TNK049 Optimeringslära
|
|
- Martin Dahlberg
- för 6 år sedan
- Visningar:
Transkript
1 TNK049 Optimeringslära Clas Rydergren, ITN Föreläsning 9 Icke-linjär optimering Konveitet Metoder ör problem utan bivillkor Optimalitetsvillkor ör icke-linjära problem
2 Icke-linjär programmering Non-linear programming (NLP) Problem i kontinuerliga variabler. min då g i ( ( ) ) b i, i = K m Minst en av (), ( ), i g i är ickelinjär Förkortningen ILP står i engelsk litteratur otast ör Integer Linear Programming, dvs linjära heltalsproblem.
3 Övertid jämört med stordrit Som en del i en linjär produktionsplaneringsmodell, där vi vill minimera kostnaden, har vi en variabel som är örenad med kostnaden c. Jämör nu öljande två all: Över en viss gräns = u måste produktionen ske på övertid, dvs c ersätts med d > c, ör alla > u. z d c e Över en viss gräns = u uppnår man stordrit i produktionen, dvs c ersätts med e < c ör alla > u. = u Vilket av allen är knepigast att hantera? Varör? 3
4 Olika typer av icke-linjär programmering Ota är samband inte linjära Skalördelar Avstånd Mekanik/konstruktion Ingen universalalgoritm inns Anpassa algoritm till problem Ota mycket svårlösta problem Eempel klassiiceringar Med visavi utan bivillkor Linjära visavi ickelinjära bivillkor Konvet visavi icke-konvet problem När man pratar om icke-linjära (nonlinear) problem brukar man normalt också örutsätta att det är problem i kontinuerliga variabler. 4
5 Sökmetoder ör icke-linjär programmering Sökmetoder bygger otast på att lösa örenklade/approimativa problem Otast hittar sökmetoder lokala optimum och ibland bara lokala stationära punkter Konvea problem enklare att hantera Varje lokalt optimum är också ett globalt optimum. 5
6 Konveitet Konvet problem Minimera konve unktion över konvet område Alternativt maimera en konkav unktion över ett konvet område. Konvea unktioner Summan av konvea unktioner konve unktion Eempel: = e Om g() är konve, och h(y) är konve och icke-avtagande, så måste = h g vara en konve unktion. Eempel: = e +4 Konvea mängder Konve unktion begränsad uppåt är en konve mängd X = g i b i, i Skärningen (snittet) av konvea mängder är en konve mängd X = X X X p där X, X,, X p är konvea mängder. Skärning av icke-konvea mängder kan vara konve mängd. 6
7 Undersöka konveitet Betrakta (). En unktion kan vara Konve Strikt konve Konkav Strikt konkav Varken konve eller konkav (Både konve och konkav) Inör gradienten Vektor av partiella derivatorer: Inör Hessianen Matris av partiella andraderivatorer Man kan se Hessianen som en Jacobian till gradient-unktionen. Hessianen tecknas ibland. = n ) ( = ) ( n n n H K K K 7
8 Konvea unktioner = ) ( h = ) ( h K = ) ( h 3 Beräkna Hessianens egenvärden, λ Om λ i > 0 0, i är H() positivt (semi-) deinit, och då är () strikt konve (konve) Studera ledande underdeterminanterna Beteckna Om det h i > 0 i, är H() positivt deinit. Eempel! 8
9 Obegränsad optimering Obegränsad = utan bivillkor (kap 0) Kallas unconstrained på engelska. Mängden tillåtna lösningar är obegränsad. Ma/Min till målunktionen är normalt begränsade. Obegränsad = oändlig Kallas unbounded på engelska. Mängden tillåtna lösningar är begränsad eller obegränsad. Ma eller min till unktionen saknas: (ör min), eller + (ör ma) på mängden tillåtna lösningar. 9
10 Optimalitet i optimeringsproblem utan bivillkor Nödvändiga villkor Om skall vara optimum till min (), måste ( ) = 0. Tillräckliga villkor Om ( ) = 0 och () konve är (globalt) optimum till min (). Begrepp Descentriktning d (k) : (k) d k < 0. Riktning i vilken unktionsvärdet minskar. Ascentriktning d (k) : (k) d k > 0. Riktning i vilken unktionsvärdet ökar. Descentriktningar * ( * ) 0
11 Sökmetoder i jämörelse Steg Allmänt 0 Utgå rån en tillåten lösning, Utan bivillkor (icke-linjärt) Valri punkt (allt tillåtet) Bestäm tillåten och örbättrande sökriktning Se på gradient (Brantaste lutning)/ Hessian (Newton) Bestäm steglängd Linjesökning 3 Uppdatera och upprepa Uppdatera och upprepa.
12 Brantaste lutning-metoden (Steepest descent method) 0) Börja i valri punkt, (0) Sätt k = 0 ) Beräkna sökriktning Beräkna gradienten (k) Sökriktning ges av Maproblem: d (k) = (k) Minproblem: d (k) = (k) ) Kontrollera avbrottskriterium 3) Bestäm steglängd, t (k) Gör linjesökning t (k) = arg min t 0 k + t d (k) Analytiskt om möjligt (Se även kap 0.4) 4) Beräkna ny punktsteglängd (k+) = (k) + t (k) d (k) 5) Sätt k = k + och gå till Avbryt om (k) < ε 0 (k) (tillräckligt nära) optimum. Alternativa kriterier inns!
13 Newtons metod (Newton s method) 0) Börja i valri punkt, (0) Sätt k = 0 ) Beräkna sökriktning Beräkna gradienten (k) Beräkna hessianen H (k) Och dess invers H (k) Sökriktning ges av H (k) (k) ör både ma- och minproblem. ) Kontrollera avbrottskriterium 3) Bestäm steglängd, t (k) t (k) om Newtons metod Linjesökning (se kap 0.4) ger Newtons modiierade metod. 4) Beräkna ny punktsteglängd (k+) = (k) + t (k) d (k) 5) Sätt k = k + och gå till Avbryt om (k) < ε 0 3 (k) (tillräckligt nära) optimum. Alternativa kriterier inns!
14 Modiierade Newton-metoder Totala beräkningstiden viktigast I varje iteration behövs en riktning och en steglängd. Approimera ör att hitta riktning Om tidsbesparande T e approimera Hessianen Ger Marquardts modiiering eller kvasi-newton-metoder Approimera ör att hitta steglängd Om tidsbesparande kan man använda en ineakt (ickeanalytiskt) beräknad steglängd 4
15 Linjesökning Hur bestämmer man optimal steglängd? Analytiskt (ungerar enbart i små all eller all med speciell struktur där den kan härledas ram). Approimativt Gyllene snitt Intervall-halvering Newton Raphson Armijos metod Det är den totala beräkningstiden som är intressant! Ibland tar det lång tid bara att evaluera () ör olika! 5
16 Optimalitetsvillkor ör icke-linjära problem För optimeringsproblemet min, då g i b i, i är lokalt optimum om Karush Kuhn Tucker-villkoren (KKT-villkoren) nedan är uppyllda. Dual tillåtenhet Målunktionsgradienten ligger i den kon som bildas av de (bindande) bivillkorens normaler: = v i g i i v i 0, i Primal tillåtenhet, g i b i, i Komplementaritet, v i g i b i = 0, i 6
17 Graisk tolkning av optimalitetsvillkoren min ( ), då g i ( ) b, i. i g ( 3 ) Tillåtet område här! * g ( ) g ( ) g ( * ) g ( * ) 3 ( * ) 7
18 Uppgit 9.6: Inör Lektion 9 Koveitet. Dela upp målunktionen i tre delar, utnyttja Sats 9.4. Bivillkoren kan undersökas ett och ett, utnyttja Sats 9.. Uppgit 0.5: Ett konvet problem utan bivillkor. Brantaste lutnings-metoden. Newtons metod. 8
19
TNK049 Optimeringslära
TNK049 Optimeringslära Clas Rydergren, ITN Föreläsning 3 Problemklassificering Global/lokal optimalitet Konvexitet Generella sökmetoder Agenda Problemklassificering (kap 1.4, 2.1 2.3) Lokalt/globalt optimum
Optimalitetsvillkor. Optimum? Matematisk notation. Optimum? Definition. Definition
Optimum? När man har formulerat sin optimeringsmodell vill man lösa den Dvs finna en optimal lösning, x, till modellen Nästan alltid: Sökmetoder: Stå i en punkt, gå till en annan (bättre Upprepa, tills
Extrempunkt. Polyeder
Optimum? När man har formulerat sin optimeringsmodell vill man lösa den. Dvs. finna en optimal lösning, x, till modellen. Nästan alltid: Sökmetoder: Stå i en punkt, gå till en annan bättre. Upprepa, tills
TNSL05 Optimering, Modellering och Planering. Föreläsning 6
TNSL05 Optimering, Modellering och Planering Föreläsning 6 Agenda Kursens status Tolkning av utdata Intro lösningsmetoder Linjära optimeringsproblem (LP) på standardform Algebraisk formulering av LP Konveitet
TNK049 Optimeringslära
TNK09 Optimeringslära Clas Rydergren ITN Föreläsning Simplemetoden på tablåform och algebraisk form Fas I (startlösning) Känslighetsanalys Tolkning av utdata Agenda Halvtidsutvärdering Simplemetoden (kap..8)
1 Ickelinjär optimering under bivillkor
Krister Svanberg, maj 2012 1 Ickelinjär optimering under bivillkor Hittills har vi behandlat optimeringsproblem där alla variabler x j kunnat röra sig fritt, oberoende av varann, och anta hur stora eller
Lösningsförslag till tentamen i SF1861 Optimeringslära för T. Onsdag 25 augusti 2010 kl
Lösningsförslag till tentamen i SF86 Optimeringslära för T. Onsdag 25 augusti 2 kl. 4. 9. Examinator: Per Enqvist, tel. 79 62 98. (a) Vi har ett nätverksflödesproblem med 5 noder. Låt x = (x 2, x 3, x
Olinjär optimering med bivillkor: KKT min f (x) då g i (x) 0 för alla i
Olinjär optimering med bivillkor min då f (x) g i (x) 0 för alla i Specialfall: Konvext problem. Linjära bivillkor: Ax b. Linjära likhetsbivillkor: Ax = b. Inga bivillkor: Hanterat tidigare. Metodprinciper:
Lösningsförslag till tentamen i SF1861 Optimeringslära för T. Torsdag 28 maj 2010 kl
Lösningsförslag till tentamen i SF86 Optimeringslära för T. Torsdag 28 maj 2 kl. 4. 9. Examinator: Per Enqvist, tel. 79 62 98. (a) Inför variablerna x = (x sr, x sm, x sp, x sa, x sd, x gr, x gm, x gp,
TNK049 Optimeringslära
TNK049 Optimeringslära Clas Rydergren, ITN Föreläsning 6 Det duala problemet Relationer primal dual Optimalitetsvillkor Nätverksoptimering (introduktion) Agenda Motivering av det duala problemet (kap 6.)
5B1817 Tillämpad ickelinjär optimering. Optimalitetsvillkor för problem med linjära bivillkor.
5B1817 Tillämpad ickelinjär optimering Föreläsning 2 Optimalitetsvillkor för problem med linjära bivillkor. A. Forsgren, KTH 1 Föreläsning 2 5B1817 2006/2007 Optimalitetsvillkor för ickelinjära programmeringsproblem
5B1817 Tillämpad ickelinjär optimering. Metoder för problem utan bivillkor, forts.
5B1817 Tillämpad ickelinjär optimering Föreläsning 5 Metoder för problem utan bivillkor, forts. A. Forsgren, KTH 1 Föreläsning 5 5B1817 2006/2007 Lösningar För en given metod blir en lösning den bästa
TNK049 Optimeringslära
TNK049 Optmerngslära Clas Rydergren, ITN Föreläsnng 10 Optmaltetsvllkor för cke-lnjära problem Icke-lnjär optmerng med bvllkor Frank Wolfe-metoden Agenda Optmaltetsvllkor för cke-lnjära problem Grafsk
Linjärprogramming. EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin
Linjärprogramming EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin 1 Kursmål Formulera korttidsplaneringsproblem för vatten- och värmekraftsystem. 2 Tillämpad matematisk programming Korttidsplanering
1 Duala problem vid linjär optimering
Krister Svanberg, april 2012 1 Duala problem vid linjär optimering Detta kapitel handlar om två centrala teoretiska resultat för LP, nämligen dualitetssatsen och komplementaritetssatsen. Först måste vi
Optimeringslära Kaj Holmberg
Tekniska Högskolan i Linköping Optimering för ingenjörer Matematiska Institutionen Lösning till tentamen Optimeringslära 26-6- Kaj Holmberg Lösningar Uppgift Hinkpackning (hink = tur med cykeln. Jag använder
z = min 3x 1 2x 2 + y Fixera y, vilket ger subproblemet
Bendersdekomposition Blandade heltalsproblem med ett stort antal kontinuerliga variabler och få heltalsvariabler. Mycket lättare att lösa om heltalsvariablerna fixeras. Bendersdekomposition (primal dekomposition)
TAOP14: Optimeringslära SAMMANFATTNING OSKAR QVIST:
2015 TAOP14: Optimeringslära SAMMANFATTNING OSKAR QVIST: OSKQV953@STUDENT.LIU.SE Innehållsförteckning Allmänt... 2 Om optimering... 3 Matematiska formuleringar av optimeringsproblem... 3 Linjärprogrammering
Optimeringslära Kaj Holmberg
Tekniska Högskolan i Linköping Optimering för ingenjörer Matematiska Institutionen Lösning till tentamen Optimeringslära 2018-01-02 Kaj Holmberg Lösningar Uppgift 1 1a: Den givna startlösningen är tillåten
Institutionen för Matematik TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1, TMA671 2009-01-16. DAG: Fredag 16 januari 2009 TID: 14.00-18.
Institutionen för Matematik Göteborg TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F, TMA67 9--6 DAG: Fredag 6 januari 9 TID: 4. - 8. SAL: V Ansvarig: Ivar Gustafsson, tel: 77 94 Förfrågningar: Ivar Gustafsson
Flervariabelanalys I2 Vintern Översikt föreläsningar läsvecka 2
Flervariabelanals I Vintern Översikt öreläsningar läsvecka Denna vecka ägnas nästan uteslutande åt problemet att hitta största och minsta värden till en unktion av lera variabler. Vi kommer att studera
Examinator: Torbjörn Larsson Jourhavande lärare: Torbjörn Larsson, tel Tentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP07/TEN1 OPTIMERINGSLÄRA GRUNDKURS för Y Datum: 21 augusti 2012 Tid: 14-19 Hjälpmedel: Inga Antal uppgifter: 7 Uppgifterna är inte ordnade efter svårighetsgrad.
Några kommentarer om optimering under bivillkor Thomas Andrén
Nåra kommentarer om optimerin under bivillkor Thomas Andrén Ett vanlit optimerinsproblem ber på att man vill inna de variabelvärden som ör att en unktion tar ett så stort eller litet värde som möjlit inom
TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1/TM1, TMA671 2015-04-18
Institutionen för Matematiska Vetenskaper Göteborg TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F/TM, TMA67 5-4-8 DAG: Lördag 8 april 5 TID: 8.3 -.3 SAL: V Ansvarig: Ivar Gustafsson, tel: 75-33545 Förfrågningar:
MICROECONOMICS Mid Sweden University, Sundsvall (Lecture 2) Peter Lohmander &
MICROECONOMICS 2018 Mid Sweden University, Sundsvall (Lecture 2) Peter Lohmander www.lohmander.com & Peter@Lohmander.com NYTT MÖTE: Diskutera Ert förslag till lämpligt problem med kursledaren (Peter Lohmander)
TAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM
Matematiska institutionen Optimeringslära TENTAMEN TAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM Datum: 23 augusti 2016 Tid: 8.00-13.00 Hjälpmedel: Miniräknare Kurslitteraturen: Kaj Holmberg:
Tentamen TMA946/MAN280 tillämpad optimeringslära
Tentamen TMA946/MAN80 tillämpad optimeringslära 01081 1. Uppgift: min z 3x 1 + x Då x 1 + x 6 x 1 + x x 1, x 0 Skriv på standardform m.h.aṡlackvariabler min z 3x 1 + x Då x 1 + x s 1 6 x 1 x + s x 1, x,
Y=konstant V 1. x=konstant. TANGENTPLAN OCH NORMALVEKTOR TILL YTAN z = f ( x, LINEARISERING NORMALVEKTOR (NORMALRIKTNING) TILL YTAN.
Tangentplan Linjära approimationer TANGENTPLAN OCH NORMALVEKTOR TILL YTAN z LINEARISERING NORMALVEKTOR NORMALRIKTNING TILL YTAN Låt z vara en dierentierbar unktion i punkten a b Då är N a b a b en normalvektor
Optimeringslära Kaj Holmberg
Tekniska Högskolan i Linköping Optimering för ingenjörer Matematiska Institutionen Lösning till tentamen Optimeringslära 2018-08-31 Kaj Holmberg Lösningar Uppgift 1 1a: Inför slackvariabler x 5, x 6 och
TNSL05 Optimering, Modellering och Planering. Föreläsning 10
TNSL05 Optimering, Modellering och Planering Föreläsning 10 Agenda Kursens status Repetition Flödesnätverk Optimalitetsvillkor LP och Minkostandsflöde (MKF) Nätverkssimplex Känslighetsanalys Exempel: MKF
5B1817 Tillämpad ickelinjär optimering. Kvadratisk programmering med olikhetsbivillkor Active-set metoder
5B1817 Tillämpad ickelinjär optimering Föreläsning 7 Kvadratisk programmering med olikhetsbivillkor Active-set metoder A. Forsgren, KTH 1 Föreläsning 7 5B1817 2006/2007 Kvadratisk programmering med olikhetsbivillkor
TAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM
Matematiska institutionen Optimeringslära TENTAMEN TAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM Datum: 19 april 2017 Tid: 14.00-19.00 Hjälpmedel: Miniräknare Kurslitteraturen: Kaj Holmberg:
En bijektion mellan två mängder A och B som har ändligt antal element kan finnas endast om mängderna har samma antal element.
Inversa unktion BIJEKTION, INJEKTION, SURJEKTION Allmän terminologi I samband med variabelbyte vid beräkning av integraler har vi en avbildning mellan två mängder A och B, dvs en unktion : A B Vi har otast
Lösningar till 5B1762 Optimeringslära för T, 24/5-07
Lösningar till 5B76 Optimeringslära för T, 4/5-7 Uppgift (a) Först använder vi Gauss Jordans metod på den givna matrisen A = Addition av gånger första raden till andra raden ger till resultat matrisen
Lösningar till tentan i SF1861 Optimeringslära, 1 juni 2017
Lösningar till tentan i SF86 Optimeringslära, juni 7 Lösningarna är på svenska, utom lösningen av (a som är på engelska (a The considered network is illustrated in FIGURE below, where the supply at the
Optimeringslara = matematik som syftar till att analysera och. Optimeringslara ar en gren av den tillampade matematiken.
Optimal = basta mojliga. Optimeringslara = matematik som syftar till att analysera och nna det basta mojliga. Anvands oftast till att nna ett basta handlingsalternativ i tekniska och ekonomiska beslutsproblem.
Optimering Linjär programmering
Optimering Linjär programmering Ett optimeringsprolem estår av: En målfunktion, f(), vars maimum, eller minimum ska sökas. En eller flera -varialer (eslutsvarialer som man str över). Eventuellt okså ett
Tentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP14/TEN 1 OPTIMERINGSLÄRA GRUNDKURS för I, Ii och TB Datum: 24 augusti 2009 Tid: 8.00-13.00 Hjälpmedel: Lundgren m fl: Optimeringslära och/eller Lundgren
Optimeringslära för T (SF1861)
Optimeringslära för T (SF1861) 1. Kursinformation 2. Exempel på optimeringsproblem 3. Introduktion till linjärprogrammering Introduktion - Ulf Jönsson & Per Enqvist 1 Linjärprogrammering Kursinformation
1 Konvexa optimeringsproblem grundläggande egenskaper
Krister Svanberg, april 2012 1 Konvexa optimeringsproblem grundläggande egenskaper Ett optimeringsproblem är i viss mening godartat om det tillåtna området är en konvex mängd och den målfunktion som ska
Optimeringslära Kaj Holmberg
Tekniska Högskolan i Linköping TAOP88 Matematiska Institutionen Lösning till tentamen Optimeringslära 9--7 Kaj Holmberg Lösningar Uppgift a: Inför slackvariabler x 5, x 6 och x 7 Starta med slackvariablerna
Institutionen för Matematik TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1, TMA DAG: Lördag 26 maj 2001 TID:
Institutionen för Matematik Göteborg TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F, TMA67 2-5-26 DAG: Lördag 26 maj 2 TID: 8.45-2.45 SAL: V Ansvarig: Ivar Gustafsson, tel: 772 94 (ankn. 94) Förfrågningar:
De optimeringsproblem som kommer att behandlas i denna kurs kan alla (i princip) skrivas. 1 2 xt Hx + c T x. minimera
Krister Svanberg, mars 2012 1 Introduktion De optimeringsproblem som kommer att behandlas i denna kurs kan alla (i princip) skrivas på följande allmänna form: f(x) (1.1) x F, där x = (x 1,..., x n ) T
Flöde i nätverk. Flöde i nätverk. Specialfall av minkostnadsflödesproblemet
Flöde i nätverk Graf: G = (N, B) Variabeldefinition: x ij = flöde i båge (i, j). Bågdata för båge (i, j): c ij : flödeskostnad per enhet. u ij : övre gräns för flödet. l ij : undre gräns för flödet. Bivillkor:
Vinsten (exklusive kostnaden för inköp av kemikalier) vid försäljning av 1 liter fönsterputs är 2 kr för F1 och 3 kr för F3.
TNSL05 (10) (5p) Uppgift 1 Företaget XAJA tillverkar två olika sorters rengöringsprodukter för fönsterputsning, benämnda F1 och F. Förutom vatten, som ingår i båda produkterna är, innehållet ett antal
x 4 a b X c d Figur 1. Funktionsgrafen y = f (x).
Konveitet En funktionsgraf, som inte är en rät linje, böjer ofta av åt ett bestämt håll i ett visst intervall. För en funktion som är deriverbar två gånger kan man med hjälp av andraderivatan ta reda på
EXAMENSARBETEN I MATEMATIK
EXAMENSARBETEN I MATEMATIK MATEMATISKA INSTITUTIONEN, STOCKHOLMS UNIVERSITET Heltalsoptimering av Mårten Knutsson 2007 - No 17 MATEMATISKA INSTITUTIONEN, STOCKHOLMS UNIVERSITET, 10691 STOCKHOLM Heltalsoptimering
TNK049 Optimeringslära
TNK049 Optimeringslära Clas Rydergren, ITN Föreläsning 1 Kursintroduktion Ämnesintroduktion Terminologi Tillämpningar Agenda Vilka personer medverkar i kursen? Kursupplägg Lärobok Laborationer Återkoppling
Institutionen för Matematiska Vetenskaper TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F1, TMA
Institutionen för Matematiska Vetenskaper Göteborg TENTAMEN I LINJÄR ALGEBRA OCH NUMERISK ANALYS F, TMA67-8-5 DAG: Onsdag 5 augusti TID: 8.3 -.3 SAL: V Ansvarig: Ivar Gustafsson, tel: 75-33545 Förfrågningar:
Icke-linjära ekvationer
stefan@it.uu.se Eempel f ( ) = e + = 5 3 f ( ) = + + 5= f (, y) = cos( ) sin ( ) + y = Kan endast i undantagsfall lösas eakt Kan sakna lösning, ha en lösning, ett visst antal lösningar eller oändligt många
Tentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER för EMM Datum: 2 augusti 2011 Tid: 8.00-1.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
TAOP07/TEN1 OPTIMERINGSLÄRA GRUNDKURS för Y. Antal uppgifter: 7 Uppgifterna är inte ordnade efter svårighetsgrad.
Matematiska institutionen Optimeringslära TENTAMEN TAOP07/TEN1 OPTIMERINGSLÄRA GRUNDKURS för Y Datum: 27 augusti 2013 Tid: 14-19 Hjälpmedel: Inga Antal uppgifter: 7 Uppgifterna är inte ordnade efter svårighetsgrad.
Lösningar till tentan i SF1861 Optimeringslära, 3 Juni, 2016
Lösningar till tentan i SF86 Optimeringslära, 3 Juni, 6 Uppgift (a) We note that each column in the matrix A contains one + and one, while all the other elements in the column are zeros We also note that
RELATIONER OCH FUNKTIONER
RELATIONER OCH FUNKTIONER 1 ORDNADE LISTOR (n-tipplar) Ordningen i en mängd spelar ingen roll Exempelvis {1,,3}={3,1,}={1,3,} För att beskriva listor med objekt där ordningen är viktigt använder vi rundparenteser
TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN OPTIMERING FÖR INGENJÖRER Datum: januari 0 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar i boken
TAOP52: Optimeringslära grundkurs
TAOP2: Optimeringslära grundkurs Nils-Hassan Quttineh Optimeringslära, MAI TAOP2: Föreläsning 1 2 Föreläsning 1: Kurspresenta3on och introduk3on 3ll op3meringslära Vad är op3meringslära och vad kan det
Optimering av dosplanering. Crister Ceberg
Optimering av dosplanering Crister Ceberg Optimering av dosplanering Introduktion Dosplanering Matematisk formulering Optimeringsvariabeln Målfunktionen Begränsningar Lösningsmetoder Realisering Optimering
Optimeringslära Kaj Holmberg
Tekniska Högskolan i Linköping Optimering för ingenjörer Matematiska Institutionen Lösning till tentamen Optimeringslära 28-5-3 Kaj Holmberg Lösningar Uppgift a: P: Grafisk lösning ger x = 2/7 = 2 6/7,
Föreläsning 7: Kvadratisk optimering. 4. Kvadratisk optimering under linjära bivillkor
Föreläsning 7: Kvadratisk optimering 1. Kvadratisk optimering utan bivillkor 2. Positivt definita och semidefinita matriser 3. LDL T faktorisering 4. Kvadratisk optimering under linjära bivillkor 5. Minsta
Icke-linjära ekvationer
stefan@it.uu.se Exempel x f ( x = e + x = 1 5 3 f ( x = x + x x+ 5= 0 f ( x, y = cos( x sin ( x + y = 1 Kan endast i undantagsfall lösas exakt Kan sakna lösning, ha en lösning, ett visst antal lösningar
Optimeringslära Kaj Holmberg
Tekniska Högskolan i Linköping TAOP88 Matematiska Institutionen Lösning till tentamen Optimeringslära 28--24 Kaj Holmberg Uppgift Lösningar a: Målfunktionen är summan av konvexa funktioner (kvadrater och
Föreläsning 10/11! Gruppuppgifter: Gruppuppgift 1: Alla har redovisat. Gruppuppgift 2: Alla har redovisat Gruppuppgift 3: På gång.
Föreläsning 10 Agenda Kursens status Repetition Flödesnätverk Optimalitetsvillkor LP och Minkostandsflöde (MKF) Nätverkssimplex Känslighetsanalys Exempel: MKF och Nätverkssimplex Föreläsning 10/11! Gruppuppgifter:
Tentamensinstruktioner
TNSL05 1(8) TENTAMEN Datum: 1 april 2016 Tid: XXX Sal: XXX Provkod: TEN1 Kursnamn: TNSL05 Optimering, modellering och planering Institution: ITN Antal uppgifter: 5 Betygskrav: För godkänt krävs normalt
LP-dualitet: Exempel. Vårt första exempel. LP-dualitet: Relationer. LP-dualitet: Generellt
Vårt första exempel Variabeldefinition: x 1 = antal enheter Optimus som görs varje timme. x 2 = antal enheter Rullmus som görs varje timme. Matematisk modell: max z = 4x 1 + 3x 2 då 2x 1 + 3x 2 30 (1)
Vårt första exempel. LP-dualitet: Exempel. LP-dualitet: Generellt. LP-dualitet: Relationer
Vårt första exempel Variabeldefinition: x 1 = antal enheter Optimus som görs varje timme. x 2 = antal enheter Rullmus som görs varje timme. Matematisk modell: max z = 4x 1 + 3x 2 då 2x 1 + 3x 2 30 (1)
TAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM
Matematiska institutionen Optimeringslära TENTAMEN TAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM Datum: 13 januari 2018 Tid: 8.00-13.00 Hjälpmedel: Miniräknare Kurslitteraturen: Kaj Holmberg:
TAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM
Matematiska institutionen Optimeringslära TENTAMEN TAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM Datum: april 2018 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kurslitteraturen: Kaj Holmberg: Optimering
Optimeringsproblem. 1 Inledning. 2 Optimering utan bivillkor. CTH/GU STUDIO 6 TMV036c /2015 Matematiska vetenskaper
CTH/GU STUDIO TMV3c - 1/15 Matematiska vetenskaper Optimeringsproblem 1 Inledning Vi skall söka minsta eller största värdet hos en funktion på en mängd, dvs. vi skall lösa s.k. optimeringsproblem min f(x)
TAOP86/TEN 1 KOMBINATORISK OPTIMERING MED
Matematiska institutionen Optimeringslära TENTAMEN TAOP8/TEN 1 KOMBINATORISK OPTIMERING MED MILJÖTILLÄMPNINGAR Datum: januari 01 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering
Tentamensinstruktioner. Vid skrivningens slut
Matematiska institutionen Optimeringslära TENTAMEN TAOP14/TEN1 OPTIMERINGSLÄRA GRUNDKURS för I och Ii Datum: 13:e januari 2011 Tid: 8.00 13.00 Hjälpmedel: Kurslitteratur av Lundgren m fl: Optimeringslära
1(8) x ijt = antal mobiltelefoner av typ i=1,,m, Som produceras på produktionslina 1,, n, Under vecka t=1,,t.
1(8) (5p) Uppgift 1 Företaget KONIA tillverkar mobiltelefoner I en stor fabrik med flera parallella produktionslinor. För att planera produktionen de kommande T veckorna har KONIA definierat följande icke-negativa
Lösningar till SF1861 Optimeringslära, 28 maj 2012
Lösningar till SF86 Optimeringslära, 28 maj 202 Uppgift.(a) Då det primala problemet P är så är det motsvarande duala problemet D minimera 3x + x 2 då 3x + 2x 2 6 x + 2x 2 4 x j 0, j =, 2. maximera 6 +
Kurser inom profilen Teknisk matematik (Y)
Kurser inom profilen Teknisk matematik (Y) Kurser i Optimeringslära Obligatorisk TAOP24 Optimeringslära fortsättningskurs Y Valbara TAOP04 Matematisk optimering TAOP34 Optimering av stora system TAOP87
Föreläsning 2: Simplexmetoden. 1. Repetition av geometriska simplexmetoden. 2. Linjärprogrammeringsproblem på standardform.
Föreläsning 2: Simplexmetoden. Repetition av geometriska simplexmetoden. 2. Linjärprogrammeringsproblem på standardform. 3. Simplexalgoritmen. 4. Hur bestämmer man tillåtna startbaslösningar? Föreläsning
Optimeringslära Kaj Holmberg. Lösningar/svar. Iteration 2: x 2 s
Tekniska Högskolan i Linköping Optimering av realistiska sammansatta s Matematiska Institutionen Lösning till tentamen Optimeringslära 2014-01-15 Kaj Holmberg Lösningar/svar Uppgift 1 1a: (Detta problem
Optimering, exempel. Funktionens enda stationära punkt är alltså origo. Den ligger också i det inre av mängden.
Optimering, exempel Exempel 1 (optimering över kompakt mängd) Bestäm största och minsta värdet till funktionen f(x,y) = x 4 + y 4 + 4x 2 + 16 i cirkelskivan {x 2 + y 2 4}. Lösning: Cirkelskivan är kompakt
Lösningar/svar. Uppgift 1. Tekniska Högskolan i Linköping Optimering av realistiska sammansatta system. Optimeringslära Kaj Holmberg
Tekniska Högskolan i Linköping Optimering av realistiska sammansatta system Matematiska Institutionen Lösning till tentamen Optimeringslära 2017-08-22 Kaj Holmberg Lösningar/svar Uppgift 1 1a: Variabeldefinition:
TAOP14: Optimeringslära grundkurs
TAOP14: Optimeringslära grundkurs Nils-Hassan Quttineh Optimeringslära, MAI TAOP14: Föreläsning 1 2 Föreläsning 1: Kurspresenta3on och introduk3on 3ll op3meringslära Vad är op3meringslära och vad kan det
TAOP14: Optimeringslära grundkurs
TAOP14: Optimeringslära grundkurs Nils-Hassan Quttineh Optimeringslära, MAI TAOP14: Föreläsning 1 2 Föreläsning 1: Kurspresenta3on och introduk3on 3ll op3meringslära Vad är op3meringslära och vad kan det
1. Vad är optimering?
. Vad är optimering? Man vill hitta ett optimum, när något är bäst, men att definiera vad som är bäst är inte alltid så självklart. För att kunna jämföra olika fall samt avgöra vad som är bäst måste man
TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER Datum: januari 01 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Speciell användning av heltalsvariabler. Heltalsprogrammering. Antingen-eller-villkor: Exempel. Speciell användning av heltalsvariabler
Heltalsprogrammering Speciell användning av heltalsvariabler max z = då c j x j j= a ij x j b i j= x j 0 x j heltal i =,..., m j =,..., n j =,..., n ofta x j u j j =,..., n Oftast c, A, b heltal. Ibland
Tentamensinstruktioner
TNSL05 1(7) TENTAMEN Datum: 1 april 2016 Tid: 14-18 Provkod: TEN1 Kursnamn: TNSL05 Optimering, modellering och planering Institution: ITN Antal uppgifter: 5 Betygskrav: För godkänt krävs normalt 12 p,
TNSL05 Optimering, Modellering och Planering. Föreläsning 4
TNSL05 Optimering, Modellering och Planering Föreläsning 4 2018-11-14 2 Kursmål: idag Studenten ska efter avslutad kurs kunna: Analysera och formulera optimeringsmodeller inom ekonomiska tillämpningsområden
Lösningar till SF1861/SF1851 Optimeringslära, 24/5 2013
Lösningar till SF86/SF85 Optimeringslära, 4/5 03 Uppgift (a) Inför de 3 variablerna x ij = kvantitet (i sorten ton) som fabrik nr i åläggs att tillverka av produkt nr j, samt t = tiden (i sorten timmar)
Flöde i nätverk. Flöde i nätverk. Specialfall av minkostnadsflödesproblemet
Flöde i nätverk Graf: G = (N, B) Variabeldefinition: x ij = flöde i båge (i, j). Bågdata för båge (i, j): c ij : flödeskostnad per enhet. u ij : övre gräns för flödet. l ij : undre gräns för flödet. Bivillkor:
TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN OPTIMERING FÖR INGENJÖRER Datum: 2 maj 20 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar i boken får
TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN OPTIMERING FÖR INGENJÖRER Datum: januari 08 Tid:.00-.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar i boken
Tentamensinstruktioner. När Du löser uppgifterna
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER för M/EMM Datum: 0 augusti 201 Tid: 8.00-1.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering
Lösningar till tentan i SF1861/51 Optimeringslära, 3 juni, 2015
Lösningar till tentan i SF86/5 Optimeringslära, 3 juni, 25 Uppgift.(a) Första delen: The network is illustrated in the following figure, where all the links are directed from left to right. 3 5 O------O
När det gäller en motor kanske man vill maximera verkningsgraden för att hålla nere bränslekostnaden men inte till vilket pris som helst.
Vad är optimering? Man vill hitta ett optimum, när något är bäst. Men att definiera vad som är bäst är inte alltid så självklart. När det gäller en motor kanske man vill maximera verkningsgraden för att
Lösningsförslag Tentamen i Optimering och Simulering MIO /5 2006
Lösningsförslag Tentamen i Optimering och Simulering MIO /5 Uppgift a) svar: 9 8 b) Svar: Δ b < c) Svar : 5 Δ c < d) Svar: ma st 8 8 Uppgift a) Dualen (D) till det primala problemet (P) är: Ma y 5y y y
En bijektion mellan två mängder A och B som har ändligt antal element kan endast finnas om mängderna har samma antal element.
BIJEKTION, INJEKTION, SURJEKTION NUMRERBARA (eller UPPRÄKNELIGA) MÄNGDER Allmän terminologi. I samband med variabelbyte vid beräkning av integraler har vi en avbildning mellan två mängder A och B, dvs
Flöde i nätverk. Flöde i nätverk. Specialfall av minkostnadsflödesproblemet. Specialfall av minkostnadsflödesproblemet. Slutsats.
Flöde i nätverk Graf: G = (N, B) Variabeldefinition: x ij = flöde i båge (i, j). Bågdata för båge (i, j): c ij : flödeskostnad per enhet. u ij : övre gräns för flödet. l ij : undre gräns för flödet. Bivillkor:
Lösningar till SF1852 Optimeringslära för E, 16/1 08
Lösningar till SF8 Optimeringslära för E, 6/ 8 Uppgift (a) Problemet är ett transportproblem, ett specialfall av minkostnadsflödesproblem Nätverket består av 7 st noder A,B,C,P,Q,R,S, alternativt kallade,,,7,
Vinsten (exklusive kostnaden för inköp av kemikalier) vid försäljning av 1 liter fönsterputs är 2 kr för F1 och 3 kr för F3.
TNSL05 2(8) (5p) Uppgift 1 Företaget XAJA tillverkar två olika sorters rengöringsprodukter för fönsterputsning, benämnda F1 och F2. Förutom vatten, som ingår i båda produkterna är, innehållet ett antal
VÄXANDE OCH AVTAGANDE FUNKTIONER. STATIONÄRA(=KRITISKA) PUNKTER. KONVEXA OCH KONKAVA FUNKTIONER. INFLEXIONSPUNKTER
Stationära och infleionspunkter VÄXANDE OCH AVTAGANDE FUNKTIONER STATIONÄRA(KRITISKA) PUNKTER KONVEXA OCH KONKAVA FUNKTIONER INFLEXIONSPUNKTER EXTREMPUNKTER OCH EXTREMVÄRDEN Definition (Globalt maimum)
Analys av funktioner och dess derivata i Matlab.
Analys av unktioner oc dess derivata i Matlab. 5B47 Envariabelanalys Ludvig Adlercreutz, ME Hans Lindgren, IT Stockolm den 7 mars 7 Kursledare: Karim Dao Inneåll Uppgit 5...3 Uppgit 6...5 Uppgit 7...7
LP-problem. Vårt första exempel. Baslösningar representerar extrempunkter. Baslösningar representerar extrempunkter
LP-problem Vårt första exempel Ett LP-problem: max z = c T x då Ax b, x 0. Den tillåtna mängden är en polyeder och konvex. Målfunktionen är linjär och konvex. Så problemet är konvext. Var ligger optimum?
Denna föreläsning. DN1212 Numeriska metoder och grundläggande programmering FN Runge-Kuttas metoder. Repetition av FN6 (GNM kap 6.
Denna föreläsning DN1212 Numeriska metoder och grundläggande programmering FN7 09-03-23 Hedvig Kjellström hedvig@csc.kth.se! Repetition av FN6 (GNM kap 6.1G-2G)! Runge-Kuttas metoder ökad noggrannhet!