Homepage
ETE351 Grundläggande optimeringslära
Laborationsinformation
Laborationerna utgör det tredje steget i den tänkta inlärningsprocessen, och bör göras efter motsvarande föreläsningar och lektioner. De syftar dels till att fördjupa förståelsen för de ingående delarna, och dels att ge en mer beräkningsmässig vinkling på vissa metoder. Vissa laborationer görs med specifk programvara på LiU, via fjärrinloggning (ThinLinc rekommenderas). Andra kan göras på egen dator, efter nedladdning av viss programvara.
Lab 1, 2, och 3 görs med hjälp av speciell programvara som tillhandahålls via MAI:s datorsystem. Lab 4 och 7 kan göras med valfri lösare för linjära heltalsproblem (såsom GLPK). Lab 5, 6 och 8 görs lämpligtvis i Python/matlab/Octave, och kräver ingen annan programvara. Lab 7 och 8 är större uppgifter, och kan kallas projekt. Alla laborationer redovisas skriftligt, och programkod skickas in. Rapporter bör vara i pdf-format.
Laborationerna innehåller förberedelseuppgifter som är tänkta att hjälpa genomförandet av laborationen, och bör därför studeras innan man sätter sig vid datorn.
Problemtexten till laboration 2 kommer att skickas ut, men inte läggas upp på nätet. Alternativt får man maila lärare för att få uppgiftstexten.
Alla laborationer ska redovisas skriftligt enligt instruktioner i laborationsinformationen. All programkod el.dyl. skickas in via Lisam. Skriv namn på allt som lämnas in.
Separata delar med information om program etc. finnes via nedanstående länk.
Länk till information om
programmen (matlab, Vileopt, Vineopt, GMPL/AMPL, etc) samt problemdata.
Uppgifter
Lab 1 instruktion,
resultatblad.
Simplex i tablå, känslighetsanalys (Vileopt).
Film om Vileopt.
Lab 2 instruktion,
Minkostnadsflöde (Vineopt).
Film om Vineopt.
Lab 3 instruktion,
resultatblad.
Olinjär optimering (Nileopt).
Film om Nileopt.
Lab 4-5 instruktion,
resultatblad.
Lab 4: Lokaliseringsproblemet, dualgap (GMPL).
Lab 5: Heuristik för lokaliseringsproblemet (matlab/Octave/Python).
Lab 6 instruktion.
Implementering av simplexmetoden (matlab/Octave/Python).
I den andra delen av kursen ingår två projekt.
En allmän beskrivning av de två situationerna ges i
fallbeskrivningarna.
Det är de första två fallen som ingår i kursen.
De två projekten har följande tema:
1. Returpack.
Information.
Början på modellfil:
initmodel.mod
Alla datafiler i en zip-fil:
allex.zip
(Kommentar: Vissa av dessa exempel ej behöver lösas.)
2. Laddhybrid.
Information.
Skal i matlab:
initeldynp.m
Skal i Python3:
initeldynppy.py
Datafiler:
Batterikoefficienter: linkbatt.txt,
kostnadskoefficienter: linkcost.txt.
Paths:
Alla datafiler i en zip-fil:
allpaths.zip
(Kommentar: Vissa av dessa exempel ej behöver lösas.)
Varje projekt behandlar ett verkligt problem, dock i något förenklad form. Arbetssituationen är tänkt att efterlikna en verklig situation, där man får en uppgift som ska lösas, och självständigt får inhämta nödvändig information och lära sig använde de verktyg som behövs. I alla projekt ska man lösa vissa problem och skriva en snygg och utförlig rapport, som besvarar alla frågor i uppgifterna.
Tillträde
För att kunna använda MAI:s och ISY:s arbetsstationer måste man ha ett personligt konto. Detta ordnas med automatik om ni har hämtat ut er personliga emailadress (@student.liu.se) på Knutpunkten (Hus C) och är registrerade på denna kurs (eller annan/annat ISY/MAI-kurs/program).
Sidansvarig: Kaj Holmberg
Senast uppdaterad: 2022-10-25