Kaksi sovellusta robustien päätössuositusten tuottamisesta

Samankaltaiset tiedostot
Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi

Aihioiden priorisointi ja portfolioanalyysi ennakoinnissa (valmiin työn esittely)

Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus

Robust portfolio modeling (RPM) epätäydellisellä hintainformaatiolla ja projektiriippuvuuksilla

Lisäinformaation arvo monikriteerisessä projektiportfoliovalinnassa (valmiin työn esittely)

Projektiportfolion valinta

Mat Optimointiopin seminaari

Optimaaliset riskinalentamisportfoliot vikapuuanalyysissä (valmiin työn esittely)

Preference Programming viitekehys tehokkuusanalyysissä

Portfoliolähestymistapa CO2 - kiilapelin analysoinnissa (valmiin työn esittely) Tuomas Lahtinen

Referenssipiste- ja referenssisuuntamenetelmät

INTERVALLIPÄÄTÖSPUUT JANNE GUSTAFSSON 45433E. Mat Optimointiopin seminaari Referaatti

Aihioiden priorisointi ja portfolioanalyysi ennakoinnissa

Projektiportfolion valinta

Additiivinen arvofunktio projektiportfolion valinnassa

Lisää satunnaisuutta ja mahdollisuus keskeyttää projekti

Investointimahdollisuudet ja investoinnin ajoittaminen

, tuottoprosentti r = X 1 X 0

Luento 6: Monitavoiteoptimointi

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Diskreettiaikainen dynaaminen optimointi

Yhteistyötä sisältämätön peliteoria

Projektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen

Tutkimustiedonhallinnan peruskurssi

Signalointi: autonromujen markkinat

Esteet, hyppyprosessit ja dynaaminen ohjelmointi

Tulevaisuustiedon paradoksit kokemuksia innovaatioaihioiden seulonnasta

Finpro Foresight. Toimitusjohtaja Kari Häyrinen Finpro ry

Mat Optimointiopin seminaari

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

Mat Research Course in Systems Science: Trends and Developments in Decision Analysis. Home Assignment

Additiivinen arvofunktio

Haitallinen valikoituminen: Kahden tyypin malli

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

Harha mallin arvioinnissa

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

Aircraft Maintenance Scheduling with Multi- Objective Simulation- Optimization

Haitallinen valikoituminen: yleinen malli ja sen ratkaisu

OPTIMAALINEN INVESTOINTIPÄÄTÖS


Maaseutuohjelman hanketukien valintaperusteet

Kasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely)

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

r = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P

Paretoratkaisujen visualisointi. Optimointiopin seminaari / Kevät 2000 Esitelmä 11 Petteri Kekäläinen 45305L

2 DEA sovellusta. Mat Optimointiopin seminaari kevät S ysteemianalyysin. Laboratorio Aalto-yliopisto

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Investointimahdollisuudet ja niiden ajoitus

Reaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla

Paretoratkaisujen visualisointi

Päätöksentekomenetelmät

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /

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

Päätöksentekomenetelmät

Tampereen yliopisto Tietokonegrafiikka 2013 Tietojenkäsittelytiede Harjoitus

Talousmatematiikan perusteet

Atte Moilanen Helsingin yliopisto, Biotieteiden laitos

Kehittämishankkeiden valintakriteerit ohjelmakaudella

Sovellus: Portfoliopäätösanalyysi lentoliikenteen parantamisen tukena

Harjoitus 7: vastausvihjeet

Bifurkaatiot dierentiaaliyhtälöissä. Systeemianalyysin. Antti Toppila laboratorio. Teknillinen korkeakoulu

Ennakointi, tulevaisuusajattelu ja strategiset tiekartat

Virtuaaliamk liikkuvuus Case Turun AMK Yhteyshenkilöpäivät Juha Knuuttila

Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä

Optimaalisen tuotekehitysportfolion valinta kasvuyrityksessä

Mat Lineaarinen ohjelmointi

MAT INVESTOINTITEORIA. (5 op) Kevät Ville Brummer / Pekka Mild / Ahti Salo

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


Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?

RPM-menetelmän päätössääntöjen tilastollinen vertailu

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen

Harjoitus 4: Matlab - Optimization Toolbox

riippumattomia ja noudattavat samaa jakaumaa.

4. Lasketaan transienttivirrat ja -jännitteet kuvan piiristä. Piirielimien arvot ovat C =

Investointimahdollisuudet ja investointien ajoittaminen

k=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu

JYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö

Matematiikan taito 9, RATKAISUT. , jolloin. . Vast. ]0,2] arvot.

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

Sovellettu todennäköisyyslaskenta B

2. Teoriaharjoitukset

Mat Optimointiopin seminaari kevät Monitavoiteoptimointi. Tavoitteet

Parametrin estimointi ja bootstrap-otanta

Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä:

Sovelluksia additiivisen arvofunktion käytöstä projektiportfolion valinnassa

Johdannaisanalyysi. Contingent Claims Analysis Juha Leino S ysteemianalyysin. Laboratorio

2 sovellusta: VEA + preferenssiinformaation. varmuusalueilla

Mat Lineaarinen ohjelmointi

Harjoitus 1 ( )

Mat Lineaarinen ohjelmointi

Projektin arvon määritys

Piiri K 1 K 2 K 3 K 4 R R

Toistetut pelit Elmeri Lähevirta. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

Valaistus. Ulkovalaisimet. Case study. Oulun katuvalaistus. Optimaalinen valaistus optimaaliseen hintaan Oulu, Suomi

LähiTapiola Varainhoito Oy

Peliteoria luento 2. May 26, Peliteoria luento 2

MS-C2105 Optimoinnin perusteet Malliratkaisut 5

Harjoitus 6 ( )

Transkriptio:

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 seminaari Kevät 2011 Sisältö Kustannustehokas investointi Murray-Darling-jokialueen luonnonvaroihin ja ekosysteemipalveluihin (Bryan 2010) Innovaatioiden ennakointia (Könnölä ym. 2007) Kotitehtävä

Esitelmä 12 Antti Toppila sivu 3/19 Optimointiopin seminaari Kevät 2011 Kustannustehokas investointi Murray-Darling-jokialueen luonnonvaroihin ja ekosysteemipalveluihin (Bryan 2010) Kyse julkisen sektorin ympäristöhankkeiden kohdentaminen MD-jokialueelle Rahaa 69 MAUD ( 51 MEUR) 46 hankkeen rahoittamiseen 56000 km 2 kokoisen alueen sidosryhmiä edusti 43 päätöksentekijää

Esitelmä 12 Antti Toppila sivu 4/19 Optimointiopin seminaari Kevät 2011 Julkisen rahan tehokas käyttö Notaatio Kohteet k = 1,..., K Kohteen hyöty B k Kohteen kustannus C k Investointiaste r k Budjetti R T Malli (E-max) max s.e. K k=1 r k C k B k 0 r k C k k K r k = R T k=1

Esitelmä 12 Antti Toppila sivu 5/19 Optimointiopin seminaari Kevät 2011 Tehokkaan portfolion vertaaminen aiempiin lähestymistapoihin Haluttiin verrata perinteisiin valintamenetelmiin Muuttamalla tehtävän kohdefuntiota tai rajoitetta: Hyötyperustainen valinta (B-rank): max K r k B k k=1 Kustannusperustainen valinta (C-rank): max K r k C k k=1 Aiempien sitoumusten rajoittama valinta (E-max ): C k r k C k, missä Ck aiemmin sidottu määrä hankkeeseen k

Esitelmä 12 Antti Toppila sivu 6/19 Optimointiopin seminaari Kevät 2011 Robustisuus epävarmuuksien suhteen Hankkeiden kustannuksia C k, hyötyjä B k, tai budjettia R T ei tunnettu tarkkaan Kullekin epävarmalle parametrille määritettiin ala- ja yläraja sekä näiden väliin asettuva uskottavin arvo C min k Ck ml Ck max missä Ck min ja Ck max kustannuksen ala- ja ylärajat ja C ml uskott. k kust. hankkeelle k Kullekin budjettivaihtoehdolle määritettiin kolme portfoliota vastaten päätössääntöjä Optimistinen (Maximax) Pessimistinen (Maximin) Uskottavin (paras kun kaikki parametrit saavat uskottavimman arvonsa) Näitä portfolioita tarkasteltiin kunkin strategian E-max, E-max, C-rank ja B-rank suhteen

Esitelmä 12 Antti Toppila sivu 7/19 Optimointiopin seminaari Kevät 2011 Hankkeiden kustannustehokkuus Hankekohtaiset kustannustehokkuudet vaihtelivat Kuvassa suurin ja pienin mahdollinen kustannustehokkuus (intervalit) Kuvassa myös uskottavimmilla arvoilla lasketut kustannustehokkuudet (palkkien oikeat reunat)

Esitelmä 12 Antti Toppila sivu 8/19 Optimointiopin seminaari Kevät 2011 Paretopinnat Optimistisen, uskottavimman ja pessimistisen portfolion suurin, uskottavin ja pienin arvo, vastaavasti, eri priorisointistrategioilla

Esitelmä 12 Antti Toppila sivu 9/19 Optimointiopin seminaari Kevät 2011 Päätössuositusten muodostaminen Kullakin tavoitteella haluttiin löytää projektit, jotka olivat hyviä kaikkien päätössääntäjen mielessä Määriteltiin ydinluku (vrt. edellinen esitemä) päätössääntöjen ja budjettien yli seuraavasti CI s,k = 100 p P s r s,k C k / P s missä s {E-max, E-max, C-rank, B-rank} on strategia, P s strategian s mukaiset kolmen päätössäännön ja kolmen budjetin määrittämät portfoliot ja r s,k investoinnin optimaalinen taso strategialla s Huomiona että nyt ydinluku määritelty jatkuville muuttujille

Esitelmä 12 Antti Toppila sivu 10/19 Optimointiopin seminaari Kevät 2011 Päätössuositukset Täysi, osittainen ja nolla sijoitus, ydinluku ja luokitus ydin, ulko ja rajahankkeisiin

Esitelmä 12 Antti Toppila sivu 11/19 Optimointiopin seminaari Kevät 2011 Innovaatioiden ennakointia (Könnölä ym. 2007) Kauppa- ja teollisuusministerion Ennakointifoorumilla tehty ennakointihanke Etsittiin heikkoja signaaleja jotka indikoisivat tulevia innovaatioita Hankkeeseen osallistui n. 50 teollisuuden, julkisen vallan, tutkimuksen ja yritysten edustajaa

Esitelmä 12 Antti Toppila sivu 12/19 Optimointiopin seminaari Kevät 2011 Heikkojen signaalien etsiminen Innovaatiot arvioitiin kolmen kriteerin suhteen asteikolla 1-7 Könnölä ym. määrittelivät näiden avulla potentiaaliset heikot signaalit seuraavasti: Korkea keskiarvo ja pieni varianssi trendi Erittäin matala keskiarvo (ja tästä johtuen pieni varianssi) kohina Tarpeeksi korkea keskiarvo ja kohtalainen varianssi heikko signaali Ongelma seurasi siitä että käytettiin kolmea kriteeriä uutuusarvo, relevanssi ja käypyys joiden painoja ei tunnettu Könnölä ym. käyttivät RPM-mentelmää jotta he saisivat mallin robustiksi kriteeripainojen suhteen

Esitelmä 12 Antti Toppila sivu 13/19 Optimointiopin seminaari Kevät 2011 Yhteisymmärysperustainen lähestymistapa Keskiarvolla kuvataan yhteisymmärrysratkaisua Esim. Vaihtoehto voi saada erittäin korkean arvon vain jos lähes kaikki samaa mieltä tästä RPM-menetelmällä kiinostavat vaihtoehdot löytyvät ratkaisemalla tehtävä: max z 1,...,z m s.e. ( m n z j i=1 j=1 m z j R j=1 z j {0, 1} j w A S w A w A i ā ij ) missä z j valintamuutuja, ā ij vaihtoehdon j attribuutin i piste, w A keskiarvojen painot, R budjetti ja S w A käyvät painot

Esitelmä 12 Antti Toppila sivu 14/19 Optimointiopin seminaari Kevät 2011 Erimielisyysperustainen lähestymistapa Ne vaihtoehdot joista on eniten erimielisyyttä ovat ne joiden varianssi on suuri Halutaan löytää myös heikot signaalit, joten täydennetään edellistä formulointia: max z 1,...,z m s.e. ( m n z j i=1 j=1 m z j R j=1 z j {0, 1} j (w A, w V ) S w w A i ā ij + n i=1 wi V σ ij 2 missä σ 2 ij vaihtoehdon j attribuutin i otosvarianssi, w V varianssien painot ja S w käypä painoavaruus )

Esitelmä 12 Antti Toppila sivu 15/19 Optimointiopin seminaari Kevät 2011 Painoavaruuksien valitseminen Yhteisymmärrys (attribuutit tasavertaisia) S w A = {w 3 i=1 w A i Erimielisyys (haluttiin korostaa eroja) S w = { w 3 i=1 (w A i w1 A w2 A w3 A, } wi V 1 36 i, i = 1, w i 0 i} + wi V ) = 1, w i 0, wi V w A i

Esitelmä 12 Antti Toppila sivu 16/19 Optimointiopin seminaari Kevät 2011 Päätössuositukset Könnölä Yhteisymmärrys et al. / Technological Forecasting & Social Change 74 (2007) 608 626 Erimielisyys Fig. 1. Core indices of ideas within the theme Health case and social services with regard to consensus and

Esitelmä 12 Antti Toppila sivu 17/19 Optimointiopin seminaari Kevät 2011 Viitteet Bryan, B. A., 2010. Development and Application of a Model for Robust, Cost-Effective Investment in Natural Capital and Ecosystem Services, Biological Conservation 143/7, pp. 1737-1750. Könnölä, T., Brummer, V., Salo, A., 2007. Diversity in foresight: Insights from the fostering of innovation ideas, Technological Forecasting & Social Change 74/5, pp. 608-626.

Esitelmä 12 Antti Toppila sivu 18/19 Optimointiopin seminaari Kevät 2011 Kotitehtävä 1/2 Bryanin portfolioiden edustavuus Bryan (2010) käytti budjettikohtaisten ydinlukujen laskemiseen Maximax portfoliota Maximin portfoliota Uskottavin portfoliota Tutkitaan näitä portfolioita RPM-viitekehyksessä (ks. edelliset esitykset) Oletus: painoja ei rajattu, attribuuttiarvot tarkkoja Oletetaan että em. portfolioiden perusteella laskettu ydinluku projektille on 100 % / 0 %. Onko tällöin välttämättä ydinluku 100 % / 0 % kaikkien ei-dominoitujen portfolioiden yli? Jos ei, millaisia portfolioita ei huomioida?

Kotitehtävä 2/2 Vihje Vihje: oheisen kaltaista kuvaajaa kannatta käyttää Kuvaan on piirretty esimerkinomaisesti portfoliot p 1,..., p 4 Arvo Portfolion arvo muuttuu lineaarisesti attribuuttipainojen w 1 ja w 2 = 1 w 1 mukaan w 1 = 0 w 2 = 1 p 1 p 2 p 3 p 4 w 1 = 1 w 2 = 0 Esitelmä 12 Antti Toppila sivu 19/19 Optimointiopin seminaari Kevät 2011