Optymalizacja funkcji

Wielkość: px
Rozpocząć pokaz od strony:

Download "Optymalizacja funkcji"

Transkrypt

1 MARCIN BRAŚ Opymalzacja funcj ) Opymalzacja w obszarze neoranczonym WK: y. y WW: > > y y Znaleźć mnmum funcj: (, y) ( ) y ( ) y y ( ) y solve, P(, ) y y solve, y ( ) y ( ) y y y ( ) y W W W > (, y) > Op. W punce P(, ) sneje mnmum lobalne (, ) ) Opymalzacja w obszarze oranczonym a) warune równoścowy (, y) ( ) y przy oranczenu: h: y (, y ) ( ) ( ) ( ) ( ) solve, y solve, y,

2 MARCIN BRAŚ b) warune nerównoścowy (, y) ( ) y przy oranczenu: : > zamenam na ( y) ( ) y y y y y y (, ) SORMUŁOWANIE ZADANIA OPTYMALIZACYJNEGO W OBSZARZE OGRANICZONYM RÓWNOŚCIAMI I NIERÓWNOŚCIAMI mn() () - funcja celu (),,..., m nerównoścowe warun oranczające h j () j,,..., p równoścowe warun oranczające Klasyfacja meo:.... Opymalzacja w obszarze noranczonym - mnmum funcj bez oranczeń Opymalzacja w obszarze oranczonym lub h j lub h j Zaane proramowana lnoweo:,, h j - funcje lnowe Zaane proramowana waraoweo: - funcja waraowa,, h j - funcje lnowe A. a) Meoy prowazące o ułau równań alebracznych b) Meoy przeszuwana obszaru - meoy raenowe (echera-powell'a, raenów sprężonych) - meoy bezraenowe METODA SZUKANIA MINIMUM PO KIERUNKU ~ ~ - erune - łuość rou ~ Przyła:? ~ (, y) ( ) y (, y) ( ) y y ( ) y y y

3 MARCIN BRAŚ ( ) ( y y) (, ) y - erune - pun sarowy ( ) ( ) solve, y y METODA MNOŻNIKÓW LAGRANGEA () mn h j () j,,...p, () n j j h j s h s,,..., n s,,..., p Przyła (, y) ( ) y Przy oranczenu h: y ( ) y ( y ) ( ) y ( y ) y ( ) y ( y ) y ( ) y ( y ) y Gven y y n(, y, )

4 MARCIN BRAŚ METODA KIERUNKÓW DOPUSZCZALNYCH mn() n R (),,..., n (meoa polea na przeszsuwanu obszaru ro za roem). Oreślene obszaru opuszczalneo Ω Ω Ω Ω... Ω m n { : R } Ω ;. Poszuwane punu opymalneo q q q q q - pun sarowy q - erune q -łuość rou. Warun jae mus spełnać erune q a) warune opuszczalnośc - erune ne wychoz poza oranczena > < - problem ścśle wypuły ~ Kerun opuszczalne < - problem wypuły b) warune użyecznośc (polepszene funcj celu) < Kerun użyeczne Ja obrać erune opuszczalny użyeczny - pun leży wewnąrz obszaru opuszczalneo zasaa najmnejszeo spau: - pun leży na brzeu obszaru opuszczalneo w w

5 MARCIN BRAŚ Przyła: (, y) y Pun sarowy: (, ) po warunam: (, y) y (, y) y (, ) (, ) (, ) (, ) 9 Pun znajuje sę wewnąrz obszaru opuszczalneo Zasaa najmnejszeo spau: (, y) y (, y) y Nasępny pun: ( ) ( y y) ( ) ( ) ( ) ( ) 8 solve, 8 lub sorzysać z wzoru: * * * ( ) ( ) la ( ) ( y y) ( ) ( ) ( ) ( ) solve,.97.

6 MARCIN BRAŚ ujemną warość orzucamy, yż oznacza cofnęce sę la ( y y) ( ) ( ) ( ) ( ) ( ) solve, ujemną warość orzucamy, yż oznacza cofnęce sę 7 9 mn(, ) mn, mn(, ) mn,.79.89

7 MARCIN BRAŚ 7 Sprawzamy warun: ( ) brze.8.8 w jenym warunu jeseśmy na brzeu, PROGRAMOWANIE LINIOWE w,,..., m w (, y) y y y y (, y) y y meoa smple y y (-,) (,) (-,-) (,-)

8 MARCIN BRAŚ 8 w w ( ) solve, w.7 w ( ) solve, w.7 w ( ) solve, w.7 w ( ) solve, w.7 Ze wszysch orzymanych wynów wyberamy "w" masymalne w.7 * * * ( ) ( ) ( ).9.7.7

9 MARCIN BRAŚ 9 mn, mn,..9 Warość la są enyczne ja la solve, y y la * * * Sprawzamy warun:

10 MARCIN BRAŚ Spełnono warun Kuhna Tucera II.. II A. Jeżel j < o opowene oranczene j jes neaywne. Należy z macerzy A wyreślć raeny j, la óreo j < a aby pozosały ylo j >. szuamy a b. a AA A b { } { } A... Proceura meoy: Zbór ych oranczeń, na órych w anym momence znalazł sę pun. METODA PROJEKCJI GRADIENTÓW la oranczeń neaywnych, () *) ( *) ( *) *, ( *) *, ( * y X WARUNKI KUHNA - TUCKERA Warośc są jenaowe: Warun Kuhna-Tucera syuacja wóch oranczeń ,..., m,.

11 MARCIN BRAŚ II II po wyreślenu pozosaje T aby można było wyonać operację powyżej ołaamy wersz w mejscu II A Wyreślamy n,, Gven b b a T a A z y 7 y Zamenamy na warun mnejszoścowe z y 7 y warun: y z Przyła

12 MARCIN BRAŚ METODA GRADIENTÓW SPRĘŻONYCH () mn A b A b h - łuość rou h - erune f ( ) A b ( ) A( h ) b A b Ah Ah Założene: Kerune h ( ) wzajemne oroonalne h h A h - oroonalność - sprzężene poprzez macerz A Przyła (, ) A b h h * * h A * h Ah ( ) 7 ( ) 7 7 7

13 MARCIN BRAŚ lub: h γ Ah h Ah 7 7 γ γ 89 ( ) h γ h 7 h h A h Ah lub h

WYKŁAD nr Ekstrema funkcji jednej zmiennej o ciągłych pochodnych. xˆ ( ) 0

WYKŁAD nr Ekstrema funkcji jednej zmiennej o ciągłych pochodnych. xˆ ( ) 0 WYKŁAD nr 4. Zaanie programowania nieliniowego ZP. Ekstrema unkcji jenej zmiennej o ciągłych pochonych Przypuśćmy ze punkt jest punktem stacjonarnym unkcji gzie punktem stacjonarnym nazywamy punkt la którego

Bardziej szczegółowo

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

Elementy Modelowania Matematycznego

Elementy Modelowania Matematycznego Elementy Modelowania Matematycznego Wykład 8 Programowanie nieliniowe Spis treści Programowanie nieliniowe Zadanie programowania nieliniowego Zadanie programowania nieliniowego jest identyczne jak dla

Bardziej szczegółowo

Ż ż Ł ż ż ż Ż Ś ż ż ż Ł Ż Ż ć ż Ż Ż Ż Ń Ż Ź ż Ź Ź ż Ż ż ż Ż Ł Ż Ł Ż ż Ż ż Ż Ż Ń Ą Ż Ń Ż Ń ć ż Ż ź Ś ć Ł Ł Ź Ż Ż ż Ł ż Ż Ł Ż Ł ź ć ż Ż Ż ż ż Ó ż Ł Ż ć Ż Ż Ę Ż Ż Ż ż Ż ż ż Ś ż Ż ż ż ź Ż Ń ć Ż ż Ż Ż ż ż ż

Bardziej szczegółowo

Ł Ł Ś ź ń ź ź ź Ś Ł Ę Ę Ś ż Ś ń Ą Ś Ą Ł ż ż ń ż ć ż ż ż ź ż ć ź Ę Ę ń ć ż Ł ń ż ż ż Ś ż Ś ż ż ż ż ż ż ż ń ń ż ż ż ć ż ń ż ń ź ż ć ż ż ć ń ż Ę Ę ć ń Ę ż ż ń ń ź Ę ź ż ń ż ń ź ż ż ż ń ż ż ż ż ż ż ż ż ń ń

Bardziej szczegółowo

Ś Ł Ą Ś Ś ź Ś ń ż ż Ó ż ż Ś Ł ż ń ń ń ż ń Ś ń ć ŚĘ Ó Ł Ę Ł Ś Ę Ę ń ń ń ń ń Ź ń ń ń ń ń ż ń ń ń ń ń Ę ż ż ć Ść ń ń ż Ń ż ż ń ń Ś Ą ń Ś ń ń ż Ó ż Ź ń ż ń Ś Ń Ó ż Ł ż Ą ź ź Ś Ł ć Ś ć ż ź ż ć ć Ę Ó Ś Ó ż ż

Bardziej szczegółowo

Ł Ł Ś Ę ź ń ź ź Ś Ę Ę Ś Ą Ś Ę Ż Ł ń Ę Ś ć ć ń ć ń ń ń ź ń Ę ź ń ń ń ź ź Ś ź ź ć ń ń ń ń Ś ć Ś ń ń Ś ź ń Ę ń Ś ź ź ź ź ź Ę Ę Ę Ś ń Ś ć ń ń ń ń ń ń Ę ń ń ń ń ć ń ń ń ń ć ń Ś ć Ł ń ń ń ć ń ć ź ń ź ć ń ń ć

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

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

ż ż ć ż Ż ż ż ć Ł ń ń ź ć ń Ś ż Ł ć ż Ź ż ń ż Ż Ś ć ź ż ć Ś ń ń ź ż ź ń Ś ń Ś ż ń ń ż ć ż ż Ą ć ń ń ń ć ż ć Ś ż Ć ć ż Ś Ś ć Ż ż Ś ć Ż Ż Ż Ą ń ń ć ń Ż ć ń ż Ż ń ż Ś ń Ś Ś ć Ż Ż Ć Ó Ż Ść ż Ż ż ż ń Ż Ż ć

Bardziej szczegółowo

ń ń ź ź ć ń ń Ą Ź ń Ą ĄĄ Ą ń ź Ł Ł ń ć Ó Ą Ą ń ń ć ń ć ź ć ć Ó ć Ó ć Ś ć Ó ń ć ć ć ź ć Ą Ó Ź Ź Ź Ą ź Ó Ą ń ń Ź Ó Ź Ń ć Ń ć ź ń ń ń ń ń ń Ń ń Ź ń Ź Ź Ź ń ń ń Ą Ź Ó ĄĄ ń Ą ń ń Ó Ń Ó Ó ń Ą Ó ź ń ź Ą Ó Ą ź

Bardziej szczegółowo

Ą Ą Ś Ż Ą ć Ź ć Ó Ś Ż Ź Ó ć Ś Ż ć Ś Ź Ó ć Ż Ż Ź Ż Ó Ź Ó Ż Ż Ż Ż Ż Ś Ź Ś ć ć ć Ź ć ć Ó Ó Ó Ś Ą ć ć Ź Ż Ż Ż Ż ź Ż ź Ó Ś Ą Ź Ż Ż ć Ź Ó Ż Ó Ś Ą Ś Ś Ź Ż Ś Ż Ż Ź Ó ć Ś Ś Ść Ś Ż Ź Ó Ś Ó Ź Ó Ż Ź Ó Ś Ś Ż Ź Ż Ś

Bardziej szczegółowo

Ą Ł Ą Ą ś ś ż Ż ś ś ś ść ś ś Ą ś Ż ś ć ż ś ś ż ś ż Ć Ł Ż ż Ź ć ĄĄ Ż Ą Ż Ą Ź Ż Ł Ł Ę ś ś ś ż Ą ś Ą ś Ą Ż Ą Ż Ą Ć Ż Ż ś Ż Ą Ć Ł Ł Ę ś ż Ż ć ś ś ś ś Ż Ć ż ż ś ś ż ś ś Ż Ż ś ś ś ś ś Ż ż Ż ś ś Ż Ę ż ś ż Ź Ę

Bardziej szczegółowo

Ę Ę Ę Ę Ę Ź Ą Ę Ą Ę Ą Ą Ę ć Ś ć Ę Ą ź Ą Ź ć Ę Ź Ę ć Ą Ę Ś Ę Ę Ź Ą Ę ć ź Ą Ź Ę ź Ę Ą Ś Ł Ą Ź Ę Ę Ę Ę ć Ę Ą Ę Ę Ą Ś Ą Ę ź ć Ę Ę Ę ź Ź ź Ą Ź Ę Ź ź Ź ć ć Ę Ę Ę Ą Ą Ą Ę ć Ę Ę ć Ę Ę Ą Ę Ą Ę Ę Ę Ą Ę Ś ć Ą ć ć

Bardziej szczegółowo

Ę Ę Ę Ó Ę Ę Ó Ź ć Ł Ś Ó Ó Ł Ł Ż ć ć Ż Ą Ż ć Ę Ę ź ć ź Ą Ę Ż ć Ł Ę ć Ż Ę Ę ć ć Ż Ż Ę Ż Ż ć Ó Ę Ę ć Ę ć Ę Ę Ż Ż Ż Ż ź Ż Ę Ę ź Ę ź Ę Ż ć ć Ą Ę Ę ć Ę ć ć Ź Ą Ę ć Ę Ą Ę Ę Ę ć ć ć ć Ć Ą Ą ć Ę ć Ż ć Ę ć ć ć Ą

Bardziej szczegółowo

Ę Ł ć Ą ż Ł Ł Ą Ó ż Ł Ś Ę Ś Ó Ł Ń Ą Ą Ł Ą ĄĄ ż ć Ś Ź ć ć Ł ć ć ć Ś Ó Ś Ś ć ć ć ć Ó ć ć ć Ś ż Ł Ą ż Ś ż Ł ć ć Ó ć ć Ą ć Ś ć ż ć ć Ś ć Ł Ń ć ć Ę ć ć ć Ó ć ć ć ć ć ć ź ć ć Ó ć ć ć ć ć ż ć ć ć ć Ł ć ć ć ć

Bardziej szczegółowo

Ż ź ź ź ź ź ć ć Ą Ą ć Ą ź ź ć Ż Ś ź ć ć Ę ć ź ź ć ź Ą ĄĄ Ń Ą Ń ć ć ć ć Ę ć Ń ć ć ć ć Ą ć ć ć ć ć Ń Ń ć ć ź ź ć Ę Ę ć Ą ć ć ć ć ć Ń Ę ć ć ć ć ć ć ć ć ć ź ć ź Ą ć ć ć Ń ć ć ć ć ź ć ć ć Ń Ń ć ź ź ć ź ź ć

Bardziej szczegółowo

Ł Ą Ś Ą Ą ź ć ź Ł Ą ć ć ć ć ź Ś ć ć ć Ą Ł ć ź ć ć ć ć Ł ć ć ć ć ć Ł Ą ć Ś Ś Ż ć ź Ą ź ź ź ć ź ć ć ć ć ź ź ć ź ź ź Ś ź ź ć ć ć ć Ś ć ź ź ć ć Ą ź ź ź ź ź ć ć ć ć Ś ć ć ć Ś ć Ż Ł Ś Ł Ł Ł Ł Ż Ł Ś Ś ź ć Ą

Bardziej szczegółowo

Modelowanie i obliczenia techniczne. Równania różniczkowe Numeryczne rozwiązywanie równań różniczkowych zwyczajnych

Modelowanie i obliczenia techniczne. Równania różniczkowe Numeryczne rozwiązywanie równań różniczkowych zwyczajnych Moelowanie i obliczenia echniczne Równania różniczowe Numeryczne rozwiązywanie równań różniczowych zwyczajnych Przyła ułau ynamicznego E Uła ynamiczny R 0 Zachozi porzeba wyznaczenia: C u C () i() ur ir

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

; -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

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

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

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

Diagonalizacja macierzy kwadratowej

Diagonalizacja macierzy kwadratowej Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an

Bardziej szczegółowo

Technika optymalizacji

Technika 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 szczegółowo

Macierze hamiltonianu kp

Macierze hamiltonianu kp Macere halonanu p acer H a, dla wranego, war 44 lu 88 jeśl were jao u n r uncje s>; X>, Y>, Z>, cl uncje ransorujące sę według repreenacj grp weora alowego Γ j. worące aę aej repreenacj - o ora najardej

Bardziej szczegółowo

Kompresja fraktalna obrazów. obraz. 1. Kopiarka wielokrotnie redukująca 1.1. Zasada działania ania najprostszej kopiarki

Kompresja fraktalna obrazów. obraz. 1. Kopiarka wielokrotnie redukująca 1.1. Zasada działania ania najprostszej kopiarki Kompresa fratalna obraów. Kopara welorotne reuuąca.. Zasaa ałana ana naprostse opar Koncepca opar welorotne reuuące Naprosts prła opar. Moel matematcn obrau opara cęś ęścowa. obra weścow opara obra wścow

Bardziej szczegółowo

min h = x x Algorytmy optymalizacji lokalnej Nieliniowe zadanie optymalizacji bez ograniczeń numeryczne metody iteracyjne optymalizacji x x

min h = x x Algorytmy optymalizacji lokalnej Nieliniowe zadanie optymalizacji bez ograniczeń numeryczne metody iteracyjne optymalizacji x x Nelnowe zaane optymalzacj bez ogranczeń numeryczne metoy teracyjne optymalzacj mn n x R ) = f x Algorytmy poszuwana mnmum loalnego la: f zaana programowana nelnowego bez ogranczeń zaana programowana nelnowego

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

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

Metoda Karusha-Kuhna-Tuckera

Metoda 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 szczegółowo

Systemy Just-in-time. Sterowanie produkcją

Systemy Just-in-time. Sterowanie produkcją Systemy Just-n-tme Sterowane proukcją MRP MRP II Just n tme OPT 1 Sterowane proukcją MRP MRP II Just n tme OPT Koszty opóźneń Kary umowne Utrata zamówena Utrata klenta Utrata t reputacj 2 Problemy z zapasam

Bardziej szczegółowo

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego

Bardziej szczegółowo

Przykład obliczeniowy.

Przykład obliczeniowy. Przyła lzenwy. Sprawzene warunu tanu granzneg nśnś płża (ULS) na przyłaze tpy funaentwej na płżu jenrny ążnej łą pnwą pzą raz ente wywraająy. Zare lzeń eje ja wpnan w pprzen rzzale prawzene żlwś wypara

Bardziej szczegółowo

2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)

2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1) Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza

Bardziej szczegółowo

FUNKCJA LINIOWA. A) B) C) D) Wskaż, dla którego funkcja liniowa określona wzorem jest stała. A) B) C) D)

FUNKCJA LINIOWA. A) B) C) D) Wskaż, dla którego funkcja liniowa określona wzorem jest stała. A) B) C) D) FUNKCJA LINIOWA 1. Funkcja jest rosnąca, gdy 2. Wskaż, dla którego funkcja liniowa jest rosnąca Wskaż, dla którego funkcja liniowa określona wzorem jest stała. 3. Funkcja liniowa A) jest malejąca i jej

Bardziej szczegółowo

ę Ę ę ę ó ó Ę ę ś ś Ę ę Ę ń Ę Ę ó Ę ó ę ę Ę ń ęś ś ę ść Ę ó Ą ś ę ę ęę ę ę ń ę ę Ę ś Ł ę ę ę ć ś ę ś Ę ę ś ś ś Ą ś ę ę ń ó ę ć ś ń ó ó Ą ę ń ęę ś ś ś Ę ś ś ę ś ś ę ń ń Ę ĄĄ Ł Śę ó ń ś ń Ę ó ś ś ę ś Ę ś

Bardziej szczegółowo

WYZNACZANIE OPTYMALIZOWANYCH PROCEDUR DIAGNOSTYCZNO-OBSŁUGOWYCH

WYZNACZANIE OPTYMALIZOWANYCH PROCEDUR DIAGNOSTYCZNO-OBSŁUGOWYCH ZAKŁA KSPLOATACJI SYSTMÓW LKTRONICZNYCH INSTYTUT SYSTMÓW LKTRONICZNYCH WYZIAŁ LKTRONIKI WOJSKOWA AKAMIA TCHNICZNA ---------------------------------------------------------------------------------------------------------------

Bardziej szczegółowo

= 10 m/s i zatrzymał się o l = 20 m od miejsca uderzenia. Współczynnik tarcia krążka o lód wynosi a. 0,25 b. 0,3 c. 0,35 d. 0,4

= 10 m/s i zatrzymał się o l = 20 m od miejsca uderzenia. Współczynnik tarcia krążka o lód wynosi a. 0,25 b. 0,3 c. 0,35 d. 0,4 Imię i nazwiso Daa Klasa Grupa A Sprawdzian 3 PracA, moc, energia mechaniczna 1. Ze sojącego działa o masie 1 wysrzelono pocis o masie 1 g. nergia ineyczna odrzuu działa w chwili, gdy pocis opuszcza lufę

Bardziej szczegółowo

ALGORYTMY OPTYMALIZACJI wyklad 3.nb 1. Wykład 3. Sformułujemy teraz warunki konieczne dla istnienia rozwiązań zagadnienia optymalizacyjnego:

ALGORYTMY OPTYMALIZACJI wyklad 3.nb 1. Wykład 3. Sformułujemy teraz warunki konieczne dla istnienia rozwiązań zagadnienia optymalizacyjnego: ALGORYTMY OPTYMALIZACJI wyklad 3.nb 1 Wykład 3 3. Otymalizacja z ograniczeniami Sformułujemy teraz warunki konieczne dla istnienia rozwiązań zagadnienia otymalizacyjnego: g i HxL 0, i = 1, 2,..., m (3.1)

Bardziej szczegółowo

1 Postulaty mechaniki kwantowej

1 Postulaty mechaniki kwantowej 1 1.1 Postulat Pierwszy Stan ukłau kwantowomechanicznego opisuje funkcja falowa Ψ(r 1, r 2,..., r N, t) zwana także funkcją stanu taka, że kwarat jej moułu: Ψ 2 = Ψ Ψ pomnożony przez element objętości

Bardziej szczegółowo

1.2. Rozwiązywanie zadań programowania liniowego metodą geometryczną

1.2. Rozwiązywanie zadań programowania liniowego metodą geometryczną binarną są określane mianem zadania programowania binarnego. W stosunku do dyskretnych modeli decyzyjnych stosuje się odrębną klasę metod ich rozwiązywania. W dalszych częściach niniejszego rozdziału zostaną

Bardziej szczegółowo

7. OBIEG TERMODYNAMICZNY

7. OBIEG TERMODYNAMICZNY Obieg ermynamiczny /8 7. OBIEG ERODYNAICZNY 7.. Zamiana ciepła na pracę w silniu cieplnym Zasaa zachwania energii, a ja jej specjalny przypae w niesieniu zjawis cieplnych równważnść energii cieplnej i

Bardziej szczegółowo

Teoria sterowania 1 Temat ćwiczenia nr 7a: Synteza parametryczna układów regulacji.

Teoria sterowania 1 Temat ćwiczenia nr 7a: Synteza parametryczna układów regulacji. eoria serowania ema ćwiczenia nr 7a: Syneza parameryczna uładów regulacji. Celem ćwiczenia jes orecja zadanego uładu regulacji wyorzysując nasępujące meody: ryerium ampliudy rezonansowej, meodę ZiegleraNicholsa

Bardziej szczegółowo

Elementy Modelowania Matematycznego Wykład 7 Programowanie nieliniowe i całkowitoliczbowe

Elementy Modelowania Matematycznego Wykład 7 Programowanie nieliniowe i całkowitoliczbowe Spis treści Elementy Modelowania Matematycznego Wykład 7 i całkowitoliczbowe Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp 2 3 Spis treści Spis treści 1 Wstęp

Bardziej szczegółowo

ż Ą Ź Ą Ż ź ż ć Ą ż ź ć ź Ś ż ź ć ż ĄĄ ż ż ź ż ć ć Ę ć ż ć Ś ć ć ź ż ż ć ż ć Ę ć Ę Ę ż ż Ę ć Ś ż ć ż ć ż Ą ź ż źć ż ż ż ż ź ź ż ć ć ż ć ż ć ć ż Ę ć ź ć ć ż ć ć ż ć ć ć ć ż Źć ź ż ć ć Ę Ą Ę ć ź Ę Ę ż Ę

Bardziej szczegółowo

ANALIZA SZEREGÓW CZASOWYCH

ANALIZA SZEREGÓW CZASOWYCH ANALIZA ZEREGÓW CZAWYCH zereg czasow zbór warosc baanej cech lub warosc baanego zjawska zaobserwowanch w róznch momenach czasu uporzakowan chronologczne. klank szeregu czasowego:. enencja rozwojowa (ren)

Bardziej szczegółowo

Maciej Grzesiak. Optymalizacja

Maciej Grzesiak. Optymalizacja Maciej Grzesiak Optymalizacja Oznaczenia. Część pojęć i twierdzeń jest formułowana dla ogólnej przestrzeni liniowej V. Jeśli jest ona skończenie wymiarowa, tzn. V = R n dla pewnego n, to wektory traktujemy

Bardziej szczegółowo

Ś Ś Ś Ś Ś Ś Ę Ą Ę ŚĘ Ę Ś ń Ę Ę Ą Ł Ż Ń Ł ć Ą ć Ł Ę Ó ć Ź ć ź ń Ń ń Ś Ą Ę Ł Ę Ą Ę ń ć ń Ź ć ń ć ń Ś ń ŚĆ ć ź Ł Ę Ę Ś Ę Ę Ę ń ŚĘ Ń Ę Ę ń ŚĘ Ę Ę Ś Ś ć ń Ę ń Ś Ę ć ć Ę Ę ć ź ć ń Ę Ń ń ć Ł Ę Ę Ę Ę ć Ę ć ć ź

Bardziej szczegółowo

Udoskonalona metoda obliczania mocy traconej w tranzystorach wzmacniacza klasy AB

Udoskonalona metoda obliczania mocy traconej w tranzystorach wzmacniacza klasy AB Julusz MDZELEWSK Wydzał Eletron Techn nformacyjnych, nstytut Radoeletron, oltechna Warszawsa do:0.599/48.05.09.36 dosonalona metoda oblczana mocy traconej w tranzystorach wzmacnacza lasy AB Streszczene.

Bardziej szczegółowo

Temat 6. ( ) ( ) ( ) k. Szeregi Fouriera. Własności szeregów Fouriera. θ możemy traktować jako funkcje ω, których dziedziną jest dyskretny zbiór

Temat 6. ( ) ( ) ( ) k. Szeregi Fouriera. Własności szeregów Fouriera. θ możemy traktować jako funkcje ω, których dziedziną jest dyskretny zbiór ema 6 Opracował: Lesław Dereń Kaedra eorii Sygnałów Insyu eleomuniacji, eleinformayi i Ausyi Poliechnia Wrocławsa Prawa auorsie zasrzeżone Szeregi ouriera Jeżeli f ( ) jes funcją oresową o oresie, czyli

Bardziej szczegółowo

Ź Ć Ą ć Ą ż Ć Ł Ł Ł Ą ć Ź ż ń ć ń ż ż ż ż Ź Ź Ą ż Ć ż ż ż ż ż Ą Ą Ć Ź ż ć ż ż Ą Ź Ą ż ż ć ż Ć Ą Ą ż Ą ź ż Ą ż Ź ż Ą ż ż ż ć Ąć ć Ą ć ż Ć Ą Ź Ą ż ż Ą ż Ą Ą ĄĄ Ą ż ż Ą Ć ż Ą ż ż ż ć Ą Ą Ł ż Ć ć ĄĄ Ą ć Ą

Bardziej szczegółowo

UNIWESRYTET EKONOMICZNY WE WROCŁAWIU HOSSA ProCAPITAL WYCENA OPCJI. Sebastian Gajęcki WYDZIAŁ NAUK EKONOMICZNYCH

UNIWESRYTET EKONOMICZNY WE WROCŁAWIU HOSSA ProCAPITAL WYCENA OPCJI. Sebastian Gajęcki WYDZIAŁ NAUK EKONOMICZNYCH UNIWESRYTET EKONOMICZNY WE WROCŁAWIU HOSSA ProCAPITAL WYCENA OPCJI Sebastian Gajęcki WYDZIAŁ NAUK EKONOMICZNYCH WPROWADZENIE Opcje są instrumentem pochonym, zatem takim, którego cena zależy o ceny instrumentu

Bardziej szczegółowo

Spis treści. Koszalin 2006 [BADANIA OPERACYJNE PROGRAMOWANIE LINIOWE]

Spis treści. Koszalin 2006 [BADANIA OPERACYJNE PROGRAMOWANIE LINIOWE] Spis treści 1 Zastosowanie Matlab a... 2 1.1 Wstęp... 2 1.2 Zagadnienie standardowe... 3 1.3 Zagadnienie transportowe... 5 1 Zastosowanie Matlab a Anna Tomkowska [BADANIA OPERACYJNE PROGRAMOWANIE LINIOWE]

Bardziej szczegółowo

Ź Ź Ó Ł Ś Ź Ń Ż Ę Ę ź Ę Ź ĘĄ ż ź Ę Ź Ż ź Ź Ł ź Ę Ż ż Ż Ą ź ż Ż Ż ż Ź ż ć ć ć Ż ż ż Ź ż ż Ź Ź Ż ć ć Ą Ż ć Ż Ń Ó ż ć ż Ż ż Ż Ź Ż ż ż Ę ż Ź Ź Ź Ź Ź ĄĄ ź Ż Ź Ź Ź Ż Ź Ź ź Ż Ź ź ź ź Ś Ź Ę ĘĄ ż Ż Ę ż ć Ś ĄĄ Ę

Bardziej szczegółowo

ź ą ą ź ć ź ą ć ź ź ń ą ą ń ą ą ą Żą Żą ć ź ą ą ą ą ą ą ć ć ź ą ąą ą ą ą ąą ą ą ć ą ć ź ć ć ć ą ć ć ą ć ć ć ć ą ć ą ą ć ć ć ą ć ź ć ć ź ć ą ć ą ą ć ć Ę Ł Ż ć ą ą ć ć ą ć ć ć ą ą ń Ż ą ą ą ą ą ć ć ą ć ą

Bardziej szczegółowo

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:

Bardziej szczegółowo

Ą Ą Ą Ą Ą Ą Ą Ą Ł Ó Ę Ń Ą Ą Ę Ł Ę Ś Ś Ś Ś Ł Ą Ż Ś Ź Ł Ó Ł Ą Ł Ę Ł Ą Ą Ą Ą Ą Ą Ą ĄĄ Ą Ś Ć Ą Ę Ę Ć Ł Ł Ś Ź Ź Ó ĆŚ Ż Ł Ś Ś Ź Ź Ó Ę Ę Ę Ó Ś Ź Ą Ę Ą Ś Ę Ł Ś Ł Ś Ś Ń Ś Ę Ę Ż Ż Ó Ś Ą Ć Ą Ź Ń Ś Ś Ś Ć Ł Ś

Bardziej szczegółowo

Kier. MTR Programowanie w MATLABie Laboratorium Ćw. 12

Kier. MTR Programowanie w MATLABie Laboratorium Ćw. 12 Ker. MTR Programowane w MATLABe Laboratorum Ćw. Analza statystyczna grafczna danych pomarowych. Wprowadzene MATLAB dysponuje weloma funcjam umożlwającym przeprowadzene analzy statystycznej pomarów, czy

Bardziej szczegółowo

Układy równań i nierówności liniowych

Układy równań i nierówności liniowych Układy równań i nierówności liniowych Wiesław Krakowiak 1 grudnia 2010 1 Układy równań liniowych DEFINICJA 11 Układem równań m liniowych o n niewiadomych X 1,, X n, nazywamy układ postaci: a 11 X 1 + +

Bardziej szczegółowo

Przybliżenie elektronów prawie swobodnych; metoda pseudopotencjału

Przybliżenie elektronów prawie swobodnych; metoda pseudopotencjału Przybliżenie eleronów prawie swobodnych; meoda pseudopoencjału Sieć pusa gdzie: Weor G gra uaj role indesu pasma. Warosci własne energii wyrażają się wzorem: Przybliżenie eleronów prawie swobodnych Ażeby

Bardziej szczegółowo

Ą Ś Ś ż Ż ć Ś Ż Ś Ń Ó Ż ć Ź ć ć Ż Ź Ś Ą Ą Ż Ś Ą ĘĄ Ś Ę ŚĘ Ę Ó Ś Ą ć Ś ź Ś ż Ż Ź ć ć ć Ą ć ć Ź ć ć ć ć Ś ć Ż ć ć Ą ć Ż ć Ż ć Ż Ż Ż ć Ż ć Ż ć Ż ż ź Ą ż ć Ż Ź Ż Ś Ż Ś Ą ż Ą Ż ź Ż ż ć Ż Ż Ą Ś Ź ć Ś ż Ź ż Ł

Bardziej szczegółowo

φ(x 1,..., x n ) = a i x 2 i +

φ(x 1,..., x n ) = a i x 2 i + Teoria na egzamin z algebry liniowej Wszystkie podane pojęcia należy umieć określić i podać pprzykłady, ewentualnie kontrprzykłady. Ponadto należy znać dowody tam gdzie to jest zaznaczone. Liczby zespolone.

Bardziej szczegółowo

ź Ł Ą ź ż ź ż ż ć ż ć ź ć Ą ć Ź ć Ą ż Ś Ą ż ź ń ź Ź ż Ą ż ć ć ż ń ż Ś ż ż ż ć ń ż ż Ź ń Ś ć ć ź Ą ż ć ń ż ż ż Ź ń ć Ę ż ż ń Ź ż ż ć ż ć ć ż ń Ś ć Ć ć ń ć ć ż ć ń ż Ś ż Ó ń Ś Ś Óż Ą Ą Ą ń ż Ń Ń Ł ż Ś Ą

Bardziej szczegółowo

dr inż. ADAM HEYDUK dr inż. JAROSŁAW JOOSTBERENS Politechnika Śląska, Gliwice

dr inż. ADAM HEYDUK dr inż. JAROSŁAW JOOSTBERENS Politechnika Śląska, Gliwice dr nż. ADA HEYDUK dr nż. JAOSŁAW JOOSBEENS Poltechna Śląsa, Glwce etody oblczana prądów zwarcowych masymalnych nezbędnych do doboru aparatury łączenowej w oddzałowych secach opalnanych według norm europejsej

Bardziej szczegółowo

Ą ń ż ź ż ż ż ź ź Ą ń ź ź Ć Ł ń Ą Ą ż Ę Ę ń ź ź ź ź ż ż ź ź ż ź ź ź ź ż ź ż ź ż ź ń ź ż ń ź ż Ó ń ń ń ż ż Ą ź ż ż Ę ż ż ż ż Ć ż ż Ą Ą ż ź ż ź ź ń Ę ń Ą ż ż ń ź ź ź Ę ż Ś ż Ć ń Ę ż Ę Ę Ę Ę Ś ź Ę ź ĄĄ Ę

Bardziej szczegółowo

Ó ć ć Ł ć ć Ó ć ć ć ć ć Ć ć ź ć ć ć ź ć ć Ó Ó ć Ó Ó Ą Ó Ź Ó Ł Ó Ó Ó Ź Ó Ó ć Ć ć Ó Ł ć ć ć Ć ć ć Ó Ó ć ć Ó Ć ć ć Ą ć Ó Ć Ó ć ć Ć Ć Ó Ź ć Ó Ą ć ć ć ź ć Ś ć ź Ć ć ć Ć Ź ĄĄ Ą Ó Ć ć Ć Ć Ć ć Ć Ć Ć Ą ĄĄ ź Ą Ś

Bardziej szczegółowo

4. Zjawisko przepływu ciepła

4. Zjawisko przepływu ciepła . Zawso przepływu cepła P.Plucńs. Zawso przepływu cepła wymana cepła przez promenowane wymana cepła przez unoszene wymana cepła przez przewodzene + generowane cepła znane wartośc temperatury zolowany brzeg

Bardziej szczegółowo

METODY ANALIZY OBWODÓW LINIOWYCH

METODY ANALIZY OBWODÓW LINIOWYCH y p j y p y p y p WOJH M MTODY ANAZY OBWODÓW NOWYH wyane nerneowe www.eoraobwoow.eu.pl r. Wy. Nała egz SBN 8-894-4-5 r. Wy. (oru) 5 egz. SBN 8-894-6- Wyawncwa czelnane Aaem Technczno-olnczej w Bygozczy

Bardziej szczegółowo

ć Ó ć Ź ć ć ć ć ć ć Ś Ą ć ź Ź ć Ź Ź ć ć ć Ą Ź ĄĄ ć ź ć ć ć ć ć ć Ą ź Ó ć ć ć ć ć ć ć Ą ć ź ć ć ć Ś Ą ź ć Ó ć ć ć Ł ć ć Ą ć ć Ą Ó ć ć ć ć ź ć ć ć ć ć ć Ść ć ć Ó ć Ę ć ć ÓĄ Ś ć ć ć Ą ć ć Ź ź Ś ć Ź ć ć ć

Bardziej szczegółowo

Metody optymalizacji. notatki dla studentów matematyki semestr zimowy 2015/2016

Metody optymalizacji. notatki dla studentów matematyki semestr zimowy 2015/2016 Metody optymalizacji notatki dla studentów matematyki semestr zimowy 2015/2016 Aktualizacja: 11 stycznia 2016 Spis treści Spis treści 2 1 Wprowadzenie do optymalizacji 1 11 Podstawowe definicje i własności

Bardziej szczegółowo

Sterowanie optymalne

Sterowanie 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 szczegółowo

PROGRAMOWANIE NIELINIOWE

PROGRAMOWANIE NIELINIOWE PROGRAMOWANIE NIELINIOWE Maciej Patan Uniwersytet Zielonogórski WSTEP Zadanie programowania nieliniowego (ZPN) min f(x) g i (x) 0, h i (x) = 0, i = 1,..., m g i = 1,..., m h f(x) funkcja celu g i (x) i

Bardziej szczegółowo

Metody optymalizacji nieliniowej (metody programowania nieliniowego) Ewa Niewiadomska-Szynkiewicz Instytut Automatyki i Informatyki Stosowanej

Metody optymalizacji nieliniowej (metody programowania nieliniowego) Ewa Niewiadomska-Szynkiewicz Instytut Automatyki i Informatyki Stosowanej Metody optymalizacji nieliniowej metody programowania nieliniowego Ewa Niewiadomsa-Szyniewicz Instytut Automatyi i Inormatyi Stosowanej Ewa Niewiadomsa-Szyniewicz ens@ia.pw.edu.pl Instytut Automatyi i

Bardziej szczegółowo

Ź Ę ą ć Ź Ź Ń ą ą Ź ą ę ę Ę Ń Ć ą Ę Ę ą Ć Ń ę Ń ę ę ą Ś ę ę ę Ę ę ą Ś Ę ę ą Ś ą Ź ą ę ą ę ą Ź Ś ę ą ą ę ę ęź ęź Ś Ę Ś Ć ą Ź Ś Ś ę ę Ź ę ą ą Ź ę Ź ą ą ą ą ę ę ę Ź ę Ź Ę ę Ś ź Ś Ę Ć ę Ź Ź ą Ń Ś ąą Ś Ź Ę

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

Programowanie liniowe

Programowanie liniowe Programowanie liniowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2010 Mirosław Sobolewski (UW) Warszawa, 2009 1 / 15 Homo oeconomicus=

Bardziej szczegółowo

Ś ć Ź Ż ć Ś Ą Ć Ł Ą Ł Ł Ś Ś Ń Ś Ś ć ć Ą ć ć ć Ść ć Ść Ł Ł Ą ć Ź Ż ź Ź Ń ć Ś Ą Ą Ł ć ć ć ć ć ź ć ć Ą ć ź ź ź Ł ź ź ć ź Ą Ą ź ć ć ć Ł ć ć Ą Ń ć ć ć Ą Ą Ą ć ć Ą Ą ć Ą Ł ć Ą Ą Ó Ó Ą ć ź ź ć ć ć Ą Ą Ą ĄĄ Ł

Bardziej szczegółowo