Mat Työ 1: Optimaalinen lento riippuliitimellä

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

Download "Mat Työ 1: Optimaalinen lento riippuliitimellä"

Transkriptio

1 Mat Työ 1: Optimaalinen lento riippuliitimellä Miten ohjaan liidintä, jotta lentäisin mahdollisimman pitkälle?? 1

2 työssä Konstruoidaan riippuliitimen malli dynaamisen systeemin tilaesitys Simuloidaan ja optimoidaan mallin avulla liitoa tyynessä termiikissä (nouseva lämmin ilmavirtaus) Opitaan: matemaattista gray box -mallintamista dynaamisen optimointitehtävän (optimisäätötehtävän) formulointi, analysointi ja numeerinen ratkaiseminen epälineaarisen optimointitehtävän ratkaiseminen valmiilla optimointirutiinilla (MATLAB, Optimization Tool Box) 2

3 Dynaaminen optimointitehtävä, ratkaisuprosessi Hae paras mahdollinen tapa ohjata dynaamista systeemiä Systeemin malli - 1 kl. dy-systeemi - kiinnitetyt alku- ja lopputilat - sallitut ohjaukset - sallitut tilat Numeerinen ratkaisumenetelmä - epäsuora - suora - diskretointi ja NLP Ratkaisun visualisointi Mallintaminen Optimoitava kriteeri 3

4 Lentämisen teoriaa, voimat Lentävään lentolaitteeseen vaikuttaa neljä eri voimaa: Miten riippuliitimessä? G=massa m* gravitaatiokiihtyvyys g nostovoima = painovoima => vaakalento L=L(kohtauskulma a, nopeus v, korkeus h) - Nostovoimakerroin C L =C L (a) - Referenssipinta-ala S - Kineettinen paine q=q(h,v) työntövoima = vastusvoima => vakionopeus D=D(kohtauskulma a, nopeus v, korkeus h) - Kokonaisvastuskerroin C D =C D (a) - Referenssipinta-ala S - Kineettinen paine q=q(h,v) 4

5 Lentämisen teoriaa, kohtauskulma Lentolaitteen pituusakseli ja nopeusvektori erisuuntaisia => Nostovoima Kohtauskulma a = pituusakselin ja nopeusvektorin välinen kulma Nostovoimakerroin C L =C L (a) => Nostovoimaa säädetään kohtauskulmalla Riippuliitimen mallissa C L ohjausmuuttujaksi! 5

6 Riippuliitimen malli Siirtymisdynamiikka (ei pyörimisdynamiikkaa) Lento pystytasossa Tilamuuttujat: x-koordinaatti, korkeus, nopeus, ratakulma Ohjausmuuttuja: Nostovoimakerroin Vapaakappalekuva F=ma, v=dx/dt yms. => tilaesitys Mallin validointi simuloimalla, parametrien vaikutus Sakkaaminen? 6

7 Sakkaaminen ( Yläilmavirta kulkee tasaisesti Kohtauskulma kasvaa Yläilmavirta muuttuu pyörteiseksi Siiven nostovoima pienenee nopeasti Sakkausnopeudessa suurin mahdollinen nostovoima alittaa vaakalennossa painovoiman 7

8 Liidon optimointi Etsi ohjaus siten, että liidetään x-koordinaatin suunnassa mahdollisimman pitkälle menetettyä korkeusyksikköä kohden korkeus x(0) = 0 h(0) = h 0 v(0) = v 0 γ(0) = γ 0 Etsi C L h(t f ) = h f v(t f ) > v f γ(t f ) = vapaa Maksimoi x(t f ) t f vapaa X-koordinaatti 8

9 Optimointitehtävät Saattinen optimointitehtävä: max x/- h, kerrotaan t/ t ja t fi 0, joten max?? yksinkertaistetaan tilaesitystä minimoidaan C L :n suhteen todennetaan: suurin mahdollinen matka korkeusyksikköä kohden liidetään, kun kokonaisvastuskerroin C D / nostovoimakerroin C L on mahdollisimman pieni Vapaan loppuajan dynaaminen optimointitehtävä max x(t f ).. voidaan esittää muissakin muodoissa Ratkaisuiden vertaileminen 9

10 Dynaamisen optimointitehtävän ratkaisemisesta Haetaan avoimen ohjauksen ratkaisua Epäsuorat menetelmät: johda (ks. Mat materiaali) ja ratkaise optimiradan välttämättömät ehdot monen pisteen reuna-arvotehtävä esim. monipisteammuntamenetelmä (ks. oheismateriaali) (Suorat menetelmät) Äärellisulotteiset suorat menetelmät diskretointi + epälineaarinen ohjelmointi Ratkaisumenetelmien vertaileminen (ks. oheismateriaali) 10

11 Diskretointimenetelmien jaottelu Diskretoidaan ohjaus tilayhtälöt integroidaan eksplisiittisesti control parameterization, direct shooting Diskretoidaan sekä tila että ohjaus implisiittinen integrointi, enemmän päätösmuuttujia Euler, Runge-Kutta, suora kollokaatio (ks. oheismateriaali) direct transcription Diskretoidaan tilat ohjaukset eliminoidaan diskretoitu tila saavutettavissa edellisestä tilasta difference inclusion 11

12 Diskretoinnin etuja ja haittoja Ei välttämättömien ehtojen johtamista ei alkuarvausta liittotiloille ei tarvita ratkaisun kytkentärakennetta etukäteen Valmiita epälineaarisen ohjelmoinnin optimointirutiineja karkea alkuarvaus riittää (ks. Matlab-pohja) Ratkaisemisen automatisointi Ratkaisu approksimaatio, tarkkuus riippuu diskretoinnin kertaluvusta ja T:stä korkeampi kertaluku => lisää rajoituksia pienempi T => lisää päätösmuuttujia, lisää rajoituksia Ratkaisun tarkentaminen adaptiiviset ei-tasaväliset pisteistöt (=> arvio virheelle) kontinuaatio pisteiden lukumäärän suhteen (ks. Matlab-pohja) Rajoitukset toteutuvat vain pisteittäin 12

13 Diskreettiaikaisen dynaamisen optimointitehtävän ratkaiseminen Diskretointi => Epälineaarinen rajoitettu optimointitehtävä SQP (toistettu neliöllinen ohjelmointi) (ks. Mat materiaali) eniten käytetty ratkaisumenetelmä diskretoituihin dyn. opt.tehtäviin NPSOL, NAG, FSQP, LANCELOT MATLABin constr-rutiini (ks. Matlab-pohja) - Muuttujien skaalaus! useissa toteutukissa numeeriset gradientit automaattisesti Optimointitehtävän matriisit harvoja helpottaa oleellisesti laskentaa suurissa tehtävissä 13

14 Optimiratkaisuiden analysointi ja vertailu Staattinen vs. dynaaminen tehtävä tyynessä Suora kollokaatio vs. monipisteammuntamenetelmä referenssiratkaisu annettu Lagrangen kertoimet approksimoivat liittotiloja Dynaaminen tehtävä termiikissä ilmavirran nousunopeus annetaan x-koordinaatin funktiona muokataan tilayhtälöitä, v x ja v h tilamuuttujiksi ratkaiseminen suoralla kollokaatiolla ja SQP:llä valmiit Matlab-pohjat 14

15 Laaditaan raportin muotoon kappalejaot Työselostus kuviin kuvatekstit ja viittaukset tekstiin sisältö tärkeä, ei viimeistelty ulkoasu sujuvasti luettava, järkevä rakenne Johdanto työn tausta ja tarkoitus Vastaukset työohjeessa esitettyihin kysymyksiin sopiva määrä kuvia simuloinneista ja optimiratkaisuista Yhteenveto ja pohdintaa kommentteja käytetyistä malleista ja menetelmistä kommentteja työstä ja parannusehdotuksia 15

Optimaalinen lento riippuliitimellä

Optimaalinen lento riippuliitimellä Mat-2.132 Systeemianalyysilaboratorio Työ 1 Optimaalinen lento riippuliitimellä 1 Lentämisen teoriaa Tarkastellaan lentämistä riippuliitimellä (tai jollakin muulla lentolaitteella). Liitimeen vaikuttavat

Lisätiedot

Harjoitus 4: Matlab - Optimization Toolbox

Harjoitus 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

Lisätiedot

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 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

Lisätiedot

1 Perusteita lineaarisista differentiaaliyhtälöistä

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

Lisätiedot

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 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

Lisätiedot

Luento 11: Rajoitusehdot. Ulkopistemenetelmät

Luento 11: Rajoitusehdot. Ulkopistemenetelmät Luento 11: Rajoitusehdot. Ulkopistemenetelmät ja sisäpistemenetelmät Lagrangen välttämättömien ehtojen ratkaiseminen Newtonin menetelmällä Jos tehtävässä on vain yhtälörajoituksia, voidaan minimipistekandidaatteja

Lisätiedot

Numeeriset 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 / 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

Lisätiedot

FYSA2031 Potentiaalikuoppa

FYSA2031 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

Lisätiedot

Numeeriset 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 / 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

Lisätiedot

FYSA234 Potentiaalikuoppa, selkkarityö

FYSA234 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

Lisätiedot

FYSA234 Potentiaalikuoppa, selkkarityö

FYSA234 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

Lisätiedot

Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja

Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja Seuraavassa esitetään optimointitehtävien numeerisia ratkaisumenetelmiä, eli optimointialgoritmeja, keittokirjamaisesti.

Lisätiedot

[4A] DIFFERENTIAALIYHTÄLÖT 1. Alkuarvotehtävät

[4A] DIFFERENTIAALIYHTÄLÖT 1. Alkuarvotehtävät [4A] DIFFERENTIAALIYHTÄLÖT 1. Alkuarvotehtävät Numeerisen integroinnin yhteydessä ratkoimme jo tavallisia ensimmäisen kertaluvun alkuarvotehtäviä integroimalla eli t y (t) =f(t, y(t)) y(t) =y(t a )+ f(t,

Lisätiedot

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli. Luento : Optimointitehtävän graafinen ratkaiseminen. LP-malli. LP-malli simerkki: Maalifirma Sateenkaari valmistaa ulko- ja sisämaalia raaka-aineista M ja M. Sisämaalin maksimikysyntä on tonnia/päivä.

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Tasaväliset PO pisteet? Painokerroinmenetelmä: muutetaan painoja systemaattisesti

Lisätiedot

min 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

min 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

Lisätiedot

Harjoitus 8: Excel - Optimointi

Harjoitus 8: Excel - Optimointi Harjoitus 8: Excel - Optimointi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Lineaarisen optimointimallin muodostaminen

Lisätiedot

Amazon.com: $130,00. Osia, jaetaan opetusmonisteissa

Amazon.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

Lisätiedot

TIEA382 Lineaarinen ja diskreetti optimointi

TIEA382 Lineaarinen ja diskreetti optimointi TIEA382 Lineaarinen ja diskreetti optimointi Jussi Hakanen Tietotekniikan laitos jussi.hakanen@jyu.fi AgC 426.3 Yleiset tiedot Tietotekniikan kandidaattiopintojen valinnainen kurssi http://users.jyu.fi/~jhaka/ldo/

Lisätiedot

Differentiaaliyhtälöryhmä

Differentiaaliyhtälöryhmä Differentiaaliyhtälöryhmä Ensimmäisen kertaluvun differentiaaliyhtälöryhmä vaikkapa korkeamman kertaluvun yhtälöä vastaava normaaliryhmä voidaan ratkaista numeerisesti täsmälleen samanlaisilla kaavoilla

Lisätiedot

x = ( θ θ ia y = ( ) x.

x = ( 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

Lisätiedot

Dynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II

Dynaamisten 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

Lisätiedot

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli. Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli. LP-malli Esimerkki. Maalitehdas valmistaa ulko- ja sisämaalia raaka-aineista M1 ja M2. Sisämaalin maksimikysyntä on 2 tonnia/päivä. Sisämaalin

Lisätiedot

Optimointi. 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 Optimointi Etsitään parasta mahdollista ratkaisua annetuissa olosuhteissa Ongelman mallintaminen Mallin ratkaiseminen Ratkaisun analysointi 1 Peruskäsitteitä Muuttujat: Sallittu alue: x = (x 1, x 2,...,

Lisätiedot

Matemaattisesta mallintamisesta

Matemaattisesta mallintamisesta Matemaattisesta mallintamisesta (Fysikaalinen mallintaminen) 1. Matemaattisen mallin konstruointi dynaamiselle reaalimaailman järjestelmälle pääpaino fysikaalisella mallintamisella samat periaatteet pätevät

Lisätiedot

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

Talousmatematiikan 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,

Lisätiedot

4 Optimointitehtävä ja sen ratkaiseminen Optimointitehtävä Optimointitehtävän diskretointi

4 Optimointitehtävä ja sen ratkaiseminen Optimointitehtävä Optimointitehtävän diskretointi Suhteellisesti navigoivan lentolaitteen maksimilentomatkasta Mat-2.108 Sovelletun matematiikan erikoistyöt Pentti Säynätjoki 29. tammikuuta 2001 Sisältö 1 Johdanto 3 2 Mallit 5 2.1 Lentokoneen malli.........................

Lisätiedot

1 Rajoitettu optimointi I

1 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

Lisätiedot

Malliratkaisut Demo 1

Malliratkaisut Demo 1 Malliratkaisut Demo 1 1. Merkitään x = kuinka monta viikkoa odotetaan ennen kuin perunat nostetaan. Nyt maksimoitavaksi kohdefunktioksi tulee f(x) = (60 5x)(300 + 50x). Funktio f on alaspäin aukeava paraaeli,

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 1 23.1.2017 1. Päätösmuuttujiksi voidaan valita x 1 : tehtyjen peruspöytin lukumäärä x 2 : tehtyjen luxuspöytien lukumäärä. Optimointitehtäväksi tulee max 200x 1 + 350x 2 s. t. 5x

Lisätiedot

1. Lineaarinen optimointi

1. Lineaarinen optimointi 0 1. Lineaarinen optimointi 1. Lineaarinen optimointi 1.1 Johdatteleva esimerkki Esimerkki 1.1.1 Giapetto s Woodcarving inc. valmistaa kahdenlaisia puuleluja: sotilaita ja junia. Sotilaan myyntihinta on

Lisätiedot

12. Hessen matriisi. Ääriarvoteoriaa

12. 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

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

TIES592 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

Lisätiedot

Numeeriset 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 / 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

Lisätiedot

Luento 4: Liikkeen kuvausta, differentiaaliyhtälöt

Luento 4: Liikkeen kuvausta, differentiaaliyhtälöt Luento 4: Liikkeen kuvausta, differentiaaliyhtälöt Digress: vakio- vs. muuttuva kiihtyvyys käytännössä Kinematiikkaa yhdessä dimensiossa taustatietoa Matlab-esittelyä 1 / 20 Luennon sisältö Digress: vakio-

Lisätiedot

Luento 6: Monitavoitteinen optimointi

Luento 6: Monitavoitteinen optimointi Luento 6: Monitavoitteinen optimointi Monitavoitteisessa optimointitehtävässä on useita optimoitavia kohdefunktioita eli ns kriteereitä: f,,f m Esimerkki ortfolion eli arvopaperijoukon optimoinnissa: f

Lisätiedot

INFO / Matemaattinen Analyysi, k2016, L0

INFO / Matemaattinen Analyysi, k2016, L0 INFO / Matemaattinen Analyysi, k2016, L0 orms1010, Aikataulu 1 kevät 2016 ORMS1010 Matemaattinen analyysi, luennot Ke 14-16 Viikot 09-10 salissa F119 Ke 14-16 Viikot 11 salissa F140 Ke 14-16 Viikot 13-18

Lisätiedot

Mat Dynaaminen optimointi, mallivastaukset, kierros Johdetaan välttämättömät ehdot funktionaalin. g(y(t), ẏ(t),...

Mat 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

Lisätiedot

Mat Dynaaminen optimointi, mallivastaukset, kierros 11

Mat 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

Lisätiedot

Mat Dynaaminen optimointi, mallivastaukset, kierros Johdetaan ensiksi välttämättömät ehdot diskreettiaikaiselle optimisäätötehtävälle.

Mat 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

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 2 To 8.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 2 To 8.9.2011 p. 1/33 p. 1/33 Lukujen tallennus Kiintoluvut (integer) tarkka esitys aritmeettiset operaatiot

Lisätiedot

Metsikkötason optimointi metsäsuunnittelussa, esimerkkinä SMA

Metsikkötason optimointi metsäsuunnittelussa, esimerkkinä SMA Metsikkötason optimointi metsäsuunnittelussa, esimerkkinä SMA SIMO-seminaari 2.11.2007 Lauri Valsta Metsäekonomian laitos Sisältö Metsikkötason suunnittelun käyttökohteet Katsaus menetelmiin SMA:n rakenne

Lisätiedot

k = 1,...,r. L(x 1 (t), x

k = 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

Lisätiedot

6 Variaatiolaskennan perusteet

6 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.

Lisätiedot

2v 1 = v 2, 2v 1 + 3v 2 = 4v 2.. Vastaavasti ominaisarvoa λ 2 = 4 vastaavat ominaisvektorit toteuttavat. v 2 =

2v 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

Lisätiedot

13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle

13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle 13. Taylorin polynomi; funktioiden approksimoinnista 13.1. Taylorin polynomi 552. Muodosta funktion f (x) = x 4 + 3x 3 + x 2 + 2x + 8 kaikki Taylorin polynomit T k (x, 2), k = 0,1,2,... (jolloin siis potenssien

Lisätiedot

1 Peruskäsitteet. Dierentiaaliyhtälöt

1 Peruskäsitteet. Dierentiaaliyhtälöt Teknillinen korkeakoulu Matematiikka Dierentiaaliyhtälöt Alestalo Tässä monisteessa käydään läpi tavallisiin dierentiaaliyhtälöihin liittyviä peruskäsitteitä ja ratkaisuperiaatteita. Esimerkkejä luennoilla

Lisätiedot

Numeeriset menetelmät

Numeeriset 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

Lisätiedot

k=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu

k=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

Lisätiedot

Tilayhtälötekniikasta

Tilayhtälötekniikasta Tilayhtälötekniikasta Tilayhtälöesityksessä it ä useamman kertaluvun differentiaaliyhtälö esitetään ensimmäisen kertaluvun differentiaaliyhtälöryhmänä. Jokainen ensimmäisen kertaluvun differentiaaliyhtälö

Lisätiedot

Diskreettiaikainen dynaaminen optimointi

Diskreettiaikainen dynaaminen optimointi Diskreettiaikainen dynaaminen optimointi Usean kauden tapaus 2 kauden yleistys Ääretön loppuaika Optimaalinen pysäytys Optimointiopin seminaari - Syksy 2000 / Ongelma t 0 x 0 t- t T x t- + x t + x T u

Lisätiedot

Harjoitus 4: Differentiaaliyhtälöt (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt 1

Harjoitus 4: Differentiaaliyhtälöt (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoitus 4: Differentiaaliyhtälöt (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Matlab:n solver komento differentiaaliyhtöiden

Lisätiedot

Yleistä. Aalto-yliopisto Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

Yleistä. Aalto-yliopisto Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos MS-E2129 Systeemien identifiointi 3. Harjoitustyö Heiluri-vaunusysteemin parametrien estimointi Yleistä Systeemianalyysin

Lisätiedot

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1

Lisätiedot

Mat Systeemien identifiointi, aihepiirit 1/4

Mat Systeemien identifiointi, aihepiirit 1/4 , aihepiirit 1/4 Dynaamisten systeemien matemaattinen mallintaminen ja analyysi Matlab (System Identification Toolbox), Simulink 1. Matemaattinen mallintaminen: Mallintamisen ja mallin määritelmät Fysikaalinen

Lisätiedot

Kon Simuloinnin Rakentaminen Janne Ojala

Kon Simuloinnin Rakentaminen Janne Ojala Kon 16.4011 Simuloinnin Rakentaminen Janne Ojala Simulointi käytännössä 1/3 Simulaatiomalleja helppo analysoida Ymmärretään ongelmaa paremmin - Opitaan ymmärtämään koneen toimintaa ja siihen vaikuttavia

Lisätiedot

Ensimmäisen kertaluvun yhtälön numeerinen ratkaiseminen

Ensimmäisen kertaluvun yhtälön numeerinen ratkaiseminen nummen.nb 1 Ensimmäisen kertaluvun yhtälön numeerinen ratkaiseminen Eulerin menetelmä alkaurvoprobleeman y' = f Hx, yl, yhx 0 L = y 0 ratkaisemiseksi voidaan ohjelmoida Mathematicalle euler-nimiseksi funktioksi

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-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

Lisätiedot

Mat Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ

Mat 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

Lisätiedot

f[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.

f[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

SMG-4500 Tuulivoima. Kolmannen luennon aihepiirit TUULEN TEHO

SMG-4500 Tuulivoima. Kolmannen luennon aihepiirit TUULEN TEHO SMG-4500 Tuulivoima Kolmannen luennon aihepiirit Tuulen teho: Betzin lain johtaminen Tuulivoimalatyypeistä: Miksi vaaka-akselinen, miksi kolme lapaa? Aerodynamiikkaa: Tuulivoimalan roottorin lapasuunnittelun

Lisätiedot

Harjoitus 5: Simulink

Harjoitus 5: Simulink Harjoitus 5: Simulink Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen Simulinkiin Differentiaaliyhtälöiden

Lisätiedot

v 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 = =

v 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

Lisätiedot

Harjoitus 9: Optimointi I (Matlab)

Harjoitus 9: Optimointi I (Matlab) Harjoitus 9: Optimointi I (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Optimointimallin muodostaminen Optimointitehtävien

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 10 To 6.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 10 To 6.10.2011 p. 1/35 p. 1/35 Numeerinen integrointi Puolisuunnikassääntö b a f(x)dx = h 2 (f 0 + f

Lisätiedot

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5

Mat-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

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 1 Ti 6.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 1 Ti 6.9.2011 p. 1/28 p. 1/28 Numeriikan termejä Simulointi: Reaalimaailman ilmiöiden jäljitteleminen (yleensä)

Lisätiedot

Numeeriset menetelmät

Numeeriset 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

Lisätiedot

Harjoitus 9: Optimointi I (Matlab)

Harjoitus 9: Optimointi I (Matlab) Harjoitus 9: Optimointi I (Matlab) SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 Harjoituksen aiheita Optimointimallin muodostaminen Optimointitehtävien

Lisätiedot

Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä

Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä 1 MAT-1345 LAAJA MATEMATIIKKA 5 Tampereen teknillinen yliopisto Risto Silvennoinen Kevät 9 Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa

Lisätiedot

Numeeriset 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 / 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

Lisätiedot

Kaksiluokkainen tapaus, lineaarinen päätöspinta, lineaarisesti erottuvat luokat

Kaksiluokkainen tapaus, lineaarinen päätöspinta, lineaarisesti erottuvat luokat 1 Tukivektoriluokittelija Tukivektorikoneeseen (support vector machine) perustuva luoikittelija on tilastollisen koneoppimisen teoriaan perustuva lineaarinen luokittelija. Perusajatus on sovittaa kahden

Lisätiedot

1 Di erentiaaliyhtälöt

1 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

Lisätiedot

MATLAB harjoituksia RST-säädöstä (5h)

MATLAB harjoituksia RST-säädöstä (5h) Digitaalinen säätöteoria MATLAB harjoituksia RST-säädöstä (5h) Enso Ikonen Oulun yliopisto, systeemitekniikan laboratorio November 25, 2008 Harjoituskerran sisältö kertausta (15 min) Napojensijoittelu

Lisätiedot

Algoritmit 1. Luento 1 Ti Timo Männikkö

Algoritmit 1. Luento 1 Ti Timo Männikkö Algoritmit 1 Luento 1 Ti 10.1.2017 Timo Männikkö Luento 1 Algoritmi Algoritmin toteutus Ongelman ratkaiseminen Algoritmin tehokkuus Algoritmin suoritusaika Algoritmin analysointi Algoritmit 1 Kevät 2017

Lisätiedot

Talousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta

Talousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Talousmatematiikan perusteet: Luento 14 Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Viime luennolla Tarkastelimme usean muuttujan funktioiden

Lisätiedot

Luento 2: Liikkeen kuvausta

Luento 2: Liikkeen kuvausta Luento 2: Liikkeen kuvausta Suoraviivainen liike integrointi Kinematiikkaa yhdessä dimensiossa Luennon sisältö Suoraviivainen liike integrointi Kinematiikkaa yhdessä dimensiossa Liikkeen ratkaisu kiihtyvyydestä

Lisätiedot

13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y )

13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y ) MATEMATIIKAN JA TILASTOTIETEEN LAITOS Differentiaaliyhtälöt, kesä 00 Tehtävät 3-8 / Ratkaisuehdotuksia (RT).6.00 3. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: y = + y + y = + y + ( y ) (y

Lisätiedot

Epälineaarinen hinnoittelu: Diskreetin ja jatkuvan mallin vertailu

Epälineaarinen hinnoittelu: Diskreetin ja jatkuvan mallin vertailu Epälineaarinen hinnoittelu: Diskreetin ja jatkuvan mallin vertailu 11.4.2011 Ohjaaja: TkT Kimmo Berg Valvoja: Prof. Harri Ehtamo Esityksen sisältö: Hinnoittelumallien esittely Menetelmät Esimerkkitehtävän

Lisätiedot

Luento 9: Yhtälörajoitukset optimoinnissa

Luento 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

Lisätiedot

TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Mat Systeemien Identifiointi. 4. harjoitus

TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Mat Systeemien Identifiointi. 4. harjoitus TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.4129 Systeemien Identifiointi 4. harjoitus 1. a) Laske valkoisen kohinan spektraalitiheys. b) Tarkastellaan ARMA-prosessia C(q 1 )y = D(q 1 )e,

Lisätiedot

2. kierros. 2. Lähipäivä

2. kierros. 2. Lähipäivä 2. kierros 2. Lähipäivä Viikon aihe Vahvistimet, kohina, lineaarisuus Siirtofunktiot, tilaesitys Tavoitteet: tietää Yhden navan vasteen ekvivalentti kohinakaistaleveys Vastuksen terminen kohina Termit

Lisätiedot

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1 / 18

Lisätiedot

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille

Lisätiedot

Yhden muuttujan funktion minimointi

Yhden 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

Lisätiedot

Ilmailu ja nuoret. Suomen Ilmailuliitto

Ilmailu ja nuoret. Suomen Ilmailuliitto Ilmailu ja nuoret Suomen Ilmailuliitto Purjelento Purjelento on monien mielestä puhtainta ja aidointa lentämistä. Elämys on kun kone pysyy ilmassa omien taitojen avulla nostavissa ilmavirtauksissa, aurinkoenergiaa

Lisätiedot

SCI-C0200 Fysiikan ja matematiikan menetelmien studio

SCI-C0200 Fysiikan ja matematiikan menetelmien studio Harjoitus 4: Differentiaaliyhtälöt (Matlab) SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 Harjoituksen aiheita Matlab:n ode komento differentiaaliyhtöiden

Lisätiedot

MS-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. 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

Lisätiedot

MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ 18.3.2015 HYVÄN VASTAUKSEN PIIRTEITÄ

MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ 18.3.2015 HYVÄN VASTAUKSEN PIIRTEITÄ MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ 8..05 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vastausten piirteiden, sisältöjen ja pisteitysten luonnehdinta ei sido ylioppilastutkintolautakunnan arvostelua. Lopullisessa

Lisätiedot

Y (z) = z-muunnos on lineaarinen kuten Laplace-muunnoskin

Y (z) = z-muunnos on lineaarinen kuten Laplace-muunnoskin Aalto-yliopiston Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Mat-2.429 Systeemien Identifiointi 3. harjoituksen ratkaisut. Vapaan vasteen löytämiseksi asetetaan ohjaukseksi u(t)

Lisätiedot

Malliratkaisut Demot

Malliratkaisut Demot Malliratkaisut Demot 5 10.4.2017 Tehtävä 1 x 2 7 0,7 9,8 6 5 4 x 1 x 2 7 x 1 x 2 1 3 2 x 1 0 4,3 x 1 9 1 0,0 x 2 0 9,0 1 2 3 4 5 6 7 8 9 x 1 Kuva 1: Tehtävän 1 sallittu joukko S Optimointitehtävän sallittu

Lisätiedot

Mat-2.129 Systeemien identifiointi

Mat-2.129 Systeemien identifiointi Luennot: TkT, erik. op. to 16-18 U261 Harjoitukset tekn.yo Ville Koskinen pe 10-12 joko mikroluokka U352 tai U261 Kurssikirja Ljung & Glad: Modeling of Dynamic Systems, Prentice-Hall, 1994 TAI Ibid.: Modelbygge

Lisätiedot

Mat Dynaaminen optimointi, mallivastaukset, kierros 1

Mat 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

Lisätiedot

BM20A1501 Numeeriset menetelmät 1 - AIMO

BM20A1501 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

Lisätiedot

Differentiaaliyhtälöryhmän numeerinen ratkaiseminen

Differentiaaliyhtälöryhmän numeerinen ratkaiseminen numryh.nb Differentiaaliyhtälöryhmän numeerinen ratkaiseminen Ensimmäisen kertaluvun differentiaaliyhtälöryhmä vaikkapa korkeamman kertaluvun yhtälöä vastaava normaaliryhmä voidaan ratkaista numeerisesti

Lisätiedot

Harjoitus 6 ( )

Harjoitus 6 ( ) Harjoitus 6 (30.4.2014) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s.t. g(x) 0 h(x) = 0 x X (1) olevan optimointitehtävän Lagrangen duaali on max θ(u,v) s.t. u 0,

Lisätiedot

Harjoitus 7: vastausvihjeet

Harjoitus 7: vastausvihjeet Taloustieteen matemaattiset menetelmät 31C01100 Kevät 2017 Topi Hokkanen topi.hokkanen@aalto.fi Harjoitus 7: vastausvihjeet 1. (Epäyhtälörajoitteet) Olkoon f (x, y) = 6x + 4y ja g (x, y) = x 2 + y 2 2.

Lisätiedot

Osakesalkun optimointi. Anni Halkola Turun yliopisto 2016

Osakesalkun 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

Numeeriset menetelmät

Numeeriset 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

Lisätiedot

6. Differentiaaliyhtälösysteemien laadullista teoriaa.

6. 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

Lisätiedot