Operatioanalyysi 2011, Harjoitus 3, viikko 39

Samankaltaiset tiedostot
Operatioanalyysi 2011, Harjoitus 4, viikko 40

Operatioanalyysi 2011, Harjoitus 2, viikko 38

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

Talousmatematiikan perusteet

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!

Talousmatematiikan perusteet

On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)

1. Lineaarinen optimointi

Piiri K 1 K 2 K 3 K 4 R R

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

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

Kokonaislukuoptiomointi Leikkaustasomenetelmät

Demo 1: Simplex-menetelmä

Harjoitus 8: Excel - Optimointi

The CCR Model and Production Correspondence

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

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

On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)

Luento 11: Rajoitusehdot. Ulkopistemenetelmät

Malliratkaisut Demot

Esimerkki 1 (Rehun sekoitus) 1

Malliratkaisut Demo 1

2 Konveksisuus ja ratkaisun olemassaolo

Malliratkaisut Demot

Malliratkaisut Demot

Alternative DEA Models

Harjoitus 7: vastausvihjeet

Capacity Utilization

4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen

Mat Lineaarinen ohjelmointi

Simplex-algoritmi. T Informaatiotekniikan seminaari , Susanna Moisala

Luento 6: Monitavoiteoptimointi

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

Returns to Scale II. S ysteemianalyysin. Laboratorio. Esitelmä 8 Timo Salminen. Teknillinen korkeakoulu

Luento 3: Simplex-menetelmä

1. Liikkuvat määreet

8. Ensimmäisen käyvän kantaratkaisun haku

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)

Kimppu-suodatus-menetelmä

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

Operatioanalyysi 2011, Harjoitus 5, viikko 41

Lineaarialgebra MATH.1040 / voima

Malliratkaisut Demot

anna minun kertoa let me tell you

Luento 4: Lineaarisen tehtävän duaali

TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS

Malliratkaisut Demot 6,

FinFamily PostgreSQL installation ( ) FinFamily PostgreSQL

Luento 7: Kokonaislukuoptimointi

1 Rajoitettu optimointi I

Johdatus verkkoteoriaan luento Netspace

Information on Finnish Language Courses Spring Semester 2017 Jenni Laine

Injektio (1/3) Funktio f on injektio, joss. f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f )

Kertausta Talousmatematiikan perusteista Toinen välikoe

Matematiikan tukikurssi, kurssikerta 3

Nuku hyvin, pieni susi -????????????,?????????????????. Kaksikielinen satukirja (suomi - venäjä) ( (Finnish Edition)

The Viking Battle - Part Version: Finnish

S SÄHKÖTEKNIIKKA JA ELEKTRONIIKKA

Topologia Syksy 2010 Harjoitus 11

Talousmatematiikan perusteet

x = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );

Harjoitus 4: Matlab - Optimization Toolbox

Esimerkkitehtäviä, A-osa

Efficiency change over time

Information on Finnish Language Courses Spring Semester 2018 Päivi Paukku & Jenni Laine Centre for Language and Communication Studies

Salasanan vaihto uuteen / How to change password

JYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö

Malliratkaisut Demo 4

Luetteloivat ja heuristiset menetelmät. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki

ASCII-taidetta. Intro: Python

make and make and make ThinkMath 2017

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

Kertausta Talousmatematiikan perusteista Toinen välikoe

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

Choose Finland-Helsinki Valitse Finland-Helsinki

Kevään 2011 pitkän matematiikan ylioppilastehtävien ratkaisut Mathematicalla Simo K. Kivelä /

Kohdeyleisö: toisen vuoden teekkari

Malliratkaisut Demot 5,

Vastauksia. Topologia Syksy 2010 Harjoitus 1

Topologia Syksy 2010 Harjoitus 4. (1) Keksi funktio f ja suljetut välit A i R 1, i = 1, 2,... siten, että f : R 1 R 1, f Ai on jatkuva jokaisella i N,

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45

16. Allocation Models

Results on the new polydrug use questions in the Finnish TDI data

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

Luento 6: Monitavoitteinen optimointi

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45

Harjoitus 6 ( )

Uusi Ajatus Löytyy Luonnosta 4 (käsikirja) (Finnish Edition)

Topologia Syksy 2010 Harjoitus 9

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä

4x4cup Rastikuvien tulkinta

Travel Getting Around

C++11 seminaari, kevät Johannes Koskinen

Oppimistavoitematriisi

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

Luento 9: Yhtälörajoitukset optimoinnissa

Lineaarinen optimointitehtävä

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

Ellipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio

Transkriptio:

Operatioanalyysi 2011, Harjoitus 3, viikko 39 H3t1, Exercise 3.1. H3t2, Exercise 3.2. H3t3, Exercise 3.3. H3t4, Exercise 3.4. H3t5

(Exercise 3.1.) 1 3.1. Find the (a) standard form, (b) slack form of the LP min z = 2x 1 + 3x 2 (0) s.t. 1 x 1 + x 2 9 (1) 2x 1 x 2 4 (2) 2 7x 1 + x 2 100 (3) x 2 0 You can also make an Octave program that constructs the standard and slack forms to you automatically.

(Exercise 3.1.) 1 3.1. Find the (a) standard form, (b) slack form of the LP min z = 2x 1 + 3x 2 (0) s.t. 1 x 1 + x 2 9 (1) 2x 1 x 2 4 (2) 2 7x 1 + x 2 100 (3) x 2 0 You can also make an Octave program that constructs the standard and slack forms to you automatically. (a) (i) Muutetaan ongelma maksimointitehtäväksi (ii) poistetaan kaksoisepäyhtälöt

(a) (Exercise 3.1.(a)) 2 min z = 2x 1 + 3x 2 (0) s.t. 1 x 1 + x 2 9 (1) 2x 1 x 2 4 (2) 2 7x 1 + x 2 100 (3) x 2 0 max z = 2x 1 3x 2 (0 ) s.t. x 1 + x 2 9 (1a ) x 1 + x 2 1 (1b ) 2x 1 x 2 4 (2) 7x 1 + x 2 100 (3a ) 7x 1 + x 2 2 (3b ) x 2 0

(a) (Exercise 3.1.(a)) 2 min z = 2x 1 + 3x 2 (0) s.t. 1 x 1 + x 2 9 (1) 2x 1 x 2 4 (2) 2 7x 1 + x 2 100 (3) x 2 0 max z = 2x 1 3x 2 (0 ) s.t. x 1 + x 2 9 (1a ) x 1 + x 2 1 (1b ) 2x 1 x 2 4 (2) 7x 1 + x 2 100 (3a ) 7x 1 + x 2 2 (3b ) x 2 0 (i) Kerrotaan vielä epäyhtälöt (1b*) ja (3b*) miinus yhdellä, jolloin erisuuruus-merkki kääntyy ja (ii) sijoitetaan x 1 = p 1 m 1. (p 1 0 ja m 1 0.)

(a) (Exercise 3.1.(a)) 3 Standardi muoto: x 1 = p 1 m 1, (p 1 0,m 1 0) max z = 2p 1 2m 1 3x 2 s.t. p 1 m 1 + x 2 9 p 1 + m 1 x 2 1 2p 1 2m 1 x 2 4 7p 1 7m 1 + x 2 100 7p 1 + 7m 1 x 2 2 p 1,m 1,x 2 0

(a) (Exercise 3.1.(a)) 3 Standardi muoto: x 1 = p 1 m 1, (p 1 0,m 1 0) max z = 2p 1 2m 1 3x 2 s.t. p 1 m 1 + x 2 9 p 1 + m 1 x 2 1 2p 1 2m 1 x 2 4 7p 1 7m 1 + x 2 100 7p 1 + 7m 1 x 2 2 p 1,m 1,x 2 0 (b) Lisätään slack-muuttujat

(b) (Exercise 3.1.(b)) 4 Slack muoto: max z = 2p 1 2m 1 3x 2 s.t. p 1 m 1 +x 2 +s 1 = 9 p 1 + m 1 x 2 +s 2 = 1 2p 1 2m 1 x 2 +s 3 = 4 7p 1 7m 1 +x 2 +s 4 = 100 7p 1 +7m 1 x 2 +s 5 = 2 p 1,m 1,x 2,s 1,s 2,s 3,s 4,s 5 0

(Exercise 3.2.) 5 3.2. Solve the LP of Exercise 3.1 by checking all the corners (of its slack form). Checking all the corners may be hard work. So, if you are lazy and clever, you can make an Octave program that checks the corners for you.

(Exercise 3.2.) 5 3.2. Solve the LP of Exercise 3.1 by checking all the corners (of its slack form). Checking all the corners may be hard work. So, if you are lazy and clever, you can make an Octave program that checks the corners for you. Ensin katsomme pohjustukseksi alkuperäisen LP-mallin graafisen ratkaisun käyvän alueen nurkkapisteet. Tämä ei ole vielä tehtävän ratkaisu, sillä tehtävässä pyydetää nurkkaratkaisut slack-muodolle. Slack-muodossa muuttujia on 8, joten emme voi sitä piirtää. Piirros auttaa ymmärtämään lopullista ratkaisua.

(Exercise 3.2.) 6 x 2 max z = 2x 1 3x 2 s.t. x 1 + x 2 9 (1a) x 1 + x 2 1 (1b) 2x 1 x 2 4 (2) 7x 1 + x 2 100 (3a) 7x 1 + x 2 2 (3b) x 2 0 (4) x 1

(Exercise 3.2.) 6 x 2 max z = 2x 1 3x 2 s.t. x 1 + x 2 9 (1a) x 1 + x 2 1 (1b) 2x 1 x 2 4 (2) 7x 1 + x 2 100 (3a) 7x 1 + x 2 2 (3b) x 2 0 (4) (1a) x 1

(Exercise 3.2.) 6 x 2 max z = 2x 1 3x 2 s.t. x 1 + x 2 9 (1a) x 1 + x 2 1 (1b) 2x 1 x 2 4 (2) 7x 1 + x 2 100 (3a) 7x 1 + x 2 2 (3b) x 2 0 (4) (1b) (1a) x 1

(Exercise 3.2.) 6 x 2 max z = 2x 1 3x 2 s.t. x 1 + x 2 9 (1a) x 1 + x 2 1 (1b) 2x 1 x 2 4 (2) 7x 1 + x 2 100 (3a) 7x 1 + x 2 2 (3b) (2) x 2 0 (4) (1b) (1a) x 1

(Exercise 3.2.) 6 x 2 max z = 2x 1 3x 2 s.t. x 1 + x 2 9 (1a) x 1 + x 2 1 (1b) 2x 1 x 2 4 (2) 7x 1 + x 2 100 (3a) 7x 1 + x 2 2 (3b) (2) x 2 0 (4) (1b) (1a) x 1 (3a)

(Exercise 3.2.) 6 x 2 max z = 2x 1 3x 2 s.t. x 1 + x 2 9 (1a) x 1 + x 2 1 (1b) 2x 1 x 2 4 (2) 7x 1 + x 2 100 (3a) 7x 1 + x 2 2 (3b) (2) x 2 0 (4) (3b) (1b) (1a) x 1 (3a)

(Exercise 3.2.) 6 x 2 max z = 2x 1 3x 2 s.t. x 1 + x 2 9 (1a) x 1 + x 2 1 (1b) 2x 1 x 2 4 (2) 7x 1 + x 2 100 (3a) 7x 1 + x 2 2 (3b) (2) x 2 0 (4) (3b) (1b) (1a) x 1 (4) (3a)

(Exercise 3.2.) 6 D x 2 max z = 2x 1 3x 2 s.t. x 1 + x 2 9 (1a) x 1 + x 2 1 (1b) 2x 1 x 2 4 (2) 7x 1 + x 2 100 (3a) 7x 1 + x 2 2 (3b) (2) x 2 0 (4) C E (3b) A B(1b) (1a) x 1 (4) (3a)

(Exercise 3.2.) 7 D x 2 max z = 2x 1 3x 2 s.t. x 1 + x 2 9 (1a) x 1 + x 2 1 (1b) 2x 1 x 2 4 (2) 7x 1 + x 2 100 (3a) 7x 1 + x 2 2 (3b) (2) x 2 0 (4) C E (3b) A B(1b) x 1 (1a) (4)

(Exercise 3.2.) 7 x 2 D E (3b) max z = 2x 1 3x 2 s.t. x 1 + x 2 9 (1a) x 1 + x 2 1 (1b) 2x 1 x 2 4 (2) 7x 1 + x 2 100 (3a) 7x 1 + x 2 2 (3b) (2) x 2 0 (4) A B(1b) C x 1 (1a) (4) A = (1,0) B = (2,0) C = (4.333,4.667) D = ( 1.167, 10.167) E = (0.167,0.833)

(Exercise 3.2.) 7 x 2 D E (3b) max z = 2x 1 3x 2 s.t. x 1 + x 2 9 (1a) x 1 + x 2 1 (1b) 2x 1 x 2 4 (2) 7x 1 + x 2 100 (3a) 7x 1 + x 2 2 (3b) (2) x 2 0 (4) A B(1b) C x 1 (1a) (4) A = (1,0) B = (2,0) PARAS on B! C = (4.333,4.667) D = ( 1.167, 10.167) E = (0.167,0.833)

(Exercise 3.2.) 8 Seuraavaksi aloitamme tehtävän ratkaisemisen. Slack-muotoisessa mallissa on 8 muuttujaa (xp 1, xm 1, x 2, s 1, s 2, s 3, s 4 ja s 5 ), ja 5 rajoitetta. Kantaan kuuluvat viisi muuttujaa voidaan valita ( ) 8 5 = 8! 5!(8 5)! = 8 7 6 5 4 5 4 3 2 1 = 56 tavalla. Ei siis kannata vääntää käsin se olisi hirmuinen urakka.

(Exercise 3.2.) 8 Seuraavaksi aloitamme tehtävän ratkaisemisen. Slack-muotoisessa mallissa on 8 muuttujaa (xp 1, xm 1, x 2, s 1, s 2, s 3, s 4 ja s 5 ), ja 5 rajoitetta. Kantaan kuuluvat viisi muuttujaa voidaan valita ( ) 8 5 = 8! 5!(8 5)! = 8 7 6 5 4 5 4 3 2 1 = 56 tavalla. Ei siis kannata vääntää käsin se olisi hirmuinen urakka. Tiedostossa or11h3t1.m on octave-koodi, joka tulostaa kantaratkaisut. Ohjelma tulostaa kantaratkaisuja 40 kappaletta, sillä osa kantaratkaisu-yhtälöryhmistä eivät ratkea, koska kerroinmatriisin determinantti on nolla. Kun vielä listalta poistetaan ei-käyvät, niin lista on seuraava:

(Exercise 3.2.) 9 k xp1 xm1 x2 s1 s2 s3 s4 s5 -z 1 0.17 0.00 0.83 8.00 0.00 4.50 98.00 0.00-2.17 2 4.33 0.00 4.67 0.00 8.00 0.00 65.00 33.00-5.33 3 2.00 0.00 0.00 7.00 1.00 0.00 86.00 12.00 4.00 4 1.00 0.00 0.00 8.00 0.00 2.00 93.00 5.00 2.00 5 0.00 1.17 10.17 0.00 8.00 16.50 98.00 0.00-32.83 6 0.00 0.00 2.00 7.00 1.00 6.00 98.00 0.00-6.00 7 0.00 0.00 9.00 0.00 8.00 13.00 91.00 7.00-27.00 Paras kantaratkaisu on #3 (BV #6 = {x 1,s 1,s 2,s 4,s 5 }, NBV #6 = {x 2,s 3 }) x 1 = 2,x 2 = 0,s 1 = 7,s 2 = 1,s 3 = 0,s 4 = 86,s 5 = 12, z = 4.

(Exercise 3.3.) 10 3.3. Solve the LP of Exercise 3.1 with (a) stu_lp_solver, (b) glpk. a-kohdassa tarvitaan standardi-muoto. max mz = z = 2p 1 2m 1 3x 2 s.t. p 1 m 1 + x 2 9 p 1 + m 1 x 2 1 2p 1 2m 1 x 2 4 7p 1 7m 1 + x 2 100 7p 1 + 7m 1 x 2 2 p 1,m 1,x 2 0

H3t3 a). (Exercise 3.3.a)) 11 max mz = z = 2p 1 2m 1 3x 2 s.t. p 1 m 1 + x 2 9 p 1 + m 1 x 2 1 2p 1 2m 1 x 2 4 7p 1 7m 1 + x 2 100 7p 1 + 7m 1 x 2 2 p 1,m 1,x 2 0 c = 2 2 3, A = 1 1 1 1 1 1 2 2 1 7 7 1 7 7 1, b = 9 1 4 100 2

H3t3 a). (Exercise 3.3.a)) 12 c = [2-2 -3] ; A = [1-1 1; -1 1-1; 2-2 -1; 7-7 1; -7 7-1]; b = [9-1 4 100-2] ; [mz_max, x_max] = stu_lp_solver(c,a,b) ################################# # mz_max = 4 # x_max = # # 2 # 0 # 0

H3t3 b). (Exercise 3.3.b)) 13 b-kohdassa tarvitaan muoto, jossa kaksois-epäyhtälöt on hajotettu kahdeksi tavalliseksi epäyhtälöksi. Koska merkkirajoite ei koske kuin toista muuttujaa, määritellään muuttujat vapaiksi, mutta x 2 :ta koskeva merkkirajoite lisätää rajoitteisiin eksplisiittisesti. min z = 2x 1 + 3x 2 (0 ) s.t. x 1 + x 2 9 (1a ) x 1 + x 2 1 (1b ) 2x 1 x 2 4 (2) 7x 1 + x 2 100 (3a ) 7x 1 + x 2 2 (3b ) x 2 0 (x 2 :n merkki)

H3t3 b). (Exercise 3.3.b)) 14 ( 2 c = 3 min z = 2x 1 + 3x 2 s.t. x 1 + x 2 9 x 1 + x 2 1 2x 1 x 2 4 7x 1 + x 2 100 7x 1 + x 2 2 x 2 0 ), A = 1 1 1 1 2 1 7 1 7 1 0 1, b = 9 1 4 100 2 0 [x_min, z_min]=glpk(c,a,b,[],[],"uluull","cc",1)

H3t3 b). (Exercise 3.3.b)) 15 c = [-2, 3] ; A = [1,1; 1,1; 2,-1; 7,1; 7,1; 0,1]; b = [9, 1, 4, 100, 2, 0] ; [x_min, z_min] = glpk(c,a,b,[],[],"uluull","cc",1) ################################# # x_min = # # 2 # 0 # # z_min = -4 #

(Exercise 3.4.) 16 3.4. Find all the optima of the LP max z = 3x 1 + 6x 2 s.t. 5x 1 + 7x 2 35 x 1 + 2x 2 2 x 1,x 2 0 Ratkaistaan kaikki kantaratkaisut. Sitä varten tehdään ensin slack-muoto.

(Exercise 3.4.) 17 max z = 3x 1 + 6x 2 s.t. 5x 1 + 7x 2 + s 1 = 35 x 1 + 2x 2 + s 2 = 2 x 1,x 2,s 1,s 2 0 BV = {x 1,x 2 }

(Exercise 3.4.) 17 max z = 3x 1 + 6x 2 s.t. 5x 1 + 7x 2 + s 1 = 35 x 1 + 2x 2 + s 2 = 2 x 1,x 2,s 1,s 2 0 x 1 = 56/17 x 2 = 45/17 s 1 = 0 s 2 = 0 z = 6 BV = {x 1,x 2 } { 5x1 + 7x 2 = 35 x 1 + 2x 2 = 2 x 1 = 56/17 3.29 x 2 = 45/17 2.65 z = 6

(Exercise 3.4.) 18 max z = 3x 1 + 6x 2 s.t. 5x 1 + 7x 2 + s 1 = 35 x 1 + 2x 2 + s 2 = 2 x 1,x 2,s 1,s 2 0 x 1 = 56/17 x 2 = 45/17 s 1 = 0 s 2 = 0 z = 6 BV = {x 1,s 1 }

(Exercise 3.4.) 18 max z = 3x 1 + 6x 2 s.t. 5x 1 + 7x 2 + s 1 = 35 x 1 + 2x 2 + s 2 = 2 x 1,x 2,s 1,s 2 0 x 1 = 56/17 x 2 = 45/17 s 1 = 0 s 2 = 0 z = 6 BV = {x 1,s 1 } { 5x1 + s 1 = 35 x 1 = 2 x 1 = 2 s 1 = 45 ei ole käypä

(Exercise 3.4.) 19 max z = 3x 1 + 6x 2 s.t. 5x 1 + 7x 2 + s 1 = 35 x 1 + 2x 2 + s 2 = 2 x 1,x 2,s 1,s 2 0 x 1 = 56/17 x 2 = 45/17 s 1 = 0 s 2 = 0 z = 6 BV = {x 1,s 2 }

(Exercise 3.4.) 19 max z = 3x 1 + 6x 2 s.t. 5x 1 + 7x 2 + s 1 = 35 x 1 + 2x 2 + s 2 = 2 x 1,x 2,s 1,s 2 0 x 1 = 56/17 x 2 = 45/17 s 1 = 0 s 2 = 0 z = 6 x 1 = 7 x 2 = 0 s 1 = 0 s 2 = 9 z = 21 BV = {x 1,s 2 } { 5x1 + = 35 x 1 s 2 = 2 x 1 = 7 s 2 = 9 z = 21

(Exercise 3.4.) 20 max z = 3x 1 + 6x 2 s.t. 5x 1 + 7x 2 + s 1 = 35 x 1 + 2x 2 + s 2 = 2 x 1,x 2,s 1,s 2 0 x 1 = 56/17 x 2 = 45/17 s 1 = 0 s 2 = 0 z = 6 x 1 = 7 x 2 = 0 s 1 = 0 s 2 = 9 z = 21 BV = {x 2,s 1 }

(Exercise 3.4.) 20 max z = 3x 1 + 6x 2 s.t. 5x 1 + 7x 2 + s 1 = 35 x 1 + 2x 2 + s 2 = 2 x 1,x 2,s 1,s 2 0 x 1 = 56/17 x 2 = 45/17 s 1 = 0 s 2 = 0 z = 6 x 1 = 7 x 2 = 0 s 1 = 0 s 2 = 9 z = 21 x 1 = 0 x 2 = 1 s 1 = 28 s 2 = 0 z = 6 BV = {x 2,s 1 } { 7x2 + s 1 = 35 2x 2 = 2 x 2 = 1 s 1 = 28 z = 6

(Exercise 3.4.) 21 max z = 3x 1 + 6x 2 s.t. 5x 1 + 7x 2 + s 1 = 35 x 1 + 2x 2 + s 2 = 2 x 1,x 2,s 1,s 2 0 x 1 = 56/17 x 2 = 45/17 s 1 = 0 s 2 = 0 z = 6 x 1 = 7 x 2 = 0 s 1 = 0 s 2 = 9 z = 21 x 1 = 0 x 2 = 1 s 1 = 28 s 2 = 0 z = 6 BV = {x 2,s 2 }

(Exercise 3.4.) 21 max z = 3x 1 + 6x 2 s.t. 5x 1 + 7x 2 + s 1 = 35 x 1 + 2x 2 + s 2 = 2 x 1,x 2,s 1,s 2 0 x 1 = 56/17 x 2 = 45/17 s 1 = 0 s 2 = 0 z = 6 x 1 = 7 x 2 = 0 s 1 = 0 s 2 = 9 z = 21 x 1 = 0 x 2 = 1 s 1 = 28 s 2 = 0 z = 6 BV = {x 2,s 2 } { 7x2 = 35 2x 2 + s 2 = 2 x 2 = 5 s 2 = 8 ei ole käypä

(Exercise 3.4.) 22 max z = 3x 1 + 6x 2 s.t. 5x 1 + 7x 2 + s 1 = 35 x 1 + 2x 2 + s 2 = 2 x 1,x 2,s 1,s 2 0 x 1 = 56/17 x 2 = 45/17 s 1 = 0 s 2 = 0 z = 6 x 1 = 7 x 2 = 0 s 1 = 0 s 2 = 9 z = 21 x 1 = 0 x 2 = 1 s 1 = 28 s 2 = 0 z = 6 BV = {s 1,s 2 }

(Exercise 3.4.) 22 max z = 3x 1 + 6x 2 s.t. 5x 1 + 7x 2 + s 1 = 35 x 1 + 2x 2 + s 2 = 2 x 1,x 2,s 1,s 2 0 x 1 = 56/17 x 2 = 45/17 s 1 = 0 s 2 = 0 z = 6 x 1 = 7 x 2 = 0 s 1 = 0 s 2 = 9 z = 21 x 1 = 0 x 2 = 1 s 1 = 28 s 2 = 0 z = 6 x 1 = 0 x 2 = 0 s 1 = 35 s 2 = 2 z = 0 BV = {s 1,s 2 } { s s1 = 35 1 = 35 s 2 = 2 s 2 = 2 z = 0

(Exercise 3.4.) 23 max z = 3x 1 + 6x 2 s.t. 5x 1 + 7x 2 + s 1 = 35 x 1 + 2x 2 + s 2 = 2 x 1,x 2,s 1,s 2 0 x 1 = 56/17 x 2 = 45/17 s 1 = 0 s 2 = 0 z = 6 x 1 = 7 x 2 = 0 s 1 = 0 s 2 = 9 z = 21 x 1 = 0 x 2 = 1 s 1 = 28 s 2 = 0 z = 6 x 1 = 0 x 2 = 0 s 1 = 35 s 2 = 2 z = 0 Tavoitefunktion arvo on z = 6, jos x 1 56/17 x 2 s 1 = t 45/17 0 + (1 t) s 2 0 0 1 28 0, 0 t 1

24 (a) Is it possible that LP has no optima, but it is nevertheless bounded? This means that your value z is bounded by some number, but one can still always make any given decision better. (b) Is the previous possible for any optimization problem?

24 (a) Is it possible that LP has no optima, but it is nevertheless bounded? This means that your value z is bounded by some number, but one can still always make any given decision better. (b) Is the previous possible for any optimization problem? Vastaus: (a) ei (b) kyllä.

24 (a) Is it possible that LP has no optima, but it is nevertheless bounded? This means that your value z is bounded by some number, but one can still always make any given decision better. (b) Is the previous possible for any optimization problem? Vastaus: (a) ei (b) kyllä. (b)-kohta on helpompi, joten aloitamme siitä. Optimointitehtävällä max z = x 1 s.t. 0 < x 1 < 1 ei ole optimia vaikka arvot ovat rajoitettu välille 0 < z < 1

(a) #1 25 (a)-kohdassa aukottoman perustelun antaminen ei ole helppoa. Seuraavassa on annettu kolme erilaista perustelua. Perusteluyritys #1 (kuvaileva) Oleellinen seikka on se, että käyvän alueen reunapisteet ovat käypiä. Oletamme nyt, että ongelma on maksimointitehtävä ja tavoitefunktion arvot on rajoitettu välille M z = f (x) M Olkoon aluksi t = M + 1. Tarkastellaan niitä päätösmuuttuja -avaruuden pisteitä, joissa f (x) = t. Pisteet muodostavat hypertason T (t), joka liikkuu käypää aluetta kohden, kun t:tä pienennetään. Ensimmäinen piste, jossa T koskettaa käypää aluetta on käyvän alueen reunan piste ja siis optimipiste.

(a) #1 25 (a)-kohdassa aukottoman perustelun antaminen ei ole helppoa. Seuraavassa on annettu kolme erilaista perustelua. Perusteluyritys #1 (kuvaileva) Oleellinen seikka on se, että käyvän alueen reunapisteet ovat käypiä. Oletamme nyt, että ongelma on maksimointitehtävä ja tavoitefunktion arvot on rajoitettu välille M z = f (x) M Olkoon aluksi t = M + 1. Tarkastellaan niitä päätösmuuttuja -avaruuden pisteitä, joissa f (x) = t. Pisteet muodostavat hypertason T (t), joka liikkuu käypää aluetta kohden, kun t:tä pienennetään. Ensimmäinen piste, jossa T koskettaa käypää aluetta on käyvän alueen reunan piste ja siis optimipiste. Miksi on olemassa ensimmäisen kosketuksen piste? (?!?!)

(a) #2 26 Perustelu #2 (lineaarialgebran keinoin) Tarkastellaan LP-mallin slack-muotoa. Jokainen käypä kantaratkaisu x i antaa yhden käyvän alueen nurkkapisteen joka on käypä ratkaisu ja jossa tavoitefunktio saa arvon z i = f (x i ) = c x i.

(a) #2 26 Perustelu #2 (lineaarialgebran keinoin) Tarkastellaan LP-mallin slack-muotoa. Jokainen käypä kantaratkaisu x i antaa yhden käyvän alueen nurkkapisteen joka on käypä ratkaisu ja jossa tavoitefunktio saa arvon z i = f (x i ) = c x i. Kahden kantaratkaisun x i ja x j painotettu keskiarvo x = t 1 x i + t 2 x j (jossa painojen summa on t 1 + t 2 = 1) on myös käypä ratkaisu, sillä Ax = A(t 1 x i + t 2 x j ) = t 1 Ax i + t 2 Ax j = t 1 b + t 2 b = b. ja f (x) = c (t 1 x i + t 2 x j ) = t 1 z i + t 2 z j.

(a) #2 27 Vastaavasti painotettu keskiarvo kaikista käyvistä kantaratkaisuista x = N k=1 t k x k (jossa painojen summa on t k = 1) on myös käypä ratkaisu ja f (x) = c ( t k x k ) = t k z k. (Se, että kaikki käyvän alueen pisteet saadaan kantaratkaisujen painotettuina keskiarvoina, on melko luonnollinen ajatus, mutta jää nyt todistamatta!)

(a) #2 27 Vastaavasti painotettu keskiarvo kaikista käyvistä kantaratkaisuista x = N k=1 t k x k (jossa painojen summa on t k = 1) on myös käypä ratkaisu ja f (x) = c ( t k x k ) = t k z k. (Se, että kaikki käyvän alueen pisteet saadaan kantaratkaisujen painotettuina keskiarvoina, on melko luonnollinen ajatus, mutta jää nyt todistamatta!) Kantaratkaisuja (nurkkapisteitä) on paljon, mutta kuitenkin vain äärellinen määrä. Voimme siis aina löytää parhaan nurkkapisteen. Paras käyvän alueen piste löytyy nyt niin, että annetaan parhaalle nurkkapisteelle paino 1 ja muille nurkkapisteille painot 0. Saatu piste on kaikista paras ja käypä, siis optimiratkaisu.

(a)#3 28 Perustelu #3 (topologian keinoin) Käypä alue on R n :n suljettu joukko (reuna on mukana). R n :n rajoitettu, suljettu joukko on kompakti. Topologiasta tiedämme, että jos K R n on epätyhjä ja kompakti ja f : K R on jatkuva funktio, niin f saa kompaktissa joukossa K suurimman arvonsa. LP-mallin käypä alue on kompakti ja tavoitefunktio on jatkuva, joten edellisen nojalla optimi on olemassa. Jos jokin sana jäi epäselväksi, niin googlaamalla löytyy selityksiä. Hyvä kirjallinen lähde on mm. Jussi Väisälä (2007), Topologia I, Limes ry, ISBN 978-951-745-216-8