Dataoptimering via linjär programmering : Tillämpning av linjär programmering för kostoptimering
Sammanfattning: Linjär Programmering (LP) är ett effektivt optimeringsverktyg som har en central del vid minimering eller maximering. LP kan även användas småskaligt för individuella problem som att välja vad vi borde äta. Detta förutsätter att LP är effektivt nog för att kunna lösa kostbaserade problemformuleringar och därmed är målet att undersöka dess potential till att lösa den typen av problem. Den här studien utforskar detta genom att optimera ett blandningsproblem där data som används i projektet är nutritionsdata hämtat från en livsmedelsdatabas. En inledande studie gjordes för att skapa en vision över vilka komponenter som är mest önskvärda i projektet. Därefter skapades kravspecifikationer som konkretiserade nödvändig funktionalitet. De viktigaste komponenterna som identifierades för projektet var dels hur man ställer upp ett korrekt LP-problem med nödvändiga bivillkor, och den andra faktorn var hur man använder en dynamisk storlek av bivillkor. Två lösningar valdes för att tillsätta samtliga bivillkor: Iteration och Rekursion. Att använda iterering beslutades vid nära slutet av projektet då rekursionen visade sig vara oeffektiv för uppgiften. Tidmätningar genomfördes för att undersöka vilken metod som var effektivast och itereringen var en klar vinnare över rekursionen. Detta beror på att anropsstacken blir snabbt överbelastad i Python vid rekursion och därmed är itereringen en bättre lösning för projektet. Resultatet visar att det finns potential inom LP till att lösa kostbaserade problemformuleringar.
HÄR KAN DU HÄMTA UPPSATSEN I FULLTEXT. (följ länken till nästa sida)