Kurz Operations Research

Lekce 1 • Klasifikace modelů operačního výzkumu

Kategorizuje deterministické, stochastické, statické a dynamické modely podle struktury. Navádí na výběr modelu na základě charakteristik problému a dostupnosti dat.

Lekce 2 • Matematické předpoklady

Opakuje pojmy lineární algebry, infinitezimálního počtu a pravděpodobnosti nezbytné pro modely operačního výzkumu. Zajišťuje, že studenti dokážou upravovat rovnice a interpretovat kvantitativní výsledky.

Lekce 3 • Historie a rozsah operačního výzkumu

Sleduje operační výzkum od válečných počátků po moderní průmyslové aplikace. Vysvětluje, proč systematická kvantitativní analýza překonává intuitivní rozhodování.

Lekce 4 • Proces řešení problémů operačního výzkumu

Představuje sedmifázovou metodologii operačního výzkumu od formulace problému po implementaci. Propojuje strukturovaný proces se spolehlivými a opakovatelnými rozhodovacími výstupy.

Lekce 1 • Metoda grafického řešení

Řeší lineární programy se dvěma proměnnými zakreslením oblastí přípustnosti a izoziskových přímek. Buduje geometrickou intuici před zavedením algebraických metod.

Lekce 2 • Teorie duality

Odvozuje duální úlohu lineárního programování a vysvětluje vztahy primární a duální úlohy a komplementární volnost. Poskytuje ekonomickou interpretaci stínových cen a duálních proměnných.

Lekce 3 • Citlivostní analýza v lineárním programování

Zkoumá, jak se mění optimální řešení při perturbacích parametrů. Vybavuje studenty schopností vyhodnotit robustnost řešení a komunikovat riziko tvůrcům rozhodnutí.

Lekce 4 • Formulace úloh lineárního programování

Definuje rozhodovací proměnné, účelové funkce a omezující podmínky pro modely lineárního programování. Propojuje reálné problémy alokace zdrojů se standardní formou lineárního programování.

Lekce 1 • Minimální náklady síťového toku

Sjednocuje dopravní, přiřazovací a tokové problémy v jediném rámci lineárního programování. Ukazuje, jak síťový simplex využívá strukturu problému pro zrychlení.

Lekce 2 • Dopravní problém

Formuluje problémy rovnováhy nabídky a poptávky jako lineární program s nákladovou maticí. Představuje metodu severozápadního rohu, metodu minimálních nákladů a Vogelovu aproximační metodu.

Lekce 3 • Maximální tok a minimální řez

Určuje maximální propustnost v kapacitních sítích pomocí zlepšujících cest. Aplikuje větu o maximálním toku a minimálním řezu na identifikaci úzkých míst.

Lekce 4 • Nejkratší cesta a kostra grafu

Hledá cesty s minimálními náklady a minimální kostry ve vážených grafech. Propojuje grafové algoritmy s rozhodováním o plánování infrastruktury a návrhu sítí.

Lekce 1 • Heuristiky a metaheuristiky

Představuje hladové metody, metody lokálního hledání a metody založené na populaci pro velké celočíselné programy. V praxi vyvažuje kvalitu řešení a výpočetní čas.

Lekce 2 • Metoda větví a mezí

Řeší celočíselné programy systematickým dělením oblasti přípustných řešení a prořezáváním podproblémů. Ukazuje strategie omezení, které snižují výpočetní náročnost.

Lekce 3 • Klasické kombinatorické problémy

Modeluje problém obchodního cestujícího, problém batohu a problém pokrytí množiny jako celočíselné programy. Buduje knihovnu formulačních vzorů použitelných napříč odvětvími.

Lekce 4 • Metody řezných nadrovin

Zpřesňuje relaxace lineárního programování přidáním validních nerovnic, které odřezávají neceločíselná řešení. Pokrývá Gomoryho řezy a jejich roli v moderních řešitelích celočíselných programů.

Lekce 1 • Koncepty nelineárního programování

Definuje konvexitu, lokální vs. globální optima a KKT podmínky optimality. Vytváří teoretické základy před zavedením algoritmických metod.

Lekce 2 • Aplikace a omezení dynamického programování

Aplikuje dynamické programování na problémy zásob, alokace zdrojů a nejkratší cesty. Řeší prokletí dimenzionality a zavádí strategie přibližného dynamického programování.

Lekce 3 • Metody nepodmíněné optimalizace

Aplikuje gradientní sestup, Newtonovu metodu a kvazi-Newtonovy algoritmy na hladké účelové funkce. Propojuje rychlosti konvergence s praktickou výpočetní efektivitou.

Lekce 4 • Optimalizace s omezujícími podmínkami

Řeší nelineární programy s rovnostními a nerovnostními omezujícími podmínkami pomocí penalizačních a bariérových metod. Představuje sekvenční kvadratické programování pro inženýrské aplikace.

Lekce 1 • Markovovy řetězce

Definuje Markovovy řetězce s diskrétním časem, matice přechodu a chování v ustáleném stavu. Aplikuje Markovovu analýzu na systémy zásob a spolehlivosti zařízení.

Lekce 2 • Sítě front a jejich návrh

Rozšiřuje modely jedné fronty na sítě front a optimální alokaci serverů. Propojuje analýzu front s rozhodováním o návrhu obslužných systémů.

Lekce 3 • Standardní modely front

Odvozuje vzorce výkonnosti pro fronty M/M/1, M/M/c, M/G/1 a fronty s konečnou kapacitou. Umožňuje přímý výpočet čekacích dob, délek front a vytížení.

Lekce 4 • Opakování pravděpodobnosti pro stochastický operační výzkum

Upevňuje znalosti o náhodných veličinách, očekávané hodnotě a klíčových rozděleních používaných v modelech operačního výzkumu. Přemosťuje dřívější opakování pravděpodobnosti k tvorbě stochastických modelů.

Lekce 1 • Generování náhodných čísel

Vysvětluje generátory pseudonáhodných čísel a generování veličin metodou inverzní transformace. Zajišťuje, že studenti dokážou vytvářet správné stochastické vstupy pro simulační modely.

Lekce 2 • Statistická analýza simulačních výstupů

Řeší zkreslení zahřívacím obdobím, délku běhu a konstrukci intervalů spolehlivosti pro simulaci. Umožňuje statisticky rigorózní srovnání alternativ návrhu systému.

Lekce 3 • Ověřování a validace modelu

Rozlišuje ověřování od validace a aplikuje techniky strukturovaného testování. Zajišťuje, že výstup simulace věrně reprezentuje reálný systém ještě před analýzou.

Lekce 4 • Simulační koncepty a typy

Rozlišuje paradigmata simulace diskrétních událostí, spojité simulace a simulace Monte Carlo. Objasňuje, kdy je simulace upřednostňována před analytickými modely operačního výzkumu.

Lekce 1 • Základy teorie rozhodování

Definuje rozhodovací prostředí: jistotu, riziko a nejistotu. Představuje kritéria maximin, maximax a minimax lítosti pro strukturovanou volbu.

Lekce 2 • Multikriteriální rozhodování

Aplikuje vážené bodování, TOPSIS a AHP k seřazení alternativ podle více kritérií. Řeší stanovení vah kritérií a kontrolu konzistence při skupinovém rozhodování.

Lekce 3 • Rozhodovací stromy a Bayesovská aktualizace

Konstruuje rozhodovací stromy s uzly náhody a aplikuje zpětnou indukci. Integruje Bayesovu větu k aktualizaci pravděpodobností s novými informacemi.

Lekce 4 • Vícekriteriální optimalizace

Formuluje problémy s konkurenčními cíli a generuje Paretovsky efektivní hranice. Propojuje získávání preferencí z MCDM s vícekriteriálním lineárním a cílovým programováním.