Robust portfolio modeling (RPM) epätäydellisellä hintainformaatiolla ja projektiriippuvuuksilla

Samankaltaiset tiedostot
Aihioiden priorisointi ja portfolioanalyysi ennakoinnissa (valmiin työn esittely)

Lisäinformaation arvo monikriteerisessä projektiportfoliovalinnassa (valmiin työn esittely)

Mat Optimointiopin seminaari

Aihioiden priorisointi ja portfolioanalyysi ennakoinnissa

Kasvuyrityksen tuotekehitysportfolion optimointi (valmiin työn esittely)

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

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

Projektiportfolion valinta

Preference Programming viitekehys tehokkuusanalyysissä

Kaksi sovellusta robustien päätössuositusten tuottamisesta

RPM-menetelmän päätössääntöjen tilastollinen vertailu

Optimaaliset riskinalentamisportfoliot vikapuuanalyysissä (valmiin työn esittely)

Lisäinformaation arvo monikriteerisessä projektiportfoliovalinnassa

Projektiportfolion valinta

Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla

Sovellus: Portfoliopäätösanalyysi lentoliikenteen parantamisen tukena

Portfoliomalli turpeenoton optimointiin

Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus

Portfoliolähestymistapa CO 2

Päätösanalyyttisiä huomioita luonnonarvokaupasta

Optimaalisen tuotekehitysportfolion valinta kasvuyrityksessä

Additiivinen arvofunktio projektiportfolion valinnassa

monitavoitteisissa päätöspuissa (Valmiin työn esittely) Mio Parmi Ohjaaja: Prof. Kai Virtanen Valvoja: Prof.

Signalointi: autonromujen markkinat

Referenssipiste- ja referenssisuuntamenetelmät

Projektin arvon määritys

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

Kokonaislukuoptimointimallinnus projektiportfolion valinnasa

Lineaaristen monitavoiteoptimointitehtävien ratkaiseminen Bensonin algoritmilla

Innovaatioaihioiden vuorovaikutteinen tarkastelu monikriteerisessä RPM-seulonnassa

Pelien teoriaa: tasapainokäsitteet

Yhteistyötä sisältämätön peliteoria jatkuu

Lineaarinen optimointitehtävä

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

Aircraft Maintenance Scheduling with Multi- Objective Simulation- Optimization

Harjoitus 4: Matlab - Optimization Toolbox

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä

Innovaatioaihioiden vuorovaikutteinen tarkastelu monikriteerisessä RPM-seulonnassa

JYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Yhteistyötä sisältämätön peliteoria

Simulation model to compare opportunistic maintenance policies

Lineaaristen monitavoiteoptimointitehtävien

Johdanto peliteoriaan Kirja kpl. 2

Haitallinen valikoituminen: yleinen malli ja sen ratkaisu

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

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



2.5. Matriisin avaruudet ja tunnusluvut


Optimal Harvesting of Forest Stands

Peliteoria luento 3. May 27, Peliteoria luento 3

Arvohäviö Rank Inclusion in Criteria Hierarchies menetelmässä. Jari Mustonen, 47046C,

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

Sovelluksia additiivisen arvofunktion käytöstä projektiportfolion valinnassa

Demo 1: Simplex-menetelmä

Monitavoitteiseen optimointiin soveltuvan evoluutioalgoritmin tarkastelu

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

Investointimahdollisuudet ja investointien ajoittaminen

Mat Optimointiopin seminaari

TIIVISTELMÄRAPORTTI. Vastakkainasettelullinen riskianalyysi asejärjestelmien vaikuttavuusarvioinnissa

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

REA-solver - Verkkopohjainen työkalu DEA- ja REA-perusteiseen tehokkuusvertailuun

Signalointi: kustannukseton signalointi (halpa puhe)

Kandidaatintyön esittely: Epätäydellisen preferenssi-informaation huomioon ottavien päätöksenteon tukimenetelmien vertailu

Projektin arvon aleneminen

Uusien keksintöjen hyödyntäminen

Esteet, hyppyprosessit ja dynaaminen ohjelmointi

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

Mat Investointiteoria Laskuharjoitus 4/2008, Ratkaisut

Päätöksenteko ja tulevaisuus

Reaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla

Investointimahdollisuudet ja investoinnin ajoittaminen

Hintakilpailu lyhyellä aikavälillä

Diskreettiaikainen dynaaminen optimointi

Kokonaislukuoptiomointi Leikkaustasomenetelmät

Jälki- ja herkkyysanalyysi. Tutkitaan eri kertoimien ja vakioiden arvoissa tapahtuvien muutosten vaikutusta optimiratkaisuun

Piiri K 1 K 2 K 3 K 4 R R


Monitavoitteinen portfolio-optimointi tiestön päällystämishankkeiden valinnassa. Jaakko Dietrich,

Tulevaisuustiedon paradoksit kokemuksia innovaatioaihioiden seulonnasta

Dynaaminen ohjelmointi ja vaikutuskaaviot

. 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

Rationalisoituvuus ja yleinen tieto rationaalisuudesta

Monopoli. Tommi Välimäki S ysteemianalyysin. Laboratorio. Teknillinen korkeakoulu

Lisää satunnaisuutta ja mahdollisuus keskeyttää projekti

Additiivinen arvofunktio

Ratkaisut epätäydelliset sopimukset

Gradient Sampling-Algoritmi

Määräaikaisen suojelusopimuksen optimaalinen pituus

Malliratkaisut Demot

Projektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen

Haitallinen valikoituminen: Kahden tyypin malli

Monitavoiteoptimointi siltojen korjausohjelman laatimisessa

Malliratkaisut Demo 1

Stokastinen optimointi taktisessa toimitusketjujen riskienhallinnassa (valmiin työn esittely)

Taistelujoukkojen allokaatioiden kustannustehokkuuden arviointi Lanchesterin taistelumallissa

Pieni mittakaava. Tuloksellisen sisäsyntyisen kehittämistyön haaste vai etu? Pienuuden dynamiikka. Ilari Karppi

Department of Mathematics, Hypermedia Laboratory Tampere University of Technology. Roolit Verkostoissa: HITS. Idea.

Transkriptio:

Robust portfolio modeling (RPM) epätäydellisellä hintainformaatiolla ja projektiriippuvuuksilla Mat-2.4142 Optimointiopin seminaari kevät 2011 Lähde: Liesiö, J., Mild, P., Salo, A., 2008. Robust portfolio modeling with incomplete cost information and project interdependencies, European Journal of Operational Research 190/3, s. 679-695

Esityksen rakenne Lähtökohdat RPM-menetelmän kertaus Laajennettu RPM Sovellus Kotitehtävä

Esityksen rakenne Lähtökohdat RPM-menetelmän kertaus Laajennettu RPM Sovellus Kotitehtävä

Lähtökohdat (RPM) Projektiportfolion optimointi Epätäydellinen arvo- ja painoinformaatio Hinta (M ) v 1 v 2 v 3 Projekti 1 15 [0.5, 1.0] [0.1, 0.3] [0.2, 0.4] Projekti 2 50 [0.5, 0.6] [0.5, 0.7] [0.2, 0.4] Projekti 3 20 [0.0, 0.1] [0.6, 0.7] [0.7, 0.9] S w = {w R³ } Rajoituksena kiinteä budjetti

Lähtökohdat laajennukselle Projektiportfolion optimointi Epätäydellinen arvo- ja painoinformaatio Hinta (M ) v 1 v 2 v 3 Projekti 1 [10, 20] [0.5, 1.0] [0.1, 0.3] [0.2, 0.4] Projekti 2 [40, 80] [0.5, 0.6] [0.5, 0.7] [0.2, 0.4] Projekti 3 20 [0.0, 0.1] [0.6, 0.7] [0.7, 0.9] Lisäksi epätäydellinen kustannusinformaatio, projektiriippuvuudet (seuraava kalvo) ja joustava budjetti

Projektiriippuvuudet Tietyt projektit toteutettava keskenään, jotkut toistensa poissulkevia Synergiat dummy-projekteina Lisähyödyt, säästöt Hinta (M ) v 1 v 2 v 3 Synergia 1 0 [0.2, 0.4] [0.5, 0.7] [0.2, 0.3] Synergia 2 [-5, -10] 0 0 0 Synergia 3 [0, -5] [0.0, 0.1] 0 [0.4, 0.5]

Esimerkki Hinta (M ) v 1 v 2 v 3 A1 20 [0.5, 0.6] [0.2, 0.4] [0.2, 0.3] A2 [30, 35] [0.7, 0.8] [0.1, 0.6] [0.1, 0.3] Synergia 1 0 [0.3, 0.5] [0.1, 0.2] [0, 0.1] B1 [5, 10] 0 [0.2, 0.3] [0.4, 0.5] B2 [30, 50] [0.5, 0.6] [0.8, 1.0] [0, 0.1] B3 5 [0.2, 0.5] [0.7, 0.8] 0 A1 ja A2 aikaansaavat synergian 1 B2 sulkee pois muut B:t Tietty painoinformaatio ja budjettirajoite välillä [50, 70]

Esityksen rakenne Lähtökohdat RPM-menetelmän kertaus Laajennettu RPM Sovellus Kotitehtävä

RPM kertaus RPM:n toimintaperiaate

Ydinluku (CI) Projektin A1 ydinluku kertoo kuinka suuressa osassa ei-dominoituja portfolioita se on informaatiojoukolla S=S w S v Ydinprojektit: CI = 1 Rajatapausprojektit: 0<CI<1 Ulkoprojektit: CI = 0

Dominanssi Dominanssi koko joukossa S Informaation tarkentaminen voi vain vähentää eidominoituja portfolioita Ydinprojektit ja ulkoprojektit säilyttävät asemansa S S ja int(s) S => P N (S ) P N (S)

Esityksen rakenne Lähtökohdat RPM-menetelmän kertaus Laajennettu RPM Sovellus Kotitehtävä

Mallinnetaan lineaarisilla epäyhtälöillä Projektiriippuvuudet P F := {p P Az(p) B}, missä z on projekteista koostuva binäärinen pystyvektori ( )() () c 1 c 2 c 3 c 4 1 0 1 1 -v 11 min -v 12 min -v 13 min -v 14 min 1 0-1 0-1 0 1 0 1 0 1 0 R 2-1.7 0 0

Tehokkaat portfoliot 1/2 Poistetaan budjetti epäyhtälörajoitteista Saadaan kustannusinformaatiojoukko S c Tehokkaat portfoliot määritellään: P E (S,S c ) = p P F p P F s.e. { V(p,w,v) V(p,w,v) (w,v) S C(p,c) C(p,c) c S c ja ehdoissa vähintään yksi epäsuuruus

Tehokkaat portfoliot 2/2 Laajennetaan informaatiojoukkoa S=S w S v Ŝ v = {[v, -c] R m (n+1) v S v,c S c } Ŝ w päivitetään siten, että mukana on paino kustannuksille Informaatiojoukolla Ŝ=Ŝ w Ŝ v : P E (S, S c )=P N (Ŝ)

Kokonaisarvon vaihteluväli P N (S,c,R) on ei-dominoitujen portfolioiden joukko kun c S c ja R ovat vakiot MV(R) := max max V(p,w,v) p P N (S,c,R) (w,v) S GV(R) := max _ min V(p,w,v) p P N (S,c,R) (w,v) S

Kokonaisarvon vaihteluväli P N (S,c,R) on ei-dominoitujen portfolioiden joukko kun c S c ja R ovat vakiot MV(R) := max max V(p,w,v) p P N (S,c,R) (w,v) S GV(R) := max _ min V(p,w,v) p P N (S,c,R) (w,v) S

Budjettiriippuvainen ydinluku CI(x j,s,r) on osuus dominoimattomista _ portfolioista P N (S,c,R), joissa on projekti x j Pessimistinen lähtökohta kustannusten suhteen Budjetti R tiukka Ydinluku ei ole kasvava R:n suhteen

Algoritmi Tavallisen RPM:n algoritmi ei toimi, sillä portfolio voi mm. muuttua käyväksi, kun siihen lisätään myöhempi projekti

Algoritmi Tavallisen RPM:n algoritmi ei toimi, sillä portfolio voi mm. muuttua käyväksi, kun siihen lisätään myöhempi projekti

Esityksen rakenne Lähtökohdat RPM-menetelmän kertaus Laajennettu RPM Sovellus Kotitehtävä

Sovellus 40 projektia Kolme ominaisuutta S w = {w R³ w 1 w 2 w 3 } Kolme synergiaprojektia Muita projektiriippuvuuksia

Projektit 1/2

Projektit 2/2

Kokonaisarvon vaihteluväli

Ydinluvut

Lopullinen valinta Ei-dominoidut portfoliot budjetilla R=650

Esityksen rakenne Lähtökohdat RPM-menetelmän kertaus Laajennettu RPM Sovellus Kotitehtävä

Kotitehtävä Hinta (M ) v 1 v 2 v 3 A1 20 [0.5, 0.6] [0.2, 0.4] [0.2, 0.3] A2 [30, 35] [0.7, 0.8] [0.1, 0.6] [0.1, 0.3] Synergia 1 0 [0.3, 0.5] [0.1, 0.2] [0, 0.1] B1 [5, 10] 0 [0.2, 0.3] [0.4, 0.5] B2 [30, 50] [0.5, 0.6] [0.8, 1.0] [0, 0.1] A1 ja A2 aikaansaavat synergian 1 Toteutettava yksi A- ja yksi B-projekti B1 ja B2 ovat keskenään poissulkevia S w = {w R³ w 1 w 2 w 3 } Piirrä MV(R) ja GV(R)