liniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym.

Wielkość: px
Rozpocząć pokaz od strony:

Download "liniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym."

Transkrypt

1 =DGDQLHSROHJDMFHQDSRV]XNLZDQLXPDNV\PDOQHMOXEPLQLPDOQHMZDUWRFLIXQNFMLZLHOX ]PLHQQ\FKSU]\MHGQRF]HVQ\PVSHáQLHQLXSHZQHMLORFLQDáR*RQ\FKZDUXQNyZ UyZQDOXE QLHUyZQRFLQRVLQD]Z]DGDQLDRSW\PDOL]DF\MQHJROXE]DGDQLDSURJUDPRZDQLD matematycznego. =DGDQLHWRPR*QDVIRUPXáRZDüQDVWSXMFR =QDOH(üHNVWUHPXPIXQNFMLZLHOX]PLHQQ\FKQD]\ZDQHMIXQNFMFHOX ) Z = F(,,... n ) VSHáQLDMFMHGQRF]HQLHRJUDQLF]HQLD UyZQRFL (,,... n ) b f =, =...m, LQLHUyZQRFL j (,,... n ) b j f, j=...k. Zmenne QD]\ZDQHVzmennym decyzyjnym ( lub projektowym). -H*HOLIXQNFMDFHOXLRJUDQLF]HQLDVIXQNFMDPLOLQLRZ\PLWRPyZLP\RSURJUDPRZDQLX lnowym w przecwnym przypadku mówmy o programowanu nelnowym. ZQDQ\FKMHVWZLHOHPHWRGUR]ZL]\ZDQLDW\FK]DJDGQLH6]F]HJyOQH]QDF]HQLHPDMPHWRG\ QXPHU\F]QHSR]ZDODMFHQD]QDOH]LHQLHSRV]XNLZDQHJRHNVWUHPXP]ZLNV]OXEPQLHMV] GRNáDGQRFL 6]XNDQLHHNVWUHPXPIXQNFMLPR*QD]DZV]HSU]HGVWDZLüMDNRSUREOHPPLnmalzacj. RV]XNLZDQLHPDNVLPXPPR*HP\]DVWSLüSRV]XNLZDQLHPPLQLPXPIXQNFMLSRPQR*RQHM przez. 0LQLPDOL]DFMDIXQNFMLSU]\EUDNXRJUDQLF]H :LNV]RüDOJRU\WPyZUR]ZL]XMF\FKSUREOHPPLQLPDOL]DFMLIXQNFMLWRDOJRU\WP\ teracyjne. :\PDJDMRQHRNUHOHQLDSXQNWXVWDUWRZHJR o DQDVWSQLHZNROHMQ\FKNURNDFK LWHUDF\MQ\FKWZRU]\VLFLJUR]ZL]D k WDNLFK*HSXQNW k+ MHVWOHSV]\PSU]\EOL*HQLHP UR]ZL]DQLDRSW\PDOQHJRZSRUyZQDQLX]UR]ZL]DQLHP k ]QDF]DWR*H]DFKRG]L k+ ) F( ) < F( ). DMF]FLHMVWRVRZDQHPHWRG\PLQLPDOL]DFMLSROHJDMQDSU]HV]XNLZDQLXSU]HVWU]HQL ]PLHQQ\FKSURMHNWRZDQLDZ]GáX*SHZQ\FKSURVW\FK]ZDQ\FKNLHUXQNDPLSRV]XNLZD RZHSU]\EOL*HQLHSRV]XNLZDQHJRSXQNWXUR]ZL]DQLDRWU]\P\ZDQHMHVW]JRGQLH] ]DOH*QRFL ( k+ ) = + α s ( ), gdze: wektor sr]qdf]dnlhuxqhnsrv]xnlzd]dαzlhonrünurnxzw\pnlhuxqnx F]\ZLFLHNLHUXQHNsPXVLZ\]QDF]DüNLHUXQHN]PQLHMV]DQLDVLIXQNFMLFHOXZSU]HVWU]HQL projektowana. -H*HOLIXQNFMDFHOXMHVWUy*QLF]NRZDOQDZDUXQHNWHQPR*QD]DSLVDüZSRVWDFL s F( ) < 0,

2 -q k k+.d*g\]lwhudf\mq\fknurnyz]dzlhudgzdhwds\:slhuzv]\p]rvwdmhz\]qdf]rq\nlhuxqhn (k ) (k ) (k ) SRV]XNLZD s w punkce ]DZHWDSLHGUXJLPRNUHODVLZLHONRüNURNXα na ( k+) SRGVWDZLHNWyUHJRZ\]QDF]DVLQRZ\SXQNW :LHONRüNURNXPR*HE\üSU]\MWD DUELWUDOQLHOXEWH*MHVWZ\]QDF]RQDQDGURG]HPLQLPDOL]DFMLIXQNFMLZ]GáX*NLHUXQNX SRV]XNLZD s k ) Φ( α ) = F( + αs F( k+ ) (k ) :SURZDG(P\IXQNFMSDUDPHWUXα ( ) = m nf( α ) SW\PDOQDGáXJRüNURNXWRWDNDGODNWyUHMVSHáQLRQ\MHVWZDUXQHN + αs ) = m nφ( α) α dφ =DWHPZND*G\PNURNXLWHUDF\MQ\PPHWRGDZ\PDJDUR]ZL]DQLDUyZQDQLD = 0. dα àdwzrpr*qdz\nd]dü*hsu]\uyzqdqlhgr]hudsrfkrgqhmixqnfmlφ po parametrze α jest ( k+ ) UyZQRZD*QHUyZQDQLX s F( ) = 0, FRR]QDF]D*HZSXQNFLH k+ wektor wzrostu ( k +) F( ) MHVWSURVWRSDGá\GRNLHUXQNXSRV]XNLZD Oznaczmy gradent funkcj celu przez wektor qrql*hmsu]hgvwdzlrqdmhvwloxvwudfmd ]EOL*DQLDVLGRPLQLPXPIXQNFMLFHOXPHWRGQDMV]\EV]HJRVSDGNX.U]\ZHSU]HGVWDZLDM warstwce funkcj celu. k -q k+ s k RGVWDZRZPHWRGSRV]XNLZDQLDPLQLPXPIXQNFMLEH]RJUDQLF]HMHVWPHWRGD QDMV]\EV]HJRVSDGNXZNWyUHM]DNLHUXQHNSRV]XNLZDSU]\MPXMHVLXMHPQ\ZHNWRU gradentu mnmalzowanej funkcj. s = F( ), -HVWRF]\ZLVWH*HNROHMQHNLHUXQNLSRV]XNLZDZPHWRG]LHQDMZLNV]HJRVSDGNXVGRVLHELH provwrsdgáh*hqhurzdqhzf]dvlhsu]helhjxdojru\wpxnlhuxqnlsrv]xnlzdpdmfkdudnwhu Ä]\J]DNRZDW\ FRVWDQRZLSRGVWDZRZZDGWHMPHWRG\,QQH]QDQHPHWRG\HZWRQD JUDGLHQWXVSU]*RQHJRLWSZUy*Q\VSRVyEOLNZLGRZDá\WZDG]PQLHMV]DMFV]\ENRü zblh*qrfl

3 Mnmalzacja funkcj z ogranczenam :Z\SDGNXZ\VWSRZDQLDRJUDQLF]HZSRVWDFLQLHUyZQRFLLUyZQDNWyUHPDMDVSHáQLDü zmenne projektowe ( zmenne decyzyjne) mamy odczynena z zadanem optymalzacj z ogranczenam. Obszar wsu]hvwu]hql]plhqq\fksurmhnwrz\fkmhvwrjudqlf]rq\su]h]sádv]f]\]q\z Z\SDGNXRJUDQLF]HOLQLRZ\FKOXESRZLHU]FKQLHZZ\SDGNXRJUDQLF]HQLHOLQLRZ\FK :\]QDF]HQLHPLQLPXP]]DJDGQLHQLXZRSW\PDOL]DFML]RJUDQLF]HQLDPLPR*QD SU]HSURZDG]LüQDZLHOHVSRVREyZJUDQLF]P\VLGRRSLVDQLDWU]HFK. Perwszym sposobem jest sprowadzene problemu z ogranczenam do problemu bez RJUDQLF]HSU]H]WUDQVIRUPDFMH]PLHQQ\FKQLH]DOH*Q\FKGHF\]\MQ\FKSURMHNWRZ\FK Metoda ta jest zwykle stosowana tylko do przypadkózjg\]plhqqhqlh]doh*qhv RJUDQLF]RQH]JyU\L]GRáXSU]H]VWDáHZDUWRFLOLF]ERZH U]\NáDGRZRMH*HOLRJUDQLF]HQLHPDSRVWDü l p to po wprowadzenu nowych zmennych _ : = l + ( p l )sn _. otrzymamy zagadnene optymalzacj funkcj celu dla zmennych _ EH]RJUDQLF]H. 'UXJLPVSRVREHPMHVWPRG\ILNDFMDIXQNFMLFHOXSU]H]ZSURZDG]HQLHGRQLHMZ\UD*HQLD UHSUH]HQWXMFHJRNDU]SU]HNURF]HQLHRJUDQLF]HDVWSQLHGRWDN]PLHQLRQHMIXQkcj VWRVXMHP\MHGQ]PHWRGSRV]XNLZDQLDHNVWUHPXPEH]RJUDQLF]H0R*QDZ\ND]Dü*H FLJUR]ZL]D]DJDGQLHQLDEH]RJUDQLF]HGODFLJXÄFRUD]PRFQLHMV]\FK IXQNFMLNDU\ MHVW]ELH*Q\GRUR]ZL]DQLD]DJDGQLHQLDRSW\PDOL]DFML]RJUDQLF]HQLDPL b() b () b () b o () Xo- Obszar rozw]d dopuszczalnych IlustracMD]DVDG\WZRU]HQLDFLJX]HZQWU]Q\FKIXQNFMLNDU\. 7U]HFLPVSRVREHPMHVWPRG\ILNDFMDNLHUXQNXSRV]XNLZDZRWRF]HQLXRJUDQLF]HEG( SU]H]JHQHURZDQLHNLHUXQNXGRSXV]F]DOQHJRDQDVWSQLHSRV]XNLZDZREV]DU]H GRSXV]F]DOQ\PZ]GáX*WHJRNLHUXQNXEG(WH* przez rzutowane kerunku gradentu na SRZLHU]FKQLVW\F]QGRRJUDQLF]H,VWQLHMRF]\ZLFLHLQQHPHWRG\SRV]XNLZDQLDHNVWUHPXPWXQLHZ\PLHQLRQH

4 4 U]\NáDGSURJUDPRZDQLDOLQLRZHJR U]HSURZDG]LP\RSW\PDOL]DFM]\VNXGOD]DNáDGXSURGXNXMFHJRGZDW\S\Sáyt SRGáRJRZ\FK E\GZDW\S\Z\PDJDM]X*\FLDMHGQDNRZHMLORFLGRVWSQ\FKEH]RJUDQLF]HWDNLFK surowców jak woda pasek, cement. 7\S,MHVWEDUZQ\LSRWU]HEQDMHVWSHZQDLORüEDUZQLNDQDMHJRZ\SURGXNRZDQLH =DNáDGSURGXNF\MQ\PDRJUDQLF]RQLORüEDUZQLNDUyZQOGRVWSQLORüF]DVXSUDF\ PDV]\QZ\QRV]FJRG]LQLF]DVXSUDF\OXG]LRNUHORQQDJRG]LQ\ :LDGRPR*HZ\SURGXNRZDQLHWRQ\Sá\WW\SX,NRORURZ\FKZ\PDJD godzn pracy maszyn, godzn pracy ludzkej ltrów barwnka. WypURGXNRZDQLHWRQ\Sá\WW\SX,,Z\PDJDQDWRPLDVW godzn pracy maszyn godzn pracy ludzkej. =\VNQDWRQLHSá\WW\SX,Z\QRVL]áDQDWRQLHSá\WW\SX,,]á,QWHUHVXMHQDV]DSODQRZDQLHSURGXNFMLPDNV\PDOL]XMFH]\VN VNáDGQLNL, ZLHONRFLGRVWSQH maszyny 0 praca ludzka 4 barwnk 0 8 zysk 6IRUPXáXMP\SUREOHPZSRVWDFLPDWHPDW\F]QHM=QDOH(üPDNVLPXPIXQNFMLOLQLRZHM Z = + przy ogranczenach : 0, 0, REV]DUUR]ZL]D dopuszczalnych

5 5 /LQLHSU]HU\ZDQHWRZDUVWZLFHIXQNFML]\VNXRGSRZLHGQLRRSR]LRPLH]\VNXL]á URVWDQDMGDOHMRGOHJáDRGSRF]WNXXNáDGXZVSyáU]GQ\FKSU]HGVWDZLDMFDZDUVWZLFIXQNFML ]\VNX= URVWDWDVW\NDVLW\ONRZMHGQ\PSXQNFLH]REV]DUHPUR]ZL]D GRSXV]F]DOQ\FK-HVWWRSXQNWRZVSyáU]GQ\FK[ L[ ]QDF]DWR*HRWU]\PDOLP\ JUDILF]QHUR]ZL]DQLH]DGDQLDRSW\PDOL]DFML 5R]ZL]DQLH ZLHONRFL ZLHONRFL skádgqlnl, GRVWSQH wykorzystane = =6 maszyny *=4 *6=6 0 0 praca ludzka *=6 *6=8 4 4 barwnk *= zysk *=6 *6= 8.RORUHPF]HUZRQ\PZ\Uy*QLRQRRJUDQLF]HQLDDNW\ZQH :HNWRUSURVWRSDGá\GROLQLLZDUVWZLFMHVWZHNWRUHPQDMV]\EV]HJRZ]URVWXIXQNFMLFHOX Jest on równy gradentow funkcj celu. F = F /, F / ] [,], [ = U]HGVWDZP\SRQRZQLHUR]ZL]DQLHPHWRGWHJR]DGDQLDW\PUD]HPPHWRG PRG\ILNDFMLNLHUXQNXSRV]XNLZDZRWRF]HQLXRJUDQLF]H. $OJRU\WPGRFKRG]HQLDGRUR]ZL]DQLDMHVWQDVWSXMF\

6 6. :\ELHUDP\GRZROQHZDUWRFL]PLHQQ\FKVSHáQLDMF\FKZDUXQNLRJUDQLF]DMF: LQWHUSUHWDFMLJUDILF]QHMR]QDF]DWR*HZ\ELHUDP\SHZLHQVWDUWRZ\SXQNWOH*F\Z REV]DU]HUR]ZL]D dopuszczalnych.. 6]XNDP\QDVWSQLHOHSV]HJRUR]ZL]DQLD/HSV]HUR]ZL]DQLHEG]LHOH*DáRZNLHUXQNX najszybszego wzrostu funkcj celu. Kerunek najszybszego wzrostu funkcj celu wyznacza wektor gradentu. W przypadku lnowej funkcj celu ( wykres jej jevwsádv]f]\]q QDVWSQ\SXQNWZSU]HVWU]HQL]PLHQQ\FKGDMF\QDMZLNV]ZDUWRüIXQNFMLFHOXEG]LH VL]QDMGRZDáPR*OLZLHQDMGDOHMRGVWDUWRZHJRDOHQLHGDOHMQL*SR]ZROQDWR ogranczena...rohmq\sxqnweg]lhsrv]xnlzdq\z]gáx*judqlf\rev]duxur]zl]dgrsxv]f]doq\fkz kerunku wzrostu funkcj celu. SLVPHWRG\UR]ZL]DQLD]DGDQLD U]\MPLMP\SXQNWVWDUWRZ\OH*F\Z]ELRU]HUR]ZL]DGRSXV]F]DOQ\FK QS$RZVSyáU]Gnych, 0 { 0} = {,0} wektor gradentu funkcj celu wynos: { gradf ( ) } = {,} Szukamy nowego punktu w kerunku najszybszego wzrostu funkcj celu. :VSyáU]GQHQRZHJRSXQNWXZ\QRV] 0 { } = + λ

7 7 gdze: λ oznacza neznany parametr. RZ\SXQNWPXVLOH*HüZ]ELRU]HUR]ZL]DGRSXV]F]DOQ\FKFRR]QDF]D*HVSHáQLRQHPXV] E\üZV]\VWNLHQLHUyZQRFLRJUDQLF]DMFH RGVWDZLDMFNROHMQRZVSyáU]GQHQRZHJRSXQNW\GRQLHUyZQRFLRJUDQLF]DMF\FK RWU]\PDP\Uy*QHZDUWRFLRJUDQLF]DMFHSarametr λ. 0 {, } λ, λ λ 'ODQDMPQLHMV]HMZDUWRFLSDUDPHWUXλQRZ\SXQNWOH*\QDEU]HJX]ELRUXUR]ZL]D GRSXV]F]DOQ\FK-HVWWRSXQNW%RZVSyáU]GQ\FKR]RVWDá\PGZyPRJUDQLF]HQLRP SDUDPHWUXRGSRZLDGDMSXQNW\&L'OH*FHQDSRZLHU]FKQLDFKRJUDQLF]HDNWXDOQLHQLH aktywnych. DVWSQ\PNURNLHPMHVWZ\]QDF]HQLHQRZHJRNLHUXQNXSRV]XNLZDRZ\NLHUXQHN Z\ELHUDP\]HZV]\VWNLFKNLHUXQNyZOH*F\FKQDDNW\ZQ\PRJUDnczenu ( w naszym SU]\NáDG]LHQDSURVWHMRUyZQDQLX[ L]DSHZQLDMF\FKQDMV]\EV]\Z]URVWDMV]\EV]\ Z]URVW]DSHZQLNLHUXQHNNWyUHJRZHNWRUDRQDMZLNV]\PLORF]\QLHVNDODUQ\P]ZHNWRUHP gradentu funkcj celu. 0R*HP\UR]SDWU]\üGZDZHNWRU\OH*FHQD prostej =8 { r } = { 0,} r = 0, { } { } LORF]\Q\VNDODUQHZ\QRV]RGSRZLHGQLR gradf ( ), = = { gradf ( ) } = {,} = { } { } :ádflz\pnlhuxqnlhpmhvwzlfzhnwru{ r } { 0,} 'DOHMZ\]QDF]DP\GáXJRüNURNXRNUHODMF parametr λ podobne jak poprzedno. RZHSRáR*HQLHSXQNWXRNUHODUyZQDQLH 4 0 { } = + λ :VSyáU]GQHSXQNWXSRGVWDZLDP\GRRJUDQLF]HLZ\]QDF]DP\SDUDPHWUλ. Otrzymujemy λ= 0/ dla ogranczena + =4 λ= 4/ dla ogranczena + =0. = 0QLHMV]DZDUWRüSDUDPHWUXGDMHSXQNW&OH*F\Z]ELRU]HUR]ZL]DGRSXV]F]DOQ\FK :NROHMQ\PNURNXSRV]XNXMHP\NLHUXQNXOH*FHJRQDQRZ\PRJUDQLF]HQLXDNW\ZQ\P + =0. RVWSXMFDQDORJLF]QLHMDNSRSU]HGQLRGRFKRG]LP\GRSXQNWX*.D*G\ZHNWRUMHGQRVWNRZ\Z\VWDZLRQ\ZSXQNFLH*QLHOH*F\QD]HZQWU]]ELRUX UR]ZL]DGRSXV]F]DOQ\FKSRPQR*RQ\VNDODUQLH]JUDGLHQWHPIXQNFMLFHOXGDMHZDUWRü XMHPQ]QDF]DWRND*GHSU]HVXQLFLHZREV]DU]HGRSXV]F]DOQ\PZ\ZRáD]PQLHMV]HQLH ZDUWRFLIXQNFMLFHOXXQNW*MHVWZLHFUR]ZL]DQLHP]DGDQLDPDNV\PDOL]DFML] ogranczenam.

8 8 Zadane :\NRU]\VWXMFDSOLNDFM([FHOUR]ZL*SUREOHPRSW\PDOL]DFML Wyznacz mnmum funkcj celu danej równanem : mn f ( ) = +, przy ogranczenach: g ( ) = + 0, g ( ) = g ( ) = 0, 0. 6SRVyEUR]ZL]DQLD ƒotwórz arkusz Ecel ƒzapsz w odpowednch komórkach: A B C D Z= =B^-B+B^-0.5*B 0 4 g =B+B- 0 5 g =-B 0 6 g =-B 0 7 :NRPyUNDFK%L%ZSLVDQRSXQNW\VWDUWRZH0RJE\üGRZROQHDOHPXV]QDOH*HüGR ]ELRUXUR]ZL]DGRSXVzczalny W komórce B jest zapsana funkcja celu. :NRPyUNDFK%%%]DSLVDQHVOHZHVWURQ\QLHUyZQRFLRJUDQLF]DMF\FK :NRPyUNDFK&&&]DSLVDQHVVWURQ\SUDZH ƒ=phqxdu]g]ldz\elhu]6royhu ƒwyberz zadane mnmum ƒzvnd*nrohmqrx*\zdmc lewego klawsza myszy : ƒnrpyun]ixqnfmfhox ƒkomórk ze zmennym ( pozwól nech program je sam odgadne) ƒgrgdmnrohmqrrjudqlf]hqldzvnd]xmfrgsrzlhgqlhnrpyunl ƒdflqlm5r]zl* ƒ:\elhu]5dsruwz\qlnyzlzflqlm. ƒprzeanalzuj wynk, obejrzyj Raport wynków ƒ:\nrqdmv]nlfzxnádg]lhzvsyáu]gq\fk[[qdu\vxmrjudqlf]hqldlsxqnw UR]ZL]XMFH]DGDQLH

9 9 Zadane :\NRU]\VWXMFDSOLNDFM([FHOUR]ZL*SUREOHPRSW\PDOL]DFML Wyznacz mnmum funkcj celu danej równanem : mn f ( ) =, przy ogranczenach: g ( ) = + g ( ) = + g ( ) = g ( ) = , 0, Zadane :\NRU]\VWXMFDSOLNDFM([FHOUR]ZL*SUREOHPRSW\PDOL]DFML Wyznacz mnmum funkcj celu danej równanem : przy ogranczenach: g ( ) = Zadane 4 mn f ( ) = ( ) + ( g ( ) = + :\NRU]\VWXMFSU]\NáDGRZH]DGDQLHSURJUDPRZDQLDOLQLRZHJRRSLVDQHQL*HMRNUHOIXQNFM celu ZDUXQNLRJUDQLF]DMFHDQDVWSQLHUR]ZL*X*\ZDMFDSOLNDFML([FHO]DGDQLDSRGREQH GRSU]\NáDGRZHJRRGDQ\FK]DSLVDQ\FKZWU]HFKtabelach pod rysunkem. ]DGDQLHSU]\NáDGRZH U]HSURZDG]LP\RSW\PDOL]DFM]\VNXGOD]DNáDGXSURGXNXMFHJRGZDW\S\Sá\WSRGáRJowych. E\GZDW\S\Z\PDJDM]X*\FLDMHGQDNRZHMLORFLGRVWSQ\FKEH]RJUDQLF]HWDNLFKVXURZFyZMDNZRGDSLDVHNFHPHQW 7\S,MHVWEDUZQ\LSRWU]HEQDMHVWSHZQDLORüEDUZQLNDQDMHJRZ\SURGXNRZDQLH =DNáDGSURGXNF\MQ\PDRJUDQLF]RQLORüEDUZQLNDUyZQOGRVWSQLORüF]DVXSUDF\PDV]\QZ\QRV]FJRG]LQL F]DVXSUDF\OXG]LRNUHORQQDJRG]LQ\ :LDGRPR*HZ\SURGXNRZDQLHWRQ\Sá\WW\SX,NRORURZ\FKZ\PDJD godzn pracy maszyn, godzn pracy ludzkej ltrów barwnka. WyprodukowanLHWRQ\Sá\WW\SX,,Z\PDJDQDWRPLDVW godzn pracy maszyn godzn pracy ludzkej. 0, 0, =\VNQDWRQLHSá\WW\SX,Z\QRVL]áDQDWRQLHSá\WW\SX,,]á,QWHUHVXMHQDV]DSODQRZDQLHSURGXNFMLPDNV\PDOL]XMFH]\VN ), VNáDGQLNL, ZLHONRFLGRVWSQH maszyny 0 praca ludzka 4 barwnk 0 8 zysk 6IRUPXáXMP\SUREOHPZSRVWDFLPDWHPDW\F]QHM=QDOH (üpdnvlpxpixqnfmlolqlrzhm Z = +

10 0 przy ogranczenach : 0, 0, REV]DUUR]ZL]D dopuszczalnych VNáDGQLNL, ZLHONRFLGRVWSQH maszyny 0 praca ludzka 4 barwnk 0 8 zysk VNáDGQLNL, ZLHONRFLGRVWSQH maszyny 0 praca ludzka 4 barwnk 0 8 zysk VNáDGQLNL, ZLHONRFLGRVWSQH maszyny 0 praca ludzka 4 4 barwnk 0 8 zysk

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe

Bardziej szczegółowo

Metody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia,

Metody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia, Metody gradentowe... Metody gradentowe poszukwana ekstremum Korzystają z nformacj o wartośc funkcj oraz jej gradentu. Wykazując ch zbeŝność zakłada sę, Ŝe funkcja celu jest ogranczona od dołu funkcją wypukłą

Bardziej szczegółowo

Wykład IX Optymalizacja i minimalizacja funkcji

Wykład IX Optymalizacja i minimalizacja funkcji Wykład IX Optymalzacja mnmalzacja funkcj Postawene zadana podstawowe dee jego rozwązana Proste metody mnmalzacj Metody teracj z wykorzystanem perwszej pochodnej Metody teracj z wykorzystanem drugej pochodnej

Bardziej szczegółowo

Optymalizacja belki wspornikowej

Optymalizacja belki wspornikowej Leszek MIKULSKI Katedra Podstaw Mechank Ośrodków Cągłych, Instytut Mechank Budowl, Poltechnka Krakowska e mal: ps@pk.edu.pl Optymalzacja belk wspornkowej 1. Wprowadzene RozwaŜamy zadane optymalnego kształtowana

Bardziej szczegółowo

Metody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1

Metody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1 Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Metody oblczenowe wykład nr metody rozwązywana równań nelnowych zadane optymalzacj Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Postać równana

Bardziej szczegółowo

Modelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja

Modelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest

Bardziej szczegółowo

ORGANIZACJA ZAJĘĆ OPTYMALIZACJA GLOBALNA WSTĘP PLAN WYKŁADU. Wykładowca dr inż. Agnieszka Bołtuć, pokój 304, e-mail: aboltuc@ii.uwb.edu.

ORGANIZACJA ZAJĘĆ OPTYMALIZACJA GLOBALNA WSTĘP PLAN WYKŁADU. Wykładowca dr inż. Agnieszka Bołtuć, pokój 304, e-mail: aboltuc@ii.uwb.edu. ORGANIZACJA ZAJĘĆ Wykładowca dr nż. Agneszka Bołtuć, pokój 304, e-mal: aboltuc@.uwb.edu.pl Lczba godzn forma zajęć: 15 godzn wykładu oraz 15 godzn laboratorum 15 godzn projektu Konsultacje: ponedzałk 9:30-11:00,

Bardziej szczegółowo

Nieliniowe zadanie optymalizacji bez ograniczeń numeryczne metody iteracyjne optymalizacji

Nieliniowe zadanie optymalizacji bez ograniczeń numeryczne metody iteracyjne optymalizacji Nelnowe zadane optymalzacj bez ogranczeń numeryczne metody teracyjne optymalzacj mn R n f ( ) = f Algorytmy poszuwana mnmum loalnego zadana programowana nelnowego: Bez ogranczeń Z ogranczenam Algorytmy

Bardziej szczegółowo

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 Sztuczne sec neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyk, p. 311 Wykład 6 PLAN: - Repetto (brevs) - Sec neuronowe z radalnym funkcjam bazowym Repetto W aspekce archtektury: zajmowalśmy

Bardziej szczegółowo

Klasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5

Bardziej szczegółowo

Minimalizacja globalna. Algorytmy genetyczne i ewolucyjne.

Minimalizacja globalna. Algorytmy genetyczne i ewolucyjne. Mnmalzacja globalna Algorytmy genetyczne ewolucyjne. Lnearyzacja nelnowego operatora g prowadz do przyblżonych metod rozwązywana zagadnena odwrotnego. Wynk takej nwersj jest slne uzależnony od wyboru modelu

Bardziej szczegółowo

Analiza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH

Analiza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa.   PARA ZMIENNYCH LOSOWYCH Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy

Bardziej szczegółowo

( ) Elementy rachunku prawdopodobieństwa. f( x) 1 F (x) f(x) - gęstość rozkładu prawdopodobieństwa X f( x) - dystrybuanta rozkładu.

( ) Elementy rachunku prawdopodobieństwa. f( x) 1 F (x) f(x) - gęstość rozkładu prawdopodobieństwa X f( x) - dystrybuanta rozkładu. Elementy rchunku prwdopodoeństw f 0 f() - gęstość rozkłdu prwdopodoeństw X f d P< < = f( d ) F = f( tdt ) - dystryunt rozkłdu E( X) = tf( t) dt - wrtość średn D ( X) = E( X ) E( X) - wrncj = f () F ()

Bardziej szczegółowo

I. Elementy analizy matematycznej

I. Elementy analizy matematycznej WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem

Bardziej szczegółowo

Pattern Classification

Pattern Classification attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter

Bardziej szczegółowo

65120/ / / /200

65120/ / / /200 . W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę

Bardziej szczegółowo

Minimalizacja globalna, algorytmy genetyczne i zastosowanie w geotechnice

Minimalizacja globalna, algorytmy genetyczne i zastosowanie w geotechnice Mnmalzacja globalna, algorytmy genetyczne zastosowane w geotechnce Metoda sejsmczna Metoda geoelektryczna Podstawowy podzał ZAGADNIENIE PROSTE (ang. forward problem) model + parametry modelu dane (ośrodek,

Bardziej szczegółowo

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są

Bardziej szczegółowo

Egzamin poprawkowy z Analizy II 11 września 2013

Egzamin poprawkowy z Analizy II 11 września 2013 Egzamn poprawkowy z nalzy II 11 wrześna 13 Uwag organzacyjne: każde zadane rozwązujemy na osobnej kartce Każde zadane należy podpsać menem nazwskem własnym oraz prowadzącego ćwczena Na wszelk wypadek prosmy

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =

Bardziej szczegółowo

Ś ź ć ź ć Ź ć ź ć Ą ć ć ć Ą ć ź ć ź ć Ś ć ć ć ć Ą Ą ć ć ć ć ć ć Ś ć Ź ć ć Ą ć ó ń ć ć ó ć ó ń ć ć ć ó ó ń ć ó Śń ó ó ć ó ó ó ó ć ó ń ó ó ó ó Ą ć ź ó ó ó ń ó ó ń ó ó ó ź ó ó ó ó Ść ć Ą ź ć ć ć ć Ś Ą ć ć

Bardziej szczegółowo

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4 Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =

Bardziej szczegółowo

f(x, y) = arctg x y. f(u) = arctg(u), u(x, y) = x y. x = 1 1 y = y y = 1 1 +

f(x, y) = arctg x y. f(u) = arctg(u), u(x, y) = x y. x = 1 1 y = y y = 1 1 + Różnczkowalność pocodne Ćwczene. Znaleźć pocodne cz astkowe funkcj f(x, y) = arctg x y. Rozw azane: Wdać, że funkcj f można napsać jako f(u(x, y)) gdze f(u) = arctg(u), u(x, y) = x y. Korzystaj ac z reg

Bardziej szczegółowo

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.

Bardziej szczegółowo

Wprowadzenie. Support vector machines (maszyny wektorów wspierających, maszyny wektorów nośnych) SVM służy do: Zalety metody SVM

Wprowadzenie. Support vector machines (maszyny wektorów wspierających, maszyny wektorów nośnych) SVM służy do: Zalety metody SVM SVM Wprowadzene Support vector machnes (maszyny wektorów wsperających, maszyny wektorów nośnych) SVM służy do: w wersj podstawowej klasyfkacj bnarnej w wersj z rozszerzenam regresj wyboru najważnejszych

Bardziej szczegółowo

Metody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1

Metody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1 Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Metody oblczenowe wykład nr metody rozwązywana równań nelnowych zadane optymalzacj Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Postać równana

Bardziej szczegółowo

2012-10-11. Definicje ogólne

2012-10-11. Definicje ogólne 0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj

Bardziej szczegółowo

Różniczkowalność, pochodne, ekstremum funkcji. x 2 1 x x 2 k

Różniczkowalność, pochodne, ekstremum funkcji. x 2 1 x x 2 k Różnczkowalność, pochodne, ekstremum funkcj Ćwczene 1 Polczyć pochodn a kerunkow a funkcj: 1 1 1 x 1 x 2 x k ϕ(x 1,, x k ) x 2 1 x 2 2 x 2 k x k 1 1 x k 1 2 x k 1 w dowolnym punkce p [x 1, x 2,, x k T

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 18. ALGORYTMY EWOLUCYJNE - ZASTOSOWANIA Częstochowa 2014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska ZADANIE ZAŁADUNKU Zadane załadunku plecakowe

Bardziej szczegółowo

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1)

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1) ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL 1. Problem Rozważmy układ dwóch równań z dwiema niewiadomymi (x 1, x 2 ): 1 x1 sin x2 x2 cos x1 (1) Nie jest

Bardziej szczegółowo

Zastosowanie technik sztucznej inteligencji w analizie odwrotnej

Zastosowanie technik sztucznej inteligencji w analizie odwrotnej Zastosowane technk sztucznej ntelgencj w analze odwrotnej Ł. Sztangret, D. Szelga, J. Kusak, M. Petrzyk Katedra Informatyk Stosowanej Modelowana Akadema Górnczo-Hutncza, Kraków Motywacja Dokładność symulacj

Bardziej szczegółowo

Mikroekonometria 7. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 7. Mikołaj Czajkowski Wiktor Budziński Mkroekonometra 7 Mkołaj Czajkowsk Wktor Budzńsk Testowane hpotez 4 podstawowe testy Przedzał ufnośc Parametry mają asymptotyczny rozkład normalny Znamy błąd standardowy Czy parametr jest statystyczne różny

Bardziej szczegółowo

ZAJĘCIA X. Zasada największej wiarygodności

ZAJĘCIA X. Zasada największej wiarygodności ZAJĘCIA X Zasada najwększej warygodnośc Funkcja warygodnośc Estymacja wg zasady maksymalzacj warygodnośc Rodzna estymatorów ML Przypadk szczególne WPROWADZEIE Komputerowa dentyfkacja obektów Przyjęce na

Bardziej szczegółowo

Przykład wykorzystania dodatku SOLVER 1 w arkuszu Excel do rozwiązywania zadań programowania matematycznego

Przykład wykorzystania dodatku SOLVER 1 w arkuszu Excel do rozwiązywania zadań programowania matematycznego Przykład wykorzystania dodatku SOLVER 1 w arkuszu Ecel do rozwiązywania zadań programowania matematycznego Firma produkująca samochody zaciągnęła kredyt inwestycyjny w wysokości mln zł na zainstalowanie

Bardziej szczegółowo

Neuron liniowy. Najprostsza sieć warstwa elementów liniowych

Neuron liniowy. Najprostsza sieć warstwa elementów liniowych Najprostsza jest jednostka lnowa: Neuron lnowy potraf ona rozpoznawać wektor wejścowy X = (x 1, x 2,..., x n ) T zapamętany we współczynnkach wagowych W = (w 1, w 2,..., w n ), Zauważmy, że y = W X Załóżmy,

Bardziej szczegółowo

Definicja problemu programowania matematycznego

Definicja 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 szczegółowo

Metody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1

Metody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1 Nr: Metody oblczenowe wykład nr metody rozwązywana równań nelnowych zadane optymalzacj Nr: Postać równana nelnowego Równane nelnowe jednej zmennej o ogólnej postac: rozwązane analtyczne : znalezene takej

Bardziej szczegółowo

Kolokwium poprawkowe z Optymalizacji II (Ściśle tajne przed godz. 16 : stycznia 2016.)

Kolokwium poprawkowe z Optymalizacji II (Ściśle tajne przed godz. 16 : stycznia 2016.) Kolokwum z Optymalzacj II Ścśle tajne przed godz 4 : 00 8 grudna 05) Proszę uważne przeczytać treść zadań Na ocenę bardzo duży wpływ będze mała czytelność rozwązań poprawność uzasadnena każdej odpowedz

Bardziej szczegółowo

Pracownia Automatyki i Elektrotechniki Katedry Tworzyw Drzewnych Ćwiczenie 3. Analiza obwodów RLC przy wymuszeniach sinusoidalnych w stanie ustalonym

Pracownia Automatyki i Elektrotechniki Katedry Tworzyw Drzewnych Ćwiczenie 3. Analiza obwodów RLC przy wymuszeniach sinusoidalnych w stanie ustalonym ĆWCZENE 3 Analza obwodów C przy wymszenach snsodalnych w stane stalonym 1. CE ĆWCZENA Celem ćwczena jest praktyczno-analtyczna ocena obwodów elektrycznych przy wymszenach snsodalne zmennych.. PODSAWY EOEYCZNE

Bardziej szczegółowo

ZAGADNIENIA PROGRAMOWANIA LINIOWEGO

ZAGADNIENIA PROGRAMOWANIA LINIOWEGO ZAGADNIENIA PROGRAMOWANIA LINIOWEGO Maciej Patan Uniwersytet Zielonogórski WSTĘP często spotykane w życiu codziennym wybór asortymentu produkcji jakie wyroby i w jakich ilościach powinno produkować przedsiębiorstwo

Bardziej szczegółowo

Sprawozdanie powinno zawierać:

Sprawozdanie powinno zawierać: Sprawozdane pownno zawerać: 1. wypełnoną stronę tytułową (gotowa do ćw. nr 0 na strone drugej, do pozostałych ćwczeń zameszczona na strone 3), 2. krótk ops celu dośwadczena, 3. krótk ops metody pomaru,

Bardziej szczegółowo

7. Wykład VII: Warunki Kuhna-Tuckera

7. Wykład VII: Warunki Kuhna-Tuckera Wocech Grega, Metody Optymalzac 7 Wykład VII: Warunk Kuhna-Tuckera 7 Warunk koneczne stnena ekstremum Rozważane est zadane z ogranczenam nerównoścowym w postac: mn F( x ) x X X o F( x ), o { R x : h n

Bardziej szczegółowo

n liczba zmiennych decyzyjnych c współczynniki funkcji celu a współczynniki przy zmienych decyzyjnych w warunkach

n liczba zmiennych decyzyjnych c współczynniki funkcji celu a współczynniki przy zmienych decyzyjnych w warunkach Problem decyzyny cel różne sposoby dzałana (decyze) warunk ogranczaące (determnuą zbór decyz dopuszczalnych) kryterum wyboru: umożlwa porównane efektywnośc różnych decyz dopuszczalnych z punktu wdzena

Bardziej szczegółowo

Diagonalizacja macierzy i jej zastosowania

Diagonalizacja macierzy i jej zastosowania Diagonalizacja macierzy i jej zastosowania Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 9. wykład z algebry liniowej Warszawa, listopad 29 Mirosław Sobolewski (UW) Warszawa, wrzesień

Bardziej szczegółowo

8. Optymalizacja decyzji inwestycyjnych

8. Optymalizacja decyzji inwestycyjnych dr nż. Zbgnew Tarapata: Optymalzacja decyzj nwestycyjnych, cz.ii 8. Optymalzacja decyzj nwestycyjnych W rozdzale 8, część I przedstawono elementarne nformacje dotyczące metod oceny decyzj nwestycyjnych.

Bardziej szczegółowo

BADANIE POTENCJALNEGO POLA ELEKTRYCZNEGO

BADANIE POTENCJALNEGO POLA ELEKTRYCZNEGO BADANIE POTENCJALNEGO POLA ELEKTRYCZNEGO I. Ce ćwczena: zapoznane z metodą wyznaczana n ekwpotencjanych poa eektrycznego da róŝnych układów eektrod. przy zastosowanu wanny eektrotycznej. II. Przyrządy:

Bardziej szczegółowo

METODA STRZAŁÓW W ZASTOSOWANIU DO ZAGADNIENIA BRZEGOWEGO Z NADMIAROWĄ LICZBĄ WARUNKÓW BRZEGOWYCH

METODA STRZAŁÓW W ZASTOSOWANIU DO ZAGADNIENIA BRZEGOWEGO Z NADMIAROWĄ LICZBĄ WARUNKÓW BRZEGOWYCH RAFAŁ PALEJ, RENATA FILIPOWSKA METODA STRZAŁÓW W ZASTOSOWANIU DO ZAGADNIENIA BRZEGOWEGO Z NADMIAROWĄ LICZBĄ WARUNKÓW BRZEGOWYCH APPLICATION OF THE SHOOTING METHOD TO A BOUNDARY VALUE PROBLEM WITH AN EXCESSIVE

Bardziej szczegółowo

KONSPEKT WYKŁADU. nt. METODA ELEMENTÓW SKOŃCZONYCH TEORIA I ZASTOSOWANIA. Piotr Konderla

KONSPEKT WYKŁADU. nt. METODA ELEMENTÓW SKOŃCZONYCH TEORIA I ZASTOSOWANIA. Piotr Konderla Studa doktorancke Wydzał Budownctwa Lądowego Wodnego Poltechnk Wrocławskej KONSPEKT WYKŁADU nt. METODA ELEMENTÓW SKOŃCZONYCH TEORIA I ZASTOSOWANIA Potr Konderla maj 2007 Kurs na Studach Doktoranckch Poltechnk

Bardziej szczegółowo

APROKSYMACJA QUASIJEDNOSTAJNA

APROKSYMACJA QUASIJEDNOSTAJNA POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 73 Electrcal Engneerng 213 Jan PURCZYŃSKI* APROKSYMACJA QUASIJEDNOSTAJNA W pracy wykorzystano metodę aproksymacj średnokwadratowej welomanowej, przy

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj

Bardziej szczegółowo

MATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5

MATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5 MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając

Bardziej szczegółowo

METODA ELEMENTU SKOŃCZONEGO. Termokinetyka

METODA ELEMENTU SKOŃCZONEGO. Termokinetyka METODA ELEMENTU SKOŃCZONEGO Termoknetyka Matematyczny ops ruchu cepła (1) Zasada zachowana energ W a Cepło akumulowane, [J] P we Moc wejścowa, [W] P wy Moc wyjścowa, [W] t przedzał czasu, [s] V q S(V)

Bardziej szczegółowo

Rozwiązywanie programów matematycznych

Rozwiązywanie programów matematycznych Rozwiązywanie programów matematycznych Program matematyczny składa się z następujących elementów: 1. Zmiennych decyzyjnych:,,, 2. Funkcji celu, funkcji-kryterium, która informuje o jakości rozwiązania

Bardziej szczegółowo

dy dx stąd w przybliżeniu: y

dy dx stąd w przybliżeniu: y Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc

Bardziej szczegółowo

Wykład 6. Programowanie liniowe

Wykład 6. Programowanie liniowe Wykład 6. Programowanie liniowe Zakład może wytwarzać dwa produkty: P 1 i P 2. Ich produkcja jest limitowana dostępnymi zasobami trzech środków: S 1, S 2, S 3. Zasoby tych środków wynoszą odpowiednio,

Bardziej szczegółowo

5. Maszyna Turinga. q 1 Q. Konfiguracja: (q,α β) q stan αβ niepusta część taśmy wskazanie położenia głowicy

5. Maszyna Turinga. q 1 Q. Konfiguracja: (q,α β) q stan αβ niepusta część taśmy wskazanie położenia głowicy 5. Maszyna Turnga = T Q skończony zór stanów q 0 stan początkowy F zór stanów końcowych Γ skończony zór symol taśmy T Γ alfaet wejścowy T Γ symol pusty (lank) δ: Q Γ! 2 Q Γ {L,R} funkcja

Bardziej szczegółowo

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej

Bardziej szczegółowo

Algorytm FA. Zastosowanie w zadanich optymalizacji z ograniczeniami dla ciągłych dziedzin poszukiwań

Algorytm FA. Zastosowanie w zadanich optymalizacji z ograniczeniami dla ciągłych dziedzin poszukiwań Algorytm FA Metaheurystyczna metoda poszukwań (Xn-She Yang, 2008), nsprowana przez: zachowana społeczne zjawsko bolumnescencj robaczków śwetojańskch (śwetlków) Zastosowane w zadanch optymalzacj z ogranczenam

Bardziej szczegółowo

DIAGNOSTYKA WYMIENNIKÓW CIEPŁA Z UWIARYGODNIENIEM WYNIKÓW POMIARÓW EKPLOATACYJNYCH

DIAGNOSTYKA WYMIENNIKÓW CIEPŁA Z UWIARYGODNIENIEM WYNIKÓW POMIARÓW EKPLOATACYJNYCH RYNEK CIEŁA 03 DIANOSYKA YMIENNIKÓ CIEŁA Z UIARYODNIENIEM YNIKÓ OMIARÓ EKLOAACYJNYCH Autorzy: rof. dr hab. nż. Henryk Rusnowsk Dr nż. Adam Mlejsk Mgr nż. Marcn ls Nałęczów, 6-8 paźdzernka 03 SĘ Elementam

Bardziej szczegółowo

Badanie współzaleŝności dwóch cech ilościowych X i Y. Analiza korelacji prostej. Badanie zaleŝności dwóch cech ilościowych. Analiza regresji prostej

Badanie współzaleŝności dwóch cech ilościowych X i Y. Analiza korelacji prostej. Badanie zaleŝności dwóch cech ilościowych. Analiza regresji prostej Badane współzaleŝnośc dwóch cech loścowych X Y. Analza korelacj prostej Badane zaleŝnośc dwóch cech loścowych. Analza regresj prostej Kody znaków: Ŝółte wyróŝnene nowe pojęce czerwony uwaga kursywa komentarz

Bardziej szczegółowo

Diagonalizacja macierzy i jej zastosowania

Diagonalizacja macierzy i jej zastosowania Diagonalizacja macierzy i jej zastosowania Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 9. wykład z algebry liniowej Warszawa, grudzień 2011 Mirosław Sobolewski (UW) Warszawa, grudzień

Bardziej szczegółowo

u u u( x) u, x METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH i METODA ELEMENTÓW SKOŃCZONYCH

u u u( x) u, x METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH i METODA ELEMENTÓW SKOŃCZONYCH METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH METODA ELEMENTÓW SKOŃCZONYCH Szkc rozwązana równana Possona w przestrzen dwuwymarowe. Równane Possona to równae różnczkowe cząstkowe opsuące wele

Bardziej szczegółowo

Przykład 4.1. Belka dwukrotnie statycznie niewyznaczalna o stałej sztywności zginania

Przykład 4.1. Belka dwukrotnie statycznie niewyznaczalna o stałej sztywności zginania Przykład.. Beka dwukrotne statyczne newyznaczana o stałej sztywnośc zgnana Poecene: korzystając z metody sł sporządzć wykresy sł przekrojowych da ponŝszej bek. Wyznaczyć ugęce oraz wzgędną zmanę kąta w

Bardziej szczegółowo

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja) Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz

Bardziej szczegółowo

MODELOWANIE PRZEPŁYWU POWIETRZA W KANAŁACH WENTYLACYJNYCH PIECZARKARNI

MODELOWANIE PRZEPŁYWU POWIETRZA W KANAŁACH WENTYLACYJNYCH PIECZARKARNI Inżynera Rolncza 10(108)/2008 MODELOWANIE PRZEPŁYWU POWIETRZA W KANAŁACH WENTYLACYJNYCH PIECZARKARNI Leonard Vorontsov, Ewa Wachowcz Katedra Automatyk, Poltechnka Koszalńska Streszczene: W pracy przedstawono

Bardziej szczegółowo

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni. Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :

Bardziej szczegółowo

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne Instrukca do ćwczeń laboratorynych z przedmotu: Badana operacyne Temat ćwczena: Problemy rozkrou materałowego, zagadnena dualne Zachodnopomorsk Unwersytet Technologczny Wydzał Inżyner Mechanczne Mechatronk

Bardziej szczegółowo

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA

Bardziej szczegółowo

Diagonalizacja macierzy i jej zastosowania

Diagonalizacja macierzy i jej zastosowania Diagonalizacja macierzy i jej zastosowania Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 9. wykład z algebry liniowej Warszawa, listopad 2012 Mirosław Sobolewski (UW) Warszawa,listopad

Bardziej szczegółowo

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych

Bardziej szczegółowo

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp

Bardziej szczegółowo

WYWAŻANIE STATYCZNE WIRUJĄCYCH ZESTAWÓW RADIOLOKACYJNYCH

WYWAŻANIE STATYCZNE WIRUJĄCYCH ZESTAWÓW RADIOLOKACYJNYCH Szybkobeżne Pojazdy Gąsencowe (15) nr 1, 2002 Andrzej SZAFRANIEC WYWAŻANIE STATYCZNE WIRUJĄCYCH ZESTAWÓW RADIOLOKACYJNYCH Streszczene. Przedstawono metodę wyważana statycznego wolnoobrotowych wrnków ponowych

Bardziej szczegółowo

RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI

RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI Wojcech BOŻEJKO, Marusz UCHROŃSKI, Meczysław WODECKI Streszczene: W pracy rozpatrywany jest ogólny problem kolejnoścowy

Bardziej szczegółowo

PORÓWNANIE METOD OKREŚLANIA FUNKCJI CELU PRZY DOBORZE ROZSIEWACZY NAWOZÓW MINERALNYCH

PORÓWNANIE METOD OKREŚLANIA FUNKCJI CELU PRZY DOBORZE ROZSIEWACZY NAWOZÓW MINERALNYCH Inżynera Rolncza (90)/007 PORÓWNANIE METOD OKREŚLANIA FUNKCJI CELU PRZY DOBORZE ROZSIEWACZY NAWOZÓW MINERALNYCH Zofa Hanusz Katedra Zastosowań Matematyk, Akadema Rolncza w Lublne Magdalena Ćwklńska Katedra

Bardziej szczegółowo

Stateczność ramy. Wersja komputerowa

Stateczność ramy. Wersja komputerowa Zakład Mechaniki Budowli Prowadzący: dr hab. inż. Przemysław Litewka Ćwiczenie projektowe 2 Stateczność ramy. Wersja komputerowa Daniel Sworek gr. KB2 Rok akademicki 1/11 Semestr 2, II Grupa: KB2 Daniel

Bardziej szczegółowo

WYBRANE ZASTOSOWANIA OPTYMALIZACJI ROZMYTEJ W STEROWANIU PROCESAMI ODLEWNICZYMI

WYBRANE ZASTOSOWANIA OPTYMALIZACJI ROZMYTEJ W STEROWANIU PROCESAMI ODLEWNICZYMI 47/17 ARCHIWUM ODLEWNICTWA Rok 2005, Rocznk 5, Nr 17 Archves of Foundry Year 2005, Volume 5, Book 17 PAN - Katowce PL ISSN 1642-5308 WYBRANE ZASTOSOWANIA OPTYMALIZACJI ROZMYTEJ W STEROWANIU PROCESAMI ODLEWNICZYMI

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Maemayka ubezpeczeń mająkowych 7.05.00 r. Zadane. Pewne ryzyko generuje jedną szkodę z prawdopodobeńswem q, zaś zero szkód z prawdopodobeńswem ( q). Ubezpeczycel pokrywa nadwyżkę szkody ponad udzał własny

Bardziej szczegółowo

Ekonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Ekonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora. mę, nazwsko, nr ndeksu: Ekonometra egzamn 1//19 1. Egzamn trwa 9 mnut.. Rozwązywane zadań należy rozpocząć po ogłoszenu początku egzamnu a skończyć wraz z ogłoszenem końca egzamnu. Złamane tej zasady skutkuje

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

POLITECHNIKA WARSZAWSKA WYDZIAŁ ELEKTRYCZNY SIECI NEURONOWE SVM W ZASTOSOWANIU DO KLASYFIKACJI OBRAZÓW KOMÓREK SZPIKU KOSTNEGO

POLITECHNIKA WARSZAWSKA WYDZIAŁ ELEKTRYCZNY SIECI NEURONOWE SVM W ZASTOSOWANIU DO KLASYFIKACJI OBRAZÓW KOMÓREK SZPIKU KOSTNEGO POLITECHNIKA WARSZAWSKA WYDZIAŁ ELEKTRYCZNY Instytut Elektrotechnk Teoretycznej Systemów Informacyjno Pomarowych mgr nż. Tomasz Markewcz SIECI NEURONOWE SVM W ZASTOSOWANIU DO KLASYFIKACJI OBRAZÓW KOMÓREK

Bardziej szczegółowo

INSTRUKCJA DO ĆWICZENIA NR 1

INSTRUKCJA DO ĆWICZENIA NR 1 L01 ---2014/10/17 ---10:52---page1---#1 KATEDRA MECHANIKI STOSOWANEJ Wydział Mechaniczny POLITECHNIKA LUBELSKA INSTRUKCJA DO ĆWICZENIA NR 1 PRZEDMIOT TEMAT Wybrane zagadnienia z optymalizacji elementów

Bardziej szczegółowo

OGÓLNE PODSTAWY SPEKTROSKOPII

OGÓLNE PODSTAWY SPEKTROSKOPII WYKŁAD 8 OGÓLNE PODSTAWY SPEKTROSKOPII E E0 sn( ωt kx) ; k π ; ω πν ; λ T ν E (m c 4 p c ) / E +, dla fotonu m 0 p c p hk Rozkład energ w stane równowag: ROZKŁAD BOLTZMANA!!!!! P(E) e E / kt N E N E/

Bardziej szczegółowo

Ćwiczenie projektowe z Podstaw Inżynierii Komunikacyjnej

Ćwiczenie projektowe z Podstaw Inżynierii Komunikacyjnej Poltecnka ałostocka Wydzał udownctwa Inżyner Środowska Zakład Inżyner Drogowej Ćwczene projektowe z Podstaw Inżyner Komunkacyjnej Projekt tecnczny odcnka drog klasy tecncznej Z V p 50 km/. Założena do

Bardziej szczegółowo

Zaawansowane metody numeryczne

Zaawansowane metody numeryczne Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x

Bardziej szczegółowo

Przykład 2.3 Układ belkowo-kratowy.

Przykład 2.3 Układ belkowo-kratowy. rzykład. Układ bekowo-kratowy. Dany jest układ bekowo-kratowy, który składa sę z bek o stałej sztywnośc EJ częśc kratowej złożonej z prętów o stałej sztywnośc, obcążony jak na rysunku. Wyznaczyć przemeszczene

Bardziej szczegółowo

; -1 x 1 spełnia powyższe warunki. Ale

; -1 x 1 spełnia powyższe warunki. Ale Funkcje uwkłane Przkła.ozważm równane np. nech. Ptane Cz la owolneo [ ] stneje tak że? Nech. Wówczas unkcja - spełna powższe warunk. Ale spełna je także unkcja [ ] Q. Dokłaając warunek cąłośc unkcj [ ]

Bardziej szczegółowo

K.Pieńkosz Badania Operacyjne Wprowadzenie 1. Badania Operacyjne. dr inż. Krzysztof Pieńkosz

K.Pieńkosz Badania Operacyjne Wprowadzenie 1. Badania Operacyjne. dr inż. Krzysztof Pieńkosz K.Pieńkosz Wprowadzenie 1 dr inż. Krzysztof Pieńkosz Instytut Automatyki i Informatyki Stosowanej Politechniki Warszawskiej pok. 560 A tel.: 234-78-64 e-mail: K.Pienkosz@ia.pw.edu.pl K.Pieńkosz Wprowadzenie

Bardziej szczegółowo

Monitorowanie i Diagnostyka w Systemach Sterowania

Monitorowanie i Diagnostyka w Systemach Sterowania Montoroane Dagnostka Sstemach Steroana Katedra Inżner Sstemó Steroana Dr nż. Mchał Grochosk Montoroane Dagnostka Sstemach Steroana na studach II stopna specjalnośc: Sstem Steroana Podejmoana Deczj Maszn

Bardziej szczegółowo

SPRAWDZANIE PRAWA MALUSA

SPRAWDZANIE PRAWA MALUSA INSTYTUT ELEKTRONIKI I SYSTEMÓW STEROWANIA WYDZIAŁ ELEKTRYCZNY POLITECHNIKA CZĘSTOCHOWSKA LABORATORIUM FIZYKI ĆWICZENIE NR O- SPRAWDZANIE PRAWA MALUSA I. Zagadnena do przestudowana 1. Fala elektromagnetyczna,

Bardziej szczegółowo

Wstęp do metod numerycznych Faktoryzacja SVD Metody iteracyjne. P. F. Góra

Wstęp do metod numerycznych Faktoryzacja SVD Metody iteracyjne. P. F. Góra Wstęp do metod numerycznych Faktoryzacja SVD Metody teracyjne P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ 2013 Sngular Value Decomposton Twerdzene 1. Dla każdej macerzy A R M N, M N, stneje rozkład

Bardziej szczegółowo

EKONOMETRIA I Spotkanie 1, dn. 05.10.2010

EKONOMETRIA I Spotkanie 1, dn. 05.10.2010 EKONOMETRIA I Spotkane, dn. 5..2 Dr Katarzyna Beń Program ramowy: http://www.sgh.waw.pl/nstytuty/e/oferta_dydaktyczna/ekonometra_stacjonarne_nest acjonarne/ Zadana, dane do zadań, ważne nformacje: http://www.e-sgh.pl/ben/ekonometra

Bardziej szczegółowo

rzeczywiste zawart. składn. maksymalne wymagane zawart. w 1 jednostce mieszanki składn. w 1 jednostce mieszanki

rzeczywiste zawart. składn. maksymalne wymagane zawart. w 1 jednostce mieszanki składn. w 1 jednostce mieszanki P. Kowalk, Laboratorum badań operacyjnych: zadane optymalnej meszank - mnmalzacja kosztu jednostk meszank 4. Zadane optymalnej meszank - mnmalzacja kosztu jednostk meszank Model matematyczny dentyczny

Bardziej szczegółowo

; -1 x 1 spełnia powyższe warunki. Ale

; -1 x 1 spełnia powyższe warunki. Ale AIB-Inormatka-Wkła - r Aam Ćmel cmel@.ah.eu.pl Funkcje uwkłane Przkła.ozważm równane np. nech. Ptane Cz la owolneo [] stneje tak że? Nech. Wówczas unkcja - spełna powższe warunk. Ale [ ] Q spełna je także

Bardziej szczegółowo

Zadane 1: Wyznacz średne ruchome 3-okresowe z następujących danych obrazujących zużyce energ elektrycznej [kwh] w pewnym zakładze w mesącach styczeń - lpec 1998 r.: 400; 410; 430; 40; 400; 380; 370. Zadane

Bardziej szczegółowo

Badania Operacyjne Ćwiczenia nr 4 (Materiały)

Badania Operacyjne Ćwiczenia nr 4 (Materiały) Analiza wrażliwości Rozwiązanie programu liniowego jest dopiero początkiem analizy. Z punktu widzenia decydenta (menadżera) jest istotne, żeby wiedzieć jak na rozwiązanie optymalne wpływają zmiany parametrów

Bardziej szczegółowo

Excel - użycie dodatku Solver

Excel - użycie dodatku Solver PWSZ w Głogowie Excel - użycie dodatku Solver Dodatek Solver jest narzędziem używanym do numerycznej optymalizacji nieliniowej (szukanie minimum funkcji) oraz rozwiązywania równań nieliniowych. Przed pierwszym

Bardziej szczegółowo

ZASTOSOWANIE PROGRAMOWANIA DYNAMICZNEGO DO OPRACOWANIA STRATEGII REDUKCJI EMISJI GAZÓW

ZASTOSOWANIE PROGRAMOWANIA DYNAMICZNEGO DO OPRACOWANIA STRATEGII REDUKCJI EMISJI GAZÓW ZASTOSOWANIE PROGRAOWANIA DYNAICZNEGO DO OPRACOWANIA STRATEGII REDUKCJI EISJI GAZÓW ANDRZEJ KAŁUSZKO Instytut Bada Systemowych Streszczene W pracy opsano zadane efektywnego przydzału ogranczonych rodków

Bardziej szczegółowo

Modyfikacja schematu SCPF obliczeń energii polaryzacji

Modyfikacja schematu SCPF obliczeń energii polaryzacji Modyfikacja schematu SCPF obliczeń energii polaryzacji Zakład Metod Obliczeniowych Chemii 11 kwietnia 2006 roku 1 Po co? Jak? 2 Algorytm Analiza zbieżności 3 dla układów symetrycznych 4 Fulleren 5 Po co?

Bardziej szczegółowo

5. OPTYMALIZACJA GRAFOWO-SIECIOWA

5. OPTYMALIZACJA GRAFOWO-SIECIOWA . OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,

Bardziej szczegółowo

Bryła fotometryczna i krzywa światłości.

Bryła fotometryczna i krzywa światłości. STUDIA NIESTACJONARNE ELEKTROTECHNIKA Laboratorum PODSTAW TECHNIKI ŚWIETLNEJ Temat: WYZNACZANIE BRYŁY FOTOMETRYCZNEJ ŚWIATŁOŚCI Opracowane wykonano na podstawe: 1. Laboratorum z technk śwetlnej (praca

Bardziej szczegółowo