THE AIM OF MY THESIS ON THE TOPIC OF "RISK MANAGEMENT CONTRACTOR CONSTRUCTION CONTRACTS" IS TO DESCRIBE THE PROCESS OF RISK MANAGEMENT OF CONTRACTOR CONSTRUCTIONS WORK. THIS PROCESS BEGINS WITH THE IDENTIFICATION OF RISKS BY USING DIFFERENT METHODS. FOLLOWED BY ANALYSIS OF THESE RISKS. THE MAIN GROUP OF RISKS ARE RISKS ASSOCIATED WITH THE SUBCONTRACTING SYSTEM. THESE RISKS I WILL DESCRIBE THEIR SIGNALS AND TRIGGERS. ON THE BASIS OF THEIR IMPORTANCE TO THE PROJECT, I WILL DEFINE THE MANNER OF THEIR TREATMENT. IN THE LAST PART IS A PROPOSAL OF A MONITORING RISKS, WHERE I SUGGEST A WAY, WHO WILL LOOK AFTER THE RISKS DURING THE CONSTRUCTION AND WHEN.

L'autonomie d'un engin aérospatial requière de disposer d'une boucle de navigation-guidage-pilotage efficace et sûre. Cette boucle intègre des filtres estimateurs et des lois de commande qui doivent dans certains cas s'accommoder de non-linéarités sévères et être capables d'exploiter des mesures ambiguës. De nombreuses approches ont été développées à cet effet et parmi celles-ci, les approches particulaires présentent l'avantage de pouvoir traiter de façon unifiée des problèmes dans lesquels les incertitudes d’évolution du système et d’observation peuvent être soumises à des lois statistiques quelconques. Cependant, ces approches ne sont pas exemptes de défauts dont le plus important est celui du coût de calcul élevé. D'autre part, dans certains cas, ces méthodes ne permettent pas non plus de converger vers une solution acceptable. Des adaptations récentes de ces approches, combinant les avantages du particulaire tel que la possibilité d'extraire la recherche d'une solution d'un domaine local de description et la robustesse des approches ensemblistes, ont été à l'origine du travail présenté dans cette thèse.Cette thèse présente le développement d’un algorithme d’estimation d’état, nommé le Box Regularised Particle Filter (BRPF), ainsi qu’un algorithme de commande, le Box Particle Control (BPC). Ces algorithmes se basent tous deux sur l’utilisation de mixtures de noyaux bornés par des boites (i.e., des vecteurs d’intervalles) pour décrire l’état du système sous la forme d’une densité de probabilité multimodale. Cette modélisation permet un meilleur recouvrement de l'espace d'état et apporte une meilleure cohérence entre la prédite et la vraisemblance. L’hypothèse est faite que les incertitudes incriminées sont bornées. L'exemple d'application choisi est la navigation par corrélation de terrain qui constitue une application exigeante en termes d'estimation d'état.Pour traiter des problèmes d’estimation ambiguë, c’est-à-dire lorsqu’une valeur de mesure peut correspondre à plusieurs valeurs possibles de l’état, le Box Regularised Particle Filter (BRPF) est introduit. Le BRPF est une évolution de l’algorithme de Box Particle Filter (BPF) et est doté d’une étape de ré-échantillonnage garantie et d’une stratégie de lissage par noyau (Kernel Regularisation). Le BRPF assure théoriquement une meilleure estimation que le BPF en termes de Mean Integrated Square Error (MISE). L’algorithme permet une réduction significative du coût de calcul par rapport aux approches précédentes (BPF, PF). Le BRPF est également étudié dans le cadre d’une intégration dans des architectures fédérées et distribuées, ce qui démontre son efficacité dans des cas multi-capteurs et multi-agents.Un autre aspect de la boucle de navigation–guidage-pilotage est le guidage qui nécessite de planifier la future trajectoire du système. Pour tenir compte de l'incertitude sur l'état et des contraintes potentielles de façon versatile, une approche nommé Box Particle Control (BPC) est introduite. Comme pour le BRPF, le BPC se base sur des mixtures de noyaux bornés par des boites et consiste en la propagation de la densité d’état sur une trajectoire jusqu’à un certain horizon de prédiction. Ceci permet d’estimer la probabilité de satisfaire les contraintes d’état au cours de la trajectoire et de déterminer la séquence de futures commandes qui maintient cette probabilité au-delà d’un certain seuil, tout en minimisant un coût. Le BPC permet de réduire significativement la charge de calcul. / State estimation and trajectory planning are two crucial functions for autonomous systems, and in particular for aerospace vehicles.Particle filters and sample-based trajectory planning have been widely considered to tackle non-linearities and non-Gaussian uncertainties.However, these approaches may produce erratic results due to the sampled approximation of the state density.In addition, they have a high computational cost which limits their practical interest.This thesis investigates the use of box kernel mixtures to describe multimodal probability density functions.A box kernel mixture is a weighted sum of basic functions (e.g., uniform kernels) that integrate to unity and whose supports are bounded by boxes, i.e., vectors of intervals.This modelling yields a more extensive description of the state density while requiring a lower computational load.New algorithms are developed, based on a derivation of the Box Particle Filter (BPF) for state estimation, and of a particle based chance constrained optimisation (Particle Control) for trajectory planning under uncertainty.In order to tackle ambiguous state estimation problems, a Box Regularised Particle Filter (BRPF) is introduced.The BRPF consists of an improved BPF with a guaranteed resampling step and a smoothing strategy based on kernel regularisation.The proposed strategy is theoretically proved to outperform the original BPF in terms of Mean Integrated Square Error (MISE), and empirically shown to reduce the Root Mean Square Error (RMSE) of estimation.BRPF reduces the computation load in a significant way and is robust to measurement ambiguity.BRPF is also integrated to federated and distributed architectures to demonstrate its efficiency in multi-sensors and multi-agents systems.In order to tackle constrained trajectory planning under non-Gaussian uncertainty, a Box Particle Control (BPC) is introduced.BPC relies on an interval bounded kernel mixture state density description, and consists of propagating the state density along a state trajectory at a given horizon.It yields a more accurate description of the state uncertainty than previous particle based algorithms.A chance constrained optimisation is performed, which consists of finding the sequence of future control inputs that minimises a cost function while ensuring that the probability of constraint violation (failure probability) remains below a given threshold.For similar performance, BPC yields a significant computation load reduction with respect to previous approaches.

No description available.

In der Dissertation wurde ein innovatives Portfoliomodell entwickelt, welches den Präferenzen einer großen Gruppe von Investoren entspricht, die mit der traditionellen Portfolio Selektion auf Basis von Mittelwertrendite und Varianz nicht zufrieden sind. Vor allem bezieht sich die Unzufriedenheit auf eine sehr spezifische Definition der Risiko- und Wertmaße, die angenommene Nutzenfunktion, die Risikodiversifizierung sowie die Beschränkung des Assetuniversums. Dies erschwert vor allem die Optimierung der modernen Finanzprodukte. Das im Modell verwendete Risikomaß-Ausfallrisiko drückt die Präferenzen der Investoren im Bereich unterhalb der Renditebenchmark aus. Die Renditenabweichung von der Benchmark nach oben werden nicht, wie im Falle des Mittelwertrendite-Varianz-Portfoliomodells, minimiert oder als risikoneutral, wie bei dem Mittelwertrendite-Ausfallrisiko-Portfoliomodell, betrachtet. Stattdessen wird ein Wertmaß, das Chance-Potenzial (Upper Partial Moment), verwendet, mit welchem verschiedene Investorenwünsche in diesem Bereich darstellbar sind. Die Eliminierung der Annahme der normalverteilten Renditen in diesem Chance-Potenzial-Ausfallrisiko-Portfoliomodell erlaubt eine korrekte Asset Allokation auch im Falle der nicht normalverteilten Renditen, die z. B. Finanzderivate, Aktien, Renten und Immobilien zu finden sind. Bei diesen tendiert das traditionelle Mittelwertrendite-Varianz-Portfoliomodell zu suboptimalen Entscheidungen. Die praktische Anwendung des Chance-Potenzial-Ausfallrisiko-Portfoliomodells wurde am Assetuniversum von Covered Calls, Protective Puts und Aktien gezeigt. / This thesis presents an innovative portfolio model appropriate for a large group of investors which are not content with the asset allocation with the traditional, mean return-variance based portfolio model above all in term of its rather specific definition of the risk and value decision parameters, risk diversification, related utility function and its restrictions imposed on the asset universe. Its modifiable risk measure ─ shortfall risk ─ expresses variable risk preferences below the return benchmark. The upside return deviations from the benchmark are not minimized as in case of the mean return-variance portfolio model or considered risk neutral as in the mean return-shortfall risk portfolio model, but employs variable degrees of the chance potential (upper partial moments) in order to provide investors with broader range of utility choices and so reflect arbitrary preferences. The elimination of the assumption of normally distributed returns in the chance potential-shortfall risk model allows correct allocation of assets with non-normally distributed returns as e.g. financial derivatives, equities, real estates, fixed return assets, commodities where the mean-variance portfolio model tends to inferior asset allocation decisions. The computational issues of the optimization algorithm developed for the mean-variance, mean-shortfall risk and chance potential-shortfall risk portfolio selection are described to ease their practical application. Additionally, the application of the chance potential-shortfall risk model is shown on the asset universe containing stocks, covered calls and protective puts.

In der Dissertation wurde ein innovatives Portfoliomodell entwickelt, welches den Präferenzen einer großen Gruppe von Investoren entspricht, die mit der traditionellen Portfolio Selektion auf Basis von Mittelwertrendite und Varianz nicht zufrieden sind. Vor allem bezieht sich die Unzufriedenheit auf eine sehr spezifische Definition der Risiko- und Wertmaße, die angenommene Nutzenfunktion, die Risikodiversifizierung sowie die Beschränkung des Assetuniversums. Das im Modell verwendete Risikomaß-Ausfallrisiko drückt die Präferenzen der Investoren im Bereich unterhalb der Renditebenchmark aus. Die Renditenabweichung von der Benchmark nach oben werden nicht, wie im Falle des Mittelwertrendite-Varianz-Portfoliomodells, minimiert oder als risikoneutral, wie bei dem Mittelwertrendite-Ausfallrisiko-Portfoliomodell, betrachtet. Stattdessen wird ein Wertmaß, das Chance-Potenzial (Upper Partial Moment), verwendet, mit welchem verschiedene Investorenwünsche in diesem Bereich darstellbar sind. Die Eliminierung der Annahme der normalverteilten Renditen in diesem Chance-Potenzial-Ausfallrisiko-Portfoliomodell erlaubt eine korrekte Asset Allokation auch im Falle der nicht normalverteilten Renditen, die z. B. Finanzderivate, Aktien, Renten und Immobilien zu finden sind. Bei diesen tendiert das traditionelle Mittelwertrendite-Varianz-Portfoliomodell zu suboptimalen Entscheidungen. Die praktische Anwendung des Chance-Potenzial-Ausfallrisiko-Portfoliomodells wurde am Assetuniversum von Covered Calls, Protective Puts und Aktien gezeigt. / This thesis presents an innovative portfolio model appropriate for a large group of investors which are not content with the asset allocation with the traditional, mean return-variance based portfolio model above all in term of its rather specific definition of the risk and value decision parameters, risk diversification, related utility function and its restrictions imposed on the asset universe. Its modifiable risk measure – shortfall risk – expresses variable risk preferences below the return benchmark. The upside return deviations from the benchmark are not minimized as in case of the mean return-variance portfolio model or considered risk neutral as in the mean return-shortfall risk portfolio model, but employs variable degrees of the chance potential (upper partial moments) in order to provide investors with broader range of utility choices and so reflect arbitrary preferences. The elimination of the assumption of normally distributed returns in the chance potential-shortfall risk model allows correct allocation of assets with non-normally distributed returns as e.g. financial derivatives, equities, real estates, fixed return assets, commodities where the mean-variance portfolio model tends to inferior asset allocation decisions. The computational issues of the optimization algorithm developed for the mean-variance, mean-shortfall risk and chance potential-shortfall risk portfolio selection are described to ease their practical application. Additionally, the application of the chance potential-shortfall risk model is shown on the asset universe containing stocks, covered calls and protective puts.

In der Dissertation wurde ein innovatives Portfoliomodell entwickelt, welches den Präferenzen einer großen Gruppe von Investoren entspricht, die mit der traditionellen Portfolio Selektion auf Basis von Mittelwertrendite und Varianz nicht zufrieden sind. Vor allem bezieht sich die Unzufriedenheit auf eine sehr spezifische Definition der Risiko- und Wertmaße, die angenommene Nutzenfunktion, die Risikodiversifizierung sowie die Beschränkung des Assetuniversums. Dies erschwert vor allem die Optimierung der modernen Finanzprodukte. Das im Modell verwendete Risikomaß-Ausfallrisiko drückt die Präferenzen der Investoren im Bereich unterhalb der Renditebenchmark aus. Die Renditenabweichung von der Benchmark nach oben werden nicht, wie im Falle des Mittelwertrendite-Varianz-Portfoliomodells, minimiert oder als risikoneutral, wie bei dem Mittelwertrendite-Ausfallrisiko-Portfoliomodell, betrachtet. Stattdessen wird ein Wertmaß, das Chance-Potenzial (Upper Partial Moment), verwendet, mit welchem verschiedene Investorenwünsche in diesem Bereich darstellbar sind. Die Eliminierung der Annahme der normalverteilten Renditen in diesem Chance-Potenzial-Ausfallrisiko-Portfoliomodell erlaubt eine korrekte Asset Allokation auch im Falle der nicht normalverteilten Renditen, die z. B. Finanzderivate, Aktien, Renten und Immobilien zu finden sind. Bei diesen tendiert das traditionelle Mittelwertrendite-Varianz-Portfoliomodell zu suboptimalen Entscheidungen. Die praktische Anwendung des Chance-Potenzial-Ausfallrisiko-Portfoliomodells wurde am Assetuniversum von Covered Calls, Protective Puts und Aktien gezeigt. / This thesis presents an innovative portfolio model appropriate for a large group of investors which are not content with the asset allocation with the traditional, mean return-variance based portfolio model above all in term of its rather specific definition of the risk and value decision parameters, risk diversification, related utility function and its restrictions imposed on the asset universe. Its modifiable risk measure – shortfall risk – expresses variable risk preferences below the return benchmark. The upside return deviations from the benchmark are not minimized as in case of the mean return-variance portfolio model or considered risk neutral as in the mean return-shortfall risk portfolio model, but employs variable degrees of the chance potential (upper partial moments) in order to provide investors with broader range of utility choices and so reflect arbitrary preferences. The elimination of the assumption of normally distributed returns in the chance potential-shortfall risk model allows correct allocation of assets with non-normally distributed returns as e.g. financial derivatives, equities, real estates, fixed return assets, commodities where the mean-variance portfolio model tends to inferior asset allocation decisions. The computational issues of the optimization algorithm developed for the mean-variance, mean-shortfall risk and chance potential-shortfall risk portfolio selection are described to ease their practical application. Additionally, the application of the chance potential-shortfall risk model is shown on the asset universe containing stocks, covered calls and protective puts.

The aim of the thesis is an analysis of the non-profit sector and its potential for regional development through the local action groups which is the Chance in Nature acting on the territory of South Bohemia. It is an evaluation of the 2007-2013 programming period. The theoretical part of the thesis is devoted to NGOs, social capital, partnership and regional development. The empirical part describes a region of the Local Action Group (LAG) and its functioning, further was examined the involvement of NGOs in the activities of the local action group considering a cooperation, partnership, submitting project applications and overall involvement in the activities of the LAG. Data were obtained by document analysis, interview surveys, and semi-structured interviews. NGO activity has been explored from the manager and LAG members' perspective and NGOs themselves.

This diploma thesis is focused on David Hume's analysis of causality. The two major philosophical works about this topic are A Treatise of Human Nature and Enquiries concerning Human Understanding. The first chapter is about intellectual background which Hume came from when he is dealing with cause-effect problem. At that time there were two main epistemological theories: rationalism and empirism. Both will be discuss there. The next chapter is about Hume's way of thinking about human understanding. This chapter is important for us beacuse there are many terms which will be useful for understanding causality. Crucial role plays The Theory of Ideas, according to each content of a mind has a source in experience. The first perceptions are called impresions and their copies are called ideas. Ideas are processed by memory and imagination. There are two categories of contents of human understanding: relations of ideas and matters of facts. We will focus on matters of facts because they are based on causality. Hume as a empirist is searching for a source of idea of causality in our experience. He finds out that we cant find it in objects of our minds themselves, but is based on relations among them. These relations are: contiguity, constant conjunction, priority of time in the cause before the effect and...

Modern industrial production processes are increasingly characterized by digital solutions in order to continuously increase their efficiency while taking sustainability aspects into account. Pneumatic components and systems have been and will continue to be an essential part of modern production plants and must face the special challenges posed by digitalization [... aus dem Text]

L'incertitude est une propriété naturelle des systèmes complexes. Les paramètres de certains modèles peuvent être imprécis; la présence de perturbations aléatoires est une source majeure d'incertitude pouvant avoir un impact important sur les performances du système. Dans cette thèse, nous étudierons les problèmes d’optimisation avec contraintes en probabilités dans les cas suivants : Tout d’abord, nous passons en revue les principaux résultats relatifs aux contraintes en probabilités selon trois perspectives: les problèmes liés à la convexité, les reformulations et les approximations de ces contraintes, et le cas de l’optimisation distributionnellement robuste. Pour les problèmes d’optimisation géométriques, nous étudions les programmes avec contraintes en probabilités jointes. A l’aide d’hypothèses d’indépendance des variables aléatoires elliptiquement distribuées, nous déduisons une reformulation des programmes avec contraintes géométriques rectangulaires jointes. Comme la reformulation n’est pas convexe, nous proposons de nouvelles approximations convexes basées sur la transformation des variables ainsi que des méthodes d’approximation linéaire par morceaux. Nos résultats numériques montrent que nos approximations sont asymptotiquement serrées. Lorsque les distributions de probabilité ne sont pas connues à l’avance, le calcul des bornes peut être très utile. Par conséquent, nous développons quatre bornes supérieures pour les contraintes probabilistes individuelles, et jointes dont les vecteur-lignes de la matrice des contraintes sont indépendantes. Sur la base des inégalités de Chebyshev, Chernoff, Bernstein et de Hoeffding, nous proposons des approximations déterministes. Des conditions suffisantes de convexité. Pour réduire la complexité des calculs, nous reformulons les approximations sous forme de problèmes d'optimisation convexes solvables basés sur des approximations linéaires et tangentielles par morceaux. Enfin, des expériences numériques sont menées afin de montrer la qualité des approximations étudiées sur des données aléatoires. Dans certains systèmes complexes, la distribution des paramètres aléatoires n’est que partiellement connue. Pour traiter les incertitudes dans ces cas, nous proposons un ensemble d'incertitude basé sur des données obtenues à partir de distributions mixtes. L'ensemble d'incertitude est construit dans la perspective d'estimer simultanément des moments d'ordre supérieur. Ensuite, nous proposons une reformulation du problème robuste avec contraintes en probabilités en utilisant des données issues d’échantillonnage. Comme la reformulation n’est pas convexe, nous proposons des approximations convexes serrées basées sur la méthode d’approximation linéaire par morceaux sous certaines conditions. Pour le cas général, nous proposons une approximation DC pour dériver une borne supérieure et une approximation convexe relaxée pour dériver une borne inférieure pour la valeur de la solution optimale du problème initial. Enfin, des expériences numériques sont effectuées pour montrer que les approximations proposées sont efficaces. Nous considérons enfin un jeu stochastique à n joueurs non-coopératif. Lorsque l'ensemble de stratégies de chaque joueur contient un ensemble de contraintes linéaires stochastiques, nous modélisons ces contraintes sous la forme de contraintes en probabilité jointes. Pour chaque joueur, nous formulons les contraintes en probabilité dont les variables aléatoires sont soit normalement distribuées, soit elliptiquement distribuées, soit encore définies dans le cadre de l’optimisation distributionnellement robuste. Sous certaines conditions, nous montrons l’existence d’un équilibre de Nash pour ces jeux stochastiques. / Chance constrained optimization is a natural and widely used approaches to provide profitable and reliable decisions under uncertainty. And the topics around the theory and applications of chance constrained problems are interesting and attractive. However, there are still some important issues requiring non-trivial efforts to solve. In view of this, we will systematically investigate chance constrained problems from the following perspectives. As the basis for chance constrained problems, we first review some main research results about chance constraints in three perspectives: convexity of chance constraints, reformulations and approximations for chance constraints and distributionally robust chance constraints. For stochastic geometric programs, we formulate consider a joint rectangular geometric chance constrained program. With elliptically distributed and pairwise independent assumptions for stochastic parameters, we derive a reformulation of the joint rectangular geometric chance constrained programs. As the reformulation is not convex, we propose new convex approximations based on the variable transformation together with piecewise linear approximation methods. Our numerical results show that our approximations are asymptotically tight. When the probability distributions are not known in advance or the reformulation for chance constraints is hard to obtain, bounds on chance constraints can be very useful. Therefore, we develop four upper bounds for individual and joint chance constraints with independent matrix vector rows. Based on the one-side Chebyshev inequality, Chernoff inequality, Bernstein inequality and Hoeffding inequality, we propose deterministic approximations for chance constraints. In addition, various sufficient conditions under which the aforementioned approximations are convex and tractable are derived. To reduce further computational complexity, we reformulate the approximations as tractable convex optimization problems based on piecewise linear and tangent approximations. Finally, based on randomly generated data, numerical experiments are discussed in order to identify the tight deterministic approximations. In some complex systems, the distribution of the random parameters is only known partially. To deal with the complex uncertainties in terms of the distribution and sample data, we propose a data-driven mixture distribution based uncertainty set. The data-driven mixture distribution based uncertainty set is constructed from the perspective of simultaneously estimating higher order moments. Then, with the mixture distribution based uncertainty set, we derive a reformulation of the data-driven robust chance constrained problem. As the reformulation is not a convex program, we propose new and tight convex approximations based on the piecewise linear approximation method under certain conditions. For the general case, we propose a DC approximation to derive an upper bound and a relaxed convex approximation to derive a lower bound for the optimal value of the original problem, respectively. We also establish the theoretical foundation for these approximations. Finally, simulation experiments are carried out to show that the proposed approximations are practical and efficient. We consider a stochastic n-player non-cooperative game. When the strategy set of each player contains a set of stochastic linear constraints, we model the stochastic linear constraints of each player as a joint chance constraint. For each player, we assume that the row vectors of the matrix defining the stochastic constraints are pairwise independent. Then, we formulate the chance constraints with the viewpoints of normal distribution, elliptical distribution and distributionally robustness, respectively. Under certain conditions, we show the existence of a Nash equilibrium for the stochastic game.