TAOP52: Optimeringslära grundkurs

Relevanta dokument
TAOP52: Optimeringslära grundkurs

TAOP14: Optimeringslära grundkurs

TAOP14: Optimeringslära grundkurs

Föreläsning 2: A/ modellera och lösa LP-problem. TAOP52: Föreläsning 2. Att modellera och lösa LP-problem

Föreläsning 2: A/ modellera och lösa LP-problem. TAOP14: Föreläsning 2

Föreläsning 2: A/ modellera och lösa LP-problem

Föreläsning 2: A/ modellera och lösa LP-problem

TNSL05 Optimering, Modellering och Planering. Föreläsning 1

Optimalitetsvillkor. Optimum? Matematisk notation. Optimum? Definition. Definition

TNSL05 Optimering, Modellering och Planering. Föreläsning 4

Kurser inom profilen Teknisk matematik (Y)

TNSL05, Optimering, Modellering och Planering 6 hp, HT2-2011

Linjärprogramming. EG2205 Föreläsning 7, vårterminen 2015 Mikael Amelin

TNK049 Optimeringslära

Examinator: Torbjörn Larsson Jourhavande lärare: Torbjörn Larsson, tel Tentamensinstruktioner. När Du löser uppgifterna

Speciell användning av heltalsvariabler. Heltalsprogrammering. Antingen-eller-villkor: Exempel. Speciell användning av heltalsvariabler

TNK049 Optimeringslära

Lösningsförslag till tentamen i SF1861 Optimeringslära för T. Torsdag 28 maj 2010 kl

TNSL05 Optimering, Modellering och Planering. Föreläsning 6

min c 1 x 1 + c 2 x 2 då x 1 + x 2 = 1, x 1 {0, 1}, x 2 {0, 1} plus andra bivillkor. Vi måste göra k st av n alternativ:

TAOP86/TEN 1 KOMBINATORISK OPTIMERING MED

Olinjär optimering med bivillkor: KKT min f (x) då g i (x) 0 för alla i

TNSL05 Optimering, Modellering och Planering. Föreläsning 5

Tentamensinstruktioner. När Du löser uppgifterna

min c 1 x 1 + c 2 x 2 då x 1 + x 2 = 1, x 1 {0, 1}, x 2 {0, 1} plus andra bivillkor. Vi måste göra k st av n alternativ:

Föreläsning 2: Simplexmetoden. 1. Repetition av geometriska simplexmetoden. 2. Linjärprogrammeringsproblem på standardform.

Optimering av försörjningskedjor

LP-problem. Vårt första exempel. Baslösningar representerar extrempunkter. Baslösningar representerar extrempunkter

TAOP14: Optimeringslära SAMMANFATTNING OSKAR QVIST:

TAOP86/TEN 1 KOMBINATORISK OPTIMERING MED

Optimeringslära Kaj Holmberg

Extrempunkt. Polyeder

TNSL05 Optimering, Modellering och Planering. Föreläsning 2: Forts. introduktion till matematisk modellering

Optimeringslara = matematik som syftar till att analysera och. Optimeringslara ar en gren av den tillampade matematiken.

Optimering för ingenjörer

TAOP86/TEN 1 KOMBINATORISK OPTIMERING MED

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

Linjärprogrammering (Kap 3,4 och 5)

Lösningsförslag till tentamen i SF1861 Optimeringslära för T. Onsdag 25 augusti 2010 kl

Optimeringslära för T (SF1861)

Introduktion till kursen och MATLAB

Tentamensinstruktioner. Vid skrivningens slut

TAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS

TAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS för D och C. Tentamensinstruktioner. När Du löser uppgifterna

Optimering. TAOP88 Optimering för ingenjörer. När inte intuitionen räcker till... Långsiktiga mål med kursen. Vad är optimering?

Optimeringslära Kaj Holmberg

TNSL05, Optimering, Modellering och Planering 6 hp, HT2-2010

Optimeringslära Kaj Holmberg

1 Duala problem vid linjär optimering

Lösningar till SF1852 Optimeringslära för E, 16/1 08

Lösningar till 5B1762 Optimeringslära för T, 24/5-07

Tentamensinstruktioner. När Du löser uppgifterna

Tentamensinstruktioner. När Du löser uppgifterna

TAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS för D och C. Tentamensinstruktioner. När Du löser uppgifterna

Sannolikhetslära och statistik, grundkurs

Tentamensinstruktioner. När Du löser uppgifterna

TAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS för D och C

Metod i kandidatarbetet M3

TAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS

Avdelningen för fackspråk och kommunika5on på Chalmers

TAOP86/TEN 1 KOMBINATORISK OPTIMERING MED

TAOP07/TEN1 OPTIMERINGSLÄRA GRUNDKURS för Y. Antal uppgifter: 7 Uppgifterna är inte ordnade efter svårighetsgrad.

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

Optimering. Optimering

TAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM

Optimeringslära Kaj Holmberg

Flöde i nätverk. Flöde i nätverk. Specialfall av minkostnadsflödesproblemet

TAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

TNSL05 Optimering, Modellering och Planering. Föreläsning 9

Optimering med hjälp av Lego. Mathias Henningsson

Lösningar till SF1861 Optimeringslära, 28 maj 2012

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

TNK049 Optimeringslära

Tentamensinstruktioner

Lösningar till tentan i SF1861 Optimeringslära, 3 Juni, 2016

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

TNSL05 Optimering, Modellering och Planering. Föreläsning 10

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

Tentamensinstruktioner. När Du löser uppgifterna

Optimering. TAOP86 Kombinatorisk optimering med miljötillämpningar. När inte intuitionen räcker till... Långsiktiga mål med kursen. Vad är optimering?

Era förväntningar? Agenda. Introduktion till examensarbete INTRODUKTION MÅL EXAMENSARBETE 16 HP KANDIDAT

Optimeringslära Kaj Holmberg. Lösningar/svar. Iteration 2: x 2 s

Optimeringslära Kaj Holmberg

1 LP-problem på standardform och Simplexmetoden

TAOP61/TEN 1 OPTIMERING AV REALISTISKA SAMMANSATTA SYSTEM

TAOP86/TEN 1 KOMBINATORISK OPTIMERING MED

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

Optimeringslära Kaj Holmberg

z = min 3x 1 2x 2 + y Fixera y, vilket ger subproblemet

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

Lösningar till tentan i SF1861 Optimeringslära, 1 juni 2017

5B1817 Tillämpad ickelinjär optimering. Kvadratisk programmering med olikhetsbivillkor Active-set metoder

Optimeringslära Kaj Holmberg

Introduktionsmöte Innehåll

Lösningar till SF1861/SF1851 Optimeringslära, 24/5 2013

Optimering och simulering: Hur fungerar det och vad är skillnaden?

Tentamensinstruktioner

Tentamensinstruktioner. När Du löser uppgifterna

TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER

Transkript:

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 användas 3ll? Kursens innehåll och upplägg Grundläggande begrepp 1

TAOP2: Föreläsning 1 3 Vad är op3meringslära? Matema3k som sybar 3ll ac finna bästa beslut / handlingsalterna3v Kan användas för ac beskriva, analysera och lösa komplexa problem inom teknik, ekonomi och samhälle Problemställning Beslutsalterna3v Mål Begränsningar? TAOP2: Föreläsning 1 4 Verkligt problem Iden3fiering, avgränsningar, förenklingar, antaganden Verifiering Validering Förenklat problem Op3meringsmodell Lösning Formulering Lösningsmetod Resultat 2

TAOP2: Föreläsning 1 Op3meringsmodell Beslut Variabler Mål Målfunk3on Begränsningar Bivillkor FörutsäCningar Mål och begränsningar ska kunna ucryckas kvan3ta3vt Antalet beslutsalterna3v är stort TAOP2: Föreläsning 1 6 Matema3sk modell x är variablerna, de beslut som ska facas f(x) är målfunk3onen X representerar mängden av alla 3llåtna lösningar min f(x) då x 2 X Exempel: min f(x) =2x 1 +3x 2 då x 1 +2x 2 0 apple x 1 apple 2 0 apple x 2 apple 2 X 3

TAOP2: Föreläsning 1 7 Tillämpningsområden Exempel: Transport och distribu3on lokalisering, rucplanering, schemaläggning Bemanningsplanering Tillordning, schemaläggning Konstruk3on strukturop3mering, packning och kapning Finans op3mal ak3eporsölj TAOP2: Föreläsning 1 8 Forskningsprojekt Exempel på aktuella projekt på Op3meringslära, MAI: Schemaläggning av avioniksystem, många komponenter som måste dela informa3on med varandra. PorSöljvalsop3mering, komponera en ak3eporsölj där man balanserar förväntad avkastning mot risk. RuCplanering för snöröjning, planera vilka fordon som behövs och vilka gator dom ska röja (och i vilken ordning). Op3mering av brachyterapi, förbäcring av stråldosplaner med avseende på tumördöd och risk för biverkningar. Produk3onsplanering inom processindustrin. 4

TAOP2: Föreläsning 1 9 Vad krävs för ac gå från verkligt problem 3ll resultat? Förståelse för 3llämpningen Förmåga ac strukturera problemställningen Välja lösningsmetod Lösa problemet: - Använda färdig programvara? - Programmera själv? Ämneskunskap matema3k programmering Denna kurs TAOP2: Föreläsning 1 10 Op3meringens roll Strukturera / förstå problemet Matema3ska modeller har op3mala lösningar verkligheten är mer nyanserad Vanligt sybe: - Ge riktlinjer eller förslag - Generera alterna3va förslag under olika förutsäcningar Op3meringsmodell Planerarens erfarenhet Övriga faktorer Beslut

TAOP2: Föreläsning 1 11 FörutsäCningar för op3mering Förr: Svårt ac hica data Allt / mycket programmering från grunden Långsamma datorer Nu3d (90-talet ): Data 3llgängligt och strukturerat Programvaror Mer 3llgängliga och användarvänliga Modelleringsspråk gör modellering enklare Snabba datorer och bra algoritmer TAOP2: Föreläsning 1 12 Val av lösningsmetod Faktorer som påverkar: Variabeltyp: Kon3nuerliga / diskreta/binära Problemtyp: Linjära / ickelinjära samband Modellstorlek: Antal variabler / villkor Data: Determinis3sk / stokas3sk Möjliga alterna3v: Op3merande metod Heuris3sk metod Simulering 6

TAOP2: Föreläsning 1 13 Man får vad man betalar för... Enkel Låg LäC Modell Realism Lösbarhet Komplex Hög Svår TAOP2: Föreläsning 1 14 Produk3onsplanering inom processindustrin [Perstorps anläggning i Stenungsund] 7

TAOP2: Föreläsning 1 1 Op3mering, processindustrin Målfunk3on Maximera intäkter: o Försäljning 3ll kunder Minimera kostnaden för: o Produk3on o Lagerhållning o Transporter (både mellan fabriker och 3ll kund) o Ej uppfylld eberfrågan TAOP2: Föreläsning 1 16 Op3mering, processindustrin Bivillkor Produk3onskapaciteter Tillgodose kundernas eberfrågan Beroenden mellan produkter Begränsad lagerkapacitet Lagerbalans: lager + nyproducerat - försäljning = nyc lager 8

TAOP2: Föreläsning 1 17 Kursmål Iden3fiera 3llämpningsområden Iden3fiera olika op3meringsproblem Förklara sybet med ec op3meringsproblem Modellera op3meringsproblem matema3skt Redogöra för olika op3meringsalgoritmer och sammanfaca principerna bakom algoritmerna Välja metod eller lösning för ec op3meringsproblem Använda en algoritm för ac lösa ec op3meringsproblem Använda programvara för ac lösa ec op3meringsproblem Redogöra för grundläggande op3meringsteori TAOP2: Föreläsning 1 18 Kursens innehåll Linjärprogrammering (LP) formulering av LP-problem simplexmetoden dualitet känslighetsanalys Icke-linjär programmering (ILP) konvexitet obegränsad op3mering, sökmetoder begränsad op3mering, KKT-villkoren 9

TAOP2: Föreläsning 1 19 Kursens upplägg Föreläsningar, 9 st Lek3oner, 10 st Salslabora3oner, 3 st ProjektuppgiB, 1 st SkriBlig tentamen (3 HP) Labora3onsdelen (1 HP) TAOP2: Föreläsning 1 20 Lek3onsgrupper Björn Morén: I1.a Jessica Boberg: I1.b Henrik von Perner: I1.c Joel Kvick: I1.d, I1.e Isabelle Uhno: I1.f Oleg Burdakov: Ii1.a Nisse Qumneh: Ii1.b 10

TAOP2: Föreläsning 1 21 Labora3oner Labora3onsgrupper om högst 2 personer 3 schemalagda labora3oner (lab1, lab2, lab3) EBer lab 1: ProjektuppgiB Formulering och lösning av ec LP-problem Individuella uppdragsbeskrivningar SkriBlig rapport samt muntlig avstämning Labora3onsinforma3on delas ut på lek3on Labora3onslistor finns ac fylla i på lek3on Labbarna 4h långa (goc om 3d) TAOP2: Föreläsning 1 22 Kursinforma3on Böcker: Lärobok: Lundgren m.fl. Op(meringslära (2008) Henningsson m.fl. Op(meringslära Övningsbok Används även i fortsäcningskursen. Kurshemsida http://courses.mai.liu.se/gu/taop2/ På Kursplatsen LISAM: Kursinforma3on; labora3onsinforma3on; labora3onsfiler; status på labora3oner;... Registrera er för ac få 3llgång 3ll kurssidan!! 11

TAOP2: Föreläsning 1 23 LISAM Hur kommer man in i Lisam? Man kommer in i Lisam med sic LiU-id. Logga in på webbadressen: lisam.liu.se Det finns även länkar hit från olika ställen på LiU-webben, t.ex. från Studentportalen. Vad behöver man göra första gången i Lisam? Den absolut första gången man loggar in i Lisam kommer systemet ac i bakgrunden bygga upp den egna personliga sidan, vilket kan ta någon minut. Utöver ac vänta på deca behöver man inte göra några särskilda inställningar. TAOP2: Föreläsning 1 24 Utvärdering 3digare år TentauppgiBerna skiljer sig mycket från lek3onsuppgiberna: På lek3onsplanen finns hänvisningar 3ll typiska tentauppgiber på motsvarande material. Vid exemplen på tavlan, skriv ner HELA frågan/problemet. Finns på separata pdf-filer 3ll varje föreläsning! 12

TAOP2: Föreläsning 1 2 Nyheter Första gången kursen ges!! Från och med våren 2017 ges kursen i ÅK 1 under vt2 Minskar från 6 hp 3ll 4 hp Ha överseende om något inte funkar som det ska.. Projektrapporten ska skrivas på engelska! Nämnden för I-programmet vill få in mera inslag av engelska i utbildningen. En extra föreläsningar av Pamela Vang Generellt om ac skriva på engelska Speciellt om rapportskrivning TAOP2: Föreläsning 1 26 Förväntningar Förkunskapskrav: Linjär algebra och analys Självstudier Läs på inför föreläsningarna Lek3ons3den räcker obast inte 3ll för ac lösa alla uppgiber. Krävs ac ni lägger egen 3d på ac räkna. Kursvärderingar är bra, vi vill utveckla och förbäcra våra kurser! Kräver dock feedback. Snälla fyll i KURT-utvärderingen i slutet av kursen. Förra året svarade endast 29%.. 13

TAOP2: Föreläsning 1 27 Varför gör denna kurs ac ni blir bäcre civilingenjörer? Problemlösningsförmåga: Kursen ger övning i ac angripa och lösa verkliga planeringsproblem på ec mycket strukturerat säc. Datorn som verktyg: Övning i ac använda datorn som verktyg vid lösande av problem, samt övning i ac hantera olika programvaror. Matema3skt angreppssäc: Den matema3k ni lärt er 3digare kommer 3ll användning och säcs in i ec nyc sammanhang. TAOP2: Föreläsning 1 28 Tavelmarkör För ac få en bra struktur på anteckningarna används symbolen T 4.2 för ac markera övergång 3ll tavlan. Nu börjar vi på rik3gt!! 14

TAOP2: Föreläsning 1 29 Linjära op3meringsproblem (LP-problem) Maximera (minimera) en linjär målfunk3on Linjär bivillkorsmängd Undre (och övre) gräns för varje variabel Summa3onsform max z = X j2j c j x j Matrisform max z = c T x då X a ij x j apple b i, i 2 I då Ax apple b x 0 j2j x j 0, j 2 J TAOP2: Föreläsning 1 30 Grafisk lösning av LP-problem x 2 max z = x 2 [målfunk9on] då x 1 + x 2 apple 1 x 1 + 6x 2 apple 30 x 1, x 2 0 (2) (3) (2) Tillåtna området (3) x 1 1

TAOP2: Föreläsning 1 31 Grafisk lösning av LP-problem x 2 Op3mum x z * LP * LP = ( = 3 11 24 11, = 3 ) 3 T 11 2 11 0 rz = 1 max z = x 2 [målfunk9on] då x 1 + x 2 apple 1 x 1 + 6x 2 apple 30 x 1, x 2 0 (2) (3) (2) Tillåtna området (3) x 1 TAOP2: Föreläsning 1 32 Grafisk lösning av LP-problem x 2 max z = x 1 [ny målfunk9on] då x 1 + x 2 apple 1 x 1 + 6x 2 apple 30 x 1, x 2 0 (2) (3) 1 rz = 0 (2) 1 rz = 0 Op3mum x z * LP * LP = ( 6, 0) = 6 T (3) x 1 16

TAOP2: Föreläsning 1 33 Grafisk lösning av LP-problem x 2 2 rz = max z = 2x 1 +x 2 då x 1 + x 2 apple 1 x 1 + 6x 2 apple 30 x 1, x 2 0 (2) (3) 2 rz = (2) (3) x 1 TAOP2: Föreläsning 1 34 Grafisk lösning av LP-problem x 2 max z = x 1 +6x 2 då x 1 + x 2 apple 1 x 1 + 6x 2 apple 30 x 1, x 2 0 (2) (3) rz = 6 rz = 6 (2) (3) x 1 17

TAOP2: Föreläsning 1 3 Grafisk lösning av LP-problem x 2 Op3mum ligger all3d i (minst) en hörnpunkt för linjära problem DeCa kommer vi ac använda för ac lösa LP-problem algebraiskt (Fö 3 + 4, Simplexalgoritmen) x 1 TAOP2: Föreläsning 1 36 Grafisk lösning av LP-problem z = 16 z = 10 x 2 A 2 rz = Målfunk3onskoefficienterna, gradienten 3ll z, pekar ditåt man vill gå (dit värdet på z ökar mest) T.ex. max z = 2x 1 + x 2 Alla punkter på linjer som är vinkelräta mot gradienten 3ll z ger samma målfunk3onsvärde: A = ( 0, 2) => z = 2*0 + *2 = 10 z = 4 B C B = (2., 1) => z = 2*2. + *1 = 10 C = (, 0) => z = 2* + *0 = 10 x 1 18

TAOP2: Föreläsning 1 37 Nota3on Variabler: I flervariabelanalys: x, y, z I op3meringslära: x 1, x 2, x 3,, x n Variabelvektor: x = ( x 1, x 2, x 3,, x n ) T I linjär algebra: x, I op3meringslära: x x, x, x Vi skriver oba x 0 ( varje element i vektorn x är större eller lika med noll ) TAOP2: Föreläsning 1 38 Nota3on Vektorer anges all3d som kolumnvektorer! Gör obast ingen skillnad på punkt och vektor Transponat: Samma sak!! Op3mallösning: x* - själva lösningen Op3malt målfunk3onsvärde: z* - värdet för x* 19

TAOP2: Föreläsning 1 39 Nota3on Summatecken För alla / För varje (mer på Fö 2) TAOP2: Föreläsning 1 40 Exempel: Produk3onsplanering Produk3on av två olika produkter. Maximera den totala vinsten. Resurs3llgång vid de två 3llverkningsavdelningarna: avd 1: 240h avd 2: 140h Produkt 1 vinst/enhet: 30 kr resursåtgång avd 1: 4h resursåtgång avd 2: 2h begränsad eberfrågan: 40 st Produkt 2 vinst/enhet: 20 kr resursåtgång avd 1: 3h resursåtgång avd 2: 2h T 1.1 20

TAOP2: Föreläsning 1 41 Modellformulering Variabeldefini3on: x i = antalet 3llverkade av produkt i, i = 1, 2 Matema3sk modell: max z = 30x 1 + 20x 2 då 4x 1 + 3x 2 apple 240 2x 1 + 2x 2 apple 140 x 1 apple 40 x 1, x 2 0 [målfunk9on] [resurs, avd. 1] [resurs, avd. 2] [maxproduk9on] [variabelbegränsningar] TAOP2: Föreläsning 1 42 x 2 100 4*0 + 3x 2 = 240 2*0 + 2x 2 = 140 Villkor 1 max z = 30x 1 + 20x 2 då 4x 1 + 3x 2 apple 240 2x 1 + 2x 2 apple 140 x 1 apple 40 x 1, x 2 0 0 Villkor 3 X 2x 1 + 2*0 = 140 4x 1 + 3*0 = 240 0 100 Villkor 2 x 1 21

TAOP2: Föreläsning 1 43 x 2 100 z=1200 z=1800 max z = 30x 1 + 20x 2 r z = 30 20 T z=600 0 x* = (40 26,67) z* = 1733,33 z=0 X 0 100 x 1 TAOP2: Föreläsning 1 44 Matrisform max z = 30x 1 + 20x 2 max z = c T x då 4x 1 + 3x 2 apple 240 2x 1 + 2x 2 apple 140 x 1 apple 40 x 1, x 2 0 då Ax apple b x 0 c T = 30 20 A = 0 @ 4 3 2 2 1 0 1 A b = 0 @ 240 140 40 1 A 22

TAOP2: Föreläsning 1 4 Summa3onsform max z = 30x 1 + 20x 2 max z = X j2j c j x j då 4x 1 + 3x 2 apple 240 2x 1 + 2x 2 apple 140 x 1 apple 40 x 1, x 2 0 då X a ij x j apple b i, i 2 I j2j x j 0, j 2 J c 1 = 30, c 2 = 20 a 11 = 4, a 12 = 3 a 21 = 2, a 22 = 2 a 31 = 1, a 32 = 0 b 1 = 240 b 2 = 140 b 3 = 40 TAOP2: Föreläsning 1 46 Exempel på typer av problem Linjära problem (LP) Ickelinjära problem (ILP) Grundkursen Linjära heltalsproblem Nätverksproblem FortsäCningskursen 23

TAOP2: Föreläsning 1 47 Linjär målfunk3on TAOP2: Föreläsning 1 48 Linjärt 3llåtet område X 24

TAOP2: Föreläsning 1 49 Ickelinjär målfunk3on TAOP2: Föreläsning 1 0 Ickelinjärt 3llåtet område X 2

TAOP2: Föreläsning 1 1 Ickelinjärt problem Tillåtet område X Op3mum i det inre av X Op3mum på randen 3ll X TAOP2: Föreläsning 1 2 Nätverksproblem Har en speciell struktur som gör ac logiken i problemet kan illustreras i form av ec nätverk med noder och bågar. Nätverksstrukturen utnycjas vid lösningsförfarandet 26

TAOP2: Föreläsning 1 3 Heltalsproblem max z = 30x 1 + 20x 2 då 4x 1 + 3x 2 apple 240 2x 1 + 2x 2 apple 140 x 1 apple 40 x 1, x 2 0, heltal Betydligt svårare ac lösa än ec LP-problem! TAOP2: Föreläsning 1 4 Konvexitet Vad avgör om ec problem är läc eller svårt ac lösa? Olika typer av problem sägs ha olika komplexitet. Komplexiteten beror generellt av problemstrukturen och inte av den aktuella datan. Skilj på: Konvexa problem = läca ac lösa Icke-konvexa problem = svåra ac lösa 27

TAOP2: Föreläsning 1 Konvexitet Linjära problem (LP-problem) är ALLTID konvexa. Icke-linjära problem (ILP) är konvexa eller icke-konvexa Defini9on 2.3 Problemet min f(x) då x 2 X är ec konvext problem om f(x) är en konvex funk3on och X är en konvex mängd. TAOP2: Föreläsning 1 6 Konvexkombina3on En punkt y är en konvexkombination av två punkter x och x (2) om y = λx + (1-λ)x (2) där 0 λ 1. x λ ökar λ = 1 λ = 1/ 2 ( 2 ) x λ = 0 Alternativt: y = λ 1 x + λ 2 x (2), λ 1 + λ 2 =1, λ 1, λ 2 0 28

TAOP2: Föreläsning 1 7 Konvex funk3on, def. 2.4 f(x) är en konvex funktion på X om det för varje val av punkter x, x (2) X och 0 λ 1 gäller att f (λx + (1 λ)x (2) ) λ f (x )+ (1 λ) f (x (2) ) f(x) f ( λx + (1 λ) x (2) ) λf ( x ) + (1 λ) f ( x (2) ) f( x ) f( x ( 2) ) x X ( 2 ) x TAOP2: Föreläsning 1 8 Konvex funk3on Exempel på en funk3on som inte är konvex: f(x) f ( λx f( x ) + (1 λ) x (2) ) λf ( x ) + (1 λ) f ( x f( x ( 2) ) (2) ) x X ( 2 ) x 29

TAOP2: Föreläsning 1 9 Konvex mängd En mängd X R n är en konvex mängd om det för varje val av punkter x,x (2) X och 0 λ 1 gäller att x = λx + (1 λ)x (2) X X x x X ( 2) x x ligger ej i mängden, ej konvex mängd X x Oavsett val av x linjen i mängden ( 1) mängden är konvex ( 2) x och x hamnar den streckade X, så ( 2 ) TAOP2: Föreläsning 1 60 Konvexitet Mer om konvexitet när vi kommer 3ll den icke-linjära delen av kursen. Defini9on 2.3 Problemet min f(x) då x 2 X är ec konvext problem om f(x) är en konvex funk3on och X är en konvex mängd. 30

TAOP2: Föreläsning 1 61 Uppsummering Fö. 1 Kursinforma3on Introduk3on 3ll ämnet Op3meringslära Linjär Programmering, LP-problem Grafisk lösning Konvexitet Vill 3psa om UHörliga exempel som finns på Lisam Nota3on: Förklaring av nota3on som ni kommer stöta på inom op3meringskurserna (bl.a. summatecken) Kommer upp fler dokument under kursens gång! 31