Managerial Decision Modeling

Presentasjon om: "Managerial Decision Modeling"— Utskrift av presentasjonen:

1 Managerial Decision Modeling
Cliff Ragsdale 6. edition Chapter 8 Nonlinear Programming And Evolutionary Optimization BØK350 OPERASJONSANALYSE Rasmus Rasmussen

2 Introduksjon til ikke-lineær programmering Nonlinear Programming (NLP)
Et ikke-lineært problem har en ikke-lineær målfunksjon og/eller en eller flere ikke-lineære restriksjoner. Ikke-lineære problemer formuleres og implementeres praktisk talt på samme måte som lineære problemer. Matematikken som benyttes for å løse ikke-lineære problemer er svært forskjellig fra den som brukes på lineære problemer. Solver tildekker denne forskjellen, men det er viktig å forstå de vanskene som kan oppstå når en skal løse ikke- lineære problemer. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

3 Forskjellige optimale løsninger til NLPs (som ikke er hjørne-løsninger)
Nivåkurve for målfunksjonen optimal løsning Mulighets-området Lineær målfunksjon, ikke-lineære restriksjoner Ikke-lineær målfunksjon, lineære restriksjoner Nivåkurver for målfunksjonen BØK350 OPERASJONSANALYSE Rasmus Rasmussen

4 GRG Algoritmen Solver bruker Generalized Reduced Gradient (GRG) algoritmen for å løse ikke-lineære programmeringsproblemer. GRG kan også brukes på LP problemer. Den er tregere enn Simplex metoden. Den gir mindre omfattende sensitivitets-analyse. Den gir ikke garantert beste løsning hvis problemet er ikke-lineært. Strategi: Prøv LP Solver først! BØK350 OPERASJONSANALYSE Rasmus Rasmussen

5 En ikke-lineær løsningsstrategi
Mulighets-området A (start punkt) B C D E Nivåkurver for målfunksjonen X1 X2 BØK350 OPERASJONSANALYSE Rasmus Rasmussen

6 Lokale vs. Globalt Optimale Løsninger
C B Lokal optimal løsning Mulighets-området D E F G Lokal og global optimal løsning X1 X2 BØK350 OPERASJONSANALYSE Rasmus Rasmussen

7 Konveksitet Dette mulighetsområdet er konveks.
Alle rette linjer mellom to punkter i mulighetsområdet ligger fullstendig innenfor mulighetsområdet. Dette mulighetsområdet er ikke-konveks. Ikke alle rette linjer mellom to punkter i mulighetsområdet ligger fullstendig innenfor mulighetsområdet. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

8 Kommentarer til konveksitet
Konvekse problemer er mye enklere å løse enn ikke-konvekse problemer. RSP kan teste for konveksitet: Klikk: Optimize, Analyze Without Solving. Model type “NLP Convex” indikerer at et lokalt optimum også er det globale optimum. Andre modelltyper er ubestemte angående globale optimale løsninger. (Som “NLP NonCvx ” , “ NLP ”.) BØK350 OPERASJONSANALYSE Rasmus Rasmussen

9 Kommentarer til NLP Algoritmer
Det er ikke bestandig best å flytte i den retningen som skaper den raskeste forbedringen i målfunksjonen. Det er heller ikke bestandig best å flytte lengst mulig i den retningen. NLP algoritmer vil stoppe ved lokale optimumsløsninger. Startpunktet påvirker hvilket lokalt optimumspunkt en ender opp med. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

10 Kommentarer vedrørende startpunkt
Start i null-punktet bør unngås. Hvis mulig bør en velge startverdier for beslutningsvariablene som har noen lunde samme størrelse som de forventede optimale verdiene. Automatisk skalering bygger på start-løsningen. Hvis diagnosen ikke bekrefter at problemet er konveks, kan en benytte opsjonen MultiStart Search. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

11 En kommentar til “Optimal” løsning
Når Solver løser et ikke-lineært problem, stopper den normalt når den første av følgende 3 tester er tilfredsstilt, ledsaget av en av følgende: 1) “Solver found a solution. All constraints and optimality conditions are satisfied.” Dette betyr at Solver har funnet et lokalt optimum, men garanterer ikke at dette er den globale optimale løsningen. Med mindre du vet at problemet kun har ett lokalt optimum (som da også må være det globale optimum) bør du kjøre Solver flere ganger med forskjellige startverdier, for å øke muligheten for at du finner den globale optimumsløsningen. For ikke-konvekse problemer bruk opsjonen MultiStart Search. 2) “Solver has converged to the current solution. All constraints are satisfied.” Dette betyr at målfunksjonen har endret seg lite i de siste iterasjonene. Hvis du tror at løsningen ikke er et lokalt optimumspunkt, så kan det hende at problemet er dårlig skalert. Convergence opsjonen i Solver Options dialog box kan reduseres for å unngå konvergering omkring suboptimale løsninger. 3) “Solver cannot improve the current solution. All constraints are satisfied.” Denne sjeldne meldingen betyr at modellen er degenerert, og at Solver går i ring mellom samme løsninger. Degenererte løsninger kan ofte elimineres ved å fjerne overflødige restriksjoner i modellen. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

12 Optimalt innkjøpskvantum (EOQ)
Hvordan finne optimal ordrestørrelse når en bestiller varer. Små ordrer (varebestillinger) medfører: Små lagerbeholdninger & lagringskostnader Hyppige ordrer & større bestillingskostnader Store ordrer medfører: Store lagerbeholdninger & lagringskostnader Sjeldne order & mindre bestillingskostnader BØK350 OPERASJONSANALYSE Rasmus Rasmussen

13 Eksempel på lagerprofiler
1 2 3 4 5 6 7 8 9 10 11 12 20 30 40 50 60 Årlig etterspørsel = 150 Ordrestørrelse = 50 Antall ordrer = 3 Gj. snitt lager = 25 Måneder Lager 1 2 3 4 5 6 7 8 9 10 11 12 Måneder 20 30 40 50 60 Årlig etterspørsel = 150 Ordrestørrelse = 25 Antall ordrer = 6 Gj. Snitt lager = 12.5 Lager BØK350 OPERASJONSANALYSE Rasmus Rasmussen

14 EOQ Modellen D = årlig etterspørsel etter varen
C = kjøpspris pr. enhet for varen S = fast kostnad ved bestilling av varen i = årlig lagerholdskostnad (som en % av C) Q = bestillingskvantum Antagelser: Etterspørsel (eller bruk) er konstant over hele året. Nye ordrer mottas i sin helhet i det øyeblikk lageret er tomt. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

15 EOQ kostnadssammenhenger
10 20 30 40 50 200 400 600 800 1000 $ Ordrekvantum Totalkostnad Lagerkostnader Bestillingskostnader EOQ BØK350 OPERASJONSANALYSE Rasmus Rasmussen

16 Et EOQ Eksempel: Bestille papir
Alan Wang kjøper papir for kopimaskiner og laserprintere ved MetroBank. Årlig etterspørsel (D) er på 24,000 esker Hver eske koster $35 (C) Hver bestilling koster $50 (S) Lagerholdskostnader er 18% (i) Hva er optimalt bestillingskvantum (Q)? BØK350 OPERASJONSANALYSE Rasmus Rasmussen

17 Modellen Q er en beslutningsvariabel
Q-1 Inngår i målfunksjonen => ikke-lineær Merk at målfunksjonen er ikke-lineær! BØK350 OPERASJONSANALYSE Rasmus Rasmussen

18 Implementere Lagermodellen
Analyze without solve Analyze without solve NLP Convex - Unikt optimum BØK350 OPERASJONSANALYSE Rasmus Rasmussen

19 Kommentarer til EOQ Modellen
Matematisk kan en vise at den optimale verdien for Q er : En mengde varianter av EOQ modellen finnes for å ta hensyn til: kvantumsrabatter lagerrestriksjoner etterbestillinger etc. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

20 Problemer med optimering?
Det hender at vi noen ganger ikke får den løsningen vi forventer. Regner Solver galt, eller har vi gitt gale opplysninger til Solver? Eksempler på hvilke vansker som kan oppstå med optimering i regneark er beskrevet på: BØK350 OPERASJONSANALYSE Rasmus Rasmussen

21 Lokaliseringsproblemer
Mange beslutninger dreier seg om å finne optimal lokalisering av bygninger eller servicesentra, f. eks. Slike problemer inneholder vanligvis avstander i målfunksjonen og/eller i restriksjonene. Avstanden (Euclidsk) i rett linje mellom to punkter (X1, Y1) og (X2, Y2) er: Produksjonsfabrikker Lagerbygninger Brannstasjon Ambulansesentra BØK350 OPERASJONSANALYSE Rasmus Rasmussen

22 Et lokaliseringsproblem:
Rappaport Communications tilbyr mobil- telefontjenester i flere mellomvestlige stater. De ønsker å ekspandere for å tilby tjenestene også mellom fire byer i nordre Ohio. En ny telemast må bygges for å formidle samtalene mellom disse byene. Masten vil gi dekning i en radius på 40 mil. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

23 Graf over lokalisering av telemasten
Cleveland Akron Youngstown Canton x=5, y=45 x=12, y=21 x=17, y=5 x=52, y=21 20 30 40 50 60 10 X Y BØK350 OPERASJONSANALYSE Rasmus Rasmussen

24 Definere beslutningsvariablene
X1 = lokalisering av telemasten langs X-aksen Y1 = lokalisering av telemasten langs Y-aksen BØK350 OPERASJONSANALYSE Rasmus Rasmussen

25 Definere målfunksjonen
Minimere den totale avstanden mellom den nye masten og de eksisterende : Minimer: BØK350 OPERASJONSANALYSE Rasmus Rasmussen

26 Definere restriksjonene
Cleveland Akron Canton Youngstown BØK350 OPERASJONSANALYSE Rasmus Rasmussen

27 Implementere modellen
NonLinearProblem Solver kan ikke avgjøre om problemet er konveks Merk: I dette problemet tillates negative verdier på beslutningsvariablene. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

28 Finne global optimal løsning
MultiStart vil forsøke ulike startverdier. Må ha nedre og øvre grense på variablene. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

29 Analysere løsningen Den optimale plasseringen av den “nye masten” er på samme sted som Akron masten. Kanskje de bare skulle oppgradere Akron masten. Den største avstanden er 40 mil til Youngstown. Dette er på grensen til max rekkevidde. Hvor skal vi plassere den nye masten hvis vi ønsker å minimere den maksimale avstanden til eksisterende sendere ? BØK350 OPERASJONSANALYSE Rasmus Rasmussen

30 Minste maksimalavstand
Her har vi benyttet MiniMax teknikken: Minimere: Max avstand Q (E8) Slik at: Alle avstander ≤ Max avstand BØK350 OPERASJONSANALYSE Rasmus Rasmussen

31 Kommentarer til lokaliseringsproblemer
Den optimale løsningen til et lokaliseringsproblem vil ikke alltid virke : Eiendommen er kanskje ikke til salgs. Området kan være fredet. Stedet kan være en innsjø. I slike situasjoner er den optimale løsningen et godt utgangspunkt for å finne et passende område i nærheten. Restriksjoner kan tilføyes lokaliserings-problemene for å eliminere umulige områder. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

32 Et ikke-lineært transportproblem:
SafetyTrans har spesialisert seg på frakt av spesielt verdifull og ekstremt farlig gods. Det er absolutt nødvendig for firmaet å unngå ulykker: Det beskytter deres renommé. Det holder forsikringspremiene lave. Mulige miljøkonsekvenser av en ulykke er katastrofale. Selskapet driver en database over trafikkulykker som benyttes til å finne de sikreste rutene. De har nå behov for å finne den tryggeste veien mellom Los Angeles, CA og Amarillo, TX. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

33 Nettverk for SafetyTrans Problemet
+1 Las Vegas 2 Los Angeles 1 San Diego 3 Phoenix 4 Flagstaff 6 Tucson 5 Albu-querque 8 Cruces 7 Lubbock 9 Amarillo 10 0.003 0.004 0.002 0.010 0.006 0.009 0.001 0.005 -1 Tallene langs greinene angir sannsynligheten for at en ulykke skal inntreffe. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

34 Definere beslutningsvariablene
BØK350 OPERASJONSANALYSE Rasmus Rasmussen

35 Definere målfunksjonen
Velg tryggeste rute ved å maksimere sannsynligheten av å ikke ha en ulykke: der: Pij = sannsynligheten for en ulykke når en kjører fra node i til node j BØK350 OPERASJONSANALYSE Rasmus Rasmussen

36 Definere restriksjonene
Transportrestriksjoner: –Y1,2 –Y1,3 –Y1,4 = –1 } node 1 +Y1,2 –Y2,4 –Y2,6 = 0 } node 2 +Y1,3 –Y3,4 –Y3,5 = 0 } node 3 +Y1,4 +Y2,4 +Y3,4 –Y4,5 –Y4,6 –Y4,8 = 0 } node 4 +Y3,5 +Y4,5 –Y5,7 = 0 } node 5 +Y2,6 +Y4,6 –Y6,7 –Y6,8 = 0 } node 6 +Y5,7 +Y6,7 –Y7,8 –Y7,9 –Y7,10 = 0 } node 7 +Y4,8 +Y6,8 +Y7,8 –Y8,10 = 0 } node 8 +Y7,9 –Y9,10 = } node 9 +Y7,10 +Y8,10 +Y9,10 = 1 } node 10 BØK350 OPERASJONSANALYSE Rasmus Rasmussen

37 Ikke-lineært transportproblem
NLP NonCvx Ikke-lineært og ikke-konveks. Kan ha flere lokale optimum. Må bruke MultiStart BØK350 OPERASJONSANALYSE Rasmus Rasmussen

38 Kommentarer til ikke-lineære transportproblemer
Små forskjeller i sannsynligheter kan bety store forskjeller i forventet verdi : (1-0,9900) * $ = $ (1-0,9626) * $ = $ Slike typer problemer er også nyttige i pålitelighetsnettverksproblemer (som å finne svakeste ”ledd” (eller grein) i et produksjonssystem eller i et telekommunikasjonssystem). BØK350 OPERASJONSANALYSE Rasmus Rasmussen

39 Valg av investeringsprosjekt:
TMC skal fordele $1,7 millioner av F&U budsjettet og fordele 25 ingeniører til 6 utviklingsprosjekter. Sannsynligheten for suksess for et prosjekt er avhengig av antall ingeniører (Xi) som tildeles prosjektet, og defineres slik: Pi = Xi/(Xi + ei) Prosjekt 1 2 3 4 5 6 Startkostnader $325 $200 $490 $125 $710 $240 NPV ved suksess $750 $120 $900 $400 $1,110 $800 Sannsynlighetsparameter i 3,1 2,5 4,5 5,6 8,2 8,5 (alle pengebeløp er i $1.000s) BØK350 OPERASJONSANALYSE Rasmus Rasmussen

40 Utvalgte sannsynlighetsfunksjoner
BØK350 OPERASJONSANALYSE Rasmus Rasmussen

41 Definere beslutningsvariablene
BØK350 OPERASJONSANALYSE Rasmus Rasmussen

42 Definere målfunksjonen
Maksimer total forventet nåverdi av de valgte prosjektene BØK350 OPERASJONSANALYSE Rasmus Rasmussen

43 Definere restriksjonene
Finansiering av startkostnadene 325Y Y Y Y Y Y6 ≤1700 Ingeniører X1 + X2 + X3 + X4 + X5 + X6 ≤ 25 Logiske betingelser Xi ≤ 25Yi , i = 1, 2, 3, … 6 Merk: Følgende restriksjon kunne benyttes isteden for de to siste... X1Y1 + X2Y2+ X3Y3+ X4Y4+ X5Y5 + X6Y6 ≤ 25 Denne restriksjonen er imidlertid ikke-lineær. Det er generelt best å formulere seg lineært hvis det er mulig. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

44 Implementere modellen
BØK350 OPERASJONSANALYSE Rasmus Rasmussen

45 Global optimering kan ta lang tid
BØK350 OPERASJONSANALYSE Rasmus Rasmussen

46 Optimering av eksisterende modeller
Det er ikke bestandig nødvendig å skrive ut en algebraisk formulering til et optimeringsproblem, selv om dette vil sikre en grundig forståelse av problemet. Solver kan brukes til å optimere en mengde eksisterende regneark, også med modeller som er fulle av ikke-lineæriteter. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

47 Finansiering av livsforsikring
Thom Pearman eier en engangs livsforsikringspolise med innløsningsverdi på $6,000 og utbetaling ved død på $40,000. Han ønsker å innløse livsforsikringspolisen og bruke rentene til å betale terminbeløp på en livsforsikring med utbetaling ved død på $350,000. Thom’s marginalskatt er 28%. Hvilken avkastning trenger han på investeringen på $6,000 for å kunne betale den nye forsikringen? Terminbeløpene for den nye polisen for 10 år er: År 1 2 3 4 5 6 7 8 9 10 Terminbeløp $423 $457 $489 $516 $530 $558 $595 $618 $660 $716 BØK350 OPERASJONSANALYSE Rasmus Rasmussen

48 Implementere modellen
BØK350 OPERASJONSANALYSE Rasmus Rasmussen

49 Optimal portefølje En finansplanlegger ønsker å sette sammen den minst risikable porteføljen som gir minimum 12% avkastning, ved å benytte følgende aksjer : Årlig avkastning År IBC NMC NBS 1 11,2% 8,0% 10,9% 2 10,8% 9,2% 22,0% 3 11,6% 6,6% 37,9% 4 -1,6% 18,5% -11,8% 5 -4,1% 7,4% 12,9% 6 8,6% 13,0% -7,5% 7 6,8% 9,3% 8 11,9% 14,0% 48,7% 9 12,0% 20,5% -1,9% 10 8,3% 19,1% 11 6,0% 19,0% -3,4% 12 10,2% 9,0% 43,0% Gj.snitt 7,64% 13,43% 14,93% Kovariansmatrise IBC NMC NBS 0,00258 -0,00025 0,00440 0,00276 -0,00542 0,03677 BØK350 OPERASJONSANALYSE Rasmus Rasmussen

50 Definere beslutningsvariablene
p1 = andel av investeringen investert i IBC p2 = andel av investeringen investert i NMC p3 = andel av investeringen investert i NBS BØK350 OPERASJONSANALYSE Rasmus Rasmussen

51 Definere målsettingen
Minimere porteføljens varians (risiko). Matrisenotasjon: Minimer pTCp p = vektor av andeler C = kovariansmatrisen BØK350 OPERASJONSANALYSE Rasmus Rasmussen

52 Definere restriksjonene
Forventet avkastning 0,0764 p1 + 0,1343 p2 + 0,1493 p3 ≥ 0,12 Andeler p1 + p2 + p3 = 1 p1, p2, p3 ≥ 0 p1, p2, p3 ≤ 1 BØK350 OPERASJONSANALYSE Rasmus Rasmussen

53 Implementere modellen
QP Convex Kan bruke LP/QP Solver BØK350 OPERASJONSANALYSE Rasmus Rasmussen

54 Parametrisk analyse Vi ønsker å løse problemet med flere alternative verdier for minimum avkastning. (Celle K11) BØK350 OPERASJONSANALYSE Rasmus Rasmussen

55 Implementere modellen
Vi må angi hvor mange ulike optimeringer vi ønsker å kjøre. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

56 Parametrisk analyse BØK350 OPERASJONSANALYSE Rasmus Rasmussen

57 Plot av parametrisk analyse
BØK350 OPERASJONSANALYSE Rasmus Rasmussen

58 Multiple målsettinger i porteføljesammensetning
I porteføljeproblemer ønsker vi å oppnå ett av to mål: Minimere risiko (porteføljens varians) Maksimere forventet avkastning Vi kan ta hensyn til begge målsettingene samtidig ved å generere effisiente porteføljer: MAX: (1 – r)(Forventet avkastning) – r(porteføljens varians) gitt : p1 + p2 + … + pm = 1 pi ≥ 0 hvor: 0 ≤ r ≤1 er en risikoaversjons parameter Merk: Hvis r = 1 minimeres variansen. Hvis r = 0 maksimeres avkastningen. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

59 Implementere modellen
BØK350 OPERASJONSANALYSE Rasmus Rasmussen

60 Effisiensgrensen – Trinn 1
Lag en tabell med ulike verdier for r, risikoaversjonen. Erstatt cellen for r med formelen PsiOptParam(N4:N14) Kolonnen for varians: PsiOptValue($K$11;M4) Kolonnen for Avkastning: PsiOptValue($K$10;M4) BØK350 OPERASJONSANALYSE Rasmus Rasmussen

61 Effisiensgrensen – Trinn 2
Sett antall optimeringer til 11. Kjør Solver. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

62 Effisiensgrensen – Trinn 3
Sett inn et Scatterplot av Varians og Avkastning BØK350 OPERASJONSANALYSE Rasmus Rasmussen

63 Automatisk plott BØK350 OPERASJONSANALYSE Rasmus Rasmussen

64 Sensitivitetsanalyse
LP uttrykk NLP uttrykk Betyr Shadow Price Lagrange Multiplier Marginalverdi for ressursene. Reduced Cost Reduced Gradient Endringen i målfunksjonene ved en liten endring i optimal verdi på beslutningsvariablene. Vi får mindre informasjon fra sensitivitetsanalysen ved ikke-lineære problemer sammenlignet med LP. For heltallsproblemer får vi ingen sensitivitetsanalyse. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

65 Sensitivitetsanalyse
Ingen ”Range” -analyse BØK350 OPERASJONSANALYSE Rasmus Rasmussen

66 Solver Options for NLP BØK350 OPERASJONSANALYSE Rasmus Rasmussen

67 Evolutionary Algoritmer
En teknikk av heuristikk-matematikk for optimering basert på Darwin’s Evolusjonsteori. Kan brukes på en hvilken som helst regnearkmodell, inkludert de med “If” og/eller “Lookup” funksjoner. Også kalt Genetic Algorithms (GAs). BØK350 OPERASJONSANALYSE Rasmus Rasmussen

68 Evolutionary Algoritmer
Løsninger til et MP problem kan representeres som en vektor av tall (som et kromosom) Hvert kromosom har en tilhørende “tilpasning” (målfunksjons) verdi GA’er starter med en tilfeldig populasjon av kromosomer og benytter Crossover - bytter verdier mellom løsningsvektorer Mutation - tilfeldig erstatting av verdier i en løsningsvektor De best tilpassede kromosomene overlever til neste generasjon, og prosessen gjentas BØK350 OPERASJONSANALYSE Rasmus Rasmussen

69 Forenklet illustrasjon av evolusjon
INITIAL POPULASJON Kromosom X1 X2 X3 X4 Fitness 1 7,84 24,39 29,95 6,62 282,08 2 10,26 16,36 31,26 3,55 293,38 3 3,88 23,03 25,92 6,76 223,31 4 9,51 19,51 26,23 2,64 331,28 5 5,96 19,52 33,83 6,89 453,57 6 4,77 18,31 26,21 5,59 229,49 Alternative løsninger CROSSOVER & MUTATION Kromosom X1 X2 X3 X4 Fitness 1 7,84 24,39 31,26 3,55 334,28 2 10,26 16,36 29,95 6,62 227,04 3 3,88 19,75 25,92 6,76 301,44 4 9,51 19,51 32,23 2,64 495,52 5 4,77 18,31 33,83 6,89 332,38 6 5,96 19,52 26,21 4,60 444,21 Crossover Mutasjoner NY POPULASJON Kromosom X1 X2 X3 X4 Fitness 1 7,84 24,39 31,26 3,55 334,28 2 10,26 16,36 293,38 3 3,88 19,75 25,92 6,76 301,44 4 9,51 19,51 32,23 2,64 495,52 5 5,96 19,52 33,83 6,89 453,57 6 26,21 4,60 444,21 De beste ”overlever” Fra initial populasjon BØK350 OPERASJONSANALYSE Rasmus Rasmussen

70 Velge ut jevne grupper Lederen av et master-studium ønsker å dele inn nye studenter i grupper. Han ønsker å dele de 34 nye studentene i 7 grupper. Studentene er rangert basert på GMAT verdier, og studielederen ønsker å dele gruppene slik at de får jevnest mulig rangering. BØK350 OPERASJONSANALYSE Rasmus Rasmussen

71 Implementere valg av jevne grupper
BØK350 OPERASJONSANALYSE Rasmus Rasmussen

72 Evolutionary Solver BØK350 OPERASJONSANALYSE Rasmus Rasmussen

73 Heuristikker garanterer ikke optimal løsning
Det finnes en enda bedre løsning! BØK350 OPERASJONSANALYSE Rasmus Rasmussen

74 Optimal løsning? BØK350 OPERASJONSANALYSE Rasmus Rasmussen

75 The Traveling Salesperson Problem
En selger ønsker å finne den billigste ruten for å besøke kunder i n forskjellige byer, slik at hver by besøkes kun én gang før en returnerer til utgangspunktet. n (n-1)! 3 2 5 24 9 40,320 13 479,001,600 17 20,922,789,888,000 20 121,645,100,408,832,000 BØK350 OPERASJONSANALYSE Rasmus Rasmussen

76 Eksempel på TSP Wolverine Manufacturing må bestemme den korteste veien for en drillemaskin for å borre 9 hull i et fiberglass panel. Dette er et TSP problem (bytt ut hull med byer, og drillemaskin med handelsreisende). BØK350 OPERASJONSANALYSE Rasmus Rasmussen

77 Implementere TSP i regneark
BØK350 OPERASJONSANALYSE Rasmus Rasmussen

78 Slutt på kapittel 8 BØK350 OPERASJONSANALYSE Rasmus Rasmussen