University of the Aegean. Business School. Department of Financial Management and Engineering
|
|
- Αἰνέας Λαιμός
- 8 χρόνια πριν
- Προβολές:
Transcript
1 Business School Fleet Sizing Decisions for Prioritized Pick-Up and Delivery Operations using the Branch and Price Method Dimitris-Georgios Baklagis Supervisor Professor Ioannis Minis Chios 2013
2 Acknowledgments First of all I would like to thank my supervisor Dr. Ioannis Minis for giving me the opportunity to get in touch with many interesting concepts of operational research. Furthermore, I would like to thank Mr. George Dikas, PhD Candidate of the University of the Aegean for his contribution and his support all these months, without his help I would not be able to complete my diploma thesis, and to Mr. Theodoros Emmanouilidis, PhD Candidate of the University of the Aegean for his contribution and his help during the implementation of the experiments. I am also grateful to all my professors all these years during my studies who have contributed in my educational development. Finally, I would like to thank my family and my friends for their support during all these years of my educational period. i
3 Abstract Optimizing routing-related operations has significant implications in improving the efficiency of logistics. In this thesis we deal with the problem of sizing a fleet of vehicles performing prioritized pick-up and delivery operations to serve a known client base under resource constraints. We propose a new model for this problem that combines the Team Orienteering Problem with the problem of Pick-up and Delivery with Time Windows, and Capacity Constraints (TOPPDTWCC). We have developed an exact Branch-and-Price method for the TOPPDTWCC. To assess system performance we proposed a number of KPIs related to: a) quality of service, b) expected profit, and c) utilization of the vehicles and considering these, from the set of the most effective fleet is selected this with the minimum total cost. ii
4 Εκτενής Περίληψη Εισαγωγή Στη σύγχρονη κοινωνία, σηµαντικά κεφάλαια επενδύονται στην µεταφορά προϊόντων και επιβατών, καθιστώντας τον κλάδο των µεταφορών ιδιαίτερα σηµαντικό. Σκοπός της παρούσας διπλωµατικής εργασίας, είναι η ανάπτυξη και η υλοποίηση ενός εργαλείου, µέσω του οποίου θα προσδιορίζεται το πλήθος και το µέγεθος του στόλου των οχηµάτων που θα πρέπει να διατεθεί, παρέχοντας την δυνατότητα να αξιολογείται και ο υπάρχων στόλος, έτσι ώστε να ανταποκρίνεται στις ανάγκες των πελατών του µεγιστοποιώντας το κέρδος του, σε διαδικασίες παραλαβής και επίδοσης εµπορευµάτων ή επιβατών (Pick-up and Delivery Operations). Ο στόλος των οχηµάτων αποτελεί σηµαντικό περιουσιακό στοιχείο καταλαµβάνοντας µεγάλο µέρος του προϋπολογισµού κάθε εταιρίας που δραστηριοποιείται στον κλάδο των µεταφορών. Ένας στόλος οχηµάτων ο οποίος ανταποκρίνεται µε ακρίβεια στις απαιτήσεις των πελατών, πλεονεκτεί τόσο στην παρεχόµενη ποιότητα εξυπηρέτησης προς τους πελάτες όσο και στην χρήση του κεφαλαίου της επιχείρησης, έναντι των ανταγωνιστών. Για την δηµιουργία αυτού του εργαλείου, µοντελοποιήθηκε και επιλύθηκε ένα νέο πρόβληµα δροµολόγησης, το πρόβληµα του Οµαδικού Προσανατολισµού µε Παραλαβές και Παραδόσεις, µε περιορισµούς Χρονικών Παραθύρων και Χωρητικότητας (Team Orienteering Problem with Pickups and Deliveries Time Window and Capacity Constraints, TOPPDTWCC). Το πρόβληµα αυτό αποτελεί συνδυασµό του προβλήµατος Παραλαβής και Επίδοσης, προϊόντων ή επιβατών, µε περιορισµούς Χρονικών Παραθύρων και Χωρητικότητας (Pickup and Delivery Problem with Time Windows and Capacity Constraints, PDPTWCC, Dumas, iii
5 1991), από τα πιο διαδεδοµένα και µελετηµένα προβλήµατα δροµολόγησης οχηµάτων τις τελευταίες δεκαετίες και του προβλήµατος Οµαδικού Προσανατολισµού (Team Orienteering Problem, TOP, Chao, 1996). Το πρόβληµα Παραλαβής και Επίδοσης (PDP) ανήκει στην κατηγορία προβληµάτων δροµολόγησης οχηµάτων (Vehicle Routing Problems, VRP, Toth και Vigo, 2002), και αποτελείται από ένα σύνολο πελατών, στο οποίο ο κάθε πελάτης επιθυµεί να µεταφερθεί στην τοποθεσία του µια συγκεκριµένη ποσότητα προϊόντων, αφού πρώτα παραληφθεί από µια διαφορετική τοποθεσία. Σκοπός του PDP είναι να εξυπηρετηθούν όλοι οι πελάτες ελαχιστοποιώντας την απόσταση που θα διανυθεί. Στο πρόβληµα προσανατολισµού (Orienteering Problem, OP, Chao 1996), η εξυπηρέτηση όλων των πελατών δεν είναι δυνατή, λόγω της περιορισµένης διαθεσιµότητας πόρων. Σκοπός της επίλυσης του εν λόγο προβλήµατος, είναι η επιλογή του βέλτιστου συνόλου πελατών έτσι ώστε να µεγιστοποιηθεί το συνολικό κέρδος (κέρδος νοείται το αντίτιµο που λαµβάνεται µετά την εξυπηρέτηση ενός πελάτη). Όταν εξετάζεται η εξυπηρέτηση των πελατών από ένα στόλος οχηµάτων, το παραπάνω πρόβληµα ορίζεται ως πρόβληµα οµαδικού προσανατολισµού (Team Orienteering Problem, TOP). Η βασική διαφορά µεταξύ των προβληµάτων δροµολόγησης και προσανατολισµού είναι ότι τα προβλήµατα δροµολόγησης στοχεύουν στην ελαχιστοποίηση του κόστους, εξυπηρετώντας το σύνολο των πελατών ενώ τα προβλήµατα προσανατολισµού στοχεύουν στην εξυπηρέτηση εκείνου του υποσυνόλου πελατών που µεγιστοποιεί το κέρδος δεδοµένης της περιορισµένης διαθεσιµότητας των πόρων. Το πρόβληµα του TOPPDTWCC δηµιουργήθηκε µε σκοπό να αντιµετωπίσει περιπτώσεις παραλαβής και επίδοσης όπου λόγω των περιορισµών η εξυπηρέτηση όλων των απαιτήσεων δεν είναι εφικτή. iv
6 Μοντελοποίηση του προβλήµατος Για να περιγράψουµε το TOPPDTWCC ορίζουµε ένα γράφο G = (N, A) µε N = {0, 2n + 1} P D το σύνολο των κόµβων και A το σύνολο των τόξων (i, j) που ενώνουν το σύνολο N. Ως n ορίζουµε το σύνολο των πελατών, ενώ οι κόµβοι 0 και 2n + 1 ορίζονται ως ο αρχικός και ο τερµατικός κόµβος αντίστοιχα. Ορίζουµε επίσης ως P = {1,, n} το σύνολο των κόµβων στους οποίους γίνονται οι παραλαβές και ως D = {n + 1,..,2n} τους κόµβους στους οποίους γίνονται οι επιδόσεις. Στο TOPPDTWCC ένας πελάτης i ορίζεται από τον κόµβο παράδοσης i και τον κόµβο επίδοσης i + n. Ως κέρδος p! ορίζεται το κέρδος που λαµβάνεται µετά την εξυπηρέτηση του κόµβου i P, ενώ ως t!" ορίζεται ο χρόνος που χρειάζεται για να διανυθεί το τόξο (i, j). Το s! ορίζει τον χρόνο που ξεκινά η εξυπηρέτηση του i κόµβου, η οποία πρέπει να αρχίσει ανάµεσα στα προκαθορισµένα χρονικά παράθυρα e!, b!, όπου e! και b! ο ενωρίτερος και ο αργότερος χρόνος έναρξης της εξυπηρέτησης του i κόµβου αντίστοιχα. Ως q! ορίζεται το φορτίο που έχει το όχηµα µετά την εξυπηρέτηση του i κόµβου, µε ζήτηση d!. Τέλος, ορίζουµε ως V το σύνολο των οχηµάτων µε το κάθε ένα να έχει χωρητικότητα ίση µε Q µονάδες. Το TOPPDTWCC προσπαθεί να βρει αυτά τα δροµολόγια µε τα οποία το κέρδος µεγιστοποιείται. Θεωρούµε ως Ω το σύνολο των εφικτών δροµολογίων. Ένα δροµολόγιο ή µονοπάτι r Ω είναι εφικτό όταν: α) ένα όχηµα ξεκινά από τον αρχικό κόµβο και καταλήγει στον τερµατικό κόµβο µέσα σε συγκεκριµένα χρονικά όρια, ικανοποιώντας τους περιορισµούς χωρητικότητας στο φορτίο του, β) κάθε πελάτης πρέπει να εξυπηρετηθεί το πολύ µία φορά, γ) αν ένα όχηµα επισκεφτεί έναν κόµβο παραλαβής, τότε πρέπει να επισκεφτεί και τον αντίστοιχό κόµβο επίδοσης στο ίδιο δροµολόγιο, δ) η εξυπηρέτηση κάθε κόµβου i πρέπει να γίνεται ανάµεσα στα προκαθορισµένα χρονικά παράθυρα [e!, b! ], όπου e! είναι ο ενωρίτερος χρόνος έναρξης της εξυπηρέτησης και b! ο αργότερος χρόνος έναρξης της v
7 εξυπηρέτησης. Όταν ισχύουν τα προηγούµενα, τότε ένα δροµολόγιο είναι εφικτό και το συνολικό κέρδος ορίζεται από το παρακάτω µοντέλο: TP = max p!!! x! (1) µε συνθήκες:!! a!" x! 1, i P (2)!! x! V (3) x! 0,1, r Ω (4) Όπου, p! =!! a!" p! ορίζεται το κέρδος που αποκτήθηκε από το δροµολόγιο r και p! ορίζεται το κέρδος που αποκτάται κάθε φορά µε την εξυπηρέτηση του i κόµβου παραλαβής. Τέλος, η µεταβλητή απόφασης x! παίρνει την τιµή 1 αν το δροµολόγιο r συµµετέχει στην λύση του προβλήµατος και 0 αν δεν συµµετέχει. Η ανισότητα (2) εγγυάται ότι το σύνολο των πελατών θα εξυπηρετηθεί το πολύ 1 φορά, ενώ η ανισότητα (3) περιορίζει τον αριθµό των οχηµάτων που θα χρησιµοποιηθούν. Branch-and-Price Για την επίλυση του προβλήµατος εφαρµόστηκε η µέθοδος Branch-and-Price (BP). Η BP µέθοδος περιέχει τον αλγόριθµο της Column Generation (CG) ενσωµατωµένο στην µέθοδο Branch and Bound (BB). Στην αρχή της µεθόδου BP το πρόβληµα επιλύεται από την CG «χαλαρώνοντας» τον περιορισµό (4) επιτρέποντας την µεταβλητή x! να λαµβάνει τιµές στο διάστηµα [0,1]. Στην συνέχεια εφαρµόζοντας τις αρχές του BB παράγεται η βέλτιστη λύση του αρχικού προβλήµατος. Η BP χρησιµοποιείται κυρίως σε προβλήµατα που ο αριθµός των vi
8 µεταβλητών είναι αρκετά µεγάλος σε σχέση µε το πλήθος των περιορισµών και εφαρµόζεται σε αρκετά προβλήµατα δροµολόγησης (VRP), σε προβλήµατα χρονοπρογραµµατισµού (scheduling) και στελέχωσης (crewing) (Desrosiers, 1995). Με την µέθοδο Column Generation, το κυρίως πρόβληµα (Master Problem, MP) που ορίζεται από τις σχέσεις (1)-(4) χωρίζεται σε δύο µικρότερα προβλήµατα. Το περιορισµένο πρόβληµα (Restricted Master Problem, RMP) και το υπο-πρόβληµα (Sub-Problem, SP). Το RMP, σε κάθε t επανάληψη της CG, επιλύεται λαµβάνοντας υπόψιν µόνο ένα υποσύνολο Ω! Ω των µεταβλητών του MP. Η µέθοδος που χρησιµοποιήθηκε για την επίλυση του RMP είναι η Revised Simplex Method, µια παραλλαγή της κλασσικής Simplex, η οποία επιτυγχάνει µείωση του υπολογιστικού χρόνου και της απαιτούµενης υπολογιστικής µνήµης. Στη συνέχεια, νέες µεταβλητές-δροµολόγια ω που συνεισφέρουν στην βελτίωση της αντικειµενικής συνάρτησης, αναγνωρίζονται από το SP και προσθέτονται στο αρχικό σύνολο των µεταβλητών. Έτσι µετά από την t επανάληψη της CG, το σύνολο των µεταβλητών µας ορίζεται ως Ω!!! = Ω! ω. Η CG επαναλαµβάνεται όσο το SP παράγει νέες µεταβλητές, (ω ). Τα δροµολόγια τα οποία παράγονται θα πρέπει να ικανοποιούν το παρακάτω κριτήριο: a!" p! a!" π! π! > 0!!!" (5) Όπου π! ορίζονται οι σκιώδεις (ή δυικές) τιµές της ανισότητας (2) και π! οι σκιώδεις τιµές του περιορισµού των οχηµάτων, οι οποίες παράγονται από την επίλυση του RMP. Το SP σε εφαρµογές της CG σε προβλήµατα δροµολόγησης επιλύεται ως ένα πρόβληµα εύρεσης της συντοµότερης διαδροµής (Shortest Path Problem). Πιο συγκεκριµένα στην περίπτωσή µας επιλύεται ως ένα πρόβληµα βέλτιστης διαδροµής µε χρονικά παράθυρα, περιορισµούς χωρητικότητας, παραλαβές και παραδόσεις (Elementary Shortest Path vii
9 Problem with Time Windows, Capacity Constraints and Pickup and Deliveries, ESPPTWCCPD) (Ropke και Cordeau, 2009). O όρος Elementary δηλώνει ότι στα παραγόµενα µονοπάτια δεν επιτρέπεται να δηµιουργούνται κύκλοι, δηλαδή ότι κανένας πελάτης δεν πρέπει να εξυπηρετηθεί περισσότερες από µία φορά στο ίδιο µονοπάτι. Για να περιγράψουµε το SP, ας υποθέσουµε ένα γράφο G = (N, A) όπου N = {0,2n + 1} P D, ως 0 συµβολίζεται ο αρχικός κόµβος και 2n + 1 ο τερµατικός κόµβος, όπου P και D είναι το σύνολο των κόµβων παραλαβής και επίδοσης αντίστοιχα. Το σύνολο A περιέχει όλα τα τόξα που ενώνουν τους κόµβους του συνόλου N. Κάθε τόξο (i, j) έχει ένα κόστος σύµφωνα µε την παρακάτω σχέση: c!" = π! p!, i P, j N π!, i {0}, j N 0, i D {n + 1}, j N (6) Το SP επιλύθηκε όπως περιγράφεται από τους Ropke και Cordeau (2009) µε την χρήση του label-setting αλγόριθµου υπό τις βασικές αρχές του κλασσικού αλγόριθµου των Bellman s Ford. Χαρακτηριστικό του αλγόριθµου αυτού είναι η δηµιουργία ετικετών (labels), στις οποίες καταγράφονται όλες οι απαραίτητες πληροφορίες για την κατανάλωση των πόρων έως την άφιξη στον πελάτη που επισκέπτεται τελευταίο. Ως πόροι ορίζονται: το συνολικό κέρδος που έχει συλλεχθεί µέχρι εκείνη την στιγµή στο δροµολόγιο, την συνολική απόσταση που έχει διανυθεί, το συνολικό φορτίο που έχει µαζί του το όχηµα, το µονοπάτι που έχει ακολουθήσει. Για να επιτευχθεί η ακέραια λύση για το MP, χρησιµοποιείται η µέθοδος Branch-and-Bound (BB) µε την χρήση της πολιτικής διχοτόµησης της εφικτής περιοχής, branching on arcs. viii
10 Προτεινόµενες βελτιώσεις Η επίλυση του SP απαιτεί ένα σχετικά σηµαντικό χρονικό διάστηµα σε σχέση µε τον απαιτούµενο χρόνο της συνολικής µεθόδου, ενώ ταυτόχρονα καταναλώνει και σηµαντικό µέρος από την υπολογιστική ισχύ και µνήµη. Στην προσπάθεια να µειωθεί τόσο ο χρόνος επίλυσης του SP όσο και η υπολογιστική µνήµη, εφαρµόστηκε µία σειρά από βελτιωτικές αλλαγές και η απόδοση τους µελετήθηκε µέσω πειραµατικής διαδικασίας. Ενδεικτικά αναφέρουµε µερικές από τις τροποποιήσεις που εφαρµόστηκαν στο SP, η τρίτη από τις οποίες προτείνεται στην παρούσα διπλωµατική εργασία, ενώ οι πρώτες δύο υπάρχουν στην βιβλιογραφία. 1. Ο ευρετικός αλγόριθµος Limited Discrepancy Search (LDS) χρησιµοποιήθηκε µε σκοπό να µειωθεί ο χρόνος που απαιτεί η CG. Το βασικό πλαίσιο πάνω στο οποίο λειτουργεί ο LDS είναι ότι επιλύει το Shortest Path Problem περιορίζοντας την αναζήτηση µόνο στους καλύτερους γειτονικούς κόµβους κάθε φορά. 2. Κατά την διαδικασία αποθήκευσης των νέων labels, αποθηκεύονται σε συνδεδεµένες λίστες χρησιµοποιώντας µία φθίνουσα λεξικογραφική (lexicographic) ταξινόµηση µε βάση τους πόρους της κάθε ετικέτας (Sort), µε σκοπό να αναπτύσσονται πρώτα οι πιο υποσχόµενες ετικέτες. 3. Αναπτύχθηκε ένα νέο κριτήριο το οποίο εκµεταλλευόµενο την συµµετρία του πίνακα c προβλέπει ποιες ετικέτες δεν µπορούν να φτάσουν στον τερµατικό κόµβο, ικανοποιώντας παράλληλα την σχέση (5) και σταµατάει την επέκτασή τους (PC). Σε κάθε επανάληψη της CG το ελάχιστο κόστος που µπορεί να συλλεχθεί υπολογίζεται από την παρακάτω σχέση: mincost = π! p!!!!!!!!!! + π! (7) ix
11 Αν το mincost 0,τότε η CG τερµατίζει. Επιπλέον για κάθε µια ετικέτα label l ορίζουµε ως U(l) το κόστος που δεν µπορεί να συλλέξει από άλλους κόµβους γιατί δεν είναι εφικτή η µετάβασή του σε αυτούς. Οι κόµβοι αυτοί αναφέρονται στην βιβλιογραφία ως unreachable nodes (Ropke και Cordeau, 2009). mincost(l) = π! p!!!\!(!)!!!!!!! + π! (8) Άρα αν mincost l 0, η ετικέτα l διαγράφεται χωρίς να επεκταθεί περαιτέρω. Πειραµατική διερεύνηση Για τη διερεύνηση του καταλληλότερου συνδυασµού των τριών παραπάνω τεχνικών µε στόχο την µείωση του υπολογιστικού χρόνου, τα προβλήµατα αναφοράς των Li και Lim (2001), τα οποία αναφέρονται σε προβλήµατα Παραλαβής και Επίδοσης προϊόντων µε χρονικά παράθυρα και περιορισµούς χωρητικότητας, αφού πρώτα τροποποιήθηκαν κατάλληλα για να ταιριάζουν στα χαρακτηριστικά του TOPPDTWCC. Πιο συγκεκριµένα χρησιµοποιήθηκαν 5 οχήµατα αντί για 25 και 100 µονάδες χωρητικότητας στα οχήµατα αντί για 250. Τα αποτελέσµατα αυτής της διερεύνησης παρατίθενται αναλυτικότερα στο κύριο κοµµάτι της διπλωµατικής εργασίας. Χρησιµοποιώντας τον στατιστικό έλεγχο του t-test αποδείχθηκε στατιστικά ότι η χρήση του PC και του LDS καθώς και ο συνδυασµός αυτών των δύο συνεισφέρουν στην βελτίωση του χρόνου εκτέλεσης. Εφαρµογές του TOPPDTWCC Αρκετές εφαρµογές του TOPPDTWCC µπορούν να εφαρµοστούν στον κλάδο της εφοδιαστικής αλυσίδας, και της επιχειρησιακής έρευνας. Ένα χαρακτηριστικό πεδίο εφαρµογής του είναι στην δηµιουργία των ηµερήσιων δροµολογίων σε διαδικασίες x
12 Παραλαβής και Επίδοσης, όπου οι πόροι δεν επαρκούν για την εξυπηρέτηση όλων των πελατών, µέσα στα προκαθορισµένα όρια µίας ηµερήσιας βάρδιας. Μία δεύτερη εφαρµογή του συναντάται στον σχεδιασµό ενός συστήµατος σύµφωνα µε το οποίο θα υπολογίζεται ο αριθµός των οχηµάτων V και η χωρητικότητάς τους Q έτσι, ώστε να εξυπηρετείται ένα επιθυµητό ποσοστό πελατών και να συλλέγεται επίσης το αντίστοιχα επιθυµητό κέρδος. Για να µπορέσουµε να βρούµε τα χαρακτηριστικά του στόλου (V, Q), δηµιουργήθηκε µία σειρά από δείκτες συγκριτικής αξιολόγησης (KPIs) σχετικά µε: α) την ποιότητα της εξυπηρέτησης, β) το κέρδος που συλλέχθηκε, γ) την αξιοποίηση του στόλου των οχηµάτων. Στον παρακάτω Πίνακα 2, περιγράφονται αναλυτικά οι δείκτες, οι οποίοι περιγράφονται αναλυτικά στο Παράρτηµα 2. Πίνακας 1: Σύντοµη περιγραφή των δεικτών Κατηγορία Δείκτης Περιγραφή Ποιότητα εξυπηρέτησης Κέρδος που συλλέχθηκε Αξιοποίηση του στόλου QOS PC VU CU Ο αριθµός των πελατών που εξυπηρετήθηκαν προς τον συνολικό αριθµό των πελατών Το κέρδος που συλλέχθηκε προς το µέγιστο δυνατό κέρδος Η συνολική ποσότητα προϊόντων που µεταφέρθηκε προς την συνολική χωρητικότητα των οχηµάτων Η συνολική ποσότητα προϊόντων µέσα στα οχήµατα κατά την διάρκεια µίας βάρδιας προς την συνολική χωρητικότητα του στόλου Ανάλυση των πειραµάτων Η επίλυση ορισµένων από τα Li και Lim (2001) προβλήµατα για διαφορετικές παραµέτρους (V, Q) για 30 πελάτες, οδήγησε στην δηµιουργία των παρακάτω διαγραµµάτων τα οποία περιγράφουν τους προαναφερόµενους δείκτες. xi
13 Πιο συγκεκριµένα, µελετήθηκαν δύο κατηγορίες παραµέτρων (V, Q). Όσον αφορά την πρώτη κατηγορία, για τις τρεις τιµές που αφορούν το πλήθος των οχηµάτων V = 3,7,14 η χωρητικότητα τους µεταβάλλεται, Q = {35,, 200}. Αντιθέτως, στη δεύτερη κατηγορία, για τρεις τιµές της χωρητικότητας των οχηµάτων, Q = {50,100,200} το πλήθος των οχηµάτων µεταβάλλεται, V = {1,3,,15}. Μετά την ανάλυση των αποτελεσµάτων ακολουθεί η παράθεση των µέσων τιµών τους, οµαδοποιώντας τα σε δέκα διαφορετικές κλάσεις που ορίζονται από την συνολική χωρητικότητα του στόλου Q = Q V. Το Σχήµα 1 απεικονίζει τις τιµές του QOS για διαφορετικές τιµές χωρητικότητας του στόλου. Είναι προφανές ότι οι τιµές του QOS αυξάνονται καθώς η συνολική χωρητικότητα αυξάνεται. Για παράδειγµα, είναι δυνατόν να οριστεί κατώτατο αποδεκτό επίπεδο στις τιµές του QOS ίσο µε 80%. Σε αυτή την περίπτωση η χωρητικότητα του στόλου Q που ικανοποιεί αυτό το όριο είναι Q > ( ]. Σχήµα 1: QOS συναρτήσει της συνολικής χωρητικότητας του στόλου Το Σχήµα 2 απεικονίζει τις τιµές του PC για διαφορετικές συνολικές χωρητικότητες Q. Οι τιµές του PC βρίσκονται σε πλήρη συµφωνία µε τις προηγούµενες του QOS, µε την διαφορά ότι στο Σχήµα 2 οι τιµές του PC είναι µεγαλύτερες ή ίσες του QOS, καθώς η αντικειµενική συνάρτηση (1) στοχεύει στην µεγιστοποίηση του συλλεγόµενου κέρδους. xii
14 Σχήµα 2: PC συναρτήσει της συνολικής χωρητικότητας του στόλου Τα Σχήµα 3 απεικονίζει τις τιµές του VU για διαφορετικές χωρητικότητες Q. Ο δείκτης VU προσδιορίζει την παραγωγικότητα του στόλου. Υψηλότερες τιµές του VU δηλώνουν ότι εξυπηρετήθηκαν περισσότεροι πελάτες ανά όχηµα. Οι τιµές του VU που υπερβαίνουν το 100% δηλώνουν ότι τα οχήµατα φόρτωσαν και ξεφόρτωσαν περισσότερα προϊόντα από την συνολική τους χωρητικότητα. Σχήµα 3: VU συναρτήσει της συνολικής χωρητικότητας του στόλου Το Σχήµα 4 απεικονίζει τις τιµές του CU για διαφορετική χωρητικότητα του στόλου Q. Σε αυτή την περίπτωση οι χαµηλές τιµές του CU δηλώνουν ότι τα οχήµατα διένυσαν αποστάσεις µε σχετικά µικρότερο φορτίο. Συµπερασµατικά αποδοτικότεροι στόλοι αποδεικνύονται αυτοί µε όσο το δυνατόν µεγαλύτερο CU. xiii
15 Επιλογή του στόλου Σχήµα 4: CU συναρτήσει της συνολικής χωρητικότητας του στόλου Αφού δηµιουργηθεί η σειρά µε τα KPIs, είναι δυνατόν µε πιο µεγάλη ακρίβεια να προσδιοριστεί το κατάλληλο µέγεθος του στόλου των οχηµάτων για την εξυπηρέτηση των συγκεκριµένων πελατών. Για να προσδιοριστεί το µέγεθος αυτό ακολουθούνται τα παρακάτω βήµατα: Βήµα 1. Δηµιουργία πιθανών σεναρίων δροµολόγησης Βήµα 2. Ορισµός ενός κατώτατου αποδεκτού ορίου για τις τιµές των προηγούµενων KPIs Βήµα 3. Προσδιορισµός του στόλου των οχηµάτων (V, Q) ο οποίος ικανοποιεί αυτά τα όρια Βήµα 4. Υπολογισµός του συνολικού κόστους του στόλου C(V, Q) Βήµα 5. Επιλογή του στόλου µε το µικρότερο κόστος Μετά τον ορισµό των κατώτερων αποδεκτών ορίων για κάθε έναν από τους δείκτες, επιλέγουµε στην συνέχεια στον Πίνακα 3 ποια τιµή συνολικής χωρητικότητα στόλου ικανοποιεί τις απαιτήσεις µας. xiv
16 Πίνακας 2: Κατώτατα αποδεκτά όρια των KPIs για διαφορετικές χωρητικότητες στόλου Χωρητικότητα στόλου QOS (70%) PC (70%) VU (40%) CU (10%) Προκρινόμενες χωρητικότητες [50-345] ( ] ( ] ( ] ( ] ( ] ( ] ( ] ( ] ( ] Μετά την επιλογή της συνολικής χωρητικότητας του στόλου που ικανοποιεί αυτά τα όρια, ακολουθεί η ανάλυση στους στόλους (V, Q) που την αποτελούν και η εφαρµογή στην συνέχεια του ίδιου ελέγχου για κάθε στόλο (V, Q) ξεχωριστά. Πίνακας 3: Κατώτατα αποδεκτά όρια για διαφορετικούς στόλους Στόλος (V, Q) QOS (70%) PC (70%) VU (40%) CU (10%) Προκρινόµενοι στόλοι (5, 200) (7, 150) (14, 75) (11, 100) (7, 175) Τέλος, µετά την επιλογή των στόλων (V, Q) που ικανοποιούν τα κατώτατα αυτά όρια εκτιµάται το συνολικό ετήσιο κόστος του στόλου, βάση του παρακάτω τύπου, και στην συνέχεια επιλέγεται ο στόλος οχηµάτων, µε το ελάχιστο συνολικό ετήσιο κόστος. Κόστος στόλου = αριθμός οχημάτων κόστος απόκτησης 15έτη + μισθός οδηγού έτος + λοιπά πάγια κόστη έτος (9) + χιλιομετρική κάλυψη κόστος χιλιομέτρου αριθμός οχημάτων xv
17 Επίλογος Στην παρούσα διπλωµατική εργασία παρουσιάστηκε και µελετήθηκε το πρόβληµα του Οµαδικού Προσανατολισµού µε Παραλαβές και Παραδόσεις, µε περιορισµούς Χρονικών Παραθύρων και Χωρητικότητας και οι εφαρµογές του. Το πρόβληµα αυτό είναι συνδυασµός του προβλήµατος Παραλαβής και Επίδοσης (PDP) και του προβλήµατος Οµαδικού Προσανατολισµού (TOP). Το πρόβληµα µοντελοποιήθηκε και επιλύθηκε µε την µέθοδο Branch-and-Price, ενώ µία νέα τεχνική δηµιουργήθηκε µε σκοπό να επιταχύνει την επίλυση του. Μία σειρά από πειράµατα δηµιουργήθηκε µε σκοπό να προσδιοριστεί ο συνδυασµός των τεχνικών που καταναλώνει λιγότερο υπολογιστικό χρόνο, µνήµη και ισχύ. Η ανάλυση αυτή απέδειξε ότι η προτεινόµενη αυτή τεχνική µπορεί να συνεισφέρει, µε στατιστική σηµαντικότητα, στην βελτίωση της απόδοσης της µεθόδου για την επίλυση του χαλαρωµένου προβλήµατος. Επίσης, αναλύοντας τις τιµές δεικτών συγκριτικής αξιολόγησης, µελετήθηκε πως ο διαφορετικός αριθµός οχηµάτων, διαφορετικής χωρητικότητας, επηρεάζει την λύση του προβλήµατος και παρουσιάστηκε µια πρακτική µέθοδος πέντε βηµάτων για την επιλογή του καταλληλότερου στόλου οχηµάτων. xvi
18 Table of Contents Chapter 1. Introduction... 1 Chapter 2. A Branch and Price formulation for the TOPPDTWCC Description of the TOPPDTWCC Column Generation for the TOPPDTWCC Solving the TOPPDTWCC Proposed refinements of the labeling algorithm... 8 Chapter 3. Computational Study Chapter 4. Applications of TOPPDTWCC Parametric analysis Decision of the fleet size Chapter 5. Conclusions References Appendix A Appendix B xvii
19 List of Figures Figure 1: QOS as a function of total fleet capacity Figure 2: PC as function of total fleet capacity Figure 3: VU as function of total fleet capacity Figure 4: CU as function of total fleet capacity List of Tables Table 1: Performance of the combinations of refinements for selected instances with 20 requests Table 2: Computational time to obtain the lower bound per instance per modification combination for instances of 20 requests Table 3: Two sample paired t-test between (-.-.-) and (-.PC.-) mean computational times Table 4: Two sample paired t-test between (-.-.-) and (-.LDS.-) Table 5: Two sample paired t-test for the rest between mean computational times of modifications Table 6: Brief description of the KPIs Table 7: KPIs acceptance limit for different total fleet capacity groups Table 8: Qualified fleet s capacity fleets (V, Q) Table 9: Selection of the fleet size and type xviii
20 Chapter 1. Introduction Optimizing routing-related operations has significant implications in improving the efficiency of logistics. In this thesis we deal with the problem of sizing a fleet of vehicles performing prioritized pick-up and delivery operations to serve a known client base under resource constraints. We propose a new model for this problem that combines the Team Orienteering Problem with the problem of Pick-up and Delivery with Time Windows, and Capacity Constraints (TOPPDTWCC). The fleet of vehicles is an important asset for any transport company. Thus, determining the size and capacity characteristics of the fleet is important, since failure to do so may lead to low quality of service and profit loses, or to poor use of capital. We may describe the TOPPDTWCC as follows: A fleet of identical vehicles with capacity constraints serves pick-up and delivery requests. A request, which must be served by a single vehicle, comprises a quantity of products that must be picked up from an origin point and delivered to a destination point within certain time intervals. The vehicles initially are located at a central depot to which they must return after completing their routes. In this problem, however, the vehicle fleet is unable to serve all requests during the available planning horizon due to limitations of the available resources. The objective of the problem is to determine which requests will be served in order to gain the maximum profit. We propose a new model to describe this problem. The model combines the Team Orienteering Problem (TOP) as introduced in Chao et al., (1996), and the Pick-up and Delivery Problem, with Time Windows and Capacity Constraints (PDPTWCC) as presented in Dumas et al., (1991). The objective here is to maximize the total profit collected by serving the requests with a limited fleet of capacitated vehicles. 1
21 The basic difference between our problem and PDPTWCC is that the latter concerns the case in which all requests are served by minimizing the total travel cost, while in the TOPPDTWCC the resources are insufficient to serve all requests. Instead requests are to be selected to optimize the objective function within the relevant constraints. The Pickup and Delivery Problem (PDP) is a generalization of the Vehicle Routing Problem (VRP). In the PDP each customer request is related to two different locations: A pickup location where products (or passengers) must be picked up, and a destination location where they must be delivered. The PDP s objective is to serve all requests minimizing the total travel cost. Over the past decades, several classes of the PDP have been studied and numerous papers and books are available in the literature; interested readers may refer to Toth and Vigo (2002), Berbeglia et al. (2007), Parragh et al. (2008a, b). Toth and Vigo (2002) stated that PDP is an NP-hard problem since it is a generalization of the VRP. According to the three categories introduced by Berbeglia et al. (2007) concerning the classes of PDP, the TOPPDTWCC belongs to the one-to-one [1-1] category of problems, since each pickup node is associated with a unique delivery node. The Orienteering Problem (OP) was named after the sport game of orienteering (Chao et al., 1996). In the OP a vehicle starts from a certain starting point and attempts to visit as many points as possible, striving to maximize the score collected but by covering a distance or time within a predefined time limit. OP could be considered as a combination of the Traveling Salesman Problem (TSP) and the Knapsack Problem (Vansteenwegen et al., 2011). Early applications of the OP were presented by Tsiligirides (1984), where a travelling salesperson within limited time must serve those customers who maximize total sales. Golden et al. (1987) also modeled an inventory routing problem in an attempt to deliver heating fuel on daily basis to maximize profit. Golden et al., (1987) showed that OP is an NP-hard 2
22 problem. The Team Orienteering Problem (TOP) is an extension of the OP; in TOP a team of players attempts to maximize the points collected by the team in total. In contrast to classical routing problems, in which all customers must be served in order to minimize the distance traveled, routing problems aiming to maximize profit have received limited attention (Vansteenwegen et al., 2011). According to the survey for the OP of Vansteenwegen et al., (2011), only Boussier et al., (2007) and Archetti et al., (2009) have assumed capacitated vehicles in the OP; this feature is a key aspect of the current work. To address the posed TOPPDTWCC, we apply the exact Branch-and-Price (BP) method (Barnhart et al., 1998, Desaulniers et al., 1998). The BP method consists of the Column Generation (CG) algorithm embedded in a Branch and Bound (BB) tree (Desaulniers et al., 2005). In BP the problem is first relaxed in terms of the integrality constraints associated with the decision variables of the problem, and CG is applied to provide an optimal solution for this relaxed problem. Subsequently, principles of BB are applied to obtain the optimal solution for the initial integer problem. Desrosiers et al. (1995) mention that BP techniques are frequently observed in crew scheduling and routing problems, and are suitable for problems with large number of variables (Barnhart et al.,1998). We applied the above model and solution method in order to determine the appropriate size of a fleet to serve a certain client base at a desired service level. For the investigation of this case we consider as request base the benchmark instances provided by Li and Lim (2001) for the PDPTWCC, which were appropriately modified. The rest of the Thesis is structured and follows: Section 2 describes a set covering formulation for TOPPDTWCC and the BP solution framework. Section 3 presents several common techniques, a proposed refinement concerning the solution of the sub-problem of the BP framework, and a computational study to identify the best combination of techniques to 3
23 solve the TOPPDTWCC efficiently. Section 4 focuses on the fleet sizing application. Finally, Section 5 discusses the conclusions of the current work and proposes directions for future research. 4
24 Chapter 2. A Branch and Price formulation for the TOPPDTWCC 2.1 Description of the TOPPDTWCC In order to define the TOPPDTWCC, we suppose a directed graph G = (N, A) where N = {0, 2n + 1} P D is the node set. Let n be the number of requests, and nodes 0 and 2n + 1 be the starting and destination depot(s), respectively. Let also P = {1,, n} be the set of the pick-up nodes and D = {n + 1,..,2n} the set of the delivery nodes, considering that each request i is associated with node i of set P and node i + n of set D. Assume that set A contains all the arcs (i, j) connecting the nodes of set N. Furthermore, p! is the profit gained after serving node i, t!" is the time required to traverse arc (i, j), s! represents the time when the service of node i starts, e!, b! is the time interval within which each node must be served, q! is the load that the vehicle carries after serving node i, d! is the demand of each node and d! = d!!!, i P. Finally, let V be the number of the available vehicles, each of them with capacity equal to Q units. TOPPDTWCC consists of finding the set of vehicles routes M for which the total profit collected is maximized. The latter should be achieved considering that each vehicle route must start from node 0 to and end up to 2n + 1, each node i is served at most once, the service of which should start into the time interval [e!, b! ]. Furthermore, if i P is served by a vehicle m then the respective i + n D must be served by m and vice versa and the service of each node i P must precede the service of the related node i + n. Furthermore, M V and q! Q, for each i N. 2.2 Column Generation for the TOPPDTWCC Column generation (CG) is applied in various operational research problems; interested readers may refer to Wilhelm (2001). The CG method aims to partitioning a linear problem, 5
2 Composition. Invertible Mappings
Arkansas Tech University MATH 4033: Elementary Modern Algebra Dr. Marcel B. Finan Composition. Invertible Mappings In this section we discuss two procedures for creating new mappings from old ones, namely,
Διαβάστε περισσότεραCHAPTER 25 SOLVING EQUATIONS BY ITERATIVE METHODS
CHAPTER 5 SOLVING EQUATIONS BY ITERATIVE METHODS EXERCISE 104 Page 8 1. Find the positive root of the equation x + 3x 5 = 0, correct to 3 significant figures, using the method of bisection. Let f(x) =
Διαβάστε περισσότεραOther Test Constructions: Likelihood Ratio & Bayes Tests
Other Test Constructions: Likelihood Ratio & Bayes Tests Side-Note: So far we have seen a few approaches for creating tests such as Neyman-Pearson Lemma ( most powerful tests of H 0 : θ = θ 0 vs H 1 :
Διαβάστε περισσότερα5.4 The Poisson Distribution.
The worst thing you can do about a situation is nothing. Sr. O Shea Jackson 5.4 The Poisson Distribution. Description of the Poisson Distribution Discrete probability distribution. The random variable
Διαβάστε περισσότεραEE512: Error Control Coding
EE512: Error Control Coding Solution for Assignment on Finite Fields February 16, 2007 1. (a) Addition and Multiplication tables for GF (5) and GF (7) are shown in Tables 1 and 2. + 0 1 2 3 4 0 0 1 2 3
Διαβάστε περισσότεραΣΧΕΔΙΑΣΜΟΣ ΔΙΚΤΥΩΝ ΔΙΑΝΟΜΗΣ. Η εργασία υποβάλλεται για τη μερική κάλυψη των απαιτήσεων με στόχο. την απόκτηση του διπλώματος
ΣΧΕΔΙΑΣΜΟΣ ΔΙΚΤΥΩΝ ΔΙΑΝΟΜΗΣ Η εργασία υποβάλλεται για τη μερική κάλυψη των απαιτήσεων με στόχο την απόκτηση του διπλώματος «Οργάνωση και Διοίκηση Βιομηχανικών Συστημάτων με εξειδίκευση στα Συστήματα Εφοδιασμού
Διαβάστε περισσότεραSection 8.3 Trigonometric Equations
99 Section 8. Trigonometric Equations Objective 1: Solve Equations Involving One Trigonometric Function. In this section and the next, we will exple how to solving equations involving trigonometric functions.
Διαβάστε περισσότεραApproximation of distance between locations on earth given by latitude and longitude
Approximation of distance between locations on earth given by latitude and longitude Jan Behrens 2012-12-31 In this paper we shall provide a method to approximate distances between two points on earth
Διαβάστε περισσότεραST5224: Advanced Statistical Theory II
ST5224: Advanced Statistical Theory II 2014/2015: Semester II Tutorial 7 1. Let X be a sample from a population P and consider testing hypotheses H 0 : P = P 0 versus H 1 : P = P 1, where P j is a known
Διαβάστε περισσότεραStatistical Inference I Locally most powerful tests
Statistical Inference I Locally most powerful tests Shirsendu Mukherjee Department of Statistics, Asutosh College, Kolkata, India. shirsendu st@yahoo.co.in So far we have treated the testing of one-sided
Διαβάστε περισσότεραΜηχανική Μάθηση Hypothesis Testing
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Μηχανική Μάθηση Hypothesis Testing Γιώργος Μπορμπουδάκης Τμήμα Επιστήμης Υπολογιστών Procedure 1. Form the null (H 0 ) and alternative (H 1 ) hypothesis 2. Consider
Διαβάστε περισσότερα4.6 Autoregressive Moving Average Model ARMA(1,1)
84 CHAPTER 4. STATIONARY TS MODELS 4.6 Autoregressive Moving Average Model ARMA(,) This section is an introduction to a wide class of models ARMA(p,q) which we will consider in more detail later in this
Διαβάστε περισσότεραThe Simply Typed Lambda Calculus
Type Inference Instead of writing type annotations, can we use an algorithm to infer what the type annotations should be? That depends on the type system. For simple type systems the answer is yes, and
Διαβάστε περισσότεραCongruence Classes of Invertible Matrices of Order 3 over F 2
International Journal of Algebra, Vol. 8, 24, no. 5, 239-246 HIKARI Ltd, www.m-hikari.com http://dx.doi.org/.2988/ija.24.422 Congruence Classes of Invertible Matrices of Order 3 over F 2 Ligong An and
Διαβάστε περισσότεραA Bonus-Malus System as a Markov Set-Chain. Małgorzata Niemiec Warsaw School of Economics Institute of Econometrics
A Bonus-Malus System as a Markov Set-Chain Małgorzata Niemiec Warsaw School of Economics Institute of Econometrics Contents 1. Markov set-chain 2. Model of bonus-malus system 3. Example 4. Conclusions
Διαβάστε περισσότεραC.S. 430 Assignment 6, Sample Solutions
C.S. 430 Assignment 6, Sample Solutions Paul Liu November 15, 2007 Note that these are sample solutions only; in many cases there were many acceptable answers. 1 Reynolds Problem 10.1 1.1 Normal-order
Διαβάστε περισσότεραHomework 3 Solutions
Homework 3 Solutions Igor Yanovsky (Math 151A TA) Problem 1: Compute the absolute error and relative error in approximations of p by p. (Use calculator!) a) p π, p 22/7; b) p π, p 3.141. Solution: For
Διαβάστε περισσότεραMatrices and Determinants
Matrices and Determinants SUBJECTIVE PROBLEMS: Q 1. For what value of k do the following system of equations possess a non-trivial (i.e., not all zero) solution over the set of rationals Q? x + ky + 3z
Διαβάστε περισσότεραJesse Maassen and Mark Lundstrom Purdue University November 25, 2013
Notes on Average Scattering imes and Hall Factors Jesse Maassen and Mar Lundstrom Purdue University November 5, 13 I. Introduction 1 II. Solution of the BE 1 III. Exercises: Woring out average scattering
Διαβάστε περισσότεραPhysical DB Design. B-Trees Index files can become quite large for large main files Indices on index files are possible.
B-Trees Index files can become quite large for large main files Indices on index files are possible 3 rd -level index 2 nd -level index 1 st -level index Main file 1 The 1 st -level index consists of pairs
Διαβάστε περισσότεραderivation of the Laplacian from rectangular to spherical coordinates
derivation of the Laplacian from rectangular to spherical coordinates swapnizzle 03-03- :5:43 We begin by recognizing the familiar conversion from rectangular to spherical coordinates (note that φ is used
Διαβάστε περισσότεραHOMEWORK 4 = G. In order to plot the stress versus the stretch we define a normalized stretch:
HOMEWORK 4 Problem a For the fast loading case, we want to derive the relationship between P zz and λ z. We know that the nominal stress is expressed as: P zz = ψ λ z where λ z = λ λ z. Therefore, applying
Διαβάστε περισσότεραΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 19/5/2007
Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Αν κάπου κάνετε κάποιες υποθέσεις να αναφερθούν στη σχετική ερώτηση. Όλα τα αρχεία που αναφέρονται στα προβλήματα βρίσκονται στον ίδιο φάκελο με το εκτελέσιμο
Διαβάστε περισσότεραConcrete Mathematics Exercises from 30 September 2016
Concrete Mathematics Exercises from 30 September 2016 Silvio Capobianco Exercise 1.7 Let H(n) = J(n + 1) J(n). Equation (1.8) tells us that H(2n) = 2, and H(2n+1) = J(2n+2) J(2n+1) = (2J(n+1) 1) (2J(n)+1)
Διαβάστε περισσότεραk A = [k, k]( )[a 1, a 2 ] = [ka 1,ka 2 ] 4For the division of two intervals of confidence in R +
Chapter 3. Fuzzy Arithmetic 3- Fuzzy arithmetic: ~Addition(+) and subtraction (-): Let A = [a and B = [b, b in R If x [a and y [b, b than x+y [a +b +b Symbolically,we write A(+)B = [a (+)[b, b = [a +b
Διαβάστε περισσότεραΑπόκριση σε Μοναδιαία Ωστική Δύναμη (Unit Impulse) Απόκριση σε Δυνάμεις Αυθαίρετα Μεταβαλλόμενες με το Χρόνο. Απόστολος Σ.
Απόκριση σε Δυνάμεις Αυθαίρετα Μεταβαλλόμενες με το Χρόνο The time integral of a force is referred to as impulse, is determined by and is obtained from: Newton s 2 nd Law of motion states that the action
Διαβάστε περισσότερα6.3 Forecasting ARMA processes
122 CHAPTER 6. ARMA MODELS 6.3 Forecasting ARMA processes The purpose of forecasting is to predict future values of a TS based on the data collected to the present. In this section we will discuss a linear
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ
ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΨΥΧΟΛΟΓΙΚΕΣ ΕΠΙΠΤΩΣΕΙΣ ΣΕ ΓΥΝΑΙΚΕΣ ΜΕΤΑ ΑΠΟ ΜΑΣΤΕΚΤΟΜΗ ΓΕΩΡΓΙΑ ΤΡΙΣΟΚΚΑ Λευκωσία 2012 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ
Διαβάστε περισσότεραInstruction Execution Times
1 C Execution Times InThisAppendix... Introduction DL330 Execution Times DL330P Execution Times DL340 Execution Times C-2 Execution Times Introduction Data Registers This appendix contains several tables
Διαβάστε περισσότεραω ω ω ω ω ω+2 ω ω+2 + ω ω ω ω+2 + ω ω+1 ω ω+2 2 ω ω ω ω ω ω ω ω+1 ω ω2 ω ω2 + ω ω ω2 + ω ω ω ω2 + ω ω+1 ω ω2 + ω ω+1 + ω ω ω ω2 + ω
0 1 2 3 4 5 6 ω ω + 1 ω + 2 ω + 3 ω + 4 ω2 ω2 + 1 ω2 + 2 ω2 + 3 ω3 ω3 + 1 ω3 + 2 ω4 ω4 + 1 ω5 ω 2 ω 2 + 1 ω 2 + 2 ω 2 + ω ω 2 + ω + 1 ω 2 + ω2 ω 2 2 ω 2 2 + 1 ω 2 2 + ω ω 2 3 ω 3 ω 3 + 1 ω 3 + ω ω 3 +
Διαβάστε περισσότεραLecture 2: Dirac notation and a review of linear algebra Read Sakurai chapter 1, Baym chatper 3
Lecture 2: Dirac notation and a review of linear algebra Read Sakurai chapter 1, Baym chatper 3 1 State vector space and the dual space Space of wavefunctions The space of wavefunctions is the set of all
Διαβάστε περισσότεραCHAPTER 48 APPLICATIONS OF MATRICES AND DETERMINANTS
CHAPTER 48 APPLICATIONS OF MATRICES AND DETERMINANTS EXERCISE 01 Page 545 1. Use matrices to solve: 3x + 4y x + 5y + 7 3x + 4y x + 5y 7 Hence, 3 4 x 0 5 y 7 The inverse of 3 4 5 is: 1 5 4 1 5 4 15 8 3
Διαβάστε περισσότεραΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 6/5/2006
Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Ολοι οι αριθμοί που αναφέρονται σε όλα τα ερωτήματα είναι μικρότεροι το 1000 εκτός αν ορίζεται διαφορετικά στη διατύπωση του προβλήματος. Διάρκεια: 3,5 ώρες Καλή
Διαβάστε περισσότεραCombined Bus and Driver Scheduling
Combined Bus and Driver Scheduling C Valouxis, E Housos Computers and Operation Research Journal Vol 29/3, pp 243-259, March 22 AMORE Patra, 2 Problem Definition () Shift: a set of routes that will be
Διαβάστε περισσότεραAreas and Lengths in Polar Coordinates
Kiryl Tsishchanka Areas and Lengths in Polar Coordinates In this section we develop the formula for the area of a region whose boundary is given by a polar equation. We need to use the formula for the
Διαβάστε περισσότεραFractional Colorings and Zykov Products of graphs
Fractional Colorings and Zykov Products of graphs Who? Nichole Schimanski When? July 27, 2011 Graphs A graph, G, consists of a vertex set, V (G), and an edge set, E(G). V (G) is any finite set E(G) is
Διαβάστε περισσότεραPartial Differential Equations in Biology The boundary element method. March 26, 2013
The boundary element method March 26, 203 Introduction and notation The problem: u = f in D R d u = ϕ in Γ D u n = g on Γ N, where D = Γ D Γ N, Γ D Γ N = (possibly, Γ D = [Neumann problem] or Γ N = [Dirichlet
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ. του Γεράσιμου Τουλιάτου ΑΜ: 697
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΣΤΑ ΠΛΑΙΣΙΑ ΤΟΥ ΜΕΤΑΠΤΥΧΙΑΚΟΥ ΔΙΠΛΩΜΑΤΟΣ ΕΙΔΙΚΕΥΣΗΣ ΕΠΙΣΤΗΜΗ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ του Γεράσιμου Τουλιάτου
Διαβάστε περισσότεραSecond Order RLC Filters
ECEN 60 Circuits/Electronics Spring 007-0-07 P. Mathys Second Order RLC Filters RLC Lowpass Filter A passive RLC lowpass filter (LPF) circuit is shown in the following schematic. R L C v O (t) Using phasor
Διαβάστε περισσότεραΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ "ΠΟΛΥΚΡΙΤΗΡΙΑ ΣΥΣΤΗΜΑΤΑ ΛΗΨΗΣ ΑΠΟΦΑΣΕΩΝ. Η ΠΕΡΙΠΤΩΣΗ ΤΗΣ ΕΠΙΛΟΓΗΣ ΑΣΦΑΛΙΣΤΗΡΙΟΥ ΣΥΜΒΟΛΑΙΟΥ ΥΓΕΙΑΣ "
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΑΛΑΜΑΤΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΜΟΝΑΔΩΝ ΥΓΕΙΑΣ ΚΑΙ ΠΡΟΝΟΙΑΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ "ΠΟΛΥΚΡΙΤΗΡΙΑ ΣΥΣΤΗΜΑΤΑ ΛΗΨΗΣ ΑΠΟΦΑΣΕΩΝ. Η ΠΕΡΙΠΤΩΣΗ ΤΗΣ ΕΠΙΛΟΓΗΣ ΑΣΦΑΛΙΣΤΗΡΙΟΥ ΣΥΜΒΟΛΑΙΟΥ
Διαβάστε περισσότεραAreas and Lengths in Polar Coordinates
Kiryl Tsishchanka Areas and Lengths in Polar Coordinates In this section we develop the formula for the area of a region whose boundary is given by a polar equation. We need to use the formula for the
Διαβάστε περισσότεραTridiagonal matrices. Gérard MEURANT. October, 2008
Tridiagonal matrices Gérard MEURANT October, 2008 1 Similarity 2 Cholesy factorizations 3 Eigenvalues 4 Inverse Similarity Let α 1 ω 1 β 1 α 2 ω 2 T =......... β 2 α 1 ω 1 β 1 α and β i ω i, i = 1,...,
Διαβάστε περισσότεραProblem Set 3: Solutions
CMPSCI 69GG Applied Information Theory Fall 006 Problem Set 3: Solutions. [Cover and Thomas 7.] a Define the following notation, C I p xx; Y max X; Y C I p xx; Ỹ max I X; Ỹ We would like to show that C
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Οικονομία. Διάλεξη 7η: Consumer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Διάλεξη 7η: Consumer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών Τέλος Ενότητας Χρηματοδότηση Το παρόν εκπαιδευτικό υλικό έχει αναπτυχθεί
Διαβάστε περισσότεραΠρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής
Πρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής Να γραφεί πρόγραμμα το οποίο δέχεται ως είσοδο μια ακολουθία S από n (n 40) ακέραιους αριθμούς και επιστρέφει ως έξοδο δύο ακολουθίες από θετικούς ακέραιους
Διαβάστε περισσότεραSCHOOL OF MATHEMATICAL SCIENCES G11LMA Linear Mathematics Examination Solutions
SCHOOL OF MATHEMATICAL SCIENCES GLMA Linear Mathematics 00- Examination Solutions. (a) i. ( + 5i)( i) = (6 + 5) + (5 )i = + i. Real part is, imaginary part is. (b) ii. + 5i i ( + 5i)( + i) = ( i)( + i)
Διαβάστε περισσότεραΔΙΠΛΩΜΑΣΙΚΗ ΕΡΓΑΙΑ. του φοιτητή του Σμήματοσ Ηλεκτρολόγων Μηχανικών και. Σεχνολογίασ Τπολογιςτών τησ Πολυτεχνικήσ χολήσ του. Πανεπιςτημίου Πατρών
ΠΑΝΕΠΙΣΗΜΙΟ ΠΑΣΡΩΝ ΣΜΗΜΑ ΗΛΕΚΣΡΟΛΟΓΩΝ ΜΗΦΑΝΙΚΩΝ ΚΑΙ ΣΕΦΝΟΛΟΓΙΑ ΤΠΟΛΟΓΙΣΩΝ ΣΟΜΕΑ: ΗΛΕΚΣΡΟΝΙΚΗ ΚΑΙ ΤΠΟΛΟΓΙΣΩΝ ΕΡΓΑΣΗΡΙΟ ΗΛΕΚΣΡΟΝΙΚΩΝ ΤΠΟΛΟΓΙΣΩΝ ΔΙΠΛΩΜΑΣΙΚΗ ΕΡΓΑΙΑ του φοιτητή του Σμήματοσ Ηλεκτρολόγων Μηχανικών
Διαβάστε περισσότεραΓιπλυμαηική Δπγαζία. «Ανθπυποκενηπικόρ ζσεδιαζμόρ γέθςπαρ πλοίος» Φοςζιάνηρ Αθανάζιορ. Δπιβλέπυν Καθηγηηήρ: Νηθφιανο Π. Βεληίθνο
ΔΘΝΙΚΟ ΜΔΣΟΒΙΟ ΠΟΛΤΣΔΥΝΔΙΟ ΥΟΛΗ ΝΑΤΠΗΓΩΝ ΜΗΥΑΝΟΛΟΓΩΝ ΜΗΥΑΝΙΚΩΝ Γιπλυμαηική Δπγαζία «Ανθπυποκενηπικόρ ζσεδιαζμόρ γέθςπαρ πλοίος» Φοςζιάνηρ Αθανάζιορ Δπιβλέπυν Καθηγηηήρ: Νηθφιανο Π. Βεληίθνο Σπιμελήρ Δξεηαζηική
Διαβάστε περισσότεραNumerical Analysis FMN011
Numerical Analysis FMN011 Carmen Arévalo Lund University carmen@maths.lth.se Lecture 12 Periodic data A function g has period P if g(x + P ) = g(x) Model: Trigonometric polynomial of order M T M (x) =
Διαβάστε περισσότεραΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ. ΘΕΜΑ: «ιερεύνηση της σχέσης µεταξύ φωνηµικής επίγνωσης και ορθογραφικής δεξιότητας σε παιδιά προσχολικής ηλικίας»
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΑΝΘΡΩΠΙΣΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΠΡΟΣΧΟΛΙΚΗΣ ΑΓΩΓΗΣ ΚΑΙ ΤΟΥ ΕΚΠΑΙ ΕΥΤΙΚΟΥ ΣΧΕ ΙΑΣΜΟΥ «ΠΑΙ ΙΚΟ ΒΙΒΛΙΟ ΚΑΙ ΠΑΙ ΑΓΩΓΙΚΟ ΥΛΙΚΟ» ΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ που εκπονήθηκε για τη
Διαβάστε περισσότεραthe total number of electrons passing through the lamp.
1. A 12 V 36 W lamp is lit to normal brightness using a 12 V car battery of negligible internal resistance. The lamp is switched on for one hour (3600 s). For the time of 1 hour, calculate (i) the energy
Διαβάστε περισσότεραStrain gauge and rosettes
Strain gauge and rosettes Introduction A strain gauge is a device which is used to measure strain (deformation) on an object subjected to forces. Strain can be measured using various types of devices classified
Διαβάστε περισσότερα«ΑΓΡΟΤΟΥΡΙΣΜΟΣ ΚΑΙ ΤΟΠΙΚΗ ΑΝΑΠΤΥΞΗ: Ο ΡΟΛΟΣ ΤΩΝ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΣΤΗΝ ΠΡΟΩΘΗΣΗ ΤΩΝ ΓΥΝΑΙΚΕΙΩΝ ΣΥΝΕΤΑΙΡΙΣΜΩΝ»
I ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΝΟΜΙΚΩΝ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΠΟΛΙΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ «ΔΙΟΙΚΗΣΗ ΚΑΙ ΟΙΚΟΝΟΜΙΑ» ΚΑΤΕΥΘΥΝΣΗ: ΟΙΚΟΝΟΜΙΚΗ
Διαβάστε περισσότεραEcon 2110: Fall 2008 Suggested Solutions to Problem Set 8 questions or comments to Dan Fetter 1
Eon : Fall 8 Suggested Solutions to Problem Set 8 Email questions or omments to Dan Fetter Problem. Let X be a salar with density f(x, θ) (θx + θ) [ x ] with θ. (a) Find the most powerful level α test
Διαβάστε περισσότεραΠΑΝΔΠΗΣΖΜΗΟ ΠΑΣΡΩΝ ΣΜΖΜΑ ΖΛΔΚΣΡΟΛΟΓΩΝ ΜΖΥΑΝΗΚΩΝ ΚΑΗ ΣΔΥΝΟΛΟΓΗΑ ΤΠΟΛΟΓΗΣΩΝ ΣΟΜΔΑ ΤΣΖΜΑΣΩΝ ΖΛΔΚΣΡΗΚΖ ΔΝΔΡΓΔΗΑ
ΠΑΝΔΠΗΣΖΜΗΟ ΠΑΣΡΩΝ ΣΜΖΜΑ ΖΛΔΚΣΡΟΛΟΓΩΝ ΜΖΥΑΝΗΚΩΝ ΚΑΗ ΣΔΥΝΟΛΟΓΗΑ ΤΠΟΛΟΓΗΣΩΝ ΣΟΜΔΑ ΤΣΖΜΑΣΩΝ ΖΛΔΚΣΡΗΚΖ ΔΝΔΡΓΔΗΑ Γηπισκαηηθή Δξγαζία ηνπ Φνηηεηή ηνπ ηκήκαηνο Ζιεθηξνιόγσλ Μεραληθώλ θαη Σερλνινγίαο Ζιεθηξνληθώλ
Διαβάστε περισσότεραΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 24/3/2007
Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Όλοι οι αριθμοί που αναφέρονται σε όλα τα ερωτήματα μικρότεροι του 10000 εκτός αν ορίζεται διαφορετικά στη διατύπωση του προβλήματος. Αν κάπου κάνετε κάποιες υποθέσεις
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ. Πτυχιακή εργασία
ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Πτυχιακή εργασία ΑΝΑΛΥΣΗ ΚΟΣΤΟΥΣ-ΟΦΕΛΟΥΣ ΓΙΑ ΤΗ ΔΙΕΙΣΔΥΣΗ ΤΩΝ ΑΝΑΝΕΩΣΙΜΩΝ ΠΗΓΩΝ ΕΝΕΡΓΕΙΑΣ ΣΤΗΝ ΚΥΠΡΟ ΜΕΧΡΙ ΤΟ 2030
Διαβάστε περισσότεραΓραµµικός Προγραµµατισµός (ΓΠ)
Γραµµικός Προγραµµατισµός (ΓΠ) Περίληψη Επίλυση δυσδιάστατων προβληµάτων Η µέθοδος simplex Τυπική µορφή Ακέραιος Προγραµµατισµός Προγραµµατισµός Παραγωγής Προϊόν Προϊόν 2 Παραγωγική Δυνατότητα Μηχ. 4 Μηχ.
Διαβάστε περισσότεραMath 6 SL Probability Distributions Practice Test Mark Scheme
Math 6 SL Probability Distributions Practice Test Mark Scheme. (a) Note: Award A for vertical line to right of mean, A for shading to right of their vertical line. AA N (b) evidence of recognizing symmetry
Διαβάστε περισσότεραCYPRUS UNIVERSITY OF TECHNOLOGY Faculty of Geotechnical Sciences and Environmental Management Department of Environmental Science and Technology
CYPRUS UNIVERSITY OF TECHNOLOGY Faculty of Geotechnical Sciences and Environmental Management Department of Environmental Science and Technology Msc Thesis METAL BIOLEACHING FROM SLUDGE: CURRENT STATUS
Διαβάστε περισσότεραSection 7.6 Double and Half Angle Formulas
09 Section 7. Double and Half Angle Fmulas To derive the double-angles fmulas, we will use the sum of two angles fmulas that we developed in the last section. We will let α θ and β θ: cos(θ) cos(θ + θ)
Διαβάστε περισσότεραLecture 34 Bootstrap confidence intervals
Lecture 34 Bootstrap confidence intervals Confidence Intervals θ: an unknown parameter of interest We want to find limits θ and θ such that Gt = P nˆθ θ t If G 1 1 α is known, then P θ θ = P θ θ = 1 α
Διαβάστε περισσότεραNowhere-zero flows Let be a digraph, Abelian group. A Γ-circulation in is a mapping : such that, where, and : tail in X, head in
Nowhere-zero flows Let be a digraph, Abelian group. A Γ-circulation in is a mapping : such that, where, and : tail in X, head in : tail in X, head in A nowhere-zero Γ-flow is a Γ-circulation such that
Διαβάστε περισσότεραAssalamu `alaikum wr. wb.
LUMP SUM Assalamu `alaikum wr. wb. LUMP SUM Wassalamu alaikum wr. wb. Assalamu `alaikum wr. wb. LUMP SUM Wassalamu alaikum wr. wb. LUMP SUM Lump sum lump sum lump sum. lump sum fixed price lump sum lump
Διαβάστε περισσότερα1) Formulation of the Problem as a Linear Programming Model
1) Formulation of the Problem as a Linear Programming Model Let xi = the amount of money invested in each of the potential investments in, where (i=1,2, ) x1 = the amount of money invested in Savings Account
Διαβάστε περισσότεραExample Sheet 3 Solutions
Example Sheet 3 Solutions. i Regular Sturm-Liouville. ii Singular Sturm-Liouville mixed boundary conditions. iii Not Sturm-Liouville ODE is not in Sturm-Liouville form. iv Regular Sturm-Liouville note
Διαβάστε περισσότεραPhys460.nb Solution for the t-dependent Schrodinger s equation How did we find the solution? (not required)
Phys460.nb 81 ψ n (t) is still the (same) eigenstate of H But for tdependent H. The answer is NO. 5.5.5. Solution for the tdependent Schrodinger s equation If we assume that at time t 0, the electron starts
Διαβάστε περισσότεραBlock Ciphers Modes. Ramki Thurimella
Block Ciphers Modes Ramki Thurimella Only Encryption I.e. messages could be modified Should not assume that nonsensical messages do no harm Always must be combined with authentication 2 Padding Must be
Διαβάστε περισσότεραMath221: HW# 1 solutions
Math: HW# solutions Andy Royston October, 5 7.5.7, 3 rd Ed. We have a n = b n = a = fxdx = xdx =, x cos nxdx = x sin nx n sin nxdx n = cos nx n = n n, x sin nxdx = x cos nx n + cos nxdx n cos n = + sin
Διαβάστε περισσότεραΚΥΠΡΙΑΚΟΣ ΣΥΝΔΕΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY 21 ος ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Δεύτερος Γύρος - 30 Μαρτίου 2011
Διάρκεια Διαγωνισμού: 3 ώρες Απαντήστε όλες τις ερωτήσεις Μέγιστο Βάρος (20 Μονάδες) Δίνεται ένα σύνολο από N σφαιρίδια τα οποία δεν έχουν όλα το ίδιο βάρος μεταξύ τους και ένα κουτί που αντέχει μέχρι
Διαβάστε περισσότεραNew bounds for spherical two-distance sets and equiangular lines
New bounds for spherical two-distance sets and equiangular lines Michigan State University Oct 8-31, 016 Anhui University Definition If X = {x 1, x,, x N } S n 1 (unit sphere in R n ) and x i, x j = a
Διαβάστε περισσότεραEvery set of first-order formulas is equivalent to an independent set
Every set of first-order formulas is equivalent to an independent set May 6, 2008 Abstract A set of first-order formulas, whatever the cardinality of the set of symbols, is equivalent to an independent
Διαβάστε περισσότεραPotential Dividers. 46 minutes. 46 marks. Page 1 of 11
Potential Dividers 46 minutes 46 marks Page 1 of 11 Q1. In the circuit shown in the figure below, the battery, of negligible internal resistance, has an emf of 30 V. The pd across the lamp is 6.0 V and
Διαβάστε περισσότεραPartial Trace and Partial Transpose
Partial Trace and Partial Transpose by José Luis Gómez-Muñoz http://homepage.cem.itesm.mx/lgomez/quantum/ jose.luis.gomez@itesm.mx This document is based on suggestions by Anirban Das Introduction This
Διαβάστε περισσότεραTMA4115 Matematikk 3
TMA4115 Matematikk 3 Andrew Stacey Norges Teknisk-Naturvitenskapelige Universitet Trondheim Spring 2010 Lecture 12: Mathematics Marvellous Matrices Andrew Stacey Norges Teknisk-Naturvitenskapelige Universitet
Διαβάστε περισσότεραInverse trigonometric functions & General Solution of Trigonometric Equations. ------------------ ----------------------------- -----------------
Inverse trigonometric functions & General Solution of Trigonometric Equations. 1. Sin ( ) = a) b) c) d) Ans b. Solution : Method 1. Ans a: 17 > 1 a) is rejected. w.k.t Sin ( sin ) = d is rejected. If sin
Διαβάστε περισσότεραTest Data Management in Practice
Problems, Concepts, and the Swisscom Test Data Organizer Do you have issues with your legal and compliance department because test environments contain sensitive data outsourcing partners must not see?
Διαβάστε περισσότερα( ) 2 and compare to M.
Problems and Solutions for Section 4.2 4.9 through 4.33) 4.9 Calculate the square root of the matrix 3!0 M!0 8 Hint: Let M / 2 a!b ; calculate M / 2!b c ) 2 and compare to M. Solution: Given: 3!0 M!0 8
Διαβάστε περισσότεραdepartment listing department name αχχουντσ ϕανε βαλικτ δδσϕηασδδη σδηφγ ασκϕηλκ τεχηνιχαλ αλαν ϕουν διξ τεχηνιχαλ ϕοην µαριανι
She selects the option. Jenny starts with the al listing. This has employees listed within She drills down through the employee. The inferred ER sttricture relates this to the redcords in the databasee
Διαβάστε περισσότερα«Χρήσεις γης, αξίες γης και κυκλοφοριακές ρυθμίσεις στο Δήμο Χαλκιδέων. Η μεταξύ τους σχέση και εξέλιξη.»
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ ΚΑΙ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΓΕΩΓΡΑΦΙΑΣ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΟΥ ΣΧΕΔΙΑΣΜΟΥ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ: «Χρήσεις γης, αξίες γης και κυκλοφοριακές ρυθμίσεις στο Δήμο Χαλκιδέων.
Διαβάστε περισσότεραΕΥΧΑΡΙΣΤΙΕΣ. Θεσσαλονίκη, Δεκέμβριος 2005. Κώστας Δόσιος
ΕΥΧΑΡΙΣΤΙΕΣ Μου δίνεται η ευκαιρία με την περάτωση της παρούσης διδακτορικής διατριβής να σημειώσω ότι, είναι ιδιαίτερα δύσκολο και κοπιαστικό να ολοκληρώσεις το έργο που ξεκινάς κάποια στιγμή έχοντας
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ
ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΕΛΕΝΑ ΦΛΟΚΑ Επίκουρος Καθηγήτρια Τµήµα Φυσικής, Τοµέας Φυσικής Περιβάλλοντος- Μετεωρολογίας ΓΕΝΙΚΟΙ ΟΡΙΣΜΟΙ Πληθυσµός Σύνολο ατόµων ή αντικειµένων στα οποία αναφέρονται
Διαβάστε περισσότερα3.4 SUM AND DIFFERENCE FORMULAS. NOTE: cos(α+β) cos α + cos β cos(α-β) cos α -cos β
3.4 SUM AND DIFFERENCE FORMULAS Page Theorem cos(αβ cos α cos β -sin α cos(α-β cos α cos β sin α NOTE: cos(αβ cos α cos β cos(α-β cos α -cos β Proof of cos(α-β cos α cos β sin α Let s use a unit circle
Διαβάστε περισσότεραSolution Series 9. i=1 x i and i=1 x i.
Lecturer: Prof. Dr. Mete SONER Coordinator: Yilin WANG Solution Series 9 Q1. Let α, β >, the p.d.f. of a beta distribution with parameters α and β is { Γ(α+β) Γ(α)Γ(β) f(x α, β) xα 1 (1 x) β 1 for < x
Διαβάστε περισσότεραQuantifying the Financial Benefits of Chemical Inventory Management Using CISPro
of Chemical Inventory Management Using CISPro by Darryl Braaksma Sr. Business and Financial Consultant, ChemSW, Inc. of Chemical Inventory Management Using CISPro Table of Contents Introduction 3 About
Διαβάστε περισσότερα6.1. Dirac Equation. Hamiltonian. Dirac Eq.
6.1. Dirac Equation Ref: M.Kaku, Quantum Field Theory, Oxford Univ Press (1993) η μν = η μν = diag(1, -1, -1, -1) p 0 = p 0 p = p i = -p i p μ p μ = p 0 p 0 + p i p i = E c 2 - p 2 = (m c) 2 H = c p 2
Διαβάστε περισσότεραBusiness English. Ενότητα # 9: Financial Planning. Ευαγγελία Κουτσογιάννη Τμήμα Διοίκησης Επιχειρήσεων
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Business English Ενότητα # 9: Financial Planning Ευαγγελία Κουτσογιάννη Τμήμα Διοίκησης Επιχειρήσεων Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραANSWERSHEET (TOPIC = DIFFERENTIAL CALCULUS) COLLECTION #2. h 0 h h 0 h h 0 ( ) g k = g 0 + g 1 + g g 2009 =?
Teko Classes IITJEE/AIEEE Maths by SUHAAG SIR, Bhopal, Ph (0755) 3 00 000 www.tekoclasses.com ANSWERSHEET (TOPIC DIFFERENTIAL CALCULUS) COLLECTION # Question Type A.Single Correct Type Q. (A) Sol least
Διαβάστε περισσότεραQueensland University of Technology Transport Data Analysis and Modeling Methodologies
Queensland University of Technology Transport Data Analysis and Modeling Methodologies Lab Session #7 Example 5.2 (with 3SLS Extensions) Seemingly Unrelated Regression Estimation and 3SLS A survey of 206
Διαβάστε περισσότεραΤΟ ΜΟΝΤΕΛΟ Οι Υποθέσεις Η Απλή Περίπτωση για λi = μi 25 = Η Γενική Περίπτωση για λi μi..35
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΤΟΜΕΑΣ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΕΠΙΧΕΙΡΗΣΙΑΚΗΣ ΕΡΕΥΝΑΣ ΑΝΑΛΥΣΗ ΤΩΝ ΣΥΣΧΕΤΙΣΕΩΝ ΧΡΕΟΚΟΠΙΑΣ ΚΑΙ ΤΩΝ
Διαβάστε περισσότεραΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΟΣ
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Τομέας Περιβαλλοντικής Υδραυλικής και Γεωπεριβαλλοντικής Μηχανικής (III) Εργαστήριο Γεωπεριβαλλοντικής Μηχανικής TECHNICAL UNIVERSITY OF CRETE SCHOOL of
Διαβάστε περισσότερα[1] P Q. Fig. 3.1
1 (a) Define resistance....... [1] (b) The smallest conductor within a computer processing chip can be represented as a rectangular block that is one atom high, four atoms wide and twenty atoms long. One
Διαβάστε περισσότεραΑΠΟΔΟΤΙΚΗ ΑΠΟΤΙΜΗΣΗ ΕΡΩΤΗΣΕΩΝ OLAP Η ΜΕΤΑΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΕΞΕΙΔΙΚΕΥΣΗΣ. Υποβάλλεται στην
ΑΠΟΔΟΤΙΚΗ ΑΠΟΤΙΜΗΣΗ ΕΡΩΤΗΣΕΩΝ OLAP Η ΜΕΤΑΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΕΞΕΙΔΙΚΕΥΣΗΣ Υποβάλλεται στην ορισθείσα από την Γενική Συνέλευση Ειδικής Σύνθεσης του Τμήματος Πληροφορικής Εξεταστική Επιτροπή από την Χαρά Παπαγεωργίου
Διαβάστε περισσότεραΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΒΑΛΕΝΤΙΝΑ ΠΑΠΑΔΟΠΟΥΛΟΥ Α.Μ.: 09/061. Υπεύθυνος Καθηγητής: Σάββας Μακρίδης
Α.Τ.Ε.Ι. ΙΟΝΙΩΝ ΝΗΣΩΝ ΠΑΡΑΡΤΗΜΑ ΑΡΓΟΣΤΟΛΙΟΥ ΤΜΗΜΑ ΔΗΜΟΣΙΩΝ ΣΧΕΣΕΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ «Η διαμόρφωση επικοινωνιακής στρατηγικής (και των τακτικών ενεργειών) για την ενδυνάμωση της εταιρικής
Διαβάστε περισσότεραA Note on Intuitionistic Fuzzy. Equivalence Relation
International Mathematical Forum, 5, 2010, no. 67, 3301-3307 A Note on Intuitionistic Fuzzy Equivalence Relation D. K. Basnet Dept. of Mathematics, Assam University Silchar-788011, Assam, India dkbasnet@rediffmail.com
Διαβάστε περισσότεραDémographie spatiale/spatial Demography
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Démographie spatiale/spatial Demography Session 1: Introduction to spatial demography Basic concepts Michail Agorastakis Department of Planning & Regional Development Άδειες Χρήσης
Διαβάστε περισσότεραΑΛΓΟΡΙΘΜΙΚΕΣ ΜΕΘΟΔΟΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ
ΑΛΓΟΡΙΘΜΙΚΕΣ ΜΕΘΟΔΟΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ ΚΟΥΛΙΝΑΣ ΓΕΩΡΓΙΟΣ Δρ. Μηχανικός Παραγωγής & Διοίκησης ΔΠΘ ΠΛΕΟΝΕΚΤΙΚΟΙ ΚΑΤΑΣΚΕΥΑΣΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ GREEDY CONSTRUCTIVE HEURISTICS Βασικό μειονέκτημα: οι αποφάσεις που
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙ ΕΥΤΙΚΟ Ι ΡΥΜΑ ΚΡΗΤΗΣ ΣΧΟΛΗ ΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙ ΕΥΤΙΚΟ Ι ΡΥΜΑ ΚΡΗΤΗΣ ΣΧΟΛΗ ΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Το franchising ( δικαιόχρηση ) ως µέθοδος ανάπτυξης των επιχειρήσεων λιανικού εµπορίου
Διαβάστε περισσότεραFigure A.2: MPC and MPCP Age Profiles (estimating ρ, ρ = 2, φ = 0.03)..
Supplemental Material (not for publication) Persistent vs. Permanent Income Shocks in the Buffer-Stock Model Jeppe Druedahl Thomas H. Jørgensen May, A Additional Figures and Tables Figure A.: Wealth and
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ Διπλωματική Εργασία του φοιτητή του τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Ηλεκτρονικών
Διαβάστε περισσότερα