JYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö

Samankaltaiset tiedostot
Lineaarinen optimointitehtävä

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä

Lineaarinen optimointitehtävä

1 Kertaus. Lineaarinen optimointitehtävä on muotoa:

6. Luennon sisältö. Lineaarisen optimoinnin duaaliteoriaa

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

Optimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0

Malliratkaisut Demo 4

Malliratkaisut Demot

Lineaarisen kokonaislukuoptimointitehtävän ratkaiseminen

Malliratkaisut Demo 4

Piiri K 1 K 2 K 3 K 4 R R

Kuljetustehtävä. Materiaalia kuljetetaan m:stä lähtöpaikasta n:ään tarvepaikkaan. Kuljetuskustannukset lähtöpaikasta i tarvepaikkaan j ovat c ij

4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen

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

1 Rajoitettu optimointi I

TIEA382 Lineaarinen ja diskreetti optimointi

Malliratkaisut Demot

Mat Lineaarinen ohjelmointi

2 Konveksisuus ja ratkaisun olemassaolo

Johdatus verkkoteoriaan luento Netspace

Malliratkaisut Demot 6,

3 Simplex-menetelmä. c T x = min! Ax = b (x R n ) (3.1) x 0. Tarvittaessa sarakkeiden järjestystä voidaan vaihtaa, joten voidaan oletetaan, että

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

Malliratkaisut Demot

Osakesalkun optimointi. Anni Halkola Turun yliopisto 2016

73125 MATEMAATTINEN OPTIMOINTITEORIA 2

TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS

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

8. Ensimmäisen käyvän kantaratkaisun haku

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

Demo 1: Simplex-menetelmä

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

Malliratkaisut Demot

Luento 4: Lineaarisen tehtävän duaali

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

Luento 3: Simplex-menetelmä

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

Gaussin ja Jordanin eliminointimenetelmä

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

Käänteismatriisin ominaisuuksia

Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi.

Luento 6: Monitavoitteinen optimointi

Talousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu

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!

Malliratkaisut Demot

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

12. Hessen matriisi. Ääriarvoteoriaa

Osakesalkun optimointi

Mat Lineaarinen ohjelmointi

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

Malliratkaisut Demo 1


Lineaarisen ohjelman määritelmä. Joonas Vanninen

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

2.5. Matriisin avaruudet ja tunnusluvut

Malliratkaisut Demot 5,

Monitavoiteoptimointi

3 Yhtälöryhmä ja pistetulo

Simplex-algoritmi. T Informaatiotekniikan seminaari , Susanna Moisala

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

Ellipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio

Harjoitus 5 ( )

Taustatietoja ja perusteita

Talousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu

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

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

1 Rajoitettu optimointi III - epäyhtälörajoitteet, teoriaa

Lineaarinen yhtälöryhmä

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

7 Vapaus. 7.1 Vapauden määritelmä

1 Rajoittamaton optimointi

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

Kokonaislukuoptimointi

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

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

14. Luennon sisältö. Kuljetustehtävä. Verkkoteoria ja optimointi. esimerkki. verkkoteorian optimointitehtäviä verkon virittävä puu lyhimmät polut

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

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Matriisit ja optimointi kauppatieteilijöille P

Matriisit ja optimointi kauppatieteilijöille P

1. Lineaarinen optimointi

Mat Dynaaminen optimointi, mallivastaukset, kierros Johdetaan ensiksi välttämättömät ehdot diskreettiaikaiselle optimisäätötehtävälle.

Harjoitus 5 ( )

Demo 1: Branch & Bound

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

Harjoitus 7: vastausvihjeet

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

Yhtälön oikealla puolella on säteen neliö, joten r. = 5 eli r = ± 5. Koska säde on positiivinen, niin r = 5.

Lineaarialgebra ja matriisilaskenta I. LM1, Kesä /218

y (0) = 0 y h (x) = C 1 e 2x +C 2 e x e10x e 3 e8x dx + e x 1 3 e9x dx = e 2x 1 3 e8x 1 8 = 1 24 e10x 1 27 e10x = e 10x e10x

2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio

YHTÄLÖ kahden lausekkeen merkitty yhtäsuuruus

Aki Taanila LINEAARINEN OPTIMOINTI

. 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

TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Kimmo Berg. Mat Optimointioppi. 9. harjoitus - ratkaisut

Transkriptio:

JYVÄSKYLÄN YLIOPISTO 3. Luennon sisältö Lineaarisen optimointitehtävän sallittu alue Optimointitehtävien muunnoksia Lineaarisen yhtälöryhmän perusmuoto ja perusratkaisut Lineaarisen optimointitehtävän perusmuoto kevät 2012 TIEA382 Lineaarinen ja diskreetti optimointi

Lineaarinen optimointitehtävä min kun c j x j a ij x j b i x j 0 j = 1,..., n i = 1,..., m 18

Epäyhtälörajoite = konveksi puoliavaruus Yhtälörajoite = konveksi hypertaso Konveksien joukkojen leikkaus on konveksi = Sallittu alue on konveksi monitahokas 19

Optimiratkaisut toteuttavat kaikki rajoitteet Objektifunktio on n c j x j = z, missä z on objektifunktion arvo = yksi yhtälörajoite lisää = Optimiratkaisujen joukko on konveksi 20

JYVÄSKYLÄN YLIOPISTO Tehtävä: Lineaarisen optimointitehtävän muunnoksia Maksimointi minimointi ja päinvastoin Muuttuja ei-positiivinen muuttuja einegatiivinen Muuttuja rajoittamaton muuttuja einegatiivinen Epäyhtälörajoitteen suunnan muuttaminen Yhtälörajoite epäyhtälörajoite Epäyhtälörajoite yhtälörajoite kevät 2012 TIEA382 Lineaarinen ja diskreetti optimointi

Optimointitehtävien muunnoksia max = min c j x j = min ( c j )x j c j x j kun c j := c j min = max vastaavasti 21

x j 0 = x j 0 = x j 0 kun x j := x j x j R (rajoittamaton) = x + j, x j 0 kun x+ j x j := x j 22

= a ij x j b i = ( a ij )x j ( b i ) a ij x j b i kun a ij := a ij, b i := b i = vastaavasti 23

a ij x j = b i = a ij x j b i a ij x j b i =... 24

a ij x j b i = a ij x j + y i = b i y i 0 (puutemuuttuja) = n+1 a ij x j = b i kun x n+1 := y i, a i,n+1 := 1, ja c n+1 := 0, a j,n+1 := 0 j i 25

a ij x j b i = a ij x j z i = b i z i 0 (ylijäämämuuttuja) = n+1 a ij x j = b i kun x n+1 := z i, a i,n+1 := 1, ja c n+1 := 0, a j,n+1 := 0 j i 26

a ij x j b i = M a ij x j b i kun M suuri luku a ij x j b i = b i a ij x j M kun M suuri luku a ij x j = b i = b i a ij x j b i 27

x j = 0 tai 1, c j < 0 = x j = 0 tai 1, c j > 0 kun x j := 1 x j, c j := c j (lisäksi objektifunktioon tulee vakiotermi c j ) 28

Lineaarisen yhtälöryhmän perusmuoto Perusmuoto: Jokaisessa yhtälössä on yksi muuttuja, jonka kerroin kyseisessä yhtälössä on 1 ja kaikissa muissa yhtälöissä 0 Perusmuuttuja: Edellä mainitut muuttujat (yhteensä m eri muuttujaa) Perusratkaisu: Ei-perusmuuttujat nollia, perusmuuttujat ratkaistaan Jos optimointitehtävässä lisäksi rajoite x j 0, j = 1,..., n, niin: Sallittu perusratkaisu: Perusratkaisu, jonka kaikki komponentit ei-negatiivisia 29

Esimerkki Perusmuoto: x 1 + 2x 2 + x 3 = 6 x 1 + x 2 + x 4 = 4 Perusmuuttujat: x 3, x 4 Perusratkaisu: x 1 = 0 x 2 = 0 x 3 = 6 x 4 = 4 (sallittu) 30

x 1 = 2 + x 3 2x 4 (x 1, x 2, x 3, x 4 ) = (2,2,0,0) x 2 = 2 x 3 + x 4 (sallittu) x 1 = 4 x 2 x 4 (x 1, x 2, x 3, x 4 ) = (4,0,2,0) x 3 = 2 x 2 + x 4 (sallittu) x 1 = 6 2x 2 x 3 (x 1, x 2, x 3, x 4 ) = (6,0,0, 2) x 4 = 2 + x 2 + x 3 (ei sallittu) 31

x 2 = 4 x 1 x 4 x 3 = 2 + x 1 + 2x 4 (x 1, x 2, x 3, x 4 ) = (0,4, 2,0) (ei sallittu) x 2 = 3 1 2 x 1 1 2 x 3 x 4 = 1 1 2 x 1 + 1 2 x 3 (x 1, x 2, x 3, x 4 ) = (0,3,0,1) (sallittu) x 3 = 6 x 1 2x 2 (x 1, x 2, x 3, x 4 ) = (0,0,6,4) x 4 = 4 x 1 x 2 (sallittu) 32

Lineaarisen yhtälöryhmän perusmuoto ja perusratkaisu = a ij x j = b i k=1 a jk x k = b j i = 1,..., m j = 1,..., m = k B a jk x k + k/ B a jk x k = b j j = 1,..., m missä B = { perusmuuttujien indeksit } = { perussarakkeet } 33

k B a jk x k + k/ B a jk x k = b j j = 1,..., m = Perusmuoto: x j = b j k/ B ā jk x k j B = Perusratkaisu: x j = b j j B x j = 0 j / B Perusratkaisu on sallittu, jos b j 0 kaikilla j B 34

Monitahokkaan kärkipisteet Piste x C on konveksin monitahokkaan C R n kärkipiste, jos ei ole olemassa pisteitä u C ja v C siten, että x = (u + v)/2 ja u v 35

Sallittu alue C: a ij x j = b i x j 0 j = 1,..., n i = 1,..., m Perusmuoto: x j = b j k/ B ā jk x k j B Sallittu perusratkaisu: x j = b j 0 x j = 0 j B j / B 36

Oletetaan, että x = (x 1,..., x n ) ei ole sallitun alueen C kärkipiste = on olemassa u,v C siten, että x = (u + v)/2 ja u v = u j = v j = 0 kun j / B, sillä x j = (u j + v j )/2 = 0 ja u j, v j 0 = u j = v j = b j kun j B, sillä u ja v toteuttavat perusmuodon = u = v = ristiriita = Sallittu perusratkaisu on sallitun alueen kärkipiste 37

JYVÄSKYLÄN YLIOPISTO Esimerkki Sallittu alue Tehtävä: Muodosta vastaava lineaarinen yhtälöryhmä ja etsi sallitut perusratkaisut kevät 2012 TIEA382 Lineaarinen ja diskreetti optimointi

Esimerkki Sallittu alue: x 1 + 2x 2 + x 3 = 6 x 1 + 2x 2 6 x 1 + x 2 + x 4 = 4 x 1 + x 2 4 x 1, x 2, x 3, x 4 0 x 1, x 2 0 Sallitut perusratkaisut R 4 :ssa: Projektiot R 2 :een: (2,2,0,0) (2,2) (4,0,2,0) (4,0) (0,3,0,1) (0,3) (0,0,6,4) (0,0) 38

Lineaarisen optimointitehtävän perusmuoto Muunnetaan tehtävä muotoon: min kun c j x j a ij x j = b i x j 0 j = 1,..., n i = 1,..., m Muunnetaan yhtälörajoitteet perusmuotoon: x j = b j ā jk x k k/ B j B 39

Eliminoidaan perusmuuttujat objektifunktiosta: c j x j = c j x j + j B j / B c j x j = j B c j ( b j k/ B ā jk x k ) + j / B c j x j = j B c j b j j B k/ B c j ā jk x k + k/ B c k x k = j B c j b j + k/ B (c k j B c j ā jk )x k = j B c j b j + k/ B c k x k 40

Tehtävä perusmuodossa: min j B c j b j + j / B c j x j kun x j = b j k/ B ā jk x k j B x j 0 j = 1,..., n 41

b j 0 kaikilla j B = vastaava perusratkaisu on sallittu ja objektifunktion arvo siinä on c j b j + c j x j = c j b j = vakio j B j / B j B c j 0 kaikilla j / B = objektifunktion arvo ei voi enää pienetä, sillä x j ei voi olla negatiivinen = Jos c j 0 kaikilla j / B ja b j 0 kaikilla j B, niin perusratkaisu on optimointitehtävän ratkaisu Huom: Optimointitehtävällä voi olla useita ratkaisuja 42