Multi-objective Optimization

Slides:



Advertisements
Παρόμοιες παρουσιάσεις
Τι είναι ο προγραμματισμός
Advertisements

ΜΑΘΗΜΑΤΙΚΑ ΚΑΤΕΥΘΥΝΣΗΣ
ΠΡΟΪΟΝ IV Φαίδων Θεοφανίδης
Αλγόριθμοι Αναζήτησης
Η ΕΝΝΟΙΑ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ
1 Α. Βαφειάδης Αναβάθμισης Προγράμματος Σπουδών Τμήματος Πληροφορικής Τ.Ε.Ι Θεσσαλονίκης Μάθημα Προηγμένες Αρχιτεκτονικές Υπολογιστών Κεφαλαίο Πρώτο Αρχιτεκτονική.
Τεχνολογία Δικτύων Επικοινωνιών
ΑΝΑΔΗΜΙΟΥΡΓΙΑ ΕΝΟΣ ΤΡΙΣΔΙΑΣΤΑΤΟΥ ΠΡΟΤΥΠΟΥ ΜΕ ΑΥΘΑΙΡΕΤΑ ΛΑΘΗ ΣΙΑΚΑΒΕΛΗ ΑΡΓΥΡΩ ΑΜ:1229.
ΔΙΔΑΚΤΙΚΕΣ ΔΥΣΚΟΛΙΕΣ ΣΤΟΥΣ ΠΙΝΑΚΕΣ ΠΕΚ ΠΕΙΡΑΙΑ Α΄φάση Επιμόρφωσης Εκπ/κών κλάδου ΠΕ19 Διδακτική της Πληροφορικής Ρόδος, Νοέμβρης 2007.
Εισαγωγικές Έννοιες Διδάσκοντες: Σ. Ζάχος, Δ. Φωτάκης Επιμέλεια διαφανειών: Δ. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο.
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΑΓΩΓΗΣ ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ Δ.Ε.. Η ΕΞΕΛΙΞΗ ΤΗΣ ΜΑΘΗΣΗΣ & Η ΑΠΟΜΝΗΜΟΝΕΥΣΗ ΤΩΝ ΑΠΛΩΝ ΠΡΑΞΕΩΝ ΤΗΣ ΠΡΟΣΘΕΣΗΣ ΚΑΙ ΤΗΣ.
Βασικές Οικονομικές Έννοιες
Επίλυση Προβλημάτων με Η/Υ
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ
Όνομα: G3MU05 όνομα καθηγητή: C.V. τμήμα: Γ3 έτος:2014.
Excel Κεφάλαιο 3.
Αξιολόγηση πληροφοριακών συστημάτων
ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ
ΜΑΘΗΜΑ: ΣΧΕΔΙΑΣΗ ΑΛΓΟΡΙΘΜΩΝ ΔΙΔΑΣΚΩΝ: Π. ΚΑΤΣΑΡΟΣ Πέμπτη, 2 Απριλίου 2015Πέμπτη, 2 Απριλίου 2015Πέμπτη, 2 Απριλίου 2015Πέμπτη, 2 Απριλίου 2015Τμ. Πληροφορικής,
Υπολογιστική Πολυπλοκότητα Διδάσκοντες: Σ. Ζάχος, Δ. Φωτάκης Επιμέλεια διαφανειών: Δ. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό.
ΚΑΙΝΟΤΟΜΙΕΣ ΣΤΗ ΔΙΑ ΒΙΟΥ ΜΑΘΗΣΗ Όνομα:Χίνη Δήμητρα Εξάμηνο σπουδών:Δ Αριθμός μητρώου:3305.
ΕΚΤΙΜΗΣΗ ΠΡΟΣΠΑΘΕΙΑΣ ΠΕΡΙΠΤΩΣΕΩΝ ΧΡΗΣΗΣ Use case estimation effort 1.
Multi-objective Optimization. Feasible region and corner points in the decision space x1, x2 corner points x1x
ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αλγόριθμος.
ΣΥΣΤΗΜΑΤΑ ΓΡΑΜΜΙΚΩΝ ΕΞΙΣΩΣΕΩΝ Καθηγητής : CV Τμήμα : Γ ‘ 5
Προγραμματισμός Εισαγωγή στην έννοια του αλγορίθμου και στον Προγραμματισμό.
Ασυμπτωτικός Συμβολισμός
Ασκήσεις - Εφαρμογές Διάλεξη 6η
1 ΤΜΗΜΑ ΜΠΕΣ Αλγόριθμοι Αναζήτησης Εργασία 1 Τυφλή Αναζήτηση.
1 Α. Βαφειάδης Αναβάθμισης Προγράμματος Σπουδών Τμήματος Πληροφορικής Τ.Ε.Ι Θεσσαλονίκης Μάθημα Προηγμένες Αρχιτεκτονικές Υπολογιστών Κεφαλαίο Πρώτο Αρχιτεκτονική.
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ Διάλεξη 12: Σχήματα ανώτερης τάξης Χειμερινό εξάμηνο 2008.
Κεφάλαιο 1ο Ανάλυση προβλήματος.
Το περιβάλλον Μάρκετινγκ Διάλεξη 2η
ΕΥΚΛΕΙΔΙΑ ΓΕΩΜΕΤΡΙΑ ΚΕΦΑΛΑΙΟ 2 ο ΒΑΣΙΚΑ ΓΕΩΜΕΤΡΙΚΑ ΣΧΗΜΑΤΑ ( )
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Γιώργος Κοντέος Εισαγωγή στα Οικονομικά.
Λογιστική Κόστους Ενότητα # 5: Συμπαράγωγα Διδάσκουσα: Σάνδρα Κοέν Τμήμα: Οργάνωση και Διοίκηση Επιχειρήσεων.
Για μτ από ατ μέχρι ττ [με_βήμα β] εντολές Τέλος_επανάληψης : περιοχή εντολών μτ : η μεταβλητή της οποίας η τιμή θα περάσει από την αρχική.
ΣΥΣΤΗΜΑΤΑ ΑΥΤΟΜΑΤΟΥ ΕΛΕΓΧΟΥ Ι 7 η Διάλεξη Η ΜΕΘΟΔΟΣ ΤΟΥ ΓΕΩΜΕΤΡΙΚΟΥ ΤΟΠΟΥ ΡΙΖΩΝ  Ορισμός του γεωμετρικού τόπου ριζών Αποτελεί μια συγκεκριμένη καμπύλη,
Ανταγωνιστική Ανάθεση Πόρων και Παίγνια Συμφόρησης Δημήτρης Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο.
Καταιγισμός ιδεών Συνιστάται για την πολυεπίπεδη εξέταση ζητήματος ή κεντρικής έννοιας, μέσω της παρακίνησης των εκπαιδευόμενων να προβούν σε ελεύθερη,
Εισαγωγή στη βελτιστοποίηση (Μέρος 1) Daniel Kirschen.
Ηλεκτρική Οικονομία Σταμάτης Νικολόπουλος ΑΜ: 868 ΑΣΠΑΙΤΕ, 2015.
Δραματική Τέχνη στην εκπαίδευση: Ερευνητικό Σχέδιο ΙΙ
Λήψη αποφάσεων Ληψη Αποφαςεων Γ. Καμπουρίδης.
Ανάπτυξη και Αξιολόγηση Έννοιας Νέου Προϊόντος/Υπηρεσίας
Μικροοικονομία Διάλεξη 1.
Επίλυση Προβλημάτων με Αναζήτηση
Διάλεξη 15: O αλγόριθμος SIMPLE
ΧΡΟΝΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΕΡΓΩΝ
ΑΠΑΙΤΟΥΜΕΝΑ ΓΡΑΠΤΗΣ ΕΡΓΑΣΙΑΣ Τίτλος της έρευνας : Ο τίτλος της έρευνας πρέπει να είναι σύντομος και ακριβής (12-15 λέξεις). Ο τίτλος πρέπει να περιλαμβάνει.
Εισαγωγή στο Γραμμικό Προγραμματισμό
Η ΕΝΝΟΙΑ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ
ΚΕΦΑΛΑΙΟ 1 Ανάλυση προβλήματος.
Επιμέρους Στοιχεία Αξιολόγησης Εκπαιδευτικού Λογισμικού
ΥΠΟΛΟΓΙΣΜΟΣ ΚΑΘΑΡΟΥ ΚΕΡΔΟΥΣ ΑΠΌ ΤΗΝ ΑΓΡΟΤΙΚΗ ΔΡΑΣΤΗΡΙΟΤΗΤΑ
Αρχες διοικησησ & διαχειρισησ εργων
Η μέθοδος της συνεισφοράς
Γραμμικός Προγραμματισμός
Προβλήματα Μεταφορών (Transportation)
ΔΙΟΙΚΗΣΗ & ΔΙΑΧΕΙΡΙΣΗ ΕΡΓΩΝ
مقدمه‌اي بر بهينه‌سازي
ΧΡΟΝΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΕΡΓΩΝ
Γραμμικός Προγραμματισμός
Η Εθνική Τράπεζα σκοπεύει να καταθέσει πρόταση εξαγοράς, είτε στην Eurobank, είτε στην Alpha Bank προκειμένου να αυξήσει τα έσοδά της και να αποφύγει.
Κεφάλαιο 2ο: ΘΕΜΑΤΑ ΘΕΩΡΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ
Επίπεδα ενσωμάτωσης ΤΠΕ στα φιλολογικά μαθήματα
Αρχες διοικησησ & διαχειρισησ εργων
ΕΛΕΓΧΟΙ ΟΡΑΤΟΤΗΤΑΣ Επιμήκης αίθουσα με κλειστή σκηνή
ΔΙΟΙΚΗΣΗ & ΔΙΑΧΕΙΡΙΣΗ ΕΡΓΩΝ
Η έννοια του γραμμικού συστήματος και η γραφική επίλυσή του. Γ΄Γυμνασίου.
Μεταγράφημα παρουσίασης:

Multi-objective Optimization

Feasible region and corner points in the decision space x1, x2 6 2 8 12 4

Yπολογίζουμε τα objectives Ζ1, Ζ2 σε όλα τα corner points x1 x2 Z1 Z2 6 -24 48 2 8 -22 60 12 4 44 → feasible region in objective space and non-dominated solutions Non-dominated set / Pareto set → Βελτιώνουν και τα δύο objectives σε σχέση με τα dominated solutions → Αν βελτιώνουν το ένα objective σε σχέση με ένα άλλο non-dominated solution τότε σίγουρα μειώνουν το άλλο

→ → Λύση στο Excel Trade-offs w2/w1 x1 x2 Z1 Z2 -dZ1/dZ2 0 - 0.5 12 60 60 -24 0.5 0.55 - 0.9 4 44 8 0.9 0.95 - 2.45 48 2.5 2.5 - 2 -22   →

Trade-offs: Μεταξύ δύο objectives, το trade-off είναι το πόσο αλλάζει το ένα objective όταν το άλλο αλλάζει κατά μία μονάδα Τα trade-offs ποσοτικοποιούν το ‘κόστος’ που θα πρέπει να ανεχτούμε σε ένα objective όταν πρέπει να βελτιώσουμε ένα άλλο συκγρουόμενο (conflicting) objective Τα trade-offs δίνουν μία ουσιώδη ποσοτική πληροφορία που συνεισφέρει στο να βρεθεί η πιο συμβιβαστική λύση μεταξύ ανταγωνιστικών απαιτήσεων σε ένα σύνθετο, δηλαδή ρεαλιστικό, decision-making process όπου ένας αριθμός από ενδιαφερόμενα μέρη (stakeholders) έχουν ένα πλήθος από συγκρουόμενα objectives, π.χ. θέλουμε υψηλή ποιότητα υδάτινων πόρων, ταυτόχρονα με μεγάλη βιομηχανική παραγώγη και χαμηλό κόστος για επεξεργασία λυμμάτων

Ερμηνεία της μεθόδου: Όταν υπάρχει non-dominated set, η προσπάθεια να αυξήσουμε το Ζ1 οδηγεί υποχρεωτικά σε μείωση του Ζ2 όσο επιτρέπει το L2 → Z2 ≥ L2 binding constraint

non-feasible solutions Solved in Excel trivial solutions non-feasible solutions

Methods with a priori Preferences – Goal Programming Οι δύο μέθοδοι που χρησιμοποιήθηκαν ήδη (weighting method, constraint method) είναι παραδείγματα διαδικασιών που παράγουν το efficiency frontier και τα trade-offs. Υπάρχουν όμως περιπτώσεις multi-objective optimization όπου υπάρχουν προαποφασισμένες προτιμήσεις και στόχοι. Συχνά οι decision makers έχουν ήδη υπόψη τους κάποιον, τυπικά ανέφικτο, στόχο που θέλουν να προσεγγίσουν, ή πολύ απλά χρειάζονται μια πιο συγκεκριμένη πρώτη απάντηση προτού προβούν σε μια πιο πλήρη πολυκριτηριακή ανάλυση (multi-criteria analysis). Η πιο απλή και ευρέως χρησιμοποιούμενη μέθοδος που εμπλέκει a priori preferences είναι το goal programming: Διαλέγουμε μία ‘ιδανική λύση’ (utopia point) ή έναν προτεινόμενο στόχο και βρίσκουμε το σημείο το feasible region που βρίσκεται κοντά σε αυτή την ιδανική λύση ή τον στόχο με βάση κάποια συμφωνημένη έννοια απόστασης μεταξύ των σημείων.

Example I – Goal Programming Επιστρέφοντας στο παράδειγμα που λύθηκε νωρίτερα η ιδανική λύση θα ήταν το σημείο (60,60) εάν αυτό ανήκε στο feasible region. Θα το διαλέξουμε ως στόχο, (G1,G2)=(60,60), και θα βρούμε το σημείο του efficiency frontier που είναι πιο κοντά σε αυτό. Για να γίνει αυτό χρειαζόμαστε μία έννοια απόστασης d, μία μετρική, η οποία θα ελαχιστοποιηθεί. d (G1,G2)

Η απόσταση d δεν είναι απαραίτητα η γεωμετρική (Ευκλείδια) απόσταση Η απόσταση d δεν είναι απαραίτητα η γεωμετρική (Ευκλείδια) απόσταση. Η απόσταση d ορίζεται γενικά ως και προσδιορίζουμε το σημείο (Ζ1*,Ζ2*) που την ελαχιστοποιεί, τυπικά για α=1,2,άπειρο. Λύνουμε το πρόβλημα στο Excel. Το πρόβλημα είναι μη γραμμικό, εξαιτίας της μετρικής, και χρησιμοποιούμε solving method GRG Nonlinear. α=1: (Χ1*,Χ2*)=(8,8) (Ζ1*,Ζ2*)=(8,48) α=2: (Ζ1*,Ζ2*)=(9.92,6.08) (Ζ1*,Ζ2*)=(25.3,28.8) α=άπειρο: (Χ1*,Χ2*)=(10.1,5.9) (Ζ1*,Ζ2*)=(26.9,27.0) Οι λύσεις αυτές ονομάζονται best compromise solutions. Φυσικά τα σημεία αυτά εμφανίζονται κατά μήκος του efficiency frontier (εδώ είναι στην ευθεία Χ1+Χ2=16). Το σύνολο των λύσεων αυτών για α=1 ως άπειρο ονομάζονται καμμιά φορά compromise set, το οποίο σχετίζεται με το δεδομένο στόχο (G1,G2).

Example II

Profit margin = sales price – water cost – labor cost Objectives Profit margin = sales price – water cost – labor cost Municipal water supply: € 4 - € 0.25 - € 2.75 = € 1 per water unit Groundwater recharge: € 5 - € 0.75 - € 1.25 = € 3 per water unit Profit objective: Z1 = x1 + 3x2 Max Pollution objective: Z2 = 3x1 + 2x2 Min ↔ - Z2 = - 3x1 - 2x2 Max Constraints 0.5x1 + 0.25x2 ≤ 8 (pump capacity) 0.2x1 + 0.2x2 ≤ 4 (labor capacity) x1 + 5x2 ≤ 72 (water availability) All data are given per unit delivered