Zaawansowane metody numeryczne
|
|
- Magda Bednarek
- 5 lat temu
- Przeglądów:
Transkrypt
1 Zaawansowane metody numeyczne Optymalzacja Plan wykładów:. Wstęp 2. Pogamowane lnowe 3. Metoda SYMPLEX 4. Zagadnene dualne 5. Pogamowane nelnowe 5. Metody D 5.2 Metody welowymaowe - bezgadentowe - gadentowe 6. Optymalzacja globalna 6. Metoda symulowanego wyżazana 6.2 Metody Monte Calo pokewne - algoytm Metopolsa-Hastngsa - algoytmy ewolucyjne
2 Optymalzacja wg słownka języka polskego (PWN) to :.«oganzowane jakchś dzałań, pocesów tp. w tak sposób, aby dały jak najwększe efekty pzy jak najmnejszych nakładach» 2.«poszukwane za pomocą metod matematycznych najlepszego, ze względu na wybane kyteum, ozwązana danego zagadnena gospodaczego, pzy uwzględnenu okeślonych oganczeń» Nas oczywśce nteesować będą wszystke zagadnena, któe mogą być modelowane funkcją jednej lub welu zmennych. Ścśle: Nech dla danej pzestzen metycznej Ω: Ω = ( U, ) gdze U jest zboem agumentów zaś D jego podzboem D U, zaś metyką, funkcja f: f ( x) : U R nazywana jest funkcją celu (lub wskaźnkem jakośc). Zadane optymalzacj polega na znalezenu takego punktu x* D, że zachodz: x* = ag mn f x x D ( ) Często (szczególne w fzyce geofzyce) zamast o zagadnenu optymalzacj mówmy o tzw. zagadnenu odwotnym. Często w tym kontekśce jest ono pzedstawane w połączenu z zagadnenem postym (czasem zwązanym z modelowanem) ZAGADNIENIE PROSTE (ang. fowad poblem) model + paamety modelu dane (ośodek, funkcja źódła, tp.) m d ( m m,, m ) ( d, d,, ), 2 M 2 d N ZAGADNIENIE ODWROTNE (ang. nvese poblem) dane paamety modelu model d m
3 Model dysketny: d = d, d2,, d N syn syn syn syn d = [ d ] T, d2,, d N m = m, m2,, Dane: obs obs obs obs [ ] T m M Paamety modelu [ ] T Zwązek danych z paametam modelu podawany jest popzez zwązek: F = syn ( m, d ) 0 Postsze fomy ównana: d d syn syn = g = Gm ( m) g G funkcja nelnowa macez Paamety modelu są okeślane na dodze mnmalzacj nomy z óżncy: e = d obs d syn Najczęścej stosuje sę jedną z nom L p : N p p : e = p = L p e Im wększe p tym wpływ dużych błędów na ozwązane jest wększy. Noma L REASUMUJĄC Jeśl to e mn tue m m L : e = N e = jest najmnej czuła na duże watośc óżnc (odchyłek).
4 lka defncj o ogólnym chaakteze Zadane cągłechaakteyzuje sę cągłą pzestzeną pzeszukwań jest ona loczynem katezjańskm zbou lczb zeczywstych U=R n. Wśód tych zadań wyóżna sę zadana optymalzacj wypukłej (kojazone często z optymalzacją lokalną(zbó dopuszczalny funkcja celu są wypukłe) zadana optymalzacj globalnej(zbó dopuszczalny lub funkcja celu ne są wypukłe). Optymalzacja dysketnato optymalzacja w któej zbó watośc zmennych nezależnych x jest zboem dysketnym (skończonym lub pzelczalnym) U=Z n. Dla optymalzacj kombnatoycznej każda ze zmennych nezależnych pzyjmuje watośc bnane (np. pawda lub fałsz). Metody ozwązana zadana optymalzacj/nwesj zależą od odzaju funkcj celu zastosowanych oganczeń. Dla lnowej funkcj celu oaz lnowych oganczeń (tzw. pogamowane /pogam lnowy ) stosuje sę najczęścej algoytm SIMPLEX. Poszukuje on ozwązań na bzegu obszau dopuszczalnego. Funkcja jest wypukła gdy: 2 x, x D α : 0 < α < af 2 2 ( x ) + ( α ) f ( x ) > f ( ax + ( α ) x )
5 Dla zagadneń optymalzacyjnych z wypukłą funkcją celu stosuje sę metody bezgadentowe, gadentowe newtonowske. Polegają one na poszukwanu mmmalnejwatośc na pzekoju funkcj celu popowadzonym w okeślonym keunku. Po znalezenu mnmum wyznacza sę kolejny pzekój pzechodzący pzez ten punkt ponowne poszukuje sę mnmum. Poszczególne metody óżną sę mędzy sobą sposobem wyznaczana keunków kolejnych pzekojów. Wyóżnamy medzy nnym : metody poszukwań postych (wzdłuż os układów współzędnych) metody keunków spzężonych (kolejne kok są zdetemnowane popzednm keunkam) metoda najwększego spadku(keunek wyznaczany na podstawe gadentu funkcj) metoda gadentów spzężonych (keunek wyznacza sę ówneż na podstawe gadentów) metody pseudonewtonowska newtonowska (wykozystują macez odwotną do macezy Jacobego gadent) metoda zmennej metyk Optymalzacja globalna jest zwązana z zagadnenam mnmalzacj funkcj celu, któa posada węcej nż jedno mnmum lokalne. Ta cecha funkcj celu unemożlwa stosowane metod używanych dla wypukłych funkcj celu. Istneje wele metod optymalzacj globalnej. Z eguły dają one ozwązana pzyblżone stąd nekedy są uzupełnane na ostatnm etape metodam lokalnym.
6 Pewszą gupą są metody welostatowe (czasem nazywane metodam Monte Calo). Odpowedno dobany algoytm losuje ozwązane statowe z tego punktu powadzona jest mnmalzacja lokalna. Po osągnęcu mnmów lokalnych (x, x 2,.,x n ) wybeane jest to o najmnejszej watośc uznawane jest za mnmum globalne. x 5 x x 3 x 2 Inne metody symulują uch punktu matealnego obdazonego pewną bezwładnoścą, któa zapobega ugzęźnęcu punktu w mnmum lokalnym. Inną metodą jest metoda błądzena pzypadkowegow któej położene nowego ozwązana geneowane jest z założonego ozkładu pawdopodobeństwa, nezależne od watośc funkcj celu. x 6 x 4 W metodze symulowanego wyżazana to wesja błądzena pzypadkowego w któej nowe ozwązane jest akceptowane jeśl zmnejsza watość funkcj celu. Jeśl ne to jest akceptowane z pawdopodobeństwem: p a = exp( f / T ) gdze lcznk jest óżncą watośc funkcj celu w staym nowym punkce zaś Tjest paametem zwanym tempeatuą. W powyższych metodach pzetwazany jest pojedynczy punkt. Istneje szeeg metod w któych pzetwazana jest cała populacja punktów. Należą do nch metody wykozystujące analoge pzyodncze. Można ozóżnć dwe gupy: Algoytmy genetyczne/ewolucyjne. Genetc algothm 2. Genetc pogammng 3. Evolutonay pogammng 4. Gene expesson 5. Evoluton stategy 6. Dffeental evoluton 7. Neuoevoluton 8. Leanng classfe system Wszystke uwzględnają nteakcję pomędzy osobnkam populacj / oju tak by zapewnać szybke pecyzyjne pzeszukwane mnmów lokalnych, uwzględnając w ten czy nny sposób jego wewnętzną ntelgencję. Algoytmy oju Smulated annealng 2 Ant colony optmzaton 3 Patcle swam optmzaton 4 Hamony seach 5 Atfcal bee colony algothm 6 Bees algothm 7 Glowwom swam optmzaton 8 Shuffled fog leapng algothm 9 Impealst compettve 0 Rve fomaton Intellgent wate dops algothm 2 Gavtatonal seach algothm 3 Cuckoo seach 4 Bat algothm 5 Flowe pollnaton algothm 6 Cuttlefsh optmzaton algothm 7 Atfcal swam ntellgence
7 Mnmalzacja odbywa sę najczęścej z wykozystanem oganczeń funkcj celu. Wykozystuje sę w tym wypadku funkcje g (x)oaz h (x)spełnające waunk: Pzykłady: - Oganczena kostkowe g h l x u ( x) 0 ( x) = 0 - Oganczena lnowe g T ( x) = a x b + - Oganczena wypukłe - Oganczena nespójne - Oganczena newypukłe Istotnym jest by zauważyć, że oganczena newypukłe na funkcj celu mogą podukować mnma lokalne zlokalzowane najczęścej na bzegu obszau dopuszczalnego.
8 Poblem lczby wymaów zagadnena. ażdy paamet jak należy zdentyfkować twozy dodatkowy wyma. Zagadnene mnmalzacj funkcj 2 zmennych z okeślonym obszaem dopuszczalnym zawsze może ozwązane metodą Monte Calo losujemy ozkładem ównomenym ozwązana punkty na płaszczyźne spawdzamy watośc funkcj celu dla tych punktów. Pojawa sę pytane jeśl ośne lość wymaów zadana optymalzacyjnego łatwej czy tudnej w losowanu tafć we właścwe mnmum (lub jego sąsedztwo)? Rozpatzmy oganczena kostkowe o dentycznych oganczenach w każdym wymaze. Twozą one kwadat, sześcan kolejno n-hpesześcany. Jakość tafena w mnmum można oszacować welkoścą otoczena (sąsedztwa) punktu w któym ulokowane jest mnmum. Dla dwóch wymaów otoczene jest kołem, dla tzech kulą td. Pawdopodobeństwo tafena w losowanu z zastosowanem oganczeń kostkowych w otoczene kulste można polczyć jako stosunek pól lub objętośc. I tak dla dwóch wymaów wynos π/4, dla tzech -π/6 td. Wdać, że coaz tudnej ze wzostem wymaów tafć w otoczene czyl metoda MC jest dla dużej lczby paametów wysoce neefektywna. Zadana (optymalzacja) welokytealne Zadane zwązane z mnmalzacją węcej nż jednej funkcj celu w celu odzyskana dokładne tego samego zbou paametów lub częścowo pokywającego sę zbou paametów. Inaczej jest to znalezene optymalnego ozwązana, któe jest akceptowalne z punktu wdzena każdego kyteum (każdej funkcj celu). Pzykład : S G G 2 G 3 G 4 B M N B h, v, ρ h 2, v 2, ρ 2 h, ε h 2, ε 2 h 3, v 3, ρ 3 h 3, ε 3 v 4, ρ 4 ε 4 Wykonujemy pomay paametów ośodka dwom metodam: sejsmczną geoelektyczną. Paamety ośodka mogą być otzymane w wynku ozwązana zagadnena nwesj w każdej z metod. Pzykład 2:Akcje papeów watoścowych notowanych na gełdze óżną sę m.n. pozomem yzyka entownoścą (cena/zysk). Z eguły zmnejszane yzyka pocąga za sobą wzost entownośc. I na odwót Szukamy takch papeów watoścowych dla któych ne stnałyby papey z jednocześne mnejszym yzykem wększą entownoścą. Fg.5
9 Optymalzacja welokytealna póba znalezena wektoa paametów: x = [x,x 2,...,x k ], któy spełna okeślone waunk: g (x) 0 ( =... m), h (x) = 0 ( =... p) oaz optymalzuje wekto funkcyjny, któego elementy epezentują funkcje celu: f(x) = (f (x),f 2 (x),...,f k (x)) Jednym z klasycznych podejść do ozwązana zagadnena nwesj połączonej jest mnmalzacja skalanej funkcj będącej połączenem cząstkowych funkcj celu, właścwych dla używanych metod pomaowych. Jest to tak zwana metoda skalayzacj poblemu MOP spowadzająca zagadnene wspólnej mnmalzacj welu funkcj celu do mnmalzacj jednej funkcj skalanej. Jest ona wagowaną sumą funkcj to znaczy: mn f x X ( x) = w f ( x) = gdze w = [ w,,, ] 0 jest wektoem współczynnków wagowych pzyjętych w2 wn a popzed ozpoczęcem pocesu mnmalzacj. Jeśl stneje zbó kompletnych ozwązań optymalnych zagadnena optymalzacj welokytealnejto mnmalzacja wagowanej sumy funkcj kytealnych (funkcj celu) będze powadzła do tego ozwązana nezależne od użytych współczynnków wagowych w. Jeśl ne stneje jedno kompletne ozwązane optymalne zagadnena optymalzacj welokytealnej to mnmalzacja wyażena (9), dla konketnego zestawu współczynnków wagowych, będze powadzć do ozwązań uzależnonych od watośc pzyjętych współczynnków ne pzyjmujących optymalnych.
10 Jeśl funkcje f ( x), =, są funkcjam celu dla metod podlegających nwesj połączonej, to mnmum wektoa f( x) = [ f ( x), f ( x),, f ( x) ], dla x = [ x, x, 2 2, x N ] tj. : ( x) = [ f ( x), f ( x),, f ( x) ] mn f 2 x X gdze Njest loścą paametów modelu zaś zbó x = [ x, x2,, x N ] jest zboem ozwązań dopuszczalnych stosowanego algoytmu stochastycznego (np. jednego z algoytmów ewolucyjnych). Rozwązana dopuszczalne to ozwązana dopuszczone pzez węzy nałożone na zagadnene optymalzacyjne. Jak wdać z powyższych okeśleń funkcja wektoowa x = [ x, x, 2, x N ] mapuje zbó dopuszczalnych ozwązań z pzestzen paametów R N do pzestzen ozwązań R Pzestzeń ozwązań dopuszczalnych Pzestzeń funkcj celu Powyższe ozwązane zagadnena MOP jest nazywane kompletnym optymalnym CO jeśl : x X < < x X : ( x ) ( x) f f W nwesj połączonej badzo często ne można znaleźć żadnego ozwązane kompletnego optymalnego, tzn. takej kombnacj paametów dla któych ównocześne mnmalzowane będą wszystke funkcje celu. W zwązku tym zapoponowano nne podejśce do nwesj tego typu. Fomalne defnujemy dwa ozwązana Paeto: słabe WP optymalne P. Manowce ozwązane nazywamy słabym ozwązanem Paeto jeśl : ( x) < ( x ) ~ x X < < X : f f Z kole nazywamy optymalnym ozwązanem Paeto jeśl: ~ x X < < X : f ( x) f ( x ) < j < : f ( x) f ( x ) j j
11 Oznaczamy te zboy ozwązań tadycyjne jako: X CO, X WP X P. Nazywa sę je zboem optymalnych ozwązań, zboem słabych ozwązań Paeto(słabym zboem Paeto) zboem ozwązań Paeto(zboem Paeto). Z pzedstawonych defncj wynka, że: X CO X P X WP W pzecweństwe do ozwązana CO, któe może ne stneć, ozwązana WP P stneją zawsze. Analzując defncje słabego optymalnego ozwązana Paetomożna wnoskować, że ozwązana Paetosą ozwązanam kompomsowym w tym sense, że ne jest możlwa popawa ozwązana ze zbou Paeto, w sense zmnejszena watośc pewnej funkcj celu, bez zwększena watośc nnej z nch. Posługwane sę jedną, wybaną funkcją celu bądź tylko ch wybanym podzboem do oceny jakośc ozwązań nwesj połączonej może dopowadzć do sytuacj, że wybane na tej podstawe ozwązane będze wysoce neoptymalne dla pozostałych funkcj celu. By zmnmalzować poblemy tego typu do analzy jakośc ozwązań zagadneń nwesj połączonej posługujemy sę pojęcem fontu Paeto. Jest on defnowany jako: FP = f x = f x, f x,, f P x x X { ( ) [ ( ) ( ) ( )] } : 2 Analza fontu Paeto, najczęścej gafczna popzez jego wykeślene w pzestzen funkcj celu pozwala na oszacowane typów zwązków pomędzy poszczególnym zboam Paetoa tym samym pozwala na wycągane wnosków dotyczących kompomsów pomędzy poszczególnym metodam nwesj połączonej. Można łatwo zauważyć, że font Paeto wyznacza ganczne pay watośc mnmalnych funkcj celu, mnmalnych w tym sense, że dalsze zmnejszene dowolnej z funkcj celu spowoduje wzost co najmnej jednej z pozostałych funkcj celu. Pozwala to ocenć jakość ozwązana połączonego zagadnena odwotnego czyl spawdzć jak dobe jest wybane ozwązane (np. konketny model geologczny bądź geofzyczny) w poównanu z nnym ozwązanam w sense Paeto optymalnym.
12 W stateg Paetodo pzepowadzena angowanaozwązań jednocześne dla welu metod występujących w nwesj połączonej ponowne kozysta sę z de zaczepnętych od Paetoa manowce z pojęca domnacj wektoów. Mówmy, że wekto jeśl f ( x) = [ f ( x) f ( x),, f ( x) ] domnuje wekto g( x) = [ g ( x) g ( x),, g ( x) ], 2 < < X f ( x) g ( x) < j < : f ( x) < g ( x) : j j, 2 Posługując sę tym kyteum można wykonać angowaneozwązań (dopuszczalnych model) nezależne od wymau zadana to znaczy dla dowolnej skończonej lośc metod użytych w nwesj połączonej. Po wykonanu angowana poszczególne modele są ustawone w kolejnośc uzależnonej od stopna dostosowana do poszczególnych funkcj celu. Wato zaznaczyć, że w populacj osobnków w danej teacj może zastneć sytuacja, gdy osobnk będą óżnć sę dopasowanem tylko dla jednej funkcj celu. Pozostałe funkcje celu będą osągać swoje mnma globalne. Jeśl taka sytuacja zastneje to osobnk te utwozą font Paeto. Z eguły jednak algoytmy ewolucyjne będą stochastyczne geneować dużą lczbę ozwązań któa będze sę gupować w poblżu fontu Ponżej pzedstawono pzykład fomowana sę fontu Paetodla danych syntetycznych zeczywstych (Dal Moo, Ppan, 2007). Pzykład dotyczy nwesj połączonej kzywych dyspesj fal powezchnowych klasycznej metody sejsmk efleksyjnej (metoda ejestująca czasy popagacj podłużnych popzecznych fal odbytych). Po wygeneowanu populacj statowej wykonywane jest angowane model zgodne ze stategą Paeto. Następne (zgodne z powyższym opsem) powadzone są opeacje selekcj, kzyżowana mutacj powadzące do powstana populacj potomnej. Po pzepowadzenu klkunastu teacj fomułuje sę font Paeto.
13
Minimalizacja globalna, algorytmy genetyczne i zastosowanie w geofizyce
Mnmalzacja globalna, algoytmy genetyczne zastosowane w geofzyce Wykład 15 Metoda sejsmczna Metoda geoelektyczna Podstawowy podzał ZAGADNIENIE PROSTE (ang. fowad poblem) model + paamety modelu dane (ośodek,
Bardziej szczegółowoModelowanie 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 szczegółowoMinimalizacja 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 szczegółowoMinimalizacja 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 szczegółowoI. 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 szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej szczegółowoFizyka 7. Janusz Andrzejewski
Fzyka 7 Janusz Andzejewsk Poblem: Dlaczego begacze na stadone muszą statować z óżnych mejsc wbegu na 400m? Janusz Andzejewsk Ruch obotowy Cało sztywne Cało, któe obaca sę w tak sposób, że wszystke jego
Bardziej szczegółowo5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim
5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną
Bardziej szczegółowoSzybkie dzielenie. Szybkie dzielenie
Metody szybkego dzelena dzelene sekwencyjne czas dzelena popocjonalny do lczby cyf loazu β q uposzczene wyznaczana cyf loazu loaz w kodze S q { β,...,,,,... β } waunek zbeŝnośc dzelena: < jednoczesne wyznaczane
Bardziej szczegółowoRozwiązywanie 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 szczegółowoAnaliza 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 szczegółowoEFEKTYWNA STOPA PROCENTOWA O RÓWNOWAŻNA STPOPA PROCENTOWA
EFEKTYWNA STOPA PROCENTOWA O RÓWNOWAŻNA STPOPA PROCENTOWA Nekedy zachodz koneczność zany okesu kapt. z ównoczesny zachowane efektów opocentowane. Dzeje sę tak w nektóych zagadnenach ateatyk fnansowej np.
Bardziej szczegółowoPraca i energia. x jest. x i W Y K Ł A D 5. 6-1 Praca i energia kinetyczna. Ruch jednowymiarowy pod działaniem stałych sił.
ykład z fzyk. Pot Pomykewcz 40 Y K Ł A D 5 Pa enega. Pa enega odgywają waŝną olę zaówno w fzyce jak w codzennym Ŝycu. fzyce ła wykonuje konketną pacę, jeŝel dzała ona na pzedmot ma kładową wzdłuŝ pzemezczena
Bardziej szczegółowoZASADA ZACHOWANIA MOMENTU PĘDU: PODSTAWY DYNAMIKI BRYŁY SZTYWNEJ
ZASADA ZACHOWANIA MOMENTU PĘDU: PODSTAWY DYNAMIKI BYŁY SZTYWNEJ 1. Welkośc w uchu obotowym. Moment pędu moment sły 3. Zasada zachowana momentu pędu 4. uch obotowy były sztywnej względem ustalonej os -II
Bardziej szczegółowoEnergia potencjalna jest energią zgromadzoną w układzie. Energia potencjalna może być zmieniona w inną formę energii (na przykład energię kinetyczną)
1 Enega potencjalna jest enegą zgomadzoną w układze. Enega potencjalna może być zmenona w nną omę eneg (na pzykład enegę knetyczną) może być wykozystana do wykonana pacy. Sumę eneg potencjalnej knetycznej
Bardziej szczegółowoProjekt 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 szczegółowoAnaliza termodynamiczna ożebrowanego wymiennika ciepła z nierównomiernym dopływem czynników
Instytut Technk Ceplnej Poltechnk Śląskej Analza temodynamczna ożebowanego wymennka cepła z neównomenym dopływem czynnków mg nż. Robet Pątek pomoto: pof. Jan Składzeń Plan pezentacj Wstęp Cel, teza zakes
Bardziej szczegółowoOcena precyzji badań międzylaboratoryjnych metodą odporną "S-algorytm"
Eugen T.VOLODARSKY, Zygmunt L.WARSZA Naodowy Unwesytet Technczny Ukany -Poltechnka Kowska (), Pzemysłowy Instytut Automatyk Pomaów (PIAP) Waszawa () do:.599/48.5..4 Ocena pecyz badań mędzylaboatoynych
Bardziej szczegółowoMIEJSCE MODELU EKONOMETRYCZNEGO W WYCENIE NIERUCHOMOŚCI 1
Jacek Zyga Poltechnka Lubelska MIEJSCE MODELU EKONOMETRYCZNEGO W WYCENIE NIERUCHOMOŚCI 1 Wpowadzene Punktem wyjśca pzepowadzonych ozważań jest teza wysunęta w publkacj R. Pawlukowcza 2, w któej auto sugeuje
Bardziej szczegółowoWykład 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 szczegółowoDobór zmiennych objaśniających do liniowego modelu ekonometrycznego
Dobó zmiennych objaśniających do liniowego modelu ekonometycznego Wstępnym zadaniem pzy budowie modelu ekonometycznego jest okeślenie zmiennych objaśniających. Kyteium wybou powinna być meytoyczna znajomość
Bardziej szczegółowoALGORYTMY WSTAWIEŃ DLA ZAGADNIENIA HARMONOGRAMOWANIA PROJEKTU ZE ZDEFINIOWANYMI KAMIENIAMI MILOWYMI
ALGORYTMY WSTAWIEŃ DLA ZAGADNIENIA HARMONOGRAMOWANIA PROJEKTU ZE ZDEFINIOWANYMI KAMIENIAMI MILOWYMI Macn KLIMEK, Pot ŁEBKOWSKI Steszczene: W atykule opsano algoytm wstaweń dla poblemu hamonogamowana pojektu
Bardziej szczegółowoMetody optymalizacji. dr inż. Paweł Zalewski Akademia Morska w Szczecinie
Metody optymalizacji d inż. Paweł Zalewski kademia Moska w Szczecinie Optymalizacja - definicje: Zadaniem optymalizacji jest wyznaczenie spośód dopuszczalnych ozwiązań danego polemu ozwiązania najlepszego
Bardziej szczegółowoPodstawy Procesów i Konstrukcji Inżynierskich. Ruch obrotowy INZYNIERIAMATERIALOWAPL. Kierunek Wyróżniony przez PKA
Podstawy Pocesów Konstukcj Inżyneskch Ruch obotowy Keunek Wyóżnony pzez PKA 1 Ruch jednostajny po okęgu Ruch cząstk nazywamy uchem jednostajnym po okęgu jeśl pousza sę ona po okęgu lub kołowym łuku z pędkoścą
Bardziej szczegółowoV. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH
Krs na Stdach Doktoranckch Poltechnk Wrocławskej wersja: lty 007 34 V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH. Zbór np. lczb rzeczywstych a, b elementy zbor A a A b A, podzbór B zbor A : B A, sma zborów
Bardziej szczegółowoWykład 1. Elementy rachunku prawdopodobieństwa. Przestrzeń probabilistyczna.
Podstawowe pojęcia. Wykład Elementy achunku pawdopodobieństwa. Pzestzeń pobabilistyczna. Doświadczenie losowe-doświadczenie (zjawisko, któego wyniku nie możemy pzewidzieć. Pojęcie piewotne achunku pawdopodobieństwa
Bardziej szczegółowody 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 szczegółowoZaawansowane 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 szczegółowoModelowanie przepływu cieczy przez ośrodki porowate Wykład III
Modelowanie pzepływu cieczy pzez ośodki poowate Wykład III 6 Ogólne zasady ozwiązywania ównań hydodynamicznego modelu pzepływu. Metody ozwiązania ównania Laplace a. Wpowadzenie wielkości potencjału pędkości
Bardziej szczegółowoKondensatory. Definicja pojemności przewodnika: C = q V. stosunek!adunku wprowadzonego na przewodnik do wytworzonego potencja!u.
Kondensatoy Defncja pojemnośc pzewodnka: stosunek!adunku wpowadzonego na pzewodnk do wytwozonego potencja!u. -6 - Jednostka: faad, F, µ F F, pf F Kondensato: uk!ad co najmnej dwóch pzewodnków, pzedzelonych
Bardziej szczegółowoSpis treści I. Ilościowe określenia składu roztworów strona II. Obliczenia podczas sporządzania roztworów
Sps teśc I. Iloścowe okeślena składu oztwoów stona Ułaek wagowy (asowy ocent wagowy (asowy ocent objętoścowy Ułaek olowy 3 ocent olowy 3 Stężene olowe 3 Stężene pocentowe 3 Stężene noalne 4 Stężene olane
Bardziej szczegółowoWykład 15 Elektrostatyka
Wykład 5 Elektostatyka Obecne wadome są cztey fundamentalne oddzaływana: slne, elektomagnetyczne, słabe gawtacyjne. Slne słabe oddzaływana odgywają decydującą ole w budowe jąde atomowych cząstek elementanych.
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowo11. DYNAMIKA RUCHU DRGAJĄCEGO
11. DYNAMIKA RUCHU DRGAJĄCEGO Ruchem dgającym nazywamy uch, któy powtaza się peiodycznie w takcie jego twania w czasie i zachodzi wokół położenia ównowagi. Zespół obiektów fizycznych zapewniający wytwozenie
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoGraf skierowany. Graf zależności dla struktur drzewiastych rozgrywających parametrycznie
Gaf skieowany Gaf skieowany definiuje się jako upoządkowaną paę zbioów. Piewszy z nich zawiea wiezchołki gafu, a dugi składa się z kawędzi gafu, czyli upoządkowanych pa wiezchołków. Ruch po gafie możliwy
Bardziej szczegółowoROZKŁAD NORMALNY. 2. Opis układu pomiarowego. Ćwiczenie może być realizowane za pomocą trzech wariantów zestawów pomiarowych: A, B i C.
ĆWICZENIE 1 Opacowane statystyczne wynków ROZKŁAD NORMALNY 1. Ops teoetyczny do ćwczena zameszczony jest na stone www.wtc.wat.edu.pl w dzale DYDAKTYKA FIZYKA ĆWICZENIA LABORATORYJNE (Wstęp do teo pomaów).
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoWYKŁAD 1. W przypadku zbiornika zawierającego gaz, stan układu jako całości jest opisany przez: temperaturę, ciśnienie i objętość.
WYKŁAD 1 Pzedmiot badań temodynamiki. Jeśli chcemy opisać układ złożony z N cząstek, to możemy w amach mechaniki nieelatywistycznej dla każdej cząstki napisać ównanie uchu: 2 d i mi = Fi, z + Fi, j, i,
Bardziej szczegółowoWstęp 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 szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowo( ) ( ) 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 szczegółowo2012-10-11. 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 szczegółowoKryteria samorzutności procesów fizyko-chemicznych
Kytea samozutnośc ocesów fzyko-chemcznych 2.5.1. Samozutność ównowaga 2.5.2. Sens ojęce ental swobodnej 2.5.3. Sens ojęce eneg swobodnej 2.5.4. Oblczane zman ental oaz eneg swobodnych KRYERIA SAMORZUNOŚCI
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 . Zmenne dyskretne Kontrasty: efekty progowe, kontrasty w odchylenach Interakcje. Przyblżane model nelnowych Stosowane do zmennych dyskretnych o uporządkowanych
Bardziej szczegółowoWYKŁAD 11 OPTYMALIZACJA WIELOKRYTERIALNA
WYKŁAD OPTYMALIZACJA WIELOKYTEIALNA Wstęp. W wielu pzypadkach pzy pojektowaniu konstukcji technicznych dla okeślenia ich jakości jest niezędne wpowadzenie więcej niż jednego kyteium oceny. F ) { ( ), (
Bardziej szczegółowonależą do grupy odbiorników energii elektrycznej idealne elementy rezystancyjne przekształcają energię prądu elektrycznego w ciepło
07 0 Opacował: mg inż. Macin Wieczoek www.mawie.net.pl. Elementy ezystancyjne. należą do gupy odbioników enegii elektycznej idealne elementy ezystancyjne pzekształcają enegię pądu elektycznego w ciepło.
Bardziej szczegółowoZestaw 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowoBadanie 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 szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoII.6. Wahadło proste.
II.6. Wahadło poste. Pzez wahadło poste ozumiemy uch oscylacyjny punktu mateialnego o masie m po dolnym łuku okęgu o pomieniu, w stałym polu gawitacyjnym g = constant. Fig. II.6.1. ozkład wektoa g pzyśpieszenia
Bardziej szczegółowoPole grawitacyjne. Definicje. Rodzaje pól. Rodzaje pól... Notatki. Notatki. Notatki. Notatki. dr inż. Ireneusz Owczarek.
Pole gawitacyjne d inż. Ieneusz Owczaek CNMiF PŁ ieneusz.owczaek@p.lodz.pl http://cmf.p.lodz.pl/iowczaek 1 d inż. Ieneusz Owczaek Pole gawitacyjne Definicje to pzestzenny ozkład wielkości fizycznej. jest
Bardziej szczegółowoPróba określenia miary jakości informacji na gruncie teorii grafów dla potrzeb dydaktyki
Póba okeślenia miay jakości infomacji na guncie teoii gafów dla potzeb dydaktyki Zbigniew Osiak E-mail: zbigniew.osiak@gmail.com http://ocid.og/0000-0002-5007-306x http://via.og/autho/zbigniew_osiak Steszczenie
Bardziej szczegółowoEFEKTYWNE WYZNACZANIE NAPRĘŻEŃ ZA POMOCĄ METODY PURC Z WYKORZYSTANIEM UOGÓLNIONEJ STRATEGII APROKSYMACJI POCHODNYCH
MODELOWANIE INŻYNIERSKIE n 47, ISSN 896-77X EFEKTYWNE WYZNACZANIE NAPRĘŻEŃ ZA POMOCĄ METODY PURC Z WYKORZYSTANIEM UOGÓLNIONEJ STRATEGII APROKSYMACJI POCHODNYCH Agneszka Bołtuć a, Eugenusz Zenuk b Wydzał
Bardziej szczegółowometody wagowe, metody imputacyjne.
[ 183 ] W Jednym z poblemów paktycznych, któy zwązany jest z badanam statystycznym są bak danych. Konsekwencją neuzyskana odpowedz od częśc jednostek z póby jest spadek efektywnośc estymatoów. Zwykle bak
Bardziej szczegółowoPOLE MAGNETYCZNE W PRÓŻNI - CD. Zjawisko indukcji elektromagnetycznej polega na powstawaniu prądu elektrycznego w
POL AGNTYCZN W PRÓŻNI - CD Indukcja elektomagnetyczna Zjawsko ndukcj elektomagnetycznej polega na powstawanu pądu elektycznego w zamknętym obwodze wskutek zmany stumena wektoa ndukcj magnetycznej. Np.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoFizyka, technologia oraz modelowanie wzrostu kryształów
Fzyka, technologa oaz modelowane wzostu kyształów Stansław Kukowsk Mchał Leszczyńsk Instytut Wysokch Cśneń PAN 0-4 Waszawa, ul Sokołowska 9/37 tel: 88 80 44 e-mal: stach@unpess.waw.pl, mke@unpess.waw.pl
Bardziej szczegółowoWYCENA ENTROPOWA NA RYNKU ŁĄCZONYM
tuda Ekonomczne Zeszyty Naukowe Unwesytetu Ekonomcznego w Katowcach IN 83-86 N 3 6 zkoła Główna Handlowa w aszawe Kolegum Analz Ekonomcznych Kateda Matematyk Ekonom Matematycznej jutkn@sghwawpl YCENA ENTROPOA
Bardziej szczegółowoMikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 13 Mkołaj Czajkowsk Wktor Budzńsk Symulacje Analogczne jak w przypadku cągłej zmennej zależnej można wykorzystać metody Monte Carlo do analzy różnego rodzaju problemów w modelach gdze zmenna
Bardziej szczegółowoMECHANIKA OGÓLNA (II)
MECHNIK GÓLN (II) Semest: II (Mechanika I), III (Mechanika II), ok akademicki 2017/2018 Liczba godzin: sem. II*) - wykład 30 godz., ćwiczenia 30 godz. sem. III*) - wykład 30 godz., ćwiczenia 30 godz. (dla
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Zadanie. W kolejnych okesach czasu t =,,3,... ubezpieczony, chaakteyzujący się paametem yzyka Λ, geneuje szkód. Dla danego Λ = λ zmienne N t N, N, N 3,... są waunkowo niezależne i mają (bzegowe) ozkłady
Bardziej szczegółowoWYBRANE 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 szczegółowoSTATYSTYKA 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 szczegółowoBADANIA 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 szczegółowop Z(G). (G : Z({x i })),
3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W
Bardziej szczegółowo5. 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 szczegółowoAPROKSYMACJA 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 szczegółowoNOWE PODEJŚCIE W REGULACYJNYM ZARZĄDZANIU POTOKAMI TRANSPORTOWYMI
Łukasz Wojcechowsk 1 NOWE PODEJŚCIE W REGULACYJNYM ZARZĄDZANIU POTOKAMI TRANSPORTOWYMI Steszczene. W nnejszym atykule pokazano nowe podejśce w egulacyjnym zaządzanu potokam tanspotowym, z wykozystanem
Bardziej szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Bardziej szczegółowo5. 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 szczegółowoStatystyka Inżynierska
Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje
Bardziej szczegółowo) 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 szczegółowoORGANIZACJA 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 szczegółowo9 K A TEDRA FIZYKI STOSOWANEJ P R A C O W N I A F I Z Y K I
9 K A TEDRA FIZYKI STOSOWANEJ P R A C O W N I A F I Z Y K I Ćw. 9. Spawdzene dugej zasady dynamk uchu obotowego Wpowadzene Pzez byłę sztywną ozumemy cało, któe pod wpływem dzałana sł ne zmena swego kształtu,
Bardziej szczegółowo1 Metody optymalizacji wielokryterialnej... 1 1.1 Ogólna charakterystyka problemu... 1 1.2 Tradycyjne metody optymalizacji wielokryterialnej...
1 Metody optymalzacj welokryteralnej.... 1 1.1 Ogólna charakterystyka problemu.... 1 1.2 Tradycyjne metody optymalzacj welokryteralnej.... 3 1.2.1 Metoda ważonych kryterów.... 3 1.2.2 Metoda optymalzacj
Bardziej szczegółowo5. Regulacja częstotliwościowa prędkości obrotowej silnika indukcyjnego klatkowego
5. egulacja czętotlwoścowa pędkośc obotowej lnka ndukcyjnego klatkowego 5.1 Zaada egulacj czętotlwoścowej - waunk optymalzacj tatycznej; 5. egulacja kalana pędkośc obotowej ( U/f); 5.3 egulacja wektoowa
Bardziej szczegółowoROZWIAZANIA ZAGADNIEŃ PRZEPŁYWU FILTRACYJNEGO METODAMI ANALITYCZNYMI.
Modelowanie pzepływu cieczy pzez ośodki poowate Wykład VII ROZWIAZANIA ZAGADNIEŃ PRZEPŁYWU FILTRACYJNEGO METODAMI ANALITYCZNYMI. 7. Pzepływ pzez goblę z uwzględnieniem zasilania wodami infiltacyjnymi.
Bardziej szczegółowoOPTYMALIZACJA WARTOŚCI POLA MAGNETYCZNEGO W POBLIŻU LINII NAPOWIETRZNEJ Z WYKORZYSTANIEM ALGORYTMU GENETYCZNEGO
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 81 Electrcal Engneerng 015 Mkołaj KSIĄŻKIEWICZ* OPTYMALIZACJA WARTOŚCI POLA MAGNETYCZNEGO W POLIŻU LINII NAPOWIETRZNEJ Z WYKORZYSTANIEM ALGORYTMU
Bardziej szczegółowoBadania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa
Badana sondażowe Brak danych Konstrukcja wag Agneszka Zęba Zakład Badań Marketngowych Instytut Statystyk Demograf Szkoła Główna Handlowa 1 Błędy braku odpowedz Całkowty brak odpowedz (UNIT nonresponse)
Bardziej szczegółowoPokazać, 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 szczegółowoSztuczne 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 szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowo4. OPTYMALIZACJA WIELOKRYTERIALNA
Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna 4. OPTYMLIZCJ WIELORYTERIL Decyzje nwestycyjne mają często charakter złożony. Zdarza sę, że przy wyborze
Bardziej szczegółowoWprowadzenie do Sieci Neuronowych Sieci rekurencyjne
Wprowadzene do Sec Neuronowych Sec rekurencyjne M. Czoków, J. Persa 2010-12-07 1 Powtórzene Konstrukcja autoasocjatora Hopfelda 1.1 Konstrukcja Danych jest m obrazów wzorcowych ξ 1..ξ m, gdze każdy pojedynczy
Bardziej szczegółowoOligopol dynamiczny. Rozpatrzmy model sekwencyjnej konkurencji ilościowej jako gra jednokrotna z pełną i doskonalej informacją
Olgopol dynamczny Rozpatrzmy model sekwencyjnej konkurencj loścowej jako gra jednokrotna z pełną doskonalej nformacją (1934) Dwa okresy: t=0, 1 tzn. frma 2 podejmując decyzję zna decyzję frmy 1 Q=q 1 +q
Bardziej szczegółowoMATEMATYKA 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 szczegółowoObroty. dθ, cząstka W Y K Ł A D VIII. Prędkość kątowa i przyspieszenie kątowe.
Wykład z fzyk, Pot Posmykewcz 84 W Y K Ł A D VIII Oboty. Ruch obotowy jest wszędze wokół nas; od atomów do galaktyk. Zema obaca sę wokół własnej os. Koła, pzekładne, slnk, śmgła, CD, łyŝwaka wykonująca
Bardziej szczegółowoRUCH OBROTOWY Można opisać ruch obrotowy ze stałym przyspieszeniem ε poprzez analogię do ruchu postępowego jednostajnie zmiennego.
RUCH OBROTOWY Można opsać ruch obrotowy ze stałym przyspeszenem ε poprzez analogę do ruchu postępowego jednostajne zmennego. Ruch postępowy a const. v v at s s v t at Ruch obrotowy const. t t t Dla ruchu
Bardziej szczegółowoĆWICZENIE 3 REZONANS W OBWODACH ELEKTRYCZNYCH
ĆWZENE 3 EZONANS W OBWODAH EEKTYZNYH el ćwiczenia: spawdzenie podstawowych właściwości szeegowego i ównoległego obwodu ezonansowego pzy wymuszeniu napięciem sinusoidalnym, zbadanie wpływu paametów obwodu
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3
Stansław Cchock Natala Nehrebecka Katarzyna Rosak-Lada Zajęca 3 1. Dobrod dopasowana równana regresj. Współczynnk determnacj R 2 Dekompozycja warancj zmennej zależnej Współczynnk determnacj R 2 2. Zmenne
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL W standardowym modelu lnowym zakładamy,
Bardziej szczegółowoliniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym.
=DGDQLHSROHJDMFHQDSRV]XNLZDQLXPDNV\PDOQHMOXEPLQLPDOQHMZDUWRFLIXQNFMLZLHOX ]PLHQQ\FKSU]\MHGQRF]HVQ\PVSHáQLHQLXSHZQHMLORFLQDáR*RQ\FKZDUXQNyZ UyZQDOXE QLHUyZQRFLQRVLQD]Z]DGDQLDRSW\PDOL]DF\MQHJROXE]DGDQLDSURJUDPRZDQLD
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoUkłady punktów materialnych i zasada zachowania pędu.
Wykład z fzyk. Pot Posmykewcz 68 W Y K Ł A D VII Układy punktów matealnych zasada zachowana pędu. Do tej poy taktowaly cała take jak samochód, aketę, czy człoweka jako punkty matealne (cząstk) stosowaly
Bardziej szczegółowoOpis ćwiczeń na laboratorium obiektów ruchomych
Gdańsk 3.0.007 Opis ćwiczeń na laboatoium obiektów uchomych Implementacja algoytmu steowania obotem w śodowisku symulacyjnym gy obotów w piłkę nożną stwozonym w Katedze Systemów Automatyki Politechniki
Bardziej szczegółowoEKONOMETRIA 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 szczegółowoNAFTA-GAZ marzec 2011 ROK LXVII. Wprowadzenie. Tadeusz Kwilosz
NAFTA-GAZ marzec 2011 ROK LXVII Tadeusz Kwlosz Instytut Nafty Gazu, Oddzał Krosno Zastosowane metody statystycznej do oszacowana zapasu strategcznego PMG, z uwzględnenem nepewnośc wyznaczena parametrów
Bardziej szczegółowo