ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ"

Transkrypt

1 ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ Maciej Patan Uniwersytet Zielonogórski

2 WSTEP Zadanie minimalizacji bez ograniczeń f(ˆx) = min x R nf(x) f : R n R funkcja ograniczona z dołu Algorytm rozwiazywania Rekurencyjny proces obliczeniowy, który na podstawie znajomości bieżacego punktu x k generuje nowy punkt x k+1, w rezultacie czego startujac z punktu x 1 zostaje utworzony ciag punktów {x k } k=1 Uniwersytet Zielonogórski 1

3 Warunki konieczne i dostateczne dla zadań bez ograniczeń Tw. 1. Niech f : R n R 1 będzie funkcja klasy C 1. Warunkiem koniecznym na to, aby punkt x R n był minimum lokalnym funkcji f jest f(x ) = 0 (1) Jeżeli dodatkowo funkcja f jest wypukła, to warunek (1) jest warunkiem koniecznym i wystarczajacym na to, aby x był minimum globalnym Tw. 2. Niech f : R n R 1 będzie funkcja klasy C 2. Jeżeli punkt x R n jest minimum lokalnym to f(x ) = 0 (2) oraz hesjan 2 f(x ) (3) jest macierza dodatnio półokreślona. Uniwersytet Zielonogórski 2

4 Tw. 3. Jeżeli w punkcie x R n otrzymujemy f(x ) = 0 (4) oraz hesjan 2 f(x ) jest dodatnio określony, to x jest minimum globalnym Tw. 4. Niech f : R n R 1 będzie funkcja wypukła, lecz niekoniecznie różniczkowalna. Warunkiem koniecznym i wystarczajacym na to, aby punkt x R n był minimum globalnym jest 0 f(x ) (5) Uniwersytet Zielonogórski 3

5 Podział metod 1. metody losowe (przypadkowe) 2. metody deterministyczne tworzenie kierunków poszukiwań modyfikowana baza bezgradientowe modyfikowany kierunek gradientowe kolejny punkt wzdłuż danego kierunku poszukiwań metody dyskretne (poszukiwań prostych) metody z minimalizacja (kierunków poprawy) Uniwersytet Zielonogórski 4

6 METODA ZŁOTEGO PODZIAŁU Metoda stosowana dla funkcji unimodalnych W każdej iteracji generuje się dwa punkty x 1 i x 2 leżace wewnatrz rozpatrywanego przedziału [a, b] Na podstawie wartości funkcji f(x 1 ) i f(x 2 ) określa się, czy minimum leży w przedziale [x 1, b], czy też [a, x 2 ] W każdej następnej iteracji wyznaczany podprzedział obejmujacy poszukiwane minimum zmniejsza się o stały czynnik α = 0, 618 Minimum można określić z żadan a dokładnościa Uniwersytet Zielonogórski 5

7 Algorytm: Krok 0. Określ przedział [a, b] tak, aby obejmował minimum funkcji f(x ) Krok 1. Wyznacz x 1 = a + (1 α)(b a), x 2 = a + α(b a) gdzie α = oraz oblicz f(x 1 ) i f(x 2 ). Krok 2. Jeśli f(x 1 ) < f(x 2 ) to idź do kroku 3, w przeciwnym przypadku do kroku 4. Krok 3. Podstaw b := x 2 i x 2 := x 1, oblicz x 1 = a + (1 α)(b a) oraz f(x 1 ) i przejdź do kroku 5. Krok 4. Podstaw a := x 1 i x 1 := x 2, oblicz x 2 = a + α(b a) oraz f(x 2 ) i przejdź do kroku 5. Krok 5. Jeżeli b a < ε (ε -zadana dokładność) to zakończ obliczenia, przyjmujac x = x 1 jeśli f(x 1 ) < f(x 2 ) lub x = x 2 jeśli f(x 1 ) > f(x 2 ); w przeciwnym przypadku przejdź do kroku 2. Uniwersytet Zielonogórski 6

8 METODA APROKSYMACJI KWADRATOWEJ Zakłada się, że w otoczeniu minimum, funkcję można zaproksymować wielomianem drugiego stopnia ❶ wartość funkcji jest wyliczana w trzech kolejnych punktach i za ich pomoca określany zostaje wielomian interpolacyjny drugiego stopnia ❷ wyznaczenie przedziału zawierajacego minimum, a następnie zastosowanie interpolacji kwadratowej Załóżmy, że znamy wartości funkcji celu f a, f b i f c w kolejnych trzech punktach x a, x b i x c (x a < x b < x c ) Uniwersytet Zielonogórski 7

9 Wielomian interpolacyjny Lagrange a (x x b )(x x c ) f(x) = f a (x a x b )(x a x c ) + f (x x a )(x x c ) b (x b x a )(x b x c ) + (6) +f c (x x a )(x x b ) (x c x a )(x c x b ) Warunkiem koniecznym istnienia ekstremum jest df(x) dx = 0 x=x m (7) Uniwersytet Zielonogórski 8

10 Otrzymujemy 2x m (x b + x c ) f a (x a x b )(x a x c ) + f 2x m (x a + x c ) b (x b x a )(x b x c ) + (8) +f c 2x m (x a + x b ) (x c x a )(x c x b ) = 0 (9) gdzie x m = 1 2 (x 2 b x 2 c)f a + (x 2 c x 2 a)f b + (x 2 a x 2 b)f c (x b x c )f a + (x c x a )f b + (x a x b )f c (10) Uniwersytet Zielonogórski 9

11 Właściwości Znaleziony punkt może okazać się maksimum w kierunku (warunek (7)) Niewłaściwa zamiana punktów wyjściowych może doprowadzić do rozbieżności metody Algorytm jest jednostajnie minimalizujacy znajduje minimum w kierunku z żadan a dokładnościa Jeżeli dana funkcję można z powodzeniem przybliżyć wielomianem drugiego stopnia, metoda jest szybko zbieżna Uniwersytet Zielonogórski 10

12 METODA NAJWIEKSZEGO SPADKU Algorytm iteracyjny x k+1 = x k + ηd k (11) gdzie d k kierunek poprawy w k-tej iteracji, η krok Kierunek poprawy wyznacza się na podstawie znajomości gradientu funkcji celu d k = f(x k ) (12) Gradient jest kierunkiem największego wzrostu przy gradiencie stosuje się znak minus Do rozpoczęcia procedury potrzebny jest dowolnie wybrany punkt startowy Warunek stopu x k+1 x k < ε (13) Uniwersytet Zielonogórski 11

13 METODA NEWTONA Metody dobierajace wartość kroku uczenia automatycznie Rozwinięcie w szereg funkcji kosztu f względem x 0 f(x) = f 0 + (x x 0 ) f(x 0 ) (x x 0)H(x x 0 ) +... (14) gdzie H hesjan (macierz drugich pochodnych) Po zróżniczkowaniu otrzymujemy f(x) = f(x 0 ) + H(x x 0 ) +... (15) Pomijajac człony wyższego rzędu i przyrównujac do zera f(x 0 ) + H(x x 0 ) = 0 (16) lub x k+1 = x k H 1 f(x k ) (17) Uniwersytet Zielonogórski 12

14 Metoda Newtona właściwości metoda kosztowna obliczeniowo potrzeba odwracania hesjanu potrzeba obliczania drugich pochodnych metoda niestabilnie numerycznie w przypadku rozpoczęcia obliczeń daleko od punktu optymalnego algorytm niepraktyczny w przypadku wielowymiarowym metoda stosowana jako punkt odniesienia praktycznie stosuje się techniki przybliżajace macierz hesjanu metody quasi-newtonowskie Uniwersytet Zielonogórski 13

15 METODY QUASI-NEWTONOWSKIE Metody przybliżajace macierz hesjanu Aktualizacja rozwiazania x k+1 = x k B k f(x k ) (18) gdzie B H 1 Metoda BFGS (Broyden-Fletcher-Goldfarb-Shanno) B k = [ I x k G T ] [ k G T k x B k 1 I G k x T ] k k G T k x k (19) gdzie x k = x k x k 1 i G k = f(x k ) f(x k 1 ) Uniwersytet Zielonogórski 14

16 Metoda DFP (Davidon-Fletcher-Powell) B k = B k 1 + x k 1 x T k x T k G k B k 1 G k G T k B k 1 G T k B k 1 G k (20) gdzie x k = x k x k 1 i G k = f(x k ) f(x k 1 ) Metody quasi-newtonowskie właściwości Brak operacji odwracania macierzy hesjanu Blisko rozwiazania zbieżność jest dobra Poczatkowo zbieżność jest słaba (na poczatku przybliżenie odwrotności hesjanu jest słabe, polepszane z iteracji an iterację) Uniwersytet Zielonogórski 15

17 METODA LEVENBERGA-MARQUARDTA Przybliżenie metody Newtona Macierz hesjanu przybliża się za pomoca macierzy jakobianu gdzie J jakobian reguła aktualizacji punktu gdzie µ współczynnik H k = J T k J k (21) x k+1 = x k (J T k J k + µ k I) 1 f(x k ) (22) Uniwersytet Zielonogórski 16

18 Właściwości Szybka zbieżność do rozwiazania Dla µ dużego metoda staje się metoda największego spadku Dla µ małego metoda staje się metoda Newtona W czasie uczenia µ jest zmniejszany każdorazowo po wykonaniu kroku zmniejszajacego wartość funkcji celu Dzięki zmniejszaniu µ algorytm staje się metoda Newtona blisko rozwiazania µ jest zwiększany tylko w przypadkach kiedy za duża jego wartość powoduje wzrost wartości funkcji celu Uniwersytet Zielonogórski 17

19 GRADIENT, HESJAN, JAKOBIAN Gradient f(x) = [ f(x) x 1 f(x) x 2... f(x) ] x n (23) Hesjan H = 2 f(x) x f(x) x 2 x 1. 2 f(x) x n x 1 2 f(x) x 1 x f(x) x f(x) x n x f(x) x 1 x n 2 f(x) x 2 x n f(x) x 2 n (24) Uniwersytet Zielonogórski 18

20 Jakobian J = f 1 (x) x 1 f 2 (x) x 1. f n (x) x 1 f 1 (x) x 2... f 2 (x) f 1 (x) x m f 2 (x) x m x f n (x) x 2... f n (x) x m (25) Uniwersytet Zielonogórski 19

ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH

ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH Transport, studia I stopnia Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Często występującym, ważnym problemem obliczeniowym

Bardziej szczegółowo

KADD Minimalizacja funkcji

KADD Minimalizacja funkcji Minimalizacja funkcji Poszukiwanie minimum funkcji Foma kwadratowa Metody przybliżania minimum minimalizacja Minimalizacja w n wymiarach Metody poszukiwania minimum Otaczanie minimum Podział obszaru zawierającego

Bardziej szczegółowo

Wstęp do metod numerycznych 9. Minimalizacja: funkcje jednej zmiennej. P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/

Wstęp do metod numerycznych 9. Minimalizacja: funkcje jednej zmiennej. P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ Wstęp do metod numerycznych 9. Minimalizacja: funkcje jednej zmiennej P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2011 Lokalna minimalizacja ciagła Minimalizacja funkcji jest jedna z najważniejszych

Bardziej szczegółowo

RÓWNANIA NIELINIOWE Maciej Patan

RÓWNANIA NIELINIOWE Maciej Patan RÓWNANIA NIELINIOWE Maciej Patan Uniwersytet Zielonogórski Przykład 1 Prędkość v spadającego spadochroniarza wyraża się zależnością v = mg ( 1 e c t) m c gdzie g = 9.81 m/s 2. Dla współczynnika oporu c

Bardziej szczegółowo

1 Metody rozwiązywania równań nieliniowych. Postawienie problemu

1 Metody rozwiązywania równań nieliniowych. Postawienie problemu 1 Metody rozwiązywania równań nieliniowych. Postawienie problemu Dla danej funkcji ciągłej f znaleźć wartości x, dla których f(x) = 0. (1) 2 Przedział izolacji pierwiastka Będziemy zakładać, że równanie

Bardziej szczegółowo

KADD Minimalizacja funkcji

KADD Minimalizacja funkcji Minimalizacja funkcji n-wymiarowych Forma kwadratowa w n wymiarach Procedury minimalizacji Minimalizacja wzdłuż prostej w n-wymiarowej przestrzeni Metody minimalizacji wzdłuż osi współrzędnych wzdłuż kierunków

Bardziej szczegółowo

Optymalizacja (minimalizacja) funkcji. Plan wykładu: 1. Sformułowanie problemu, funkcja celu. 2. Metody bezgradientowe

Optymalizacja (minimalizacja) funkcji. Plan wykładu: 1. Sformułowanie problemu, funkcja celu. 2. Metody bezgradientowe Optymalizacja (minimalizacja) funkcji Plan wykładu: 1. Sformułowanie problemu, funkcja celu. Metody bezgradientowe a) metoda złotego podziału b) metoda sympleks c) metoda interpolacji Powell'a 3. Metody

Bardziej szczegółowo

METODY NUMERYCZNE. Wykład 4. Numeryczne rozwiązywanie równań nieliniowych z jedną niewiadomą. prof. dr hab.inż. Katarzyna Zakrzewska

METODY NUMERYCZNE. Wykład 4. Numeryczne rozwiązywanie równań nieliniowych z jedną niewiadomą. prof. dr hab.inż. Katarzyna Zakrzewska METODY NUMERYCZNE Wykład 4. Numeryczne rozwiązywanie równań nieliniowych z jedną niewiadomą prof. dr hab.inż. Katarzyna Zakrzewska Met.Numer. Wykład 4 1 Rozwiązywanie równań nieliniowych z jedną niewiadomą

Bardziej szczegółowo

Wstęp do metod numerycznych 12. Minimalizacja: funkcje wielu zmiennych. P. F. Góra

Wstęp do metod numerycznych 12. Minimalizacja: funkcje wielu zmiennych. P. F. Góra Wstęp do metod numerycznych 12. Minimalizacja: funkcje wielu zmiennych P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2015 Strategia minimalizacji wielowymiarowej Zakładamy, że metody poszukiwania minimów

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Metody optymalizacji Metody poszukiwania ekstremum funkcji jednej zmiennej Materiały pomocnicze do ćwiczeń

Bardziej szczegółowo

ELEMENTY ANALIZY NUMERYCZNEJ ELEMENTY ANALIZY NUMERYCZNEJ. Egzamin pisemny zestaw 1 26 czerwca 2017 roku

ELEMENTY ANALIZY NUMERYCZNEJ ELEMENTY ANALIZY NUMERYCZNEJ. Egzamin pisemny zestaw 1 26 czerwca 2017 roku Egzamin pisemny zestaw czerwca 0 roku Imię i nazwisko:.... ( pkt.) Udowodnić, że jeśli funkcja g interpoluje funkcję f w węzłach x 0, x, K, x n, a funk- cja h interpoluje funkcję f w węzłach x, x, K, x

Bardziej szczegółowo

METODY NUMERYCZNE. Wykład 4. Numeryczne rozwiązywanie równań nieliniowych z jedną niewiadomą. Rozwiązywanie równań nieliniowych z jedną niewiadomą

METODY NUMERYCZNE. Wykład 4. Numeryczne rozwiązywanie równań nieliniowych z jedną niewiadomą. Rozwiązywanie równań nieliniowych z jedną niewiadomą METODY NUMERYCZNE Wykład 4. Numeryczne rozwiązywanie równań nieliniowych z jedną niewiadomą dr hab.inż. Katarzyna Zakrzewska, prof.agh Met.Numer. Wykład 4 1 Rozwiązywanie równań nieliniowych z jedną niewiadomą

Bardziej szczegółowo

Zagadnienia - równania nieliniowe

Zagadnienia - równania nieliniowe Zagadnienia - równania nieliniowe Sformułowanie zadania poszukiwania pierwiastków. Przedział izolacji. Twierdzenia o istnieniu pierwiastków. Warunki zatrzymywania algorytmów. Metoda połowienia: założenia,

Bardziej szczegółowo

Wstęp do metod numerycznych Rozwiazywanie równań algebraicznych. P. F. Góra

Wstęp do metod numerycznych Rozwiazywanie równań algebraicznych. P. F. Góra Wstęp do metod numerycznych Rozwiazywanie równań algebraicznych P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2010 Co to znaczy rozwiazać równanie? Przypuśmy, że postawiono przed nami problem rozwiazania

Bardziej szczegółowo

Metody numeryczne. Równania nieliniowe. Janusz Szwabiński.

Metody numeryczne. Równania nieliniowe. Janusz Szwabiński. Metody numeryczne Równania nieliniowe Janusz Szwabiński szwabin@ift.uni.wroc.pl nm_slides-9.tex Metody numeryczne Janusz Szwabiński 7/1/2003 20:18 p.1/64 Równania nieliniowe 1. Równania nieliniowe z pojedynczym

Bardziej szczegółowo

Programowanie nieliniowe. Badania operacyjne Wykład 3 Metoda Lagrange a

Programowanie nieliniowe. Badania operacyjne Wykład 3 Metoda Lagrange a Programowanie nieliniowe Badania operacyjne Wykład 3 Metoda Lagrange a Plan wykładu Przykład problemu z nieliniową funkcją celu Sformułowanie problemu programowania matematycznego Podstawowe definicje

Bardziej szczegółowo

22 Pochodna funkcji definicja

22 Pochodna funkcji definicja 22 Pochodna funkcji definicja Rozważmy funkcję f : (a, b) R, punkt x 0 b = +. (a, b), dopuszczamy również a = lub Definicja 33 Mówimy, że funkcja f jest różniczkowalna w punkcie x 0, gdy istnieje granica

Bardziej szczegółowo

Metody Rozmyte i Algorytmy Ewolucyjne

Metody Rozmyte i Algorytmy Ewolucyjne mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawy optymalizacji Plan prezentacji 1 Podstawy matematyczne 2 3 Eliminacja ograniczeń Metody

Bardziej szczegółowo

Metody numeryczne w przykładach

Metody numeryczne w przykładach Metody numeryczne w przykładach Bartosz Ziemkiewicz Wydział Matematyki i Informatyki UMK, Toruń Regionalne Koło Matematyczne 8 kwietnia 2010 r. Bartosz Ziemkiewicz (WMiI UMK) Metody numeryczne w przykładach

Bardziej szczegółowo

Wstęp do metod numerycznych 9. Rozwiazywanie równań algebraicznych. P. F. Góra

Wstęp do metod numerycznych 9. Rozwiazywanie równań algebraicznych. P. F. Góra Wstęp do metod numerycznych 9. Rozwiazywanie równań algebraicznych P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2015 Co to znaczy rozwiazać równanie? Przypuśmy, że postawiono przed nami problem rozwiazania

Bardziej szczegółowo

Zastosowania pochodnych

Zastosowania pochodnych Zastosowania pochodnych Zbigniew Koza Wydział Fizyki i Astronomii Wrocław, 2015 SZACOWANIE NIEPEWNOŚCI POMIAROWEJ Przykład: objętość kuli Kulka z łożyska tocznego ma średnicę 2,3 mm, co oznacza, że objętość

Bardziej szczegółowo

Interpolacja funkcji

Interpolacja funkcji Interpolacja funkcji Interpolacja funkcji Interpolacja funkcji Wielomianowa Splajny Lagrange a Trygonometryczna Interpolacja Newtona (wzór I ) Czebyszewa Newtona (wzór II ) ( Wielomiany Czebyszewa ) Załóżmy,

Bardziej szczegółowo

1.3. Optymalizacja geometrii czasteczki

1.3. Optymalizacja geometrii czasteczki 0 1 Część teoretyczna 13 Optymalizacja geometrii czasteczki Poszukiwanie punktów stacjonarnych (krytycznych) funkcji stanowi niezwykle istotny problem w obliczeniowej chemii kwantowej Sprowadza się on

Bardziej szczegółowo

Metody numeryczne. materiały do wykładu dla studentów

Metody numeryczne. materiały do wykładu dla studentów Metody numeryczne materiały do wykładu dla studentów 5. Przybliżone metody rozwiązywania równań 5.1 Lokalizacja pierwiastków 5.2 Metoda bisekcji 5.3 Metoda iteracji 5.4 Metoda stycznych (Newtona) 5.5 Metoda

Bardziej szczegółowo

Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona) f(x) = 0, gdzie. dla n=2 np.

Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona) f(x) = 0, gdzie. dla n=2 np. Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona f(x 0, f ( f, f,..., f n gdzie 2 x ( x, x 2,..., x n dla n2 np. f ( x, y 0 g( x, y 0 dla każdej wielowymiarowej rozwinięcie w szereg Taylora

Bardziej szczegółowo

Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych

Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych mgr inż. C. Dendek prof. nzw. dr hab. J. Mańdziuk Politechnika Warszawska, Wydział Matematyki i Nauk Informacyjnych Outline 1 Uczenie

Bardziej szczegółowo

1 Pochodne wyższych rzędów

1 Pochodne wyższych rzędów 1 Pochodne wyższych rzędów Definicja 1.1 (Pochodne cząstkowe drugiego rzędu) Niech f będzie odwzorowaniem o wartościach w R m, określonym na zbiorze G R k. Załóżmy, że zbiór tych x G, dla których istnieje

Bardziej szczegółowo

Metody systemowe i decyzyjne w informatyce

Metody systemowe i decyzyjne w informatyce Metody systemowe i decyzyjne w informatyce Laboratorium Zadanie nr 3 Osada autor: A Gonczarek Celem poniższego zadania jest zrealizowanie fragmentu komputerowego przeciwnika w grze strategiczno-ekonomicznej

Bardziej szczegółowo

VIII. Zastosowanie rachunku różniczkowego do badania funkcji. 1. Twierdzenia o wartości średniej. Monotoniczność funkcji.

VIII. Zastosowanie rachunku różniczkowego do badania funkcji. 1. Twierdzenia o wartości średniej. Monotoniczność funkcji. VIII. Zastosowanie rachunku różniczkowego do badania funkcji. 1. Twierdzenia o wartości średniej. Monotoniczność funkcji. Twierdzenie 1.1. (Rolle a) Jeżeli funkcja f jest ciągła w przedziale domkniętym

Bardziej szczegółowo

13. Funkcje wielu zmiennych pochodne, gradient, Jacobian, ekstrema lokalne.

13. Funkcje wielu zmiennych pochodne, gradient, Jacobian, ekstrema lokalne. 13. Funkcje wielu zmiennych pochodne, gradient, Jacobian, ekstrema lokalne. 1. Wprowadzenie. Dotąd rozważaliśmy funkcje działające z podzbioru liczb rzeczywistych w zbiór liczb rzeczywistych, zatem funkcje

Bardziej szczegółowo

METODY NUMERYCZNE. Wykład 3. Plan. Aproksymacja Interpolacja wielomianowa Przykłady. dr hab.inż. Katarzyna Zakrzewska, prof.agh. Met.Numer.

METODY NUMERYCZNE. Wykład 3. Plan. Aproksymacja Interpolacja wielomianowa Przykłady. dr hab.inż. Katarzyna Zakrzewska, prof.agh. Met.Numer. METODY NUMERYCZNE Wykład 3. dr hab.inż. Katarzyna Zakrzewska, prof.agh Met.Numer. wykład 3 1 Plan Aproksymacja Interpolacja wielomianowa Przykłady Met.Numer. wykład 3 2 1 Aproksymacja Metody numeryczne

Bardziej szczegółowo

Pochodne cząstkowe i ich zastosowanie. Ekstrema lokalne funkcji

Pochodne cząstkowe i ich zastosowanie. Ekstrema lokalne funkcji Pochodne cząstkowe i ich zastosowanie. Ekstrema lokalne funkcji Adam Kiersztyn Lublin 2014 Adam Kiersztyn () Pochodne cząstkowe i ich zastosowanie. Ekstrema lokalne funkcji maj 2014 1 / 24 Zanim przejdziemy

Bardziej szczegółowo

DOPASOWYWANIE KRZYWYCH

DOPASOWYWANIE KRZYWYCH DOPASOWYWANIE KRZYWYCH Maciej Patan Uniwersytet Zielonogórski Motywacje Przykład 1. Dane o przyroście światowej populacji są aktualizowane co każde 10 lat, celem szacowania średniego przyrostu rocznego.

Bardziej szczegółowo

Wzór Maclaurina. Jeśli we wzorze Taylora przyjmiemy x 0 = 0 oraz h = x, to otrzymujemy tzw. wzór Maclaurina: f (x) = x k + f (n) (θx) x n.

Wzór Maclaurina. Jeśli we wzorze Taylora przyjmiemy x 0 = 0 oraz h = x, to otrzymujemy tzw. wzór Maclaurina: f (x) = x k + f (n) (θx) x n. Wzór Maclaurina Jeśli we wzorze Taylora przyjmiemy x 0 = 0 oraz h = x, to otrzymujemy tzw. wzór Maclaurina: f (x) = n 1 k=0 f (k) (0) k! x k + f (n) (θx) x n. n! Wzór Maclaurina Przykład. Niech f (x) =

Bardziej szczegółowo

Pochodna funkcji. Pochodna funkcji w punkcie. Różniczka funkcji i obliczenia przybliżone. Zastosowania pochodnych. Badanie funkcji.

Pochodna funkcji. Pochodna funkcji w punkcie. Różniczka funkcji i obliczenia przybliżone. Zastosowania pochodnych. Badanie funkcji. Pochodna funkcji Pochodna funkcji w punkcie. Różniczka funkcji i obliczenia przybliżone. Zastosowania pochodnych. Badanie funkcji. Małgorzata Wyrwas Katedra Matematyki Wydział Informatyki Politechnika

Bardziej szczegółowo

1 Funkcje dwóch zmiennych podstawowe pojęcia

1 Funkcje dwóch zmiennych podstawowe pojęcia 1 Funkcje dwóch zmiennych podstawowe pojęcia Definicja 1 Funkcją dwóch zmiennych określoną na zbiorze A R 2 o wartościach w zbiorze R nazywamy przyporządkowanie każdemu punktowi ze zbioru A dokładnie jednej

Bardziej szczegółowo

Obliczenia naukowe Wykład nr 6

Obliczenia naukowe Wykład nr 6 Obliczenia naukowe Wykład nr 6 Paweł Zieliński Katedra Informatyki, Wydział Podstawowych Problemów Techniki, Politechnika Wrocławska Literatura Literatura podstawowa [1] D. Kincaid, W. Cheney, Analiza

Bardziej szczegółowo

Metody numeryczne II

Metody numeryczne II Metody numeryczne II Poszukiwanie ekstremów funkcji Janusz Szwabiński szwabin@ift.uni.wroc.pl nmslides-13.tex Metody numeryczne II Janusz Szwabiński 29/5/2003 14:40 p.1/55 Poszukiwanie ekstremów funkcji

Bardziej szczegółowo

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Optymalizacja

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Optymalizacja Politechnika Wrocławska, Wydział Informatyki i Zarządzania Optymalizacja Dla podanych niżej problemów decyzyjnych (zad.1 zad.5) należy sformułować zadania optymalizacji, tj.: określić postać zmiennych

Bardziej szczegółowo

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 4. Równania różniczkowe zwyczajne podstawy teoretyczne

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 4. Równania różniczkowe zwyczajne podstawy teoretyczne Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 4. Równania różniczkowe zwyczajne podstawy teoretyczne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2005/06 Wstęp

Bardziej szczegółowo

IX. 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. - 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 szczegółowo

2. ZASTOSOWANIA POCHODNYCH. (a) f(x) = ln 3 x ln x, (b) f(x) = e2x x 2 2.

2. ZASTOSOWANIA POCHODNYCH. (a) f(x) = ln 3 x ln x, (b) f(x) = e2x x 2 2. 2. ZASTOSOWANIA POCHODNYCH. Koniecznie trzeba znać: twierdzenia o ekstremach (z wykorzystaniem pierwszej i drugiej pochodnej), Twierdzenie Lagrange a, Twierdzenie Taylora (z resztą w postaci Peano, Lagrange

Bardziej szczegółowo

Bardzo łatwa lista powtórkowa

Bardzo łatwa lista powtórkowa Analiza numeryczna, II rok inf., WPPT- 12 stycznia 2008 Terminy egzaminów Przypominam, że egzaminy odbędą się w następujących terminach: egzamin podstawowy: 30 stycznia, godz. 13 15, C-13/1.31 egzamin

Bardziej szczegółowo

Rozwiązywanie równań nieliniowych i ich układów. Wyznaczanie zer wielomianów.

Rozwiązywanie równań nieliniowych i ich układów. Wyznaczanie zer wielomianów. Rozwiązywanie równań nieliniowych i ich układów. Wyznaczanie zer wielomianów. Plan wykładu: 1. Wyznaczanie pojedynczych pierwiastków rzeczywistych równań nieliniowych metodami a) połowienia (bisekcji)

Bardziej szczegółowo

Uczenie sieci typu MLP

Uczenie sieci typu MLP Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik

Bardziej szczegółowo

Funkcje dwóch zmiennych

Funkcje dwóch zmiennych Maciej Grzesiak Instytut Matematyki Politechniki Poznańskiej Funkcje dwóch zmiennych 1. Funkcje dwóch zmiennych: pojęcia podstawowe Definicja 1. Funkcją dwóch zmiennych określoną na zbiorze A R 2 o wartościach

Bardziej szczegółowo

Pochodne wyższych rzędów definicja i przykłady

Pochodne wyższych rzędów definicja i przykłady Pochodne wyższych rzędów definicja i przykłady Pochodne wyższych rzędów Drugą pochodną funkcji nazywamy pochodną pochodnej tej funkcji. Trzecia pochodna jest pochodną drugiej pochodnej; itd. Ogólnie, -ta

Bardziej szczegółowo

METODY ROZWIĄZYWANIA RÓWNAŃ NIELINIOWYCH

METODY ROZWIĄZYWANIA RÓWNAŃ NIELINIOWYCH METODY ROZWIĄZYWANIA RÓWNAŃ NIELINIOWYCH Jednym z zastosowań metod numerycznych jest wyznaczenie pierwiastka lub pierwiastków równania nieliniowego. W tym celu stosuje się szereg metod obliczeniowych np:

Bardziej szczegółowo

Definicja pochodnej cząstkowej

Definicja pochodnej cząstkowej 1 z 8 gdzie punkt wewnętrzny Definicja pochodnej cząstkowej JeŜeli iloraz ma granicę dla to granicę tę nazywamy pochodną cząstkową funkcji względem w punkcie. Oznaczenia: Pochodną cząstkową funkcji względem

Bardziej szczegółowo

y f x 0 f x 0 x x 0 x 0 lim 0 h f x 0 lim x x0 - o ile ta granica właściwa istnieje. f x x2 Definicja pochodnych jednostronnych 1.5 0.

y f x 0 f x 0 x x 0 x 0 lim 0 h f x 0 lim x x0 - o ile ta granica właściwa istnieje. f x x2 Definicja pochodnych jednostronnych 1.5 0. Matematyka ZLic - 3 Pochodne i różniczki funkcji jednej zmiennej Definicja Pochodną funkcji f w punkcie x, nazwiemy liczbę oznaczaną symbolem f x lub df x dx, równą granicy właściwej f x lim h - o ile

Bardziej szczegółowo

ANALIZA CZASOWO-KOSZTOWA SIECI CPM-COST

ANALIZA CZASOWO-KOSZTOWA SIECI CPM-COST ANALIZA CZASOWO-KOSZTOWA SIECI CPM-COST Maciej Patan Uniwersytet Zielonogórski WPROWADZENIE W metodach CPM i PERT zwraca się uwagę jedynie na analizę ilościowa Równie ważne zagadnienie aspekt ekonomiczny

Bardziej szczegółowo

UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH

UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH Transport, studia I stopnia rok akademicki 2011/2012 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Uwagi wstępne Układ liniowych równań algebraicznych można

Bardziej szczegółowo

Metody numeryczne II

Metody numeryczne II Metody numeryczne II Poszukiwanie ekstremów funkcji Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne II (C) 2004 Janusz Szwabiński p.1/55 Poszukiwanie ekstremów funkcji 1. Funkcje jednej zmiennej

Bardziej szczegółowo

1 Pochodne wyższych rzędów

1 Pochodne wyższych rzędów Pochodne wyższych rzędów Pochodną rzędu drugiego lub drugą pochodną funkcji y = f(x) nazywamy pochodną pierwszej pochodnej tej funkcji. Analogicznie definiujemy pochodne wyższych rzędów, jako pochodne

Bardziej szczegółowo

Aproksymacja. funkcji: ,a 2. ,...,a m. - są funkcjami bazowymi m+1 wymiarowej podprzestrzeni liniowej X m+1

Aproksymacja. funkcji: ,a 2. ,...,a m. - są funkcjami bazowymi m+1 wymiarowej podprzestrzeni liniowej X m+1 Założenie: f(x) funkcja którą aproksymujemy X jest przestrzenią liniową Aproksymacja liniowa funkcji f(x) polega na wyznaczeniu współczynników a 0,a 1,a 2,...,a m funkcji: Gdzie: - są funkcjami bazowymi

Bardziej szczegółowo

Rzut oka na współczesną matematykę spotkanie 3: jak liczy kalkulator i o źródłach chaosu

Rzut oka na współczesną matematykę spotkanie 3: jak liczy kalkulator i o źródłach chaosu Rzut oka na współczesną matematykę spotkanie 3: jak liczy kalkulator i o źródłach chaosu P. Strzelecki pawelst@mimuw.edu.pl Instytut Matematyki, Uniwersytet Warszawski MISH UW, semestr zimowy 2011-12 P.

Bardziej szczegółowo

Programowanie matematyczne

Programowanie matematyczne dr Adam Sojda Badania Operacyjne Wykład Politechnika Śląska Programowanie matematyczne Programowanie matematyczne, to problem optymalizacyjny w postaci: f ( x) max przy warunkach g( x) 0 h( x) = 0 x X

Bardziej szczegółowo

ECTS (Część 2. Metody numeryczne) Nazwa w języku angielskim: Algorithms and data structures.

ECTS (Część 2. Metody numeryczne) Nazwa w języku angielskim: Algorithms and data structures. Algorytmy i struktury danych. Metody numeryczne ECTS (Część 2. Metody numeryczne) Nazwa w języku angielskim: Algorithms and data structures. dzienne magisterskie Numerical methods. (Part 2. Numerical methods)

Bardziej szczegółowo

Z52: Algebra liniowa Zagadnienie: Zastosowania algebry liniowej Zadanie: Operatory różniczkowania, zagadnienie brzegowe.

Z52: Algebra liniowa Zagadnienie: Zastosowania algebry liniowej Zadanie: Operatory różniczkowania, zagadnienie brzegowe. Z5: Algebra liniowa Zagadnienie: Zastosowania algebry liniowej Zadanie: Operatory różniczkowania zagadnienie brzegowe Dyskretne operatory różniczkowania Numeryczne obliczanie pochodnych oraz rozwiązywanie

Bardziej szczegółowo

Metody optymalizacji - teoria i wybrane algorytmy

Metody optymalizacji - teoria i wybrane algorytmy Metody optymalizacji - teoria i wybrane algorytmy 15 stycznia 2012 Spis treści I Algorytmy optymalizacji funkcji jednej zmiennej 2 1 Metody ustalania przedziału, w którym znajduje się minimum 3 1.1 Metoda

Bardziej szczegółowo

2. Optymalizacja bez ograniczeń

2. Optymalizacja bez ograniczeń 2. Optymalizacja bez ograniczeń 1. Podaj definicję ścisłego minimum lokalnego zadania 2. Podaj definicję minimum lokalnego zadania 3. Podaj definicję ścisłego minimum globalnego zadania 4. Podaj definicję

Bardziej szczegółowo

Fakt 3.(zastosowanie różniczki do obliczeń przybliżonych) Przy czym błąd, jaki popełniamy zastępując przyrost funkcji

Fakt 3.(zastosowanie różniczki do obliczeń przybliżonych) Przy czym błąd, jaki popełniamy zastępując przyrost funkcji Wykład 5 De.5 (różniczka unkcji Niech unkcja ma pochodną w punkcie. Różniczką unkcji w punkcie nazywamy unkcję d zmiennej określoną wzorem. Fakt 3.(zastosowanie różniczki do obliczeń przybliżonych Jeżeli

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 13. PROBLEMY OPTYMALIZACYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska PROBLEMY OPTYMALIZACYJNE Optymalizacja poszukiwanie

Bardziej szczegółowo

Wykład 6, pochodne funkcji. Siedlce

Wykład 6, pochodne funkcji. Siedlce Wykład 6, pochodne funkcji Siedlce 20.12.2015 Definicja pochodnej funkcji w punkcie Niech f : (a; b) R i niech x 0 ; x 1 (a; b), x0 x1. Wyrażenie nazywamy ilorazem różnicowym funkcji f między punktami

Bardziej szczegółowo

Aproksymacja funkcji a regresja symboliczna

Aproksymacja funkcji a regresja symboliczna Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą

Bardziej szczegółowo

11. 11. OPTYMALIZACJA KONSTRUKCJI

11. 11. OPTYMALIZACJA KONSTRUKCJI 11. OPTYMALIZACJA KONSTRUKCJI 1 11. 11. OPTYMALIZACJA KONSTRUKCJI 11.1. Wprowadzenie 1. Optymalizacja potocznie i matematycznie 2. Przykład 3. Kryterium optymalizacji 4. Ograniczenia w zadaniach optymalizacji

Bardziej szczegółowo

Kubatury Gaussa (całka podwójna po trójkącie)

Kubatury Gaussa (całka podwójna po trójkącie) Kubatury Gaussa (całka podwójna po trójkącie) Całka podwójna po trójkącie Dana jest funkcja dwóch zmiennych f (x, y) ciągła i ograniczona w obszarze trójkątnym D. Wierzchołki trójkąta wyznaczają punkty

Bardziej szczegółowo

Metody przybliżonego rozwiązywania równań różniczkowych zwyczajnych

Metody przybliżonego rozwiązywania równań różniczkowych zwyczajnych Metody przybliżonego rozwiązywania równań różniczkowych zwyczajnych Rozwiązywanie równań różniczkowych zwyczajnych za pomocą szeregów metody dyskretne Metoda współczynników nieoznaczonych Metoda kolejnego

Bardziej szczegółowo

Pochodna funkcji. Zastosowania

Pochodna funkcji. Zastosowania Pochodna funkcji Zastosowania Informatyka (sem.1 2015/16) Analiza Matematyczna Temat 3 1 / 33 Niektóre zastosowania pochodnych 1 Pochodna jako narzędzie do przybliżania wartości 2 Pochodna jako narzędzie

Bardziej szczegółowo

Całkowanie numeryczne

Całkowanie numeryczne Całkowanie numeryczne Poniżej omówione zostanie kilka metod przybliżania operacji całkowania i różniczkowania w szczególności uzależnieniu pochodnej od jej różnic skończonych gdy równanie różniczkowe mamy

Bardziej szczegółowo

METODA SYMPLEKS. Maciej Patan. Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski

METODA SYMPLEKS. Maciej Patan. Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski METODA SYMPLEKS Maciej Patan Uniwersytet Zielonogórski WSTĘP Algorytm Sympleks najpotężniejsza metoda rozwiązywania programów liniowych Metoda generuje ciąg dopuszczalnych rozwiązań x k w taki sposób,

Bardziej szczegółowo

Metody systemowe i decyzyjne w informatyce

Metody systemowe i decyzyjne w informatyce Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 3 autorzy: A. Gonczarek, J.M. Tomczak Zbiory i funkcje wypukłe Zad. 1 Pokazać, że następujące zbiory są wypukłe: a) płaszczyzna S = {x

Bardziej szczegółowo

Metoda gradientu prostego

Metoda gradientu prostego Metoda gradientu prostego Metoda gradientu prostego jest pojęciem z zakresu optymalizacji matematycznej. Jest to algorytm numeryczny mający na celu znalezienie minimum zadanej funkcji celu. Jest to jedna

Bardziej szczegółowo

8. PODSTAWY ANALIZY NIELINIOWEJ

8. PODSTAWY ANALIZY NIELINIOWEJ 8. PODSTAWY ANALIZY NIELINIOWEJ 1 8. 8. PODSTAWY ANALIZY NIELINIOWEJ 8.1. Wprowadzenie Zadania nieliniowe mają swoje zastosowanie na przykład w rozwiązywaniu cięgien. Przyczyny nieliniowości: 1) geometryczne:

Bardziej szczegółowo

Komputerowa analiza zagadnień różniczkowych 3. Metody Eulera, metody punktu środkowego i metody trapezowe

Komputerowa analiza zagadnień różniczkowych 3. Metody Eulera, metody punktu środkowego i metody trapezowe Komputerowa analiza zagadnień różniczkowych 3. Metody Eulera, metody punktu środkowego i metody trapezowe P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2011 Problem Cauchy ego dy dx = f(x, y) (1) y(x

Bardziej szczegółowo

Wyznaczanie miejsc zerowych funkcji

Wyznaczanie miejsc zerowych funkcji Wyznaczanie miejsc zerowych funkcji Piotr Modliński 6 października 010 Spis treści 1 Wstęp 1 Metody iteracyjne 1.1 Zbieżność metody............ Lokalizacja zer.............3 Metody odnajdywania zer.......3.1

Bardziej szczegółowo

1. Znajdowanie miejsca zerowego funkcji metodą bisekcji.

1. Znajdowanie miejsca zerowego funkcji metodą bisekcji. 1. Znajdowanie miejsca zerowego funkcji metodą bisekcji. Matematyczna funkcja f ma być określona w programie w oddzielnej funkcji języka C (tak, aby moŝna było łatwo ją zmieniać). Przykładowa funkcja to:

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Technologie informatyczne

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Technologie informatyczne Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Technologie informatyczne Interpolacja metoda funkcji sklejanych Materiały pomocnicze do ćwiczeń laboratoryjnych

Bardziej szczegółowo

Notatki z Analizy Matematycznej 2. Jacek M. Jędrzejewski

Notatki z Analizy Matematycznej 2. Jacek M. Jędrzejewski Notatki z Analizy Matematycznej 2 Jacek M. Jędrzejewski Definicja 3.1. Niech (a n ) n=1 będzie ciągiem liczbowym. Dla każdej liczby naturalnej dodatniej n utwórzmy S n nazywamy n-tą sumą częściową. ROZDZIAŁ

Bardziej szczegółowo

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Trening jednokierunkowych sieci neuronowych wykład 2. dr inż. PawełŻwan Katedra Systemów Multimedialnych Politechnika Gdańska

Bardziej szczegółowo

Pochodną funkcji w punkcie nazywamy granicę ilorazu różnicowego w punkcie gdy przyrost argumentu dąży do zera: lim

Pochodną funkcji w punkcie nazywamy granicę ilorazu różnicowego w punkcie gdy przyrost argumentu dąży do zera: lim Definicja pochodnej Niech będzie funkcją określoną w pewnym przedziale i niech będzie punktem wewnętrznym tego przedziału. Liczbę dowolną, ale taką, że nazywamy przyrostem argumentu, a różnicę nazywamy

Bardziej szczegółowo

2. Równania nieliniowe i ich uk lady

2. Równania nieliniowe i ich uk lady Metoda Newtona stycznych dla równania f(x) 0: x n+ x n f(x n) f (x n ) Chcemy rozwia ι zać uk lad N równań dla N niewiadomych f (x,x,,x N ) 0 f (x,x,,x N ) 0, f N (x,x,,x N ) 0 krócej: Czy jest jakaś analogia?

Bardziej szczegółowo

Grafika komputerowa Wykład 7 Modelowanie obiektów graficznych cz. I

Grafika komputerowa Wykład 7 Modelowanie obiektów graficznych cz. I Grafika komputerowa Wykład 7 Modelowanie obiektów graficznych cz. I Instytut Informatyki i Automatyki Państwowa Wyższa Szkoła Informatyki i Przedsiębiorczości w Łomży 2 0 0 9 Spis treści Spis treści 1

Bardziej szczegółowo

Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11,

Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11, 1 Kwantyzacja skalarna Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11, 10.05.005 Kwantyzacja polega na reprezentowaniu dużego zbioru wartości (być może nieskończonego) za pomocą wartości

Bardziej szczegółowo

Pochodna funkcji odwrotnej

Pochodna funkcji odwrotnej Pochodna funkcji odwrotnej Niech będzie dana w przedziale funkcja różniczkowalna i różnowartościowa. Wiadomo, że istnieje wówczas funkcja odwrotna (którą oznaczymy tu : ), ciągła w przedziale (lub zależnie

Bardziej szczegółowo

RÓŻNICZKOWANIE FUNKCJI WIELU ZMIENNYCH: rachunek pochodnych dla funkcji wektorowych. Pochodne cząstkowe funkcji rzeczywistej wielu zmiennych

RÓŻNICZKOWANIE FUNKCJI WIELU ZMIENNYCH: rachunek pochodnych dla funkcji wektorowych. Pochodne cząstkowe funkcji rzeczywistej wielu zmiennych RÓŻNICZKOWANIE FUNKCJI WIELU ZMIENNYCH: rachunek pochodnych dla funkcji wektorowych Pochodne cząstkowe funkcji rzeczywistej wielu zmiennych wyliczamy według wzoru (x, x 2,..., x n ) f(x, x 2,..., x n )

Bardziej szczegółowo

Metody numeryczne. Instytut Sterowania i Systemów Informatycznych Wydział Elektrotechniki, Informatyki i Telekomunikacji Uniwersytet Zielonogórski

Metody numeryczne. Instytut Sterowania i Systemów Informatycznych Wydział Elektrotechniki, Informatyki i Telekomunikacji Uniwersytet Zielonogórski Metody numeryczne Instytut Sterowania i Systemów Informatycznych Wydział Elektrotechniki, Informatyki i Telekomunikacji Uniwersytet Zielonogórski Elektrotechnika stacjonarne-dzienne pierwszego stopnia

Bardziej szczegółowo

Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra

Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Uwarunkowanie zadania numerycznego Niech ϕ : R n R m będzie pewna funkcja odpowiednio wiele

Bardziej szczegółowo

WYKŁADY Z MATEMATYKI DLA STUDENTÓW UCZELNI EKONOMICZNYCH

WYKŁADY Z MATEMATYKI DLA STUDENTÓW UCZELNI EKONOMICZNYCH WYKŁADY Z MATEMATYKI DLA STUDENTÓW UCZELNI EKONOMICZNYCH Pod redakcją Anny Piweckiej Staryszak Autorzy poszczególnych rozdziałów Anna Piwecka Staryszak: 2-13; 14.1-14.6; 15.1-15.4; 16.1-16.3; 17.1-17.6;

Bardziej szczegółowo

1 Szeregi potęgowe. 1.1 Promień zbieżności szeregu potęgowego. Wydział Informatyki, KONWERSATORIUM Z MATEMATYKI, 2008/2009.

1 Szeregi potęgowe. 1.1 Promień zbieżności szeregu potęgowego. Wydział Informatyki, KONWERSATORIUM Z MATEMATYKI, 2008/2009. Szeregi potęgowe Definicja.. Szeregiem potęgowym o środku w punkcie R nazywamy szereg postaci: gdzie x R oraz c n R dla n = 0,, 2,... c n (x ) n, Przyjmujemy, że 0 0 def =. Liczby c n nazywamy współczynnikami

Bardziej szczegółowo

Optymalizacja systemów

Optymalizacja systemów Optymalizacja systemów Laboratorium - problem detekcji twarzy autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, P. Klukowski Cel zadania Celem zadania jest zapoznanie się z gradientowymi algorytmami optymalizacji

Bardziej szczegółowo

Obliczenia Naukowe. Wykład 12: Zagadnienia na egzamin. Bartek Wilczyński

Obliczenia Naukowe. Wykład 12: Zagadnienia na egzamin. Bartek Wilczyński Obliczenia Naukowe Wykład 12: Zagadnienia na egzamin Bartek Wilczyński 6.6.2016 Tematy do powtórki Arytmetyka komputerów Jak wygląda reprezentacja liczb w arytmetyce komputerowej w zapisie cecha+mantysa

Bardziej szczegółowo

Wstęp do metod numerycznych 9. Miejsca zerowe wielomianów. P. F. Góra

Wstęp do metod numerycznych 9. Miejsca zerowe wielomianów. P. F. Góra Wstęp do metod numerycznych 9. Miejsca zerowe wielomianów P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2014 Podstawowe Twierdzenie Algebry Rozwiazywanie równań wielomianowych P n (z) = a n z n + a n

Bardziej szczegółowo

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI I. KARTA PRZEDMIOTU. Nazwa przedmiotu: Matematyka III. Kod przedmiotu:. Jednostka prowadząca: Wydział Nawigacji i Uzbrojenia Okrętowego. Kierunek: Informatyka 5. Specjalność: Systemy wspomagania decyzji\technologie

Bardziej szczegółowo

MATEMATYKA I SEMESTR WSPIZ (PwZ) 1. Ciągi liczbowe

MATEMATYKA I SEMESTR WSPIZ (PwZ) 1. Ciągi liczbowe MATEMATYKA I SEMESTR WSPIZ (PwZ). Ciągi liczbowe.. OKREŚLENIE Ciąg liczbowy = Dowolna funkcja przypisująca liczby rzeczywiste pierwszym n (ciąg skończony), albo wszystkim (ciąg nieskończony) liczbom naturalnym.

Bardziej szczegółowo

S Y L A B U S P R Z E D M I O T U

S Y L A B U S P R Z E D M I O T U "Z A T W I E R D Z A M Prof. dr hab. inż. Radosław TRĘBIŃSKI dm Dziekan Wydziału Mechatroniki i Lotnictwa Warszawa, dnia... S Y L A B U S P R Z E D M I O T U NAZWA PRZEDMIOTU: NUMERYCZNE METODY OBLICZENIOWE

Bardziej szczegółowo

Funkcje analityczne. Wykład 3. Funkcje holomorficzne. Paweł Mleczko. Funkcje analityczne (rok akademicki 2016/2017) z = x + iy A

Funkcje analityczne. Wykład 3. Funkcje holomorficzne. Paweł Mleczko. Funkcje analityczne (rok akademicki 2016/2017) z = x + iy A Funkcje analityczne Wykład 3. Funkcje holomorficzne Paweł Mleczko Funkcje analityczne (rok akademicki 206/207) Funkcje zespolone zmiennej zespolonej Funkcje zespolone zmiennej zespolonej Niech A C. Funkcja

Bardziej szczegółowo

) a j x j b; x j binarne (j N) całkowitoliczbowe; przyjmujemy (bez straty ogólności): c j > 0, 0 <a j b (j N), P n

) a j x j b; x j binarne (j N) całkowitoliczbowe; przyjmujemy (bez straty ogólności): c j > 0, 0 <a j b (j N), P n PDczęść4 8. Zagadnienia załadunku 8.1 Klasyczne zagadnienia załadunku (ozn. N = {1, 2,..., n} Binarny problem ( (Z v(z =max c j x j : a j x j b; x j binarne (j N zakładamy, że wszystkie dane sa całkowitoliczbowe;

Bardziej szczegółowo

Wstęp do metod numerycznych 11. Całkowanie numeryczne

Wstęp do metod numerycznych 11. Całkowanie numeryczne Wstęp do metod numerycznych 11. Całkowanie numeryczne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2011/12 Całka oznaczona Obliczanie całek oznaczonych jest (lub też raczej, było) jednym z głównych

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze

Bardziej szczegółowo