Wyndor med variasjoner Ethvert LP problem vil falle i en av følgende kategorier: 1. Problemet har en (eller flere) optimalløsninger 2. Problemet har ingen.

Slides:



Advertisements
Liknende presentasjoner
Mean-Variance Analysis continued
Advertisements

Egenskaper ved aksjeopsjoner
Kap 4 Investment-consumption decision model
Produktvalg Læringsmål:
MySaemien Sijte Arbeidskrav av Anita Kvilvang. Jeg har laget et forslag til utforming av et sørsamisk museum og kultursenter i sketchup. Jeg har brukt.
Tolkning av resultatene fra logistisk regresjon
Kapittel 9 Transport og tildelingsmodeller. Temaer i kapittel 9 Formulering av transport- problemer Løsning av transportproblemer med nordvestre hjørne.
Skiftanalyser med Mundel-Fleming-Tobin modellen
Markedsstruktur - teori og empiri
Eksterne virkninger og offentlige goder
Kapittel 6: Lagermodeller
Kapittel 6: Lagermodeller
Linear programmering Når kan en bruke linear programmering? En ønsker å minimerer eller å maksimere et mål En kan spesifisere målet som.
Eksempel AOA (Activity On Arc)
Om semesteroppgaven Krav til den avhengige variabelen
Managerial Decision Modeling A Practical Introduction to Management Science, 5ed by Cliff Ragsdale.
Managerial Decision Modeling A Practical Introduction to Management Science, 5ed by Cliff Ragsdale.
Lokalisering av avfallsanlegg - størst minsteavstand.
Sikreste vei. LOG530 Distribusjonsplanlegging 2 2 Noen ganger står en overfor ønsket om å finne sikreste kjørerute fra et gitt startpunkt til et ønsket.
Lokalisering og max totalavstand. LOG530 Distribusjonsplanlegging 2 2 Anta at nettverket angir en region hvor McBurger skal opprette 3 konkurrerende utsalg.
Reiserute med maksimal opplevelse. LOG530 Distribusjonsplanlegging 2 2 I følgende eksempel er det en turist som ønsker å velge kjøreruten med mest severdigheter,
LOG530 Distribusjonsplanlegging
LOG530 Distribusjonsplanlegging
Transport fra lager til kunder. LOG530 Distribusjonsplanlegging 2 2 Lager 1 Lager 1 Lager 2 Lager 2 Lager 3 Lager 3 Kunde 1 Kunde 1 Kunde 2 Kunde 2 Kunde.
P-MP modeller. LOG530 Distribusjonsplanlegging 2 2 Det skal opprettes p fasiliteter (lager) for å betjene en gitt mengde kunder. Kundenodene er også potensielle.
Lokalisering av avfallsanlegg - størst totalavstand.
Lokalisering og minimum maxavstand. LOG530 Distribusjonsplanlegging 2 2 I mange situasjoner ønsker en å finne lokaliseringer som minimerer maksimalavstanden.
Tildeling av snødeponeringssted. LOG530 Distribusjonsplanlegging 2 2 Kommunen skal kommende vinter frakte snø fra 10 soner til 5 deponeringssteder. Snøen.
P-CP modeller. LOG530 Distribusjonsplanlegging 2 2 Det skal opprettes p fasiliteter for å betjene en gitt mengde kunder. Kundenodene er også potensielle.
LOG530 Distribusjonsplanlegging
Managerial Decision Modeling
Lokaliseringsmodell med kapasitetsbegrensinger. LOG530 Distribusjonsplanlegging 2 2 Det skal opprettes p fasiliteter (lager) for å betjene en gitt mengde.
Målprogrammering. LOG530 Distribusjonsplanlegging 2 2 Vi fortsetter eksempel 10.2, men vil nå se på oppfyllelse av flere mål samtidig. Målprogrammering.
Maks resultat og maks oppfylte kundekrav. LOG530 Distribusjonsplanlegging 2 2 Vi fortsetter eksempel 9, men benytter nå nettopriser for varene. (Antar.
Repetisjon kap 6,7,8.
Managerial Decision Modeling Cliff Ragsdale 6. edition Rasmus RasmussenBØK350 OPERASJONSANALYSE1 Chapter 6 Integer Linear Programming.
KAP. 4: NYTTE A. Nyttefunksjoner før og nå
Wyndor with variations
Ch 4 INTEGRASJON Integrasjon innebærer å finne alle funksjoner F som har f derivert. Disse funksjoner kalles antiderivert av f og formelen for de er det.
INF 295 Algoritmer og datastrukturer Forelesning 9a Søketrær Hans Fr. Nordhaug (Ola Bø)
Diskrete stokastiske variable
Lokalisering i to-delt graf. LOG530 Distribusjonsplanlegging 2 2 Vi skal nå beskrive en transhipmentmodell med to varesorter som skal leveres fra to fabrikker.
Magnus Haug Algoritmer og Datastrukturer
Maks oppfylte kundekrav og maks resultat. LOG530 Distribusjonsplanlegging 2 2 Vi fortsetter eksempel 10.1, men gjør trinnene i motsatt rekkefølge: max.
Forelesning i mikroøkonomi.
Lokalisering og betjening av greiner. LOG530 Distribusjonsplanlegging 2 2 Mista har fått i oppdrag å vedlikeholde veiene i landsdelen. De må derfor opprette.
Eksamen i samfunnsøkonomi Oppgave 1
Erling Eide: Rettsøkonomi, 4. avd. Del 3 Erstatningsrett
4.4 Immaterialrett Hovedproblemstillinger: Hvordan virker immaterialrettigheter (særlig patentrett)? Hvilke rettigheter bør vi ha? Hvordan bør rettighetene.
Enhver frosk kysser en prinsesse som alle riddere elsker  x(F(x)   y (P(y)  K(x,y)   x (R(x)  E(x,y))))
Hypotesetesting, og kontinuerlige stokastiske variable
Routing Indices For P2P Systems TDT2 – Avanserte Distribuerte Systemer Lars-Erik Bjørk.
Mer om predikatlogikk Formalisering av norske setninger i første ordens predikatlogikk Funksjonssymboler Syntaks Gyldighet Noen gyldige formler Tillukninger.
Modeller med ubalanse. LOG530 Distribusjonsplanlegging 2 2 Vi har nå fjernet muligheten for direkteleveranser fra fabrikk til kunder. Ellers har vi har.
UFLP modeller. LOG530 Distribusjonsplanlegging 2 2 Det skal opprettes p fasiliteter (lager) for å betjene en gitt mengde kunder. Kundenodene er også potensielle.
Lokalisering og max minimumavstand. LOG530 Distribusjonsplanlegging 2 2 Anta at nettverket angir en region hvor McBurger skal opprettes 3 konkurrerende.
Korteste vei. LOG530 Distribusjonsplanlegging 2 2 Ofte står en overfor ønsket om å finne korteste kjørerute fra et gitt utgangspunkt til et ønsket bestemmelsessted.
Kapittel 7 Inntekter, kostnader og resultatmodeller
Prosjektanalyse Øyvind Bøhren og Per Ivar Gjærum
Operasjonsanalytiske emner Tolkninger og sammenhenger Rasmus RasmussenBØK710 OPERASJONSANALYTISKE EMNER1 Del 4 Dualitet og post-optimal analyse.
Operasjonsanalytiske emner Prognosemodeller basert på Tidsserieanalyse Rasmus RasmussenBØK710 OPERASJONSANALYTISKE EMNER1 Del 23Forecasting 1 - Mønster.
Operasjonsanalytiske emner
A (12) B (10) C (12) D (9) E (18) F (11) H (10) G (11) I (7) FF3 SS8 FF5 FF7FS0 SF21 SS8 FF3 SS3 FF5SF12FS0 FS7 Vi har gitt et.
Litt om bedriftens kostnader
Kapittel 14 Produktvalg Læringsmål:
Kapittel 6 Tilbudskurven 1.
Kapittel 7 Kostnadsforløp og kostnadsstruktur
Kapittel 7 Inntekter, kostnader og resultat – en teoretisk modell
Økonomistyring KRV-analyser
Utskrift av presentasjonen:

Wyndor med variasjoner Ethvert LP problem vil falle i en av følgende kategorier: 1. Problemet har en (eller flere) optimalløsninger 2. Problemet har ingen optimal løsning fordi a) Problemet er ubundet (unbounded) b) Problemet er inkonsistent (infeasible)

Example (No Feasible Solution) Maximize Z = 3x 1 + 5x 2 subject to x 1 ≥ 5 x 2 ≥ 4 3x 1 + 2x 2 ≤ 18 and x 1 ≥ 0, x 2 ≥ 0.

Example (Unbounded Solution) Maximize Z = 5x x 2 subject to x 1 ≤ 5 2x 1 –x 2 ≤ 2 and x 1 ≥ 0, x 2 ≥ 0.

Hvis vi finner en optimal løsning har vi en av følgende kategorier: •Normal løsning (ant. positive beslutningsvariabler = ant. bindende skranker) –Unik optimal løsning eller –Multiple optima •Degenerert løsning (ant. positive beslutningsvariabler < ant. bindende skranker)

Wyndor Glass normal solution

GLP optimal solution

GLP sensitivity report

Innhold i Sensitivity Report •Optimale verdier på - beslutningsvariabler (optimal solution) - slack/surplus-variabler - objektfunksjonsverdi (OV) •Skyggepriser og gyldighetsområde for RHS- endringer •Tillatte endringer for objektfunksjonskoeffisienter •Reduserte kostnader

Multiple optima – graphical solution

Wyndor – Multiple optima

Wyndor, Degenerate solution – graphical representation

Wyndor – degenerate solution

Følsomhetsanalyse – oppsummering •Betydningen av "Adjustable cells" (øverste del av sensitivity report) •Ikke degenerert løsning: •Allowable increase/decrease forteller oss hvor mye vi kan øke/redusere en gitt koeff. i objektfunksjonen uten at optimalløsning endres (alt annet holdt fast) •Når en koeff. endrer seg mindre enn det tillatte vil optimalløsning ikke endre seg •Hvis koeff. øker med øvre tillatte mengde vil det finnes en alternativ optimal løsning med, for en max(min) modell, høyere (lavere) verdi på variabelen •Hvis koeff. reduseres med maksimalt tillatte mengde vil det finnes en alt. optimal løsning med for en max (min) modell, lavere (høyere) verdi på variabelen •Tegn vi kan bruke for å påvise multiple optima: Allowable increase/decrease for objektfunksjonskoeff. = 0 (dvs. enhver enhver endring av koeff. vil gi en annen unik løsning)

Følsomhetsanalyse forts. •Degenerert løsning: •Tegnene på multiple optima kan ikke brukes •Objektfunksjonskoeff. må endres med minst og muligens mye mer enn "allowable increase/decrease" for at vi skal få en ny optimal løsning •Reduced cost •Ikke degenerert løsning: •Hvor mye koeffisienten til den aktuelle variabelen i objektfunksjonen må forbedres med for at denne variabelen skal bli positiv ved optimum (alt. hvor mye OV forverres hvis denne variabelen tvinges inn i løsningen med en enhet) •Hvis en variabel er positiv ved optimum er "Reduced cost" = 0 •Degenerert løsning: •Hvis vi har en løsning med verdien på en beslutningsvar. = 0 i optimum. Da må obektfunksjonskoeff. til denne var. forbedres med minst og muligens mye mer enn "Reduced cost" for at vi skal få en optimal løsning hvor denne var. har en positiv verdi

Følsomhetsanalyse forts. •Betydningen av ”Constraints” (nedre del) •Shadow price: Skyggeprisen til en skranke kan tolkes som endring i OV når RHS i den skranken øker med en enhet og alt annet holdes konstant •Allowable increase/decrease ranges angir gyldighetsområde for skyggeprisene •Tegn på degenerert løsning: Noen av skyggeprisene vil ha 0 i tillatt økning eller reduksjon (bare effekter på OV av ensidige endringer i RHS for disse)