Optimizacija resursa

Uvodno predavanje

Dr Samim Konjicija, dipl. ing. el.

Sarajevo, 6.10.2016. godine

 Informacije o predmetu

Predmetni nastavnik:
Vanr. prof. dr Samim Konjicija, dipl. ing. el.
Asistenti:
Jasmina Zubaa, MoE, strunjak iz prakse
Enil Paji, student V godine, demonstrator
Predavanja: 30 asova
Laboratorijske vjebe: 20 asova
Tutorijal: 5 asova
 Informacije o predmetu

Ciljevi predmeta:

Upoznavanje sa tehnikama za definiranje heuristikih
algoritama u svrhu odreivanja, unutar prihvatljivog
vremena, rjeenja praktinih problema optimizacije
resursa

Primjena heuristikih algoritama za rjeavanje realnih
kompleksnih problema optimizacije resursa
 Informacije o predmetu

Sadraj predavanja:
 Informacije o predmetu

Sadraj predavanja:
 Informacije o predmetu

Sadraj predavanja:
 Informacije o predmetu

Sadraj predavanja:
 Informacije o predmetu

Tutorijali:

Na tutorijalima se razrauju teme izuavane na
predavanjima (rjeavanje konkretnih problema i diskusija).
Laboratorijske vjebe:

Implementacija i demonstriranje algoritama obraenih na
predavanjima,

Rjeavanje klasa problema obraenih na predavanjima.

Zadatke za laboratorijske vjebe e studenti dobivati
unaprijed.

Za realizaciju e se koristiti Matlab, Python i drugi
programski jezici ope namjene.

Dijelom e se koristiti i postojee implementacije obraenih
algoritama.
 Informacije o predmetu

Zadae:

Umjesto neovisnih zadaa svaki student e dobiti seminarski
rad koji e se sastojati od pet cjelina.

Seminarski radovi e se realizirati u drugoj polovini
semestra.

Bie kontinuirano praena realizacija cjelina seminarskog
rada.

Studenti na zahtjev mogu dobiti seminarski rad veeg
obima, koji e biti bodovan i kao dio usmenog ispita.
 Informacije o predmetu

Nain provjere znanja:

Prisustvo predavanjima i vjebama (10 poena)

Dva parcijalna ispita koji pokrivaju materiju obraenu na
predavanjima i vjebama (2x20 poena)

Seminarski rad (10 poena)

Usmeni ispit (40 poena)
 Informacije o predmetu

Literatura:
1. S. Konjicija: Heuristiki algoritmi, ETF, Univerzitet u Sarajevu, 2013.
2. Z. Michalewicz, D. B. Fogel: "How to solve it: Modern Heuristics", Springer Verlag, 1999
3. F. Glover, G. A. Kochenberger: "Handbook of Metaheuristics", Kluwer Academic Publishers, 2003
4. D. E. Goldberg: "Genetic Algorithms in Search, Optimization and Machine learning", Addison-Wesley,
1989
5. M. Mitchell: "An Introduction to Genetic Algorithms", MIT Press, 1996
6. H. Pohlheim: "Evolutionre Algorithmen: Verfahren, Operatoren und Hinweise fr die Praxis",
Springer Verlag, 1999
7. Z. Michalewicz: "Genetic Algorithms + Data Structures = Evolution Programs", Springer Verlag, 1996
8. T. Bck, D. B. Fogel, Z. Michalewicz: "Evolutionary Computation 1: Basic Algorithms and Operators",
Institute of Physics Publishing, 2000
9. T. Bck, D. B. Fogel, Z. Michalewicz: "Evolutionary Computation 2: Advanced Algorithms and
Operators", Institute of Physics Publishing, 2000
10. G. Gutin, A. P. Punnen: "The Traveling Salesman Problem and Its Variations", Kluwer Academic
Publishers, 2004
11. P. Toth, D. Vigo: The Vehicle Routing Problem, SIAM Monographs on Mathematics and
Applications, 2002
12. S. Martello, P. Toth: "Knapsach Problems: Algorithms and Computer Implementations", John Wiley
& Sons Ltd., 1990
13. M. Dorigo, T. Stuetzle: Ant Colony Optimization, MIT Press, 2004
 Pojam optimizacije

Traganje za najboljim rjeenjem

Koriste se razliiti algoritmi i procedure
Razvoj raunara doprinosi rairenosti algoritamskih
metoda traenja optimalnog rjeenja
 Problemska situacija

Problemskom situacijom se naziva svaka situacija

koja sadri problem traenja rjeenja (donoenja
odluke) radi postizanja odreenih ciljeva

Analiza problemske situacije je temelj za izuavanje

racionalnog pristupa izboru rjeenja (odluivanju)

Teorija optimizacije se prevashodno bavi

kvantitativno izrazivim problemskim situacijama

Heuristike metode do rjeenja problema dolaze

primjenom manje formalnih algoritama i procedura
(iskustvo, znanje, intuicija, ...)
 Primjer problemske situacije

Izbor i kupovina najboljeg automobila:

Proizvoa
Model
Vrsta karoserije
Vrsta motora
Motor
Dodatna oprema
Cijena

Svaka od karakteristika moe poprimiti neku iz skupa diskretnih

vrijednosti

Postoji ovisnost izmeu nekih od karakteristika (vrsta motora-

motor, proizvoa-model-vrsta karoserije i sl.)

U stanju smo subjektivno ocijeniti koliko svaki konkretan

automobil doprinosi postizanju cilja
 Primjer problemske situacije

Planiranje proizvodnje:
Kompanija Volkswagen proizvodi dva tipa vozila bubu i super-bubu
u istoj fabrici. Sirovine za proizvodnju bube kotaju 600$, a sirovine
za super-bubu 750$. Peenje laka bube traje 4 sata, a super-bube
2 sata obzirom da se koriste kvalitetniji lakovi. Montaa bube traje
2 sata, a super-bube 3 sata. Dnevni kapacitet fabrike je 160 sati u
lakirnici i 180 sati na montai. Fabrika cijena bube je 4800$, a
super-bube 5250$. Pretpostavljajui da je mogue prodati sva
vozila, odrediti plan proizvodnje tako da se ostvari maksimalna
dobit od prodaje vozila.
 Elementi problemske situacije

Gradnja modela problemske situacije:

Alternative (definirane vrijednostima varijabli)

Ciljevi, pri emu funkcije cilja (kriteriji) vrednuju alternative

sa stanovita doprinosa postizanju ciljeva

Poredak u prostoru vrijednosti

Granina aspiracija (definicija optimuma)

Na ovako modeliranu problemsku situaciju primjenjujemo

odgovarajuu proceduru rjeavanja, iji izbor ovisi o
karakteristikama problemske situacije.
 Elementi problemske situacije

Alternativa (potencijalno rjeenje) se moe predstaviti

takom u prostoru E n

[]
x1
x2
x= .
.
.
xn

Ukoliko x E n problem bez ogranienja

Ukoliko x E n problem sa ogranienjima
 Elementi problemske situacije

Izbor neke od dozvoljenih alternativa u veoj ili manjoj mjeri

doprinosi postizanju cilja/ciljeva
Ciljevi su apstraktni, te se koriste atributi i kriteriji
Atribut odraava svojstvo alternative ili njene posljedice, na
osnovu kojeg se ona moe uporediti sa drugim alternativama
Kriterij predstavlja mjeru na definiranoj skali, koja
omoguava da se alternativa mjeri u pogledu veliine ili
vrijednosti
Kriterij predstavlja preslikavanje q: V take x E n
iz problemskog prostora u taku v V prostora vrijednosti
 Elementi problemske situacije

Vrijednost alternative se moe mjeriti koritenjem jednog ili

vie kriterija
Broj kriterija odreuje dimenzionalnost prostora vrijednosti
Da bi se moglo suditi koliko je jedna alternativa bolja ili loija
od druge, neophodno je uvesti poredak u prostor vrijednosti,
v i v j
Za jednokriterijalne problemske situacije se odnos prednosti
definira kao ili
Za viekriterijalne probleme se odnos prednosti najee
definira kao Pareto odnos prednosti
 Elementi problemske situacije

Neophodno je definirati i graninu aspiraciju, kao neto to

predstavlja eljeno rjeenje problema
Za jednokriterijalne probleme granina aspiracija predstavlja
definiranje problema traenja maksimuma ili minimuma

m in [ f x ]= m a x [ f x ]
 Elementi problemske situacije

Modeliranje problema planiranja proizvodnje:

P *=max c 'x
x
 Klasifikacija problemskih situacija
KLASIFIKACIJA PROBLEMSKIH SITUACIJA
DIMENZIONALNOST PROBLEMSKOG Jednodimenzionalne
PROST ORA Viedimenzionalne
POST OJANJE OGRANIENJA NA Bez ogranienja
ALT ERNAT IVE Sa ogranienjima
BROJ KRIT ERIJA Jednokrit erijalne
Viekrit erijalne
LINEARNOST OGRANIENJA I KRIT ERIJA Linearne
Nelinearne
KONVEKSNOST Konveksne
Nekonveksne
POST OJANJE NEZAVISNE PROMJENLJIVE St at ike
Dinamike
PROMJENLJIVOST MODELA PROBLEMA St acionarne
Nest acionarne
KONT INUALNOST Kont inualne
Diskret ne
 Klasifikacija problemskih situacija

Jednodimenzionalna i viedimenzionalna problemska

situacija
 Klasifikacija problemskih situacija

Ogranienja definiraju koje take problemskog prostora

se mogu uzeti kao dozvoljena potencijalna rjeenja
problema
 Klasifikacija problemskih situacija

Ukoliko su i ogranienja i kriterij linearne funkcije, problem

je linearan
Osobina linearnosti omoguava da se sa sigurnou znaju
osobine rjeenja problema
Ukoliko postoji, rjeenje se nalazi ili u vrnoj taki ili
konveksnoj kombinaciji vrnih taaka granici skupa
dozvoljenih vrijednosti
 Klasifikacija problemskih situacija

Problem je konveksan ako su i skup dozvoljenih vrijednosti i

kriterij konveksni
Konveksne PS su generalizacija linearnih PS
Nekonveksne PS su izuzetno teke za rjeavanje
 Klasifikacija problemskih situacija

Jednokriterijalna PS jednodimenzionalan prostor

vrijednosti
Viekriterijalna PS viedimenzionalan prostor vrijednosti
Rjeenje jednokriterijalne PS:
* = {x* : q(x* ) q(x), x }
v* = q(x*), x* *
Dinamike PS:
tf
Q x t ,t =H x t f , t f F x t , t dt
t0
*
v = opt Q x t , t x * t =argopt Q x t , t
x t x t
t [ t 0, t f ] t [t 0, t f ]
 Klasifikacija problemskih situacija

Nestacionarne PS model PS je promjenljiv

Svaki od elemenata modela moe biti izloen promjeni
 Klasifikacija problemskih situacija - primjeri

Primjer 1:
v *=max f x
x

f x = ln 1x 10,5x 2
Skup definiran ogranienjima:
x 1 x 2 2
2x 13x 2 1

Dimenzionalnost?
Postojanje ogranienja na alternative?
Linearnost?
Broj kriterija?
Postojanje nezavisne promjenljive?
 Klasifikacija problemskih situacija - primjeri

Primjer 1:
v *=max f x
x
f x = ln 1x 10,5x 2
Skup definiran ogranienjima:
x 1 x 2 2
2x 13x 2 1

Dimenzionalnost n=2, viedimenzionalan

(dvodimenzionalan)
Postojanje ogranienja na alternative sa ogranienjima
Linearnost - nelinearan
Broj kriterija m=1, jednokriterijalan
Postojanje nezavisne promjenljive - statiki
 Klasifikacija problemskih situacija - primjeri

Primjer 2:
v *=max f x
x
f x = x 10,5x 2
Skup definiran ogranienjima:
2 2
x 1 x 22
2x 13x 2 1

Dimenzionalnost?
Postojanje ogranienja na alternative?
Linearnost?
Broj kriterija?
Postojanje nezavisne promjenljive?
 Klasifikacija problemskih situacija - primjeri

Primjer 2:
v *=max f x
x
f x = x 10,5x 2
Skup definiran ogranienjima:
x 21 x 222
2x 13x 2 1

Dimenzionalnost n=2, viedimenzionalan

(dvodimenzionalan)
Postojanje ogranienja na alternative sa ogranienjima
Linearnost - nelinearan
Broj kriterija m=1, jednokriterijalan
Postojanje nezavisne promjenljive - statiki
 Klasifikacija problemskih situacija - primjeri

Primjer 3:
*
v = opt f x
x
[ ]
f x = f 1 x
f 2 x
f 1 x =2 x 1 3 x 2 x 3
f 2 x = x 1 1,5 x 2 x 3

Skup definiran ogranienjima:

x 1 x 2 2
2x 13x 2 1

Dimenzionalnost?
Postojanje ogranienja na alternative?
Linearnost?
Broj kriterija?
Postojanje nezavisne promjenljive?
 Klasifikacija problemskih situacija - primjeri

Primjer 3:
*
v = opt f x
x
[ ]
f x = f 1 x
f 2 x
f 1 x =2 x 1 3 x 2 x 3
f 2 x = x 1 1,5 x 2 x 3

Skup definiran ogranienjima:

x 1 x 2 2
2x 13x 2 1

Dimenzionalnost n=3, viedimenzionalan

(trodimenzionalan)
Postojanje ogranienja na alternative sa ogranienjima
Linearnost - linearan
Broj kriterija m=2, viekriterijalan (dvokriterijalan)
Postojanje nezavisne promjenljive - statiki
 Klasifikacija problemskih situacija - primjeri

Primjer 4:
v *= min f
x k E 4

9
f = 0,5 x ' 10x 10 x ' k x k
k =0

Dimenzionalnost?
Postojanje ogranienja na alternative?
Linearnost?
Broj kriterija?
Postojanje nezavisne promjenljive?
 Klasifikacija problemskih situacija - primjeri

Primjer 4:
v *= min f
x k E 4

9
f = 0,5 x ' 10x 10 x ' k x k
k =0

Dimenzionalnost n=4, viedimenzionalan

(etverodimenzionalan)
Postojanje ogranienja na alternative bez ogranienja
Linearnost - nelinearan
Broj kriterija m=1, jednokriterijalan
Postojanje nezavisne promjenljive - dinamiki
?