3 Tilayhtälöiden numeerinen integrointi

Samankaltaiset tiedostot
1 Perusteita lineaarisista differentiaaliyhtälöistä

Monte Carlo -menetelmä

Tchebycheff-menetelmä ja STEM

Epälineaaristen pienimmän neliösumman tehtävien ratkaiseminen numeerisilla optimointimenetelmillä (valmiin työn esittely)

Galerkin in menetelmä

4. A priori menetelmät

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

Numeeriset menetelmät

Johdatus tekoälyn taustalla olevaan matematiikkaan

Painotetun metriikan ja NBI menetelmä

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

BL20A0600 Sähkönsiirtotekniikka

Numeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

3. Datan käsittely lyhyt katsaus

d L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0.

5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

2. kl:n DY:t. Lause. Yleisesti yhtälöllä ẍ = f(ẋ, x, t) on (sopivin oletuksin) aina olemassa 1-käs. ratkaisu. (ẋ dx/dt, ẍ d 2 x/dt 2.

Harjoitus Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia:

3.5 Generoivat funktiot ja momentit

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

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

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

Mat Lineaarinen ohjelmointi

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon

Jaksolliset ja toistuvat suoritukset

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.

Mittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1

Satunnaismuuttujien muunnokset ja niiden jakaumat

Mat Lineaarinen ohjelmointi

FYSA220/2 (FYS222/2) VALON POLARISAATIO

6. Stokastiset prosessit (2)

VERKKOJEN MITOITUKSESTA

ABTEKNILLINEN KORKEAKOULU

y + 4y = 0 (1) λ = 0

Diskreettiaikainen dynaaminen optimointi

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

Kanoniset muunnokset

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

Osa IX. Z muunnos. Johdanto Diskreetit funktiot

Mekaniikan jatkokurssi Fys102

Johdnto Numeers rtsumenetelm ytett ess on oltv stys nden mtemttsst perustest se nden soveltuvuudest j truudest. Tetooneohjelmn on oltv vrheet n j robu

Mat Dynaaminen optimointi, mallivastaukset, kierros 5

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ

Yksikköoperaatiot ja teolliset prosessit

[xk r k ] T Q[x k r k ] + u T k Ru k. }.

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?

Funktioiden approksimointi ja interpolointi

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

Luento 11: Rajoitusehdot. Ulkopistemenetelmät

Jäykän kappaleen liike

5 Differentiaaliyhtälöryhmät

r i m i v i = L i = vakio, (2)

763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät y' P. α φ

Insinöörimatematiikka D

1, x < 0 tai x > 2a.

ER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto

PUTKIKELLON SUUNNITTELU 1 JOHDANTO 2 VÄRÄHTELEVÄN PALKIN TEORIAA. dm Q dx = (1) Matti A Ranta

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

LIITE 2 SUORAN SOVITTAMINEN HAVAINTOPISTEISIIN

Baltian Tie 2001 ratkaisuja

menetelmän laskennalliset tekniikat Epäkäyvän kantaratkaisun parantaminen

6 Variaatiolaskennan perusteet

Tietojen laskentahetki λ α per ,15 0,18 per ,15 0,18 per tai myöhempi 0,20 0,18

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

Matematiikka B3 - Avoin yliopisto

Mat Dynaaminen optimointi, mallivastaukset, kierros 1

Eräs Vaikutuskaavioiden ratkaisumenetelmä

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.

2.7.4 Numeerinen esimerkki

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

Mat Tilastollisen analyysin perusteet, kevät 2007

Numeerinen integrointi ja derivointi

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.

on määritelty tarkemmin kohdassa 2.3 ja pi kohdassa 2.2.

COULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

Matriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain

Mittaustulosten käsittely

e int) dt = 1 ( 2π 1 ) (0 ein0 ein2π

(0 desimaalia, 2 merkitsevää numeroa).

Luento 6 Luotettavuus Koherentit järjestelmät

0 Matemaattisia apuneuvoja

AB TEKNILLINEN KORKEAKOULU

Korkealämpötilakemia

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 = =

KKT: log p i v 1 + v 2 x i = 0, i = 1,...,n.

Investointimahdollisuudet ja niiden ajoitus

9. Muuttuva hiukkasluku

Insinöörimatematiikka D

Differentiaaliyhtälöiden numeerinen ratkaiseminen

x n e x dx = n( e x ) nx n 1 ( e x ) = x n e x + ni n 1 x 4 e x dx = x 4 e x +4( x 3 e x +3( x 2 e x +2( xe x e x ))) = e x

4. MARKKINOIDEN TASAPAINOTTUMINEN 4.1. Tasapainoperiaate Yritysten ja kuluttajien välinen tasapaino

Kokonaislukuoptimointi

7. Olemassaolo ja yksikäsitteisyys Galois n kunta GF(q) = F q, jossa on q alkiota, määriteltiin jäännösluokkarenkaaksi

Transkriptio:

3 Tlayhtälöden numeernen ntegront Alkuarvotehtävässä halutaan ratkasta lopputla xt f ) sten, että tlayhtälöt ẋ = fx,u, t) toteutuvat, kun alkutla x 0 on annettu Tlayhtälöden numeernen ntegront vodaan suorttaa joko yks- ta monaskelmenetelmllä Yksaskelmenetelmssä tlayhtälöt ntegrodaan askeleen h = t +1 t yl alkutlasta x xt ) x +1 = x + t+1 t ẋdt = x + t+1 Integraaln määrttämseks askel h jaetaan k:hon osaan t fx,u, t)dt τ j = t + h ρ j, 0 ρ 1... ρ k 1 Välvaheden jälkeen saadaan joukko yksaskelmenetelmä, jota kutsutaan k-vahesks Runge-Kutta menetelmks ja joden globaal vrhe Oh p ). Määrtellään f fxt ),ut ), t ) sekä u +1 ut + h /). Eulern menetelmä eksplsttnen, k = 1, p = 1) x +1 = x + h f Hermte-Smpson menetelmä mplsttnen, k = 3, p = 4) x +1 = 1 x + x +1 ) + h 8 f f +1 ) f +1 = f x +1,u +1, t + h ) x +1 = x + h 6 f + 4f +1 + f +1 ) Puolsuunnkasmenetelmä mplsttnen, k =, p = ) x +1 = x + h f + f +1 ) Klassnen Runge-Kutta menetelmä eksplsttnen, k = 4, p = 4) k 1 = h fx,u, t ) k = h f x + 1 k 1,u +1, t + h ) k 3 = h f x + 1 k,u +1, t + h ) k 4 = h fx + k 3,u +1, t +1 ) x +1 = x + 1 6 k 1 + k + k 3 + k 4 ) 7

Eksplsttsten menetelmen etu on, että x +1 saadaan laskettua suoraan x :n sekä ohjausten funktona Eksplsttset menetelmät vovat olla tosaalta epästableja Dfferentaalyhtälön ẋ = 1000x Eulern dskretont x k+1 = x k 1000hx k x k = 1 1000h) k x 0 Jotta numeernen ratkasu konvergos tarkkaan ratkasuun xt) = e 1000t x 0 0, vaadtaan 1 1000h < 1, el h 1/500 Implsttsssä menetelmssä rppuvuus x +1 :stä on usen epälneaarnen Esmerkks mplsttsessä Eulern menetelmässä vaadtaan epälneaarsen yhtälön ratkasemsta ζ x +1 x + h fx +1,u +1, t +1 ) = 0 Yhtälön ratkasemseks vaadttava teraatota kutsutaan korjausteraatoks, kun taas alkuyrte tuotetaan ns. ennustusaskeleella Implsttset menetelmät ovat stableja Em. dfferentaalyhtälölle mplsttnen Eulern dskretont x k+1 = x k 1000hx k+1 x k = 1 + 1000h) k x 0, joten menetelmä on stabl x 0 kaklla h > 0) 1 h = 1/650 0.8 Implsttnen Euler 0.6 0.4 Tarkka ratkasu 0. 0 0. 0.4 Eksplsttnen Euler 0.6 0 0.005 0.005 0.0075 0.01 8

Monaskelmenetelmen ylenen muoto k 1 x +k = α j x +j + h j=0 k β j f +j mssä α j ja β j ovat tunnettuja vakota. Jos β k = 0, menetelmä on eksplsttnen, muuten mplsttnen. Adamsn menetelmssä tlayhtälötä ft) approksmodaan nterpolantella pstessä {x q t ), f q t )) = l k + 1,..., l; q = 1,..., n} Lsävaatmuksa yksaskelmenetelmn nähden Monaskelmenetelmä vaat tetoa k 1 edeltävästä psteestä, joten menetelmä täytyy alustaa esm. jollan yksaskelmenetelmällä Monaskelmenetelmässä oletetaan, että askelptuus h on vako: tarkkuus? j=0 9

4 Johdanto kollokaatomenetelmn 4.1 Funktonaalyhtälöden ratkasemnen Olk. y : A R n, A R m, merktään y:n argumentta t:llä yt). Ratkastavana on funktonaalyhtälö Fy) = 0, mssä y kuuluu funktoavaruuteen Y 1 ja Fy) funktoavaruuteen Y. Esm. 1. Kun halutaan ratkasta dfferentaalyhtälösysteem ẋ = fx, t) kaklla t [t 1, t ], nn Fx)t) = ẋt) fx, t). Esm.. Ratkastaan arvofunktota knntetyllä ohjaukslla V x) Bellmann yhtälössä. Tällön FV )x) = V x) [gx, u)+deltav fx, u))]. Tämä on osaongelma Bellmann yhtälön numeersessa ratkasemsessa ns. poltkkateraatolla. Muodostetaan y:lle approksmaato kantafunktoden φ : A R n, = 1,..., k, avulla: ỹt) = c φ t). Tavotteena on löytää sellanen ỹ, joka ratkasee yhtälön Fy) = 0 mahdollsmman tarkast. Ss haetaan parametreja c. Arvodaan sovtuksen hyvyyttä käyttämällä krteernä resduaalfunktota Rt; c) = Fỹ)t), mssä c = c 1,...,c k ). Kollokaatomenetelmässä haetaan c sten että Rt; c) = 0 toteutuu mahdollsmman hyvn elle tarkast) valtussa kollokaatopstessä t 1,...,t p. Kollokaatomenetelmää käytettäyessä tulee 1. valta sopvat kantafunktot,. kollokaatopsteet ja 3. menetelmä c:n ratkasemseks. 1. Kantafunktoden valnta Kantafunktoden on oltava rttävän joustava tehtävän tarpesn. Funktomuodon oltava meluten sellanen, että tulokset ovat hyvä penellä määrällä kantafunktota. Kun approksmotava muuttuja on yksdmensonen, nn usen hyvä valnta on nk. Chebyshevn polynomt.. Kollokaatopsteden valnta Yksdmensosessa tapauksessa ns. Cheebyshevn kollokaatopsteet ovat usen hyvä valnta. 3. Menetelmä parametren ratkasemseks Kun kollokaatopstetä on sama määrä kun kantafunktota, vodaan kertomet c ratkasta kollokaatoehdosta syntyvästä yhtälöryhmästä. Kun kantafunktota on vähemmän kun kollokaatopstetä, vodaan c ratkasta esm. penmmän nelösumman menetelmällä. 4. Tlamuuttujan approksmont polynomella Approksmodaan tlayhtälöden ẋ = fx, t) ratkasua välllä [t 1, t ] astetta p olevalla polynomlla kantafunktot polynomeja) xt) = c 0 + c 1 t t 1 ) + c t t 1 ) + + c k t t 1 ) p, 10

mssä c R n ja n on xt):n dmenso. Resduaalfunto on ss Rτ; c) = d x τ) f[ xτ), τ]. dt Vaadtaan, että Rτ j ; c) = 0 toteuttuu kollokaatopstessä τ j t 1, t ), j = 1,...,k kollokaatoehdot). Lsäks vaadtaan, että xt ) x = 0. Lobatton menetelmssä väln pääte- ja ssäpsteet kollokaatopstetä Gaussn menetelmssä van ssäpsteet kollokaatopstetä Radaun menetelmssä van tonen päätepste on kollokaatopste Runge-Kutta menetelmstä puolsuunnkasmenetelmä ja Hermte-Smpson ovat Lobatton menetelmä Puolsuunnkas: p =, kollokaato alku- ja loppupsteessä Hermte-Smpson: p = 3, kollokaato alku-, kesk- ja loppupsteessä 11