Optimalizační modelování rizik ve strategických aplikacích

Abstract

Hlavním cílem této diplomové práce je navrhnout a efektivním způsobem implementovat framework pro podporu optimalizačního modelování. Důraz je zde kladen na dvoustupňové stochastické optimalizační úlohy a provádění výpočtů na velkých datech. Výpočetní jádro používá systém GAMS, a s vužitím jeho aplikačního rozhraní a programovacího jazyku Python, bude uživatel schopen efektivně získávat a zpracovávat vstupní i výstupní data. Oddělením datové a aplikační logiky se potom nabízí široké možnosti testování a experimentování s obecným modelem na dynamicky se měnících vstupních datech. Součástí práce je také zhodnocení komplexnosti užití navrženého frameworku a hodnocení jeho výkonnosti, kdy byl měřen čas nutný k dokončení požadované úlohy pro různé případy použití, na zvyšující se velikosti vzorku vstupních dat.The aim of this diploma thesis is to design and efficiently implement a framework to support optimization modelling. The emphasis is placed on two-stage stochastic optimization problems and performing calculations on large data. The computing core uses the GAMS system and with using its application interface and Python programming language, the user will be able to efficiently acquire and process input and output data. The separation of the data logic and the application logic then offers a wide range of options for testing and experimenting with a general model on dynamically changing input data. The thesis is also focused on an evaluation of the framework complexity. The framework performance was evaluated by measuring the time required to complete the required task for various use cases, on the increasing sample size of input data.