 11 Palautus To 24.10 klo 11.00

19. Tutkitaan rajoittamatonta optimointiongelmaa x 2 1 2x 1 x 2 + x 2 2 2x 1 + e x 1+x 2. Määrää välttämätön optimaalisuusehto, ja sen avulla ongelman ratkaisu. 20. Määrää kvadraattisen funktion f(x 1,x 2 ) = x 2 1 + 4x 2x 2 + 3x 2 2 2x 1 + 4x 2 imiarvo. 21. Olkoon matriisi 1 2 1 M = 2 1 1. 1 1 1 Määrää diagonaalimatriisi D = diag(d 1,d 2,d 3 ), d i > 0, siten, että matriisin DMD 1 Frobenius-normi 3 DMD 1 2 F = Mij 2 d 2 i d 2 j on mahdollisimman pieni. Muunna ongelma konveksiksi optimointiongelmaksi muuttujien vaihdolla x i = 2log(d i ). Määrää ongelman optimaalisuusehdot. 22. Tutki konveksi optimointiongelmaa i,j=1 c T x, x 2 1 +2x2 2 1 kun c T = [1 1]. Määrää ongelman ratkaisu ja totea, että se on rajoitejoukon reunalla. Palautettava kotitehtävä 6. Määrää konveksin optimointiongelman (x 1 3) 2 + (x 2 3) 2 1 x 1,x 2 1 ratkaisu, ja totea, että ratkaisu löytyy rajoitejoukon reunalta.

23. Määrää rajoitetun optimointiongelman x 1 + x 2 5 0 x 1, x 2 0 x 2 1 + x 2 2 ratkaisu KKT-ehtojen avulla. 24. Määrää rajoitetun optimointiongelman x 1 x 2 1 x 0 x 1 + 2x 2 ratkaisu KKT-ehtojen avulla. Onko kyseessä konveksi optimointitehtävä? 25. Ratkaise seuraava optimointiongelma: missä 0 π j 1, p j R n. max x 0: P n i x i=1 j=1 m π j log(p T j x), Palautettava kotitehtävä 7. Etsi optimointitehtävän (x 1 6) 2 + (x 2 3) 2 rajoittein x 2 1 x 2 0 0 x 1 4 ratkaisu määräämäällä KKT-ehdot ja päättelemällä niiden avulla optimaalinen ratkaisu. Palautus Ma 10.11 klo 10.

26. Määrää funktion f(x) = 1 + x x 3 imi välillä [0,1] Fibonacci-haulla. 27. Määrää Newtonin menetelmällä funktion f(x) = 2x 2 + e x imi välillä [0,1]. 28. Määrää funktion f(x) = xe x maksimi välillä [0,3] toleranssilla ǫ = 0.05 Fibonacci-haulla ja Newtonin menetelmällä. Palautettava kotitehtävä 8. Ratkaise funktion f(x) = x 4 14x 3 + 60x 2 70x imi välillä [5,7] interpolaatiomenetelmällä ja Newtonin menetelmällä. Arvioi, kumpi approksimaatioista on tarkempi kolmen iteraation jälkeen.

29. Ratkaise kvadraattinen optimointiongelma 3(x 1 4) 2 + 5(x 2 + 3) 2 + 7(2x 3 + 1) 2 gradienttimenetelmällä ja Newtonin menetelmällä. Aloita iteraatiot samasta lähtöpisteestä. Vertaile menetelmien suppenemisnopeutta. 30. Etsi funktion f(x 1,x 2 ) = 2x 2 1 + 2x 1x 2 + x 2 2 + x 1 x 2 imi konjugaattigradienttimenetelmällä. 31. Ratkaise konjugaattigradienttimenetelmällä kvadraattisen funktionaalin J(x) = 4x 2 1 +4x2 2 + 4x 2 3 2x 1x 2 2x 2 x 3 2x 1 + 2x 2 + 2x 3 imikohta. Palautettava kotitehtävä 9. Etsi funktion f(x 1,x 2 ) = 1 2x 1 2x 2 4x 1 x 2 + 10x 2 1 + 2x 2 2 imi gradienttimenetelmällä ja konjugaattigradienttimenetelmällä.

32. Ratkaise sakkofunktiomenetelmällä 33. Ratkaise sakkofunktiomenetelmällä 34. Ratkaise estefunktio-menetelmällä x 1, x 2 0 x 1 + x 2 4 x 1 + x 2. x 2 1 +x2 2 1=0 1 x 1 + 1 x 2 + (x 1 + x 2 ) x 1 + 2x 2 3 x 1, x 2 0 x 2 1 x2 2 35. Ratkaise lineaarinen optimointitehtävä 2x 1 + x 2 1 x 1 + 2x 2 1 x 1,x 2 0 x 1 x 2 estefunktiomenetelmällä käyttäen logaritmista estefunktiota.