Numerické metody optimalizace - úvod
|
|
- Jiřina Pavlína Kadlecová
- před 5 lety
- Počet zobrazení:
Transkript
1 Numerické metody optimalizace - úvod Petr Tichý 16. února
2 Organizace přednášek a cvičení 13 přednášek a cvičení. Zápočet: úloha programování a testování úloh v Matlabu. Další informace na blogu Lze se na něj dostat z ptichy/ Kontakt: mail.tichy@gmail.com 3
3 Optimalizace Lidé optimalizují (investoři, výrobci, inženýři). Příroda optimalizuje (reakce molekul reakce dokud není celková energie jejích elektronů minimální). Co musíme v problému identifikovat? Cílová funkce (objective function): míra kvality systému (výnos, čas, potenciální energie, kombinace kvantit). Cílová funkce závisí na určitých charakteristikách proměnné, neznámé (unknowns, variables) Co chceme: nalézt hodnoty proměnných, pro které je cílová funkce optimální (nabývá minimální či maximální hodnoty). Proměnné často omezeny - omezení (constrains) (hustota elektronů nemůže být záporná) Často omezení 4
4 Optimalizační proces Proces identifikace (rozpoznání) cílove funkce, proměnných, omezení = modelování (modeling). Konstrukce modelu první a často nejdůležitější krok. Soubor optimalizačních algoritmů neexistuje univerzální, šité na míru optimalizačnímu problému. Nutné rozpoznat, zda algoritmus uspěl. Často máme k dispozici podmínky optimality napoví jak dál. 5
5 Matematická formulace Optimalizace je minimalizace nebo maximalizace funkce vzhledem k omezením na své proměnné. Označení: x je vektor proměných: neznámé a parametry f je cílová funkce: funkce proměnné x, kterou chceme minimalizovat nebo maximalizovat h a q jsou vektorové funkce definující podmínky, jež musí x splňovat (constraint functions). 6
6 Formulace problému Omezení ve tvaru rovností a nerovností Dána funkce f(x), f : R n R, funkce h 1 (x),..., h m (x) a q 1 (x),..., q p (x), h i : R n R, q j : R n R. (f dvakrát spojitě diferencovatelná, h i, q j spojitě diferencovatelné). Problém h(x) h 1 (x) h 2 (x). h m (x), q(x) q 1 (x) q 2 (x). q p (x). min x R n f(x) za podmínek h(x) = 0, q(x) 0. 7
7 Příklad min (x 1 2) 2 + (x 2 1) 2 za podmínek x 2 1 x 2 0, x 1 + x 2 2. Přiřazení: f(x) = (x 1 2) 2 + (x 2 1) 2, x = q(x) = [ q1 (x) q 2 (x) ] = [ x 2 1 x 2 x 1 + x 2 2 [ x1 ] x 2. ] 8
8 Grafická reprezentace x 2 1 x 2 0, x 1 + x
9 Formální transformace problému Předchozí příklad různé úpravy a transformace jsou často potřeba, abychom převedli daný problém na min f(x) za podmínek h(x) = 0, x R n q(x) 0. Úlohy na hledání maxima lze převést na hledáí minima f f. 10
10 Další příklad: Dopravní problém F 1, F 2 továrny vyrábějící 1 produkt, R 1,..., R 12 sklady. F i produkuje týdně a i tun produktu. Každý sklad R j má týdenní poptávku po b j tunách. Náklady na přepravu tuny produktu z F i do R j jsou c i,j. Kolik tun produktu převézt z továren do jednotlivých skladů, abychom splnili všechny požadavky a minimalizovali náklady? x i,j... počet tun k převozu z továrny F i do skladu R j. 11
11 Matematická formulace Minimalizujeme náklady min 2 12 c i,j x i,j i=1 j=1 za podmínek 12 j=1 x i,j a i, i = 1, 2, 2 x i,j b j, j = 1,..., 12, i=1 x i,j 0, i = 1, 2, j = 1,..., 12. Lineární programování: cílová funkce i omezení jsou lineární. 12
12 Spojitá versus diskrétní optimalizace Diskrétní proměnné z konečné, často velmi velké, množiny. Např. požadavek, proměnné x i celá čísla či x i {0, 1} integer programming problems. Spojité proměnné reálná čísla či prvky z nespočetných množin. Jednodušší řešení - lze použít spojitost a hladkost funkce, napoví hodně o chování funkce v okolí daného bodu. 13
13 Klasifikace a dělení spojité optimalizace Klasifikace podle: matematické povahy cílové funkce a omezení (lineární, nelineární, konvexní), počtu proměnných (hodně, málo), hladkosti funkcí (diferencovatelné, nediferencovatelné). Důležité dělení (z pohledu způsobu řešení) Nepodmíněná optimalizace (bez omezení, E = = I) - mnoho praktických aplikací, často vzniká i z přeformulovaných úloh s omezeními (omezení nahrazena penalizační funkcí - přidány k cílové funkci - efekt zamezují poručení omezení. Podmíněná optimalizace (s omezeními, s vazbami) - ekonomické problémy, omezení tvaru, design. 14
14 Globální versus lokální optimalizace Algoritmy většinou hledají pouze lokální minimum (f je nejmenší na okolí bodu), ne vždy najdou globální minimum. Globální minimum potřeba v některých aplikacích, často velmi obtížné nalézt. Obecně vyžadují řešení mnoha lokálních optimalizačních problémů. Konvexní optimalizační problémy (cílová i vazební funkce konvexní) lokální minimum je i globálním minimem (např. v lineárním programování či v problému nejmenších čtverců). 15
15 Algoritmy Jsou iterační: Počateční odhad posloupnost vylepšených odhadů řešení. Liší se ve strategii, jak se posunout od jedné iterace k druhé. Využívají hodnot f, h a q, popř. prvních a druhých derivací těchto funkcí. Některé sbírají informace o předchozích iteracích, jiné používají pouze lokální info v daném bodě. Cíle dobrých algoritmů: robustnost (dobrý výkon na široké třídě problémů), efektivita (nízké výpočetní a paměťové nároky), přesnost (nalézt dostatečně přesné řešení, bez přílišné citlivosti na chyby v počátečních datech nebo zaokrouhlovací chyby). Tyto cíle často v konfliktu. 16
16 Skalární funkce n proměnných f : R n R. f : x 1 x 2. x n f(x). 18
17 Derivace funkce jedné proměnné f : R R 1ní derivace df dx = f f(x + ɛ) f(x) (x) lim. ɛ 0 ɛ f je diferencovatelná, pokud f (x) existuje. 2há derivace: za f dosadíme do předchozí formule f, d 2 f dx 2 = f f (x + ɛ) f (x) (x) lim. ɛ 0 ɛ Podobně, derivace zprava či zleva. Derivace složené funkce df(x(t)) dt = df dx dx dt = f (x)x (t). 19
18 Derivace funkce n proměnných f : R n R parciální derivace, gradient Parciální derivace: f f(x 1 + ɛ, x 2,..., x n ) f(x 1, x 2,..., x n ) = lim x 1 ɛ 0 ɛ f(x + ɛe 1 ) f(x) = lim. ɛ 0 ɛ f f(x + ɛe k ) f(x) = lim. x k ɛ 0 ɛ n-vektor parciálních derivací se nazývá gradient, f(x) [ f x 1 f x 2... f x n ] T. 20
19 Derivace funkce n proměnných f : R n R druhé parciální derivace f má n 2 druhých parciálních derivací tvaru ( ) f i, j = 1..., n. x i x j Zapisujeme 2 f x i x j, i j; 2 f x 2 i, i = j. Jsou-li f x i, f x j 2 f x i x j spojité, pak 2 f x j x i 2 f x i x j = 2 f x j x i. existuje a platí 21
20 Derivace funkce n proměnných f : R n R Hessián Matice druhých parciálních derivací Hessián 2 f(x) 2 f x 2 i f x n x f x 1 x n. 2 f x 2 n 1ní a 2hé parciální derivace spojité symetrie.. 22
21 Derivace funkce n proměnných f : R n R Složená funkce Situace: x závisí na t x(t). Pravidlo o derivaci složené funkce lze rozšířit. Je-li t jednoduchá proměnná, pak d dt [f(x(t))] = [x 1(t),..., x n(t)] f(x). 23
22 Derivace funkce n proměnných f : R n R Směrové derivace Nechť f je spojitě diferencovatelná. derivace ve směru d f d lim f(x + ɛ d) f(x) ɛ 0 ɛ = f(x) T d. 24
23 Řádová notace, prostor C m Funkce jedné proměnné Řádová notace. Nechť f(h) je funkce proměnné h. Řekneme, že funkce f(h) je řádu h p, psáno f(h) = O(h p ), pokud existuje konečná konstanta M taková, že platí f(h) M h p. Označme C m třídu funkcí spojitě diferencovatelných až do řádu m. 25
24 Taylorova věta Funkce jedné proměnné Taylorova věta Pokud f(x) C m potom existuje skalár α, 0 < α < 1, tak že, f(x + h) = f(x) + hf (x) h2 f (x) (m 1)! hm 1 f (m 1) (x) + 1 m! hm f (m) (x + αh), kde f (k) označuje k-tou derivaci f v bodě x. Má-li f omezenou m-tou derivaci na intervalu [x, x + h], potom m 1 f(x + h) = f(x) + h k f (k) (x) k! k=1 + O(h m ). 26
25 Taylorova věta Funkce více proměnných (užitečná verze pro formulaci metod) Taylorova věta Nechť f : R n R je spojitě diferencovatelná a d R n. Potom f(x + d) = f(x) + f(x + αd) T d pro nějaké α (0, 1). Je-li f dvakrát spojitě diferencovatelná, f(x + d) = f(x) + f(x) T d dt 2 f(x + αd)d. pro nějaké α (0, 1). Pro praktické výpočty postačí nejvýše první tři členy rozvoje. Je-li f dostatečně hladká, potom f(x + hd) = f(x) + h f(x) T d h2 d T 2 f(x)d + O(h 3 ). 27
26 Taylorova věta Funkce více proměnných (obecně) Dána f(x), směr d. Označme n n n ( D s s ) f f(x) d i1 d i2... d is. x i1 x i2... x is i 1 =1 i 2 =1 i s=1 Taylorova věta Nechť f : R n R, f C m (Ω), kde Ω je otevřená a konvexní. Nechť x a x + d leží v Ω. Potom α (0, 1) takové, že platí m 1 1 f(x + d) = f(x) + s! Ds f(x) + 1 m! Dm f(x + αd). s=1 28
27 Jacobiho matice (Jacobián) Funkce více proměnných Uvažujme funkci h(x) h 1 (x) h 2 (x). h m (x), h : Rn R m. Jacobiho matice prvních parciálních derivací J(h(x)) h 1 x 1... h 1 x n.. h m x 1... h m x n = [ h 1,..., h m ] T h(x). Označení Jacobián se občas používá pro determinant n n Jacobiho matice funkce h(x) : R n R n. 29
28 Derivace složené funkce II Nechť t je vektorová proměnná t = [t 1,..., t m ] T a nechť x závisí (dostatečně hladce) na t. Označme J x 1 t 1... x 1 t m.. x n t 1... x n t m a nechť Potom h(t) f(x(t)). h(t) = J T f(x). 30
29 Shrnutí f : R n R. f : x 1 x 2. x n f(x). gradient f(x), Hessián 2 f(x), derivace složené funkce, 1ní derivace ve směru d: f(x) T d, 2há derivace ve směru d: d T 2 f(x)d, Taylorova věta. Jacobián - zobecnění gradientu pro funkce h : R n R m. 31
30 Cvičení Spočtěte gradient a Hessián funkce f(x 1, x 2 ) = x x x 2 2. Nechť A R n n a b R n. Spočtěte gradient a Hessián f(x) = x T Ax 2x T b. Nechť h : R n R m, h C 2, a nechť λ R m je vektor nezávislý na x. Uvažujme funkci L(x, λ) = λ T h(x). Spočtěte gradient a Hessián L(x, λ) vzhledem k proměnné x. 32
Základní spádové metody
Základní spádové metody Petr Tichý 23. října 2013 1 Metody typu line search Problém Idea metod min f(x), f : x R Rn R. n Dána počáteční aproximace x 0. Iterační proces (krok k): (a) zvol směr d k, (b)
Více10 Funkce více proměnných
M. Rokyta, MFF UK: Aplikovaná matematika II kap. 10: Funkce více proměnných 16 10 Funkce více proměnných 10.1 Základní pojmy Definice. Eukleidovskou vzdáleností bodů x = (x 1,...,x n ), y = (y 1,...,y
VíceDefinice 1.1. Nechť je M množina. Funkci ρ : M M R nazveme metrikou, jestliže má následující vlastnosti:
Přednáška 1. Definice 1.1. Nechť je množina. Funkci ρ : R nazveme metrikou, jestliže má následující vlastnosti: (1 pro každé x je ρ(x, x = 0; (2 pro každé x, y, x y, je ρ(x, y = ρ(y, x > 0; (3 pro každé
Více3. Přednáška: Line search
Úloha: 3. Přednáška: Line search min f(x), x R n kde x R n, n 1 a f : R n R je dvakrát spojitě diferencovatelná. Iterační algoritmy: Začínám v x 0 a vytvářím posloupnost iterací {x k } k=0, tak, aby minimum
VíceNumerické metody a programování. Lekce 8
Numerické metody a programování Lekce 8 Optimalizace hledáme bod x, ve kterém funkce jedné nebo více proměnných f x má minimum (maximum) maximalizace f x je totéž jako minimalizace f x Minimum funkce lokální:
VíceFunkce v ıce promˇ enn ych Extr emy Pˇredn aˇska p at a 12.bˇrezna 2018
Funkce více proměnných Extrémy Přednáška pátá 12.března 2018 Zdroje informací Diferenciální počet http://homen.vsb.cz/~kre40/esfmat2/fceviceprom.html http://www.studopory.vsb.cz/studijnimaterialy/sbirka_uloh/pdf/7.pdf
VícePřijímací zkouška na navazující magisterské studium 2018
Přijímací zkouška na navazující magisterské studium 208 Studijní program: Studijní obory: Matematika MA, MMIT, MMFT, MSTR, MNVM, MPMSE Varianta A Řešení příkladů pečlivě odůvodněte. Věnujte pozornost ověření
VíceNelineární optimalizace a numerické metody (MI NON)
Nelineární optimalizace a numerické metody (MI NON) Magisterský program: Informatika Obor: Teoretická informatika Katedra: 18101 Katedra teoretické informatiky Jaroslav Kruis Evropský sociální fond Praha
VíceDefinice globální minimum (absolutní minimum) v bodě A D f, jestliže X D f
Výklad Globální extrémy mají stejný význam jako u funkcí jedné proměnné. Hledáme je bud na celém definičním oboru dané funkce, nebo na předem zadané podmnožině definičního oboru. Definice 6..1. Řekneme,
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
1 / 40 regula Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague regula 1 2 3 4 5 regula 6 7 8 2 / 40 2 / 40 regula Iterační pro nelineární e Bud f reálná funkce
VíceMatematická analýza pro informatiky I.
Matematická analýza pro informatiky I. 10. přednáška Diferenciální počet funkcí více proměnných (II) Jan Tomeček jan.tomecek@upol.cz http://aix-slx.upol.cz/ tomecek/index Univerzita Palackého v Olomouci
VíceVlastní (charakteristická) čísla a vlastní (charakteristické) Pro zadanou čtvercovou matici A budeme řešit maticovou
1 Vlastní (charakteristická) čísla a vlastní (charakteristické) vektory matice Pro zadanou čtvercovou matici A budeme řešit maticovou rovnici A x = λ x, kde x je neznámá matice o jednom sloupci (sloupcový
Více5. Lokální, vázané a globální extrémy
5 Lokální, vázané a globální extrémy Studijní text Lokální extrémy 5 Lokální, vázané a globální extrémy Definice 51 Řekneme, že f : R n R má v bodě a Df: 1 lokální maximum, když Ka, δ Df tak, že x Ka,
VíceMatematika 5 FSV UK, ZS Miroslav Zelený
Matematika 5 FSV UK, ZS 2018-19 Miroslav Zelený 1. Stabilita řešení soustav diferenciálních rovnic 2. Úvod do variačního počtu 3. Globální extrémy 4. Teorie optimálního řízení 5. Různé 1. Stabilita řešení
VícePrůvodce studiem. do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat
6. Extrémy funkcí více proměnných Průvodce studiem Hledání extrémů je v praxi často řešená úloha. Např. při cestě z bodu A do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat
Více9. přednáška 26. listopadu f(a)h < 0 a pro h (0, δ) máme f(a 1 + h, a 2,..., a m ) f(a) > 1 2 x 1
9 přednáška 6 listopadu 007 Věta 11 Nechť f C U, kde U R m je otevřená množina, a a U je bod Pokud fa 0, nemá f v a ani neostrý lokální extrém Pokud fa = 0 a H f a je pozitivně negativně definitní, potom
Více1 Duální simplexová metoda
1 Duální simplexová metoda Autor: Markéta Popelová Datum: 8.5.2011 Předmět: Základy spojité optimalizace Zadání Mějme matici A R m n a primární úlohu lineárního programování v normálním tvaru (P) a k ní
Více6. přednáška 5. listopadu 2007
6. přednáška 5. listopadu 2007 Souvislost diferenciálu a parciálních derivací. Diferenciál implikuje parciální derivace a spojité parciální derivace implikují diferenciál. Tvrzení 2.3. Když je funkce f
VíceMatematika pro informatiky
(FIT ČVUT v Praze) Konvexní analýza 13.týden 1 / 1 Matematika pro informatiky Jaroslav Milota Fakulta informačních technologíı České vysoké učení technické v Praze Letní semestr 2010/11 Extrémy funkce
VíceÚvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
VíceDnešní látka Variačně formulované okrajové úlohy zúplnění prostoru funkcí. Lineární zobrazení.
Předmět: MA4 Dnešní látka Variačně formulované okrajové úlohy zúplnění prostoru funkcí. Lineární zobrazení. Literatura: Kapitola 2 a)-c) a kapitola 4 a)-c) ze skript Karel Rektorys: Matematika 43, ČVUT,
VíceNumerická matematika 1
Numerická matematika 1 Obsah 1 Řešení nelineárních rovnic 3 1.1 Metoda půlení intervalu....................... 3 1.2 Metoda jednoduché iterace..................... 4 1.3 Newtonova metoda..........................
VíceLineární programování
Lineární programování Petr Tichý 19. prosince 2012 1 Outline 1 Lineární programování 2 Optimalita a dualita 3 Geometrie úlohy 4 Simplexová metoda 2 Lineární programování Lineární program (1) min f(x) za
VíceDERIVACE FUKNCÍ VÍCE PROMĚNNÝCH
DERIVACE FUKNCÍ VÍCE PROMĚNNÝCH Reálná funkce dvou proměnných a definiční obor Kartézský součin R R značíme R 2 R 2 je množina všech uspořádaných dvojic reálných čísel (rovina) Prvk R 2 jsou bod v rovině
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
VíceVYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY
VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY Jan Krejčí 31. srpna 2006 jkrejci@physics.ujep.cz http://physics.ujep.cz/~jkrejci Obsah 1 Přímé metody řešení soustav lineárních rovnic 3 1.1 Gaussova eliminace...............................
VíceOPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB D24FZS
OPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB Optimalizace a multikriteriální hodnocení funkční způsobilosti pozemních staveb Anotace: Optimalizace objektů pozemních staveb
VíceLimita posloupnosti, limita funkce, spojitost. May 26, 2018
Limita posloupnosti, limita funkce, spojitost May 26, 2018 Definice (Okolí bodu) Okolím bodu a R (také ε- okolím) rozumíme množinu U(a, ε) = {x R; x a < ε} = (a ε, a + ε), bod a se nazývá střed okolí a
VíceKombinatorická minimalizace
Kombinatorická minimalizace Cílem je nalézt globální minimum ve velké diskrétní množině, kde může být mnoho lokálních minim. Úloha obchodního cestujícího Cílem je najít nejkratší cestu, která spojuje všechny
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
VíceMatematika V. Dynamická optimalizace
Matematika V. Dynamická optimalizace Obsah Kapitola 1. Variační počet 1.1. Derivace funkcí na vektorových prostorech...str. 3 1.2. Derivace integrálu...str. 5 1.3. Formulace základní úlohy P1 var. počtu,
Více7.1 Extrémy a monotonie
KAPITOLA 7: Průběh funkce [ZMA13-P38] 7.1 Extrémy a monotonie Řekneme, že funkce f nabývá na množině M Df svého globálního maxima globálního minima A v bodě x 0, jestliže x 0 M, fx 0 = A a pro každé x
VíceDodatek 2: Funkce dvou proměnných 1/9
Dodatek 2: Funkce dvou proměnných 1/9 2/9 Funkce dvou proměnných Definice: Reálnou funkcí dvou reálných proměnných, definovanou na množině M R 2, rozumíme předpis f, který každé uspořádané dvojici reálných
VíceDnešní látka: Literatura: Kapitoly 3 a 4 ze skript Karel Rektorys: Matematika 43, ČVUT, Praha, Text přednášky na webové stránce přednášejícího.
Předmět: MA4 Dnešní látka: Od okrajových úloh v 1D k o. ú. ve 2D Laplaceův diferenciální operátor Variačně formulované okrajové úlohy pro parciální diferenciální rovnice a metody jejich přibližného řešení
VíceOhraničená Hessova matice ( bordered hessian ) je. Sestrojíme posloupnost determinantů (minorů):
Ohraničená Hessova matice ( bordered hessian ) je matice 2. parc. derivací L vzhledem k λ λ r x x n v tomto pořadí: g 0 0 g x n g 0 0 2 g 2 x n g 0 0 r g x HB = r x n g g r 2 L 2 L. x 2 x x n g g x 2 r
VícePrimitivní funkce a Riemann uv integrál Lineární algebra Taylor uv polynom Extrémy funkcí více prom ˇenných Matematika III Matematika III Program
Program Primitivní funkce a Riemannův integrál Program Primitivní funkce a Riemannův integrál Lineární algebra Program Primitivní funkce a Riemannův integrál Lineární algebra Taylorův polynom Program Primitivní
VíceInterpolace Uvažujme třídu funkcí jedné proměnné ψ(x; a 0,..., a n ), kde a 0,..., a n jsou parametry, které popisují jednotlivé funkce této třídy. Mějme dány body x 0, x 1,..., x n, x i x k, i, k = 0,
Více1 Funkce dvou a tří proměnných
1 Funkce dvou a tří proměnných 1.1 Pojem funkce více proměnných Definice Funkce dvou proměnných je předpis, který každému bodu z R 2 (tj. z roviny) přiřazuje jediné reálné číslo. z = f(x, y), D(f) R 2
VíceIX. Vyšetřování průběhu funkce
IX. Vyšetřování průběhu funkce Úvodní poznámky: Cíl: vyšetřit průběh dané funkce f. Zahrnuje: základní vlastnosti: D(f), spojitost, limity v krajních bodech, průsečíky s osami souřadnic, intervaly, kde
VíceUčební texty k státní bakalářské zkoušce Matematika Základy teorie funkcí více proměnných. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Základy teorie funkcí více proměnných študenti MFF 15. augusta 2008 1 5 Základy teorie funkcí více proměnných Požadavky Parciální derivace a totální
VíceCo jsme udělali: Au = f, u D(A)
Předmět: MA4 Dnešní látka: Od okrajových úloh v 1D k o. ú. ve 2D Laplaceův diferenciální operátor Variačně formulované okrajové úlohy pro parciální diferenciální rovnice a metody jejich přibližného řešení
VíceStátnicová otázka 6, okruh 1
Státnicová otázka 6, okruh 1 Vojtěch Franc, xfrancv@electra.felk.cvut.cz 7. února 2000 1 Zadání Statické optimalizace. Lineární a nelineární programování. Optimální řízení a rozhodování v dynamických systémech,
VíceUzavřené a otevřené množiny
Teorie: Uzavřené a otevřené množiny 2. cvičení DEFINICE Nechť M R n. Bod x M nazveme vnitřním bodem množiny M, pokud existuje r > 0 tak, že B(x, r) M. Množinu všech vnitřních bodů značíme Int M. Dále,
Více4. Přednáška: Kvazi-Newtonovské metody:
4 Přednáša: Kvazi-Newtonovsé metody: Metody s proměnnou metriou, modifiace Newtonovy metody Efetivní pro menší úlohy s hustou Hessovou maticí Newtonova metoda (opaování): f aproximujeme loálně vadraticou
VíceHledání extrémů funkcí
Hledání extrémů funkcí Budeme se zabývat téměř výhradně hledáním minima. Přes nost nalezeného extrému Obecně není hledání extrému tak přesné jako řešení rovnic. Demonstrovat to můžeme na příkladu hledání
VíceDerivace a monotónnost funkce
Derivace a monotónnost funkce Věta : Uvažujme funkci f (x), která má na intervalu I derivaci f (x). Pak platí: je-li f (x) > 0 x I, funkce f je na intervalu I rostoucí. je-li f (x) < 0 x I, funkce f je
VícePrincip gradientních optimalizačních metod
Princip gradientních optimalizačních metod Tomáš Kroupa 20. května 2014 Tento studijní materiál je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Obsah Úkol a základní
Více4EK213 LINEÁRNÍ MODELY
4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 Mgr. Sekničková Jana, Ph.D. 2. PŘEDNÁŠKA MATEMATICKÝ MODEL ÚLOHY LP Mgr. Sekničková Jana, Ph.D. 2 OSNOVA PŘEDNÁŠKY Obecná formulace MM Množina
VíceÚvod do optimalizace Matematické metody pro ITS (11MAMY)
Úvod do optimalizace Matematické metody pro ITS (11MAMY) Jan Přikryl (volně dle M.T. Heathe) 10. přednáška 11MAMY úterý 22. března 2016 verze: 2016-04-01 16:10 Obsah Optimalizační problém 1 Definice 1
Více11. přednáška 10. prosince Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah
11. přednáška 10. prosince 2007 Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah F (x, y, y, y,..., y (n) ) = 0 mezi argumentem x funkce jedné
VíceParciální diferenciální rovnice
Parciální diferenciální rovnice Obsah kurzu Co bude obsahovat... úvod do PDR odvození některých PDR klasická teorie lineárních PDR 1. a 2. řádu řešení poč. a okraj. úloh vlastnosti řešení souvislost s
VíceNumerické řešení nelineárních rovnic
Numerické řešení nelineárních rovnic Mirko Navara http://cmp.felk.cvut.cz/ navara/ Centrum strojového vnímání, katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://math.feld.cvut.cz/nemecek/nummet.html
VíceZápadočeská univerzita v Plzni. Fakulta aplikovaných věd. Ivana Kozlová. Modely analýzy obalu dat
Západočeská univerzita v Plzni Fakulta aplikovaných věd SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU MATEMATICKÉ MODELOVÁNÍ Ivana Kozlová Modely analýzy obalu dat Plzeň 2010 Obsah 1 Efektivnost a její hodnocení 2 2 Základní
VíceZáklady matematické analýzy
Základy matematické analýzy Spojitost funkce Ing. Tomáš Kalvoda, Ph.D. 1, Ing. Daniel Vašata 2 1 tomas.kalvoda@fit.cvut.cz 2 daniel.vasata@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VíceLWS při heteroskedasticitě
Stochastické modelování v ekonomii a financích Petr Jonáš 7. prosince 2009 Obsah 1 2 3 4 5 47 1 Předpoklad 1: Y i = X i β 0 + e i i = 1,..., n. (X i, e i) je posloupnost nezávislých nestejně rozdělených
VíceLIMITA A SPOJITOST FUNKCE
PŘEDNÁŠKA 5 LIMITA A SPOJITOST FUNKCE 5.1 Spojitost funkce 2 Řekneme, že funkce f(x) je spojitá v bodě a D f, jestliže ke každému ε > 0 existuje δ > 0 takové, že pro každé x (a δ, a + δ) D f platí nerovnost:
VícePřijímací zkouška na navazující magisterské studium 2014
Přijímací zkouška na navazující magisterské studium 4 Studijní program: Studijní obory: Příklad (5 bodů) Spočtěte Matematika MA, MMIB, MMFT, MSTR, NVM, PMSE, MDU Varianta A M xy dxdy, kde M = {(x, y) R
VíceOPTIMALIZACE. (přehled metod)
OPTIMALIZACE (přehled metod) Typy optimalizačních úloh Optimalizace bez omezení Nederivační metody Derivační metody Optimalizace s omezeními Lineární programování Nelineární programování Globální optimalizace
VíceMichal Bulant. Masarykova univerzita Fakulta informatiky
Matematika III 3. přednáška Funkce více proměnných: derivace vyšších řádů, lokální a absolutní extrémy Michal Bulant Masarykova univerzita Fakulta informatiky 6. 10. 2010 Obsah přednášky 1 Literatura 2
VíceLineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
VíceTexty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech
Texty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech 1. července 2008 1 Funkce v R n Definice 1 Necht n N a D R n. Reálnou funkcí v R n (reálnou funkcí n proměnných) rozumíme zobrazení
Vícefakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu (reg. č. CZ.1.07/2.2.00/28.
Extrémy Vyšší matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz
VíceFunkce jedn e re aln e promˇ enn e Derivace Pˇredn aˇska ˇr ıjna 2015
Funkce jedné reálné proměnné Derivace Přednáška 2 15. října 2015 Obsah 1 Funkce 2 Limita a spojitost funkce 3 Derivace 4 Průběh funkce Informace Literatura v elektronické verzi (odkazy ze STAGu): 1 Lineární
Více2. Schurova věta. Petr Tichý. 3. října 2012
2. Schurova věta Petr Tichý 3. října 2012 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci
VíceMatematika B101MA1, B101MA2
Matematika B101MA1, B101MA2 Zařazení předmětu: povinný předmět 1.ročníku bc studia 2 semestry Rozsah předmětu: prezenční studium 2 + 2 kombinované studium 16 + 0 / semestr Zakončení předmětu: ZS zápočet
VíceMKI Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0.
MKI -00 Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0. V jakém rozmezí se může pohybovat poloměr konvergence regulární
VíceFakt. Každou soustavu n lineárních ODR řádů n i lze eliminací převést ekvivalentně na jednu lineární ODR
DEN: ODR teoreticky: soustavy rovnic Soustava lineárních ODR 1 řádu s konstantními koeficienty je soustava ve tvaru y 1 = a 11 y 1 + a 12 y 2 + + a 1n y n + b 1 (x) y 2 = a 21 y 1 + a 22 y 2 + + a 2n y
VícePodobnostní transformace
Schurova věta 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci tak, aby se řešení úlohy
VíceDRN: Kořeny funkce numericky
DRN: Kořeny funkce numericky Kořenem funkce f rozumíme libovolné číslo r splňující f(r) = 0. Fakt. Nechť f je funkce na intervalu a, b. Jestliže f(a) f(b) < 0 (tj. f(a) a f(b) mají opačná znaménka) a f
VíceMATEMATIKA III. Olga Majlingová. Učební text pro prezenční studium. Předběžná verze
Fakulta strojního inženýrství Univerzity J. E. Purkyně v Ústí nad Labem Pasteurova 7 Tel.: 475 285 511 400 96 Ústí nad Labem Fax: 475 285 566 Internet: www.ujep.cz E-mail: kontakt@ujep.cz MATEMATIKA III
VíceObsah. Matematika. Obsah. Ljapunovova metoda. Volba LF
Regulace a řízení II Stabilita nelineárních systémů Regulace a řízení II Stabilita nelineárních systémů - str. 1/27 Obsah Obsah Regulace a řízení II Stabilita nelineárních systémů - str. 2/27 Obsah přednášky
VíceDerivace funkcí více proměnných
Derivace funkcí více proměnných Pro studenty FP TUL Martina Šimůnková 16. května 019 1. Derivace podle vektoru jako funkce vektoru. Pro pevně zvolenou funkci f : R d R n a bod a R d budeme zkoumat zobrazení,
VíceALGEBRA. Téma 5: Vektorové prostory
SLEZSKÁ UNIVERZITA V OPAVĚ Matematický ústav v Opavě Na Rybníčku 1, 746 01 Opava, tel. (553) 684 611 DENNÍ STUDIUM Téma 5: Vektorové prostory Základní pojmy Vektorový prostor nad polem P, reálný (komplexní)
VíceIntegrace. Numerické metody 7. května FJFI ČVUT v Praze
Integrace Numerické metody 7. května 2018 FJFI ČVUT v Praze 1 Úvod Úvod 1D Kvadraturní vzorce Gaussovy kvadratury Více dimenzí Programy 1 Úvod Úvod - Úloha Máme funkci f( x) a snažíme se najít určitý integrál
Více12. Funkce více proměnných
12. Funkce více proměnných 12.1 Parciální derivace a totální diferenciál Definice Necht f je reálná funkce n proměnných, a 2 R n a 1 i n. 12.1 Parciální derivace a totální diferenciál Definice Necht f
Více12. Lineární programování
. Lineární programování. Lineární programování Úloha lineárního programování (lineární optimalizace) je jedním ze základních problémů teorie optimalizace. Našim cílem je nalézt maximum (resp. minimum)
VíceObsah Obyčejné diferenciální rovnice
Obsah 1 Obyčejné diferenciální rovnice 3 1.1 Základní pojmy............................................ 3 1.2 Obyčejné diferenciální rovnice 1. řádu................................ 5 1.3 Exaktní rovnice............................................
VíceDefinice Řekneme, že funkce z = f(x,y) je v bodě A = [x 0,y 0 ] diferencovatelná, nebo. z f(x 0 + h,y 0 + k) f(x 0,y 0 ) = Ah + Bk + ρτ(h,k),
Definice 5.2.1. Řekneme, že funkce z = f(x,y) je v bodě A = [x 0,y 0 ] diferencovatelná, nebo má v tomto bodě totální diferenciál, jestliže je možné její přírůstek z na nějakém okolí bodu A vyjádřit jako
VíceNumerické metody a programování. Lekce 7
Numerické metody a programování Lekce 7 Řešení nelineárních rovnic hledáme řešení x problému f x = 0 strategie: odhad řešení iterační proces postupného zpřesňování řešení výpočet skončen pokud je splněno
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
VíceJe založen na pojmu derivace funkce a její užití. Z předchozího studia je třeba si zopakovat a orientovat se v pojmech: funkce, D(f), g 2 : y =
0.1 Diferenciální počet Je částí infinitezimálního počtu, což je souhrnný název pro diferenciální a integrální počet. Je založen na pojmu derivace funkce a její užití. Z předchozího studia je třeba si
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz IV. LINEÁRNÍ KLASIFIKACE PRINCIPY KLASIFIKACE pomocí diskriminačních funkcí funkcí,
VíceZáklady matematiky pro FEK
Základy matematiky pro FEK 12. přednáška Blanka Šedivá KMA zimní semestr 216/21 Blanka Šedivá (KMA) Základy matematiky pro FEK zimní semestr 216/21 1 / 15 Integrování jako inverzní operace příklady inverzních
VícePřijímací zkouška na navazující magisterské studium 2018
Přijímací zkouška na navazující magisterské studium 2018 Řešení příkladů pečlivě odůvodněte. Příklad 1 (2 bodů) Studijní program: Studijní obory: Varianta A Matematika MMUI Navrhněte deterministický konečný
VícePrincip řešení soustavy rovnic
Princip řešení soustavy rovnic Tomáš Kroupa 20. května 2014 Tento studijní materiál je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Obsah Formulace úlohy Metody řešení
VíceFunkce. Limita a spojitost
Funkce. Limita a spojitost skriptum J. Neustupa text Funkce (úvod) na této web stránce III.2 Fce - základní pojmy 1. Definice, def. obor D(f), obor hodnot H(f), graf 2. Fce složená, omezená, 3. Fce sudá,
VíceNumerické metody 6. května FJFI ČVUT v Praze
Extrémy funkcí Numerické metody 6. května 2018 FJFI ČVUT v Praze 1 Úvod Úvod 1D Více dimenzí Kombinatorika Lineární programování Programy 1 Úvod Úvod - Úloha Snažíme se najít extrém funkce, at už jedné
VíceNumerická stabilita algoritmů
Numerická stabilita algoritmů Petr Tichý 9. října 2013 1 Numerická stabilita algoritmů Pravidla v konečné aritmetice Pro počítání v konečné aritmetice počítače platí určitá pravidla, která jsou důležitá
VíceJazyk matematiky. 2.1. Matematická logika. 2.2. Množinové operace. 2.3. Zobrazení. 2.4. Rozšířená číslená osa
2. Jazyk matematiky 2.1. Matematická logika 2.2. Množinové operace 2.3. Zobrazení 2.4. Rozšířená číslená osa 1 2.1 Matematická logika 2.1.1 Výrokový počet logická operace zapisujeme čteme česky negace
VíceKapitola 4: Průběh funkce 1/11
Kapitola 4: Průběh funkce 1/11 Funkce monotonní 2/11 Věta: Necht je f spojitá a má derivaci na intervalu I. Potom platí (i) Je-li f (x) > 0 na I, je f rostoucí na I. (ii) Je-li f (x) 0 na I, je f neklesající
VíceSoustavy nelineárních rovnic pomocí systému Maple. Newtonova metoda.
Úvod Soustavy nelineárních rovnic pomocí systému Maple. Newtonova metoda. Mnoho technických problémů vede na řešení matematických úloh, které se následně převedou na úlohy řešení soustav nelineárních rovnic
Víceverze 1.4 Ekvivalentní podmínkou pro stacionární bod je, že totální diferenciál je nulový
1 Úvod Lokální extrémy funkcí více proměnných verze 14 Následující text popisuje výpočet lokálních extrémů funkcí více proměnných Měl by sloužit především studentům předmětu MATEMAT1 na Univerzitě Hradec
VíceMATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
VíceBayesovské metody. Mnohorozměrná analýza dat
Mnohorozměrná analýza dat Podmíněná pravděpodobnost Definice: Uvažujme náhodné jevy A a B takové, že P(B) > 0. Podmíněnou pravěpodobností jevu A za podmínky, že nastal jev B, nazýváme podíl P(A B) P(A
VíceCo je obsahem numerických metod?
Numerické metody Úvod Úvod Co je obsahem numerických metod? Numerické metody slouží k přibližnému výpočtu věcí, které se přesně vypočítat bud nedají vůbec, nebo by byl výpočet neúměrně pracný. Obsahem
VíceKapitola 4: Průběh funkce 1/11
Kapitola 4: Průběh funkce 1/11 Funkce monotonní 2/11 Věta: Necht je f spojitá a má derivaci na intervalu I. Potom platí (i) Je-li f (x) > 0 na I, je f rostoucí na I. (ii) Je-li f (x) 0 na I, je f neklesající
VíceAlgoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.
VíceDiferenˇcní rovnice Diferenciální rovnice Matematika IV Matematika IV Program
Program Diferenční rovnice Program Diferenční rovnice Diferenciální rovnice Program Frisch a Samuelson: Systém je dynamický, jestliže jeho chování v čase je určeno funkcionální rovnicí, jejíž neznámé závisí
VíceDrsná matematika III 1. přednáška Funkce více proměnných: křivky, směrové derivace, diferenciál
Drsná matematika III 1. přednáška Funkce více proměnných: křivky, směrové derivace, diferenciál Jan Slovák Masarykova univerzita Fakulta informatiky 16. 9. 2008 Obsah přednášky 1 Literatura 2 Funkce a
Vícealgoritmus»postup06«p e t r B y c z a n s k i Ú s t a v g e o n i k y A V
Hledání lokálního maxima funkce algoritmus»postup06«p e t r B y c z a n s k i Ú s t a v g e o n i k y A V Č R Abstrakt : Lokální maximum diferencovatelné funkce je hledáno postupnou změnou argumentu. V
Více