Læringsutbytte

Læringsutbytte

En kandidat som har fullført emnet vil ha læringsutbytte i form av kunnskap, ferdigheter og generell kompetanse som beskrevet nedenfor.

Kunnskaper

Kandidaten

• forstår grunnlaget for matematisk optimalisering
• gjenkjenner og kan klassifisere ulike optimaliseringsproblemer
• forstår begrepet lokal og global optimalisering
• forstår betydningen av ulike typer beskrankinger eller begrensninger (eng.: constraints) for løsning av optimaliseringsproblemer
• kjenner til de vanligste numeriske metodene for å løse optimaliseringsproblemer og metodenes begrensninger
• forstår betydningen av en optimal løsning og dens følsomhet (sensitivitet) overfor parameterendringer.

Ferdigheter

Kandidaten er i stand til å

• gjenkjenne og formulere problemer som kan løses ved hjelp av optimalisering,
• identifisere, klassifisere og formulere optimaliseringsproblemer av følgende typer: Dynamisk programmering (for sekvensielle systemer), lineærprogramming (LP), kvadratisk programmering (QP), ulineær programmering (NLP) og mixed integer ulineær programming (MINLP).
• identifisere og formulere problemer ved hjelp av multiobjektiv optimalisering, dvs. optimaliseringsproblemer med sammensatt objektfunksjon (optimaliseringskriterium),
• velge og bruke tilgjengelige løsningsalgoritmer for forskjellige typer optimaliseringsproblemer,
• anvende ulike kriterier for å tolke og velge mellom flere mulige løsninger av optimaliseringsproblemer,
• lese og skrive vitenskapelige dokumenter om optimaliseringsproblemer, løsningsalgoritmer og tolking av resultater.

Generell kompetanse

Kandidaten kan analysere, formulere og løse generelle tekniske og industrielle optimaliseringsproblemer som omfatter tekniske, økonomiske og miljømessige forhold og sikkerhet.

Innhold

• Grunnlaget for ubegrenset eller ikke-beskranket (eng.: unconstrained) matematisk optimalisering
• Optimalisering med likhetsbeskrankninger
• Optimalisering med likhetsbeskrankninger og ulikhetsbeskrankninger
• Konveks optimalisering og globale optima
• Numeriske metoder innen optimalisering
• Dynamisk programmering (for sekvensielle systemer), lineærprogramming (LP), kvadratisk programmering (QP), ulineær programmering (NLP) og mixed integer ulineær programming (MINLP).
• Introduksjon til evolusjonsalgoritmer
• Introduksjon til multiobjektiv optimalisering
• Bruk av tilgjengelige optimaliseringsløsere
• Anvendelser av optimalisering til bl.a. dataavstemning, parameterestimering, prediktiv regulering, prosessdesign, energiøkonomisering og økonomisk optimalisering.

Arbeids- og læringsformer

Undervisning, øvinger og prosjektarbeid (individuell).

An online, part-time version of the SCE study programme will start Fall 2015. The present course will be taught online from the fall semester year 2018. However, the course will continue to be taught also as a traditional campus-based course. The course contents and learning material used in the course will be the same in both programmes, except that in the online programme, the lectures will be in the form of offline video-based lectures, and laboratory assignments will be organized at a gathering on the campus at the end of the semester.

Vurderingsformer

• Et prosjekt om anvendelse av optimalisering som teller 30 % av karakteren i emnet. Prosjektet kan velges innen forskjellige fagområdet, som prosessdesign, prosessdrift, reguleringsteknikk, miljøteknologi, økonomi, etc. Prosjektrapporten skal ha samme format som på vitenskapelig artikler.
• En sluttprøve som teller 70 % av karakteren.
• Både prosjektet og sluttprøven må være bestått for å bestå emnet.

Det tas forbehold om mindre justeringer i planen.