12 Jatkuva-aikaisten tehtävien numeerinen ratkaiseminen
|
|
- Kari Jokinen
- 4 vuotta sitten
- Katselukertoja:
Transkriptio
1 12 Jatkuva-aikaisten tehtävien numeerinen ratkaiseminen Ratkaisumenetelmät jaetaan epäsuoriin ja suoriin menetelmiin Epäsuora menetelmä yrittää ratkaista Pontryaginin minimiperiaatteen mukaiset vättlämättömät optimaalisuusehdot (kts. kalvot 49 49). Epäsuora menetelmä siis ratkaisee reuna-arvotehtävän F(x, ẋ, t) = 0. Suora menetelmä etenee iteratiivisesti kohti optimiratkaisua muodostaen jonon x 1, x 2,..., x siten, että F(x 1 ) > F(x 2 ) > > F(x ) (tässä F on kohdefunktionaali tai sen approksimaatio). Kummallakin menetelmällä tehtävä diskretoidaan ajan suhteen ja systeemin tila (ja liittotila) evaluoidaan diskreeteillä hetkillä Numeerista ratkaisemista varten ääretönulotteinen optimisäätötehtävä min φ(x(t f ), t f ) (12) ẋ = f(x(t),u(t), t), x(t 0 ) = x 0 (13) 0 = ψ(x(t f ), t f ), (14) missä t f on vapaa, on muunnettava äärellisulotteiseksi tehtäväksi. Muunnos tehdään parametrisoimalla optimisäätötehtävän muuttujat diskreeteillä ajanhetkillä t k eli solmuissa t 0 < t 1 < < t k < < t N 1 < t N = t f (15) missä askelpituus h k = t k t k 1 = (t f t 0 )/N on tyypillisesti vakio Parametreiksi voidaan valita 1. ohjausmuuttujat 2. ohjausmuuttujat ja tilamuuttujat joissain solmuissa 3. ohjaus- ja tilamuuttujat 4. tilamuuttujat Menetelmiä 1 4 kutsutaan vastaavasti ammunta-, monipisteammunta-, kollokaatioja differentiaali-inkluusiomenetelmiksi Menetelmissä 1 ja 2 tilayhtälöt (13) integroidaan eksplisiittisesti ja menetelmissä 3 ja 4 joko eksplisiittisesti tai implisiittisesti Parametrisointimenetelmästä riippumatta optimisäätötehtävä voidaan ratkaista numeerisesti joko epäsuoralla tai suoralla menetelmällä Suorassa menetelmässä parametrit ovat epälineaarisen optimointitehtävän muuttujia, joka voidaan ratkaista esim. SQP-menetelmällä 80
2 12.1 Epäsuorien ja suorien menetelmien välinen yhteys Määritellään tehtävälle (12) (14) Hamiltonin funktio sekä apufunktio Ψ H = λ T (t)f(x(t),u(t), t) (16) Ψ = φ + ν T ψ (17) Ehtojen (13) ja (14) lisäksi optimiratkaisun tulee toteuttaa välttämättömät optimaalisuusehdot λ(t) = Hx T (x(t),u(t), t) (18) 0 = H u (x(t),u(t), t) (19) λ(t f ) = Ψ x (x(t f ),u(t f ), t f ) (20) 0 = H (x(t f ),u(t f ), t f ) + Ψ t (x(t f ),u(t f ), t f ) (21) x(t 0 ) = x 0 (22) Oletetaan seuraavaksi alkutila x(t 0 ) = x 0 annetuksi ja määritellään NLP-tehtävälle (NLP = nonlinear programming) muuttujavektori y T = (u 0,x 1,u 1,x 2,,u N 1,x N,u N, t N ) (23) missä muuttujat evaluoidaan diskretoinnin (15) solmuissa. Oletetaan myös että lopputilalle ei ole rajoitetta. Approksimoidaan tilan derivaattaa differenssillä ẋ (x k+1 x k )/h ja sijoitetaan approksimaatio tilayhtälöihin (13) Määritellään tilayhtälöille virheet NLP-tehtävän rajoitteina sekä NLP-tehtävän kohdefunktio x k+1 x k hf(x k,u k, t k ) = 0, k = 0,...,N 1 (24) F(y) = φ(x N ) (25) Määritellään NLP-tehtävälle (23), (24) ja (25) Lagrangen funktio L (y, λ) = F(y) λ T c(y) = φ(x N, t N ) N 1 k=0 NLP-tehtävän välttämättömät optimaalisuusehdot ovat λ T k [x k+1 x k hf(x k,u k )] (26) = x k+1 x k hf(x k,u k ) = 0 k λ k (27) = (λ k λ k 1 ) + hλ T f k = 0 2 k N 1 x k x k (28) u k = hλ T k f u k = 0 k (29) = λ T N 1 x + φ = 0 (30) N x N 81
3 Kun N ja h 0, niin (27) (13); tilayhtälö (28) (18); liittotilayhtälö (29) (19); stationaarisuusehto (30) (20); transversaalisuusehto (huom. oletettiin, että lopputila ei ole rajoitettu) Toisin sanoen NLP-tehtävän välttämättömät optimaalisuusehdot lähestyvät optimisäätötehtävän välttämättömiä optimaalisuusehtoja, kun muuttujien lukumäärä kasvaa NLP-tehtävän Lagrangen kertoimet voidaan tulkita liittotilamuuttujien diskreeteiksi approksimaatioiksi 12.2 Tilarajoitetut tehtävät Lisätään seuraavaksi tehtävään (12) (14) yhtälömuotoiset tilarajoitteet g(x(t),u(t), t) = 0 (31) Kun g:n Jakobin matriisi on täyttä rangia, Hamiltonin funktio (16) korvataan muodolla H = λ T (t)f(x(t),u(t), t) + µ T g(x(t),u(t), t) (32) mikä muuttaa liittotila- ja stationaarisuusyhtälöitä (18) ja (19). Tarkastellaan seuraavaksi epäyhtälömuotoista tilarajoitetta g(x(t),u(t), t) 0 (33) Rajoite on kullakin ajanhetkellä joko aktiivinen tai ei-aktiivinen Ei-aktiivisilla osuuksilla välttämättömät ehdot Hamiltonin funktiolla (16) ja aktiivisilla modifioidulla Hamiltonin funktiolla (32) Hankaluuksia: 1. Tilarajoitettujen kaarien lukumäärää ekstremaalilla ei tiedetä etukäteen 2. Liittymäkohtia, jolloin tilarajoite muuttuu aktiiviseksi tai ei-aktiiviseksi, ei tunneta 3. Ohjaus- ja liittotilafunktiot saattavat olla epäjatkuvia liittymäkohdissa Liittymäkohdissa vaaditaan erityisten reunaehtojen toteutumista, minkä johdosta ehtojen (13), (14) ja (18) (22) muodostama kahden pisteen reuna-arvotehtävä muuttuu monen pisteen reuna-arvotehtäväksi 82
4 12.3 Epäsuorien ja suorien menetelmien edut ja haitat Epäsuorat menetelmät + Ratkaisun tarkkuus, valmista teoriaa reuna-arvotehtäville + Ratkaisut auttavat ymmärtämään dynaamisia ilmiöitä + Ongelman parametrien vaikutusten analysointi läpinäkyvää Välttämättömien ehtojen johtaminen voi olla hankalaa Tilarajoitteisiin liittyvät hankaluudet Singulaarivälit Herkkyys alkuyritteelle, mistä liittotilamuuttujien alkuarvot? Suorat menetelmät (jatkossa keskitytään näihin) + Välttämättömiä ehtoja ei tarvitse johtaa + Tilarajoitettuja kaariosuuksia ei tarvitse määritellä etukäteen + Robustisuus Ratkaisuiden tarkkuus ja optimaalisuus 12.4 Suora ammuntamenetelmä Parametrisoitu NLP-vektori on muotoa y T = (u 0,u 1,,u N, t N ) Integroidaan tilayhtälöt alkutilasta x 0 loppuhetkeen t N jollain eksplisiittisellä numeerisella integroimismenetelmällä käyttäen ohjauksia u 0,...,u N NLP-tehtävä on muotoa min y φ(x N ) g(x i,u i, t i ) 0, ψ(x N, t N ) = 0 i = 0, 1,..., N missä x i on integroitu tila hetkellä t i. Huom! Lagrangen muodossa annetuissa tehtävissä integraali kannattaa evaluoida kvadratuuriapproksimaationa tf t 0 w(x,u, t)dt = N 1 k=1 h i 2 (w k + w k+1 ) + NLP-muuttujien lukumäärä on vähäinen; helppo NLP-tehtävä 83
5 Pienet muutokset alkuvaiheen ohjauksissa voivat aiheuttaa suuria muutoksia lopputilassa x N (etenkin, jos solmuja on paljon) Kohdefunktio sekä loppupään tilarajoitteet voivat olla hyvin epälineaarisia ja hankalia ratkaista (myös lineaarisilla systeemeillä!) Näinollen NLP-tehtävän ratkaisemisessa vaadittavan Jakobin matriisin tarkan estimaatin määrittäminen voi olla hankalaa 12.5 Suora monipisteammuntamenetelmä Ammuntamenetelmän herkkyyteen liittyvä ongelma voidaan korjata jakamalla trajaktori useampaan ammuntasegmenttiin Oletetaan, että segmenteissä on ν askelta ja N on ν:n monikerta Segmentissä j = 0,...,N/ν 1 sovelletaan ammuntamenetelmää lähtien tilasta x jν ja päätyen tilaan x jν Parametrisoitu NLP-vektori on muotoa y T = (u 0,u 1,,u N,x ν,x 2ν,,x N ν, t N ) Trajektori pakotetaan jatkuvaksi segmenttien väleillä lisäämällä NLP-tehtävään jatkuvuusrajoitteet x ν x 0 x 2ν x ν c(y) =. x N ν x N 2ν NLP-tehtävän koko kasvaa lisättyjen muuttujien ja rajoitteiden takia; kumpiakin n(n/ν 1) kpl lisää + Jakobin matriisi on harva, koska alkupään muuttujat eivät vaikuta loppupään rajoitteisiin: ψ ui ( x N ν, t N ) = 0, i = 0,...,N ν 1 + NLP-ratkaisijat osaavat hyödyntää matriisin harvaa rakennetta 12.6 Kollokaatiomenetelmät Aikaväli [t 0, t f ] jaetaan osaväleiksi, olkoon t i i:nnen osavälin päätepiste, x i tilamuuttujan arvo ja u i ohjauksen arvo kyseisessä pisteessä Kullakin osavälillä x ratkaistaan kollokaatiomenetelmällä: muodostetaan approksimaatio x ja vaaditaan, että x = f annetuissa kollokaatiopisteissä, jolloin saadaan ns. kollokaatioehdot. 84
6 esim. puolisuunnikasmenetelmässä kollokaatioehto on x i+1 x i h i 2 [f(x i+1,u i+1, t i+1 ) + f(x i,u i, t i )] = 0. indeksiä i vastaten saadaan siis joukko yhtälörajoitteita, merkitään kaikkia näitä rajoiteyhtälöitä lyhyesti c(y) = 0, missä y sisältää kaikki muuttujat, eli Parametrisoitu NLP-tehtävä on muotoa y T = (u 0,x 1,u 1,x 2,,u N 1,x N,u N, t N ) min y φ(x N ) g(y) 0 c(y) = 0 ψ(x N, t N ) = 0, Muita kollokaatiomenetelmien tyyppisiä menetelmiä Kvadratuurimenetelmä: approksimoidaan tilayhtälöitä interpolantilla f(t), virheet muotoa ζ i = x i+1 x i + t i+1 t i f(t)dt Pseudospektraalimenetelmä: approksimoidaan koko tilatrajektoria interpolantilla x(t), virheet muotoa ζ i = f i x(t i ). NLP-muuttujien ja rajoitteiden lukumäärä on suuri + Jakobin matriisi on rakenteeltaan harva + Tila- ja ohjaustrajektoreille saadaan polynomiapproksimaatio + Virhearviot kollokaatioteoriasta 12.7 Differentiaali-inkluusiomenetelmä Ratkaistaan m tilayhtälöä ohjausten suhteen ja eliminoidaan ohjaukset lopuista n m tilayhtälöstä sekä tilarajoitteista. Oletetaan, että eliminoinnin tuloksena saadaan rajoitteet p(x,ẋ, t) = 0 ja q(x,ẋ, t) 0 Parametrisoitu NLP-vektori on muotoa ja NLP-tehtävä muotoa y T = (x 1,x 2,,x N, t N ) min y φ(x N ) p(x i,ẋ i, t i ) = 0 q(x i,ẋ i, t i ) 0 ψ(x N, t N ) = 0, 85
7 missä rajoitteet evaluoidaan kunkin välin h i keskipisteessä x i = x i + x i+1, ẋ i = x i+1 x i, t i = t i + t i+1 2 h i 2 + NLP-muuttujien ja rajoitteiden lukumäärä mahdollisesti pieni Jos ohjauksia ei saada eliminoitua analyyttisesti, menetelmän soveltaminen voi olla hankalaa 12.8 Muita menetelmiä Diskretointi + Dynaaminen ohjelmointi Haittapuolena dimensionaalisuuden kirous Hamilton-Jacobi-Bellman yhtälön ratkaiseminen kun tehtävä on diskontattu ja stationaarinen, niin ratkaistavana on lineaarinen differentiaaliyhtälösysteemi Stokastiset optimointimenetelmät (esim. geneettiset algoritmit) Soveltuvat ensisijaisesti kombinatorisille optimointitehtäville Laskennallisesti raskaita Voidaan soveltaa alkuyritteen laskentaan NLP-ratkaisijalle Liikkuvan horisontin ohjaus Ratkotaan alkuperäinen tehtävä lyhyemmällä horisontilla Päivitetään systeemin tila ohjaussekvenssin ensimmäisellä ohjauksella Toistetaan, kunnes ollaan viimeisessä solmussa Lopputuloksena alioptimaaliset ohjaukset joka solmulle Voidaan soveltaa alkuyritteen laskentaan NLP-ratkaisijalle 12.9 Lisätietoa Betts, J. T., Survey of Numerical Methods for Trajectory Optimization, Journal of Guidance, Control, and Dynamics, Vol. 21, No. 2, 1998, pp Hull, D. G., Conversion of Optimal Control Problems into Parameter Optimization Problems, Journal of Guidance, Control, and Dynamics, Vol. 20, No. 1, 1997, pp Seywald, H., Trajectory Optimization Based on Differential Inclusion, Journal of Guidance, Control, and Dynamics, Vol. 17, No. 3, 1994, pp
1 Perusteita lineaarisista differentiaaliyhtälöistä
1 Perusteita lineaarisista differentiaaliyhtälöistä Johdetaan lineaarisen aikavariantin systeemin ẋ(t) = A(t)x(t) + B(t)u(t), x(t 0 ) = x 0 yleinen ratkaisu. Tarkastellaan ensin homogeenistä yhtälöä. Lause
LisätiedotMat Työ 1: Optimaalinen lento riippuliitimellä
Mat-2.132 Työ 1: Optimaalinen lento riippuliitimellä Miten ohjaan liidintä, jotta lentäisin mahdollisimman pitkälle?? 1 työssä Konstruoidaan riippuliitimen malli dynaamisen systeemin tilaesitys Simuloidaan
LisätiedotLuento 11: Rajoitusehdot. Ulkopistemenetelmät
Luento 11: Rajoitusehdot. Ulkopistemenetelmät ja sisäpistemenetelmät Lagrangen välttämättömien ehtojen ratkaiseminen Newtonin menetelmällä Jos tehtävässä on vain yhtälörajoituksia, voidaan minimipistekandidaatteja
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros Johdetaan ensiksi välttämättömät ehdot diskreettiaikaiselle optimisäätötehtävälle.
Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 9 1. Johdetaan ensiksi välttämättömät ehdot diskreettiaikaiselle optimisäätötehtävälle. Tilayhtälö on x k+1 = f k (x k, u k ), k = 1,..., N 1 alkuehdolla
LisätiedotOptimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0
Optimaalisuusehdot Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0 i = 1,..., m j = 1,..., l missä f : R n R, g i : R n R kaikilla i = 1,..., m, ja h j : R n R kaikilla j = 1,..., l
Lisätiedotmin x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4
LisätiedotAmazon.com: $130,00. Osia, jaetaan opetusmonisteissa
1 Kurssin käytännön järjestelyt Luennot (12 kpl) tiistaisin klo 9 12 luokassa Y313 Luennoitsija TkT Mitri Kitti Vastaanotto luentojen yhteydessä email: mitri.kitti@hse.fi Luentomoniste kurssin verkkosivuilla
LisätiedotJos siis ohjausrajoitusta ei olisi, olisi ratkaisu triviaalisti x(s) = y(s). Hamiltonin funktio on. p(0) = p(s) = 0.
Mat-.148 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 1 1. Olkoon maaston korkeus y(s) derivoituva funktio ja etsitään tien profiilia x(s). Päätösmuuttuja on tien jyrkkyys
Lisätiedot5 Differentiaaliyhtälöryhmät
5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =
LisätiedotNumeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35
Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros 11
Mat-.148 Dynaaminen optimointi, mallivastaukset, kierros 11 1. Olkoon tehtaan tuotanto x(t) ajan hetkellä t ja investoitava osuus tuotannosta u(t). Tehdasta kuvaa systeemiyhtälö ẋ(t) = u(t)x(t) x() = c
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros Johdetaan välttämättömät ehdot funktionaalin. g(y(t), ẏ(t),...
Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 6 1. Johdetaan välttämättömät ehdot funktionaalin J(y) = g(y(t), ẏ(t),..., dr y(t), t) dt dt r ekstremaalille, kun ja t f ovat kiinteitä ja tiedetään
LisätiedotNumeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 8 To 29.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 8 To 29.9.2011 p. 1/36 p. 1/36 Interpolointi kuutiosplinillä Osavälit: I i = [t i 1,t i ], i = 1,2,...,n
LisätiedotLuento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja
Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja Seuraavassa esitetään optimointitehtävien numeerisia ratkaisumenetelmiä, eli optimointialgoritmeja, keittokirjamaisesti.
LisätiedotOsakesalkun optimointi. Anni Halkola Turun yliopisto 2016
Osakesalkun optimointi Anni Halkola Turun yliopisto 2016 Artikkeli Gleb Beliakov & Adil Bagirov (2006) Non-smooth optimization methods for computation of the Conditional Value-at-risk and portfolio optimization.
Lisätiedot[xk r k ] T Q[x k r k ] + u T k Ru k. }.
Mat-2.48 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 3. Johdetaan lineaarisen aikainvariantin seurantatehtävän yleinen ratkaisu neliöllisellä kustannuksella. Systeemi: x k+
LisätiedotLuento 9: Yhtälörajoitukset optimoinnissa
Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon
Lisätiedot6 Variaatiolaskennan perusteet
6 Variaatiolaskennan perusteet Sivut ss. 22 26 pääosin lähteen [Kirk, Ch. 4, ss. 107 127] pohjalta Variaatiolaskenta keskittyy lokaaliin analyysiin eli funktion lokaalin minimin vastineisiin funktionaaleilla.
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 20 R. Kangaslampi Matriisihajotelmista
Lisätiedot2v 1 = v 2, 2v 1 + 3v 2 = 4v 2.. Vastaavasti ominaisarvoa λ 2 = 4 vastaavat ominaisvektorit toteuttavat. v 2 =
TKK, Matematiikan laitos Pikkarainen/Tikanmäki Mat-1.1320 Matematiikan peruskurssi K2 Harjoitus 12, A=alku-, L=loppuviikko, T= taulutehtävä, P= palautettava tehtävä, W= verkkotehtävä 21. 25.4.2008, viikko
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 11 Ti 11.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 11 Ti 11.10.2011 p. 1/34 p. 1/34 Automaattiset integrointialgoritmit Numeerisen integroinnin tarkkuuteen
Lisätiedot6. Differentiaaliyhtälösysteemien laadullista teoriaa.
1 MAT-13450 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 2010 6. Differentiaaliyhtälösysteemien laadullista teoriaa. Olemme keskittyneet tässä kurssissa ensimmäisen kertaluvun
LisätiedotHarjoitus 4: Matlab - Optimization Toolbox
Harjoitus 4: Matlab - Optimization Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Optimointimallin muodostaminen
Lisätiedotk=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu
LIS AYKSI A kirjaan Reaalimuuttujan analyysi 1.6. Numeerinen integrointi: Gaussin kaavat Edella kasitellyt numeerisen integroinnin kaavat eli kvadratuurikaavat Riemannin summa, puolisuunnikassaanto ja
LisätiedotDynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II
Dynaamisten systeemien teoriaa Systeemianalyysilaboratorio II 15.11.2017 Vakiot, sisäänmenot, ulostulot ja häiriöt Mallin vakiot Systeemiparametrit annettuja vakioita, joita ei muuteta; esim. painovoiman
LisätiedotNumeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 12 To 13.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 12 To 13.10.2011 p. 1/38 p. 1/38 Tavalliset differentiaaliyhtälöt Yhtälöissä tuntematon funktio Tavalliset
LisätiedotOletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 018 Harjoitus 4 Ratkaisuehdotukset Tehtävä 1. Olkoon U R avoin joukko ja ϕ = (ϕ 1, ϕ, ϕ 3 ) : U R 3 kaksiulotteisen C 1 -alkeispinnan
Lisätiedotk = 1,...,r. L(x 1 (t), x
Mat-2.148 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 6 1. Johdetaan välttämättömät ehdot funktionaalin J(y) = t g(y(t), ẏ(t),..., dr y(t), t) dt dt r ekstremaalille, kun
Lisätiedot2 Osittaisderivaattojen sovelluksia
2 Osittaisderivaattojen sovelluksia 2.1 Ääriarvot Yhden muuttujan funktiolla f(x) on lokaali maksimiarvo (lokaali minimiarvo) pisteessä a, jos f(x) f(a) (f(x) f(a)) kaikilla x:n arvoilla riittävän lähellä
Lisätiedot1 UUSIUTUMATTOMAT LUONNONVARAT
1 UUSIUTUMATTOMAT LUONNONVARAT 1.1 Johdantoa optimiohjausteoriaan Kaikissa kurssilla esitetyissä malleissa oletetaan, että luonnonvaran tila (tilamuuttuja = state variable) muuttuu ajassa ennalta tiedetyllä
LisätiedotTIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010
TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Yleistä https://korppi.jyu.fi/kotka/r.jsp?course=96762 Sisältö Johdanto yksitavoitteiseen
LisätiedotLuento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.
Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista x + αd, α 0, on pisteestä x R n alkava puolisuora, joka on vektorin d suuntainen. Samoin
Lisätiedot1 Rajoitettu optimointi I
Taloustieteen mat.menetelmät 2017 materiaali II-1 1 Rajoitettu optimointi I 1.1 Tarvittavaa osaamista Matriisit ja vektorit, matriisien de niittisyys Derivointi (mm. ketjusääntö, Taylorin kehitelmä) Implisiittifunktiolause
LisätiedotFYSA2031 Potentiaalikuoppa
FYSA2031 Potentiaalikuoppa Työselostus Laura Laulumaa JYFL YK216 laura.e.laulumaa@student.jyu.fi 16.10-2.11. 2017 Ohjaus Työn ja ohjelman esittely ( 30 min) Harjoitellaan ohjelman käyttöä Harmoninen potentiaali
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 7 Ti 27.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 7 Ti 27.9.2011 p. 1/39 p. 1/39 Interpolointi Ei tunneta funktion f : R R lauseketta, mutta tiedetään funktion
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille
LisätiedotTalousmatematiikan perusteet: Luento 15. Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta
Talousmatematiikan perusteet: Luento 15 Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta Viime luennolla Tarkastelimme usean muuttujan funktioiden rajoittamatonta optimointia:
LisätiedotMat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5
Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 1. Kotitehtävä. 2. Lasketaan aluksi korkoa korolle. Jos korkoprosentti on r, ja korko maksetaan n kertaa vuodessa t vuoden ajan, niin kokonaisvuosikorko
LisätiedotKimppu-suodatus-menetelmä
Kimppu-suodatus-menetelmä 2. toukokuuta 2016 Kimppu-suodatus-menetelmä on kehitetty epäsileiden optimointitehtävien ratkaisemista varten. Menetelmässä approksimoidaan epäsileitä funktioita aligradienttikimpulla.
LisätiedotNumeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28
Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä
LisätiedotFYSA234 Potentiaalikuoppa, selkkarityö
FYSA234 Potentiaalikuoppa, selkkarityö Jari Partanen, Jani Komppula JYFL FL246, S118 japapepa@jyu.fi, jani.komppula@jyu.fi 16. lokakuuta 2013 Ohjaus Työn ja ohjelman esittely (15-30 min) Harjoitellaan
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 3.2.27 Tehtävä. Valmisohjelmistolla voidaan ratkaista tehtävä min c T x s. t. Ax b x, missä x, c ja b R n ja A R m n. Muunnetaan tehtävä max x + 2x 2 + 3x 3 + x s. t. x + 3x 2 + 2x
Lisätiedotx = ( θ θ ia y = ( ) x.
Aalto-yliopiston Perustieteiden korkeakoulu Matematiikan systeemianalyysin laitos Mat-2429 Systeemien Identifiointi 5 harjoituksen ratkaisut Esitetään ensin systeemi tilayhtälömuodossa Tiloiksi valitaan
LisätiedotFYSA234 Potentiaalikuoppa, selkkarityö
FYSA234 Potentiaalikuoppa, selkkarityö Jari Partanen, Jani Komppula JYFL FL246, S118 japapepa@jyu.fi, jani.komppula@jyu.fi 13. lokakuuta 2014 Ohjaus Työn ja ohjelman esittely (15-30 min) Harjoitellaan
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ
Mat-48 Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ L ẋ = x ẋ = g L sin x rx Epälineaarisen systeemin tasapainotiloja voidaan
LisätiedotLuento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu
Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) vasemman puolen
LisätiedotTehtävä 4.7 Tarkastellaan hiukkasta, joka on pakotettu liikkumaan toruksen pinnalla.
Tehtävä.7 Tarkastellaan hiukkasta, joka on pakotettu liikkumaan toruksen pinnalla. x = (a + b cos(θ)) cos(ψ) y = (a + b cos(θ)) sin(ψ) = b sin(θ), a > b, θ π, ψ π Figure. Toruksen hajoituskuva Oletetaan,
LisätiedotOsakesalkun optimointi
Osakesalkun optimointi Anni Halkola Epäsileä optimointi Turun yliopisto Huhtikuu 2016 Sisältö 1 Johdanto 1 2 Taustatietoja 2 3 Laskumetodit 3 3.1 Optimointiongelmat........................ 4 4 Epäsileän
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 5 Ti 20.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 5 Ti 20.9.2011 p. 1/40 p. 1/40 Choleskyn menetelmä Positiivisesti definiiteillä matriiseilla kolmiohajotelma
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 3 Ti 13.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 3 Ti 13.9.2011 p. 1/37 p. 1/37 Epälineaariset yhtälöt Newtonin menetelmä: x n+1 = x n f(x n) f (x n ) Sekanttimenetelmä:
LisätiedotLuento 2: Liikkeen kuvausta
Luento 2: Liikkeen kuvausta Suoraviivainen liike integrointi Kinematiikkaa yhdessä dimensiossa Luennon sisältö Suoraviivainen liike integrointi Kinematiikkaa yhdessä dimensiossa Liikkeen ratkaisu kiihtyvyydestä
LisätiedotEllipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio
Ellipsoidimenetelmä Kokonaislukuoptimointi Sovelletun matematiikan lisensiaattiseminaari Kevät 2008 / 1 Sisällys Ellipsoidimenetelmän geometrinen perusta ja menetelmän idea Formaali ellipsoidimenetelmä
Lisätiedot(s 2 + 9)(s 2 + 2s + 5) ] + s + 1. s 2 + 2s + 5. Tästä saadaan tehtävälle ratkaisu käänteismuuntamalla takaisin aikatasoon:
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2429 Systeemien Identifiointi 2 harjoituksen ratkaisut Yhtälö voitaisiin ratkaista suoraankin, mutta käytetään Laplace-muunnosta tehtävän ratkaisemisessa
LisätiedotDierentiaaliyhtälöistä
Dierentiaaliyhtälöistä Markus Kettunen 4. maaliskuuta 2009 1 SISÄLTÖ 1 Sisältö 1 Dierentiaaliyhtälöistä 2 1.1 Johdanto................................. 2 1.2 Ratkaisun yksikäsitteisyydestä.....................
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I G. Gripenberg Aalto-yliopisto 21. tammikuuta 2016 G. Gripenberg (Aalto-yliopisto) MS-A0207 Differentiaali- ja integraalilaskenta
LisätiedotTEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Kimmo Berg. Mat Optimointioppi. 9. harjoitus - ratkaisut
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 9. harjoitus - ratkaisut 1. a) Viivahakutehtävä pisteessä x suuntaan d on missä min f(x + λd), λ f(x + λd) = (x
Lisätiedot1 Di erentiaaliyhtälöt
Taloustieteen mat.menetelmät syksy 2017 materiaali II-5 1 Di erentiaaliyhtälöt 1.1 Skalaariyhtälöt Määritelmä: ensimmäisen kertaluvun di erentiaaliyhtälö on muotoa _y = F (y; t) oleva yhtälö, missä _y
LisätiedotTalousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla
Talousmatematiikan perusteet: Luento 11 Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Esimerkki Esim. Yritys tekee kahta elintarviketeollisuuden käyttämää puolivalmistetta,
LisätiedotBM20A1501 Numeeriset menetelmät 1 - AIMO
6. marraskuuta 2014 Opetusjärjestelyt Luennot + Harjoitukset pe 7.11.2014 10-14 2310, 14-17 7337 la 8.11.2014 9-12 2310, 12-16 7337 pe 14.11.2014 10-14 2310, 14-17 6216 la 15.11.2014 9-12 2310, 12-16 7337
LisätiedotLineaarinen optimointitehtävä
Lineaarinen optimointitehtävä Minimointitehtävä yhtälörajoittein: min kun n j=1 n j=1 c j x j a ij x j = b i x j 0 j = 1,..., n i = 1,..., m Merkitään: z = alkuperäisen objektifunktion arvo käsiteltävänä
LisätiedotLuento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.
Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista. + αd, α 0, on pisteessä R n alkava puolisuora, joka on vektorin d suuntainen. Samoin 2
LisätiedotNumeerinen integrointi ja derivointi
Numeerinen integrointi ja derivointi Keijo Ruotsalainen Division of Mathematics Interpolaatiokaavat Approksimoitava integraali I = b a f(x)dx. Tasavälinen hila: x i = a+ (b a)i n, i = 0,...,n Funktion
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros 1
Mat-214 Dynaaminen optimointi, mallivastaukset, kierros 1 1 a) Sekoitussäiliöön A virtaa puhdasta vettä virtauksella v A, säiliöstä A säiliöön B täysin sekoittunutta liuosta virtauksella v AB ja säiliöstä
LisätiedotTalousmatematiikan perusteet: Luento 12. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla
Talousmatematiikan perusteet: Luento 12 Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla Esimerkki Esim. Yritys tekee kahta elintarviketeollisuuden käyttämää puolivalmistetta,
Lisätiedot. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-.39 Optimointioppi Kimmo Berg 8. harjoitus - ratkaisut. a)huomataan ensinnäkin että kummankin jonon raja-arvo r on nolla. Oletetaan lisäksi että
LisätiedotMalliratkaisut Demo 4
Malliratkaisut Demo 4 1. tehtävä a) f(x) = 2x + 21. Funktio on lineaarinen, joten se on unimodaalinen sekä maksimoinnin että imoinnin suhteen. Funktio on konveksi ja konkaavi. b) f(x) = x (pienin kokonaisluku
LisätiedotLuento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu
Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) on voimassa
LisätiedotNumeeriset menetelmät TIEA381. Luento 7. Kirsi Valjus. Jyväskylän yliopisto. Luento 7 () Numeeriset menetelmät / 43
Numeeriset menetelmät TIEA381 Luento 7 Kirsi Valjus Jyväskylän yliopisto Luento 7 () Numeeriset menetelmät 10.4.2013 1 / 43 Luennon 7 sisältö Interpolointi ja approksimointi Interpolaatiovirheestä Paloittainen
Lisätiedot4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä
JYVÄSKYLÄN YLIOPISTO 4. Luennon sisältö Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä kevät 2012 TIEA382 Lineaarinen ja diskreetti optimointi Lineaarinen optimointitehtävä Minimointitehtävä
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016 Antti Rasila
LisätiedotNumeeriset menetelmät TIEA381. Luento 4. Kirsi Valjus. Jyväskylän yliopisto. Luento 4 () Numeeriset menetelmät / 44
Numeeriset menetelmät TIEA381 Luento 4 Kirsi Valjus Jyväskylän yliopisto Luento 4 () Numeeriset menetelmät 21.3.2013 1 / 44 Luennon 4 sisältö Lineaarisen yhtälöryhmän ratkaisemisesta: Choleskyn menetelmä
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 Tehtävä 8 on tällä kertaa pakollinen. Aloittakaapa siitä. 1. Kun tässä tehtävässä sanotaan sopii mahdollisimman hyvin, sillä tarkoitetaan
LisätiedotOptimointi. Etsitään parasta mahdollista ratkaisua annetuissa olosuhteissa. Ongelman mallintaminen. Mallin ratkaiseminen. Ratkaisun analysointi
Optimointi Etsitään parasta mahdollista ratkaisua annetuissa olosuhteissa Ongelman mallintaminen Mallin ratkaiseminen Ratkaisun analysointi 1 Peruskäsitteitä Muuttujat: Sallittu alue: x = (x 1, x 2,...,
Lisätiedotw + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.
Kotitehtävät, tammikuu 2011 Vaikeampi sarja 1. Ratkaise yhtälöryhmä w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Ratkaisu. Yhtälöryhmän ratkaisut (w, x, y, z)
Lisätiedot1 Peruskäsitteet. Dierentiaaliyhtälöt
Teknillinen korkeakoulu Matematiikka Dierentiaaliyhtälöt Alestalo Tässä monisteessa käydään läpi tavallisiin dierentiaaliyhtälöihin liittyviä peruskäsitteitä ja ratkaisuperiaatteita. Esimerkkejä luennoilla
LisätiedotEste- ja sakkofunktiomenetelmät
Este- ja sakkofunktiomenetelmät Keijo Ruotsalainen Mathematics Division Luennon kulku Este- ja sisäpistemenetelmät LP-ongelmat ja logaritminen estefunktio Polun seuranta Newtonin menetelmällä Sakkofunktiomenetelmistä
LisätiedotAntti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Antti Rasila Matematiikan ja systeemianalyysin laitos
Lisätiedotv AB q(t) = q(t) v AB p(t) v B V B ṗ(t) = q(t) v AB Φ(t, τ) = e A(t τ). e A = I + A + A2 2! + A3 = exp(a D (t τ)) (I + A N (t τ)), A N = =
Mat-214 Dynaaminen optimointi Mitri Kitti Mallivastaukset kierros 1 1 a) Sekoitussäiliöön A virtaa puhdasta vettä virtauksella v A säiliöstä A säiliöön B täysin sekoittunutta liuosta virtauksella v AB
LisätiedotMatematiikka B3 - Avoin yliopisto
2. heinäkuuta 2009 Opetusjärjestelyt Luennot 9:15-11:30 Harjoitukset 12:30-15:00 Tentti Lisäharjoitustehtävä Kurssin sisältö (1/2) 1. asteen Differentiaali yhtälöt (1.DY) Separoituva Ratkaisukaava Bernoyulli
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Tentti ja välikokeiden uusinta 8..206 Gripenberg, Nieminen, Ojanen, Tiilikainen, Weckman Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
LisätiedotDemo 1: Simplex-menetelmä
MS-C2105 Optimoinnin perusteet Malliratkaisut 3 Ehtamo Demo 1: Simplex-menetelmä Muodosta lineaarisen tehtävän standardimuoto ja ratkaise tehtävä taulukkomuotoisella Simplex-algoritmilla. max 5x 1 + 4x
LisätiedotEpälineaaristen yhtälöiden ratkaisumenetelmät
Epälineaaristen yhtälöiden ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Perusoletus Lause 3.1 Olkoon f : [a, b] R jatkuva funktio siten, että f(a)f(b) < 0. Tällöin funktiolla on ainakin
Lisätiedot3.6 Feynman s formulation of quantum mechanics
3.6 Feynman s formulation of quantum mechanics Course MAT-66000: Quantum mechanics and the particles of nature Ilkka Kylänpää Tampere University of Technology 14.10.2010 Sisältö Johdattelua Klassinen action
LisätiedotLuku 4. Derivoituvien funktioiden ominaisuuksia.
1 MAT-1343 Laaja matematiikka 3 TTY 1 Risto Silvennoinen Luku 4 Derivoituvien funktioiden ominaisuuksia Derivaatan olemassaolosta seuraa funktioille eräitä säännöllisyyksiä Näistä on jo edellisessä luvussa
Lisätiedot17. Differentiaaliyhtälösysteemien laadullista teoriaa.
99 17. Differentiaaliyhtälösysteemien laadullista teoriaa. Differentiaaliyhtälön x'(t) = f(x(t),t), x(t) n määrittelemän systeemin sanotaan olevan autonominen, jos oikea puoli ei eksplisiittisesti riipu
LisätiedotOsa IX. Z muunnos. Johdanto Diskreetit funktiot
Osa IX Z muunnos A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 298 / 322 A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 299 / 322 Johdanto
LisätiedotFinanssimaailman ongelmien ratkaiseminen epäsileän optimoinnin keinoin. Markus Harteela Turun yliopisto
Finanssimaailman ongelmien ratkaiseminen epäsileän optimoinnin keinoin Markus Harteela Turun yliopisto huhtikuu 2016 1 Johdanto Tämä työ on kurssin Epäsileä Optimointi harjoitustyö ja se perustuu artikkeliin
LisätiedotAalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos
Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Malinen/Ojalammi MS-A0203 Differentiaali- ja integraalilaskenta 2, kevät 2016 Laskuharjoitus 4A (Vastaukset) alkuviikolla
Lisätiedot, on säännöllinen 2-ulotteinen pinta. Määrää T x0 pisteessä x 0 = (0, 1, 1).
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 017 Harjoitus 4 Ratkaisuehdotukset 4.1. Osoita, että tasa-arvojoukko S F (0), F : R 3 R, F (x) = 3x 1 x 3 + e x + x e x 3, on säännöllinen
Lisätiedot2. Viikko. CDH: luvut (s ). Matematiikka on fysiikan kieli ja differentiaaliyhtälöt sen yleisin murre.
2. Viikko Keskeiset asiat ja tavoitteet: 1. Peruskäsitteet: kertaluku, lineaarisuus, homogeenisuus. 2. Separoituvan diff. yhtälön ratkaisu, 3. Lineaarisen 1. kl yhtälön ratkaisu, CDH: luvut 19.1.-19.4.
Lisätiedot12. Hessen matriisi. Ääriarvoteoriaa
179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä
LisätiedotYhden muuttujan funktion minimointi
Yhden muuttujan funktion minimointi Aloitetaan yhden muuttujan tapauksesta Tarpeellinen myös useamman muuttujan tapauksessa Tehtävä on muotoa min kun f(x) x S R 1 Sallittu alue on muotoa S = [a, b] tai
LisätiedotKirjallisuuskatsaus sisäpistemenetelmiin ja niiden soveltamiseen eri optimointiluokille (valmiin työn esittely)
Kirjallisuuskatsaus sisäpistemenetelmiin ja niiden soveltamiseen eri optimointiluokille (valmiin työn esittely) Ilari Vähä-Pietilä 28.04.2014 Ohjaaja: TkT Kimmo Berg Valvoja: Prof. Harri Ehtamo Työn saa
LisätiedotHarjoitustyö 3. Heiluri-vaunusysteemin parametrien estimointi
Aalto-yliopiston perustieteiden korkeakoulu Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Harjoitustyö 3 Heiluri-vaunusysteemin parametrien estimointi Yleistä Systeemianalyysin laboratoriossa
Lisätiedotf[x i ] = f i, f[x i,..., x j ] = f[x i+1,..., x j ] f[x i,..., x j 1 ] x j x i T n+1 (x) = 2xT n (x) T n 1 (x), T 0 (x) = 1, T 1 (x) = x.
Kaavakokoelma f[x i ] = f i, f[x i,..., x j ] = f[x i+,..., x j ] f[x i,..., x j ] x j x i T n+ (x) = 2xT n (x) T n (x), T (x) =, T (x) = x. n I,n = h f(t i + h 2 ), E,n = h2 (b a) f (2) (ξ). 24 i= I,n
Lisätiedot