Sterowanie optymalne dla uk ladów nieliniowych. Zasada maksimum Pontriagina.
|
|
- Paweł Zalewski
- 5 lat temu
- Przeglądów:
Transkrypt
1 Sterowanie optymalne dla uk ladów nieliniowych. Zasada maksimum Pontriagina. Podstawowy problem sterowania optymalnego dla uk ladów nieliniowych W podstawowym problemie sterowania optymalnego minimalizacji podlega ca lkowy wskaźnik jakości G(x, u). = t 0 g(x(t), u(t), t)dt z uwzglȩdnieniem ograniczeń w postaci równania stanu procesu ẋ(t) = f(x(t), u(t), t), t [t 0, t 1 ] z zadanym warunkiem pocz atkowym x(t 0 ) = x 0 oraz ograniczeń w postaci dopuszczalnego chwilowego zakresu wartości sterowania u(t) U, t [t 0, t 1 ], gdzie funkcje g : R n R m R R, f : R n R m R R n s a, ogólnie bior ac, nieliniowe. Przyjmujemy nastȩpuj ace za lożenia: 1. Funkcje g i f s a różniczkowalne w sposób ci ag ly wzglȩdem stanu x i ci ag le wzglȩdem sterowania u i czasu t, 2. Sterowania dopuszczalne s a funkcjami przedzia lami ci ag lymi o skończonej liczbie nieci ag lości pierwszego rodzaju, tj. u P C([t 0, t 1 ], R m ). Dla pochodnych funkcji g i f wzglȩdem stanu stosujemy oznaczenia g x (x, u, t), f x (x, u, t). 1
2 Definiujemy funkcjȩ Hamiltona (hamiltonian) w postaci H(λ(t), x(t), u(t), t) = g(x(t), u(t), t) + λ (t)f(x(t), u(t), t). Oznaczaj ac iloczyn skalarny wektorów x y jako x, y możemy zapisać hamiltonian w postaci równoważnej H(λ(t), x(t), u(t), t) = g(x(t), u(t), t) + λ(t), f(x(t), u(t), t). Zasada maksimum Pontriagina jako warunek konieczny optymalności procesu sterowania wierdzenie: Jeśli (x o, u o ) jest optymalnym procesem sterowania dla problemu podstawowego, to istnieje zmienna kostanu (zmienna sprzȩżona) λ o spe lniaj aca równanie kostanu (równanie sprzȩżone) λ o (t) = fx (x o (t), u o (t), t)λ o (t) + gx (x o (t), u o (t), t), t [t 0, t 1 ] z warunkiem końcowym λ o (t 1 ) = 0 i taka, że sterowanie optymalne u o maksymalizuje na zbiorze U (w sensie globalnym) hamiltonian problemu dla prawie wszystkich t [t 0, t 1 ] tj. czyli H(λ o (t), x o (t), u o (t), t) = max u(t) U H(λo (t), x o (t), u(t), t) u o (t) = arg max u(t) U H(λo (t), x o (t), u(t), t). Warunek maksymalizacji hamiltonianu można też zapisać w postaci H(λ o (t), x o (t), u o (t), t) H(λ o (t), x o (t), u(t), t) u U. Dowód: W dowodzie korzystamy z nastȩpuj acych faktów z teorii równań różniczkowych i z analizy matematycznej 1. Jeśli funkcja ϕ(x(t), t) jest różniczkowalna w sposób ci ag ly wzglȩdem x i ci ag la wzglȩdem t w otoczeniu punktu ( x, t), to równanie różniczkowe ẋ(t) = ϕ(x(t), t) posiada jednoznacznie określone rozwi azanie w otoczeniu punktu t, 2
3 2. Jeśli równanie różniczkowe ẋ(t) = ϕ(x(t), t) z funkcj a ϕ różniczkowaln a w sposób ci ag ly wzglȩdem x i przedzia lami ci ag l a wzglȩdem t posiada rozwi azanie w przedziale [ t, t] przy warunku pocz atkowym x( t), to posiada ono również rozwi azanie w tym przedziale przy ma lym zaburzeniu warunku pocz atkowego x( t) + δx( t), 3. Niech x(t, θ) bȩdzie funkcj a ci ag l a wzglȩdem t i różniczkowaln a w sposób ci ag ly wzglȩdem θ i niech funkcja ϕ(x(t, θ), t) bȩdzie funkcj a różniczkowaln a w sposób ci ag ly wzglȩdem x i ograniczon a wzglȩdem t, to uzasadnione jest przejście z różniczkowaniem pod znak ca lki d dθ t 0 ϕ(x(t, θ), t)dt = t 0 d ϕ(x(t, θ), t)dt = dθ t 0 ϕ x (x(t, θ), t) d x(t, θ), dθ 4. granica wartości średnich funkcji ci ag lej w punkcie jest zbieżna do jej wartości w tym punkcie, 1 lim θ 0 θ θ ϕ(t)dt = ϕ(). Za lóżmy, że punkt [t 0, t 1 ] jest punktem ci ag lości sterowania optymalnego u o (t). Niech v U. Zdefiniujemy tzw. wariacjȩ ig low a sterowania optymalnego u o (t): u θ (t) = { u o (t) gdy t [ θ, ), v gdy t [ θ, ), przy czym v jest dowolnym elementem zbioru U. Niech x θ (t) bȩdzie rozwi azaniem równania stanu z warunkiem pocz atkowym x 0 i ze sterowaniem u θ (t). ak wiȩc x θ (t) = x o (t) dla t [t 0, θ]. Równanie różniczkowe ẋ(t) = f(x(t), v, t), t [ θ, ], x( θ) = x o ( θ) jest jednoznacznie rozwi azywalne w ma lym otoczeniu punktu θ, a wiȩc dla dostatecznie ma lego θ rozwi azanie x θ (t) istnieje w ca lym przedziale [ θ, ]. Stany x θ () i x o () dowolnie ma lo różni a siȩ od siebie, gdyż sterowania u θ (t) i u o (t) dowolnie ma lo różni a siȩ od siebie w przedziale [t 0, ]. Oznacza to, że rozwi azanie równania stanu x θ (t) istnieje w przedziale [, t 1 ] jako ma le zaburzenie rozwi azania x o (t) w tym przedziale. Ponieważ punkt jest punktem ci ag lości sterowania optymalnego u o (t), wiȩc u o (t) jest funkcj a ci ag l a w pewnym otoczeniu punktu. Dlatego funkcja 3
4 d dt xo (t) jest również ci ag la w tym otoczeniu i obowi azuje rozk lad w szereg aylora przy czym x o () = x o ( θ) + θ d dt xo ( θ) + o(θ) = x o ( θ) + θf(x o ( θ), u o ( θ), θ) + o(θ), lim o(θ)/θ = 0. θ 0 Podobnie d dt xθ (t) jest funkcj a ci ag l a w przedziale [ θ, ], gdyż sterowanie jest w tym przedziale sta le. Oznacza to, że dla funkcji x θ (t) również obowi azuje rozk lad w szereg aylora Istnieje wiȩc granica x θ () = x o ( θ) + θf(x o ( θ), v, θ) + o(θ). y() = lim θ 0 x θ () x o () θ = f(x o (), v, ) f(x o (), u, ). Ponieważ wielkości x θ () i x o () dowolnie ma lo różni a siȩ od siebie, to rozwi azanie x θ (t) istnieje w przedziale [, t 1 ] jako ma le zaburzenie rozwi azania x o (t) wzglȩdem warunku pocz atkowego zbieżne do rozwi azania x o (t) przy θ 0. Na podstawie ci ag lości i różniczkowalności rozwi azania równania różniczkowego wzglȩdem warunku pocz atkowego w przedziale [, t 1 ] istnieje wyrażenie x θ (t) x o (t) y(t) = lim. θ 0 θ Dla t [, t 1 ] możemy zapisać ca lkowe wersje równań stanu x θ (t) = x θ () + f(x θ (s), u o (s), s)ds, Wynika st ad, że x o (t) = x + f(x o (s), u o (s), s)ds. x θ (t) x o (t) θ = xθ () x o () θ + Przechodz ac do granicy z θ 0 uzyskujemy y(t) = y() + lim θ 0 f(x θ (s), u o (s), s) f(x o (s), u o (s), s) ds. θ f(x θ (s), u o (s), s) f(x o (s), u o (s), s) ds θ 4
5 = y() + d dθ y() + y() + y() + f(x θ (s), u o (s), s)ds θ=0 d dθ f(xθ (s), u o (s), s) θ=0 ds f x (x o (s), u o (s), s) d dθ xθ (s) θ=0 ds f x (x o (s), u o (s), s)y(s)ds. ak wiȩc funkcja y(t) spe lnia w przedziale [, t 1 ] równanie różniczkowe z warunkiem pocz atkowym ẏ(t) = f x (x o (t), u o (t), t)y(t) y() = f(x o (), v, ) f(x o (), u o (), ). W przedziale [, t 1 ] s a spe lnione nastȩpuj ace zależności wynikaj ace z równania sprzȩżonego d λ o (t), y(t) = d dt dt λo (t), y(t) + λ o (t), d dt y(t) = f x (x o (t), u o (t), t)λ o (t), y(t) + g x (x o (t), u o (t), t), y(t) ak wiȩc + λ o (t), f x (x o (t), u o (t), t)y(t) = g x (x o (t), u o (t), t), y(t). sk ad t d λ o (s), y(s) ds = g ds x (x o (s), u o (s), s), y(s) ds, t λ o (t 1 ), y(t 1 ) λ o (t), y(t) = g x (x o (s), u o (s), s), y(s) ds czyli λ o (t), y(t) = g x (x o (s), u o (s), s), y(s) ds. t 5 t
6 W szczególności dla t = uzyskujemy λ o (), y() = λ o (), f(x o (), v, ) f(x o (), u o (), ) = g x (x o (s), u o (s), s), y(s) ds. Ponieważ (x o, u o ) jest z za lożenia optymalnym procesem sterowania, wiȩc zachodzi nierówność Granica ta przyjmuje postać G(x θ, u θ ) G(x o, u o ) lim θ 0 θ 0. 1 lim (g(x θ (t), v, t) g(x o (t), u o, t)) θ 0 θ θ 1 + lim θ 0 θ (g(x θ (t), u o (t), t) g(x o (t), u o, t)) = g(x o (), v, ) g(x o (), u o (), ) + d dθ g(x θ (t), u o (t), t)dt θ=0 = g(x o (), v, ) g(x o (), u o (), ) + Uzyskujemy st ad g x (x o (t), u o (t), t), y(t) dt 0. czyli g(x o (), v, ) g(x o (), u o (), ) g x (x o (t), u o (t), t), y(t) dt g(x o (), v, ) g(x o (), u o (), ) λ o (), f(x o (), v, ) f(x o (), u o (), ), a wiȩc g(x o (), u o (), ) + λ o (), f(x o (), u o (), ) g(x o (), v, ) + λ o (), f(x o (), v, ). Ostatni a nierówność można przepisać w postaci równoważnej 6
7 H(λ o (), x o (), u o (), ) H(λ o (), x o (), v, ) v U. Oznacza to, że sterowanie optymalne maksymalizuje hamiltonian problemu w sensie globalnym (wariacja ig lowa sterowania może przybierać dowoln a wartość ze zbioru U) dla prawie wszystkich [t 0, t 1 ]. Punkt jest z za lożenie punktem ci ag lości sterowania optymalnego, a punktami ci ag lości każdego sterowania z klasy P C([t 0, t 1 ]; R m ) s a prawie wszystkie punkty przedzia lu [t 0, t 1 ]. Warianty zasady maksimum: 1. W problemie z funkcj a celu zależn a od stanu końcowego końcowa zmienna sprzȩżona jest minus pochodn a końcowego sk ladnika funkcji celu G(x, u) = t 0 g(x(t), u(t), t)dt + h(x(t 1 )) λ o (t 1 ) = h x (x o (t 1 )). 2. W problemie z zadanym stanem pocz atkowym i końcowym x o (t 0 ) = x 0, x o (t 1 ) = x 1 pocz atkowe i końcowe zmienne sprzȩżone λ o (t 0 ), λ o (t 1 ) s a swobodne. 3. W problemie z okresowymi warunkami stanu x o (t 0 ) = x o (t 1 ) zmienne sprzȩżone s a również okresowe λ o (t 0 ) = λ o (t 1 ). 4. W problemie ze swobodnym czasem końcowym t 1 spe lniony jest warunek zerowania siȩ hamiltonianu H(λ o (t 1 ), x o (t 1 ), u o (t 1 ), t 1 ) = 0. Dla niektórych problemów zasada maksimum pozwala określić postać sterowania optymalnego na podstawie analizy w lasności równań sprzȩżonych. W ogólnym przypadku wykorzystanie zasady maksimum do wyznaczania sterowania optymalnego polega na redukcji problemu do dwugranicznego uk ladu równań różniczkowych wed lug nastȩpuj acego algorytmu 7
8 1. Wyznaczyć z warunku maksymalizacji hamiltonianu sterowanie w funkcji kostanu, stanu i czasu tj. funkcjȩ u o (λ(t), x(t), t). 2. Zestawić uk lad równań kanonicznych zasady maksimum ẋ(t) = f(x(t), u o (λ(t), x(t), t), t), t [t 0, t 1 ], x(t 0 ) = x 0, λ(t) = fx (x(t), u o (λ(t), x(t), t), t)λ(t)+gx (x(t), u o (λ(t), x(t), t), t), t [t 0, t 1 ], λ(t 1 ) = 0, co w skrócie można zapisać jak nastȩpuje ẋ(t) = Hλ (t), x(t 0 ) = x 0, λ(t) = H x (t), λ(t 1 ) = Rozwi azać uk lad równań kanonicznych wzglȩdem λ(t 0 ) tj. dobrać λ(t 0 ) tak, aby po sca lkowaniu uk ladu równań kanonicznych osi agn ać λ(t 1 ) = 0. Do rozwi azywania tego zadania stosowane s a metody obliczeniowe dwugranicznych zagadnień różniczkowych - g lównie tzw. metoda strza lów. Przyk lad: Optymalne sterowanie procesem nagrzewania indukcyjnego. Zmienne procesowe: (t) - temperatura nagrzewanego obiektu, z (t) - temperatura źród la ciep la. Równanie obiektu: Warunki dwugraniczne: (0) = 0, (t 1 ) = 1, 0 < 1. Ograniczenia chwilowe sterowania: 0 < min z d dt (t) = 4 z (t) 4 (t), t [0, t 1 ]. (t) z max, z min < 0. Kombinowany wskaźnik jakości procesu: G = 1 0 dt c 4 z (t)dt Obiekt należy podgrzać do temperatury 1 minimalizuj ac zarówno czas jak 8
9 i koszty nagrzewania, gdzie c jest wspó lczynnikiem kosztów nagrzewania. Standardowy zapis problemu: x(t) =... (t) - stan obiektu, x 0 = 0, x 1 = 1, u(t) = z 4 (t) - sterowanie, u min. = ( min z ) 4, u max. = ( max z ) 4. Wyznaczyć sterowanie minimalizuj ace wskaźnik jakości procesu równanie stanu obiektu G(x, u) = 0 (1 + cu(t))dt ẋ(t) = u(t) x 4 (t), t [0, t 1 ] z warunkami dwugranicznymi x(0) = x 0, x(t 1 ) = x 1, i z ograniczeniami chwilowymi sterowania u min u(t) u max, t [0, t 1 ]. Zapisujemy hamiltonian problemu H(λ(t), x(t), u(t)) = 1 cu(t) + λ(t)(u(t) x 4 (t)) i wydzielamy czȩść hamiltonianu zależn a od sterowania H(λ(t), x(t), u(t)) = (λ(t) c)u(t). Z warunku maksymalizacji hamiltonianu przez sterowanie optymalne wynika, że jego postać jest określona za pomoc a zmiennych sprzȩżonych w nastȩpuj acy sposób u max gdy λ(t) > c, u o (t) = u min gdy λ(t) < c, (1) u(t) [u min, u max ] gdy λ(t) = c. Równanie sprzȩżone ma postać równania różniczkowego λ(t) = 4x 3 (t)λ(t) 9
10 ze swobodnymi warunkami granicznymi dla λ(0), λ(t 1 ). Za lóżmy, że u o (t) (u min, u max ) na podprzedziale [ 0, 1 ] [0, t 1 ], 0 < 1. Wtedy z warunku maksymalizacji hamiltonianu wynika, że zmienna sprzȩżona jest sta la na tym podprzedziale λ(t) = c, t [ 0, 1 ]. Natomiast z równania sprzȩżonego wynika, że λ(t) = 4x 3 λ(t) = 4x 3 c > 0, a wiȩc zmienna sprzȩżona jest funkcj a rosn ac a ze wzglȩdu na dodatniość pochodnej. Sprzeczność ta dowodzi, że sterowanie optymalne jest typu bang-bang tj. przyjmuje wartości graniczne u max lub u min. Zastosowanie u min na pocz atku procesu oznacza loby ch lodzenie obiektu tj. czynność zużywaj ac a czas i nie podnosz ac a temperatury obiektu. ak wiȩc na pocz atku procesu musi być stosowane sterowanie u o (t) = u max. Wówczas λ(0) > c i z równania sprzȩżonego wynika, że λ(t) > c, t [t 0, t 1 ]. Optymalny czas nagrzewania można wyznaczyć rozwi azuj ac równanie stanu aż do osi agniȩcia przez stan wartości x 1. Przyk lad: Optymalne sterowanie wsadowym procesem produkcyjnym. We wsadowym reaktorze chemicznym realizowany jest proces przemiany A B C, gdzie A jest surowcem, B jest produktem użytecznym, zaś C jest produktem ubocznym. Reaktor wyposażony jest w obwód grzejny umożliwiaj acy sterowanie temperatur a procesu. Należy zmaksymalizować ilość produktu użytecznego w reaktorze w chwili końcowej procesu t 1. Wprowadzamy zmienne procesowe x 1 (t) -stȩżenie surowca A w reaktorze w chwili t, x 2 (t) - stȩżenie produktu B w rektorze w chwili t, u(t) - temperatura w reaktorze w chwili t. Zapisujemy równania stanu ẋ 1 (t) = κ 1 (u(t))x 1 (t), t [0, t 1 ], x 1 (0) = x 10, ẋ 2 (t) = κ 1 (u(t))x 1 (t) κ 2 (u(t))x 2 (t), x 2 (0) = x 20, gdzie wp lyw temperatury na przebieg poszczególnych reakcji określaj a funkcje κ i zgodnie z prawem Arrheniusa κ i (u(t)) =. κ i0 e βi/u(t), i = 1, 2, β 2 > β 1. Formu lujemy cel sterowania: zminimalizować wskaźnik jakości procesu G(x, u) = x 2 (t 1 ). 10
11 W problemie tym zak ladamy, że sterowanie temperaturowe możemy zmieniać w szerokim zakresie i jego ograniczenia chwilowe s a nieistotne. Zapisujemy hamiltonian problemu H(λ(t), x(t), u(t)) = λ 1 (t)( κ 1 (u(t))x 1 (t))+λ 2 (t)(κ 1 (u(t))x 1 (t) κ 2 (u(t))x 2 (t)) i równania sprzȩżone λ 1 (t) = H x1 (t) = (λ 1 (t) λ 2 (t))κ 1 (u(t)), λ 1 (t 1 ) = 0, λ 2 (t) = H x2 (t) = λ 2 (t)κ 2 (u(t)), ; λ 2 (t 1 ) = 1. Warunek maksymalizacji hamiltonianu bez ograniczeń sterowania przybiera postać H u (t) = 0, sk ad uzyskujemy jednoznacznie określone sterowanie w funkcji kostanu, stanu i czasu u o (λ(t), x(t), u(t)) = (β 1 β 2 )/ln κ 10β 1 x 1 (t)(λ 2 (t) λ 1 (t)). κ 20 β 2 x 2 (t)λ 2 (t) Uk lad równań kanonicznych zasady maksimum ẋ 1 (t) = κ 1 (u o (λ(t), x(t), u(t))x 1 (t), x 1 (0) = x 10, ẋ 2 (t) = κ 1 (u o (λ(t), x(t), u(t))x 1 (t) κ 2 (u o (λ(t), x(t), u(t))x 2 (t), x 2 (0) = x 20, λ 1 (t) = (λ 1 (t) λ 2 (t))κ 1 (u o (λ(t), x(t), u(t)), λ 1 (t 1 ) = 0, λ 2 (t) = λ 2 (t)κ 2 (u o (λ(t), x(t), u(t)), λ 2 (t 1 ) = 1. Ca lkuj ac ten uk lad równań różniczkowych z warunkami dwugranicznymi wyznaczamy optymalny profil temperatury. 11
Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym
Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym Sprowadzanie zadań sterowania optymalnego do zadań wariacyjnych metod a funkcji kary i mnożników Lagrange a - zadania sterowania optymalnego
Bardziej szczegółowoMnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym
Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym Sprowadzanie zadań sterowania optymalnego do zadań wariacyjnych metod a funkcji kary i mnożników Lagrange a - zadania sterowania optymalnego
Bardziej szczegółowoSterowalność liniowych uk ladów sterowania
Sterowalność liniowych uk ladów sterowania W zadaniach sterowania docelowego należy przeprowadzić obiekt opisywany za pomoc a równania stanu z zadanego stanu pocz atkowego ẋ(t) = f(x(t), u(t), t), t [t,
Bardziej szczegółowoSynteza optymalnego regulatora stanu. Uk lady z czasem ci ag lym.
Synteza optymalnego regulatora stanu. Uk lady z czasem ci ag lym. Po wyznaczeniu optymalnego nominalnego) procesu sterowania x o, u o nasuwa siȩ kwestia podtrzymywania tego procesu w warunkach ma lych
Bardziej szczegółowoSterowanie minimalnoczasowe dla uk ladów liniowych. Krzywe prze l aczeń.
Sterowanie minimalnoczasowe dla uk ladów liniowych. Krzywe prze l aczeń. Sprowadzanie zadań sterowania optymalnego do zadań wariacyjnych metod a funkcji kary i mnożników Lagrange a - zadania sterowania
Bardziej szczegółowoZagadnienie Dualne Zadania Programowania Liniowego. Seminarium Szkoleniowe Edyta Mrówka
Zagadnienie Dualne Zadania Programowania Liniowego Seminarium Szkoleniowe Edyta Mrówka Ogólne zagadnienie PL Znajdź taki wektor X = (x 1, x 2,..., x n ), który minimalizuje kombinacje liniow a przy ograniczeniach
Bardziej szczegółowoPOCHODNA KIERUNKOWA. DEFINICJA Jeśli istnieje granica lim. to granica ta nazywa siȩ pochodn a kierunkow a funkcji f(m) w kierunku osi l i oznaczamy
POCHODNA KIERUNKOWA Pochodne cz astkowe funkcji f(m) = f(x, y, z) wzglȩdem x, wzglȩdem y i wzglȩdem z wyrażaj a prȩdkość zmiany funkcji w kierunku osi wspó lrzȩdnych; np. f x jest prȩdkości a zmiany funkcji
Bardziej szczegółowoMetody kierunków poprawy dla nieliniowych problemów sterowania optymalnego
Metody kierunków poprawy dla nieliniowych problemów sterowania optymalnego Problem optymalnego sterowania procesem dynamicznym może polegać na polega na minimalizacji wskaźnika jakości obejmuj acego koszty
Bardziej szczegółowoLiniowe uk lady sterowania.
Liniowe uk lady sterowania Rozwi azywanie liniowych rownań stanu Uk lady z czasem ci ag lym Liniowe stacjonarne równania stanu Przyk lad: Uk lad sterowania tarcz a obrotow a prȩt sprȩżysty tarcza obrotowa
Bardziej szczegółowoZestaw nr 7 Ekstremum funkcji jednej zmiennej. Punkty przegiȩcia wykresu. Asymptoty
Zestaw nr 7 Ekstremum funkcji jednej zmiennej. Punkty przegiȩcia wykresu. Asymptoty November 20, 2009 Przyk ladowe zadania z rozwi azaniami Zadanie 1. Znajdź równanie asymptot funkcji f jeśli: a) f(x)
Bardziej szczegółowoWprowadzenie do metod sterowania optymalnego
Wprowadzenie do metod sterowania optymalnego Pojȩcie procesu sterowania obejmuje zestaw trajektorii stanu i sterowania (x, u) X U, gdzie X jest przestrzeni a trajektorii stanu, a U jest przestrzeni a sterowania.
Bardziej szczegółowoEkonomia matematyczna i dynamiczna optymalizacja
Ekonomia matematyczna i dynamiczna optymalizacja Ramy wyk ladu i podstawowe narz edzia matematyczne SGH Semestr letni 2012-13 Uk lady dynamiczne Rozwiazanie modelu dynamicznego bardzo czesto można zapisać
Bardziej szczegółowoZasada optymalności Bellmana. Uogólniony optymalny regulator stanu.
Zasada optymalności Bellmana. Uogólniony optymalny regulator stanu. Podstawowy problem sterowania optymalnego dla uk ladów nieliniowych z czasem ci ag lym W podstawowym problemie sterowania optymalnego
Bardziej szczegółowoRównania różniczkowe cz astkowe rzȩdu pierwszego
Równania różniczkowe cz astkowe rzȩd pierwszego 1 Równania liniowe jednorodne Rozważmy równanie a 1 ( 1,..., n ) 1 +... + a n ( 1,..., n ) n = 0, (1) gdzie a i, i = 1,..., n s a dane, a fnkcja = ( 1,...,
Bardziej szczegółowoliniowych uk ladów sterowania
Sterowalność i obserwowalność liniowych uk ladów sterowania W zadaniach sterowania docelowego należy przeprowadzić obiekt opisywany za pomoc a równania stanu z zadanego stanu pocz atkowego ẋ(t) = f(x(t),
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych 8 Pochodna kierunkowa funkcji Definicja Niech funkcja f określona bȩdzie w otoczeniu punktu P 0 = (x 0, y 0 ) oraz niech v = [v x, v y ] bȩdzie wektorem. Pochodn a kierunkow a funkcji
Bardziej szczegółowoWprowadzenie z dynamicznej optymalizacji
Wprowadzenie z dynamicznej optymalizacji Lukasz Woźny 29 kwietnia 2007 Spis treści 1 Optymalizacja statyczna a optymalizacja dynamiczna 2 1.1 Ekstrema lokalne funkcji wielu zmiennych - statyka...... 2
Bardziej szczegółowoZestaw nr 6 Pochodna funkcji jednej zmiennej. Styczna do krzywej. Elastyczność funkcji. Regu la de l Hospitala
Zestaw nr 6 Pochodna funkcji jednej zmiennej. Styczna do krzywej. Elastyczność funkcji. Regu la de l Hospitala November 12, 2009 Przyk ladowe zadania z rozwi azaniami Zadanie 1. Oblicz pochodne nastȩpuj
Bardziej szczegółowoLiczby zespolone, liniowa zależność i bazy Javier de Lucas. a d b c. ad bc
Liczby zespolone, liniowa zależność i bazy Javier de Lucas Ćwiczenie. Dowieść, że jeśli µ := c d d c, to homografia h(x) = (ax+b)/(cx+d), a, b, c, d C, ad bc, odwzorowuje oś rzeczywist a R C na okr ag
Bardziej szczegółowoy 1 y 2 = f 2 (t, y 1, y 2,..., y n )... y n = f n (t, y 1, y 2,..., y n ) f 1 (t, y 1, y 2,..., y n ) y = f(t, y),, f(t, y) =
Uk lady równań różniczkowych Pojȩcia wsȩpne Uk ladem równań różniczkowych nazywamy uk lad posaci y = f (, y, y 2,, y n ) y 2 = f 2 (, y, y 2,, y n ) y n = f n (, y, y 2,, y n ) () funkcje f j, j =, 2,,
Bardziej szczegółowoSterowanie optymalne
Sterowanie optymalne Sterowanie Procesami Ciągłymi 2017 Optymalizacja statyczna funkcji Funkcja celu/kryterialna/kosztów Ograniczenie Q(x) min x x = arg min Q(x) x x X, gdzie X zbiór rozwiązań dopuszczalnych
Bardziej szczegółowoPo wprowadzeniu zmiennych uzupe lniaj acych otrzymamy równoważny mu problem w postaci kanonicznej:
ROZDZIA L Metoda sympleksowa Motto: Matematyka nie może wype lnić życia ale jej nieznajomość już niejednemu je wype lni la H Steinhaus Tablica sympleksowa Rozważmy ZPL w postaci klasycznej maksymalizować
Bardziej szczegółowoMetoda Simplex bez użycia tabel simplex 29 kwietnia 2010
R. Rȩbowski 1 WPROWADZENIE Metoda Simplex bez użycia tabel simplex 29 kwietnia 2010 1 Wprowadzenie Powszechnie uważa siȩ, że metoda simplex, jako uniwersalny algorytm pozwalaj acyznaleźć rozwi azanie optymalne
Bardziej szczegółowoWyk lad 14 Formy kwadratowe I
Wyk lad 14 Formy kwadratowe I Wielomian n-zmiennych x 1,, x n postaci n a ij x i x j, (1) gdzie a ij R oraz a ij = a ji dla wszystkich i, j = 1,, n nazywamy forma kwadratowa n-zmiennych Forme (1) można
Bardziej szczegółowoStabilność liniowych uk ladów sterowania
Stabilność liniowych uk ladów sterowania Stabilność uk ladów z czasem ci ag lym W teorii stabilności uk ladów sterowania badamy wrażliwość trajektorii stanu na zaburzenia stanu pocz atkowego. Interesuje
Bardziej szczegółowoPierwsze kolokwium z Matematyki I 4. listopada 2013 r. J. de Lucas
Pierwsze kolokwium z Matematyki I 4. listopada 03 r. J. de Lucas Uwagi organizacyjne: Każde zadanie rozwi azujemy na osobnej kartce, opatrzonej imieniem i nazwiskiem w lasnym oraz osoby prowadz acej ćwiczenia,
Bardziej szczegółowoci agi i szeregi funkcji Javier de Lucas Ćwiczenie 1. Zbadać zbieżność (punktow a i jednostajn a) ci agu funkcji nx 2 + x
ci agi i szeregi funkcji Javier de Lucas Ćwiczenie 1 Zbadać zbieżność (punktow a i jednostajn a) ci agu funkcji f n : [, [ x nx + x nx + 1, Rozwi azanie: Mówi siȩ, że ci ag funkcji f n zd aży punktowo
Bardziej szczegółowoWyk lad 9 Przekszta lcenia liniowe i ich zastosowania
Wyk lad 9 Przekszta lcenia liniowe i ich zastosowania 1 Przekszta lcenia liniowe i ich w lasności Definicja 9.1. Niech V i W bed przestrzeniami liniowymi. Przekszta lcenie f : V W spe lniajace warunki:
Bardziej szczegółowoWprowadzenie do teorii sterowania
Wprowadzenie do teorii sterowania Literatura podstawowa T. Kaczorek i inni, Podstawy teorii sterowania, WNT, Warszawa 2005. T. Kaczorek, Teoria sterowania i systemów, PWN, Warszawa 1996. T. Kaczorek, Teoria
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych 13 Zbiory w przestrzeni Definicja Przestrzeni a trójwymiarow a (przestrzeni a) nazywamy zbiór wszystkich trójek uporz adkowanych (x y z) gdzie x y z R. Przestrzeń tȩ oznaczamy symbolem
Bardziej szczegółowoAsymptota pozioma: oṡ x, gdy y = 0 Asymptota pionowa: oṡ y, gdy x = 0. Hyperbola 1 x
1 SZKO LA PODSTAWOWA HELIANTUS 02-892 WARSZAWA ul. BAŻANCIA 16 Asymptota pozioma: oṡ x, gdy y = 0 Asymptota pionowa: oṡ y, gdy x = 0 2 1 0 3 1 2 x Hyperbola 1 x FUNKCJE ELEMENTARNE WYMIERNE POTȨGOWE LOGARYTMICZNE
Bardziej szczegółowoSZKO LA PODSTAWOWA HELIANTUS WARSZAWA ul. BAŻANCIA 16. Hyperbola 1 x FUNKCJE ELEMENTARNE WYMIERNE POTȨGOWE LOGARYTMICZNE.
1 SZKO LA PODSTAWOWA HELIANTUS 0-89 WARSZAWA ul. BAŻANCIA 16 1 0 3 1 x Hyperbola 1 x FUNKCJE ELEMENTARNE WYMIERNE POTȨGOWE LOGARYTMICZNE Prof. dr. Tadeusz STYŠ Warszawa 018 1 1 Projekt dziesi aty Contents
Bardziej szczegółowoCHEMIA KWANTOWA MONIKA MUSIA L. Ćwiczenia. mm
CHEMIA KWANTOWA MONIKA MUSIA L Ćwiczenia METODY PRZYBLIŻONE ROZWIA ZYWANIA RÓWNANIA SCHRÖDINGERA METODA WARIACYJNA metoda wariacyjna ĤΨ n = E n Ψ n Ψ n ortonormalne Szukamy rozwi azań dla stanu podstawowego,
Bardziej szczegółowoMetody Numeryczne Wykład 4 Wykład 5. Interpolacja wielomianowa
Sformułowanie zadania interpolacji Metody Numeryczne Wykład 4 Wykład 5 Interpolacja wielomianowa Niech D R i niech F bȩdzie pewnym zbiorem funkcji f : D R. Niech x 0, x 1,..., x n bȩdzie ustalonym zbiorem
Bardziej szczegółowoNiech X bȩdzie dowolnym zbiorem. Dobry porz adek to relacja P X X (bȩdziemy pisać x y zamiast x, y P ) o w lasnościach:
Teoria miary WPPT IIr semestr zimowy 2009 Wyk lad 4 Liczby kardynalne, indukcja pozaskończona DOBRY PORZA DEK 14/10/09 Niech X bȩdzie dowolnym zbiorem Dobry porz adek to relacja P X X (bȩdziemy pisać x
Bardziej szczegółowoANALIZA II 15 marca 2014 Semestr letni. Ćwiczenie 1. Czy dan a funkcjȩ da siȩ dookreślić w punkcie (0, 0) tak, żeby otrzymana funkcja by la ci ag la?
Ci ag lość i norma Ćwiczenie. Czy dan a funkcjȩ da siȩ dookreślić w punkcie (0, 0) tak, żeby otrzymana funkcja by la ci ag la? f (x, y) = x2 y 2 x 2 + y 2, f 2(x, y) = x2 y x 2 + y 2 f 3 (x, y) = x2 y
Bardziej szczegółowoDyskretne modele populacji
Dyskretne modele populacji Micha l Machtel Adam Soboczyński 17 stycznia 2007 Typeset by FoilTEX Dyskretne modele populacji [1] Wst ep Dyskretny opis modelu matematycznego jest dobry dla populacji w których
Bardziej szczegółowoElementy analizy funkcjonalnej PRZESTRZENIE LINIOWE
Elementy analizy funkcjonalnej PRZESTRZENIE LINIOWE Niech K = R lub K = C oraz X - dowolny zbiór. Określmy dwa dzia lania: dodawanie + : X X X i mnożenie przez liczbȩ : K X X, spe lniaj ace nastȩpuj ace
Bardziej szczegółowoDyskretne modele populacji
Dyskretne modele populacji Micha l Machtel Adam Soboczyński 19 stycznia 2007 Typeset by FoilTEX Dyskretne modele populacji [1] Wst ep Dyskretny opis modelu matematycznego jest dobry dla populacji w których
Bardziej szczegółowoNiesimpleksowe metody rozwia zywania zadań PL. Seminarium Szkoleniowe Edyta Mrówka
Niesimpleksowe metody rozwia zywania zadań PL Seminarium Szkoleniowe Metoda Simplex: wady i zalety Algorytm SIMPLEX jest szeroko znany i stosowany do rozwi azywania zadań programowania liniowego w praktyce.
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA
1 STATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany.
Bardziej szczegółowoLOGIKA ALGORYTMICZNA
LOGIKA ALGORYTMICZNA 0.0. Relacje. Iloczyn kartezjański: A B := (a, b) : a A i b B} (zak ladamy, że (x, y) i (u, v) s a równe wtedy i tylko wtedy gdy x = u i y = v); A n := (x 1,..., x n ) : x i A}; R
Bardziej szczegółowoSTYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1
1 STYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1 Klasyczny Rachunek Prawdopodobieństwa. 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany. Posiadamy
Bardziej szczegółowoMetody rzutowania i funkcji barierowych dla problemów sterowania optymalnego
Metody rzutowania i funkcji barierowych dla problemów sterowania optymalnego Problem optymalnego sterowania procesem dynamicznym z ograniczeniami zasobowymi może polegać na polega na minimalizacji wskaźnika
Bardziej szczegółowoCia la i wielomiany Javier de Lucas
Cia la i wielomiany Javier de Lucas Ćwiczenie 1. Za lóż, że (F, +,, 1, 0) jest cia lem i α, β F. w laściwości s a prawd a? Które z nastȩpuj acych 1. 0 α = 0. 2. ( 1) α = α. 3. Każdy element zbioru F ma
Bardziej szczegółowoWyk lad 7 Baza i wymiar przestrzeni liniowej
Wyk lad 7 Baza i wymiar przestrzeni liniowej 1 Baza przestrzeni liniowej Niech V bedzie przestrzenia liniowa. Powiemy, że podzbiór X V jest maksymalnym zbiorem liniowo niezależnym, jeśli X jest zbiorem
Bardziej szczegółowoTeoria miary WPPT IIr. semestr zimowy 2009 Wyk lady 6 i 7. Mierzalność w sensie Carathéodory ego Miara Lebesgue a na prostej
Teoria miary WPPT IIr. semestr zimowy 2009 Wyk lady 6 i 7. Mierzalność w sensie Carathéodory ego Miara Lebesgue a na prostej 27-28/10/09 ZBIORY MIERZALNE WZGLȨDEM MIARY ZEWNȨTRZNEJ Niech µ bȩdzie miar
Bardziej szczegółowoAnaliza dla informatyków 2 DANI LI2 Pawe l Domański szkicowe notatki do wyk ladu
Analiza dla informatyków 2 DANI LI2 Pawe l Domański szkicowe notatki do wyk ladu Wyk lad 5 1. Iloczyn ortogonalny funkcji Wróćmy na chwilȩ do dowodu wzorów Eulera-Fouriera. Kluczow a rolȩ odgrywa l wzór:
Bardziej szczegółowoRozdzia l 10. Najważniejsze normalne logiki modalne
Rozdzia l 10. Najważniejsze normalne logiki modalne 1. Logiki modalne normalne Definicja. Inwariantny zbiór formu l X jȩzyka modalnego L = (L,,,,, ) nazywamy logik a modaln a zbazowan a na logice klasycznej
Bardziej szczegółowoMATEMATYKA DZIELENIE LICZB Z RESZTA CECHY PODZIELNOṠCI
1 SZKO LA PODSTAWOWA HELIANTUS 02-892 WARSZAWA ul. BAŻANCIA 16 Opercja modulo a b( mod c) MATEMATYKA DZIELENIE LICZB Z RESZTA CECHY PODZIELNOṠCI Prof. dr. Tadeusz STYŠ WARSZAWA 2018 1 1 Projekt pi aty
Bardziej szczegółowoRównania różniczkowe o zmiennych rozdzielonych
I Newton sformu lowa l podstawowe zasady dynamiki Druga zasada dynamiki ma postać wzoru F = m a F oznacza tu si le dzia laja ca na cia lo o masie m, a oznacza przyspieszenie tego cia la Przyspieszenie
Bardziej szczegółowoPrzestrzenie wektorowe, liniowa niezależność Javier de Lucas
Przestrzenie wektorowe, liniowa niezależność Javier de Lucas Ćwiczenie 1. W literaturze można znaleźć pojȩcia przestrzeni liniowej i przestrzeni wektorowej. Obie rzeczy maj a tak a sam a znaczenie. Nastȩpuj
Bardziej szczegółowoRACHUNEK OPERATOROWY MIKUSIŃSKIEGO I JEGO ZASTOSOWANIE DO RÓWNAŃ
RACHUNEK OPERATOROWY MIKUSIŃSKIEGO I JEGO ZASTOSOWANIE DO RÓWNAŃ RÓŻNICZKOWYCH Tomasz Kochanek 1 Twierdzenie Titchmarsha Symbolem C[, ) oznaczać bedziemy przestrzeń wszystkich zespolonych funkcji ciag
Bardziej szczegółowoCHEMIA KWANTOWA MONIKA MUSIA L METODA HÜCKLA. Ćwiczenia. http://zcht.mfc.us.edu.pl/ mm
CHEMIA KWANTOWA MONIKA MUSIA L METODA HÜCKLA Ćwiczenia Zwi azki organiczne zawieraj ace uk lady π-elektronowe Sprzȩżony uk lad wi azań podwójnych: -C=C-C=C-C=C-C=C- Skumulowany uk lad wi azań podwójnych:
Bardziej szczegółowoRozdzia l 2. Najważniejsze typy algebr stosowane w logice
Rozdzia l 2. Najważniejsze typy algebr stosowane w logice 1. Algebry Boole a Definicja. Kratȩ dystrybutywn a z zerem i jedynk a, w której dla każdego elementu istnieje jego uzupe lnienie nazywamy algebr
Bardziej szczegółowoOpis systemów dynamicznych w przestrzeni stanu. Wojciech Kurek , Gdańsk
Opis systemów dynamicznych Mieczysław Brdyś 27.09.2010, Gdańsk Rozważmy układ RC przedstawiony na rysunku poniżej: wejscie u(t) R C wyjście y(t)=vc(t) Niech u(t) = 2 + sin(t) dla t t 0 gdzie t 0 to chwila
Bardziej szczegółowow teorii funkcji. Dwa s lynne problemy. Micha l Jasiczak
Równania różniczkowe czastkowe w teorii funkcji. Dwa s lynne problemy. Micha l Jasiczak Horyzonty 2014 Podstawowy obiekt wyk ladu: funkcje holomorficzne wielu zmiennych Temat: dwa problemy, których znane
Bardziej szczegółowoRozdzia l 3. Elementy algebry uniwersalnej
Rozdzia l 3. Elementy algebry uniwersalnej 1. Podalgebry, homomorfizmy Definicja. Niech = B A oraz o bȩdzie n-argumentow a operacj a na zbiorze A. Mówimy, że zbiór B jest zamkniȩty na operacjȩ o, gdy dla
Bardziej szczegółowoWyk lad 12. (ii) najstarszy wspó lczynnik wielomianu f jest elementem odwracalnym w P. Dowód. Niech st(f) = n i niech a bedzie
1 Dzielenie wielomianów Wyk lad 12 Ważne pierścienie Definicja 12.1. Niech P bedzie pierścieniem, który może nie być dziedzina ca lkowitości. Powiemy, że w pierścieniu P [x] jest wykonalne dzielenie z
Bardziej szczegółowoOSOBNO ANALITYCZNYCH
Uniwersytet Jagielloński Instytut Matematyki Zbigniew B locki ZBIORY OSOBLIWOŚCI FUNKCJI OSOBNO ANALITYCZNYCH Praca magisterska Promotor: Prof. dr hab. Józef Siciak Kraków 99 .Wstȩp. Jeśli Ω jest zbiorem
Bardziej szczegółowona p laszczyźnie kartezjaṅskiej prowadzimy prost a o rȯwnaniu s 1. (1.1) s 0 + t 1 t 0
Chapter 1 Interpolacja 1.1 Interpolacja liniowa Zacznijmy opis pojȩcia inter-polacji od prostego przyk ladu. Przyk lad 1.1 Oblicz ile kilometrȯw przejecha l samochȯd po 3 godzinach jazdy, jeżeli po jednej
Bardziej szczegółowoZasada maksimum Pontriagina
25.04.2015 Abstrakt Wiele zagadnień praktycznych dotyczących układów dynamicznych wymaga optymalizacji pewnych wielkości. Jednakże zwykła teoria gładkich układów dynamicznych zajmuje się jednak tylko opisem
Bardziej szczegółowoWNIOSKOWANIE W MODELU REGRESJI LINIOWEJ
WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y
Bardziej szczegółowostosunek przyrostu funkcji y do odpowiadajacego dy dx = lim y wielkości fizycznej x, y = f(x), to pochodna dy v = ds edkości wzgl edem czasu, a = dv
Matematyka Pochodna Pochodna funkcji y = f(x) w punkcie x nazywamy granice, do której daży stosunek przyrostu funkcji y do odpowiadajacego mu przyrostu zmiennej niezaleźnej x, g przyrost zmiennej daży
Bardziej szczegółowoElementy logiki i teorii mnogości Wyk lad 1: Rachunek zdań
Elementy logiki i teorii mnogości Wyk lad 1: Rachunek zdań Micha l Ziembowski m.ziembowski@mini.pw.edu.pl www.mini.pw.edu.pl/ ziembowskim/ October 2, 2016 M. Ziembowski (WUoT) Elementy logiki i teorii
Bardziej szczegółowoWyk lad 11 1 Wektory i wartości w lasne
Wyk lad 11 Wektory i wartości w lasne 1 Wektory i wartości w lasne Niech V bedzie przestrzenia liniowa nad cia lem K Każde przekszta lcenie liniowe f : V V nazywamy endomorfizmem liniowym przestrzeni V
Bardziej szczegółowoP (x, y) + Q(x, y)y = 0. g lym w obszrze G R n+1. Funkcje. zania uk ladu (1) o wykresie przebiegaja
19. O ca lkach pierwszych W paragrafie 6 przy badaniu rozwia zań równania P (x, y) + Q(x, y)y = 0 wprowadzono poje cie ca lki równania, podano pewne kryteria na wyznaczanie ca lek równania. Znajomość ca
Bardziej szczegółowo1 Przestrzenie unitarne i przestrzenie Hilberta.
Przestrzenie unitarne i przestrzenie Hilberta.. Wykazać, że iloczyn skalarny w przestrzeni wektorowej X nad cia lem K ma nastepuj ace w lasności: (i) x, y + z = x, y + x, z, (ii) x, λy = λ x, y, (iii)
Bardziej szczegółowoIndeks odwzorowania zmiennej zespolonej wzgl. krzywej zamknietej
Indeks odwzorowania zmiennej zespolonej wzgl edem krzywej zamkni etej 1. Liczby zespolone - konstrukcja Hamiltona 2. Homotopia odwzorowań na okr egu 3. Indeks odwzorowania ciag lego wzgledem krzywej zamknietej
Bardziej szczegółowoWyk lad 9 Baza i wymiar przestrzeni liniowej
Wyk lad 9 Baza i wymiar przestrzeni liniowej 1 Operacje elementarne na uk ladach wektorów Niech α 1,..., α n bed dowolnymi wektorami przestrzeni liniowej V nad cia lem K. Wyróżniamy nastepuj ace operacje
Bardziej szczegółowoZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA
ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA DYNAMICZNYCH LOKAT KAPITAŁOWYCH Krzysztof Gąsior Uniwersytet Rzeszowski Streszczenie Celem referatu jest zaprezentowanie praktycznego zastosowania
Bardziej szczegółowow = w i ξ i. (1) i=1 w 1 w 2 :
S. D. G lazek, www.fuw.edu.pl/ stglazek, 11.III.2005 1 I. MACIERZ LINIOWEGO ODWZOROWANIA PRZESTRZENI WEKTOROWYCH Wyobraźmy sobie, że przestrzeń wektorowa W jest zbudowana z kombinacji liniowych n liniowo
Bardziej szczegółowoProjektowanie uk ladów sterowania z wykorzystaniem ich postaci kanonicznych
Projektowanie uk ladów sterowania z wykorzystaniem ich postaci kanonicznych Niech bȩdzie dany uk lad sterowania taki, że nie wszystkie jego zmienne stanu s a bezpośrednio dostȩpne (mierzalne. Uk lad pozwalaj
Bardziej szczegółowoMonika Musia l. METODA MIESZANIA KONFIGURACJI Configuration Interaction (CI) (ujȩcie wyznacznikowe)
Monika Musia l METODA MIESZANIA KONFIGURACJI Configuration Interaction (CI) (ujȩcie wyznacznikowe) ĤΨ i = E i Ψ i W metodzie mieszania konfiguracji wariacyjna funkcja falowa, jest liniow a kombinacj a
Bardziej szczegółowoLiczby naturalne i ca lkowite
Chapter 1 Liczby naturalne i ca lkowite Koncepcja liczb naturalnych i proste operacje arytmetyczne by ly znane już od oko lo 50000 tysiȩcy lat temu. To wiemy na podstawie archeologicznych i historycznych
Bardziej szczegółowoKOLOKWIUM Z ALGEBRY I R
Instrucje: Każde zadanie jest za 4 puntów. Rozwi azanie ażdego zadania musi znajdować siȩ na osobnej artce oraz być napisane starannie i czytelnie. W nag lówu ażdego rozwi azania musz a znajdować siȩ dane
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych Zbiory na p laszczyźnie Przestrzeni a dwuwymiarow a (p laszczyzn a) nazywamy zbiór wszystkich par uporz adkowanych (x, y), gdzie x, y R. Przestrzeń tȩ oznaczamy symbolem R 2 : R
Bardziej szczegółowoRozdzia l 11. Przestrzenie Euklidesowe Definicja, iloczyn skalarny i norma. iloczynem skalarnym.
Rozdzia l 11 Przestrzenie Euklidesowe 11.1 Definicja, iloczyn skalarny i norma Definicja 11.1 Przestrzenia Euklidesowa nazywamy par e { X K,ϕ }, gdzie X K jest przestrzenia liniowa nad K, a ϕ forma dwuliniowa
Bardziej szczegółowoDefinicja problemu programowania matematycznego
Definicja problemu programowania matematycznego minimalizacja lub maksymalizacja funkcji min (max) f(x) gdzie: x 1 x R n x 2, czyli: x = [ ] x n przy ograniczeniach (w skrócie: p.o.) p.o. g i (x) = b i
Bardziej szczegółowoMATEMATYKA W SZKOLE HELIANTUS LICZBY NATURALNE I CA LKOWITE
1 SZKO LA PODSTAWOWA HELIANTUS 0-89 WARSZAWA ul. BAŻANCIA 16 3 1 0 1 3 Oś liczbowa. Liczby ca lkowite x MATEMATYKA W SZKOLE HELIANTUS LICZBY NATURALNE I CA LKOWITE Prof. dr. Tadeusz STYŠ WARSZAWA 018 1
Bardziej szczegółowoZAGADNIENIE DUALNE Rozważmy zagadnienie liniowe(zagadnienie to nazywamy prymalnym) o postaci kanonicznej:
A Kasperski, M Kulej Badania Operacyjne- programowanie liniowe 1 ZAGADNIENIE DUALNE Rozważmy zagadnienie liniowe(zagadnienie to nazywamy prymalnym) o postaci kanonicznej: max z = c 1 x 1 + c 2 x 2 + +
Bardziej szczegółowoWyk lad 8 macierzy i twierdzenie Kroneckera-Capellego
Wyk lad 8 Rzad macierzy i twierdzenie Kroneckera-Capellego 1 Określenie rz edu macierzy Niech A bedzie m n - macierza Wówczas wiersze macierzy A możemy w naturalny sposób traktować jako wektory przestrzeni
Bardziej szczegółowoWersja testu D 14 września 2011 r. 1. Czy prawda jest, że a) x Z y Z y 2 = 2 ; b) x Z y Z x 2 = 1 ; c) x Z y Z x 2 = 2 ; d) x Z y Z y 2 = 1?
1. Czy prawda jest, że a) x Z y Z y 2 = 2 ; b) x Z y Z x 2 = 1 ; c) x Z y Z x 2 = 2 ; d) x Z y Z y 2 = 1? 2. Czy prawda jest, że a) 5 8 1 jest podzielne przez 4 ; b) 5 7 1 jest podzielne przez 4 ; c) 3
Bardziej szczegółowoRównania różniczkowe liniowe drugiego rze
Przyk lad 14.1 Omówimy jeszcze jeden przyk lad zagadnienia prowadza cego do równania pierwszego rze. Za lóżmy, że spadochroniarz wyskoczy l z samolotu na wysokości 1500 m i że spada swobodnie aż do wysokości
Bardziej szczegółowoWprowadzenie do teorii sterowania. Procesy sterowania o parametrach skupionych.
Dr hab. inż. Krystyn Styczeń, prof. PWr Wprowadzenie do teorii sterowania. Procesy sterowania o parametrach skupionych. http://staff.iiar.pwr.wroc.pl/krystyn.styczen/ http://krystyn.styczen.staff.iiar.pwr.wroc.pl/
Bardziej szczegółowoWPPT 2r., sem. letni KOLOKWIUM 1 Wroc law, 19 kwietnia 2011
A N A L I Z A F U N K C J O N A L N A WPPT r, sem letni KOLOKWIUM Wroc law, 9 kwietnia 0 ZADANIE ab W pewnej przestrzeni mamy wie metryki i przy czym czyni nasz a przestrzeń zwart a a jest s labsza o (tzn
Bardziej szczegółowoUogólnione modele uk ladów sterowania
Uogólnione modele uk ladów sterowania Różniczkowo-algebraiczne modele uk ladów sterowania Analiza w lasności wielu uk ladów sterowania wymaga uogólnienia modeli procesów zachodz acych w tych uk ladach.
Bardziej szczegółowoTomasz Downarowicz Instytut Matematyki i Informatyki Politechnika Wroc lawska Wroc law Wroc law, kwiecień 2011
Tomasz Downarowicz Instytut Matematyki i Informatyki Politechnika Wroc lawska 50-370 Wroc law Wroc law, kwiecień 2011 Analiza Funkcjonalna WPPT IIr. Wyk lady 4 i 5: Przestrzenie unitarne i Hilberta (rzeczywiste
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA. Spis pojȩċ teoretycznych
1 RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA Spis pojȩċ teoretycznych 1. Podstawowe pojȩcia: doświadczenie losowe, zdarzenie elementarne, zdarzenie losowe, przestrzeń zdarzeń elementarnych, zbiór zdarzeń
Bardziej szczegółowo13 Równanie struny drgającej. Równanie przewodnictwa ciepła.
Równanie struny drgającej. Równanie przewodnictwa ciepła 13 1 13 Równanie struny drgającej. Równanie przewodnictwa ciepła. 13.1 Równanie struny drgającej Równanie różniczkowe liniowe drugiego rzędu typu
Bardziej szczegółowoRozdzia l 9. Zbiory liczb porz adkowych. Liczby porz adkowe izolowane i graniczne
Rozdzia l 9. Zbiory liczb porz adkowych. Liczby porz adkowe izolowane i graniczne 1. Kresy wzglȩdem dowolnego zbioru liczb porz adkowych Poświȩcimy teraz uwagȩ przede wszystkich kratowym w lasnościom klasy
Bardziej szczegółowoT O P O L O G I A WPPT I, sem. letni WYK LAD 8. Wroc law, 21 kwietnia D E F I N I C J E Niech (X, d) oznacza przestrzeń metryczn a.
T O P O L O G I A WPPT I, sem. letni WYK LAD 8 Zwartość D E F I N I C J E Niech (X, d) oznacza przestrzeń metryczn a. Wroc law, 1 kwietnia 008 Definicja 1. (X, d) jest ca lkowicie ograniczona jeśli dla
Bardziej szczegółowoep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 3 Tablice trwania życia 2
Wst ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 3 Tablice trwania życia 2 1 Przypomnienie Jesteśmy już w stanie wyznaczyć tp x = l x+t l x, gdzie l x, l x+t, to liczebności kohorty odpowiednio
Bardziej szczegółowoIX. Rachunek różniczkowy funkcji wielu zmiennych. 1. Funkcja dwóch i trzech zmiennych - pojęcia podstawowe. - funkcja dwóch zmiennych,
IX. Rachunek różniczkowy funkcji wielu zmiennych. 1. Funkcja dwóch i trzech zmiennych - pojęcia podstawowe. Definicja 1.1. Niech D będzie podzbiorem przestrzeni R n, n 2. Odwzorowanie f : D R nazywamy
Bardziej szczegółowoAnaliza matematyczna dla informatyków 3 Zajęcia 14
Analiza matematyczna dla informatyków 3 Zajęcia 14 Metoda rozwiązywania (Jednorodne równanie różniczkowe liniowe rzędu n o stałych współczynnikach). gdzie a 0,..., a n 1 C. Wielomian charakterystyczny:
Bardziej szczegółowoWyk lad 6 Podprzestrzenie przestrzeni liniowych
Wyk lad 6 Podprzestrzenie przestrzeni liniowych 1 Określenie podprzestrzeni Definicja 6.1. Niepusty podzbiór V 1 V nazywamy podprzestrzeni przestrzeni liniowej V, jeśli ma on nastepuj ace w lasności: (I)
Bardziej szczegółowoWprowadzenie do teorii sterowania. Procesy o parametrach skupionych
Politechnika Wroc lawska Wydzia l Elektroniki Katedra K8 Prof. dr hab. inż. Krystyn Styczeń http://staff.iiar.pwr.wroc.pl/krystyn.styczen/ Wprowadzenie do teorii sterowania. Procesy o parametrach skupionych
Bardziej szczegółowoTEORIA FUNKCJONA LÓW. (Density Functional Theory - DFT) Monika Musia l
TEORIA FUNKCJONA LÓW GȨSTOŚCI (Density Functional Theory - DFT) Monika Musia l PRZEDMIOT BADAŃ Uk lad N elektronów + K j ader atomowych Przybliżenie Borna-Oppenheimera Zamiast funkcji falowej Ψ(r 1,σ 1,r
Bardziej szczegółowoteoria i przykłady zastosowań
: teoria i przykłady zastosowań Katedra Sterowania i Pomiarów Zachodniopomorski Uniwersytet Technologiczny w Szczecinie e-mail: emirsaj@zut.edu.pl Zielona Góra, 22 listopada 21 Spis treści 1 O jakie równanie
Bardziej szczegółowoRozdzia l 6. Wstȩp do statystyki matematycznej. 6.1 Cecha populacji generalnej
Rozdzia l 6 Wstȩp do statystyki matematycznej 6.1 Cecha populacji generalnej W rozdziale tym zaprezentujemy metodȩ probabilistycznego opisu zaobserwowanego zjawiska. W takim razie (patrz rozdzia l 2.4)zjawiskotobȩdziemy
Bardziej szczegółowo