Metody optymalizacji nieliniowej (metody programowania nieliniowego) Ewa Niewiadomska-Szynkiewicz Instytut Automatyki i Informatyki Stosowanej
|
|
- Adrian Stefaniak
- 6 lat temu
- Przeglądów:
Transkrypt
1 Metody optymalizacji nieliniowej metody programowania nieliniowego Ewa Niewiadomsa-Szyniewicz Instytut Automatyi i Inormatyi Stosowanej
2 Ewa Niewiadomsa-Szyniewicz Instytut Automatyi i Inormatyi Stosowanej Poój 57A
3 Problem optymalizacji n - wymiarowa przestrzeń zmiennych,..., n R n uncja celu oceniająca : R n R * Zadanie optymalizacji bez ograniczeń: *, *, wyznaczyć * = arg min tóre spełnia ograniczenia 3
4 Zastosowania Potrzeba optymalizacji pojawia się w więszości pratycznych problemów Planowanie Sterowanie i zarządzanie systemami Sieci Finanse, eonomia, mareting Systemy środowisowe.. Zarządzanie danymi Rozpoznawanie wzorców Uczenie maszynowe Aloacja zasobów Przetwarzanie sygnałów Modelowanie zachowania ludzi 4
5 Historia optymalizacji Fermat 66: twierdzenie o minimum uncji bez ograniczeń. Lagrange 789: problem z ograniczeniami równościowymi mechania. 8-9 th Euler, Lagrange, Legendre, Hamilton, etc. : rachune wariacyjny. Karush 939, Kuhn-Tucer 95: waruni optymalności. 950-te programowanie liniowe, te programowanie nieliniowe: więszość algorytmów. 950-te: począti obliczeń ewolucyjnych. Holand i Fogel 967: algorytm genetyczny GA te: Bellman, Pontryagin, etc.: sterowanie optymalne zastosowania inżyniersie. 990-te: aprosymacja ciągła problemów ombinatorycznych. 5
6 Problem optymalizacji. Wybrać odpowiedni algorytm do rozwiązania zadania. Wybrać początowe przybliżenie rozwiązania: 0. Znaleźć przybliżone rozwiązanie zadania optymalizacji * o zadowalającej doładności przy założonych naładach obliczeniowych * *, *, 6
7 Rozwiązania - loalne i globalne Punt * jest minimum globalnym uncji w przestrzeni R n, jeżeli R n : * * *, *, Punt * jest minimum loalnym uncji w przestrzeni R n, jeżeli istnieje taie otwarte otoczenie U R n puntu *, że U : * Obszar przyciągania minimum loalnego *, to zbiór wartości R n, z tórych startując loalny algorytm optymalizacji zbiega do tego minimum. 7
8 Interpretacja geometryczna uncji różniczowalnej Różniczowalność uncji w puncie 0, y 0 oznacza, że istnieje w tym puncie płaszczyzna styczna do wyresu tej uncji w puncie 0, y 0, 0,y 0 8
9 Deinicje Gradient uncji w puncie 0 ma ciągłe pierwsze pochodne w 0 Macierz Hessego hesjan uncji w puncie 0 : ma ciągłe drugie pochodne w 0 9 T n,..., n n n n n H,...,...,...,
10 Gradient interpretacja geometryczna Gradient uncji w puncie wsazuje ierune najszybszego wzrostu uncji w tym puncie. 0
11 Gradient interpretacja geometryczna Gradient uncji w puncie jest prostopadły do poziomicy uncji przechodzącej przez ten punt
12 Funcja: Przyłady Gradient uncji w puncie 0 = [, ] T T, [6,] 0 [,] Macierz Hessego hesjan uncji w puncie 0 = [, ] 0 0
13 Deinicja wypułości uncji Funcję ciągłą na zbiorze nazywamy wypułą jeżeli:, Xt[0,] t t t t 3
14 Lemat o wypułości uncji Funcja różniczowalna jest wypuła na zbiorze wypułym X wtedy i tylo wtedy, gdy , X, Funcja podwójnie różniczowalna jest wypuła na zbiorze wypułym X wtedy i tylo wtedy, gdy jej hesjan H jest dodatnio półoreślony X T, H 0 Minima loalne uncji wypułej są globalnymi. Wypułość odgrywa luczową rolę również w zadaniach niewypułych. 4
15 Waruni onieczne optymalności Jeżeli uncja jest różniczowalna, to w ażdym jej minimum loalnym jest spełniony następujący warune onieczny optymalności: * = 0 warune stacjonarności * - minimum loalne 5
16 Waruni dostateczne optymalności Jeżeli uncja jest dwurotnie różniczowalna, to ażdy punt spełniający poniższe waruni dostateczne optymalności: * = 0 warune stacjonarności d T H* d > 0, d 0 warune ściśle dodatniej oreśloności hesjanu * uncji celu czyli uncja jest wypuła jest minimum loalnym uncji 6
17 Waruni optymalności globalnej Zazwyczaj należy oczeiwać, że zadanie optymalizacji globalnej jest źle postawione w sensie Hadamarda drobne zaburzenia danych mogą bardzo zmienić położenie * Użyteczne waruni optymalności globalnej są możliwe do sormułowania jedynie dla wąsich las uncji Dla uncji wypułych ażde minimum loalne jest minimum globalnym Dla uncji ściśle wypułych istnieje jedno minimum globalne 7
18 Ogólna postać algorytmu optymalizacji loalnej bez ograniczeń zadanie różniczowalne * minimize : R n Założenie uncja różniczowalna. Start z puntu R n taiego, że 0. Wyznacz nowy punt + = + α d gdzie d R n jest ieruniem poprawy: < d, > < 0 α 0, + oznacza długość rou. ja daleo przesunąć się w ierunu d aby zagwarantować dla α d 8
19 Zbieżność algorytmów optymalizacji Zbieżność loalna a globalna eetywne algorytmy są zbieżne loalnie A B przybliżenie loalnego rozwiązania * =lim i i zależy od wyboru puntu startowego 0 Szybość zbieżności co najmniej liniowa: i+ - / i - c c 0, wadratowa: i+ - / i - C, C > * , *, *, 0, i - algorytm zb. liniowo algorytm zb. wadratowo numer iteracji i
20 Kryteria zatrzymania algorytmu Algorytm jest zatrzymywany jeśli punt znajdzie się w zbiorze rozwiązań S. Nie ma uniwersalnych ryteriów zatrzymania dobrych dla ażdego problemu i dla ażdej metody optymalizacji. Pratyczne zasady: Zatrzymujemy algorytm gdy:. Bezwzględna odległość między wartościami puntów po wyonaniu M iteracji mniejsza od > 0 M. Względna odległość między wartościami puntów po wyonaniu M iteracji mniejsza od > 0 M 0
21 Kryteria zatrzymania algorytmu cd. 3. Po M iteracjach bezwzględna różnica wartości wsaźnia jaości mniejsza od > 0 M 4. Po M iteracjach względna różnica wartości wsaźnia jaości mniejsza od > 0 M 5. Dodatowe ryterium zatrzymania dla metod orzystających z gradientu uncji jeśli gradient jest mniejszy od g 0 g 6. Liczba iteracji osiągnęła masymalną założoną wielość K
22 Metody programowania matematycznego optymalizacji - lasyiacja Metody programowania liniowego Metody programowania nieliniowego Wypułego metody optymalizacji loalnej Niewypułego metody optymalizacji globalnej Bez ograniczeń Bez ograniczeń Z ograniczeniami Z ograniczeniami
23 Metody programowania nieliniowego bez ograniczeń optymalizacja loalna Metody minimalizacji w ierunu bezgradientowe i gradientowe Metody poszuiwań prostych bezgradientowe Złotego podziału Interpolacja wadratowa Testów jedno- i dwusośnych Hooa Jevesa Rosenbroca Neldera i Meada Metody poprawy bezgradientowe Metody ierunów poprawy gradientowe Gaussa-Seidela Kierunów sprzężonych Powella Metoda najwięszego spadu Metoda Newtona Metody gradientu sprzężonego Metody zmiennej metryi 3
24 Metody programowania nieliniowego z ograniczeniami lasyiacja Inormacje o uncji celu i ograniczeniach Metody bezgradientowe Metody gradientowe 4
25 Metody programowania nieliniowego z ograniczeniami lasyiacja: sposób rozwiązania zadania Transormacja do zadania bez ograniczeń Modyiacja uncji celu Transormacja zmiennych niezależnych Metody zewnętrznej uncji ary Metody wewnętrznej uncji ary Modyiacja ierunu Modyiacja ierunów dopuszczalnych Metoda rzutu ortogonalnego Tworzenie ograniczonego symplesu Metoda Comple 5
26 Metody poszuiwań prostych Wyorzystują jedynie wartości uncji celu, nie obliczają bezpośrednio ani nie estymują gradientu uncji celu. Wyznaczanie rozwiązania odbywa się w wyniu iteracji, polegających na przeszuiwaniu otoczenia atualnego przybliżenia rozwiązania w danej iteracji. Nie stosuje się minimalizacji w ierunu długość sou ustalana dla danego algorytmu zmienia się adaptacyjnie. Zalecane do stosowania w zadaniach z nieróżniczowalną uncją celu oraz podejściu symulacja-optymalizacja. Charaterystyczne cechy metod: Odporność i niezawodność Mała eetywność powolne dochodzenie do rozwiązania 6
27 Metoda Hooa-Jeevesa Pierwszy cyl minimalizacji: wzdłuż zestawu d, d,... d n prostopadłych ierunów osi uładu współrzędnych: z 0 do Pierwszy ro roboczy - w ierunu w = - 0 doprowadza do. Drugi cyl minimalizacji: wzdłuż ierunów d, d,... d n : z do 3 Drugi ro roboczy - w ierunu w = 3 - doprowadza do 4. Itd. Kro roboczy istotnie poprawia zbieżność dla uośnych zbiorów poziomicowych bez dodatowych naładów obliczeniowych. 7
28 Metoda Neldera i Meada pełzającego symplesu Jedna z bardziej popularnych metod poszuiwań prostych prosta rozsądnie suteczna dla małych rozmiarów przestrzeni poszuiwań, chociaż bez dowodu zbieżności Symples w R n - wypułe porycie n+ puntów wraz z wnętrzem np. trójąt w R Metoda NM w ażdym rou porząduje wierzchołi w, w,...,w n+ ta, by w w... w n+ Środe ciężości c najlepszych n wierzchołów w, w,...,w n n wyznaczany jest następująco: i w i c n 8
29 Metoda N-M: ro roboczy Kro roboczy: odbicie w n+ względem c: r =c+ c -w n+, >0 a Jeśli: w r... w n+, to zastąpić w n+ przez r. Koniec. b Jeśli r w to espansja: e =c+ r -c, > Jeśli e r, to zastąpić w n+ przez e, inaczej przez r. Koniec. c Jeśli r w n, to ontracja aż do uzysania poprawy. Dla r w n+ : c =c+w n+ -c, inaczej: c =c+ r -c, 0, Gdy c <min r, w n+ oniec w 3 c r w 3 c r e w 3 c c w 3 c e r 9
30 Metody Poprawy bezgradientowe Wyorzystują jedynie wartości uncji celu, nie obliczają bezpośrednio ani nie estymują gradientu uncji celu. Wyznaczanie rozwiązania odbywa się w wyniu iteracji, polegających na przeszuiwaniu przestrzeni w odpowiednio sonstruowanych ierunach, tworzących bazę tej przestrzeni. Realizowane jest poszuiwanie minimum w ażdym z tych ierunów zastosowanie wybranych, bezgradientowych metod poszuiwania w ierunu. Zalecane do stosowania w zadaniach z nieróżniczowalną uncją celu. Charaterystyczne cechy metod: Stosunowo odporne jedna nie są zalecane w przypadach nietórych postaci uncji celu Oczeiwana eetywność więsza niż w przypadach metod poszuiwań prostych 30
31 Metody poprawy Ogólny schemat algorytmu:. Oreśl ierune poszuiwań d z puntu.. Znajdź współczynni rou minimalizujący w ierunu d, tzn. =arg min + d. Minimalizacja może być zgrubna bądź doładna. 3. Podstaw + =+ d. Jeśli spełnione są waruni stopu: oniec. W przeciwnym razie przejdź do rou 3
32 Metoda Gaussa-Seidla Optimum znajduje się przez minimalizację uncji celu względem olejnych zmiennych,,..., n,,,..., n,... Zaleta: prostota algorytmu, tóry naśladuje typowe postępowanie człowiea przy poprawianiu działania urządzeń - jedną gałą na raz Wada: mała suteczność przy uośnych poziomicach uncji celu Zbieżność liniowa 3
33 Metoda Powella ieruni sprzężone Pierwszy cyl minimalizacji: wzdłuż zestawu d, d,... d n prostopadłych ierunów osi uładu współrzędnych: z 0 do Zmiana zestawu ierunów: d =d, d =d 3,..., d n = - 0 i minimalizacja wzdłuż d n dla uzysania Drugi cyl minimalizacji: wzdłuż ierunów d, d,... d n : z do 3 Zmiana zestawu ierunów: d =d, d =d 3,..., d n = 3 - itd. Dla poprawy niezależności ierunów poszuiwań d, d,... d n co n iteracji rozpoczyna się cyl minimalizacji wzdłuż ierunów osi uładu współrzędnych. 33
34 Metody ierunów poprawy Stosowane w zadaniach różniczowalnych. Wyorzystują wartości uncji celu oraz jej gradient, a czasami hesjan. Wyznaczanie rozwiązania odbywa się w wyniu iteracji, polegających na przeszuiwaniu przestrzeni w odpowiednio sonstruowanych ierunach poprawy uncji celu, tworzących bazę tej przestrzeni. Wyznaczenie tych ierunów jest możliwe dzięi znajomości gradientu. Realizowane jest poszuiwanie minimum w ażdym z tych ierunów zastosowanie wybranych metod poszuiwania w ierunu. Charaterystyczne cechy metod: Najeetywniejsze metody programowania nieliniowego bez ograniczeń Zbieżność liniowa, a czasami wadratowa 34
35 Metody ierunów poprawy Ogólny schemat algorytmu:. Oreśl ierune poszuiwań d z puntu. Kierune spadu spełnia warune: d T <0. Znajdź współczynni rou minimalizujący w ierunu d, tzn. =arg min + d. Minimalizacja może być zgrubna bądź doładna. 3. Podstaw + = + d. Jeśli spełnione są waruni stopu: oniec. W przeciwnym razie przejdź do rou 35
36 Kieruni poszuiwań Kierune spadu spełnia warune: d T < 0 co sprawia, że d jest ieruniem poprawy istnieje >0: + d < 36
37 Algorytm najszybszego spadu + = + d, d =- =arg min + d Użyty ierune spadu sutuje bardzo wolną, liniową zbieżnością nawet dla wadratowej uncji celu. 37
38 Przyład Optymalizacja wadratowej uncji: Kroi algorytmu w przestrzeni Zależność od numeru iteracji 38
39 Algorytm gradientów sprzężonych Kierune spadu: d =- + d - Współczynni powinien być mały z dala od optimum i rosnąć przy zbliżaniu się do * Formuła Fletchera-Reeves a: Formuła Polaa-Ribierre a: t t t t d - - d d - Algorytm jest zbieżny w n roach dla uncji wadratowej Dla bardziej nieliniowych uncji gładich można oczeiwać loalnej zbieżności superliniowej 39
40 Przybliżanie wartości uncji za pomocą szeregu Taylora T d d H d d, 40 liniowa wadratowa
41 Algorytm Newtona i jego modyiacja Motywacja algorytmu rozwinięcie w szereg Taylora: Stąd: Zalety: szyba wadratowa asymptotyczna zbieżność; dla uncji wadratowych optimum w jednym rou Wady: mały obszar zbieżności, w ażdej iteracji potrzebny gradient, hesjan oraz rozwiązanie pomocniczego uładu równań: T d d H d d,, H H d d H 4
42 Modyiacje algorytmu Newtona Metody zmiennej metryi: Konstrucja ciągu macierzy stanowiących przybliżenie odwrotności macierzy hesjanu drugich pochodnych uncji celu w olejnych puntach. Macierze te wyznacza się na podstawie zmian gradientu uncji celu w poprzednich iteracjach metody. Metody nazywane metodami quasi-newtonowsimi. 4
43 Metody quasi-newtonowsie Schemat algorytmów quasi-newtonowsich zmiennej metryi. Wyznacz ierune spadu: d = -Q. Wyznacz współczynni rou: =arg min + d 3. Zatualizuj macierz Q przybliżenie H -, np. za pomocą ormuły Davidona-Fletchera-Powella DFP: t t t t s q q Q q q Q q Q s q s s Q Q 43
44 Przyład: uncja Rosenbroca = 00*-^^+-^ 3000 o
45 Algorytm Neldera-Meada Funcja celu Wyres poziomicowy Numer iteracji 45
46 Davidona-Fletchera-Powella DFP Funcja celu Wyres poziomicowy Numer iteracji 46
47 Algorytm Newtona Wyres poziomicowy Funcja celu Numer iteracji 47
WYKŁAD 5 METODY OPTYMALIZACJI NIELINIOWEJ BEZ OGRANICZEŃ
WYKŁAD 5 METODY OPTYMALIZACJI NIELINIOWEJ BEZ OGRANICZEŃ Wstęp. Za wyjątie nielicznych funcji, najczęściej w postaci wieloianów, dla tórych ożna znaleźć iniu na drodze analitycznej, pozostała więszość
Bardziej szczegółowoTechnika optymalizacji
Algorytmy bezgraientowe Algorytmy optymalizacji loalnej c. Nieliniowe zaanie optymalizacji statycznej bez ograniczeń - nieliniowe algorytmy optymalizacji loalnej c. r inŝ. Ewa Szlachcic Wyział Eletronii
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metody kierunków poparwy (metoda Newtona-Raphsona, metoda gradientów sprzężonych) Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 28.03.2019 1
Bardziej szczegółowoWYKŁAD 9 METODY ZMIENNEJ METRYKI
WYKŁAD 9 METODY ZMIENNEJ METRYKI Kierunki sprzężone. Metoda Newtona Raphsona daje dobre przybliżenie najlepszego kierunku poszukiwań, lecz jest to okupione znacznym kosztem obliczeniowym zwykle postać
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Metody optymalizacji Metody bezgradientowe optymalizacji bez ograniczeń Materiały pomocnicze do ćwiczeń
Bardziej szczegółowoZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ
ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ Maciej Patan Uniwersytet Zielonogórski WSTEP Zadanie minimalizacji bez ograniczeń f(ˆx) = min x R nf(x) f : R n R funkcja ograniczona z dołu Algorytm rozwiazywania Rekurencyjny
Bardziej szczegółowoNieliniowe 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 szczegółowoKADD 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 szczegółowoOptymalizacja (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 szczegółowo1 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 szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 13. PROBLEMY OPTYMALIZACYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska PROBLEMY OPTYMALIZACYJNE Optymalizacja poszukiwanie
Bardziej szczegółowoPORÓWNANIE WYBRANYCH ALGORYTMÓW OPTYMALIZACJI ROZPŁYWU MOCY W SYSTEMIE ELEKTROENERGETYCZNYM A COMPARISON OF SELECTED OPTIMAL POWER FLOW ALGORITHMS
ELEKRYKA 2013 Zeszyt 4 (228) Ro LIX Artur PASIERBEK, Marcin POŁOMSKI, Radosław SOKÓŁ Politechnia Śląsa w Gliwicach PORÓWNANIE WYBRANYCH ALGORYMÓW OPYMALIZACJI ROZPŁYWU MOCY W SYSEMIE ELEKROENERGEYCZNYM
Bardziej szczegółowoWprowadzenie Metoda bisekcji Metoda regula falsi Metoda siecznych Metoda stycznych RÓWNANIA NIELINIOWE
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Zazwyczaj nie można znaleźć
Bardziej szczegółowo5. Metody stochastyczne (symulowane wyżarzanie, algorytmy genetyczne) -> metody Monte Carlo
Optymalizacja (minimalizacja) funkcji Plan wykładu: 1. Sformułowanie problemu, funkcja celu 2. Metody bezgradientowe a) metoda złotego podziału b) metoda sympleks c) metoda interpolacji Powell'a 3. Metody
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 5.
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 5. PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Rozłady soowe Rozład jednopuntowy Oreślamy: P(X c) 1 gdzie c ustalona liczba. 1 EX c, D 2 X 0 (tylo ten rozład ma zerową wariancję!!!)
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 4. Metody kierunków poprawy (metoda spadku wzdłuż gradientu) Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 21.03.2019 1 / 41 Plan wykładu Minimalizacja
Bardziej szczegółowoKADD 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 szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA ALGORYTM MRÓWKOWY (ANT SYSTEM) ALGORYTM MRÓWKOWY. Algorytm mrówkowy
PLAN WYKŁADU Algorytm mrówowy OPTYMALIZACJA GLOBALNA Wyład 8 dr inż. Agniesza Bołtuć (ANT SYSTEM) Inspiracja: Zachowanie mrówe podczas poszuiwania żywności, Zachowanie to polega na tym, że jeśli do żywności
Bardziej szczegółowoMetody 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 szczegółowo1 Równania nieliniowe
1 Równania nieliniowe 1.1 Postać ogólna równania nieliniowego Często występującym, ważnym problemem obliczeniowym jest numeryczne poszukiwanie rozwiązań równań nieliniowych, np. algebraicznych (wielomiany),
Bardziej szczegółowoWykład Matematyka A, I rok, egzamin ustny w sem. letnim r. ak. 2002/2003. Każdy zdający losuje jedno pytanie teoretyczne i jedno praktyczne.
Wykład Matematyka A, I rok, egzamin ustny w sem. letnim r. ak. 2002/2003. Każdy zdający losuje jedno pytanie teoretyczne i jedno praktyczne. pytania teoretyczne:. Co to znaczy, że wektory v, v 2 i v 3
Bardziej szczegółowoPrzegląd metod optymalizacji wielowymiarowej. Funkcja testowa. Funkcja testowa. Notes. Notes. Notes. Notes. Tomasz M. Gwizdałła
Przegląd metod optymalizacji wielowymiarowej Tomasz M. Gwizdałła 2012.12.06 Funkcja testowa Funkcją testową dla zagadnień rozpatrywanych w ramach tego wykładu będzie funkcja postaci f (x) = (x 1 1) 4 +
Bardziej szczegółowoWstęp do metod numerycznych 11. Minimalizacja: funkcje wielu zmiennych. P. F. Góra
Wstęp do metod numerycznych 11. Minimalizacja: funkcje wielu zmiennych P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Strategia minimalizacji wielowymiarowej Zakładamy, że metody poszukiwania minimów
Bardziej szczegółowoIteracyjne rozwiązywanie równań
Elementy metod numerycznych Plan wykładu 1 Wprowadzenie Plan wykładu 1 Wprowadzenie 2 Plan wykładu 1 Wprowadzenie 2 3 Wprowadzenie Metoda bisekcji Metoda siecznych Metoda stycznych Plan wykładu 1 Wprowadzenie
Bardziej szczegółowoPrzegląd metod optymalizacji numerycznej. Krzysztof Malczewski
Przegląd metod optymalizacji numerycznej Krzyszto Malczewski Numeryczne metody optymalizacji Deterministyczne (klasyczne) * bez ograniczeń: - bezgradientowe: + simpleks Neldera-Meada, + spadku względem
Bardziej szczegółowoALGEBRA Z GEOMETRIĄ ANALITYCZNĄ
ALGEBRA Z GEOMETRIĄ ANALITYCZNĄ LISTA ZADAŃ 1 1 Napisać w formie rozwiniętej następujące wyrażenia: 4 (a 2 + b +1 =0 5 a i b j =1 n a i b j =1 n =0 (a nb 4 3 (! + ib i=3 =1 2 Wyorzystując twierdzenie o
Bardziej szczegółowoROZWIĄZYWANIE 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 szczegółowoMatematyka stosowana i metody numeryczne
Ewa Pabisek Adam Wosatko Piotr Pluciński Matematyka stosowana i metody numeryczne Konspekt z wykładu 6 Rozwiązywanie równań nieliniowych Rozwiązaniem lub pierwiastkiem równania f(x) = 0 lub g(x) = h(x)
Bardziej szczegółowoBezgradientowe metody optymalizacji funkcji wielu zmiennych. informacje dodatkowe
Bezgradientowe metody optymalizacji funkcji wielu zmiennych informacje dodatkowe Wybór kierunku poszukiwań Kierunki bazowe i ich modyfikacje metody bezgradientowe. Kierunki oparte na gradiencie funkcji
Bardziej szczegółowoAnaliza B II zadania. cos kx = sin(n x) 2 sin x 2. cos n sin 1 n., tan x, cot x, log sin x, log tan x, 1 + x
Analiza B II zadania Oblicz granicę n cos n n Udowodnij wzór dla mπ 3 Udowodnij że szereg + n = cos = sin(n + sin cos n sin n jest zbieżny warunowo 4 Wyprowadź wzory (sin = cos (cos = sin 5 Wyaż że funcje
Bardziej szczegółowoMetody numeryczne I Równania nieliniowe
Metody numeryczne I Równania nieliniowe Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/66 Równania nieliniowe 1. Równania nieliniowe z pojedynczym pierwiastkiem
Bardziej szczegółowoUKŁADY 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 szczegółowoA. Cel ćwiczenia. B. Część teoretyczna
A. Cel ćwiczenia Celem ćwiczenia jest zapoznanie się z wsaźniami esploatacyjnymi eletronicznych systemów bezpieczeństwa oraz wyorzystaniem ich do alizacji procesu esplatacji z uwzględnieniem przeglądów
Bardziej szczegółowowtedy i tylko wtedy, gdy rozwiązanie i jest nie gorsze od j względem k-tego kryterium. 2) Macierz części wspólnej Utwórz macierz
Temat: Programowanie wieloryterialne. Ujęcie dysretne.. Problem programowania wieloryterialnego. Z programowaniem wieloryterialnym mamy do czynienia, gdy w problemie decyzyjnym występuje więcej niż jedno
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 1. Optymalizacja funkcji jednej zmiennej Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 28.02.2019 1 / 54 Plan wykładu Optymalizacja funkcji jednej
Bardziej szczegółowoPochodne 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 szczegółowoMETODA PROJEKTOWANIA REJONU ZMIANY KIERUNKU TRASY KOLEJOWEJ
Problemy Kolejnictwa Zeszyt 5 97 Prof. dr hab. inż. Władysław Koc Politechnia Gdańsa METODA PROJEKTOWANIA REJONU ZMIANY KIERUNKU TRASY KOLEJOWEJ SPIS TREŚCI. Wprowadzenie. Ogólna ocena sytuacji geometrycznej
Bardziej szczegółowoProgramowanie 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 szczegółowoPlan. Zakres badań teorii optymalizacji. Teoria optymalizacji. Teoria optymalizacji a badania operacyjne. Badania operacyjne i teoria optymalizacji
Badania operacyjne i teoria optymalizacji Instytut Informatyki Poznań, 2011/2012 1 2 3 Teoria optymalizacji Teoria optymalizacji a badania operacyjne Teoria optymalizacji zajmuje się badaniem metod optymalizacji
Bardziej szczegółowojeśli nie jest spełnione kryterium zatrzymania, to nowym punktem roboczym x(t+1) staje i następuje przejście do 1)
Metody automatycznej optymalizacji cz.i metody dwufazowe Święta Wielkanocne już za nami, tak więc bierzemy się wspólnie do pracy. Ostatnim razem dokonaliśmy charakterystyki zadań optymalizacji i wskazaliśmy
Bardziej szczegółowoProgramowanie wielocelowe lub wielokryterialne
Programowanie wielocelowe lub wieloryterialne Zadanie wielocelowe ma co najmniej dwie funcje celu nazywane celami cząstowymi. Cele cząstowe f numerujemy indesem = 1, 2, K. Programowanie wielocelowe ciągłe.
Bardziej szczegółowoProgramowanie wielocelowe lub wielokryterialne
Programowanie wielocelowe lub wieloryterialne Zadanie wielocelowe ma co najmniej dwie funcje celu nazywane celami cząstowymi. Cele cząstowe f numerujemy indesem = 1, 2, K. Programowanie wielocelowe ciągłe
Bardziej szczegółowoMetoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych
inż. Marek Duczkowski Metoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych słowa kluczowe: algorytm gradientowy, optymalizacja, określanie wodnicy W artykule
Bardziej szczegółowoMetody Numeryczne Optymalizacja. Wojciech Szewczuk
Metody Numeryczne Optymalizacja Optymalizacja Definicja 1 Przez optymalizację będziemy rozumieć szukanie minimów lub maksimów funkcji. Optymalizacja Definicja 2 Optymalizacja lub programowanie matematyczne
Bardziej szczegółowoMetody Optymalizacji: Przeszukiwanie z listą tabu
Metody Optymalizacji: Przeszukiwanie z listą tabu Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje: wtorek
Bardziej szczegółowoRozwiązywanie równań nieliniowych
Rozwiązywanie równań nieliniowych Marcin Orchel 1 Wstęp Przykłady wyznaczania miejsc zerowych funkcji f : f(ξ) = 0. Wyszukiwanie miejsc zerowych wielomianu n-tego stopnia. Wymiar tej przestrzeni wektorowej
Bardziej szczegółowoMODYFIKACJA KOSZTOWA ALGORYTMU JOHNSONA DO SZEREGOWANIA ZADAŃ BUDOWLANYCH
MODYFICJ OSZTOW LGORYTMU JOHNSON DO SZEREGOWNI ZDŃ UDOWLNYCH Michał RZEMIŃSI, Paweł NOW a a Wydział Inżynierii Lądowej, Załad Inżynierii Producji i Zarządzania w udownictwie, ul. rmii Ludowej 6, -67 Warszawa
Bardziej szczegółowoDRGANIA WŁASNE RAM OBLICZANIE CZĘSTOŚCI KOŁOWYCH DRGAŃ WŁASNYCH
Część 5. DRGANIA WŁASNE RAM OBLICZANIE CZĘSTOŚCI KOŁOWYCH... 5. 5. DRGANIA WŁASNE RAM OBLICZANIE CZĘSTOŚCI KOŁOWYCH DRGAŃ WŁASNYCH 5.. Wprowadzenie Rozwiązywanie zadań z zaresu dynamii budowli sprowadza
Bardziej szczegółowoII. FUNKCJE WIELU ZMIENNYCH
II. FUNKCJE WIELU ZMIENNYCH 1. Zbiory w przestrzeni R n Ustalmy dowolne n N. Definicja 1.1. Zbiór wszystkich uporzadkowanych układów (x 1,..., x n ) n liczb rzeczywistych, nazywamy przestrzenią n-wymiarową
Bardziej szczegółowo( ) + ( ) T ( ) + E IE E E. Obliczanie gradientu błędu metodą układu dołączonego
Obliczanie gradientu błędu metodą uładu dołączonego /9 Obliczanie gradientu błędu metodą uładu dołączonego Chodzi o wyznaczenie pochodnych cząstowych funcji błędu E względem parametrów elementów uładu
Bardziej szczegółowoSterowanie optymalne
Sterowanie optymalne Sterowanie Procesami Ciągłymi 2017 Optymalizacja statyczna funkcji Funkcja celu/kryterialna/kosztów Ograniczenie Q(x) min x x = arg min Q(x) x x X, gdzie X zbiór rozwiązań dopuszczalnych
Bardziej szczegółowoIII. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań.
III. Układy liniowe równań różniczkowych. 1. Pojęcie stabilności rozwiązań. Analiza stabilności rozwiązań stanowi ważną część jakościowej teorii równań różniczkowych. Jej istotą jest poszukiwanie odpowiedzi
Bardziej szczegółowoTEORIA OBWODÓW I SYGNAŁÓW LABORATORIUM
EORI OBWODÓW I SYGNŁÓW LBORORIUM KDEMI MORSK Katedra eleomuniacji Morsiej Ćwiczenie nr 2: eoria obwodów i sygnałów laboratorium ĆWICZENIE 2 BDNIE WIDM SYGNŁÓW OKRESOWYCH. Cel ćwiczenia Celem ćwiczenia
Bardziej szczegółowoPolitechnika 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 szczegółowoOptymalizacja harmonogramów budowlanych - problem szeregowania zadań
Mieczysław POŁOŃSKI Wydział Budownictwa i Inżynierii Środowisa, Szoła Główna Gospodarstwa Wiejsiego, Warszawa, ul. Nowoursynowsa 159 e-mail: mieczyslaw_polonsi@sggw.pl Założenia Optymalizacja harmonogramów
Bardziej szczegółowoWstęp do metod numerycznych 9a. Układy równań algebraicznych. P. F. Góra
Wstęp do metod numerycznych 9a. Układy równań algebraicznych P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Układy równań algebraicznych Niech g:r N równanie R N będzie funkcja klasy co najmniej
Bardziej szczegółowoDefinicja 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 szczegółowoAutomatyka i Robotyka II Stopień ogólno akademicki studia niestacjonarne wszystkie Katedra Automatyki i Robotyki Prof. dr hab. inż.
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2013/2014
Bardziej szczegółowoMetoda rozwiązywania układu równań liniowych z symetryczną, nieokreśloną macierzą współczynników ( 0 )
MATEMATYKA STOSOWANA 7, 2006 Izabella Czochralsa (Warszawa) Metoda rozwiązywania uładu równań liniowych z symetryczną, nieoreśloną macierzą współczynniów ( 0 ) Streszczenie. W pracy zaadaptowano opracowaną
Bardziej szczegółowo1.3. 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 szczegółowoKADD Metoda najmniejszych kwadratów funkcje nieliniowe
Metoda najmn. kwadr. - funkcje nieliniowe Metoda najmniejszych kwadratów Funkcje nieliniowe Procedura z redukcją kroku iteracji Przykłady zastosowań Dopasowanie funkcji wykładniczej Dopasowanie funkcji
Bardziej szczegółowoMetody 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 szczegółowoAproksymacja 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 szczegółowoIX. Rachunek różniczkowy funkcji wielu zmiennych. 1. Funkcja dwóch i trzech zmiennych - pojęcia podstawowe. - funkcja dwóch zmiennych,
IX. Rachunek różniczkowy funkcji wielu zmiennych. 1. Funkcja dwóch i trzech zmiennych - pojęcia podstawowe. Definicja 1.1. Niech D będzie podzbiorem przestrzeni R n, n 2. Odwzorowanie f : D R nazywamy
Bardziej szczegółowoWYMAGANIA Z WIEDZY I UMIEJĘTNOŚCI NA POSZCZEGÓLNE STOPNIE SZKOLNE DLA KLASY 3g. zakres rozszerzony
WYMAGANIA Z WIEDZY I UMIEJĘTNOŚCI NA POSZCZEGÓLNE STOPNIE SZKOLNE DLA KLASY 3g zares rozszerzony 1. Wielomiany bardzo zna pojęcie jednomianu jednej zmiennej; potrafi wsazać jednomiany podobne; potrafi
Bardziej szczegółowojest scharakteryzowane przez: wektor maksymalnych żądań (ang. claims), T oznaczający maksymalne żądanie zasobowe zadania P j
Systemy operacyjne Zaleszczenie Zaleszczenie Rozważmy system sładający się z n procesów (zadań) P 1,P 2,...,P n współdzielący s zasobów nieprzywłaszczalnych tzn. zasobów, tórych zwolnienie może nastąpić
Bardziej szczegółowoElementy Modelowania Matematycznego
Elementy Modelowania Matematycznego Wykład 8 Programowanie nieliniowe Spis treści Programowanie nieliniowe Zadanie programowania nieliniowego Zadanie programowania nieliniowego jest identyczne jak dla
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych Wykresy i warstwice funkcji wielu zmiennych. Granice i ciagłość funkcji wielu zmiennych. Pochodne czastkowe funkcji wielu zmiennych. Gradient. Pochodna kierunkowa. Różniczka zupełna.
Bardziej szczegółowoPOD- I NADOKREŚLONE UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
POD- I NADOKREŚLONE UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH Transport, studia I stopnia rok akademicki 2011/2012 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko
Bardziej szczegółowoTechniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I
Techniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje:
Bardziej szczegółowoWyznaczanie długości fali świetlnej za pomocą spektrometru siatkowego
Politechnia Łódza FTIMS Kierune: Informatya ro aademici: 2008/2009 sem. 2. Termin: 16 III 2009 Nr. ćwiczenia: 413 Temat ćwiczenia: Wyznaczanie długości fali świetlnej za pomocą spetrometru siatowego Nr.
Bardziej szczegółowoWstęp 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 szczegółowoZrównoleglona 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 szczegółowoRównanie Fresnela. napisał Michał Wierzbicki
napisał Michał Wierzbici Równanie Fresnela W anizotropowych ryształach optycznych zależność między wetorami inducji i natężenia pola eletrycznego (równanie materiałowe) jest następująca = ϵ 0 ˆϵ E (1)
Bardziej szczegółowoWykład 21: Studnie i bariery cz.1.
Wyład : Studnie i bariery cz.. Dr inż. Zbigniew Szlarsi Katedra Eletronii, paw. C-, po.3 szla@agh.edu.pl http://layer.uci.agh.edu.pl/z.szlarsi/ 3.6.8 Wydział Informatyi, Eletronii i Równanie Schrödingera
Bardziej szczegółowoANALIZA WIELOKRYTERIALNA
ANALIZA WIELOKRYTERIALNA Dział Badań Operacyjnych zajmujący się oceną możliwych wariantów (decyzji) w przypadu gdy występuje więcej niż jedno ryterium oceny D zbiór rozwiązań (decyzji) dopuszczalnych x
Bardziej szczegółowo13. 13. BELKI CIĄGŁE STATYCZNIE NIEWYZNACZALNE
Część 3. BELKI CIĄGŁE STATYCZNIE NIEWYZNACZALNE 3. 3. BELKI CIĄGŁE STATYCZNIE NIEWYZNACZALNE 3.. Metoda trzech momentów Rozwiązanie wieloprzęsłowych bele statycznie niewyznaczalnych można ułatwić w znaczącym
Bardziej szczegółowoRestauracja a poprawa jakości obrazów
Restauracja obrazów Zadaniem metod restauracji obrazu jest taie jego przeształcenie aby zmniejszyć (usunąć) znieształcenia obrazu powstające przy jego rejestracji. Suteczność metod restauracji obrazu zależy
Bardziej szczegółowoMetody numeryczne Wykład 7
Metody numeryczne Wykład 7 Dr inż. Michał Łanczont Instytut Elektrotechniki i Elektrotechnologii E419, tel. 4293, m.lanczont@pollub.pl, http://m.lanczont.pollub.pl Plan wykładu Rozwiązywanie równań algebraicznych
Bardziej szczegółowoUkłady 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 szczegółowoElementy metod numerycznych
Wykład nr 5 i jej modyfikacje. i zera wielomianów Założenia metody Newtona Niech będzie dane równanie f (x) = 0 oraz przedział a, b taki, że w jego wnętrzu znajduje się dokładnie jeden pierwiastek α badanego
Bardziej szczegółowoRozwiązywanie 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 szczegółowow analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą
Bardziej szczegółowoZastosowanie informatyki w elektrotechnice
Zastosowanie informatyi w eletrotechnice Politechnia Białostoca - Wydział Eletryczny Eletrotechnia, semestr V, studia niestacjonarne Ro aademici 2006/2007 Wyład nr 4 (15.12.2006 Zastosowanie informatyi
Bardziej szczegółowoWybrane metody przybliżonego. wyznaczania rozwiązań (pierwiastków) równań nieliniowych
Wykład trzeci 1 Wybrane metody przybliżonego wyznaczania rozwiązań pierwiastków równań nieliniowych 2 Metody rozwiązywania równań nieliniowych = 0 jest unkcją rzeczywistą zmiennej rzeczywistej Rozwiązanie
Bardziej szczegółowoModelowanie przez zjawiska przybliżone. Modelowanie poprzez zjawiska uproszczone. Modelowanie przez analogie. Modelowanie matematyczne
Modelowanie rzeczywistości- JAK? Modelowanie przez zjawisa przybliżone Modelowanie poprzez zjawisa uproszczone Modelowanie przez analogie Modelowanie matematyczne Przyłady modelowania Modelowanie przez
Bardziej szczegółowoMetoda Karusha-Kuhna-Tuckera
Badania operacyjne i teoria optymalizacji Poznań, 2015/2016 Plan 1 Sformułowanie problemu 2 3 Warunki ortogonalności 4 Warunki Karusha-Kuhna-Tuckera 5 Twierdzenia Karusha-Kuhna-Tuckera 6 Ograniczenia w
Bardziej szczegółowoMetody 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 szczegółowoWYKŁADY 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 szczegółowoMETODY 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 szczegółowoRÓWNANIA 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 szczegółowoWAHADŁO SPRĘŻYNOWE. POMIAR POLA ELIPSY ENERGII.
ĆWICZENIE 3. WAHADŁO SPRĘŻYNOWE. POMIAR POLA ELIPSY ENERGII. 1. Oscylator harmoniczny. Wprowadzenie Oscylatorem harmonicznym nazywamy punt materialny, na tóry,działa siła sierowana do pewnego centrum,
Bardziej szczegółowoKubatury 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 szczegółowoColloquium 3, Grupa A
Colloquium 3, Grupa A 1. Z zasobów obliczeniowych pewnego serwera orzysta dwóch użytowniów. Każdy z nich wysyła do serwera zawsze trzy programy naraz. Użytowni czea, aż serwer wyona obliczenia dotyczące
Bardziej szczegółowoGeometria analityczna przestrzeni
ALGEBRA LINIOWA 1 Wydział Mechaniczny / AIR, MTR Semestr zimowy 2009/2010 Prowadzący: dr Teresa Jurlewicz Wetory, długość wetora Geometria analityczna przestrzeni Zadanie 1 [5.1] Obliczyć długości podanych
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Maciej Drwal maciej.drwal@pwr.wroc.pl 1 Problem programowania liniowego min x c T x (1) Ax b, (2) x 0. (3) gdzie A R m n, c R n, b R m. Oznaczmy przez x rozwiązanie optymalne, tzn.
Bardziej szczegółowoInżynierskie metody analizy numerycznej i planowanie eksperymentu / Ireneusz Czajka, Andrzej Gołaś. Kraków, Spis treści
Inżynierskie metody analizy numerycznej i planowanie eksperymentu / Ireneusz Czajka, Andrzej Gołaś. Kraków, 2017 Spis treści Od autorów 11 I. Klasyczne metody numeryczne Rozdział 1. Na początek 15 1.1.
Bardziej szczegółowo2. 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 szczegółowoWykład VIII Rozwiązywanie równań i układów równań nieliniowych
Wyład VIII Rozwiązywanie równań i uładów równań nieliniowych Równania nieliniowe w technice Zadanie wyznaczenia pierwiastów równania nieliniowego Metody iteracji z otaczaniem i podziałem (bisecja i regula-falsi)
Bardziej szczegółowo