Malliratkaisut Demot

Samankaltaiset tiedostot
Harjoitus 5 ( )

Harjoitus 5 ( )

Malliratkaisut Demot

Malliratkaisut Demot

Malliratkaisut Demot

Malliratkaisut Demo 1

Malliratkaisut Demot

Malliratkaisut Demot 6,

Malliratkaisut Demo 4

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

Malliratkaisut Demot

Malliratkaisut Demot

Malliratkaisut Demot

Malliratkaisut Demot

Harjoitus 1 ( )

1 Kertaus. Lineaarinen optimointitehtävä on muotoa:

Lineaarinen optimointitehtävä

Lineaarisen kokonaislukuoptimointitehtävän ratkaiseminen

Harjoitus 6 ( )

Harjoitus 1 ( )

Harjoitus 3 ( )

Harjoitus 6 ( )

Kokonaislukuoptimointi

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

Harjoitus 3 ( )

Harjoitus 4: Matlab - Optimization Toolbox

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä

Demo 1: Branch & Bound

Kimppu-suodatus-menetelmä

Malliratkaisut Demo 4

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

Harjoitus 7: vastausvihjeet

Malliratkaisut Demot 5,

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

Lineaarinen optimointitehtävä

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

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

MS-C2105 Optimoinnin perusteet Malliratkaisut 4

Demo 1: Simplex-menetelmä

JYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö

Harjoitus 8: Excel - Optimointi

Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi.

TEKNILLINEN TIEDEKUNTA, MATEMATIIKAN JAOS

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Kahden suoran leikkauspiste ja välinen kulma (suoraparvia)

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

Piiri K 1 K 2 K 3 K 4 R R

Luento 9: Yhtälörajoitukset optimoinnissa

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

Esimerkkejä kokonaislukuoptimointiongelmista

6. Luennon sisältö. Lineaarisen optimoinnin duaaliteoriaa

4.5 Kaksivaiheinen menetelmä simplex algoritmin alustukseen

Talousmatematiikan perusteet

Demo 1: Excelin Solver -liitännäinen

Harjoitus 2 ( )

Luento 6: Monitavoitteinen optimointi

1 Rajoitettu optimointi I

Luento 3: Simplex-menetelmä

Osakesalkun optimointi. Anni Halkola Turun yliopisto 2016

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

1. Lineaarinen optimointi

Haitallinen valikoituminen: yleinen malli ja sen ratkaisu

Luento 7: Kokonaislukuoptimointi

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

Kokonaislukuoptimointi hissiryhmän ohjauksessa

Harjoitus 2 ( )

Ellipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

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

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

Osakesalkun optimointi

Lineaarisen ohjelman määritelmä. Joonas Vanninen

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

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

2 Konveksisuus ja ratkaisun olemassaolo

2 Pistejoukko koordinaatistossa

Optimoinnin sovellukset

Tuotantoprosessin optimaalinen aikataulutus (valmiin työn esittely)

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

13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y )

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Malliratkaisut Demot

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

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

Demo 1: Lineaarisen tehtävän ratkaiseminen graafisesti ja Solverilla

y + 4y = 0 (1) λ = 0

Talousmatematiikan perusteet

1 Rajoittamaton optimointi

7 Vapaus. 7.1 Vapauden määritelmä

Mat Dynaaminen optimointi, mallivastaukset, kierros 5

Matematiikan ja tilastotieteen laitos Matematiikka tutuksi Harjoitus 2, malliratkaisut

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

Luento 4: Lineaarisen tehtävän duaali

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!

Uolevin reitti. Kuvaus. Syöte (stdin) Tuloste (stdout) Esimerkki 1. Esimerkki 2

Matematiikan tukikurssi, kurssikerta 3

Kon Konepajojen tuotannonohjaus: ILOG CPLEX Studion käyttö

Ohjeita LINDOn ja LINGOn käyttöön

Transkriptio:

Malliratkaisut Demot 5 10.4.2017 Tehtävä 1 x 2 7 0,7 9,8 6 5 4 x 1 x 2 7 x 1 x 2 1 3 2 x 1 0 4,3 x 1 9 1 0,0 x 2 0 9,0 1 2 3 4 5 6 7 8 9 x 1 Kuva 1: Tehtävän 1 sallittu joukko S Optimointitehtävän sallittu alue S on pisteiden (0,0), (0,7), (4,3), (9,8) ja (9,0) määräämä viisikulmio. Kyseinen alue saadaan seuraavien rajoitusten avulla: x 1 0 x 2 0 x 1 9 x 1 +x 2 7 tai x 1 +x 2 1. (1) Ylläoleva tehtävä ei ole standardimuotoa olevan optimointitehtävän rajoitejoukko, koska kahdesta viimeistä rajoituksesta vain toisen tarvitsee olla voimassa (standardimuotoa olevassa ongelmassa vaaditaan että kaikki rajoitukset ovat voimassa). Rajoitteiden muuntamiseksi standardimuotoon otetaan käyttöön muuttuja y {0,1} ja korvataan kaksi viimeistä rajoitetta ehdolla x 1 +x 2 7+My x 1 +x 2 1+M(1 y), missä M on riittävän suuri luku. Perustelu edelliselle on seuraava: Jos y = 0 niin ylläolevista yhtälöistä saadaan x 1 +x 2 7 (2) x 1 +x 2 1+M. 1

Jos taas y = 1, niin saadaan x 1 +x 2 7+M x 1 +x 2 1. (3) Ylläolevasta havaitaan, että kun y = 0 ja M > 0 on riittävän suuri, saadaan rajoitteet, joista vain ensimmäinen rajoittaa sallittua joukkoa (toinen toteutuu joka tapauksessa muiden rajoitteiden määrittämässä joukossa joten se vastaa tyhjää rajoitetta). Toisaalta kun y = 1 ja M on riittävän suuri, saadaan rajoitteet, joista vain jälkimmäinen rajoittaa sallittua joukkoa (ensimmäinen toteutuu joka tapauksessa muiden rajoitteiden määrittämässä joukossa joten se vastaa tyhjää rajoitetta). Toisin sanoen muunnetut rajoitteet määrittävät saman joukon kuin yhtälöt (1), kun M on riittävän suuri. Mutta miten suuri arvon M pitää olla? Jos y = 0, niin piste (0,7) S ja tällöin sijoittamalla piste (0,7) yhtälöistä (2) jälkimmäiseen saadaan x 1 +x 2 1+M 7 1+M M 8. Jos taasy = 1, niin piste (9,8) S ja sijoittamalla piste(9,8) yhtälöistä (3) ensimmäiseen saadaan x 1 +x 2 7+M 17 7+M M 10. Jos nyt valitaan M:n arvoista suurempi eli M = 10, niin tehtävässä pyydetyt rajoitteet voidaan kirjoittaa muotoon x 1 +x 2 7+10y x 1 +x 2 9 10y x 1 9 x 1,x 2 0 y {0,1}. Huomaa että lineaarisen optimointitehtävän rajoitejoukko (sallittu alue) on konveksi. Tässä tehtävässä käsitelty viisikulmio ei ole konveksi. 2

Tehtävä 2 Valitaan seuraavat päätösmuuttujat: x i = toimittajalta i (i = 1,2,3) ostettavien tietokoneiden määrä 1, jos ostetaan toimittajalta i (eli x i > 0) y i = 0, jos ei osteta toimittajalta i (eli x i = 0). Kirjoitetaan sitten annettujen tietojen perusteella kokonaislukuoptimointitehtävä min 2500x 1 +2500y 1 +1750x 2 +2000y 2 +1250x 3 +3000y 3 s.t. x 1 +x 2 +x 3 = 1100 x 1 500y 1 x 2 900y 2 x 3 400y 3 x i 0 x i N y i {0,1}. Kohdefunktiossa päätösmuuttujienx i kertoimet vastaavat laitteiden kappalehintaa ja päätösmuuttujien y i kertoimet kiinteitä toimituskustannuksia. CPLEX antaa tehtävän ratkaisuksi x 1 = 0 x 2 = 700 x 3 = 400 y 1 = 0 y 2 = 1 y 3 = 1 f(x ;y ) = 1 730 000. 3

Tehtävä 3 Tehtävä on job shop -tyyppiä. Luonteeltaan tehtävä on jatkuva, joten kohdefunktioksi voisi olla hyvä valita keskimääräinen käsittelyaika eli keskimääräinen valmistusaika. Valitaan päätösmuuttujat x jk = työn j aloitushetki koneella k 1, jos työ j tehdään ennen työtä l koneella k y jlk = 0, muuten. Valitaan lisäksi kohdefunktio siten, että minimoidaan töiden myöhäisintä keskimääräistä valmistusaikaa (eli keskimääräistä aikaa jolloin työ tulee viimeiseltä koneelta ulos). Tällöin saadaan kokonaislukuoptimointitehtävä (ks. luentomonisteen luku 3.7) min 1 3 (x 13 +14+x 22 +4+x 33 +8) s.t. x 11 +10 x 12, x 12 +3 x 13 x 21 +2 x 23, x 23 +1 x 22 x 32 +6 x 31, x 31 +12 x 33 x 11 +10 x 21 +M(1 y 121 ), x 21 +2 x 11 +My 121 x 11 +10 x 31 +M(1 y 131 ), x 31 +12 x 11 +My 131 x 21 +2 x 31 +M(1 y 231 ), x 31 +12 x 21 +My 231 x 12 +3 x 22 +M(1 y 122 ), x 22 +4 x 12 +My 122 x 12 +3 x 32 +M(1 y 132 ), x 32 +6 x 12 +My 132 x 22 +4 x 32 +M(1 y 232 ), x 32 +6 x 22 +My 232 x 13 +14 x 23 +M(1 y 123 ), x 23 +1 x 13 +My 123 x 13 +14 x 33 +M(1 y 133 ), x 33 +8 x 13 +My 133 x 23 +1 x 33 +M(1 y 233 ), x 33 +8 x 23 +My 233 x ij 0 x ij N y ijk {0,1}. Kaikkien töiden yhteiskesto antaa M:lle alarajan, joten voidaan valita M 3 3 p jk = 60. j=1 k=1 4

CPLEXillä saadaan tehtävän ratkaisuksi x 11 = 3, x 12 = 13, x 13 = 16 x 21 = 0, x 22 = 3, x 23 = 2 x 31 = 18, x 32 = 7, x 33 = 30 ja kohdefunktion arvoksi tulee f(x ) = 25. Ratkaisua on havainnollistettu kuvassa 2. Tehtävän täsmällinen muotoilu on melko työläs, mutta sen ratkaisu on optimaalinen. Tämän tyyppisessä ongelmassa on mahdollista käyttää myös erilaisia heuristisia menetelmiä kuten LPT (longest process time) tai SPT (shortest process time), joka on ahne algoritmi. Näillä heuristiikoilla ei välttämättä löydetä optimia. k 1 t 2 t 1 t 3 k 2 t 2 t 3 t 1 t 2 t 1 t 3 k 3 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 x 21 x 23 x 11 x 22 x 32 x 12 x 13 x 31 x 33 Kuva 2: Tehtävän 3 työaikataulu Tehtävä 4 Valitaan päätösmuuttujat 1, jos laatikko i pinoon j x ij = 0, muuten, missä i = 1,...,n ja j = 1,...,m. Pinon j korkeus on tällöin Nyt voidaan kirjoittaa optimointitehtävä { n } min h i x ij s.t. max j=1,...,m i=1 m x ij = 1, i = 1,...,n j=1 x ij {0,1}, i,j. n h i x ij. i=1 (jokainen laatikko tasan yhteen pinoon) 5

Optimointitehtävän linearisoitu muoto on min u n s.t. h i x ij u, j = 1,...,m i=1 m x ij = 1, i = 1,...,n j=1 x ij {0,1} i,j. Tehtävä 5 A 1 2 B D 3 4 5 C Kuva 3: Tehtävän 5 kuva Tarkastellaan peitto-ongelmaa, jossa museoon pitää sijoitella vartijoita. Olkoon ylin huone A, sen alapuolella vasemmalla huone B ja oikealla C sekä vasemmassa alakulmassa huone D. Numeroidaan oviaukot luvuilla 1,..., 5 järjestyksessä vasemmalta oikealle ja ylhäältä alas. Valitaan sitten päätösmuuttujiksi 1, jos ovella i on vartija (i = 1,2,...,5) x i = 0, muuten, jolloin voidaan kirjoittaa optimointitehtävä min x 1 +x 2 +x 3 +x 4 +x 5 s.t. x 1 +x 2 1 (huone A) x 1 +x 3 +x 4 1 (huone B) x 2 +x 3 +x 5 1 (huone C) x 4 +x 5 1 (huone D) x i {0,1}. Tehtävän ratkaisuksi saadaan joko x 2 = x 4 = 1, x 1 = x 3 = x 5 = 0 tai x 1 = x 5 = 1, x 2 = x 3 = x 4 = 0. Kummassakin tapauksessa kohdefunktio f(x ) = 2, joten tarvitaan kaksi vartijaa. 6