Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

Samankaltaiset tiedostot
Painotetun metriikan ja NBI menetelmä

Painokerroin-, epsilon-rajoitusehtoja hybridimenetelmät

Tchebycheff-menetelmä ja STEM

4. A priori menetelmät

Moraalinen uhkapeli: N:n agentin tapaus eli moraalinen uhkapeli tiimeissä

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

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

Mat Lineaarinen ohjelmointi

Tchebycheff-menetelmä ja STEM

Taustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon

3.5 Generoivat funktiot ja momentit

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

Mat Lineaarinen ohjelmointi

Epälineaaristen pienimmän neliösumman tehtävien ratkaiseminen numeerisilla optimointimenetelmillä (valmiin työn esittely)

Jaksolliset ja toistuvat suoritukset

Mekaniikan jatkokurssi Fys102

Reaaliarvoinen funktio f : on differentioituva pisteessä x, jos f:lle on siinä voimassa kehitelmä. h h. eli. Silloin

1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0.

Johdatus tekoälyn taustalla olevaan matematiikkaan

Eräs Vaikutuskaavioiden ratkaisumenetelmä

Luento 6 Luotettavuus Koherentit järjestelmät

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

6. Stokastiset prosessit (2)

ABTEKNILLINEN KORKEAKOULU

Epätäydelliset sopimukset

Mat Lineaarinen ohjelmointi

d L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ

Monte Carlo -menetelmä

7. Modulit Modulit ja lineaarikuvaukset.

11. Vektorifunktion derivaatta. Ketjusääntö

Raja-arvot. Osittaisderivaatat.

Jaetut resurssit. Tosiaikajärjestelmät Luento 5: Resurssien hallinta ja prioriteetit. Mitä voi mennä pieleen? Resurssikilpailu ja estyminen

Kanoniset muunnokset

Kokonaislukuoptimointi

Puupintaisen sandwichkattoelementin. lujuuslaskelmat. Sisältö:

Uuden eläkelaitoslain vaikutus allokaatiovalintaan

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

VERKKOJEN MITOITUKSESTA

HASSEN-WEILIN LAUSE. Kertausta

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Yrityksen teoria. Lari Hämäläinen S ysteemianalyysin. Laboratorio. Teknillinen korkeakoulu

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

Pyörimisliike. Haarto & Karhunen.

Kvanttimekaanisten joukkojen yhteys termodynamiikkaan

Piiri K 1 K 2 K 3 K 4 R R

Usean muuttujan funktioiden integraalilaskentaa

Yksikköoperaatiot ja teolliset prosessit

FYSA220/2 (FYS222/2) VALON POLARISAATIO

BL20A0600 Sähkönsiirtotekniikka

Pro gradu -tutkielma. Whitneyn upotuslause. Teemu Saksala

3 Tilayhtälöiden numeerinen integrointi

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

ler-modern isaatio * d *r n ax* *neäemw & rffi rffi # Sch ind Schindler {4ssxisä tu\*vmisu a**r3 \mj**nt rei

5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

Analyysi 1. Harjoituksia lukuihin 1 3 / Syksy Osoita täsmällisesti perustellen, että joukko A = x 4 ei ole ylhäältä rajoitettu.

MAOL-Pisteitysohjeet Fysiikka kevät 2009

Mekaniikan jatkokurssi Fys102

Mekaniikan jatkokurssi Fys102

Kantavektorien kuvavektorit määräävät lineaarikuvauksen

Taloustieteen mat.menetelmät 2017 materiaali 1

r > y x z x = z y + y x z y + y x = r y x + y x = r

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

KUVIEN LAADUN ANALYSOINTI

Baltian Tie 2001 ratkaisuja

Turingin kone on kuin äärellinen automaatti, jolla on käytössään

3. Datan käsittely lyhyt katsaus

KlapiTuli-palotila. KlapiTuli-palotilan osat, kokoamis- ja turvaiiisuusohje. Sormikiinnikkeet. 1. Nuppi

Kuorielementti hum

Sähkön- ja lämmöntuotannon kustannussimulointi ja herkkyysanalyysi

POPULAATION MONIMUOTOISUUDEN MITTAAMINEN LIUKULUKUKOODATUISSA EVOLUUTIOALGORITMEISSA

Galerkin in menetelmä

Yrityksen teoria ja sopimukset

Selvästi. F (a) F (y) < r x d aina, kun a y < δ. Kolmioepäyhtälön nojalla x F (y) x F (a) + F (a) F (y) < d + r x d = r x

Käytetään säteille kompleksiesitystä. Tuleva säde on Ee 0 iw t ja peräkkäisiä heijastuneita säteitä kuvaaviksi esityksiksi saadaan kuvasta: 3 ( 2 )

AB TEKNILLINEN KORKEAKOULU

Jäykän kappaleen liike

Mittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa

COULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT

b g / / / / H G I K J =. S Fysiikka (ES) Tentti

Kansainvälisen konsernin verosuunnittelu ja tuloksenjärjestely

Moderni portfolioteoria

4. MARKKINOIDEN TASAPAINOTTUMINEN 4.1. Tasapainoperiaate Yritysten ja kuluttajien välinen tasapaino

Segmentointimenetelmien käyttökelpoisuus

Tuotteiden erilaistuminen: hintakilpailu

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

Kollektiivinen korvausvastuu

3.3 Hajontaluvuista. MAB5: Tunnusluvut

Kvanttimekaanisten joukkojen yhteys termodynamiikkaan

ER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:

Aamukatsaus

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

PUTKIKELLON SUUNNITTELU 1 JOHDANTO 2 VÄRÄHTELEVÄN PALKIN TEORIAA. dm Q dx = (1) Matti A Ranta

Yleistä. Teräsrakenteiden liitokset. Liitos ja kiinnitys

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina klo

Sisältö. Päätöksenteon heuristiikat ja harhat. Heuristiset harhat. Intuitio ja tiedon saatavuus. Heuristiset harhat

Ilkka Mellin (2008) 1/24

SU/Vakuutusmatemaattinen yksikkö (6)

Transkriptio:

Tavotteet skaalaavan funkton lähestymstapa el referensspste menetelmä Optmontopn semnaar - Kevät 2000 / 1 Estelmän ssältö Panotetun metrkan ongelmen havatsemnen Referensspste menetelmän dean esttely Referensspste menetelmän matemaattnen formulont Estetyn menetelmän arvont Optmontopn semnaar - Kevät 2000 / 2 1

Panotetun L p -tehtävän kertaus Krteeravaruuden deaalpste z * : z * =mn f (x) s.e X S Panotetun L p -tehtävä on muotoa k mn ( x = 1 w f ( x) z * p ) 1/ p f 2. Z * f 1 Optmontopn semnaar - Kevät 2000 / 3 Panotetun L p -tehtävän hekkouksa Ihannepste e saa kuulua krteeravaruudessa käypään alueeseen Kakk käyvän alueen ulkopuolella olevat psteet, evät ole hannepstetä Käyvän alueen ulkopuolella olevat psteet, evät ole havannollsa Ihannepsteen löytämseks krteeravaruus on tunnettava tarkast Optmontopn semnaar - Kevät 2000 / 4 2

Ihmsen päätöksentekoon lttyvä näkökohta Määrtelmä 2.3.1 Kohdefunktoden f (x) arvot, jotka ovat päätöksentekjälle tyydyttävä muodostavat pyrkmystasoja Ƶ,=1,.,k Vektora Ƶ R k, joka koostuu pyrkmystasosta kutsutaan referensspsteeks. Referensspste saattaa olla krteeravaruudessa käyvässä alueessa Optmontopn semnaar - Kevät 2000 / 5 Uuden menetelmän deont Panotetussa metrkassa käytetty kahden psteen välsen etäsyyden mnmont on havannollnen e voda luopua Ihannepsteen tlalle otetaan referensspste, jonka päätöksentekjä saa valta tse pste vo olla mkä tahansa Ƶ R k Optmontopn semnaar - Kevät 2000 / 6 3

Tavotteet skaalaavan funkton ongelma ylesest mnmo s Ƶ (f(x)) s.e x S, jossa Ƶ on referensspste ja S päätösavaruus Sama ongelma on s.e z Z,jossa Z on krteeravaruus mnmo s Ƶ (z) (1) Optmontopn semnaar - Kevät 2000 / 7 Esmerkk tavotteet skaalaavan funkton ongelmasta Hekost pareto-optmaalset psteet vodaan selvttää kaklla Ƶ R k mn max[ w = 1,..., k ( f ( x ) z )] s.e x S Eroaa Tchebycheffn ongelmasta anoastaan tsesarvomerkken puuttumsen verran Optmontopn semnaar - Kevät 2000 / 8 4

Tavotteet skaalaavan funkton matemaattnen formulont Määrtelmä 2.1.8 Funkto f : R n R on adost kasvava kun x 1 ja x 2 R n x 1 j < x2 j kaklla j=1,,n f (x1 ) < f (x 2 ) Määrtelmä 2.1.9 Funkto f : R n R vahvast kasvava kun x 1 ja x 2 R n x 1 j x2 j kaklla j=1,,n ja x1 l < x2 l jollan l f (x 1 ) < f (x 2 ) Optmontopn semnaar - Kevät 2000 / 9 Määrtelmä 2.1.10 Funkto f : R n R on ε-vahvast kasvava kun x 1 ja x 2 R n x 1 x 2 - R ε n \{0} f (x 1 ) < f (x 2 ), jossa R ε n ={x R n dst(x, R +n ) ε x } R + n tarkottaa postvstä kartota Optmontopn semnaar - Kevät 2000 / 10 5

Määrtelmä 3.5.1 Jatkuva tavotefunkto s Ƶ : Z R on järjestyksen esttävä jos se on adost kasvava z Z funkto kaklla Ƶ R k ja jos (kaklla Ƶ R k ) Määrtelmä 3.5.2 {z R k s Ƶ (z) < 0}=Ƶ- nt R + k Jatkuva tavotefunkto s Ƶ : Z R on järjestyksen aproksmova jos se on vahvast kasvava z Z funkto kaklla Ƶ R k ja jos Ƶ- R e k {z R k s Ƶ (z) < 0} Ƶ- R e k (kaklla Ƶ R k ) ja ε> ε 0 Optmontopn semnaar - Kevät 2000 / 11 Huomautus 3.5.3 Jatkuvalle järjestyksen esttävälle ta järjestyksen approksmovalle tavotefunktolle s Ƶ : Z R pätee s Ƶ ( Ƶ )=0 Optmontopn semnaar - Kevät 2000 / 12 6

Lause 3.5.4 Jos tavotefunkto s Ƶ : Z R on adost kasvava sllon ongelman (1) ratkasu on hekost paretooptmaalnen Jos tavotefunkto s Ƶ : Z R on vahvast kasvava sllon ongelman (1) ratkasu on paretooptmaalnen Jos tavotefunkto s Ƶ : Z R on ε-vahvast kasvava sllon ongelman (1) ratkasu on ε- paretooptmaalnen Optmontopn semnaar - Kevät 2000 / 13 Lause 3.5.5 Jos tavotefunkto s Ƶ : Z R on kasvava ja ongelman (1) ratkasu on yksselttenen, nn sllon se on pareto-optmaalnen ratkasu Huom! Lauseet 3.5.4 ja 3.5.5 ovat vomassa kaklle skalarsontfunktolle,joten akasemmn estetyt panokerron-, ε-rajotusehto- ja panotetun metrkan menetelmän pareto-optmaalsuusehdot johtuvat skalarsont funktoden monotonsuudesta Optmontopn semnaar - Kevät 2000 / 14 7

Pareto-optmaalsuuden välttämättömät ehdot Lause 3.5.6 Jos tavotefunkto s Ƶ : Z R on järjestyksen esttävä, nn mllä tahansa Ƶ R k, ongelman (1) ratkasu on hekost pareto-optmaalnen. Jos tavotefunkto s Ƶ : Z R on järjestyksen aproksmova jollan ε> ε 0, nn mllä tahansa Ƶ R k, ongelman (1) ratkasu on pareto-optmaalnen. Jos lsäks tavotefunkto s Ƶ : Z R on ε-vahvast kasvava, nn ongelman (1) ratkasu on ε- paretooptmaalnen Optmontopn semnaar - Kevät 2000 / 15 Pareto-optmaalsuuden rttävät ehdot Lause 3.5.7 Jos tavotefunkto s Ƶ : Z R on järjestyksen esttävä ja z * Z on (hekost) pareto-optmaalnen, nn sllon se on ongelman (1) ratkasu ja s z *(z * )=0 Jos tavotefunkto s Ƶ : Z R on järjestyksen aproksmova ja z * Z on ε- pareto-optmaalnen, nn sllon se on ongelman (1) ratkasu ja s z *(z * )=0 Optmontopn semnaar - Kevät 2000 / 16 8

Huomo! Tavotefunkton ratkasu rpuu Lpschtzjatkuvast referensspsteestä Käytännössä ss saadun pareto-optmaalsen psteen lähenen pareto-optmaalnen pste saadaan srtämällä vähän referensspstettä Optmontopn semnaar - Kevät 2000 / 17 Ylesä huomota menetelmästä Rttäven ehtojen avulla vodaan, mnkä tahansa psteen hekko, ε-, paretooptmaalsuus todeta helpost Kakk pareto-optmaalset psteet vodaan löytää anoastaan lkuttamalla referensspstettä Optmontopn semnaar - Kevät 2000 / 18 9

Esmerkkejä tavotefunktosta Järjestyksen esttävä funkto: s ( z) = max[ w ( z z )] z = 1,..., k Optmontopn semnaar - Kevät 2000 / 19 Järjestyksen aproksmova funkto: ( + ρ z s z) = max[ w ( z z )] = 1,..., k, jossa ε > ρ > ε 0 k = 1 w ( z Optmontopn semnaar - Kevät 2000 / 20 z ) Funkto on myös ε-vahvast kasvava Lähellä Augmented weghted Tchebycheff - menetelmää sanotaan augmented weghted achevement functon :ks (laajennettu panotettu tavotefunkto) 10

Sakon skalarsova funkto: s 2 ( z) = z z + ρ ( z z ) + z 2 (z- Ƶ ) + on vektor, jonka komponentt on max[0, z - Ƶ ] Funkto on selväst ja vahvast kasvava kaklla mulla metrkolla pats Tchebycheff metrkalla Funkto on järjestyksen aproksmova kun ε 1/ ρ Optmontopn semnaar - Kevät 2000 / 21 Yhteenveto Tavotteet skaalaavat funktot ovat skalarsont funktota, jotka täyttävät tettyjä erkosvaatmuksa E tarvtse tetää hannepstettä Pystytään selvttämään Pareto-optmaalset psteet muuttamalla van referensspstettä Tulee olemaan pohjana, kun tulevasuudessa tullaan kehttämään nteraktvsa menetelmä Optmontopn semnaar - Kevät 2000 / 22 11

Sanastoa Reference pont - referensspste achevement functon - tavotefunkto order representng -järjestyksen esttävä order approxmatng - järjestyksen aproksmova augmented weghted achevement functon - laajennettu panotettu tavotefunkto Optmontopn semnaar - Kevät 2000 / 23 Kottehtävä Olkoon tehtävän käypä alue S={(x 1, x 2 ) R 2 x 1-2 x 2-6, -3x 1-2 x 2-6, -x 1 + x 2-2, x 1 +x 2-6} ja mnmotavat krteerfunktot f 1 = x 1 +x 2 ja f 2 = -x 2 Tutk käyvän alueen nurkkapsteden (4kpl) pareto optmaalsuus käyttäen pareto-optmaalsuuden rttävää ehtoa. Käytä tavotefunktona s ( z ) = max[ w ( z z )] z = 1,..., k Käytä apuna Exceln solvera! Optmontopn semnaar - Kevät 2000 / 24 12