MIOF30 – Optimering & Simulering

Slides:



Advertisements
Liknande presentationer
Statistik vid Svenska handelshögskolan
Advertisements

EDA 480 – Maskinorienterad Programmering
Teknik 1 utifrån förmågorna och centrala innehållet Vad teknik är
Den gula tråden Emil Tyberg Adjunkt i engelska.
Valinformation Inför åk 3
Programmeringsteknik I: F1 1 Föreläsning 1: Intro till kursen och programmering  Kursens hemsida  Studentportalen.
ATT PRODUCERA EN UNDERSÖKNING
Programmeringsteknik Föreläsning 13 Skolan för Datavetenskap och kommunikation.
Problemformulering Vad är problemet eller behovet– gapen i våra resultat? Vad: Vad påverkas? Är det specifikt? Innehåller det ett implicit förslag till.
Björn Thuresson CSC HPCViz/VIC Datorspelsdesign DH2650.
Språkteknologisk forskning och utveckling (HT 2007)
Föreläsning 7 Analys av algoritmer T(n) och ordo
1DT066 (5c) Distribuerade Informationssystem
observation förutsägelser experiment förenklingar.
IT och kommunikationsvetenskap Teresa Cerratto Pargman, DSV
GK/ÖK:ITO HT06 IT i organisationer.
Kandidatexamen Omfattning Kandidatexamen uppnås efter att studenten fullgjort kursfordringar om 180 högskolepoäng med viss inriktning som varje högskola.
Lärandemålklinik – vanliga och ovanliga frågor om lärandemål (=LM) Kvalitetsenheten och Lärcentret samarbetar inom projekt Alcuin, som har som.
Språkteknologiska metoder Språkteknologisk forskning och utveckling (HT 2006)
Seminarieboken Kapitel 2 – Att tänka på redan vid starten
Forsknings- och utvärderingsmetoder, 15 hp
Att gå från magkänsla till faktabaserad utveckling Stöd för förskolor och skolor som vill ordna analysgrupp Metoden har utvecklats och prövats i Eu-projektet.
Kapitel 12 Marknadsföringen påverkas av omvärlden.
Att lyckas med produktionssättning av Ladok3
Date LEDARUTVECKLING Coachning Jan 2010.
Förmågor och centralt innehåll
MIO310 – Optimering & Simulering 2012 Kursansvarig: Universitetslektor Fredrik Olsson, Produktionsekonomi, Lunds tekniska högskola.
Interaktionsdesign i digitala medier (A.1) HT-2012, 7,5 hp Kursansvarig lärare: Daniel Nylén
Experimentell utvärdering Språkteknologisk forskning och utveckling (HT 2006)
Beräkningsvetenskap Michael Thuné.
Harmoniserat metadataset 2003 Remissynpunkter 4 Dokumentklasser –i stort tillräckligt –matchning mot egna 4 Användningsområde –typiska tillämpningsfall.
Navision – RIM Rapid Implementation Methodology - anpassning.
Antagning förstahandssökanden 53 antagna efter 2:a antagningen – Tekniskt basår Efterantagning under augusti 76 inskrivna –2 avhopp.
1 L U N D S U N I V E R S I T E T Forskningsplattform Förnyelse av tjänstebaserade, komplexa system Gunilla Jönson Fredrik Nilsson Lunds Tekniska Högskola.
Statsvetenskap 3, statsvetenskapliga metoder
Institutionen för datavetenskap vid Helsingfors universitet PB 68 Gustaf Hällströms gata 2b Helsingfors universitet
Helena Lindgren 1 MDI – fördjupningskurs (D – nivå) Kursens mål ge teoretisk fördjupning i ämnet människa-dator interaktion, ge kunskap om metoder.
Karlstads Universitet
Matematisk statistik och signal-behandling - ESS011 Föreläsning 3 Igor Rychlik 2015 (baserat på föreläsningar av Jesper Rydén)
Navision – RIM Rapid Implementation Methodology – användning David Knezevic, Stockholm,
Mål Matematiska modeller Biologi/Kemi Datorer muntlig presentation
Matematisk statistik och signal-behandling - ESS011 Föreläsning 1 Igor Rychlik 2015 (baserat på föreläsningar av Jesper Rydén)
Föreläsning 1 i programmeringsteknik och Matlab 2D1312/ 2D1305 Kursinformation Introduktion till UNIX Introduktion till Emacs Introduktion till Matlab.
FÖ8a-VT07 TFYY98/TFKI13 - A.Henry/D.Lawrence 1 Ingenjörsprojekt för Teknisk Biologi och Kemisk Analysteknik Projektet, Under- och Efter-fas (Fö8a - vt2007)
Helena Lindgren 1 MDI – fördjupningskurs (D – nivå) Kursens mål ge teoretisk fördjupning i ämnet människa-dator interaktion, ge kunskap om metoder.
© Anders Broberg, Ulrika Hägglund, Lena Kallin Westin, 2003 Datastrukturer och algoritmer Föreläsning 16.
BIM-baserad projektering - Tillämpning för analys, simulering och visualisering TFRG25, HT 2015.
Implementering Mårten Åhström 30 september 2015
Att skriva en projektplan Wibke Jonas VT 2016 Fri efter Cecilia Eriksson Linsmeier Fredrik von Wowern 2014.
EXAMENSARBETE DEGREE PROJECT 15 HP Byggingenjörsprogrammet och Affärsutvecklingsprogrammet.
Läkarprogrammet, Uppsala universitet Ht-2015 Självständigt Arbete (SSA) - en översikt.
Lunds Tekniska Högskola | Industriell ekonomi Industriell ekonomi TEKNIKPROFILER.
Självständigt arbete i teknisk fysik 15 hp Kursansvarig: Martin Sjödin Uppsala Universitet Institutionen för teknikvetenskaper Nanoteknologi och funktionella.
Problemlösning Matematik II åk / Pia Eriksson.
9:1 Kopiering tillåten. M2000 Compact © Liber AB Marknadsplanens delar Nulägesanalys – Var står vi och vad innebär nuläget för oss? Mål – Vart vill vi?
Enkel Linjär Regression. 1 Introduktion Vi undersöker relationer mellan variabler via en matematisk ekvation. Motivet för att använda denna teknik är:
Leonardo da Vinci Det europeiska samarbetet inom yrkesutbildning och kompetens- utveckling.
KTH ROYAL INSTITUTE OF TECHNOLOGY Strategisk kapacitet i den attraktiva regionen 31 maj 2016 Jacob Witzell Doktorand, avd. för Urbana och regionala studier.
Fördjupning och examination av VFU
Computational thinking progression F-9
Utvärdering är avgörande för vår förståelse av vilka metoder, strategier och förnyelsearbete vi behöver för att förbättra kvalitet Kultur reflekterar.
Vad skiljer de bästa instruktörerna från de bra?
Kritiskt förhållningssätt
Implementering Mårten Åhström 30 september 2015
Kursintroduktion – Religionsdidaktik ht 2010.
Ökad kvalitet i utbildningen Fyra prioriterade delområden
Magisteruppsats 30hp Masteruppsats 30hp Examensarbete 30hp
Modellering, styrning & visualisering
Lek, lärande och rörelse 15 hp
Utbildningsplan Lärandemål
Presentationens avskrift:

MIOF30 – Optimering & Simulering 2019 Kursansvarig: Professor Johan Marklund Produktionsekonomi Lunds tekniska högskola

Kursens Syfte Kurslitteratur Kursen har det övergripande temat optimering och simulering och avser att ge grundläggande kunskaper i tillämpad deterministisk och stokastisk modellering av företagsekonomiska beslutsproblem. Kurslitteratur Hillier F. S., Introduction to Operations Research, 10th edition, McGraw-Hill. Laguna M. and J. Marklund, Business Process Modeling, Simulation and Design, Third edition, Taylor & Fancis, 2019. Lösningar till övningsuppgifter i form av kurskompendium (uppdaterat inför HT 2019).  Ovanstående material finns till försäljning hos KF Sigma.

Obligatoriska laborationer I kursen finns två datorlaborationer med obligatorisk närvaro. Laborationerna utförs i grupper om 2-3 studenter (helst 3). Obligatoriska inlämningsuppgifter I kursen finns tre obligatoriska inlämningsuppgifter; SIM, OPT och INT. För att bli godkänd på kursen krävs att alla inlämningsuppgifter inlämnats (i tid) och godkänts. Inlämningsuppgifterna utförs i grupper om (2-)3 studenter. Varje inlämningsuppgift som godkänns utan komplettering ger 1 bonuspoäng till förstagångstentan i oktober (nytt för denna kursomgång). Total max 3 bonuspoäng som läggs till tentamensresultatet och och därmed påverkar kursbetyget.

Integrationspraktikfall INT Kursupplägg MIOF30 Integrationspraktikfall INT Kombinera deterministisk optimering med simulering Simulering Stokastisk modellering – Köteori Simuleringsmodeller för att experimentellt utvärdera stokastiska system (viss lösning). Grundläggande principer för simuleringsmodeller Modellering av produktionssystem i kommersiell programvara (Extend). Val av fördelningsfunktioner skattning av parametrar, hypotesprövning mm. Optimering Deterministiska modeller Analytiska modeller för att hitta optimallösning Linjär Programmering (kontinuerliga variabler, endast linjära samband) Heltalsprogrammering (diskreta variabler, linjära samband) Målprogrammering (flera målfunktioner)

Grovplan vecka för vecka Lv Simuleringsavsnittet Optimeringsavsnittet 1 Introduktion Simulering & ExtendSim Kömodeller Introduktion 2 Kömodeller, Lab ExtendSim: Övn uppg. Sim1, Sim2   3 Analys av in- och utdata Formulering och lösning av LP-problem 4 Handledning: Inlämningsuppgift SIM Lösning av LP-problem - Simplex Teorin bakom Simplex 5 LP Dualitetsteori – Känslighetsanalys Handledning: Inlämningsuppgift OPT 6 Handledning: Integrationsuppgift INT Målprogrammering Optimering och simulering för integrerad problemlösning Heltalsoptimering 7 Uppsummering

Operationsanalys (Operations Research)- Vad är det? Att med hjälp av matematiska modeller analysera beslut och verksamheter Benämns även idag Analytics, Data Science… Bakgrund Komplex verklighet ⇒ behövs verktyg för strukturerad analys av stora datamängder - omvandla data till information.

Operationsanalys Historisk utveckling: OR som disciplin - genombrott under 2:a Världskriget. England & USA - vetenskapsmän för att analysera den militära verksamheten (Research of Military Operations). Stor betydelse för bl.a. materielförsörjning, transportplanering, radaranvändning, reservdelsförsörjning m.m. Två faktorer för spridning av OR efter kriget Snabba framsteg under kriget ⇒ många motiverade forskare. Datorrevolutionen

Några exempel Scheduling – airline flights

Supply chain optimization

Production optimization Healthcare optimization

OR-problemets karaktär Frågeställning - Hur skall olika aktiviteter genomföras och koordineras inom en organisation? Målet är att hitta en så bra lösning som möjligt! Helst den allra bästa - optimala lösningen Analys genom ett naturvetenskapligt/matematiskt förhållningssätt En genomgripande OR studie kräver tvärvetenskapligt samarbete ! Kräver kunskap i matematik, statistik, sannolikhetsteori, nationalekonomi, företagsekonomi, datalogi, speciella OR metoder, naturvetenskap, beteendevetenskap, m.m.  Team approach.

Typiska steg i en OR studie: Definiera problemet & samla in relevant data Formulera en matematisk modell som beskriver problemet Utveckla en datorbaserad metod för att utvärdera modellen Validera/Testa modellen - måste beskriva rätt problem på ett riktigt sätt – modifiera Utveckla en färdig datorapplikation Implementera det nya beslutsstödssystemet

Operationsanalytisk Modellbyggnad 1. Definiera problemet och samla in relevant data I praktiken är OR problem ofta vaga och oprecisa ⇒ Problemdefinition viktig! Viktig del av problemdefinitionen - framtagande av relevanta prestationsmått - vad vill vi uppnå? Framtagna prestationsmått måste vara: Konkreta I linje med överordnade mål för org. & målen hos olika beslutsfattare Ex. på övergripande målsättn. i en organisation: vinstmaximering, expansion (tex marknadsandelar), hög arbetsmoral, samhällsnyttiga målsättningar - miljö, stöd för glesbygder etc. Relevant data nyckel till: att förstå problemet korrekta indata till den matematiska modellen

2. Formulera en matematisk modell Modellen måste fånga problemets kärna – förenklingar nödvändiga Matematiska modellens komponenter Beslutsvariabler - vilkas optimala värden skall bestämmas Parametrar - konstanter som utgör indata till modellen Begränsande villkor - definierar tillåtna värden på beslutsvariablerna Målfunktion - hur prestationsmåttet påverkas av beslutsvariablerna ”Korrekta” parametervärden livsviktigt - ”Garbage in Garbage out” Osäkra parametervärden ⇒ känslighetsanalys nödvändig

3. Att få fram lösningar från modellen Behöver en metod för att utvärdera modellen ⇒ kan bestämma optimala värden på beslutsvariablerna som ger bästa värdet på prestationsmåttet. Optimallösning - absolut bästa lösningen för modellen Heuristisk lösning - en intuitivt sett bra lösning, ej nödvändigtvis optimal Är den funna lösningen till modellen också rimlig i verkligheten? - var kritisk! 4. Validera/Testa modellen Modellvalidering - beskriver modellen rätt problem på ett riktigt sätt? Livsfarligt att använda en ej ordentlig validerad modell

5. Förbereda praktisk användning av modellen Utveckla väldokumenterat datorbaserat beslutsstödssystem för berörda beslutsfattare 6. Implementering Viktigt sista steg i OR studien - det är nu modellen får en konkret användning Måste skapa förtroende och förståelse för modellen och beslutsstödssystemet - dess begränsningar måste förstås