Esimerkki 1 (Rehun sekoitus) 1

Samankaltaiset tiedostot
Talousmatematiikan perusteet

Talousmatematiikan perusteet

LP-mallit, L8. Herkkyysanalyysi. Varjohinta. Tietokoneohjelmia. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto.

LP-mallit, L19. Aiheet. Yleistä, LP-malleista. Esimerkki, Giapetto. Graafisen ratkaisun vaiheet. Optimin olemassaolo

1. Lineaarinen optimointi

Harjoitus 8: Excel - Optimointi

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

Operatioanalyysi 2011, Harjoitus 3, viikko 39

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

Talousmatematiikan perusteet

Piiri K 1 K 2 K 3 K 4 R R

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

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

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

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

Harjoitus 7: vastausvihjeet

Matemaattinen Analyysi

Malliratkaisut Demot

Voitonmaksimointi esimerkkejä, L9

Malliratkaisut Demo 1

Luento 9: Yhtälörajoitukset optimoinnissa

Operatioanalyysi 2011, Harjoitus 4, viikko 40

Operatioanalyysi 2011, Harjoitus 2, viikko 38

Harjoitus 6 ( )

c) Määritä paraabelin yhtälö, kun tiedetään, että sen huippu on y-akselilla korkeudella 6 ja sen nollakohdat ovat x-akselin kohdissa x=-2 ja x=2.

ja nyt tässä tapauksessa a = 1, b=4 ja c= -5, ja x:n paikalle ajattelemme P:n.

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!

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.

Harjoitus 5 ( )

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.

Talousmatematiikan perusteet, ORMS1030

1 Rajoitettu optimointi I

Harjoitus 5 ( )

Numeeriset menetelmät

Kaikkiin tehtäviin ratkaisujen välivaiheet näkyviin! Lue tehtävänannot huolellisesti. Tee pisteytysruudukko B-osion konseptin yläreunaan!

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

Lineaarinen optimointi

Ensimmäisen asteen polynomifunktio

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Vastaukset. 1. kaksi. 3. Pisteet eivät ole samalla suoralla. d) x y = x e) 5. a) x y = 2x

Demo 1: Simplex-menetelmä

MS-C2105 Optimoinnin perusteet Malliratkaisut 4

Kertausta Talousmatematiikan perusteista Toinen välikoe

Harjoitus 4: Matlab - Optimization Toolbox

Tekijä Pitkä matematiikka

MAB3 - Harjoitustehtävien ratkaisut:

Luento 7: Kokonaislukuoptimointi

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

Harjoitus 2 ( )

Viime kerralta Luento 9 Myyjän tulo ja kysynnän hintajousto

Lineaarinen optimointi

Malliratkaisut Demot

* Hyödyn maksimointi on ihmisten toimintaa ja valintoja ohjaava periaate.

Mat Lineaarinen ohjelmointi

Luento 8: Epälineaarinen optimointi

Malliratkaisut Demot

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

Taloustieteen perusteet 31A Ratkaisut 3, viikko 4

Kertausta Talousmatematiikan perusteista Toinen välikoe

Harjoitus 2 ( )

Harjoitusten 2 ratkaisut

MAB3 - Harjoitustehtävien ratkaisut:

1 Rajoittamaton optimointi

x + 1 πx + 2y = 6 2y = 6 x 1 2 πx y = x 1 4 πx Ikkunan pinta-ala on suorakulmion ja puoliympyrän pinta-alojen summa, eli

Koontitehtäviä luvuista 1 9

Luento 11: Rajoitusehdot. Ulkopistemenetelmät

Lineaaristen monitavoiteoptimointitehtävien

Prof. Marko Terviö Assist. Jan Jääskeläinen

MS-C2105 Optimoinnin perusteet Malliratkaisut 5

1. Arvioi kummalla seuraavista hyödykkeistä on hintajoustavampi kysyntä

Juuri 7 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty c) sin 50 = sin ( ) = sin 130 = 0,77

Ratkaisut vuosien tehtäviin

2 Osittaisderivaattojen sovelluksia

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.

Nollasummapelit ja bayesilaiset pelit

Aluksi Kahden muuttujan lineaarinen yhtälö

y=-3x+2 y=2x-3 y=3x+2 x = = 6

Luku 19 Voiton maksimointi

Kimppu-suodatus-menetelmä

Tentissä on viisi tehtävää, jotka arvosteellaan asteikolla 0-6. Tehtävien alakohdat ovat keskenään samanarvoisia ellei toisin mainita.

Käy vastaamassa kyselyyn kurssin pedanet-sivulla (TÄRKEÄ ensi vuotta ajatellen) Kurssin suorittaminen ja arviointi: vähintään 50 tehtävää tehtynä

Luento 3: Simplex-menetelmä

Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40

MAA02. A-osa. 1. Ratkaise. a) x 2 + 6x = 0 b) (x + 4)(x 4) = 9 a) 3x 6x

FORD ST _ST_Range_V2_ MY.indd FC1-FC3 27/06/ :24:01

Demo 1: Lineaarisen tehtävän ratkaiseminen graafisesti ja Solverilla

Mat Lineaarinen ohjelmointi

Preliminäärikoe Tehtävät A-osio Pitkä matematiikka kevät 2016 Sivu 1 / 4

origo III neljännes D

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

Aki Taanila LINEAARINEN OPTIMOINTI


MATP153 Approbatur 1B Harjoitus 5 Maanantai

MAA7 7.3 Koe Jussi Tyni Valitse kuusi tehtävää! Tee vastauspaperiin pisteytysruudukko! Kaikkiin tehtäviin välivaiheet näkyviin!

1 Ensimmäisen asteen polynomifunktio

Piste ja jana koordinaatistossa

Transkriptio:

1 Karjankasvattaja käyttää luonnosta saadun nurmirehun lisäksi lisäravinnetta 200kg/päivä. Lisäravinne sekoitetaan maissista ja soijasta. Ravinteen ominaisuuksiin vaikuttaa raaka-aineiden proteiini- ja kuitupitoisuudet, jotka ovat seuraavat prosenttiosuus raaka-aine proteiini kuitu hinta (e/kg) maissi 9.0% 2.0% 0.30 soija 60.0% 6.0% 0.90 Ravinne sekoitetaan niin, että siinä on vähintään 30% proteiinia ja enintään 5% kuitua. Miten vaatimukset täyttävä ravinne saadaan sekoitettua minimi-kustannuksin?

2 Päätösmuuttujat ovat x 1 = maissin käyttö (kg/päivä) x 2 = soijan käyttö (kg/päivä) Tavoitefunktio on minimoi z = 0.30x 1 + 0.90x 2 Rajoite 1: ravinteessa oltava vähintään 30% proteiinia 0.09 x 1 + 0.60 x 2 0.30 (x 1 + x 2 ) 0.21 x 1 + 0.30 x 2 0

3 Rajoite 2: ravinteessa oltava enintään 5% kuituaa 0.02 x 1 + 0.06 x 2 0.05 (x 1 + x 2 ) 0.03 x 1 + 0.01 x 2 0 Rajoite 3: ravinnetta sekoitetaan vähintään 200kg/päivä x 1 + x 2 200 Muodostetaan LP-malli kokoamalla kaikki yhteen

4 Minimoi z = 0.30x 1 + 0.90x 2 ehdoin 0.21x 1 + 0.30x 2 0 0.03x 1 + 0.01x 2 0 x 1 + x 2 200 Graafinen ratkaisu: 1.raj: 0.21x 1 + 0.30x 2 0 yläp. A:(0,0) B:(300,210) 2.raj: 0.03x 1 + 0.01x 2 0 alap. C:(0,0) D:(120,360) 3.raj: x 1 + x 2 200 yläp. E:(0,200) F:(200,0)

5 x 2 400 350 300 250 200 E D (2) B (1) 150 100 50 A,C (3) F 50 100 150 200 250 300 350 400 x 1

6 Tavoitesuora pisteen (150, 150) kautta 0.30x 1 + 0.90x 2 = 180, G : (0,200), H : (300,100) x 2 (2) 400 350 300 (1) 250 G 200 150 H 100 50 (3) A,C 50 100 150 200 250 300 350 400 x 1

7 Optimi on siis pisteessä, jossa ensimmäinen (1) ja kolmas (3) rajoitesuora leikkaavat toisiaan. { 0.21x1 + 0.30x 2 = 0 x 1 + x 2 = 200 { 0.7x1 x 2 = 0 + x 1 + x 2 = 200 1 { 1.7x1 = 200 x 1 + x 2 = 200 { x 1 = 117.65 x 2 = 82.35 Tässä pisteessä tavoitefunktio saa avron ( 10/3) z = 0.30 117.65 + 0.90 82.35 = 109.41e/päivä.

8 Seuraavassa esimerkissä käypä alue ei muutu, mutta tavoitefunktio käy läpi jatkuvan muutosprosessin.. Yritys valmistaa kahta tuotetta A ja B. Yhdestä A-tuotteesta saatava kate on 0.50(e/kpl) ja yhdestä B-tuotteesta saatava kate on 2.50(e/kpl) Tuotevalintaongelman LP-malli on seuraava max z = 0.5x 1 + 2x 2 k 0 = 1/4 s.t. x 2 60 k 1 = 0 x 1 + 3x 2 210 k 2 = 1/3 x 1 + x 2 110 k 3 = 1 3x 1 + x 2 270 k 4 = 3 Mallin yhteyeen on merkitty myös rajoitesuorien kulmakertoimet. Niitä katsotaan kohta.

9 x 2 60 A B (1) k 1 = 0 C 50 30 z = 0.5x 1 + 2x 2 k 0 = 1/4 D (2) k 2 = 1/3 (3) k 3 = 1 E 30 60 80 90 x 1 (4) k 4 = 3

10 Tuotteen A kate, eli x 1 :n kerroin tavoitefunktion lausekkeessa, kasvaa vähitellen siten, että se on ajan funktio c 1 (t) = 0.5 + 0.01 t, (t on aika päivissä) Tavoitesuoran kulmakerroin on silloin myös ajan funktio k 0 (t) = c 1(t) 2 = 0.25 0.005 t

11 Hetkellä t = 50 A:n kate on c 1 (50) = 0.5 + 0.01 50 = 1.0 Tavoitesuoran kulmakerroin on k 0 (50) = 0.5 x 2 60 A B (1) k 1 = 0 C 50 30 z = c 1 x 1 + 2x 2 k 0 (50) = 0.25 0.005 50 = 0.50 D (2) k 2 = 1/3 (3) k 3 = 1 E 30 60 80 90 x 1 (4) k 4 = 3

12 Hetkellä t = 250 A:n kate on c 1 (250) = 0.5 + 0.01 250 = 3.0 Tavoitesuoran kulmakerroin on k 0 (250) = 1.5 x 2 60 A B (1) k 1 = 0 C 50 30 z = c 1 x 1 + 2x 2 k 0 (250) = 0.25 0.005 250 = 1.50 D (2) k 2 = 1/3 (3) k 3 = 1 E 30 60 80 90 x 1 (4) k 4 = 3

13 Hetkellä t = 750 A:n kate on c 1 (750) = 0.5 + 0.01 750 = 8.0 Tavoitesuoran kulmakerroin on k 0 (250) = 4.0 x 2 60 A B (1) k 1 = 0 C 50 30 z = c 1 x 1 + 2x 2 k 0 (750) = 0.25 0.005 750 = 4.0 D (2) k 2 = 1/3 (3) k 3 = 1 E 30 60 80 90 x 1 (4) k 4 = 3

14 Optimipisteen siirtyminen pisteestä B pisteeseen C tapahtui, kun k 0 (t) = k 2 0.25 0.005 t = 0.3333 t = 16.67 Optimipisteen siirtyminen pisteestä C pisteeseen D tapahtui, kun k 0 (t) = k 3 0.25 0.005 t = 1 t = 150

15 Optimipisteen siirtyminen pisteestä D pisteeseen E tapahtui, kun k 0 (t) = k 4 0.25 0.005 t = 3 t = 550 Seuraavaksi piirrämme päätösmuuttujan x 1 optimiarvon ajan funktiona. (Piirros perustuu siis ajatukseen, että A:n kate kasvaa tasaisesti 5 senttiä päivässä.) Kuvasta näkyy, että tuotantomäärässä tapahtuu äkillisiä muutoksia ja muutosten väliajat tuotantomäärä on muuttumaton.

16 x 1 90 80 60 30 100 200 300 400 500 600 700 t

17 Palataan esimerkin 2 alkutilanteeseen. Jos toisen rajoitteen RHS muuttuu määrän b 2 = 10, niin toinen rajoitesuora siirtyy oikealle max z = 0.5x 1 + 2x 2 s.t. x 2 60 x 1 + 3x 2 210 + 10 x 1 + x 2 110 3x 1 + x 2 270

18 x 2 60 A B C (1) 50 30 D (3) (2) E 30 60 80 90 x 1 (4) Käypä alue laajeni, päätösmuuttujien arvot muuttuivat ja tavoitefunktion arvo parani.

19 b Palataan uudelleen esimerkin 2 alkutilanteeseen. Jos neljännen rajoitteen RHS muuttuu määrän b 4 = 10, niin neljäs rajoitesuora siirtyy oikealle max z = 0.5x 1 + 2x 2 s.t. x 2 60 x 1 + 3x 2 210 x 1 + x 2 110 3x 1 + x 2 270 + 10

20 x 2 60 A B (1) C 50 30 D (2) (3) 30 60 80 90 E x 1 (4) Käypä alue laajeni taas, mutta nyt se ei hyödytä lainkaa. Optimipiste on edelleen samassa paikassa kuin aluksi!

21 Yritys valmistaa kahta tuotetta A ja B kahdella osastolla Os1 ja Os2. A-tuotteen kate on 2e/kpl ja B-tuotteen kate on 3e/kpl. Päätösmuuttujat: x 1 on tuotteen A valmistus (kpl/päivä) ja x 2 on tuotteen B valmistus (kpl/päivä) Osastojen työaika-rajoitteet ovat 2x 1 + x 2 100 (h/vko, Os1) ja x 1 + 2x 2 75 (h/vko, Os2). Lisäksi on kysyntärajoite x 1 45.

22 LP-malli max z = 2x 1 + 3x 2 ehdoin 2x 1 + x 2 100 Os1 x 1 + 2x 2 75 Os2 x 1 45 kysyntä >> c =[2 3]; >> A =[2 1; 1 2; 1 0]; >> b = [100; 75; 45]; >> [x,z] = glpk (c,a,b,[0,0],[], " UUU ","CC",-1) x = 41.667 16.667 z = 133.33 >>

23 Yritys saa mahdollisuuden palka uuden työntekijän (40h/vko). On ratkaistava mille osastolle uusi työresurssi lisätään. Merkitään Os1:n osuutta uudesta resurssista x 3 :lla ja Os2:n osuutta uudesta resurssista x 4 :llä. Silloin saamme optimoitavaksi mallin max z = 2x 1 + 3x 2 ehdoin 2x 1 + x 2 100 + x 3 Os1 x 1 + 2x 2 75 + x 4 Os2 x 1 45 kysyntä x 3 + x 4 = 40 lisäresurssi Viedään malli järkevään muotoon

24 max z = 2x 1 + 3x 2 ehdoin 2x 1 + x 2 x 3 100 x 1 + 2x 2 x 4 75 x 1 45 x 3 + x 4 = 40 >> c =[2 3 0 0 ] ; >> A=[2 1 1 1 ; 1 2 0 1; 1 0 0 0 ; 0 0 1 1 ] ; >> b = [ 1 0 0 ; 7 5 ; 4 5 ; 4 0 ] ; >> [ x, z ] = g l p k ( c, A, b, [ 0, 0, 0, 0 ], [ ], UUUS, CCCC, 1) x = 1.66667 56.66667 0.00000 40.00000 z = 173.33

25 Uusi resurssi sijoitetaan siis kokonaan osasto 2:lle. (x 3 = 0, x 4 = 40) Valmistusohjelma muuttui aika radikaalisti x 1 = 41 x 2 = 16 z = 2 41 + 3 16 = 130 x 1 = 1 x 2 = 56 z = 2 1 + 3 56 = 170 jolloin kokonaiskate kasvoi 170 130 130 100% = 30.7% Työresurssi kasvoi 215 175 175 100% = 22.9%