Kokonaislukuoptimointi

Samankaltaiset tiedostot
Mat Lineaarinen ohjelmointi

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

Mat Lineaarinen ohjelmointi

Luento 6 Luotettavuus Koherentit järjestelmät

3.5 Generoivat funktiot ja momentit

Kokonaislukutehtävien formulointeja ( ) 1.4) Mirko Ruokokoski S ysteemianalyysin. Laboratorio. Mirko Ruokokoski

TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat Sovelletun matematiikan erikoistyö. Ei-normaalisten tuottojakaumien mallintaminen

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

Tarkastellaan kuvan 8.1 (a) lineaarista nelitahoista elementtiä, jonka solmut sijaitsevat elementin kärkipisteissä ja niiden koordinaatit ovat ( xi

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

Uuden eläkelaitoslain vaikutus allokaatiovalintaan

4. A priori menetelmät

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

7. Modulit Modulit ja lineaarikuvaukset.

Mat Lineaarinen ohjelmointi

6. Stokastiset prosessit (2)

VERKKOJEN MITOITUKSESTA

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

11. Vektorifunktion derivaatta. Ketjusääntö

Jäykän kappaleen liike

Johdatus tekoälyn taustalla olevaan matematiikkaan

Epätäydelliset sopimukset

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:

ABTEKNILLINEN KORKEAKOULU

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

Simplex-menetelm. S ysteemianalyysin. 11. luento: Duaali-simplex. 1. vaiheen duaali-simplex. Hinnoittelu. Pivot-rivin laskeminen. Degeneroituneisuus

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

AB TEKNILLINEN KORKEAKOULU

HASSEN-WEILIN LAUSE. Kertausta

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

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Sovellettu todennäköisyyslasku A

Monte Carlo -menetelmä

Äärellisten ryhmien hajotelmat suoriksi tuloiksi

Painokerroin-, epsilon-rajoitusehtoja hybridimenetelmät

Jaksolliset ja toistuvat suoritukset

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

T p = 0. λ n i T i B = Käytetään kohdan (i) identiteetin todistamiseen induktiotodistusta. : Oletetaan, että väite on totta, kun n = k.

Pro gradu -tutkielma. Whitneyn upotuslause. Teemu Saksala

Tilastollisen fysiikan luennot

Työssä tutustutaan harmonisen mekaanisen värähdysliikkeen ominaisuuksiin seuraavissa

38C. MEKAANISEN VÄRÄHTELYN TUTKIMINEN

Ilmari Juva. Jalkapallo-ottelun lopputuloksen stokastinen mallintaminen

3 Tilayhtälöiden numeerinen integrointi

3. Datan käsittely lyhyt katsaus

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

Galerkin in menetelmä

Matematiikan ja tilastotieteen laitos Johdatus diskreettiin matematiikkaan (Syksy 2008) 4. harjoitus Ratkaisuja (Jussi Martin)

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

Pyörimisliike. Haarto & Karhunen.

SMG-1100: PIIRIANALYYSI I

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

Pienimmän neliösumman menetelmä (PNS)

Pienimmän neliösumman menetelmä (PNS)

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

TODENNÄKÖISYYSLASKENNASTA 1

Kollektiivinen korvausvastuu

1, x < 0 tai x > 2a.

Todennäköisyyden aksioomat. Todennäköisyyden aksioomat. Todennäköisyyden aksioomat: Mitä opimme? 2/2. Todennäköisyyden aksioomat: Mitä opimme?

Mat Tilastollisen analyysin perusteet, kevät 2007

Tietojen laskentahetki λ α per ,15 0,18 per ,15 0,18 per tai myöhempi 0,20 0,18

Pienimmän neliösumman menetelmä (PNS)

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

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?

Kuluttajahintojen muutokset

Moderni portfolioteoria

Painotetun metriikan ja NBI menetelmä

SU/Vakuutusmatemaattinen yksikkö (6)

Mat Sovellettu todennäköisyyslasku A

on määritelty tarkemmin kohdassa 2.3 ja pi kohdassa 2.2.

Työllistääkö aktivointi?

Lähdemateriaalina käytetty Pertti Louneston kirjaa Clifford Algebras and spinors [1]

LASITETTUJEN PARVEKKEIDEN ÄÄNENERISTÄVYYDEN SUUNNITTELUOHJE

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

Puupintaisen sandwichkattoelementin. lujuuslaskelmat. Sisältö:

MO-teoria ja symmetria

SU/Vakuutusmatemaattinen yksikkö (5)

Suomen metsäkeskus. Zonation ja luonnonhoidon alueellinen suunnittelu yksityismetsissä

FORD ST _ST_Range_V2_ MY.indd FC1-FC3 27/06/ :24:01

Pienimmän Neliösumman menetelmä (PNS)

Ilkka Mellin (2008) 1/24

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

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

Raja-arvot. Osittaisderivaatat.

Rahastoonsiirtovelvoitteeseen, perustekorkoon ja vakuutusmaksukorkoon liittyvät laskentakaavat ja periaatteet

Käyttövarmuuden ja kunnossapidon perusteet, KSU-4310: Tentti ma

Lineaarikuvausten. Lineaarikuvaus. Lineaarikuvauksia. Ydin. Matriisin ydin. aiheita. Aiheet. Lineaarikuvaus. Lineaarikuvauksen matriisi

Konenäkö ja kuva-analyysi. Tuomo Rossi Jyväskylän yliopisto Tietotekniikan laitos

Aamukatsaus

6. Stokastiset prosessit

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

Hanna-Kaisa Hurme Teräksen tilastollinen rakenneanalyysi Diplomityö

menetelmän laskennalliset tekniikat Epäkäyvän kantaratkaisun parantaminen

Kanoniset muunnokset

Sähkömarkkinoiden ennusteita

Eräs Vaikutuskaavioiden ratkaisumenetelmä

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu

Baltian Tie 2001 ratkaisuja

Valtuustoon nähden sitovat mittarit

Transkriptio:

Kokonaslukuotmont Robust dskreett otmont ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28

sältö Robustn lneaarsen kokonasluku- sekä sekalukuotmontongelman formulont Päätulos: Robust ongelma vodaan muotolla determnstsenä sekalukuotmontongelmana Krassa lsäks 15 svua esmerkkeä ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28

Ongelman asettelu mn c' s.t. A b Z = 1... k ossa c Z n b Z m a A Z m n. Tavotteena mnmoda worst case -skenaarota ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28

Ongelman asettelu Oletetaan että a ~ a c ~ ovat raotettua symmetrsä a rumattoma satunnasmuuttua os lsäks b on satunnanen lsäämällä muuttua tehtävä vodaan alauttaa yllä olevaan tehtävään Merktään a ~ a = E~ a a [ ˆ a a a c ~ [ c c d ] aˆ ] ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28

Ongelman asettelu Lsätään malln oustavuutta lsäämällä kokonaslukuarametrt Γ ] mssä { aˆ > = [ Parametrella vodaan atkossa kontrolloda kunka monen satunnasmuuttuan salltaan okkeavan keskarvostaan yhtä akaa Vastaavast määrtellään Γ ] mssä = { d > }. }. [ ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28

ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28 Robust lneaarnen otmontongelma Lause 14.1. Yllä oleva ongelma vodaan muotolla lneaarseks sekalukuotmontongelmaks.. 1... 1... ˆ ma ' s.t. ma ' mn } { } { m Z m b a a d c = = Γ Γ

Lauseen 14.1 todstus Osotetaan ensn että raotusehdot vodaan esttää lneaarsna raotuksna: Knntetään * * * a määrtellään β ( ) = ma aˆ { Γ } Huomataan että * * ysteemanalyysn Laboratoro Teknllnen korkeakoulu β ( ) ma 1 Yllä olyhedraaloukko on kokonaslukukärknen sks väte ätee = s.t. aˆ (14.4) Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28 Γ

Lauseen 14.1 todstus Ongelman (14.4) duaalongelma on mn s.t. Γ aˆ * (14.5) Vastaava lasku vodaan tehdä kohdefunktolle ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28

ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28 Lauseen 14.1 todstus Z y -y y y a y d b o Γ Γ ˆ s.t. mn a' c'

Havantoa Alkueräsessä ongelmassa n muuttuaa a m raotetta robustssa ongelmassa 2nml muuttuaa a 2nml raotetta. Determnstsen a stä vastaavan robustn ongelman komlekssuus ovat samat (vrt. stokastnen dynaamnen ohelmont) Robust ongelma ruu anoastaan satunnasmuuttuen maaloukosta e akaumasta ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28

Robust roektn hallnta ma c s.t. w n {1} b on roekten muodostama vektor tavotteena toteuttaa mahdollsmman monta roekta mutta nden kustannuksa e tunneta tarkast w ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28

Robust roektn hallnta ma c s.t. w ma { N Γ} δ b {1} n δ on 1% keskarvosta b=4 ovat välltä 2-3 a välltä 16-77. c w ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28

Robust roektn hallnta Raoterkko tod.näk Otmarvo.5 5592 % 3.449 5585.13% 37.571 556 1.54% 2 5283 5.5% uhteellnen ero determnstseen taaukseen Taulukossa raoterkko tarkottaa todennäkösyyttä että budettraote rkkoutuu (ks. kran lause 14.2) ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28