Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
|
|
- Natalia Szydłowska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Struktury i Algorytmy Wspomagania Decyzji Zapoznanie z narzędziami optymalizacyjnymi w środowisku MATLAB Materiały pomocnicze do zajęć projektowych Opracowanie: Kazimierz Duzinkiewicz, dr hab. inż. Robert Piotrowski, dr inż. Arkadiusz Cimiński, mgr inż.
2 . Wprowadzenie W środowisku MATLAB a dostępne są biblioteki (ang. toolbo) z procedurami wspomagającymi obliczenia numeryczne znajdujące różne zastosowania. Jedną z takich bibliotek jest Optimization Toolbo, która dostarcza szereg narzędzi i funkcji do optymalizacji.. Wybrane funkcje biblioteki Optimization Toolbo a). fminbnd poszukiwanie minimum funkcji jednej zmiennej postaci: z ograniczeniami postaci: min f () (), i skalary, f() funkcja celu zmiennej zwracająca wartość w postaci skalara. = fminbnd(fun,,) = fminbnd(fun,,,options) [,fval] = fminbnd(...) [,fval,eitflag] = fminbnd(...) [,fval,eitflag,output] = fminbnd(...) szukane rozwiązanie zadania fun funkcja celu zmiennej,, odpowiednio dolne i górne ograniczenie na zmienną, options zmienna w postaci struktury z zapisanymi informacjami o procesie rozwiązywania zadania optymalizacji (strukturę tę modyfikuje się wykorzystując polecenie optimset), fval wartość funkcji celu dla rozwiązania zadania eitflag flaga wyjściowa, czyli komunikat wyjściowy o stanie solver a, Przykład Znajdź minimum funkcji y z przedziału <-3,0>. Przykładowy m-plik może być postaci:
3 Function wyj=myfun() wyj=.^-; Workspace: b). fmincon poszukiwanie minimum nieliniowej funkcji wielu zmiennych postaci: min f (3) z liniowymi i nieliniowymi oraz z równościowymi i nierównościowymi ograniczeniami postaci: c ceq 0 A b 0 Aeq beq lb ub wektor zmiennych o wymiarze [m], gdzie m liczba zmiennych zadania b, beq wektory odpowiednio o wymiarach [n ] i [k ], lb, ub ograniczenia na zmienne w postaci wektorów o wymiarach [m], A, Aeq macierze ograniczeń liniowych nierównościowych i równościowych o wymiarach odpowiednio [m n] oraz [m k], c(), ceq() - ograniczenia nieliniowe w postaci układów równań odpowiednio nierównościowych i równościowych w postaci funkcji zwracających wartości ograniczeń w postaci wektorów dla danego argumentu, f() - jest funkcja celu zwracającą wartość w postaci skalara dla danego wektora argumentów. (4) = fmincon(fun,0,a,b) = fmincon(fun,0,a,b,aeq,beq) = fmincon(fun,0,a,b,aeq,beq,lb,ub) = fmincon(fun,0,a,b,aeq,beq,lb,ub,nonlcon) = fmincon(fun,0,a,b,aeq,beq,lb,ub,nonlcon,options) [,fval] = fmincon(...) [,fval,eitflag] = fmincon(...) [,fval,eitflag,output] = fmincon(...) szukane rozwiązanie zadania fun nieliniowa funkcja celu wektora zmiennych, 3
4 0 wektor startowy, którego wielkość zależy od liczby zmiennych zadania b, beq wektory odpowiednio o wymiarach [n ] i [k ], lb, ub ograniczenia na zmienne w postaci wektorów o wymiarach [m], A, Aeq macierze ograniczeń liniowych nierównościowych i równościowych o wymiarach odpowiednio [m n] oraz [m k], nonlcon funkcja opisująca ograniczenia nieliniowe równościowe i nierównościowe, options zmienna w postaci struktury z zapisanymi informacjami o procesie rozwiązywania zadania optymalizacji (strukturę tę modyfikuje się wykorzystując polecenie optimset), fval wartość funkcji celu dla rozwiązania zadania eitflag flaga wyjściowa, czyli komunikat wyjściowy o stanie solver a, Przykład Znajdź takie, które minimalizuje funkcję f 3, punkt startowy 0 = [0; 0; 0] i spełnia ograniczenia: Przykładowa funkcja celu zapisana w postaci m-pliku: function f = myfun() f = -() * () * (3); Ograniczenia są liniowe więc można przedstawić je w postaci macierzy A i b:,, ;,, b 0, 7 A, Następnie określamy wektor startowy jak w poleceniu: 0 0; 0; 0. Wywołując poniższą komendę otrzymamy rozwiązanie zadania optymalizacji: [,fval] = fmincon(@myfun,0,a,b) c). fminsearch poszukiwanie minimum funkcji wielu zmiennych bez ograniczeń (metoda gradientowa) postaci: min f (5) wektor zmiennych, którego wielkość zależy od liczby zmiennych zadania f() - jest funkcja celu zwracającą wartość w postaci skalara dla danego wektora argumentów. 4
5 = fminsearch(fun,0) = fminsearch(fun,0,options) [,fval] = fminsearch(...) [,fval,eitflag] = fminsearch(...) [,fval,eitflag,output] = fminsearch(...) szukane rozwiązanie zadania fun nieliniowa funkcja wielu zmiennych zależna od, 0 wektor startowy, którego wielkość zależy od liczby zmiennych zadania options zmienna w postaci struktury z zapisanymi opcjami rozwiązania zadania optymalizacji (strukturę tę modyfikuje się wykorzystując polecenie optimset), fval wartość funkcji celu dla rozwiązania zadania eitflag flaga wyjściowa, czyli komunikat wyjściowy o stanie solver a, Przykład 3 Znajdź takie, dla której poniższa funkcja osiągnie minimum: Przyjmij dowolny wektor startowy. 00 f Przykładowy m-plik może być postaci: Function ban = banana() ban = 00*(()-()^)^+(-())^; Wywołując poniższą komendę otrzymamy rozwiązanie zadania optymalizacji: [,fval] = fminsearch(banana,0) d). quadprog poszukiwanie minimum funkcji kwadratowej wielu zmiennych postaci: T T min H f (6) z liniowymi ograniczeniami równościowymi i nierównościowymi postaci: A b Aeq beq lb ub (7) 5
6 wektor zmiennych o wymiarze [m], gdzie m liczba zmiennych zadania b, beq wektory odpowiednio o wymiarach [n ] i [k ], lb, ub ograniczenia na zmienne w postaci wektorów o wymiarach [m], A, Aeq macierze ograniczeń liniowych nierównościowych i równościowych o wymiarach odpowiednio [m n] oraz [m k], f - jest funkcja celu w postaci wektora o wymiarze [m ] zwracającą wartość w postaci skalara dla danego wektora argumentów. H macierz wagowa o wymiarze [m m]. = quadprog(h,f,a,b) = quadprog(h,f,a,b,aeq,beq) = quadprog(h,f,a,b,aeq,beq,lb,ub) = quadprog(h,f,a,b,aeq,beq,lb,ub,0) = quadprog(h,f,a,b,aeq,beq,lb,ub,0,options) [,fval] = quadprog(...) [,fval,eitflag] = quadprog(...) [,fval,eitflag,output] = quadprog(...) H macierz wagowa, wektor zmiennych, którego wielkość zależy od liczby zmiennych zadania b, beq wektory, których wielkość zależy od liczby ograniczeń liniowych, odpowiednio nierównościowych i równościowych, lb, ub ograniczenia na zmienne w postaci wektorów, których wielkość zależy od wielkości wektora, A, Aeq macierze ograniczeń liniowych odpowiednio nierównościowych i równościowych, c(), ceq() - ograniczenia nieliniowe w postaci układów równań odpowiednio nierównościowych i równościowych w postaci funkcji zwracających wartości ograniczeń w postaci wektorów dla danego argumentu, f() - jest funkcja celu zwracającą wartość w postaci skalara dla danego wektora argumentów. options zmienna w postaci struktury z zapisanymi opcjami rozwiązania zadania optymalizacji (strukturę tę modyfikuje się wykorzystując polecenie optimset), fval wartość funkcji celu dla rozwiązania zadania eitflag flaga wyjściowa, czyli komunikat wyjściowy o stanie solver a, Przykład 4 Znajdź takie, dla której poniższa funkcja osiągnie minimum: f ( ) 6 6
7 spełniające ograniczenia: Przyjmij dowolny wektor startowy., 0 Powyższy problem należy najpierw zapisać w notacji macierzowej: H, f -, -6 Przykładowy m-plik może być postaci: H = [ -; - ]; f = [-; -6]; A = [ ; - ; ]; b = [; ; 3]; lb = zeros(,); [,fval,eitflag] = quadprog(h,f,a,b,[],[],lb) e). linprog poszukiwanie minimum liniowej funkcji wielu zmiennych postaci: min f T (8) z liniowymi, równościowymi i nierównościowymi ograniczeniami postaci: A b Aeq beq lb ub wektor zmiennych o wymiarze [m], gdzie m liczba zmiennych zadania b, beq wektory odpowiednio o wymiarach [n ] i [k ], lb, ub ograniczenia na zmienne w postaci wektorów o wymiarach [m], A, Aeq macierze ograniczeń liniowych nierównościowych i równościowych o wymiarach odpowiednio [m n] oraz [m k], f - jest funkcja celu w postaci wektora o wymiarze [ m] zwracającą wartość w postaci skalara dla danego wektora argumentów. = linprog(f,a,b) = linprog(f,a,b,aeq,beq) = linprog(f,a,b,aeq,beq,lb,ub) (9) 7
8 = linprog(f,a,b,aeq,beq,lb,ub,0) = linprog(f,a,b,aeq,beq,lb,ub,0,options) [,fval] = linprog(...) [,lambda,eitflag] = linprog(...) [,lambda,eitflag,output] = linprog(...) wektor zmiennych, którego wielkość zależy od liczby zmiennych zadania b, beq wektory, których wielkość zależy od liczby ograniczeń liniowych, odpowiednio nierównościowych i równościowych, lb, ub ograniczenia na zmienne w postaci wektorów, których wielkość zależy od wielkości wektora, A, Aeq macierze ograniczeń liniowych odpowiednio nierównościowych i równościowych, c(), ceq() - ograniczenia nieliniowe w postaci układów równań odpowiednio nierównościowych i równościowych w postaci funkcji zwracających wartości ograniczeń w postaci wektorów dla danego argumentu, f - jest funkcja celu w postaci wektora zwracającą wartość w postaci skalara dla danego wektora argumentów. options zmienna w postaci struktury z zapisanymi opcjami rozwiązania zadania optymalizacji (strukturę tę modyfikuje się wykorzystując polecenie optimset), fval wartość funkcji celu dla rozwiązania zadania eitflag flaga wyjściowa, czyli komunikat wyjściowy o stanie solver a, Przykład 5 f z ograniczeniami: Znajdź takie, które minimalizuje funkcje Funkcje celu można zapisać w postaci macierzowej: f 5; 4; 6 Ograniczenia są liniowe więc można przedstawić je w postaci macierzy A i b:,, ; 3,, 4; 3,, 0 b 0; 4; 30 A, Ograniczenia na zmienne są postaci: lb = zeros(3,); 8
9 Wywołując poniższą komendę otrzymamy rozwiązanie zadania optymalizacji: [,fval,eitflag,output,lambda] = linprog(f,a,b,[],[],lb); f). lsqcurverfit poszukiwanie parametrów funkcji ydata=f(data,) mając dane opis matematyczny funkcji f i eksperymentalne dane: argumenty funkcji data oraz wartości funkcji ydata. Polecenie rozwiązuje problem szukania parametrów funkcji postaci: min F (0) m, data ydata F, data i ydata i parametry funkcji f o wymiarze [ m], data wektor danych eksperymentalnych argumentów funkcji o wymiarze [ n], ydata wektor danych eksperymentalnych wartości funkcji o wymiarze [ n] (np. reakcja obiektu na sterowania data), F(, data) funkcja zależna o parametru i danych wejściowych data zwracająca wartość w postaci skalara. i = lsqcurvefit(fun,0,data,ydata) = lsqcurvefit(fun,0,data,ydata,lb,ub) = lsqcurvefit(fun,0,data,ydata,lb,ub,options) [,resnorm] = lsqcurvefit(...) [,resnorm,residual] = lsqcurvefit(...) [,resnorm,residual,eitflag] = lsqcurvefit(...) [,resnorm,residual,eitflag,output] = lsqcurvefit(...) szukane rozwiązanie zadania fun funkcja celu zależna od i od data, resnorm wartość normy kwadratowej dla rozwiązania zadania optymalizacji, residual wartość reszty F(,data)-ydata dla rozwiązania zadania optymalizacji, eitflag flaga wyjściowa, czyli komunikat wyjściowy o stanie solver a, Przykład 6 Dla danych argumentów i wartości funkcji znajdź parametry i taki aby poniższe równanie zostało spełnione. i data sin data i data ydata ( i) i Przykładowy m-plik z funkcją może być postaci: 9
10 Function F = myfun(,data) F(,data) = ()*data.^ + ()*sin(data) + (3)*data.^3 Wywołując poniższe komendy otrzymamy rozwiązanie zadania optymalizacji: data = [ ]; ydata = [ ]; 0 = [0, 0, 0] ; [,resnorm] = lsqcurvefit(@myfun,0,data,ydata) g). bintprog poszukiwanie minimum liniowej funkcji wielu zmiennych binarnych w postaci: min f () z liniowymi, równościowymi i nierównościowymi ograniczeniami postaci: A b Aeq beq () 0, wektor zmiennych o wymiarze [ m], gdzie m liczba zmiennych zadania b, beq wektory odpowiednio o wymiarach [n ] i [k ], lb, ub ograniczenia na zmienne w postaci wektorów o wymiarach [m], A, Aeq macierze ograniczeń liniowych nierównościowych i równościowych o wymiarach odpowiednio [m n] oraz [m k], f - jest funkcja celu w postaci wektora o wymiarze [m ] zwracającą wartość w postaci skalara dla danego wektora argumentów. = bintprog(f) = bintprog(f,a,b) = bintprog(f,a,b,aeq,beq) = bintprog(f,a,b,aeq,beq,0) = bintprog(f,a,b,aeq,beq,0,options) [, fval] = bintprog(...) [,fval,eitflag] = bintprog(...) [,fval,eitflag,output] = bintprog(...) wektor zmiennych, którego wielkość zależy od liczby zmiennych zadania 0
11 b, beq wektory, których wielkość zależy od liczby ograniczeń liniowych, odpowiednio nierównościowych i równościowych, lb, ub ograniczenia na zmienne w postaci wektorów, których wielkość zależy od wielkości wektora, A, Aeq macierze ograniczeń liniowych odpowiednio nierównościowych i równościowych, c(), ceq() - ograniczenia nieliniowe w postaci układów równań odpowiednio nierównościowych i równościowych w postaci funkcji zwracających wartości ograniczeń w postaci wektorów dla danego argumentu, f - jest funkcja celu w postaci wektora zwracającą wartość w postaci skalara dla danego wektora argumentów. options zmienna w postaci struktury z zapisanymi opcjami rozwiązania zadania optymalizacji (strukturę tę modyfikuje się wykorzystując polecenie optimset), fval wartość funkcji celu dla rozwiązania zadania optymalizacji, eitflag flaga wyjściowa, czyli komunikat wyjściowy o stanie solver a, Przykład Znajdź minimum funkcji f z ograniczeniami 9,,, 0,, 3 4 Przykładowy m-plik z funkcją może być postaci: f = [-9; -5; -6; -4]; A = [6 3 5 ; 0 0 ; - 0 0; 0-0 ]; b = [9; ; 0; 0]; = bintprog(f,a,b) h). optimget pobieranie parametrów zadania optymalizacji val = optimget(options,'param') val = optimget(options,'param',default) options - struktura z zapisanymi parametrami 'param' parametr który chcemy pobrać.
12 Przykład 8 Za pomocą poniższego polecenia można pobrać wartość właściwości Display struktury ustawień optymalizacji my_options: val = optimget(my_options,'display') lub zmienić jej wartość za pomocą polecenia: optnew = optimget(my_options,'display','final') i). optimset tworzenie lub edycja struktury z parametrami zadania optymalizacji options = optimset('param',value,'param',value,...) optimset options = optimset options = optimset(optimfun) options = optimset(oldopts,'param',value,...) options = optimset(oldopts,newopts) param nazwa opcji, value wartość danej opcji. Ważniejsze nazwy opcji oraz możliwe jej wartości (w nawiasach {} wartości domyślne) przedstawiono w tabeli. Tabela. Ważniejsze nazwy opcji funkcji optimset Nazwa opcji Dopuszczalne wartości Diagnostics 'on' {'off'} Display FunValCheck LargeScale MaIter TolFun TolX {'off'} 'iter' 'final' 'notify' {'off'} 'on' 'on' {'off'} Liczba całkowita Dodatnia wartość skalarna Dodatnia wartość skalarna
13 Przykład 9 Za pomocą poniższego polecenia można ustawić wartość właściwości Display struktury ustawień optymalizacji my_options: val = optimset(my_options,'display') lub zmienić jej wartość za pomocą polecenia: optnew = optimset(my_options,'display','final') Bibliografia The Mathworks. Optimization Toolbo for use with Matlab. Natick, 00. 3
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Metody optymalizacji Narzędzia optymalizacji w środowisku MATLAB Materiały pomocnicze do ćwiczeń laboratoryjnych
Bardziej szczegółowoSpis 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 szczegółowod) Definiowanie macierzy z wykorzystaniem funkcji systemu Matlak
OPTYMALIZACJA W ŚRODOWISKU MATLAB. Cel ćwiczeń Celem ćwiczeń jest zaznajomienie studentów z podstawową obsługą środowiska obliczeń inżynierskich Matlab oraz zapoznanie się z możliwościami przeprowadzenia
Bardziej szczegółowoOBLICZENIA OPTYMALIZACYJNE W MATLABIE. WEiTI PW
OBLICZENIA OPTYMALIZACYJNE W MATLABIE Definicje pojęć, na przykładzie projektowania iteracyjnego w oparciu o przebieg charakterystyki T(f) T f Definicje pojęć FUNKCJA CELU (objective function) (funkcjonał)
Bardziej szczegółowo//warunki początkowe m=500; T=30; c=0.4; t=linspace(0,t,m); y0=[-2.5;2.5];
4.3. Przykłady wykorzystania funkcji bibliotecznych 73 MATLAB % definiowanie funkcji function [dx]=vderpol(t,y) global c; dx=[y(2); c*(1-y(1)^2)*y(2)-y(1)]; SCILAB // definiowanie układu function [f]=vderpol(t,y,c)
Bardziej szczegółowomaj 2014 Politechnika Gdańska Wydział Oceanotechniki i Okrętownictwa St. II stop., sem. I
Politechnika Gdańska Wydział Oceanotechniki i Okrętownictwa St. II stop., sem. I Podstawy teorii optymalizacji Wykład 12 M. H. Ghaemi maj 2014 Podstawy teorii optymalizacji Oceanotechnika, II stop., sem.
Bardziej szczegółowoPODSTAWY AUTOMATYKI. MATLAB - komputerowe środowisko obliczeń naukowoinżynierskich - podstawowe operacje na liczbach i macierzach.
WYDZIAŁ ELEKTROTECHNIKI I AUTOMATYKI Katedra Inżynierii Systemów Sterowania PODSTAWY AUTOMATYKI MATLAB - komputerowe środowisko obliczeń naukowoinżynierskich - podstawowe operacje na liczbach i macierzach.
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I IDENTYFIKACJA Studia niestacjonarne Estymacja parametrów modeli, metoda najmniejszych kwadratów.
Bardziej szczegółowoOptymalizacja systemów
Optymalizacja systemów Laboratorium Zadanie nr 3 Sudoku autor: A. Gonczarek Cel zadania Celem zadania jest napisanie programu rozwiązującego Sudoku, formułując problem optymalizacji jako zadanie programowania
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Technologie informatyczne
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Technologie informatyczne Interpolacja metoda funkcji sklejanych Materiały pomocnicze do ćwiczeń laboratoryjnych
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Struktury i Algorytmy Wspomagania Decyzji Zadanie projektowe 2 Czas realizacji: 6 godzin Maksymalna liczba
Bardziej szczegółowoOptymalizacja systemów
Optymalizacja systemów Laboratorium Sudoku autor: A. Gonczarek Cel zadania Celem zadania jest napisanie programu rozwiązującego Sudoku, formułując problem optymalizacji jako zadanie programowania binarnego.
Bardziej szczegółowoWŁAŚCIWOŚCI PROGRAMOWEJ REALIZACJI ZADANIA PROGRAMOWANIA CAŁKOWITOLICZBOWEGO
ZESZYTY NAUKOWE POLITECHNIKI BIAŁOSTOCKIEJ 2008 Informatyka Zeszyt 3 Aleksander Ostanin 1, Jerzy Wasiluk 1 WŁAŚCIWOŚCI PROGRAMOWEJ REALIZACJI ZADANIA PROGRAMOWANIA CAŁKOWITOLICZBOWEGO Streszczenie: Praca
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Teoria sterowania MATLAB funkcje zewnętrzne (m-pliki, funkcje) Materiały pomocnicze do ćwiczeń laboratoryjnych
Bardziej szczegółowoPOJEMNIK. Politechnika Warszawska. Teoria optymalizacji. Wydziaª Elektryczny ZADANIE PROBLEMOWE
Politechnika Warszawska Wydziaª Elektryczny Teoria optymalizacji POJEMNIK ZADANIE PROBLEMOWE Laboratorium metod optymalizacji Temat wiczenia: Zadanie problemowe - pojemnik Prowadz cy: doc. dr in». Krzysztof
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 szczegółowoEgzamin / zaliczenie na ocenę*
Zał. nr do ZW 33/01 WYDZIAŁ / STUDIUM KARTA PRZEDMIOTU Nazwa w języku polskim Optymalizacja systemów Nazwa w języku angielskim System optimization Kierunek studiów (jeśli dotyczy): Inżynieria Systemów
Bardziej szczegółowoZASTOSOWANIE PROGRAMOWANIA LINIOWEGO W ZAGADNIENIACH WSPOMAGANIA PROCESU PODEJMOWANIA DECYZJI
Wstęp ZASTOSOWANIE PROGRAMOWANIA LINIOWEGO W ZAGADNIENIACH WSPOMAGANIA PROCESU PODEJMOWANIA DECYZJI Problem podejmowania decyzji jest jednym z zagadnień sterowania nadrzędnego. Proces podejmowania decyzji
Bardziej szczegółowoRozwiązywanie równań różniczkowych z niezerowymi warunkami początkowymi
. Cele ćwiczenia Laboratorium nr Rozwiązywanie równań różniczkowych z niezerowymi warunkami początkowymi zapoznanie się z metodami symbolicznego i numerycznego rozwiązywania równań różniczkowych w Matlabie,
Bardziej szczegółowoMetody Optymalizacji Laboratorium nr 4 Metoda najmniejszych kwadratów
Laboratorium Metod Optymalizacji 216 Metody Optymalizacji Laboratorium nr 4 Metoda najmniejszych kwadratów 1. Za pomocą funkcji lsqcurvefit dobrać parametry a i b funkcji: Posiadając następujące dane pomiarowe:
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 szczegółowoMathcad c.d. - Macierze, wykresy 3D, rozwiązywanie równań, pochodne i całki, animacje
Mathcad c.d. - Macierze, wykresy 3D, rozwiązywanie równań, pochodne i całki, animacje Opracował: Zbigniew Rudnicki Powtórka z poprzedniego wykładu 2 1 Dokument, regiony, klawisze: Dokument Mathcada realizuje
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Teoria sterowania Obliczenia symboliczne w środowisku MATLAB Materiały pomocnicze do ćwiczeń laboratoryjnych
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 szczegółowoLABORATORIUM 3 ALGORYTMY OBLICZENIOWE W ELEKTRONICE I TELEKOMUNIKACJI. Wprowadzenie do środowiska Matlab
LABORATORIUM 3 ALGORYTMY OBLICZENIOWE W ELEKTRONICE I TELEKOMUNIKACJI Wprowadzenie do środowiska Matlab 1. Podstawowe informacje Przedstawione poniżej informacje maja wprowadzić i zapoznać ze środowiskiem
Bardziej szczegółowoWprowadzenie do Mathcada 1
Wprowadzenie do Mathcada Ćwiczenie. - Badanie zmienności funkcji kwadratowej Ćwiczenie. pokazuje krok po kroku tworzenie prostego dokumentu w Mathcadzie. Dokument ten składa się z następujących elementów:.
Bardziej szczegółowoGNU Octave (w skrócie Octave) to rozbudowany program do analizy numerycznej.
1 GNU Octave GNU Octave (w skrócie Octave) to rozbudowany program do analizy numerycznej. Octave zapewnia: sporą bibliotęke użytecznych funkcji i algorytmów; możliwośc tworzenia przeróżnych wykresów; możliwość
Bardziej szczegółowoLaboratorium: sprawdzian MATLAB
Metody optymalizacji Laboratorium: sprawdzian MATLAB 13 czerwca 2016 r. godz. 16.15-17.45 PROSZĘ UWAŻNIE PRZECZYTAĆ PONIŻSZE ZASADY! Proszę się podpisać na tej stronie. Czas pracy: studentowi przysługuje
Bardziej szczegółowoWPROWADZENIE DO ŚRODOWISKA SCILAB
Politechnika Gdańska Wydział Elektrotechniki i Automatyki WPROWADZENIE DO ŚRODOWISKA SCILAB Materiały pomocnicze do ćwiczeń laboratoryjnych Opracowanie: Paweł Lieder Gdańsk, 007 Podstawy pracy z Scilab.
Bardziej szczegółowoDocument: Exercise*02*-*manual /11/ :31---page1of8 INSTRUKCJA DO ĆWICZENIA NR 2
Document: Exercise*02*-*manual ---2014/11/12 ---8:31---page1of8 PRZEDMIOT TEMAT KATEDRA MECHANIKI STOSOWANEJ Wydział Mechaniczny POLITECHNIKA LUBELSKA INSTRUKCJA DO ĆWICZENIA NR 2 Wybrane zagadnienia z
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Teoria sterowania MATLAB komputerowe środowisko obliczeń naukowoinżynierskich podstawowe informacje Materiały
Bardziej szczegółowoExcel - użycie dodatku Solver
PWSZ w Głogowie Excel - użycie dodatku Solver Dodatek Solver jest narzędziem używanym do numerycznej optymalizacji nieliniowej (szukanie minimum funkcji) oraz rozwiązywania równań nieliniowych. Przed pierwszym
Bardziej szczegółowoModelowanie rynków finansowych z wykorzystaniem pakietu R
Modelowanie rynków finansowych z wykorzystaniem pakietu R Metody numeryczne i symulacje stochastyczne Mateusz Topolewski woland@mat.umk.pl Wydział Matematyki i Informatyki UMK Plan działania 1 Całkowanie
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Technologie informatyczne Wprowadzenie do Simulinka w środowisku MATLAB Pytania i zadania do ćwiczeń laboratoryjnych
Bardziej szczegółowoMetody optymalizacji Optimization methods Forma studiów: stacjonarne Poziom studiów II stopnia. Liczba godzin/tydzień: 1W, 1Ć
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści dodatkowych Rodzaj zajęć: wykład, ćwiczenia Metody Optimization methods Forma studiów: stacjonarne Poziom studiów
Bardziej szczegółowoDefinicja problemu programowania matematycznego
Definicja problemu programowania matematycznego minimalizacja lub maksymalizacja funkcji min (max) f(x) gdzie: x 1 x R n x 2, czyli: x = [ ] x n przy ograniczeniach (w skrócie: p.o.) p.o. g i (x) = b i
Bardziej szczegółowoRozdział 1 PROGRAMOWANIE LINIOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 1 PROGRAMOWANIE LINIOWE 1.2 Ćwiczenia komputerowe Ćwiczenie 1.1 Wykorzystując
Bardziej szczegółowoSpis treści. I. Skuteczne. Od autora... Obliczenia inżynierskie i naukowe... Ostrzeżenia...XVII
Spis treści Od autora..................................................... Obliczenia inżynierskie i naukowe.................................. X XII Ostrzeżenia...................................................XVII
Bardziej szczegółowoELEMENTY AUTOMATYKI PRACA W PROGRAMIE SIMULINK 2013
SIMULINK część pakietu numerycznego MATLAB (firmy MathWorks) służąca do przeprowadzania symulacji komputerowych. Atutem programu jest interfejs graficzny (budowanie układów na bazie logicznie połączonych
Bardziej szczegółowoLaboratorium 1b Operacje na macierzach oraz obliczenia symboliczne
Uniwersytet Zielonogórski Instytut Sterowania i Systemów Informatycznych Laboratorium Metod Numerycznych Laboratorium 1b Operacje na macierzach oraz obliczenia symboliczne 1 Zadania 1. Obliczyć numerycznie
Bardziej szczegółowoWYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA
WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA PRZEDMIOT : : LABORATORIUM PODSTAW AUTOMATYKI 1. WSTĘP DO
Bardziej szczegółowoMateriały dodatkowe. Simulink PLC Coder
Katedra Inżynierii Systemów Sterowania Materiały dodatkowe Simulink PLC Coder Opracowali: mgr inż. Tomasz Karla Data: Listopad, 2016 r. Dodatkowe informacje Materiały dodatkowe mają charakter ogólny i
Bardziej szczegółowoIII TUTORIAL Z METOD OBLICZENIOWYCH
III TUTORIAL Z METOD OBLICZENIOWYCH ALGORYTMY ROZWIĄZYWANIA UKŁADÓW RÓWNAŃ LINIOWYCH Opracowanie: Agata Smokowska Marcin Zmuda Trzebiatowski Koło Naukowe Mechaniki Budowli KOMBO Spis treści: 1. Wstęp do
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 szczegółowo1. Zbadać liniową niezależność funkcji x, 1, x, x 2 w przestrzeni liniowej funkcji ciągłych na przedziale [ 1, ).
B 2 Suma Zbadać, czy liniowo niezależne wektory u, v, w stanowią bazę przestrzeni liniowej lin { u + 2 v + w, u v + 2 w, 3 u + 5 w } 2 Współrzędne wektora (, 4, 5, 4 ) w pewnej bazie podprzestrzeni U R
Bardziej szczegółowoMetody optymalizacji - wprowadzenie do SciLab a
Metody optymalizacji - wprowadzenie do SciLab a 1 Zmienne Nazwy: dozwolone nazwy zawierają znaki: od a do z, od A do Z, od 0 do 9 oraz _, #,!, $,? Operator przypisania wartości zmiennej = Przykład x=2
Bardziej szczegółowoRozdział 6 PROGRAMOWANIE WYPUKŁE I KWADRATOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 6 PROGRAMOWANIE WYPUKŁE I KWADRATOWE 6. Ćwiczenia komputerowe Ćwiczenie 6.1
Bardziej szczegółowoĆwiczenia laboratoryjne - 7. Problem (diety) mieszanek w hutnictwie programowanie liniowe. Logistyka w Hutnictwie Ćw. L. 7
Ćwiczenia laboratoryjne - 7 Problem (diety) mieszanek w hutnictwie programowanie liniowe Ćw. L. 7 Konstrukcja modelu matematycznego Model matematyczny składa się z: Funkcji celu będącej matematycznym zapisem
Bardziej szczegółowoROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1)
ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL 1. Problem Rozważmy układ dwóch równań z dwiema niewiadomymi (x 1, x 2 ): 1 x1 sin x2 x2 cos x1 (1) Nie jest
Bardziej szczegółowoLaboratorium Metod Optymalizacji
Laboratorium Metod Optymalizacji Grupa nr... Sekcja nr... Ćwiczenie nr 4 Temat: Programowanie liniowe (dwufazowa metoda sympleksu). Lp. 1 Nazwisko i imię Leszek Zaczyński Obecność ocena Sprawozdani e ocena
Bardziej szczegółowoObliczenia iteracyjne
Lekcja Strona z Obliczenia iteracyjne Zmienne iteracyjne (wyliczeniowe) Obliczenia iteracyjne wymagają zdefiniowania specjalnej zmiennej nazywanej iteracyjną lub wyliczeniową. Zmienną iteracyjną od zwykłej
Bardziej szczegółowoPODSTAWY AUTOMATYKI. MATLAB - komputerowe środowisko obliczeń naukowoinżynierskich - podstawowe operacje na liczbach i macierzach.
WYDZIAŁ ELEKTROTECHNIKI I AUTOMATYKI Katedra Inżynierii Systemów Sterowania PODSTAWY AUTOMATYKI MATLAB - komputerowe środowisko obliczeń naukowoinżynierskich - podstawowe operacje na liczbach i macierzach.
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania KOMPUTEROWE SYSTEMY STEROWANIA I WSPOMAGANIA DECYZJI Rozproszone programowanie produkcji z wykorzystaniem
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 szczegółowoOptymalizacja systemów
Optymalizacja systemów Laboratorium - problem detekcji twarzy autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, P. Klukowski Cel zadania Celem zadania jest zapoznanie się z gradientowymi algorytmami optymalizacji
Bardziej szczegółowoO co chodzi z tym MATLAB'em?!
O co chodzi z tym MATLAB'em?! Część 1. SIMULINK W pliku data.mat jest zapisany przebieg. Gdzieś tam i kiedyś tam zarejestrowany. Widać go na fioletowo poniżej. Powstał on z obiektu, co ciekawe wiemy jak
Bardziej szczegółowoDocument: Exercise-05-manual /1/ : page 1 of 16. KATEDRA MECHANIKI STOSOWANEJ Wydzia! Mechaniczny POLITECHNIKA LUBELSKA
Document: Exercise-05-manual --- 2015/1/19 --- 17:10 --- page 1 of 16 PRZEDMIOT TEMAT KATEDRA MECHANIKI STOSOWANEJ Wydzia! Mechaniczny POLITECHNIKA LUBELSKA!"#$%&'()* +, -.!(/0"!* "% 1 1. CEL ĆWICZENIA
Bardziej szczegółowoĆwiczenia laboratoryjne - Dobór optymalnego asortymentu produkcji programowanie liniowe. Logistyka w Hutnictwie Ćw. L.
Ćwiczenia laboratoryjne - Dobór optymalnego asortymentu produkcji programowanie liniowe Ćw. L. Typy optymalizacji Istnieją trzy podstawowe typy zadań optymalizacyjnych: Optymalizacja statyczna- dotyczy
Bardziej szczegółowoĆwiczenie 1. Wprowadzenie do programu Octave
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 1. Wprowadzenie do programu Octave Mimo że program Octave został stworzony do
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Podsta Automatyki Transmitancja operatorowa i widmowa systemu, znajdowanie odpowiedzi w dziedzinie s i w
Bardziej szczegółowoElementy projektowania inzynierskiego Przypomnienie systemu Mathcad
Elementy projektowania inzynierskiego Definicja zmiennych skalarnych a : [S] - SPACE a [T] - TAB - CTRL b - SHIFT h h. : / Wyświetlenie wartości zmiennych a a = b h. h. = Przykładowe wyrażenia
Bardziej szczegółowoRozdział 2 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 2 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE 2.2 Ćwiczenia komputerowe Ćwiczenie
Bardziej szczegółowoZad. 3: Układ równań liniowych
1 Cel ćwiczenia Zad. 3: Układ równań liniowych Wykształcenie umiejętności modelowania kluczowych dla danego problemu pojęć. Definiowanie właściwego interfejsu klasy. Zwrócenie uwagi na dobór odpowiednich
Bardziej szczegółowoWprowadzenie do Scilab: macierze
Wprowadzenie do Scilab: macierze Narzędzia Informatyki Magdalena Deckert Izabela Szczęch Barbara Wołyńska Bartłomiej Prędki Politechnika Poznańska Instytut Informatyki Agenda Definiowanie macierzy Funkcje
Bardziej szczegółowo1 Programowanie w matlabie - skrypty i funkcje
1 Programowanie w matlabie - skrypty i funkcje 1.1 Skrypty Skrypt jest plikiem tekstowym z rozszerzeniem *.m zawierającym listę poleceń do wykonania. Aby utworzyć skrypt w matlabie wybierz File New Script,
Bardziej szczegółowoWprowadzenie do Scilab: macierze
Wprowadzenie do Scilab: macierze Narzędzia Informatyki Magdalena Deckert Izabela Szczęch Barbara Wołyńska Bartłomiej Prędki Politechnika Poznańska Instytut Informatyki Agenda Definiowanie macierzy Funkcje
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 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 szczegółowoZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia
ZP/ITS/11/2012 Załącznik nr 1a do SIWZ ZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia Przedmiotem zamówienia jest: Przygotowanie zajęć dydaktycznych w postaci kursów e-learningowych przeznaczonych
Bardziej szczegółowoProjektowanie układów metodą sprzężenia od stanu - metoda przemieszczania biegunów
Uniwersytet Zielonogórski Instytut Sterowania i Systemów Informatycznych Laboratorium Sterowania Procesami Ciągłych Projektowanie układów metodą sprzężenia od stanu - metoda przemieszczania biegunów. Obliczanie
Bardziej szczegółowoMatlab Składnia + podstawy programowania
Matlab Składnia + podstawy programowania Matlab Matrix Laboratory środowisko stworzone z myślą o osobach rozwiązujących problemy matematyczne, w których operuje się na danych stanowiących wielowymiarowe
Bardziej szczegółowoPodstawy Automatyki ćwiczenia Cz.1. Środowisko Matlab
Podstawy Automatyki ćwiczenia Cz.1 Środowisko Matlab Podstawową jednostką obliczeniową w programie Matlab jest macierz. Wektory i skalary mogą być tutaj rozpatrywane jako specjalne typy macierzy. Elementy
Bardziej szczegółowoLaboratorium WDEC. Opis posługiwania się pakietem AMPL
Laboratorium WDEC Opis posługiwania się pakietem AMPL Adam Krzemienowski, Grzegorz Płoszajski Instytut Automatyki i Informatyki Stosowanej Politechnika Warszawska Pakiet AMPL Pakiet AMPL jest narzędziem
Bardziej szczegółowoModele układów dynamicznych - laboratorium. SIMULINK - wprowadzenie
Modele układów dynamicznych - laboratorium SIMULINK - wprowadzenie SIMULINK Simulink to przybornik (toolbo) pakietu Matlab przeznaczony do symulacji układów dynamicznych w trybie graficznym. Simulink to
Bardziej szczegółowoObliczenia w programie MATLAB
Obliczenia w programie MATLAB Na zajęciach korzystamy z programu MATLAB, w którym wykonywać będziemy większość obliczeń. Po uruchomieniu programu w zależności od wersji i konfiguracji może pojawić się
Bardziej szczegółowo3 1 + i 1 i i 1 2i 2. Wyznaczyć macierze spełniające własność komutacji: [A, X] = B
1. Dla macierzy a) A = b) A = c) A = d) A = 3 1 + i 1 i i i 0 i i 0 1 + i 1 i 0 0 0 0 1 0 1 0 1 + i 1 i Wyznaczyć macierze spełniające własność komutacji: A, X = B. Obliczyć pierwiaski z macierzy: A =
Bardziej szczegółowoWprowadzenie do programu Mathcad 15 cz. 1
Wpisywanie tekstu Wprowadzenie do programu Mathcad 15 cz. 1 Domyślnie, Mathcad traktuje wpisywany tekst jako wyrażenia matematyczne. Do trybu tekstowego można przejść na dwa sposoby: Zaczynając wpisywanie
Bardziej szczegółowoDiary przydatne polecenie. Korzystanie z funkcji wbudowanych i systemu pomocy on-line. Najczęstsze typy plików. diary nazwa_pliku
Diary przydatne polecenie diary nazwa_pliku Polecenie to powoduje, że od tego momentu sesja MATLAB-a, tj. polecenia i teksty wysyłane na ekran (nie dotyczy grafiki) będą zapisywane w pliku o podanej nazwie.
Bardziej szczegółowoPrzekształcenia liniowe
Przekształcenia liniowe Zadania Które z następujących przekształceń są liniowe? (a) T : R 2 R 2, T (x, x 2 ) = (2x, x x 2 ), (b) T : R 2 R 2, T (x, x 2 ) = (x + 3x 2, x 2 ), (c) T : R 2 R, T (x, x 2 )
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 szczegółowoLaboratorium Cyfrowego Przetwarzania Obrazów
Laboratorium Cyfrowego Przetwarzania Obrazów Ćwiczenie 2 Histogram i arytmetyka obrazów Opracowali: - dr inż. Beata Leśniak-Plewińska - dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej, Instytut
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 szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Struktury i Algorytmy Wspomagania Decyzji Zadanie projektowe 1 Czas realizacji: 3 godziny Maksymalna liczba
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania KOMPUTEROWE SYSTEMY STEROWANIA (KSS)
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania KOMPUTEROWE SYSTEMY STEROWANIA (KSS) Temat: Budowa pętli sprzętowej (ang. Hardware In the Loop) w oparciu
Bardziej szczegółowoSZYBKI ALGORYTM Z MACIERZĄ SHURA DLA MACIERZY TRÓJDIAGONALNYCH
SZYBKI ALGORYTM Z MACIERZĄ SHURA DLA MACIERZY TRÓJDIAGONALNYCH Rozwiązujemy układ z macierzą trójdiagonalną. Założymy dla prostoty opisu, że macierz ma stałe współczynniki, to znaczy, że na głównej diagonali
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Teoria sterowania Odpowiedzi czasowe ciągłych i dyskretnych systemów dynamicznych Zadania do ćwiczeń laboratoryjnych
Bardziej szczegółowoProgramowanie celowe #1
Programowanie celowe #1 Problem programowania celowego (PC) jest przykładem problemu programowania matematycznego nieliniowego, który można skutecznie zlinearyzować, tzn. zapisać (i rozwiązać) jako problem
Bardziej szczegółowoWprowadzenie do środowiska
Wprowadzenie do środowiska www.mathworks.com Piotr Wróbel piotr.wrobel@igf.fuw.edu.pl Pok. B 4.22 Metody numeryczne w optyce 2017 Czym jest Matlab Matlab (matrix laboratory) środowisko obliczeniowe oraz
Bardziej szczegółowoLaboratorium Cyfrowego Przetwarzania Obrazów
Laboratorium Cyfrowego Przetwarzania Obrazów Ćwiczenie 3 Interpolacja i przekształcenia geometryczne obrazów Opracowali: - dr inż. Beata Leśniak-Plewińska - dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej,
Bardziej szczegółowoLaboratorium Przetwarzania Sygnałów
PTS - laboratorium Laboratorium Przetwarzania Sygnałów Ćwiczenie 5 Przekształcenia geometryczne i arytmetyka obrazów Opracowali: dr inż. Krzysztof Mikołajczyk dr inż. Beata Leśniak-Plewińska Zakład Inżynierii
Bardziej szczegółowoAKADEMIA MORSKA W SZCZECINIE WI-ET / IIT / ZTT. Instrukcja do zajęc laboratoryjnych nr 6 AUTOMATYKA
AKADEMIA MORSKA W SZCZECINIE WI-ET / IIT / ZTT Instrukcja do zajęc laboratoryjnych nr 6 AUTOMATYKA II rok Kierunek Transport Temat: Transmitancja operatorowa. Badanie odpowiedzi układów automatyki. Opracował
Bardziej szczegółowoWykład 2. 18.03.2007.
KOMPUTEROWE WSPOMAGANIE OBLICZEŃ Wykład 2. 18.03.2007. Wykresy i obliczenia numeryczne w Excelu dr inż. Paweł Surdacki Instytut Podstaw Elektrotechniki i Elektrotechnologii Politechniki Lubelskiej 1 LITERATURA
Bardziej szczegółowoRównania nieliniowe, nieliniowe układy równań, optymalizacja
4 maj 2009 Nieliniowe równania i układy rówań Slajd 1 Równania nieliniowe, nieliniowe układy równań, optymalizacja 4 maj 2009 Nieliniowe równania i układy rówań Slajd 2 Plan zajęć Rozwiązywanie równań
Bardziej szczegółowoUkład równań liniowych
Układ równań liniowych 1 Cel zadania Wykształcenie umiejętności projektowania własnych klas modelujących pojęcia niezbędne do rozwiązania postawionego problemu. Rozwinięcie umiejętności przeciążania operatorów
Bardziej szczegółowoMetody numeryczne. Instytut Sterowania i Systemów Informatycznych Wydział Elektrotechniki, Informatyki i Telekomunikacji Uniwersytet Zielonogórski
Metody numeryczne Instytut Sterowania i Systemów Informatycznych Wydział Elektrotechniki, Informatyki i Telekomunikacji Uniwersytet Zielonogórski Elektrotechnika stacjonarne-dzienne pierwszego stopnia
Bardziej szczegółowoMetody numeryczne Wykład 4
Metody numeryczne Wykład 4 Dr inż. Michał Łanczont Instytut Elektrotechniki i Elektrotechnologii E419, tel. 4293, m.lanczont@pollub.pl, http://m.lanczont.pollub.pl Zakres wykładu Metody skończone rozwiązywania
Bardziej szczegółowoPROGRAMOWANIE KWADRATOWE
PROGRAMOWANIE KWADRATOWE Programowanie kwadratowe Zadanie programowania kwadratowego: Funkcja celu lub/i co najmniej jedno z ograniczeń jest funkcją kwadratową. 2 Programowanie kwadratowe Nie ma uniwersalnej
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 szczegółowoPROGRAMOWANIE 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 szczegółowoAkademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka Podstawy MATLABA MATLAB jest zintegrowanym środowiskiem
Bardziej szczegółowo