Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Właściwe minimum lokalne: Funkcja f(x) ma w punkcie.

Slides:



Advertisements
Podobne prezentacje
Metody badania stabilności Lapunowa
Advertisements

Sympleksy n=2.
Materiały pomocnicze do wykładu
Obserwowalność System ciągły System dyskretny
Macierze, wyznaczniki, odwracanie macierzy i wzory Cramera
Programowanie matematyczne
Ile rozwiązań może mieć układ równań?
STATYSTYKA WYKŁAD 03 dr Marek Siłuszyk.
dr Przemysław Garsztka
Przykłady zadań programowania liniowego
Badania operacyjne. Wykład 2
DZIEDZINA I MIEJSCE ZEROWE FUNKCJI
Ü     warunkiem koniecznym istnienia ekstremum funkcji jest by pierwsze pochodne spełniały warunek:
Materiały pomocnicze do wykładu
Analiza matematyczna - Ciągi liczbowe wykład I
Analiza matematyczna - Funkcje jednej zmiennej wykład II
Analiza matematyczna - Badanie przebiegu zmienności funkcji wykład IV
6. Pochodne cząstkowe funkcji n zmiennych
Stabilność Stabilność to jedna z najważniejszych właściwości systemów dynamicznych W większości przypadków, stabilność jest warunkiem koniecznym praktycznego.
Nierówności (mniej lub bardziej) geometryczne
FIGURY GEOMETRYCZNE Materiały do nauki.
Dodatkowe własności funkcji B-sklejanych zawężenie f do K Rozważmy funkcjeIch zawężenia do dowolnego przedziałutworzą układ wielomianów. Dla i=k ten układ.
Przybliżone metody rozwiązywania równań nieliniowych
Metody Lapunowa badania stabilności
Teoria sterowania 2012/2013Obserwowalno ść - odtwarzalno ść Kazimierz Duzinkiewicz, dr hab. in ż. Katedra In ż ynierii Systemów Sterowania 1 Obserwowalność
AUTOMATYKA i ROBOTYKA (wykład 6)
Optymalizacja liniowa
Krzysztof Kucab Rzeszów, 2012
Stabilność Stabilność to jedno z najważniejszych pojęć teorii sterowania W większości przypadków, stabilność jest warunkiem koniecznym praktycznego zastosowania.
Zadanie programowania liniowego PL dla ograniczeń mniejszościowych
II Zadanie programowania liniowego PL
Krzysztof Kucab Rzeszów, 2012
ALGORYTMY OPTYMALIZACJI
Funkcja liniowa Wykonała: Dżesika Budzińska kl. II A.
Elementy Rachunku Prawdopodobieństwa i Statystyki
Zadanie programowania liniowego PL dla ograniczeń mniejszościowych
Zakładamy a priori istnienie rozwiązania α układu równań.
Wykład 2. Pojęcie regularnego odwzorowania powierzchni w powierzchnię i odwzorowania kartograficznego Wykład 2. Pojęcie regularnego odwzorowania powierzchni.
METODY NUMERYCZNE I OPTYMALIZACJA
Modelowanie matematyczne jako podstawa obliczeń naukowo-technicznych:
Technika optymalizacji
Metody iteracyjne rozwiązywania układów równań liniowych
Teoria sterowania 2012/2013Sterowalność - osiągalność Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania 1 Sterowalność - osiągalność
Miary efektywności/miary dobroci/kryteria jakości działania SSN
Teoria sterowania 2011/2012Stabilno ść Kazimierz Duzinkiewicz, dr hab. in ż. Katedra In ż ynierii Systemów Sterowania 1 Stabilność Stabilność to jedno.
Krzysztof Kucab Rzeszów, 2012
II. Matematyczne podstawy MK
Analiza matematyczna III. Funkcje Twierdzenia o funkcjach z pochodnymi
Dana jest sieć dystrybucji wody w postaci: Ø      m- węzłów,
Obserwowalność i odtwarzalność
Sterowalność - osiągalność
Stabilność Stabilność to jedno z najważniejszych pojęć dynamiki systemów i teorii sterowania W większości przypadków, stabilność jest warunkiem koniecznym.
Ile rozwiązań może mieć układ równań?
Źródła błędów w obliczeniach numerycznych
FUNKCJE Opracował: Karol Kara.
Rachunek różniczkowy funkcji jednej i wielu zmiennych
II Zadanie programowania liniowego PL
Teoria sterowania SN 2014/2015Sterowalność, obserwowalność Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania 1 Sterowalność -
METODA ELIMINACJI GAUSSA ASPEKTY NUMERYCZNE
Systemy dynamiczne 2014/2015Obserwowalno ść i odtwarzalno ść  Kazimierz Duzinkiewicz, dr hab. in ż. Katedra In ż ynierii Systemów Sterowania 1 Obserwowalność.
Ekonometryczne modele nieliniowe
Zagadnienia AI wykład 2.
Trochę algebry liniowej.
1 Metody optymalizacji - Energetyka 2015/2016 Podstawy matematyczne metod optymalizacji © Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów.
Matematyka I. Definicja funkcji jednej zmiennej Niech X i Y oznaczają dowolne niepuste zbiory. Jeżeli każdemu elementowi x ze zbioru X przyporządkowujemy.
Treść dzisiejszego wykładu l Postać standardowa zadania PL. l Zmienne dodatkowe w zadaniu PL. l Metoda simpleks –wymagania metody simpleks, –tablica simpleksowa.
FUNKCJE RÓŻNOWARTOŚCIOWE
Metody optymalizacji Wykład 1b /2016
Teoria sterowania Wykład /2016
Hiperpowierzchnia energii potencjalnej cząsteczki
Zapis prezentacji:

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Właściwe minimum lokalne: Funkcja f(x) ma w punkcie właściwe minimum lokalne, jeżeli istnieje takie, że: takie, że: przy czym: Słabe minimum lokalne Funkcja f(x) ma w punkcie słabe minimum lokalne, jeżeli istnieje takie, że takie, że przy czym :

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Każde minimum globalne jest minimum lokalnym, lecz nie na odwrót. Zadanie optymalizacji bez ograniczeń dla Zadanie optymalizacji z ograniczeniami:  Zadanie programowania liniowego ZPL  Zadanie programowania nieliniowego ZPN

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Twierdzenie Weierstrass’a Funkcja f(x) ciągła na zwartym zbiorze rozwiązań dopuszczalnych [zbiorze ograniczonym i domkniętym] jest na tym zbiorze ograniczona i osiąga swe kresy tzn.: istnieją punkty : takie, że dla każdego zachodzi :

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Własności funkcji wypukłych Definicja zbioru wypukłego: Zbiór nazywamy wypukłym, jeżeli dla każdych dwóch punktów odcinek łączący te dwa punkty także należy do X tzn.: Definicja funkcji wypukłej: Niech będzie zbiorem wypukłym. Funkcję będziemy nazywali wypukłą, jeżeli dla dowolnych dwóch punktów i dla każdego:

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Kiedy funkcja f(x) jest wypukła Macierz A o wymiarze nxn nazywamy hesjanem, gdy jej elementami są drugie pochodne cząstkowe funkcji f(x): Lemat 1 Niech ma ciągłe drugie pochodne cząstkowe oraz niech będzie zbiorem wypukłym. Funkcja f(x) jest wypukła wtedy i tylko wtedy, gdy jej hesjan A(x) jest dodatnio pół-określony dla każdego.

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Definicja macierzy A dodatnio półokreślonej Macierz A o wymiarze nxn jest dodatnio pół-określona, jeśli dla każdego Definicja macierzy A dodatnio określonej Macierz A o wymiarze nxn jest dodatnio określona, jeśli dla każdego niezerowego

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Kryterium Sylwestra – praktyczne sprawdzenie wypukłości funkcji f(x)  Kwadratowa macierz symetryczna A jest dodatnio pół-określona wtedy i tylko wtedy, gdy:  Kwadratowa macierz symetryczna A jest dodatnio określona wtedy i tylko wtedy, gdy:

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Rys.1 Zbiór X - wypukły Funkcja f(x) też jest wypukła

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Rys.2 Zbiór X – nie jest wypukły Funkcja f(x) – funkcja wypukła.

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Rys.3 Zbiór X – jest wypukły Funkcja f(x) nie jest wypukła,

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Rys.4 Zbiór X – nie jest wypukły Funkcja f(x) też nie jest wypukła.

Lemat 2 Niech funkcja będzie funkcją różniczkowalną oraz zbiór będzie zbiorem wypukłym. Funkcja f(x) jest wypukła wtedy i tylko wtedy, gdy Lemat 3 Niech funkcja, dla będzie funkcja wypukłą, wówczas dla dowolnego rzeczywistego α zbiór jest wypukły. Funkcje wypukłe

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Lemat 4 skalarne są większe od zera dla i=1,...,k to funkcja f(x) Niech będzie zbiorem wypukłym. Jeśli funkcje dla i=1,...,k są funkcjami wypukłymi oraz jeśli wielkości skalarne są większe od zera dla i=1,...,k to funkcja f(x) jest funkcją wypukłą.

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Twierdzenie 2 Dowolne minimum lokalne funkcji wypukłej f(x) na wypukłym zbiorze rozwiązań dopuszczalnych jest na tym zbiorze jej minimum globalnym. Dowód: Niech w punkcie funkcja f(x) ma swoje minimum lokalne. Oznacza to, że istnieje takie, że: gdzie: Przyjmijmy,. Wybierzmy oraz Ze względu na wypukłość f(x) :

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 ckd Twierdzenie 3 Ściśle wypukła funkcja f(x) określona na wypukłym zbiorze rozwiązań dopuszczalnych X ma na tym zbiorze co najwyżej jedno minimum.

Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Przykład Niech,. Wykazać, że funkcja określona formułą liniową: jest jednocześnie wypukła i wklęsła na R n.