Metody wielokryterialne. Tadeusz Trzaskalik
|
|
- Daniel Popławski
- 5 lat temu
- Przeglądów:
Transkrypt
1 Metody wielokryterialne Tadeusz Trzaskalik
2 4.1. Wprowadzenie Słowa kluczowe Zadanie wielokryterialne Zadanie wielokryterialne programowania liniowego Przestrzeń decyzyjna Zbiór rozwiązań za dopuszczalnych w przestrzeni decyzyjnej Przestrzeń kryterialna Zbiór rozwiązań dopuszczalnych w przestrzeni kryterialnej Zadanie wektorowej maksymalizacji Rozwiązanie dominujące Rozwiązanie niezdominowane Rozwiązanie sprawne T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 2
3 4.1. Wprowadzenie Słowa kluczowe (c.d.) Rozwiązanie końcowe Metoda satysfakcjonujących poziomów kryteriów Współczynniki wagowe Hierarchizacja kryteriów Punkt idealny Metody interaktywne Programowanie celowe Bilansowanie celów Cele kierunkowe Cele punktowe Cele przedziałowe T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 3
4 4.1. Wprowadzenie Słowa kluczowe (c.d.) Wielokryterialne metody dyskretne Metoda AHP Metoda Promethe V Metoda Electre I T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 4
5 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie dominujące (1/6) Przykład 4.1 P 1 P 2 Zasoby S S S Należy zaplanować produkcję w taki sposób, by jednocześnie zmaksymalizować zysk oraz łączne rozmiary produkcji. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 5
6 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie dominujące (2/6) Model matematyczny Zmienne decyzyjne - planowany rozmiar produkcji produktu P 1 x 2 - planowany rozmiar produkcji produktu P 2 Funkcje celu f 1 (,x 2 ) - funkcja opisująca zysk f 2 (,x 2 ) - funkcja opisująca łączne rozmiary produkcji Wektorowa funkcja kryterium F( x 1, x 2 ) = f f 1 2 ( x 1 ( x 1, x 2, x 2 ) ) 2x = x x + x 2 2 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 6
7 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie dominujące (3/6) Model matematyczny (c.d.) Warunki ograniczające x x x , x 2 0 Zbiór rozwiązań dopuszczalnych w przestrzeni decyzyjnej A B O C T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 7
8 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie dominujące (4/6) Zbiór rozwiązań dopuszczalnych w przestrzeni kryterialnej Twierdzenie 4.1 Zbiór rozwiązań dopuszczalnych zadania wielokryterialnego programowania liniowego w przestrzeni kryterialnej jest wielościanem wypukłym. Każdy wierzchołek tego wielościanu jest obrazem pewnego wierzchołka zbioru decyzji dopuszczalnych w przestrzeni decyzyjnej, natomiast pozostałe punkty to zbiór wszystkich kombinacji wypukłych punktów wierzchołkowych. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 8
9 ryterialne O F O F = = = 0 ([0,0]) ) ( A F A F = = = 12 ([0,4]) ) ( + + = = ), ( ), ( ), ( x x x x x x f x x f x x F 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie dominujące (5/6) Zbiór rozwiązań dopuszczalnych w przestrzeni kryterialnej (c.d.) 4. Metody wielokr T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 9 O F O F = = = 0 ([0,0]) ) ( A F A F = = = 4 ([0,4]) ) ( B F B F = = = 6 14 ([4,2]) ) ( C F C F = = = 4 8 ([4,0]) ) ( = = = 0,,, 1,, : λ λ λ λ λ λ λ λ λ λ λ λ C B A O Y Y Y
10 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie dominujące (6/6) Interpretacja geometryczna y 2 O' C' C' A' B' y 1 B dominuje wszystkie rozwiązania dopuszczalne w przestrzeni kryterialnej T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 10
11 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie niezdominowane (1/4) Przykład 4.2 Należy zaplanować produkcję w taki sposób, by jednocześnie zmaksymalizować zysk oraz zminimalizować wykorzystanie deficytowegośrodka S 1 Model matematyczny f 1 (, x 2 ) = 2 + 3x 2 max ϕ 2 (, x 2 ) = 2 + 2x 2 min + 2x , x 2 0 f 1 (, x 2 ) = 2 + 3x 2 max f 2 (, x 2 ) = 2 2x 2 max + 2x , x 2 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 11
12 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie niezdominowane (2/4) Zbiory rozwiązań dopuszczalnych w przestrzeni decyzyjnej w przestrzeni kryterialnej ryterialne x 2 O' y 2 y1 4. Metody wielokr A O B C C' A' B' Brak rozwiązania dominującego T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 12
13 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie niezdominowane (3/4) Stożki rozwiązań dominujących i zdominowanych przez Y y 2 Rozwiązania nieporównywalne z Y' Stożek rozwiązań zdominowanych przez Y' Y' Stożek rozwiązań dominujących Y' Rozwiązania nieporównywalne z Y' y 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 13
14 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie niezdominowane (4/4) Rozwiązania niezdominowane i zdominowane O' y 2 y1 E' C' D' A' F' B' Rozwiązania niezdominowane: O, A, B, O A, A B Rozwiązania w przestrzeni decyzyjnej, odpowiadające rozwiązaniom niezdominowanym, nazywamy rozwiązaniami sprawnymi. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 14
15 4.3. Metoda ADBASE Rozszerzona tablica simpleksowa (1/2) ADBASE Postać bazowa f 1 (, x 2, x 3, x 4 ) = 2 + 3x 2 max f 2 (, x 2, x 3, x 4 ) = 2 2x 2 max + 2x 2 + x 3 = x 4 = 16, x 2, x 3, x 4 0 Dopuszczalne rozwiązanie bazowe: = 0, x 2 = 0, x 3 = 8, x 4 = 16 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 15
16 4.3. Metoda ADBASE Rozszerzona tablica simpleksowa (2/2) Postać macierzowa Cx max Ax = b x 0, C = A = b = Cx max Baza C B x 2 x 3 x 4 x x x = x x x x d ij = c ij - z ij b T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 16
17 4.3. Metoda ADBASE Zadanie testujące (1/2) Własności zadania testującego Twierdzenie x 2 s 1 + s 2 max s 1 = 0 2 2x 2 s 2 = 0 + 2x 2 + x 3 = x 4 = 16, x 2, x 3, x 4, s 1, s 2 0 Jeżeli optymalna wartość funkcji celu zadania testującego jest równa zeru, wówczas testowane rozwiązanie bazowe jest sprawne. Jeżeli funkcja celu zadania testującego jest ograniczona, rozwiązanie optymalne zadania testującego generuje bazowe rozwiązanie sprawne zadania testowanego. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 17
18 4.3. Metoda ADBASE Zadanie testujące (2/2) Rozwiązanie zadania testującego Rozwiązanie optymalne: 2 + 3x 2 s 1 + s 2 max s 1 = 0 2 2x 2 s 2 = 0 + 2x 2 + x 3 = x 4 = 16, x 2, x 3, x 4, s 1, s 2 0 = 0, x 2 = 0, x 3 = 8, x 4 = 16, s 1 = 0, s 2 = 0. Optymalna wartość funkcji celu wynosi 0, czyli testowane rozwiązanie jest sprawne. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 18
19 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (1/12) Definicja B O = {x 3, x 4 } B A = {x 2, x 4 } B = {x B 1, x 2 } B C = {, x 3 } A O x 2 B C Dwa rozwiązania bazowe, odpowiadające wierzchołkom P i Q nazywamy sąsiednimi bazowymi rozwiązaniami sprawnymi, jeżeli obydwa są rozwiązaniami sprawnymi, są one sąsiednimi rozwiązaniami bazowymi oraz wszystkie punkty leżące na odcinku PQ są rozwiązaniami sprawnymi. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 19
20 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (2/12) Niebazowa zmienna sprawna Λ = {λ = [λ 1..., λ k ]: k i= 1 λ i = 1, λ i > 0 dla i=1,...,k} Twierdzenie 4.4 λd N 0 λd j = 0 Wygenerowane przy pomocy niebazowej zmiennej sprawnej rozwiązanie bazowe, odpowiadające wierzchołkowi Q jest sąsiednim bazowym rozwiązaniem sprawnym dla tego wierzchołka. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 20
21 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (3/12) Sprawdzanie sprawności zmiennych Zmienna ryterialne D = DN = d 1 = Metody wielokr 2λ 1 2λ 2 = 0 3λ 1 2λ 2 0 λ 1 + λ 2 = 1 λ 1 0, λ 2 0 Układ sprzeczny, czyli zmienną sprawną. nie jest w rozpatrywanej bazie niebazową T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 21
22 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (4/12) Sprawdzanie sprawności zmiennych (c.d.) Zmienna x 2 ryterialne D = DN = d 2 = Metody wielokr 2λ 1 2λ 2 0 3λ 1 2λ 2 = 0 λ 1 + λ 2 = 1 λ 1 0, λ 2 0 λ 1 = 2/5, λ 2 = 3/5. Zmienna x 2 jest w rozpatrywanej bazie niebazową zmienną sprawną. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 22
23 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (5/12) Przekształcenie simpleksowe Pierwsza tablica simpleksowa Cx max Baza C B x 2 x 3 x 4 x x d ij = c ij z ij Tablica simpleksowa po wprowadzeniu do bazy zmiennej sprawnej x 2 Cx max Baza C B x 2 x 3 x 4 x ,5 1 0,5 0 4 x d ij = c ij z ij 0,5 0 1, b b T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 23
24 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (6/12) Generowanie wszystkich rozwiązań sprawnych Twierdzenie 4.5 Każde dwa bazowe rozwiązania sprawne można połączyć ciągiem sąsiednich baz sprawnych. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 24
25 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (7/12) Przebieg obliczeń Czy jest niebazową zmienną sprawną? DN 0,5 = 1 λ 1 = 2/3, λ 2 = 1/3. Cx max 1,5 1 d 1 0,5 = 1 0,5λ 1 λ 2 = 0 1,5λ 1 + λ 2 0 λ 1 + λ 2 = 1 λ 1 0, λ Baza C B x 2 x 3 x 4 x ,5-0, ,25 4 d ij = c ij z ij 0 0 1,5 0, ,5 12 b T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 25
26 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (8/12) Przebieg obliczeń (c.d.) Czy x 3 jest niebazową zmienną sprawną? DN = 1,5 1 0,125 0,5 d 3 1,5 = 1 1,5λ 1 + λ 2 = 0 0,125λ 1 + 0,5λ 2 0 λ 1 + λ 2 = 1 λ 1 0, λ 2 0 Układ sprzeczny. Oznacza to,że x 3 nie jest niebazową zmienną sprawną. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 26
27 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (9/12) Przykład 4.3 max max x 2 max x 2 max + 2x x 2 + x 3 = 4 + x x 2 + x 4 = 6, x 2 0, x 2, x 3, x 4 0 x 2 x 0 X Rozwiązanie bazowe: Rozwiązanie bazowe: = 0, x 2 = 0, x 3 = 4, x 4 = 6 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 27
28 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (10/12) Zadanie testujące Rozwiązanie optymalne: s 1 + s 2 max s 1 = 0 x 2 s 2 = 0 + 2x 2 + x 3 = 4 + x 2 + x 4 = 6, x 2, x 3, x 4, s 1, s 2 0 = 0, x 2 = 2, x 3 = 0, x 4 = 4, s 1 = 0, s 2 = 2 Składowe tego rozwiązania: = 0, x 2 = 2, x 3 = 0, x 4 = 4 wyznaczają rozwiązanie sprawne zadania wyjściowego (odpowiadające wierzchołkowi A). T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 28
29 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (11/12) Nieograniczona krawędź sprawna Cx max Baza C B x 2 x 3 x 4 x ,5 1 0,5 0 2 x ,5 0 0,5 1 4 d ij = c ij z ij ,5 0 0,5 0 2 b T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 29
30 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (12/12) Algorytm 1. Wyznaczenie pierwszego bazowego rozwiązania dopuszczalnego 2. Wyznaczenie bazowego rozwiązania sprawnego 3. Wyznaczenie wszystkich bazowych rozwiązań sprawnych T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 30
31 4.4. Generowanie wybranych rozwiązań sprawnych Wybrane metody skalaryzacji problemu wielokryterialnego Rozwiązanie sprawne możemy otrzymać między innymi: - przy pomocy jednej funkcji celu, - metodą satysfakcjonującego poziomu kryteriów, - metodą sumy ważonej, - poprzez hierarchizację kryteriów, - wykorzystując punkt idealny, - metodą interaktywną. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 31
32 4.4. Generowanie wybranych rozwiązań sprawnych Generowanie rozwiązań sprawnych za pomocą jednej funkcji celu (1/1) Przykład 4.4 A Problem P x 2 max + 2x , x 2 0 x 2 Problem P 2 2 2x 2 max + 2x , x 2 0, x 2 0, x 2 0 B max max A x 2 B O C O C T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 32
33 4.4. Generowanie wybranych rozwiązań sprawnych Metoda satysfakcjonującego poziomu kryteriów (1/1) Przykład 4.5 A O x 2 D E B C max 2 + 3x 2 max + 2x x 2 10, x 2 0 O' -10 y 2 C' E' A' D' B' y 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 33
34 4.4. Generowanie wybranych rozwiązań sprawnych Metoda sumy ważonej (1/1) Przykład 4.6 Decydent ustalił ważność kryteriów pierwszego i drugiego w stosunku 3 : 1 ryterialne y 1 = 2 + 3x 2 y 2 = 2 2x 2 x 2 4. Metody wielokr y = 3y 1 + y 2 = 3(2 + 3x 2 ) + + ( 2 2x 2 ) = 4 + 7x x 2 max + 2x , x 2 0 A O B C max T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 34
35 4.4. Generowanie wybranych rozwiązań sprawnych Hierarchia kryteriów (1/2) Przykład 4.7 Najważniejszy jest cel pierwszy, na drugim poziomie hierarchii występuje cel drugi. Pierwszy poziom hierarchii 2 + 3x 2 max + 2x , x 2 0 x 2 Drugi poziom hierarchii 2 2x 2 max + 2x x 2 = 14, x 2 0 x 2 A B max A B max O C O C T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 35
36 4.4. Generowanie wybranych rozwiązań sprawnych Hierarchia kryteriów (2/2) Przykład 4.8 Różnica między wartością optymalną dla pierwszego kryterium a wartością w rozpatrywanym rozwiązaniu nie większa niż 1. Pierwszy poziom hierarchii 2 + 3x 2 max + 2x , x 2 0 x 2 max Drugi poziom hierarchii 2 2x 2 max + 2x x 2 13, x 2 0 O' y 2 13 y 1 A Q B C' A' Q' O C B' T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 36
37 4.4. Generowanie wybranych rozwiązań sprawnych Wykorzystanie punktu idealnego (1/1) Przykład 4.9 Przyjmujemy metrykę euklidesową jako sposób mierzenia odległości w przestrzeni kryterialnej. Punkt idealny Y * (14, 0) y 2 O' Y * C' K' A' y 1 B' T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 37
38 4.4. Generowanie wybranych rozwiązań sprawnych Metoda interaktywna (1/6) Przykład 4.10 f 1 (, x 2 ) = 2 + 3x 2 max f 2 (, x 2 ) = 2 2x 2 max + 2x , x 2 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 38
39 4.4. Generowanie wybranych rozwiązań sprawnych Metoda interaktywna (2/6) Przebieg obliczeń Problem P 01 Problem P 02 A 2 + 3x 2 max + 2x , x 2 0 x 2 B O' 2 2x 2 max + 2x , x 2 0 y 2 y 1 C' A' O C B' T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 39
40 4.4. Generowanie wybranych rozwiązań sprawnych Metoda interaktywna (3/6) Przebieg obliczeń (c.d.) Kryterium Rozwiązanie f 1 f 2 R R Wartość Kryterium Akceptowana Optymistyczna Problem P 11 Problem P x 2 max Warunki ograniczające + 2x x x 2 12, x 2 0 f 1 2 2x 2 max f T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 40
41 4.4. Generowanie wybranych rozwiązań sprawnych Metoda interaktywna (4/6) Przebieg obliczeń (c.d.) Przestrzeń decyzyjna x 2 A E O D B C Przestrzeń kryterialna y 2 O' 7 D' C' E' A' B' y 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 41
42 4.4. Generowanie wybranych rozwiązań sprawnych Metoda interaktywna (5/6) Przebieg obliczeń (c.d.) Kryterium Rozwiązanie f 1 f 2 Wartość Kryterium f 1 f 2 R R / 3 Akceptowana Optymistyczna Problem P 21 Problem P x 2 max Warunki ograniczające + 2x x x 2 8, x x 2 max / 3 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 42
43 4.4. Generowanie wybranych rozwiązań sprawnych Metoda interaktywna (6/6) Przebieg obliczeń (c.d.) Przestrzeń decyzyjna Przestrzeń kryterialna A E O x 2 D B C y 2 O' 7-8 D' E' C' A' B' y 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 43
44 4.5. Programowanie celowe Bilansowanie celów (1/3) Przykład 4.11 Cel 1 Cel 2 Zysk na poziomie przynajmniej 12 jednostek f 1 (, x 2 ) = 2 + 3x 2 12 Wykorzystanie zasobów pracy na poziomie 10 jednostek ϕ 1 (, x 2 ) = x 2 = 10 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 44
45 4.5. Programowanie celowe Bilansowanie celów (2/3) Cel 1 + y 1 y 1 = = Równanie bilansujące dla celu < x1 + 3x2-12 gdy f1( x1, x ) 12 gdy f ( x, x ) 12 0 gdy f1( x1, x2) x1 3x2 gdy f1( x1, x2) < x 2 y 1+ + y 1 = 12 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 45
46 4.5. Programowanie celowe Bilansowanie celów (3/3) Cel 2 + y 2 y 2 = = Równanie bilansujące dla celu 2 x1 + 2x2 10 gdy ϕ 2( x1, x ) 10 gdy ϕ 2 ( x1, x ) < gdy ϕ 2( x1, x2) x1 2x2 gdy ϕ 2( x1, x2) < x 2 y 2+ + y 2 = 10 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 46
47 4.5. Programowanie celowe Hierarchizacja odchyleń (1/2) Zadanie pierwszego poziomu hierarchii y 1 min Cel x 2 y 1+ + y 1 = 12 Cel 2 2x x 2 y 2+ + y 2 = 10 Ograniczenia + 2x , x 2, y 1+, y 1, y 2+, y 2 0 Istnieje rozwiązanie optymalne tego zadania, w którym y 1- = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 47
48 4.5. Programowanie celowe Hierarchizacja odchyleń (2/2) Zadanie drugiego poziomu hierarchii ` y 2+ + y 2 min Cel x 2 y 1+ + y 1 = 12 Cel 2 2x x 2 y 2 + y 2 = 10 y 1 = 0 Ograniczenia Rozwiązanie + 2x , x 2, y 1+, y 1, y 2+, y 2 0 = 2, x 2 = 3, y 1+ = 1, y 1- = 0, y 2+ = 0, y 2- = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 48
49 4.5. Programowanie celowe Ilustracja graficzna w przestrzeni decyzyjnej (1/3) Przypadek 1 Cel 1 y 1 = x 2 12 Cel 2 y 2- < 0 A O x 2 y 2+ > 0 D y 2 = x 2 = 10 B E y C 1- < 0 y 1+ > 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 49
50 4.5. Programowanie celowe Ilustracja graficzna w przestrzeni decyzyjnej (2/3) Przypadek 2 Cel 1 y 1 = x 2 12 ryterialne Cel 2 x 2 y 2 = x 2 = Metody wielokr y 2- < 0 A y 2+ > 0 B O C T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 50
51 4.5. Programowanie celowe Ilustracja graficzna w przestrzeni decyzyjnej (3/3) Przypadek 3 Cel 1 Cel 2 A x 2 y 2- < 0 y 2+ > 0 y 1 = x 2 12 y 2 = x 2 = 14 B O C T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 51
52 4.5. Programowanie celowe Współczynniki wagowe (1/5) Przykład 4.12 Odchylenie in plus w realizacji celu 2 jest dwukrotnie bardziej niekorzystne niż odchylenie in minus. Realizacja obu celów jest tak samo ważna dla decydenta. Model matamatyczny Rozwiązanie y y 2+ + y 2 min 2 + 3x 2 y 1+ + y 1 = x 2 y 2+ + y 2 = x , x 2, y 1+, y 1, y 2+, y 2 0 = 3, x 2 = 2, y 1 + = 0, y 1 = 0, y 2 + = 0, y 2 = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 52
53 4.5. Programowanie celowe Współczynniki wagowe (2/5) Przykład 4.13 Cel 1: Cel 2: Cel 3: Zysk na poziomie przynajmniej 14 jednostek. Zatrudnienie na poziomie 10 jednostek. Cel 2a: Cel 2b: Zatrudnienie nie może przekroczyć 10 jednostek. Zatrudnienie nie może być mniejsze od 10 jednostek. Produkcja P 1 na poziomie przynajmniej 4 jednostek. I poziom hierarchii: Cel 1 i cel 2a. Realizacja celu 1 jest dwukrotnie ważniejsza od realizacji celu 2a II poziom hierarchii: Ważność realizacji celu 3 pozostaje do ważności realizacji celu 2b w stosunku 3 : 2 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 53
54 4.5. Programowanie celowe Współczynniki wagowe (3/5) Zadanie 1 (pierwszy poziom hierarchii) 2y 1 + y 2 + min Cel 1: 2 + 3x 2 y 1+ + y 1 = 14 Cel 2: 2x x 2 y + y 2 = 10 Cel 3: x 2 y 3+ + y 3 = 4 Ograniczenia: + 2x , x 2, y 1+, y 1, y 2+, y 2, y 3+, y 3 0 Minimalna wartość funkcji celu dla Zadania 1 wynosi 2 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 54
55 4.5. Programowanie celowe Współczynniki wagowe (4/5) Zadanie 2 (drugi poziom hierarchii) 2y 2 + 3y 3 min Cel 1: 2 + 3x 2 y 1+ + y 1 = 14 Cel 2: 2 + 2x 2 y 2+ + y 2 = 10 Cel 3: x 2 y 3+ + y 3 = 4 Ograniczenia: Rozwiązanie 2y 1 + y 2 = 2 + 2x , x 2, y 1+, y 1, y 2+, y 2, y 3+, y 3 0 = 2, x 2 = 3, y 1 + = 0, y 1 = 1, y 2 + = 0, y 2 = 0, y 3 + = 0, y 3 = 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 55
56 4.5. Programowanie celowe Współczynniki wagowe (5/5) Współczynniki kary Pozycja w hierarchii Nazwa celu Zysk Zatrudnienie Zatrudnienie Produkcja P 2 2My 1 + My y 2 Poziom osiągnięcia celu y 3 min 2 + 3x 2 y 1+ + y 1 = x 2 y 2+ + y 2 = 10 x 2 y 3+ + y 3 = 4 + 2x , x 2, y 1+, y 1, y 2+, y 2, y 3+, y 3 0 Współczynnik kary 2 M M 2 3 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 56
57 4.6. Wielokryterialne metody dyskretne Sformułowanie problemu Decydent określił pewien skończony zbiór wariantów decyzyjnych A, złożony z n elementów, spośród których chce wybrać wariant najlepiej odpowiadający jego preferencjom. W tym celu określa on również k kryteriów, którymi zamierza się kierować. Metody, pozwalające na rozwiązanie tego typu zadań nazywamy wielokryterialnymi metodami dyskretnymi. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 57
58 4.6. Wielokryterialne metody dyskretne Metoda AHP (1/9) AHP - skala ocen Ocena werbalna Wariant a w porównaniu z wariantem b względem rozpatrywanego kryterium jest preferowany Ocena numeryczna ekstremalnie 9 bardzo silnie do ekstremalnie 8 bardzo silnie 7 silnie do bardzo silnie 6 silnie 5 umiarkowanie do silnie 4 umiarkowanie 3 równoważnie do umiarkowanie 2 równoważnie 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 58
59 4.6. Wielokryterialne metody dyskretne Metoda AHP (2/9) Przykład 4.14 Problem decyzyjny Warianty decyzyjne: Kryteria: Decydent: wybór samochodu wariant a (samochód a), wariant b (samochód b), wariant c (samochód c), cena koszty eksploatacji sylwetka marka student (o niewielkich dochodach) T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 59
60 4.6. Wielokryterialne metody dyskretne Metoda AHP (3/9) Porównanie parami wariantów względem kolejnych kryteriów Cena Eksploatacja Sylwetka Marka a b c a b c a b c a b c a 2 a 4 a 2 4 a b b 2 5 b 3 b 5 4 c 6 5 c c c 3 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 60
61 4.6. Wielokryterialne metody dyskretne Metoda AHP (4/9) Porównanie parami kryteriów Cena Eksploatacja Sylwetka Marka Cena 6 2 Eksploatacja Sylwetka 9 Marka T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 61
62 4.6. Wielokryterialne metody dyskretne Metoda AHP (5/9) Macierz porównań a Marka a b c b 5 4 c 3 Kryterium: Marka Marka a b c a 1 1/5 1/3 b c 3 ¼ 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 62
63 4.6. Wielokryterialne metody dyskretne Metoda AHP (6/9) Ranking częściowy 1. W macierzy porównań parami sumujemy wartości kolejnych kolumn. 2. Normalizujemy otrzymaną macierz względem kolumn, dzieląc każdy element i-tej kolumny przez sumę s i. 3. Znajdujemy średnią dla każdego wiersza. Obliczone wartości traktujemy jako względne wagi porównywanych elementów. Marka a b c a 1 1/5 1/3 b c 3 1/4 1 suma 9,000 1,450 5,334 Marka a b c a 0,111 0,138 0,063 b 0,556 0,690 0,750 c 0,333 0,172 0,188 Marka a b c średnia a 0,111 0,138 0,063 0,104 b 0,556 0,690 0,750 0,665 c 0,333 0,172 0,188 0,231 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 63
64 4.6. Wielokryterialne metody dyskretne Metoda AHP (7/9) Współczynnik zgodności 1. Mnożymy macierz porównań przez obliczone uprzednio wagi. 1 1/ 5 1/ 3 0,104 0, ,665 = 2, / 4 1 0,231 0, Dzielimy elementy otrzymanego wektora przez kolejne wagi. 0,314 3,023 0,104 = 3. Obliczamy średnią dla wartości obliczonych w kroku drugim. λ max 2,109 0,665 0,709 = 3,171 = 3, 068 0,231 3, ,171+ 3,068 = = 3,087 3 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 64
65 4.6. Wielokryterialne metody dyskretne Metoda AHP (8/9) Współczynnik zgodności (c.d.) 4. Obliczamy współczynnik zgodności ze wzoru: λmax c = r n n ( 1) r - indeks losowy n r 0,58 0,90 1,12 1,24 1,32 1,41 1,45 1,49 λmax n 3,087 3 c = = = 0,075 r n ( 1) 0,58( 3 1) c 0,1 wystarczająca zgodność T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 65
66 4.6. Wielokryterialne metody dyskretne Metoda AHP (9/9) Przebieg obliczeń Wyniki obliczeń dla pozostałych kryteriów 0,256 0,041 0,233 0,470 cena eksploatacja sylwetka marka a 0,168 0,334 0,557 0,104 b 0,113 0,568 0,320 0,665 c 0,719 0,098 0,123 0,231 Ranking końcowy w = Ww 0,256 0,168 0,334 0,557 0,104 0,236 0,041 w = 0,113 0,568 0,320 0,665 = 0,439 0,233 0,719 0,098 0,123 0,231 0,325 0,470 (3) (1) (2) T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 66
67 4.6. Wielokryterialne metody dyskretne Metoda Promethee (1/15) Promethee funkcje preferencji δ i ((a, b) = f i (a) f i (b) Typ Funkcja preferencji Definicja Typ 1 Typ 2 Typ 3 P 1 P 1 P q δ δ 0 δ 0 P 1 ( δ) = 1 δ > 0 P 2 0 ( δ) = 1 P 3 ( δ) = 0 p δ 0 δ p 1 δ q δ > q δ 0 0 < δ δ > p p T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 67
68 4.6. Wielokryterialne metody dyskretne Metoda Promethee (2/15) Promethee funkcje preferencji (c.d.) δ i ((a, b) = f i (a,) f i (b) Typ Funkcja preferencji Definicja Typ 4 Typ 5 Typ 6 P 1 1/2 0 q p δ P 1 0 q p δ P 1 0 s δ P 4 P 5 0 δ q ( δ) = 1 q < δ p 1 2 δ > p 0 δ q δ q ( δ) = q < δ p q 1 δ > p 0 2 P ( δ) = δ 6 1 exp( 2s 2 ) p δ 0 δ > 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 68
69 4.6. Wielokryterialne metody dyskretne Metoda Promethee (3/15) Przykład 4.15 Wagi kryteriów Oceny w 1 = 0,2, w 2 = 0,1, w 3 = 0,3, w 4 = 0,1, w 5 = 0,1, w 6 = 0,2 f 1 f 2 f 3 f 4 f 5 f 6 a b ,5 248 c ,5 249 d , Kryterium o numerze i jest typu i. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 69
70 4.6. Wielokryterialne metody dyskretne Metoda Promethee (4/15) Wartości funkcji preferencji Kryterium f 1 (typ 1) δ 1 (a, b) = f 1 (a) f 1 (b) = 6 4 = 2 δ 1 (b, a) = f 1 (b) f 1 (a) = 4 6 = 2 Typ Funkcja preferencji Definicja Typ 1 P 1 0 δ 0 δ 0 P 1 ( δ) = 1 δ > 0 Ponieważ δ 1 (a, b) > 0 oraz δ 1 (b, a) < 0, więc P 1 [δ 1 (a, b)] = 1 i P 1 [δ 1 (b, a)] = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 70
71 4.6. Wielokryterialne metody dyskretne Metoda Promethee (5/15) Wartości funkcji preferencji (c.d.) Kryterium f 2 (typ 2) Decydent ustalił wartość q = 2 δ 2 (a, b) = f 2 (a) f 2 (b) = = 1 δ 2 (b, a) = f 2 (b) f 2 (a) = = 1 Typ Funkcja preferencji Definicja Typ 2 P 1 0 q δ P 2 0 ( δ) = 1 δ q δ > q Ponieważ δ 2 (a, b) = 1 < 2 oraz δ 2 (b, a) = 1 < 2, więc P 2 [δ 2 (a, b)] = 0 i P 2 [δ 2 (b, a)] = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 71
72 4.6. Wielokryterialne metody dyskretne Metoda Promethee (6/15) Wartości funkcji preferencji (c.d.) Kryterium f 3 (typ 3) Decydent ustalił wartość p = 4 δ 3 (a, b) = f 3 (a) f 3 (b) = = 1 δ 3 (b, a) = f 3 (b) f 3 (a) = = 1 Typ Funkcja preferencji Definicja Typ 3 P 1 P 3 ( δ) = 0 p δ 0 δ p 1 δ 0 0 < δ δ > p p Ponieważ 0 δ 3 (a, b) 4 oraz δ 3 (b, a) < 0, więc P 3 [δ 3 (a, b)] = 1 / 4 i P 3 [δ 3 (b, a)] = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 72
73 4.6. Wielokryterialne metody dyskretne Metoda Promethee (7/15) Wartości funkcji preferencji (c.d.) Kryterium f 4 (typ 4) Decydent ustalił wartość q = 5 i p = 10 δ 4 (a, b) = f 4 (a) f 4 (b) = = 6 δ 4 (b, a) = f 4 (b) f 4 (a) = = 6 Typ Funkcja preferencji Definicja Typ 4 P 1 1/2 0 q p δ P 4 0 ( δ) = δ q q < δ δ > p p Ponieważ δ 4 (a, b) < 0 oraz 5 < δ 4 (b, a) < 10, więc P 4 [δ 4 (a, b)] = 0 i P 4 [δ 4 (b, a)] = 1 / 2 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 73
74 4.6. Wielokryterialne metody dyskretne Metoda Promethee (8/15) Wartości funkcji preferencji (c.d.) Kryterium f 5 (typ 5) Decydent ustalił wartość q = 1 i p = 2 δ 5 (a, b) = f 5 (a) f 5 (b) = 1,25 3,5 = 2,25 δ 5 (b, a) = f 5 (b) f 5 (a) = 3,5 1,25 = 2,25 Typ Funkcja preferencji Definicja Typ 5 P 1 0 δ q P 5 ( δ) = p q 1 0 q p δ δ q q < δ p δ > p Ponieważ δ 5 (a, b) < 0 oraz δ 5 (b, a) > 2, więc P 5 [δ 5 (a, b)] = 0 i P 5 [δ 5 (b, a)] = 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 74
75 4.6. Wielokryterialne metody dyskretne Metoda Promethee (9/15) Wartości funkcji preferencji (c.d.) Kryterium f 6 (typ 6) Decydent ustalił wartość s = 1 δ 6 (a, b) = f 6 (a) f 6 (b) = =2 δ 6 (b, a) = f 6 (b) f 6 (a) = = 2 Typ Funkcja preferencji Definicja Typ 6 P 1 0 s δ 0 2 P ( δ) = δ 6 1 exp( 2s 2 ) δ 0 δ > 0 Ponieważ δ 6 (a, b) > 0 oraz δ 6 (b, a) < 0, więc P 6 [δ 6 (a, b)] = 0,865 i P 6 [δ 6 (b, a)] = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 75
76 4.6. Wielokryterialne metody dyskretne Metoda Promethee (10/15) Wartości funkcji preferencji (c.d.) δ 1 a b c d δ 2 a b c d δ 3 a b c d a a a b b b c c c d d d δ 4 a b c d δ 5 a b c d δ 6 a b c d a a 0 2,25 1,25 0,5 a b b 2, ,75 b c c 1, ,75 c d d 0,5 0,75 0,75 0 d T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 76
77 4.6. Wielokryterialne metody dyskretne Metoda Promethee (11/15) Wartości funkcji preferencji (c.d.) P 1 a b c d P 2 a b c d P 3 a b c d a a a 0 0,25 0 0,75 b b b ,5 c c c 0,5 0, d d d P 4 a b c d P 5 a b c d P 6 a b c d a a a 0 0,865 0,393 0 b 0,5 0 0,5 1 b ,75 b c c 0, c 0 0, d d d 0,865 0,999 0,989 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 77
78 4.6. Wielokryterialne metody dyskretne Metoda Promethee (12/15) Zagregowane indeksy preferencji Π x, y) = w P ( x, y) j ( j j= 1 k k Π( y, x) = w P ( y, x) j j j= 1 Π(a, b) = 0, , ,3 0,25 + 0, , ,2 0,865 = 0,448 Π(b, a) = 0, , , ,1 0,5 + 0, ,2 0 = 0,15 Π(a, a) = 0 Π(a, b) = 0,448 Π(a, c) = 0,279 Π(a, d) = 0,525 Π(b, a) = 0,15 Π(b, b) = 0 Π(b, c) = 0,05 Π(b, d) = 0,325 Π(c, a) = 0,275 Π(c, b) = 0,304 Π(c, c) = 0 Π(c, d) = 0,4 Π(d, a) = 0,173 Π(d, b) = 0,4 Π(d, c) = 0,398 Π(d, d) = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 78
79 4.6. Wielokryterialne metody dyskretne Metoda Promethee (13/15) Przepływy preferencji Dodatni przepływ preferencji: Φ + 1 ( x) = n 1 y A Π( x,y) Φ + (a) = 0,333 [Π(a, b) + Π(a, c) + Π(a, d)] = = 0,333 (0, , ,525) = 0,417 Φ + (b) = 0,333 [Π(b, a) + Π(b, c) + Π(b, d)] = = 0,333 (0,15 + 0,05 + 0,325) = 0,175 Φ + (c) = 0,333 [Π(c, a) + Π(c, b) + Π(c, d)] = = 0,333 (0, , ,4) = 0,326 Φ + (d) = 0,333 [Π(d, a) + Π(d, b) + Π(d, c)] = = 0,333 (0, ,4 + 0,398) = 0,324 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 79
80 4.6. Wielokryterialne metody dyskretne Metoda Promethee (14/15) Przepływy preferencji (c.d.) Ujemny przepływ preferencji: Φ 1 ( x) = n 1 y A Π( y, x) Φ - (a) = 0,333 [Π(b, a) + Π(c, a) + Π(d, a)] = = 0,333 ( 0,15 + 0, ,173) = 0,199 Φ - (b) = 0,333 [Π(a, b) + Π(c, b) + Π(d, b)] = = 0,333 (0, , ,4) = 0,384 Φ - (c) = 0,333 [Π(a, c) + Π(b, c) + Π(d, c)] = = 0,333 (0, ,05 + 0,398) = 0,242 Φ - (d) = 0,333 [Π(a, d) + Π(b, d) + Π(c, d)] = = 0,333 (0, , ,4) = 0,417 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 80
81 4.6. Wielokryterialne metody dyskretne Metoda Promethee (15/15) Przepływy preferencji (c.d.) Przepływ netto: Φ(x) = Φ + (x) Φ - (x) Φ(a) = Φ + (a) Φ - (a) = 0,417 0,199 = 0,218 (1) Φ(b) = Φ + (b) Φ - (b) = 0,175 0,384 = 0,209 (4) Φ(c) = Φ + (c) Φ - (c) = 0,326 0,242 = 0,084 (2) Φ(d) = Φ + (d) Φ - (d) = 0,324 0,417 = 0,093 (3) T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 81
82 4.6. Wielokryterialne metody dyskretne Metoda Electre I (1/15) Electre I - podstawowe pojęcia Wagi kryterialne Wskaźnik przewyższania ϕ i 1 ( x,y) = 0 Współczynnik zgodności Warunek zgodności gdy f i ( x) f ( y) w przeciwnym przypadku k = i= 1 c( x, y) w i ϕi ( x,y) i Warunek braku niezgodności Próg weta T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 82
83 4.6. Wielokryterialne metody dyskretne Metoda Electre I (2/15) Reguły postępowania w metodzie Electre I 1. Wyznaczenie zbioru zgodności C s. 2. Znalezienie zbiorem niezgodności D V. 3. Określenie relacji przewyższania S( s, v) = C S D V 4. Konstrukcja grafu zależności między wariantami. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 83
84 4.6. Wielokryterialne metody dyskretne Metoda Electre I (3/15) Przykład 4.16 Warianty Kryteria f 1 f 2 f 3 f 4 a a a a a a a a a Progi weta: v 1 = 5, v 2 = 7, v 3 = 6, v 4 = 5, Współczynniki wagowe: w 1 = 0,08, w 2 = 0,33, w 3 = 0,17, w 4 = 0,42. Próg zgodności: s = 0,83. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 84
85 4.6. Wielokryterialne metody dyskretne Metoda Electre I (4/15) Wyznaczeniu zbioru zgodności a 1 3 a 2 5 a 3 10 a 4 4 a 5 2 a 6 9 a 7 4 a 8 1 a 9 5 f 1 (a 1 ) f 1 (a 1 ) ϕ 1 (a 1, a 1 ) = 1 ( ponieważ 3 3 ) f 1 (a 1 ) < f 1 (a 2 ) ϕ 1 (a 1, a 2 ) = 0 ( ponieważ 3 < 5 ).. f 1 (a 9 ) f 1 (a 8 ) ϕ 1 (a 9, a 8 ) = 1 ( ponieważ 5 1 ) f 1 (a 9 ) f 1 (a 9 ) ϕ 1 (a 9, a 9 ) = 1 ( ponieważ 5 5 ) T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 85
86 4.6. Wielokryterialne metody dyskretne Metoda Electre I (5/15) Wyznaczeniu zbioru zgodności (c.d.) Φ 1 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 Φ 2 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a a a a a a a a a a T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 86
87 4.6. Wielokryterialne metody dyskretne Metoda Electre I (6/15) Wyznaczeniu zbioru zgodności (c.d.) Φ 3 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 Φ 4 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a a a a a a a a a a T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 87
88 4.6. Wielokryterialne metody dyskretne Metoda Electre I (7/15) Obliczenie zbioru zgodności (s=0,83) c(a 1, a 2 ) = w 1 ϕ 1 (a 1, a 2 ) + w 2 ϕ 2 (a 1, a 2 ) + w 3 ϕ 3 (a 1, a 2 ) + w 4 ϕ 4 (a 1, a 2 ) = 0, , , ,42 0 = 0,50 C = w 1 Φ 1 + w 2 Φ 2 + w 3 Φ 3 + w 4 Φ 4 C a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 C a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a 1 1,00 0,50 0,92 0,59 0,83 0,92 0,59 0,08 0,92 a a 2 0,67 1,00 0,92 0,67 0,50 0,59 0,67 0,08 1,00 a a 3 0,08 0,08 1,00 0,67 0,50 0,25 0,08 0,08 0,50 a a 4 0,41 0,33 0,50 1,00 0,83 0,50 0,08 0,41 0,33 a a 5 0,17 0,50 0,50 0,17 1,00 0,17 0,17 0,25 0,50 a a 6 0,41 0,41 0,75 0,50 0,83 1,00 0,50 0,08 0,83 a a 7 0,58 0,50 0,92 1,00 0,83 0,92 1,00 0,41 0,92 a a 8 0,92 0,92 0,92 0,59 0,75 0,92 0,59 1,00 0,92 a a 9 0,08 0,08 0,92 0,67 0,50 0,17 0,50 0,08 1,00 a T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 88
89 4.6. Wielokryterialne metody dyskretne Metoda Electre I (8/15) Wyznaczenie zbioru niezgodności C 0,83 = { (a 1, a 3 ), (a 1, a 5 ), (a 1, a 6 ), (a 1, a 9 ), (a 2, a 3 ), (a 2, a 9 ), (a 4, a 5 ), (a 6, a 5 ), (a 6, a 9 ), (a 7, a 3 ), (a 7, a 4 ), (a 7, a 5 ), (a 7, a 6 ), (a 7, a 9 ), (a 8, a 1 ), (a 8, a 2 ), (a 8, a 3 ), (a 8, a 6 ), (a 8, a 9 ), (a 9, a 3 ) } (a 1, a 3 ): f 1 (a 1 ) + v 1 < f 1 (a 3 ) ( < 10 ) niezgodność (a 1, a 5 ): f 1 (a 1 ) + v 1 f 1 (a 5 ) ( ) brak niezgodności.. (a 8, a 9 ): f 1 (a 8 ) + v 1 [f 1 (a 8 )] f 1 (a 9 ) ( ) brak niezgodności (a 9, a 3 ): f 1 (a 9 ) + v 1 [f 1 (a 9 )] f 1 (a 3 ) ( ) brak niezgodności T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 89
90 4.6. Wielokryterialne metody dyskretne Metoda Electre I (9/15) Wyznaczenie zbioru niezgodności (c.d.) f 1 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 f 2 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a 1 * * 1 * 0 1 * * 0 a 1 * * 0 * 0 0 * * 0 a 2 * * 0 * * * * * 0 a 2 * * 0 * * * * * 0 a 3 * * * * * * * * * a 3 * * * * * * * * * a 4 * * * * 0 * * * * a 4 * * * * 0 * * * * a 5 * * * * * * * * * a 5 * * * * * * * * * a 6 * * * * 0 * * * 0 a 6 * * * * 0 * * * 0 a 7 * * * * 0 a 7 * * * * 0 a * * 1 * * 0 a * * 0 * * 0 a 9 * * 0 * * * * * * a 9 * * 0 * * * * * * T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 90
91 4.6. Wielokryterialne metody dyskretne Metoda Electre I (10/15) Wyznaczenie zbioru niezgodności (c.d.) f 3 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 f 4 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a 1 * * 0 * 0 0 * * 0 a 1 * * 0 * 0 0 * * 0 a 2 * * 0 * * * * * 0 a 2 * * 0 * * * * * 0 a 3 * * * * * * * * * a 3 * * * * * * * * * a 4 * * * * 0 * * * * a 4 * * * * 0 * * * * a 5 * * * * * * * * * a 5 * * * * * * * * * a 6 * * * * 1 * * * 0 a 6 * * * * 0 * * * 0 a 7 * * * * 0 a 7 * * * * 0 a * * 0 * * 0 a * * 0 * * 0 a 9 * * 0 * * * * * * a 9 * * 0 * * * * * * T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 91
92 4.6. Wielokryterialne metody dyskretne Metoda Electre I (11/15) Zbiór niezgodności D v = { (a 1, a 3 ), (a 1, a 6 ), (a 6, a 5 ), (a 7, a 3 ), (a 8, a 3 ), (a 8, a 6 ) } Zbiór D v Zbiór D v a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a a a a a a a a a a T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 92
93 4.6. Wielokryterialne metody dyskretne Metoda Electre I (12/15) Wyznaczenie relacji przewyższania Zbiór zgodności C Dopełnienie zbioru niezgodności C a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a Zbiór D v a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 93
94 4.6. Wielokryterialne metody dyskretne Metoda Electre I (13/15) Wyznaczenie relacji przewyższania S a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a S ( s, v) = C s D v = {(a 1, a 5 ), (a 1, a 9 ), (a 2, a 3 ), (a 2, a 9 ), (a 4, a 5 ), (a 6, a 9 ), (a 7, a 4 ), (a 7, a 5 ), (a 7, a 6 ), (a 7, a 9 ), (a 8, a 1 ), (a 8, a 2 ), (a 8, a 9 ), (a 9, a 3 )} T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 94
95 4.6. Wielokryterialne metody dyskretne Metoda Electre I (14/15) Grafy zależności między wariantami decyzyjnymi Od wariantu najlepszego do najgorszego S a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 95
96 4.6. Wielokryterialne metody dyskretne Metoda Electre I (15/15) Grafy zależności między wariantami decyzyjnymi (c.d.) Od wariantu najgorszego do najlepszego S a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 96
97 4.7. Przykłady wykorzystania metod wielokryterialnych Organizacja kampanii reklamowej (1/7) Przykład 4.17 Tygodniki: A, B, C, D, E. Zasięg i częstotliwość czytelnictwa czasopisma. Efekt prestiżu (skala od 1 do 10). cena jednego ogłoszenia prestiż jednostkowy zasięg Tygodnik jednostkowa częstotliwość czytelnictwa A Zasięg nie mniejszy niż 70% grupy docelowej. Częstotliwość nie mniejsza niż 2 2 B C D E Cele: I - minimalizacja kosztów (cel priorytetowy) II - maksymalizacja efektu prestiżu T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 97
98 4.7. Przykłady wykorzystania metod wielokryterialnych Organizacja kampanii reklamowej (2/7) Model matematyczny Cel(e) Celem jest określenie najlepszej kompozycji mediów. Zadanie rozpatrujemy jako dwukryterialny problem hierarchiczny, w którym: I. Minimalizujemy koszt kampanii II. Zmienne decyzyjne Maksymalizujemy całkowity prestiż x A liczba reklam w trakcie kampanii w tygodniku A x B liczba reklam w trakcie kampanii w tygodniku B x C liczba reklam w trakcie kampanii w tygodniku C x D liczba reklam w trakcie kampanii w tygodniku D x E liczba reklam w trakcie kampanii w tygodniku E T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 98
99 4.7. Przykłady wykorzystania metod wielokryterialnych Organizacja kampanii reklamowej (3/7) Model matematyczny (c.d.) Funkcje kryterialne Funkcja kosztu: 30x A + 28x B + 23x C + 19x D + 18x E min Funkcja efektu prestiżu : 2x A + x B + 4x C + 5x D + 3x E max Ograniczenia: całkowity zasięg: 7.5x A + 7x B x C x D + 4.5x E 70 całkowita częstotliwość : 0.16x A x B x C + 0.1x D + 0.1x E 2 Ograniczenia na zmienne decyzyjne 0 x A 4, 0 x B 4, 0 x C 4, 0 x D 4, 0 x E 4 x A, x B, x C, x D, x E całkowite T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 99
100 4.7. Przykłady wykorzystania metod wielokryterialnych Organizacja kampanii reklamowej (4/7) Ścisła hierarchia kryteriów Funkcja celu pierwszego poziomu hierarchii Ograniczenia: 30x A + 28x B + 23x C + 19x D + 18x E min 7.5x A + 7x B x C x D + 4.5x E x A x B x C + 0.1x D + 0.1x E 2 0 x A 4, 0 x B 4, 0 x C 4, 0 x D 4, 0 x E 4 x A, x B, x C, x D, x E całkowite Rozwiązania optymalne: 1. x A = 3 x B = 4 x C = 1 x D = 4 x E = 4 2. x A = 4 x B = 4 x C = 3 x D = 0 x E = 4 Optymalna wartość funkcji kosztu wynosi 373. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 100
101 4.7. Przykłady wykorzystania metod wielokryterialnych Organizacja kampanii reklamowej (5/7) Ścisła hierarchia kryteriów (c.d.) Funkcja celu drugiego poziomu hierarchii 2x A + x B + 4x C + 5x D + 3x E max Zbiór rozwiązań dopuszczalnych Rozwiązanie optymalne 1. x A = 3 x B = 4 x C = 1 x D = 4 x E = 4 2. x A = 4 x B = 4 x C = 3 x D = 0 x E = 4 Dla pierwszego z otrzymanych rozwiązań wartość funkcji prestiżu jest równa 46, a drugiego wynosi 36. Należy wybrać rozwiązanie pierwsze. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 101
102 4.7. Przykłady wykorzystania metod wielokryterialnych Organizacja kampanii reklamowej (6/7) Quasi hierarchia kryteriów Pierwszy poziom hierarchii Taki sam, jak poprzednio. Drugi poziom hierarchii Decydent decyduje się na zwiększenie kwoty przeznaczonej na reklamę o 10%, czyli maksymalnym akceptowalnym kosztem jest wartość 410. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 102
103 4.7. Przykłady wykorzystania metod wielokryterialnych Organizacja kampanii reklamowej (7/7) Quasi hierarchia kryteriów (c.d.) Funkcja celu drugiego poziomu hierarchii f(x A, x B, x C, x D, x E ) = 2x A + x B + 4x C + 5x D + 3x E min Warunki ogranicząjce 7.5x A + 7x B x C x D + 4.5x E x A x B x C + 0.1x D + 0.1x E 2 30x A + 28x B + 23x C + 19x D + 18x E x A 4, 0 x B 4, 0 x C 4, 0 x D 4, 0 x E 4 x A, x B, x C, x D, x E całkowite Rozwiązanie optymalne Efekt prestiżu wynosi teraz 53 (wzrost o 16,7%) Koszt zwiększył się do 388 (wzrost o 4%) T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 103
104 4.7. Przykłady wykorzystania metod wielokryterialnych Określenie strategii długookresowej firmy (1/7) Przykład 4.18 Cel 1: osiągnięcie zysku długookresowego równego przynajmniej 100 mln zł; Cel 2: utrzymanie zatrudnienia na poziomie osób, Cel 3: utrzymanie nakładów inwestycyjnych na poziomie nie wyższym niż 40 mln zł Cel zysk długookresowy poziom zatrudnienia nakłady i inwestycje zysk jednostkowy P P P założony poziom osiągnięcia celu 100 (mln zł) = 30 (setki zatrudnionych) 40 (mln zł) współczynniki kary 6(-) 2(+), 5(-) 4(+) Należy znaleźć taki poziom produkcji, który najlepiej realizuje przyjęte cele z uwzględnieniem. zadanych współczynników kar. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 104
105 4.7. Przykłady wykorzystania metod wielokryterialnych Określenie strategii długookresowej firmy (2/7) Model matematyczny Zmienne decyzyjne planowany rozmiar produkcji wyrobu P 1 x 2 planowany rozmiar produkcji wyrobu P 2 x 3 planowany rozmiar produkcji wyrobu P 3 Zmienne bilansujące cele y 1+ = wielkość, o jaką osiągnięty zysk przekracza wartość 100 mln zł y 1 = wielkość, o jaką osiągnięty zysk jest mniejszy od 100 mln zł y 2+ = wielkość, o jaką zatrudnienie przekracza 30 setek osób, y 2 = wielkość, o jaką zatrudnienie jest mniejsze od 30 setek osób, y 3+ = wielkość, o jaką nakłady inwestycyjne przekraczają 40 mln zł, y 3 = wielkość, o jaką nakłady inwestycyjne są mniejsze od 40 mln zł, T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 105
106 4.7. Przykłady wykorzystania metod wielokryterialnych Określenie strategii długookresowej firmy (3/7) Zadanie zastępcze Funkcja celu zadania zastępczego: Minimalizacja ważonej sumy niekorzystnych odchyleń od ustalonych poziomów realizacji celów. 6y 1 + 2y y 2 + 4y 3+ min Warunki ograniczające: Równanie bilansujące dla celu pierwszego: x x 3 y 1+ + y 1 = 100 Równanie bilansujące dla celu drugiego: 4 + 2x 2 + 3x 3 y 2+ + y 2 = 30 Równanie bilansujące dla celu trzeciego: 5 + 7x 2 + 8x 3 y 3+ + y 3 = 40 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 106
107 4.7. Przykłady wykorzystania metod wielokryterialnych Określenie strategii długookresowej firmy (4/7) Rozwiązanie optymalne = 10 x 2 = 0 x 3 = 0 y 1+ = 0 y 1 = 0 y 2+ = 10 y 2 =0 y 3+ = 10 y 3 = 0 Minimalna wartość funkcji mierzącej odchylenie od zadanych pomiarów celów jest równa 60. Interpretacja rozwiązania Nie jest możliwe jednoczesne zrealizowanie wszystkich trzech celów. Poziom zatrudnienia przekroczy docelową wartość 1000 pracowników, a nakłady inwestycyjne przekroczą docelowe wartości 10 mln zł. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 107
108 4.7. Przykłady wykorzystania metod wielokryterialnych Określenie strategii długookresowej firmy (5/7) Hierarchizacja celów Pierwszy poziom hierarchii: Cel 2a: Cel 3: nieprzekroczenie aktualnego poziomu zatrudnienia (3000 osób) utrzymanie nakładów inwestycyjnych na poziomie nie większym niż 30 mln zł Drugi poziom hierarchii: Cel 1: osiągnięcie zysku długookresowego na poziomie 100 mln zł, Cel 2b: Cel 2b: utrzymanie dotychczasowego poziomu zatrudnienia i nie obniżanie go. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 108
109 4.7. Przykłady wykorzystania metod wielokryterialnych Określenie strategii długookresowej firmy (6/7) Hierarchizacja celów (c.d.) Zadanie pierwszego poziomu hierarchii 2y y 3+ min Cel x x 3 y 1+ + y 1 = 100 Cel x 2 + 3x 3 y 2+ + y 2 = 30 Cel x 2 + 8x 3 y 3+ + y 3 = 40 Zadanie drugiego poziomu hierarchii, x 2, x 3, y 1+, y 1, y 2+, y 2, y 3+, y 3 0 6y 1 + 5y 2 min x x 3 y 1+ + y 1 = x 2 + 3x 3 y 2+ + y 2 = x 2 + 8x 3 y 3+ + y 3 = 40 2y y 2 = 30, x 2, x 3, y 1+, y 1, y 2+, y 2, y 3+, y 3 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 109
110 4.7. Przykłady wykorzystania metod wielokryterialnych Określenie strategii długookresowej firmy (7/7) Hierarchizacja celów (c.d.) Rozwiązanie optymalne = 7.06 x 2 = 0 x 3 = 0.59 y + 1+ = 0 y 1 = 21,76 y 2+ = 0 y 2 = 0 y 3+ = 0 y 3 = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 110
111 Pora na relaks T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 111
Wielokryteriowa optymalizacja liniowa
Wielokryteriowa optymalizacja liniowa 1. Przy decyzjach złożonych kierujemy się zwykle więcej niż jednym kryterium. Postępowanie w takich sytuacjach nie jest jednoznaczne. Pojawiło się wiele sposobów dochodzenia
Bardziej szczegółowoProgramowanie liniowe. Tadeusz Trzaskalik
Programowanie liniowe Tadeusz Trzaskalik .. Wprowadzenie Słowa kluczowe Model matematyczny Cel, środki, ograniczenia Funkcja celu funkcja kryterium Zmienne decyzyjne Model optymalizacyjny Układ warunków
Bardziej szczegółowoProgramowanie liniowe całkowitoliczbowe. Tadeusz Trzaskalik
Programowanie liniowe całkowitoliczbowe Tadeusz Trzaskalik .. Wprowadzenie Słowa kluczowe Rozwiązanie całkowitoliczbowe Założenie podzielności Warunki całkowitoliczbowości Czyste zadanie programowania
Bardziej szczegółowoZadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik
Zadanie transportowe i problem komiwojażera Tadeusz Trzaskalik 3.. Wprowadzenie Słowa kluczowe Zbilansowane zadanie transportowe Rozwiązanie początkowe Metoda minimalnego elementu macierzy kosztów Metoda
Bardziej szczegółowoWielokryteriowa optymalizacja liniowa cz.2
Wielokryteriowa optymalizacja liniowa cz.2 Metody poszukiwania końcowych rozwiązań sprawnych: 1. Metoda satysfakcjonujących poziomów kryteriów dokonuje się wyboru jednego z kryteriów zadania wielokryterialnego
Bardziej szczegółowoKolejny krok iteracji polega na tym, że przechodzimy do następnego wierzchołka, znajdującego się na jednej krawędzi z odnalezionym już punktem, w
Metoda Simpleks Jak wiadomo, problem PL z dowolną liczbą zmiennych można rozwiązać wyznaczając wszystkie wierzchołkowe punkty wielościanu wypukłego, a następnie porównując wartości funkcji celu w tych
Bardziej szczegółowoProgramowanie dynamiczne. Tadeusz Trzaskalik
Programowanie dynamiczne Tadeusz Trzaskalik 9.. Wprowadzenie Słowa kluczowe Wieloetapowe procesy decyzyjne Zmienne stanu Zmienne decyzyjne Funkcje przejścia Korzyści (straty etapowe) Funkcja kryterium
Bardziej szczegółowoTeoretyczne podstawy programowania liniowego
Teoretyczne podstawy programowania liniowego Elementy algebry liniowej Plan Kombinacja liniowa Definicja Kombinacja liniowa wektorów (punktów) x 1, x 2,, x k R n to wektor x R n k taki, że x = i=1 λ i
Bardziej szczegółowoMetody ilościowe w badaniach ekonomicznych
prof. dr hab. Tadeusz Trzaskalik dr hab. Maciej Nowak, prof. UE Wybór portfela projektów z wykorzystaniem wielokryterialnego programowania dynamicznego Metody ilościowe w badaniach ekonomicznych 19-06-2017
Bardziej szczegółowoPROGRAMOWANIE WIELOKRYTERIALNE (CELOWE)
PROGRAMOWANIE WIELOKRYTERIALNE (CELOWE) Przykład 14. Zakład zamierza rozpocząć produkcję wyrobów W 1 i W 2. Wśród środków produkcyjnych, które zostaną użyte w produkcji dwa są limitowane. Limity te wynoszą:
Bardziej szczegółowoProgramowanie liniowe
Badania operacyjne Problem Model matematyczny Metoda rozwiązania Znaleźć optymalny program produkcji. Zmaksymalizować 1 +3 2 2 3 (1) Przy ograniczeniach 3 1 2 +2 3 7 (2) 2 1 +4 2 12 (3) 4 1 +3 2 +8 3 10
Bardziej szczegółowoDefinicja problemu programowania matematycznego
Definicja problemu programowania matematycznego minimalizacja lub maksymalizacja funkcji min (max) f(x) gdzie: x 1 x R n x 2, czyli: x = [ ] x n przy ograniczeniach (w skrócie: p.o.) p.o. g i (x) = b i
Bardziej szczegółowoBADANIA OPERACYJNE PROGRAMOWANIE WIELOKRYTERIALNE
DR ADAM SOJDA Czasem istnieje wiele kryteriów oceny. Kupno samochodu: cena prędkość maksymalna spalanie kolor typ nadwozia bagażnik najniższa najwyższa najniższe {czarny*, czerwony, } {sedan, coupe, SUV,
Bardziej szczegółowo1 Przykładowe klasy zagadnień liniowych
& " 1 PRZYKŁADOWE KLASY ZAGADNIEŃ LINIOWYCH 1 1 Przykładowe klasy zagadnień liniowych Liniowy model produkcji Zakład może prowadzić rodzajów działalności np. produkować różnych wyrobów). Do prowadzenia
Bardziej szczegółowoRozdział 1 PROGRAMOWANIE LINIOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 1 PROGRAMOWANIE LINIOWE 1.2 Ćwiczenia komputerowe Ćwiczenie 1.1 Wykorzystując
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania KOMPUTEROWE SYSTEMY STEROWANIA I WSPOMAGANIA DECYZJI Rozproszone programowanie produkcji z wykorzystaniem
Bardziej szczegółowoMETODA SYMPLEKS. Maciej Patan. Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski
METODA SYMPLEKS Maciej Patan Uniwersytet Zielonogórski WSTĘP Algorytm Sympleks najpotężniejsza metoda rozwiązywania programów liniowych Metoda generuje ciąg dopuszczalnych rozwiązań x k w taki sposób,
Bardziej szczegółowoOptymalizacja wielokryterialna
Optymalizacja wielokryterialna Optymalizacja wielokryterialna Dział badań operacyjnych zajmujący się wyznaczaniem optymalnej decyzji w przypadku, gdy występuje więcej niż jedno kryterium Problem wielokryterialny
Bardziej szczegółowoWprowadzenie do badań operacyjnych - wykład 2 i 3
Wprowadzenie do badań operacyjnych - wykład 2 i 3 Hanna Furmańczyk 14 listopada 2008 Programowanie liniowe (PL) - wszystkie ograniczenia muszą być liniowe - wszystkie zmienne muszą być ciągłe n j=1 c j
Bardziej szczegółowoMetoda simpleks. Gliwice
Sprowadzenie modelu do postaci bazowej Sprowadzenie modelu do postaci bazowej Przykład 4 Model matematyczny z Przykładu 1 sprowadzić do postaci bazowej. FC: ( ) Z x, x = 6x + 5x MAX 1 2 1 2 O: WB: 1 2
Bardziej szczegółowodoc. dr Beata Pułska-Turyna Zarządzanie B506 mail: mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505.
doc. dr Beata Pułska-Turyna Zakład Badań Operacyjnych Zarządzanie B506 mail: turynab@wz.uw.edu.pl mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505. Tel.: (22)55 34 144 Mail: student@pgadecki.pl
Bardziej szczegółowoPlan wykładu. Przykład. Przykład 3/19/2011. Przykład zagadnienia transportowego. Optymalizacja w procesach biznesowych Wykład 2 DECYZJA?
/9/ Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład --9 Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów
Bardziej szczegółowoWielokryterialne wspomaganie decyzji Redakcja naukowa Tadeusz Trzaskalik
Wielokryterialne wspomaganie decyzji Redakcja naukowa Tadeusz Trzaskalik W książce autorzy przedstawiają dyskretne problemy wielokryterialne, w których liczba rozpatrywanych przez decydenta wariantów decyzyjnych
Bardziej szczegółowoAnaliza wielokryterialna
Analiza wielokryterialna dr hab. inż. Krzysztof Patan, prof. PWSZ Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa w Głogowie k.patan@issi.uz.zgora.pl Wprowadzenie Wielokryterialny wybór wariantu
Bardziej szczegółowoZAGADNIENIE TRANSPORTOWE
ZAGADNIENIE TRANSPORTOWE ZT jest specyficznym problemem z zakresu zastosowań programowania liniowego. ZT wykorzystuje się najczęściej do: optymalnego planowania transportu towarów, przy minimalizacji kosztów,
Bardziej szczegółowoElementy Modelowania Matematycznego
Elementy Modelowania Matematycznego Wykład 6 Metoda simpleks Spis treści Wstęp Zadanie programowania liniowego Wstęp Omówimy algorytm simpleksowy, inaczej metodę simpleks(ów). Jest to stosowana w matematyce
Bardziej szczegółowoWykład 6. Programowanie liniowe
Wykład 6. Programowanie liniowe Zakład może wytwarzać dwa produkty: P 1 i P 2. Ich produkcja jest limitowana dostępnymi zasobami trzech środków: S 1, S 2, S 3. Zasoby tych środków wynoszą odpowiednio,
Bardziej szczegółowoMetoda graficzna może być stosowana w przypadku gdy model zawiera dwie zmienne decyzyjne. Metoda składa się z dwóch kroków (zobacz pierwszy wykład):
może być stosowana w przypadku gdy model zawiera dwie zmienne decyzyjne. Metoda składa się z dwóch kroków (zobacz pierwszy wykład): 1 Narysuj na płaszczyźnie zbiór dopuszczalnych rozwiazań. 2 Narysuj funkcję
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Łukasz Kowalik Instytut Informatyki, Uniwersytet Warszawski April 8, 2016 Łukasz Kowalik (UW) LP April 8, 2016 1 / 15 Problem diety Tabelka wit. A (µg) wit. B1 (µg) wit. C (µg) (kcal)
Bardziej szczegółowoPROGRAMOWANIE KWADRATOWE
PROGRAMOWANIE KWADRATOWE Programowanie kwadratowe Zadanie programowania kwadratowego: Funkcja celu lub/i co najmniej jedno z ograniczeń jest funkcją kwadratową. 2 Programowanie kwadratowe Nie ma uniwersalnej
Bardziej szczegółowoUkłady równań i nierówności liniowych
Układy równań i nierówności liniowych Wiesław Krakowiak 1 grudnia 2010 1 Układy równań liniowych DEFINICJA 11 Układem równań m liniowych o n niewiadomych X 1,, X n, nazywamy układ postaci: a 11 X 1 + +
Bardziej szczegółowoRozdział 6 PROGRAMOWANIE WYPUKŁE I KWADRATOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 6 PROGRAMOWANIE WYPUKŁE I KWADRATOWE 6. Ćwiczenia komputerowe Ćwiczenie 6.1
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2010 Mirosław Sobolewski (UW) Warszawa, 2009 1 / 15 Homo oeconomicus=
Bardziej szczegółowoZAGADNIENIA PROGRAMOWANIA LINIOWEGO
ZAGADNIENIA PROGRAMOWANIA LINIOWEGO Maciej Patan Uniwersytet Zielonogórski WSTĘP często spotykane w życiu codziennym wybór asortymentu produkcji jakie wyroby i w jakich ilościach powinno produkować przedsiębiorstwo
Bardziej szczegółowoRozdział 1 PROGRAMOWANIE LINIOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 1 PROGRAMOWANIE LINIOWE 1.1 Opis programów Do rozwiązania zadań programowania
Bardziej szczegółowoWIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW
Uniwersytet Ekonomiczny we Wrocławiu WIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW Wprowadzenie Wrażliwość wyników analizy wielokryterialnej na zmiany wag kryteriów, przy
Bardziej szczegółowoAlgebra liniowa. Macierze i układy równań liniowych
Algebra liniowa Macierze i układy równań liniowych Własności wyznaczników det I = 1, det(ab) = det A det B, det(a T ) = det A. Macierz nieosobliwa Niech A będzie macierzą kwadratową wymiaru n n. Mówimy,
Bardziej szczegółowoZarządzanie projektami. Tadeusz Trzaskalik
Zarządzanie projektami Tadeusz Trzaskalik 7.1. Wprowadzenie Słowa kluczowe Projekt Sieć czynności zynność bezpośrednio poprzedzająca Zdarzenie, zdarzenie początkowe, zdarzenie końcowe Właściwa numeracja
Bardziej szczegółowoIwona Konarzewska Programowanie celowe - wprowadzenie. Katedra Badań Operacyjnych UŁ
1 Iwona Konarzewska Programowanie celowe - wprowadzenie Katedra Badań Operacyjnych UŁ 2 Programowanie celowe W praktycznych sytuacjach podejmowania decyzji często występuje kilka celów. Problem pojawia
Bardziej szczegółowoZagadnienie transportowe
9//9 Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów
Bardziej szczegółowoElementy Modelowania Matematycznego
Elementy Modelowania Matematycznego Wykład 8 Programowanie nieliniowe Spis treści Programowanie nieliniowe Zadanie programowania nieliniowego Zadanie programowania nieliniowego jest identyczne jak dla
Bardziej szczegółowoStandardowe zadanie programowania liniowego. Gliwice 1
Standardowe zadanie programowania liniowego 1 Standardowe zadanie programowania liniowego Rozważamy proces, w którym zmiennymi są x 1, x 2,, x n. Proces poddany jest m ograniczeniom, zapisanymi w postaci
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2015 Mirosław Sobolewski (UW) Warszawa, 2015 1 / 16 Homo oeconomicus=
Bardziej szczegółowoProgramowanie liniowe
Badania operacyjne Ćwiczenia 4 Programowanie liniowe Dualizm w programowaniu liniowym Plan zajęć Dualizm w programowaniu liniowym Projektowanie programu dualnego Postać programu dualnego Przykład 1 Rozwiązania
Bardziej szczegółowoRozdział 2 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 2 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE 2.2 Ćwiczenia komputerowe Ćwiczenie
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Maciej Drwal maciej.drwal@pwr.wroc.pl 1 Problem programowania liniowego min x c T x (1) Ax b, (2) x 0. (3) gdzie A R m n, c R n, b R m. Oznaczmy przez x rozwiązanie optymalne, tzn.
Bardziej szczegółowoBadania Operacyjne Ćwiczenia nr 2 (Materiały)
Zbiór rozwiązań dopuszczalnych programu liniowego Zbiór rozwiązań dopuszczalnych programu linowego to taki zbiór, który spełnia warunki ograniczające (funkcyjne oraz brzegowe) programu liniowego. Przy
Bardziej szczegółowoModelowanie sytuacji konfliktowych, w których występują dwie antagonistyczne strony.
GRY (część 1) Zastosowanie: Modelowanie sytuacji konfliktowych, w których występują dwie antagonistyczne strony. Najbardziej znane modele: - wybór strategii marketingowych przez konkurujące ze sobą firmy
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 3 autorzy: A. Gonczarek, J.M. Tomczak Zbiory i funkcje wypukłe Zad. 1 Pokazać, że następujące zbiory są wypukłe: a) płaszczyzna S = {x
Bardziej szczegółowoWstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra
Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Uwarunkowanie zadania numerycznego Niech ϕ : R n R m będzie pewna funkcja odpowiednio wiele
Bardziej szczegółowoWykład z modelowania matematycznego. Zagadnienie transportowe.
Wykład z modelowania matematycznego. Zagadnienie transportowe. 1 Zagadnienie transportowe zostało sformułowane w 1941 przez F.L.Hitchcocka. Metoda rozwiązania tego zagadnienia zwana algorytmem transportowymópracowana
Bardziej szczegółowoBADANIA OPERACYJNE pytania kontrolne
DUALNOŚĆ 1. Podać twierdzenie o dualności 2. Jaka jest zależność pomiędzy funkcjami celu w zadaniu pierwotnym i dualnym? 3. Prawe strony ograniczeń zadania pierwotnego, w zadaniu dualnym są 4. Współczynniki
Bardziej szczegółowoWIELOATRYBUTOWE PODEJMOWANIE DECYZJI: ANALYTIC HIERARCHY PROCESS
WIELOATRYBUTOWE PODEJMOWANIE DECYZJI: ANALYTIC HIERARCHY PROCESS 1.1. ISTOTA METODY AHP... 1 Rysunek 1. Etapy rozwiązywania problemów z pomocą AHP... 3 Rysunek 2. Hierarchia decyzyjna AHP... 4 Tabela 1.
Bardziej szczegółowoPROGRAMOWANIE NIELINIOWE
PROGRAMOWANIE NIELINIOWE Maciej Patan Uniwersytet Zielonogórski WSTEP Zadanie programowania nieliniowego (ZPN) min f(x) g i (x) 0, h i (x) = 0, i = 1,..., m g i = 1,..., m h f(x) funkcja celu g i (x) i
Bardziej szczegółowoĆwiczenia laboratoryjne - Dobór optymalnego asortymentu produkcji programowanie liniowe. Logistyka w Hutnictwie Ćw. L.
Ćwiczenia laboratoryjne - Dobór optymalnego asortymentu produkcji programowanie liniowe Ćw. L. Typy optymalizacji Istnieją trzy podstawowe typy zadań optymalizacyjnych: Optymalizacja statyczna- dotyczy
Bardziej szczegółowo( 1) ( ) 16 Warunki brzegowe [WB] Funkcja celu [FC] Ograniczenia [O] b i ( 2) ( ) ( ) 14. FC max. Kompletna postać bazowa
Standardowe zadanie PL () Należy zaplanować produkcję zakładu w pewnym tygodniu w taki sposób, aby osiągnięty zysk był maksymalny. akład może wytwarzać dwa wyroby: P i P. Ich produkcja jest limitowana
Bardziej szczegółowo(Dantzig G. B. (1963))
(Dantzig G.. (1963)) Uniwersalna metoda numeryczna dla rozwiązywania zadań PL. Ideą metody est uporządkowany przegląd skończone ilości rozwiązań bazowych układu ograniczeń, które możemy utożsamiać, w przypadku
Bardziej szczegółowoLokalna odwracalność odwzorowań, odwzorowania uwikłane
Lokalna odwracalność odwzorowań, odwzorowania uwikłane Katedra Matematyki i Ekonomii Matematycznej Szkoła Główna Handlowa 17 maja 2012 Definicja Mówimy, że odwzorowanie F : X R n, gdzie X R n, jest lokalnie
Bardziej szczegółowoProgramowanie liniowe metoda sympleks
Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2012 Mirosław Sobolewski (UW) Warszawa, 2012 1 / 12
Bardziej szczegółowoMETODA ANALITYCZNA Postać klasyczna: z = 5 x 1 + 6x 2 MAX 0,2 x 1 + 0,3x 2 < 18 0,6 x 1 + 0,6x 2 < 48 x 1, x 2 > 0
METODA ANALITYCZNA Postać klasyczna: z = 5 x 1 + 6x 2 MAX 0,2 x 1 + 0,3x 2 < 18 0,6 x 1 + 0,6x 2 < 48 x 1, x 2 > 0 cx MAX Ax < b x > 0 Postać standardowa (kanoniczna): z = 5 x 1 + 6x 2 + 0x 3 + 0x 4 MAX
Bardziej szczegółowoAlgebra liniowa z geometrią
Algebra liniowa z geometrią Maciej Czarnecki 15 stycznia 2013 Spis treści 1 Geometria płaszczyzny 2 1.1 Wektory i skalary........................... 2 1.2 Macierze, wyznaczniki, układy równań liniowych.........
Bardziej szczegółowoProgramowanie liniowe metoda sympleks
Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2009 Mirosław Sobolewski (UW) Warszawa, 2009 1 / 13
Bardziej szczegółowoOPTYMALIZACJA DYSKRETNA
Temat nr a: odelowanie problemów decyzyjnych, c.d. OPTYALIZACJA DYSKRETA Zagadnienia decyzyjne, w których chociaż jedna zmienna decyzyjna przyjmuje wartości dyskretne (całkowitoliczbowe), nazywamy dyskretnymi
Bardziej szczegółowoProgramowanie nieliniowe
Rozdział 5 Programowanie nieliniowe Programowanie liniowe ma zastosowanie w wielu sytuacjach decyzyjnych, jednak często zdarza się, że zależności zachodzących między zmiennymi nie można wyrazić za pomocą
Bardziej szczegółowoMATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH
MATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH 1. Przedmiot nie wymaga przedmiotów poprzedzających 2. Treść przedmiotu Proces i cykl decyzyjny. Rola modelowania matematycznego w procesach decyzyjnych.
Bardziej szczegółowoProgramowanie celowe #1
Programowanie celowe #1 Problem programowania celowego (PC) jest przykładem problemu programowania matematycznego nieliniowego, który można skutecznie zlinearyzować, tzn. zapisać (i rozwiązać) jako problem
Bardziej szczegółowoINTERPOLACJA I APROKSYMACJA FUNKCJI
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Wprowadzenie Na czym polega interpolacja? Interpolacja polega
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Schemat postępowania w badaniach operacyjnych decydent sytuacja decyzyjna decyzje decyzje dopuszczalne niedopuszczalne kryterium wyboru zadanie decyzyjne zmienne decyzyjne warunki
Bardziej szczegółowoMetody iteracyjne rozwiązywania układów równań liniowych (5.3) Normy wektorów i macierzy (5.3.1) Niech. x i. i =1
Normy wektorów i macierzy (5.3.1) Niech 1 X =[x x Y y =[y1 x n], oznaczają wektory przestrzeni R n, a yn] niech oznacza liczbę rzeczywistą. Wyrażenie x i p 5.3.1.a X p = p n i =1 nosi nazwę p-tej normy
Bardziej szczegółowoProgramowanie sieciowe. Tadeusz Trzaskalik
Programowanie Tadeusz Trzaskalik 8.1. Wprowadzenie Słowa kluczowe Drzewo rozpinające Minimalne drzewo rozpinające Najkrótsza droga w sieci Wierzchołek początkowy Maksymalny przepływ w sieci Źródło Ujście
Bardziej szczegółowoAnaliza wielokryterialna wstęp do zagadnienia
Organizacja, przebieg i zarządzanie inwestycją budowlaną Analiza wielokryterialna wstęp do zagadnienia dr hab. Mieczysław Połoński prof. SGGW 1 Wprowadzenie Jednym z podstawowych, a równocześnie najważniejszym
Bardziej szczegółowoD. Miszczyńska, M.Miszczyński KBO UŁ 1 GRY KONFLIKTOWE GRY 2-OSOBOWE O SUMIE WYPŁAT ZERO
D. Miszczyńska, M.Miszczyński KBO UŁ GRY KONFLIKTOWE GRY 2-OSOBOWE O SUMIE WYPŁAT ZERO Gra w sensie niżej przedstawionym to zasady którymi kierują się decydenci. Zakładamy, że rezultatem gry jest wypłata,
Bardziej szczegółowoProgramowanie liniowe metoda sympleks
Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 13. wykład z algebry liniowej Warszawa, styczeń 2018 Mirosław Sobolewski (UW) Warszawa, 2018 1 /
Bardziej szczegółowo5. Rozwiązywanie układów równań liniowych
5. Rozwiązywanie układów równań liniowych Wprowadzenie (5.1) Układ n równań z n niewiadomymi: a 11 +a 12 x 2 +...+a 1n x n =a 10, a 21 +a 22 x 2 +...+a 2n x n =a 20,..., a n1 +a n2 x 2 +...+a nn x n =a
Bardziej szczegółowoWprowadzenie do badań operacyjnych
Wprowadzenie do badań operacyjnych Hanna Furmańczyk 10 października 2008 Badania operacyjne (ang. operations research) - dyscyplina naukowa związana z teorią decyzji pozwalająca wyznaczyć metodę i rozwiązanie
Bardziej szczegółowoZagadnienie Dualne Zadania Programowania Liniowego. Seminarium Szkoleniowe Edyta Mrówka
Zagadnienie Dualne Zadania Programowania Liniowego Seminarium Szkoleniowe Edyta Mrówka Ogólne zagadnienie PL Znajdź taki wektor X = (x 1, x 2,..., x n ), który minimalizuje kombinacje liniow a przy ograniczeniach
Bardziej szczegółowoPrzekształcenia liniowe
Przekształcenia liniowe Zadania Które z następujących przekształceń są liniowe? (a) T : R 2 R 2, T (x, x 2 ) = (2x, x x 2 ), (b) T : R 2 R 2, T (x, x 2 ) = (x + 3x 2, x 2 ), (c) T : R 2 R, T (x, x 2 )
Bardziej szczegółowoDualność w programowaniu liniowym
2016-06-12 1 Dualność w programowaniu liniowym Badania operacyjne Wykład 2 2016-06-12 2 Plan wykładu Przykład zadania dualnego Sformułowanie zagadnienia dualnego Symetryczne zagadnienie dualne Niesymetryczne
Bardziej szczegółowoModele i narzędzia optymalizacji w systemach informatycznych zarządzania
Politechnika Poznańska Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Joanna Józefowska POZNAŃ 2010/11 Spis treści Rozdział 1. Metoda programowania dynamicznego........... 5
Bardziej szczegółowoProgramowanie wielocelowe lub wielokryterialne
Programowanie wielocelowe lub wieloryterialne Zadanie wielocelowe ma co najmniej dwie funcje celu nazywane celami cząstowymi. Cele cząstowe f numerujemy indesem = 1, 2, K. Programowanie wielocelowe ciągłe
Bardziej szczegółowoNotatki do tematu Metody poszukiwania rozwiązań jednokryterialnych problemów decyzyjnych metody dla zagadnień liniowego programowania matematycznego
Notatki do tematu Metody poszukiwania rozwiązań jednokryterialnych problemów decyzyjnych metody dla zagadnień liniowego programowania matematycznego część III Analiza rozwiązania uzyskanego metodą simpleksową
Bardziej szczegółowoCentralne twierdzenie graniczne
Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 4 Ważne uzupełnienie Dwuwymiarowy rozkład normalny N (µ X, µ Y, σ X, σ Y, ρ): f XY (x, y) = 1 2πσ X σ Y 1 ρ 2 { [ (x ) 1
Bardziej szczegółowoMATEMATYKA I SEMESTR ALK (PwZ) 1. Sumy i sumy podwójne : Σ i ΣΣ
MATEMATYKA I SEMESTR ALK (PwZ). Sumy i sumy podwójne : Σ i ΣΣ.. OKREŚLENIE Ciąg liczbowy = Dowolna funkcja przypisująca liczby rzeczywiste pierwszym n (ciąg skończony), albo wszystkim (ciąg nieskończony)
Bardziej szczegółowoANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ. Joanna Bryndza
ANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ Joanna Bryndza Wprowadzenie Jednym z kluczowych problemów w szacowaniu poziomu ryzyka przedsięwzięcia informatycznego
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 7 Programowanie nieliniowe i całkowitoliczbowe
Spis treści Elementy Modelowania Matematycznego Wykład 7 i całkowitoliczbowe Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp 2 3 Spis treści Spis treści 1 Wstęp
Bardziej szczegółowoInstytut Maszyn Roboczych i Pojazdów Samochodowych. Dr hab. inż. Krzysztof Bieńczak, prof. PP Dr inż. Marcin Kiciński Mgr inż.
Instytut Maszyn Roboczych i Pojazdów Samochodowych Dr hab. inż. Krzysztof Bieńczak, prof. PP Dr inż. Marcin Kiciński Mgr inż. Maciej Bieńczak Wprowadzenie Sterylizacja/warunki brzegowe medium grzewczego
Bardziej szczegółowoUniwersytet Kardynała Stefana Wyszyńskiego Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych. Piotr Kaczyński. Badania Operacyjne
Uniwersytet Kardynała Stefana Wyszyńskiego Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Piotr Kaczyński Badania Operacyjne Notatki do ćwiczeń wersja 0. Warszawa, 7 stycznia 007 Spis treści Programowanie
Bardziej szczegółowoRównania liniowe. Rozdział Przekształcenia liniowe. Niech X oraz Y będą dwiema niepustymi przestrzeniami wektorowymi nad ciałem
Rozdział 6 Równania liniowe 6 Przekształcenia liniowe Niech X oraz Y będą dwiema niepustymi przestrzeniami wektorowymi nad ciałem F Definicja 6 Funkcję f : X Y spełniającą warunki: a) dla dowolnych x,
Bardziej szczegółowoWykład z modelowania matematycznego. Algorytm sympleks.
Wykład z modelowania matematycznego. Algorytm sympleks. 1 Programowanie matematyczne jest to zbiór metod poszukiwania punktu optymalizującego (minimalizującego lub maksymalizującego) wartość funkcji rzeczywistej
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
Bardziej szczegółowoProgramowanie wielocelowe lub wielokryterialne
Programowanie wielocelowe lub wieloryterialne Zadanie wielocelowe ma co najmniej dwie funcje celu nazywane celami cząstowymi. Cele cząstowe f numerujemy indesem = 1, 2, K. Programowanie wielocelowe ciągłe.
Bardziej szczegółowoEkonometria - ćwiczenia 10
Ekonometria - ćwiczenia 10 Mateusz Myśliwski Zakład Ekonometrii Stosowanej Instytut Ekonometrii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa 14 grudnia 2012 Wprowadzenie Optymalizacja liniowa Na
Bardziej szczegółowoBadania operacyjne. te praktyczne pytania, na które inne metody dają odpowiedzi jeszcze gorsze.
BADANIA OPERACYJNE Badania operacyjne Badania operacyjne są sztuką dawania złych odpowiedzi na te praktyczne pytania, na które inne metody dają odpowiedzi jeszcze gorsze. T. Sayty 2 Standardowe zadanie
Bardziej szczegółowoBADANIA OPERACYJNE i teoria optymalizacji. Prowadzący: dr Tomasz Pisula Katedra Metod Ilościowych
BADANIA OPERACYJNE i teoria optymalizacji Prowadzący: dr Tomasz Pisula Katedra Metod Ilościowych e-mail: tpisula@prz.edu.pl 1 Literatura podstawowa wykorzystywana podczas zajęć wykładowych: 1. Gajda J.,
Bardziej szczegółowoA. Kasperski, M. Kulej, Badania operacyjne, Wykład 4, Zagadnienie transportowe1
A. Kasperski, M. Kulej, Badania operacyjne, Wykład 4, Zagadnienie transportowe ZAGADNIENIE TRANSPORTOWE(ZT) Danychjest pdostawców,którychpodażwynosi a,a 2,...,a p i qodbiorców, którychpopytwynosi b,b 2,...,b
Bardziej szczegółowoInterpolacja. Marcin Orchel. Drugi przypadek szczególny to interpolacja trygonometryczna
Interpolacja Marcin Orchel 1 Wstęp Mamy daną funkcję φ (x; a 0,..., a n ) zależną od n + 1 parametrów a 0,..., a n. Zadanie interpolacji funkcji φ polega na określeniu parametrów a i tak aby dla n + 1
Bardziej szczegółowoZagadnienie transportowe (badania operacyjne) Mgr inż. Aleksandra Radziejowska AGH Akademia Górniczo-Hutnicza w Krakowie
Zagadnienie transportowe (badania operacyjne) Mgr inż. Aleksandra Radziejowska AGH Akademia Górniczo-Hutnicza w Krakowie OPIS ZAGADNIENIA Zagadnienie transportowe służy głównie do obliczania najkorzystniejszego
Bardziej szczegółowoALGORYTM SIMPLEX. B.Gładysz Badania operacyjne 2007
ALGORYTM SIMPLEX 7 Zagadnienie asortymentu produkcji Firma produkuje dwa wyroby P, P. Ograniczeniem dla produkcji są trzy surowce S, S i S.Nakłady jednostkowe surowców są następujące: S S S Zysk jednostkowy
Bardziej szczegółowoBadania operacyjne Operation research. Transport I stopień (I stopień / II stopień) Ogólnoakademicki (ogólno akademicki / praktyczny)
Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2013/2014 Badania
Bardziej szczegółowoProgramowanie matematyczne
dr Adam Sojda Badania Operacyjne Wykład Politechnika Śląska Programowanie matematyczne Programowanie matematyczne, to problem optymalizacyjny w postaci: f ( x) max przy warunkach g( x) 0 h( x) = 0 x X
Bardziej szczegółowo