praca_magisterska/pytania/odpowiedzi/30-modelowanie-matematyczne-decyzje.md

Pytanie 30: Modelowanie matematyczne dla problemów decyzyjnych

Pytanie

"Omówić metody oraz typowe problemy w modelowaniu matematycznym dla problemów decyzyjnych i optymalizacyjnych."

Przedmiot: MOM (Metody Optymalizacji Matematycznej)

---

📚 Odpowiedź główna

1. Struktura modelu matematycznego

┌─────────────────────────────────────────────────────────────────┐
│            MODEL OPTYMALIZACYJNY                                │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│   min/max  f(x)           ← Funkcja celu                       │
│                                                                 │
│   subject to:                                                   │
│      g_i(x) ≤ 0           ← Ograniczenia nierównościowe        │
│      h_j(x) = 0           ← Ograniczenia równościowe           │
│      x ∈ X                ← Dziedzina zmiennych                │
│                                                                 │
│   gdzie x = (x₁, x₂, ..., xₙ) ∈ ℝⁿ (lub ℤⁿ, {0,1}ⁿ)          │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

---

2. Metody modelowania

2.1 Etapy tworzenia modelu

┌─────────────┐   ┌─────────────┐   ┌─────────────┐   ┌─────────────┐
│  PROBLEM    │ → │  MODEL      │ → │  ROZWIĄZANIE│ → │  WALIDACJA  │
│  RZECZYWISTY│   │  MATEMATYCZNY│   │  OPTYMALNE  │   │  I WDROŻENIE│
└─────────────┘   └─────────────┘   └─────────────┘   └─────────────┘
      │                 │                 │                 │
      ↓                 ↓                 ↓                 ↓
  Analiza          Zmienne,           Solver,          Interpretacja,
  wymagań          funkcja celu,      algorytm         analiza wrażliwości
                   ograniczenia

2.2 Typy modeli

Typ	Charakterystyka	Przykład
LP (Linear Programming)	Liniowa f(x), liniowe g, h	Transport, alokacja
QP (Quadratic)	Kwadratowa f(x), liniowe ograniczenia	Portfolio
NLP (Nonlinear)	Nieliniowe f, g lub h	Engineering design
MIP (Mixed Integer)	Zmienne ciągłe + całkowite	Scheduling, routing
MINLP	Całkowitoliczbowe + nieliniowe	Najtrudniejsze

---

3. Typowe problemy w modelowaniu

3.1 Wybór zmiennych decyzyjnych

Problem: Ile zmiennych? Jakie typy?

Przykład - planowanie produkcji:

Źle: x = "plan produkcji"  (zbyt ogólne)

Dobrze:
x_it = ilość produktu i w okresie t (ciągła)
y_it = czy produkujemy i w t (binarna)
z_ijt = transport z i do j w t (całkowita)

Zasady:
✓ Zmienne muszą być mierzalne
✓ Zmienne muszą być kontrolowalne
✓ Minimalna liczba dla pełnego opisu

3.2 Problem Big-M

Modelowanie implikacji: y=1 → x ≤ 5

Zła formulacja (słaba relaksacja):
x ≤ 5 + M(1-y), gdzie M = 10^6

Lepsza formulacja:
x ≤ 5 + (UB_x - 5)(1-y), gdzie UB_x = upper bound na x

Indicator constraints (jeśli solver wspiera):
y = 1 → x ≤ 5  (bezpośrednio)

Problem: Duże M → słaba LP relaxation → wolny B&B

3.3 Symetria

Problem: Wiele równoważnych rozwiązań optymalnych

Przykład - bin packing:
  Bin 1: {A, B}, Bin 2: {C}
  Bin 1: {C}, Bin 2: {A, B}  ← ta sama wartość!

Rozwiązanie - symmetry breaking:
  x[i][1] ≥ x[i][2] ≥ x[i][3] ...  (lexicographic ordering)
  
Lub: użyj indeksu pierwszego użycia pojemnika

3.4 Walidacja modelu

Test	Opis
Extreme cases	Czy model działa dla skrajnych danych?
Known solutions	Czy odtwarza znane rozwiązania?
Dimensional analysis	Czy jednostki się zgadzają?
Sensitivity analysis	Jak rozwiązanie reaguje na zmiany?
Infeasibility	Czy model ma rozwiązanie dopuszczalne?

---

4. Techniki modelowania

4.1 Linearyzacja

Problem: xy (iloczyn zmiennych ciągłych)

McCormick envelopes:
w ≥ x·LB_y + y·LB_x - LB_x·LB_y
w ≥ x·UB_y + y·UB_x - UB_x·UB_y
w ≤ x·LB_y + y·UB_x - LB_y·UB_x
w ≤ x·UB_y + y·LB_x - UB_y·LB_x

Problem: |x| (wartość bezwzględna)

Modelowanie:
min z
z ≥ x
z ≥ -x

4.2 Modelowanie warunków logicznych

Alternatywa (OR): x ≤ 5 ∨ y ≤ 3

x ≤ 5 + M(1-z)
y ≤ 3 + Mz
z ∈ {0,1}

Koniunkcja (AND): x ≤ 5 ∧ y ≤ 3

x ≤ 5
y ≤ 3  (po prostu oba ograniczenia)

4.3 Piece-wise linear functions

f(x) = różne liniowe segmenty

      f(x)
        ↑
        │    /
        │   /
        │  /
        │ /____
        │/
        └────────→ x

Modelowanie SOS2 (Special Ordered Set type 2):
f(x) = Σ λ_i · f(breakpoint_i)
x = Σ λ_i · breakpoint_i
Σ λ_i = 1
λ ≥ 0, max 2 sąsiednie λ_i > 0

---

5. Wielokryterialne podejmowanie decyzji

min f₁(x), f₂(x), ..., f_k(x)  ← konfliktujące cele

Metody:

1. WEIGHTED SUM:
   min Σ w_i · f_i(x)
   Problem: nie znajduje wszystkich Pareto-optymalnych

2. ε-CONSTRAINT:
   min f₁(x)
   s.t. f_i(x) ≤ ε_i, i=2..k

3. GOAL PROGRAMMING:
   min Σ |f_i(x) - target_i|

4. PARETO FRONT:
   Znajdź wszystkie niezdominowane rozwiązania

---

6. Analiza wrażliwości

┌─────────────────────────────────────────────────────────────────┐
│ Co się zmieni gdy zmienią się dane wejściowe?                  │
├─────────────────────────────────────────────────────────────────┤
│ Shadow price (dual variable):                                   │
│   - Ile warta jest jednostka zasobu?                           │
│   - Δf = λ · Δb (dla małych zmian RHS)                        │
│                                                                 │
│ Reduced cost:                                                   │
│   - O ile musi się zmienić c_j żeby x_j wszedł do bazy?       │
│                                                                 │
│ Range analysis:                                                 │
│   - Przedział zmian parametrów bez zmiany optymalnej bazy     │
└─────────────────────────────────────────────────────────────────┘

---

7. Częste błędy

Błąd	Konsekwencja	Rozwiązanie
Brak bounds	Unbounded lub słaba relaxation	Zawsze definiuj LB, UB
Za duże M	Numerical issues, wolne	Tight big-M
Redundantne ograniczenia	Wolniejsze, confusion	Minimalizuj
Zła skala	Numerical instability	Scaling, rescaling
Over-modeling	Za złożone, wolne	Simplify, aggregate

---

🧠 Mnemoniki

"VCO = Variables, Constraints, Objective":

Trzy elementy modelu matematycznego

"Big-M = Big Mistake (jeśli źle użyte)":

Unikaj dużych M, tight bounds

"PASS = Pareto, Analysis, Sensitivity, Symmetry":

Kluczowe zagadnienia zaawansowane

---

❓ Pytania dodatkowe

Q1: "Jak sprawdzić czy model jest poprawny?"

Odpowiedź: Testy na znanych instancjach, extreme cases, dimensional analysis, sprawdzenie czy relaksacja LP daje sensowne wyniki, analiza IIS dla infeasible.

Q2: "Kiedy linearyzować a kiedy użyć NLP?"

Odpowiedź: Linearyzuj gdy: nieliniowość jest "miękka", solver MIP szybszy niż NLP, potrzebujesz gwarancji optimum. NLP gdy: silna nieliniowość, ciągłe zmienne, akceptowalny local optimum.

Q3: "Jak obsłużyć niepewność w modelu?"

Odpowiedź: Stochastic programming (scenariusze), robust optimization (worst-case), chance constraints, sensitivity analysis. Wybór zależy od charakteru niepewności.

---

🎯 Kluczowe punkty

1. Model: Zmienne + funkcja celu + ograniczenia
2. Big-M: Unikaj dużych M, tight formulation
3. Symetria: Symmetry breaking constraints
4. Walidacja: Extreme cases, known solutions
5. Wrażliwość: Shadow prices, reduced costs

---

📖 Źródła

1. Williams - "Model Building in Mathematical Programming"
2. Wolsey - "Integer Programming"
3. Nemhauser, Wolsey - "Integer and Combinatorial Optimization"