4.5 Metodo del gradiente
|
|
- Fabia Mattioli
- 4 anni fa
- Visualizzazioni
Transcript
1 4.5 Metodo del gradiente Si cerca un punto stazionario di f : R n R con f C 1. Metodo del gradiente con ricerca 1-D esatta: Scegliere x 0, porre k := 0 Iterazione: d k := f(x k ) Determinare α k > 0 tale che min α 0 φ(α) = f(x k +αd k ) x k+1 := x k +α k d k k := k +1 Criteri di arresto: f(x k ) < ε o f(x k ) f(x k+1 ) < ε o x k+1 x k < ε. Proprietà: Se ricerca 1-D esatta, le direzioni successive sono ortogonali. Poiché α k tale che min α 0 φ(α) = f(x k +αd k ), φ (α k ) = t f(x k +α k d k )d k = t f(x k+1 )d k = 0. e quindi d t k+1 d k = t f(x k+1 )d k = 0. Edoardo Amaldi (PoliMI) Ottimizzazione A.A / 12
2 Esempio: traiettoria a zig zag, convergenza molto lenta Consideriamo prima le proprietà di convergenza per le funzioni quadratiche strettamente convesse. Caso importante perché qualsiasi funzione C 2 può essere bene approssimata intorno ad un minimo locale/globale da una funzione quadratica. Edoardo Amaldi (PoliMI) Ottimizzazione A.A / 12
3 Funzioni quadratiche strettamente convesse: con Q simmetrica e definita positiva. f(x) = 1 2 xt Qx b t x Minimo globale è l unica soluzione di f(x) = Qx b = 0 (quindi di Qx = b) e α k può essere determinato esplicitamente: φ(α) = f(x k α f(x k )) = 1 2 (x k α f(x k ))t Q(x k α f(x k )) b t (x k α f(x k )) φ (α) = t f(x k )Q(x k α f(x k ))+b t f(x k ) = 0 Visto che t xf(x k ) = x t k Q bt implica b t = t f(x k )+x t k Q quindi e in termini di d k : t f(x k )Qx k +α t f(x k )Q f(x k )+( t f(x k )+x t k Q) f(x k ) = 0 α k = t f(x k ) f(x k ) t f(x k )Q f(x k ) α k = dt k d k d t k Qd. k Edoardo Amaldi (PoliMI) Ottimizzazione A.A / 12
4 Rapidità di convergenza Spesso si considera la rapidità di convergenza con la quale f(x k ) f(x ) invece di x k x 0 quando k. Proposizione: Se H(x ) definita positiva, x k converge (super)linearmente ad x rispetto a f(x k ) f(x ) se e solo se converge nello stesso modo rispetto a x k x. Infatti, vicino a x f(x) f(x )+ 1 2 (x x ) t H(x )(x x ) e intorno N(x ) tale che λ 1 x x 2 f(x) f(x ) λ n x x 2 x N(x ) con λ 1 = λ 1 ε > 0 e λ n = λ n +ε, dove ε > 0 e 0 < λ 1... λ n sono gli autovalori di H(x ). N.B.: In generale non esiste un equivalenza (e.g. funzioni non ovunque C 1 ) ma vale per funzioni quadratiche strettamente convesse. Edoardo Amaldi (PoliMI) Ottimizzazione A.A / 12
5 Funzioni quadratiche strettamente convesse: Sia f(x) = 1 2 xt Qx b t x e la norma pesata x 2 Q := x t Qx. Poiché Qx = b, 1 2 x x 2 Q = 1 2 (x x ) t Q(x x ) = 1 2 xt Qx x t Qx x t Qx = f(x) f(x ) Teorema: Se il metodo del gradiente con ottimizzazione 1-D esatta viene applicato ad f C 2 quadratica strettamente convessa, {x k } x per qualsiasi x 0 e x k+1 x 2 λn λ1 Q ( ) 2 x λ n +λ k x 2 Q 1 dove 0 < λ 1... λ n sono gli autovalori di Q. Dim.: Risultato di convergenza globale (Zoutendijk) + Si applica la disuguaglianza di Kantorovich: Se Q definita positiva (con λ 1 e λ n minimo e massimo autovalore), per ogni x 0 si ha (x t x) 2 (x t Qx)(x t Q 1 x) 4λnλ1 (λ n +λ 1) 2. Se λ 1 = λ n (Q = γi e curve di livello = cerchi), metodo converge in una iterazione. Aikake ha mostrato che questo limite superiore è raggiunto per certe scelte di x 0. Edoardo Amaldi (PoliMI) Ottimizzazione A.A / 12
6 Il tasso di convergenza dipende dal numero di condizionamento κ = λn λ 1 di Q: λn λ1 r = ( ) = ( κ 1 λ n +λ 1 κ+1 ) r è tanto più piccolo quanto κ è vicino ad 1; se lo spettro di Q è molto ampio allora κ 1 e r 1. Funzioni non lineari generiche: Teorema: Se f C 2 e metodo del gradiente con ricerca 1-D esatta converge a x con H(x ) definita positiva, allora f(x k+1 ) f(x λn λ1 ) ( ) 2 [f(x λ n +λ k ) f(x )] 1 dove 0 < λ 1... λ n sono gli autovalori di H(x ). In genere non ci si può aspettare convergenza migliore con ricerca 1-D inesatta. Determinare α k che minimizza φ(α) può non essere la scelta migliore, bisognerebbe cercare di estrarre informazioni del 2 o ordine su f(x). Esempio: per f quadratica strettamente convessa, α k = 1/λ k+1 porta a x in al più n passi! Edoardo Amaldi (PoliMI) Ottimizzazione A.A / 12
7 4.6 Metodo di Newton Siano f C 2 e H(x) = 2 f(x). Consideriamo l approssimazione quadratica intorno a x k : q k (x) := f(x k )+ t f(x k )(x x k )+ 1 2 (x x k )t H(x k )(x x k ) e scegliamo come x k+1 un suo punto stazionario ( xq k (x) = 0), ovvero tale che f(x k )+H(x k )(x k+1 x k ) = 0. Se H(x k ) non singolare, H 1 (x k ) esiste e x k+1 := x k H 1 (x k ) f(x k ). Se H(x k ) è definita positiva, allora f C 2 implica H 1 (x) definita positiva su N(x k ) e l iterazione è ben-definita in N(x k ), altrimenti direzione potrebbe non essere di discesa. Nel metodo di Newton puro α k = 1 per ogni k. Se f è una funzione quadratica strettamente convessa, il minimo globale si trova in un unica iterazione. Edoardo Amaldi (PoliMI) Ottimizzazione A.A / 12
8 Proprietà: Metodo invariante rispetto a cambio di coordinate affine non singolare (esercizio 6.5) Osservazione: Per funzioni generiche convergenza locale molto rapida, ma non globale! Esempio: min x R f(x) = exp( x 2 ) con minimo globale x = 0 e f (x) = 2x exp( x 2 ) f(x) x f (x) x 0 x 2 x x 0 x 1 x 2... x Se 0.2 x 0 0.2, {x k } k N converge a x = 0. Se x 0 > 1, {x k } k N diverge. Edoardo Amaldi (PoliMI) Ottimizzazione A.A / 12
9 Interpretazione alternativa del metodo di Newton (caso 1-D): f(x) C 2 e si cerca x tale che f (x) = 0. Metodo delle tangenti (Newton-Raphson) per determinare gli zeri di una funzione: All iterazione k, f (x) approssimata con la tangente in x k z = f (x k )+f (x k )(x x k ) x k+1 corrisponde all intersezione con asse di x: x k+1 = x k f (x k ) f (x k ). Caso n-d: Si determina un punto stazionario di f risolvendo il sistema non lineare f(x) = 0 mediante il metodo di Newton-Raphson. Edoardo Amaldi (PoliMI) Ottimizzazione A.A / 12
10 Teorema: Supponiamo f C 2 e x tale che f(x ) = 0 e H(x ) definita positiva e H(x) H(y) L x y x,y N(x ) allora, per x 0 sufficientemente vicino al minimo locale x, i) {x k } x con rapidità di convergenza quadratica, ii) { f(x k ) } 0 quando k quadraticamente. Svantaggi: Se H(x k ) è singolare il passo non è ben-definito. Se H 1 (x k ) non è definita positiva, la direzione di Newton può non essere di discesa per f. Anche se la direzione è di discesa il passo α k = 1 potrebbe aumentare il valore di f. Calcolo di H 1 (x k ) ad ogni iterazione ( complessità O(n 3 ) ). Convergenza solo locale: se x 0 non è abbastanza vicino al minimo locale la successione {x k } può non convergere. Poiché il metodo converge a partire da un intorno di un qualsiasi punto stazionario in cui 2 f(x k ) non è singolare, può convergere verso massimi locali. Edoardo Amaldi (PoliMI) Ottimizzazione A.A / 12
11 Modifiche del metodo di Newton 1) Se il passo α k = 1 non soddisfa le condizione di Wolfe (o alternative), si effettua una ricerca unidimensionale approssimata. 2) Per garantire la convergenza globale, si può modificare la direzione di Newton considerando d k = D k f(x k ) con una matrice D k diversa da [ 2 f(x k )] 1. Se D k è simmetrica e definita positiva, d k è una direzione di discesa. Compromesso tra direzioni di massima discesa e di Newton: D k := (ε k I + 2 f(x k )) 1 dove ε k > 0 sono i più piccoli valori tali che gli autovalori di (ε k I + 2 f(x k )) siano δ > 0. Esiste sempre un ε k che rende D k definita positiva. Coincide con metodo puro di Newton quando ci si avvicina ad un minimo locale. Edoardo Amaldi (PoliMI) Ottimizzazione A.A / 12
12 3) Metodi a passi ristretti ( trust region methods ) Idea: La direzione d k e il passo α k vengono determinati contemporaneamente minimizzando l approssimazione quadratica q k (x) intorno a x k corrente su una regione di confidenza ( trust region ) in cui q k (x) fornisce una buona approssimazione di f(x). Esempio di regione di confidenza: palla di raggio k > 0. Illustrazione: In genere il sottoproblema (per determinare d k e α k ) può essere risolto in forma chiusa o richiede un onere computazionale ridotto. La dimensione della regione di confidenza (e.g., k se palla) viene variata in modo adattativo in base ad una stima della qualità dell approssimazione quadratica sulla regione corrente. Edoardo Amaldi (PoliMI) Ottimizzazione A.A / 12
Capitolo 3: Ottimizzazione non vincolata parte III. E. Amaldi DEI, Politecnico di Milano
Capitolo 3: Ottimizzazione non vincolata parte III E. Amaldi DEI, Politecnico di Milano 3.4 Metodi di ricerca unidimensionale In genere si cerca una soluzione approssimata α k di min g(α) = f(x k +αd k
DettagliCapitolo 3: Ottimizzazione non vincolata parte II. E. Amaldi DEI, Politecnico di Milano
Capitolo 3: Ottimizzazione non vincolata parte II E. Amaldi DEI, Politecnico di Milano 3.3 Metodi basati su direzioni di ricerca Problema di ottimizzazione non vincolata: min x R n f(x) con f : R n R di
Dettagli5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate
5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate Consideriamo il generico problema di PNL min f (x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n dove f e le c i sono di classe
Dettagli4.8 Metodi quasi-newton
4.8 Metodi quasi-newton Varianti del metodo di Newton in cui invece di usare/invertire la matrice Hessiana di f (x) si estraggono informazioni relative alle derivate seconde dalle variazioni di f (x).
Dettagli5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate. min f(x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n
5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate Consideriamo il generico problema di PNL min f(x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n dove f e le c i sono di classe
Dettagli3.7 Metodi quasi-newton
3.7 Metodi quasi-newton Varianti del metodo di Newton in cui invece di usare/invertire la matrice Hessiana di f si estraggono informazioni relative alle derivate seconde dalle variazioni di f. Si genera
Dettagli5.5 Programmazione quadratica (PQ)
5.5 Programmazione quadratica (PQ Minimizzare una funzione quadratica soggetta a vincoli lineari: 1 min x t Qx + c t x 2 s.v. a t i x b i i D (P a t i x = b i i U x R n dove Q matrice n n, D e U sono gli
Dettagli(a) Si proponga una formulazione di programmazione nonlineare a variabili misto-intere per problema.
6. Clustering In molti campi applicativi si presenta il problema del data mining, che consiste nel suddividere un insieme di dati in gruppi e di assegnare un centro a ciascun gruppo. Ad esempio, in ambito
DettagliProblema. Equazioni non lineari. Metodo grafico. Teorema. Cercare la soluzione di
Problema Cercare la soluzione di Equazioni non lineari dove Se è soluzione dell equazione, cioè allora si dice RADICE o ZERO della funzione Metodo grafico Graficamente si tratta di individuare l intersezione
Dettagli2. Metodi di discesa
2. Metodi di discesa Analisi Numerica - A.A. 2018/2019 25 Settembre 2018 (ANUM - A.A. 2018/19) 2. Metodi di discesa 25 Settembre 2018 0 / 58 Generalità sugli algoritmi Generalità Tutti gli algoritmi per
DettagliMetodi di Ricerca Lineare
Metodi di Ricerca Lineare Stefano Gualandi Università di Pavia, Dipartimento di Matematica email: twitter: blog: stefano.gualandi@unipv.it @famo2spaghi http://stegua.github.com Metodi di Ottimizzazione
DettagliProgr. Non Lineare: algoritmi
Progr. Non Lineare: algoritmi Fabio Schoen schoen@ing.unifi.it http://globopt.dsi.unifi.it/users/schoen A.A. 22-23 Programmazione Non Lineare: Cenni sugli algoritmi di ottimizzazione locale Schema generale
DettagliCenni sui metodi iterativi per sistemi lineari. Analisi Numerica Prof. M. Lucia Sampoli a.a. 2014/2015
Cenni sui metodi iterativi per sistemi lineari Analisi Numerica Prof. M. Lucia Sampoli a.a. 2014/2015 Metodi numerici per sistemi lineari Nei metodi diretti la presenza di eventuali elementi nulli nella
Dettagli9 Generalità sugli algoritmi di ottimizzazione
9 Generalità sugli algoritmi di ottimizzazione I problemi di ottimizzazione che si presentano nella pratica sono di solito così complessi che non è possibile determinarne una soluzione per via analitica.
DettagliMetodi di Iterazione Funzionale
Appunti di Matematica Computazionale Lezione Metodi di Iterazione Funzionale Il problema di calcolare il valore per cui F() = si può sempre trasformare in quello di trovare il punto fisso di una funzione
DettagliCapitolo 4: Ottimizzazione non lineare non vincolata
Capitolo 4: Ottimizzazione non lineare non vincolata Edoardo Amaldi DEIB Politecnico di Milano edoardo.amaldi@polimi.it Sito web: http://home.deib.polimi.it/amaldi/ott-13-14.shtml A.A. 2013-14 Edoardo
DettagliEquazioni non lineari: esempi. Risoluzione f (x) = 0 con x [a,b] R, f C([a,b]).
Equazioni non lineari: esempi. Risoluzione f (x) = 0 con x [a,b] R, f C([a,b]). Equazioni non lineari: esempi. Risoluzione f (x) = 0 con x [a,b] R, f C([a,b]). Esempio 1: equazioni polinomiali p N (x)
DettagliLaboratorio di Calcolo Numerico
Laboratorio di Calcolo Numerico M.R. Russo Università degli Studi di Padova Dipartimento di Matematica Pura ed Applicata A.A. 2009/2010 Equazioni non lineari Data una funzione consideriamo il problema
DettagliEquazioni e sistemi non lineari
Equazioni e sistemi non lineari Lucia Gastaldi DICATAM - Sezione di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Ricerca degli zeri di una funzione Problema e definizioni Metodo di Newton-Raphson
DettagliClaudio Estatico Equazioni non-lineari
Claudio Estatico (claudio.estatico@uninsubria.it) Equazioni non-lineari 1 Equazioni non-lineari 1) Equazioni non-lineari e metodi iterativi. 2) Metodo di bisezione, metodo regula-falsi. 3) Metodo di Newton.
DettagliMetodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2013-2014) Metodi Numerici Appunti delle lezioni: Sistemi non lineari Docente Vittoria Bruni Email: vittoria.bruni@sbai.uniroma1.it Ufficio: Via A.
DettagliEquazioni e sistemi non lineari
Equazioni e sistemi non lineari Lucia Gastaldi DICATAM - Sezione di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Ricerca degli zeri di una funzione Problema e definizioni Metodo di Newton-Raphson
DettagliCapitolo 2: Preliminari ed elementi di analisi convessa. E. Amaldi DEIB, Politecnico di Milano
Capitolo 2: Preliminari ed elementi di analisi convessa E. Amaldi DEIB, Politecnico di Milano 2.1 Concetti di base In R n con norma euclidea x S R n è un punto interno di S se ε > 0 tale che B ε (x) =
DettagliIl metodo del gradiente coniugato
Il metodo del gradiente coniugato Il metodo del gradiente puó avere un comportamento di tipo zig-zag. Nel metodo del gradiente r (k)t r (k+1) = 0 Il metodo del gradiente coniugato sceglie le direzioni
DettagliESAME di OTTIMIZZAZIONE - Compito A Corso di Laurea in Ingegneria Gestionale 2 o anno
ESAME di OTTIMIZZAZIONE 7 aprile 006 ESAME di OTTIMIZZAZIONE - Compito A Corso di Laurea in Ingegneria Gestionale o anno Cognome : Nome : VALUTAZIONE Per gli esercizi,,3,4: ogni risposta CORRETTA vale
DettagliCorso di Analisi Numerica
Corso di Laurea in Ingegneria Informatica Corso di 2 - EQUAZIONI NON LINEARI Lucio Demeio Dipartimento di Scienze Matematiche 1 Elementi introduttivi 2 3 4 Introduzione Problema: trovare le soluzioni di
DettagliUNIVERSITÀ DEGLI STUDI DI GENOVA
UNIVERSITÀ DEGLI STUDI DI GENOVA Corso di Laurea Specialistica in Ingegneria Gestionale Corso di Ricerca Operativa 2 (CD) codice 60204 A.A. 2011/2012 Docente: Mauro Gaggero PROGRAMMA DEL CORSO 1. Introduzione
Dettagli4.4 Programmazione quadratica
4.4 Programmazione quadratica Minimizzare una funzione quadratica soggetta a vincoli lineari: min 1 2 xt Qx + c t x s.v. a t i x b i i D (P) a t i x = b i i U x R n dove Q matrice n n, D e U sono gli insiemi
DettagliMetodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2018-2019) Metodi Numerici Appunti delle lezioni: Sistemi non lineari Docente Vittoria Bruni Email: vittoria.bruni@sbai.uniroma1.it Ufficio: Via A.
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 2 - EQUAZIONI NON LINEARI Introduzione Problema: trovare le soluzioni di un equazione del tipo f() = 0 Esempio sin a = 0 e = 3 1.0 2.0 0.5
DettagliCalcolo Numerico con elementi di programmazione
Calcolo Numerico con elementi di programmazione (A.A. 2014-2015) Appunti delle lezioni sui metodi per la soluzione di sistemi di equazioni non lineari Sistemi di equazioni non lineari Un sistema di equazioni
DettagliMetodi Numerici per l Approssimazione degli Zeri di una Funzione
Metodi Numerici per l Approssimazione degli Zeri di una Funzione Luca Gemignani luca.gemignani@unipi.it 29 marzo 2018 Indice Lezione 1: Il Metodo di Bisezione. 1 Lezione 2: Metodi di Iterazione Funzionale.
DettagliMetodi numerici per zeri di funzioni
CALCOLO NUMERICO Francesca Mazzia Dipartimento Interuniversitario di Matematica Università di Bari Metodi numerici per zeri di funzioni 1 Metodo delle successive bisezioni Se f(x) C([a, b]) ed f(a) f(b)
DettagliMetodi per il calcolo degli zeri di funzioni non lineari
Metodi per il calcolo degli zeri di funzioni non lineari N. Del Buono 1 Introduzione Le radici di un equazione non lineare f(x) = 0 non possono, in generale, essere espresse esplicitamente e anche quando
DettagliLa determinazione delle radici in forma chiusa non è sempre possibile (già per polinomi di ordine 5 non è generalmente possibile).
SOLUZIONE DI EQUAZIONI NON-LINEARI Molti problemi sono espressi nella forma f(x) = 0 con f(x) funzione non lineare (es. log(x 2 + a) + b cos x = 0, x 5 + ax 3 + b = 0) La determinazione delle radici in
DettagliOttimizzazione numerica
Funzioni univariate 28 Ottobre 2010 Funzioni univariate Outline 1 Funzioni univariate 2 optim Funzioni univariate I metodi di ottimizzazione consentono di trovare i punti estremanti (massimi, minimi) di
DettagliLEZIONE ICO
LEZIONE ICO 9-10-2009 Argomento. Rassegna dei metodi numerici utilizzabili per la soluzione di problemi di ottimizzazione statica. Metodi del gradiente e di Newton e loro derivati. Metodi di penalita e
DettagliMetodi Numerici Prova di Laboratorio Esami del Stefano Gualandi
Metodi Numerici Prova di Laboratorio Esami del 2018 Stefano Gualandi October 11, 2018 ii Premessa Questo documento presenta la raccolta dei testi di esame degli appelli del corso di Metodi Numerici, Prova
DettagliMetodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2013-2014) Metodi Numerici Appunti delle lezioni: Equazioni non lineari Metodi di linearizzazione Docente Vittoria Bruni Email: vittoria.bruni@sbai.uniroma1.it
DettagliDaniela Lera A.A
Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2016-2017 Problemi non lineari Definizione f : R R F : R n R m f (x) = 0 F(x) = 0 In generale si determina
DettagliCalcolo Numerico Laurea di base in Ingegneria Elettronica e delle Telecomunicazioni
Calcolo Numerico Laurea di base in Ingegneria Elettronica e delle Telecomunicazioni Prof.ssa L. Pezza (A.A. 2017-2018) IV Lezione del 13.03.2018 http://www.dmmm.uniroma1.it/ laura.pezza 1 Equazioni non
DettagliMetodi iterativi SISTEMI LINEARI. Metodi Iterativi. Metodo di rilassamento successivo e metodi del gradiente
Metodi iterativi Metodo di rilassamento successivo e metodi del gradiente Metodi iterativi Metodi iterativi 1 Il metodo di rilassamento successivo Condizioni per la convergenza 2 Metodi del Metodo della
DettagliAnalisi cinematica di meccanismi articolati
Analisi cinematica di meccanismi articolati metodo dei numeri complessi rev 10 1 Il quadrilatero articolato b β a c α d γ Posizione a + b = c + d a e iα + b e iβ = c e iγ + d a cos α + b cos β = c cos
DettagliCorso di Geometria e Algebra Lineare - Sezione di Metodi Numerici
Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici C. Vergara 2. Determinazione numerica degli zeri di una funzione Si consideri il seguente problema: Data f : [a, b] R, determinare i valori
DettagliNote sulle funzioni convesse/concave
Note sulle funzioni convesse/concave 4th December 2008 1 Definizioni e proprietà delle funzioni convesse/concave. Definizione 1.1 Un insieme A IR n è detto convesso se per ogni x 1 e x 2 punti di A, il
DettagliRisoluzione di sistemi lineari sparsi e di grandi dimensioni
Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica
DettagliAlgoritmi del gradiente e del gradiente coniugato per la risoluzione di sistemi lineari
Sommario Algoritmi del gradiente e del gradiente coniugato per la risoluzione di sistemi lineari Gabriele Basile Fabio Chiodo Dipartimento di Matematica e Informatica Università di Catania Seminario di
DettagliCorso di Robotica 1 Cinematica inversa
Corso di Robotica 1 Cinematica inversa Prof. Alessandro De Luca Robotica 1 1 Problema cinematico inverso data una posa (posizione + orientamento) dell end-effector determinare l insieme di valori delle
DettagliIl Metodo di Newton, o delle Tangenti Federico Lastaria, Analisi e Geometria 1. Politecnico di Milano Corso di Analisi e Geometria 1
Politecnico di Milano Corso di Analisi e Geometria 1 Federico Lastaria federico.lastaria@polimi.it Il Metodo di Newton, o delle Tangenti 6 Novembre 2016 Indice 1 Metodo di Newton, o delle tangenti 2 1.1
DettagliFacoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A
Facoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A. 4-5 Corso di CALCOLO NUMERICO / ANALISI NUMERICA : Esempi di esercizi svolti in aula 9//4 ) Determinare la rappresentazione in base di.
DettagliCapitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano
Capitolo 4: Ottimizzazione non lineare non vincolata parte II E. Amaldi DEIB, Politecnico di Milano 4.3 Algoritmi iterativi e convergenza Programma non lineare (PNL): min f(x) s.v. g i (x) 0 1 i m x S
DettagliLa miglior approssimazione esiste se le funzioni descrivono un chiuso
NON SMOOTH Funzione non C 1 tipico esempio massimo numero finito funzioni Φ(x) = max { f i (x), i I, f i C 1 } e anche massimo(sup) puntuale Φ(x) = sup { f t (x), t I, f t C 1 } Esempi a) Max numero finito
DettagliTEMI D ESAME DI ANALISI MATEMATICA I
TEMI D ESAME DI ANALISI MATEMATICA I Corso di laurea quadriennale) in Fisica a.a. 003/04 Prova scritta del 3 aprile 003 ] Siano a, c parametri reali. Studiare l esistenza e, in caso affermativo, calcolare
Dettaglidata una funzione f, non lineare calcolare le soluzioni dell equazione f(x) = 0 in un intervallo [a,b]
RISOLUZIONE NUMERICA DI EQUAZIONI NON LINEARI PROBLEMA: data una funzione f, non lineare calcolare le soluzioni dell equazione f() = 0 in un intervallo [a,b] 1 f ( ) = log( ) +, (0,10) ξ Esiste una sola
DettagliGli argomenti denotati con un asterisco tra parentesi (e solo quelli) sono stati dimostrati.
Corso di laurea: Fisica ed Astronomia Programma di Analisi Matematica 2 a.a. 2017/18 Docente: Fabio Paronetto Gli argomenti denotati con un asterisco tra parentesi (e solo quelli) sono stati dimostrati.
DettagliCalcolo Numerico con elementi di programmazione
Calcolo Numerico con elementi di programmazione (A.A. 2014-2015) Appunti delle lezioni sui metodi numerici per la soluzione di sistemi lineari Metodi Iterativi la soluzione si ottiene tramite approssimazioni
DettagliOttimizzazione Non Vincolata
Capitolo 3 Ottimizzazione Non Vincolata In questo capitolo ci concentreremo sui problemi di programmazione non vincolata. Nella prima parte introdurremo delle condizioni che ci permettono di caratterizzare
DettagliProblemi di ottimizzazione non vincolata
Capitolo 6 Problemi di ottimizzazione non vincolata 6. Introduzione Con riferimento al problema di ottimizzazione min x R n f(x), iniziamo in questo capitolo lo studio delle condizioni di ottimalità. Nei
Dettagli5.5.6 Convergenza del metodo del simplesso
5.5.6 Convergenza del metodo del simplesso Per concludere l analisi del metodo del simplesso, vogliamo ora mostrare che, sotto opportune ipotesi, il numero di iterazioni è finito, ovvero che, in un numero
DettagliEquazioni e sistemi non lineari
Equazioni e sistemi non lineari Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 4 novembre 2007 Outline 1 Ricerca degli zeri di una funzione Problema e definizioni Metodo di
Dettagli8 Metodi iterativi per la risoluzione di sistemi lineari
8 Metodi iterativi per la risoluzione di sistemi lineari È dato il sistema lineare Ax = b con A R n n e x, b R n, con deta 0 Si vogliono individuare dei metodi per determinarne su calcolatore la soluzione,
DettagliSQP (Sequential Quadratic Programming ) La soluzione del problema min f o (x) g i (x) = 0, i I
SQP (Sequential Quadratic Programming ) La soluzione del problema min f o (x) g i (x) = 0, i I e caratterizzata dalle condizioni f o (x) + i I μ i g i (x) = 0 e dall ammissibilita ( g i (x) = 0, i I )
Dettaglidati due vettori di lunghezza, rispettivamente, a, b e l angolo α tra essi, la loro distanza euclidea al quadrato è pari a: a 2 +b 2 2abcos(α).
7.1 Il poligono più grande Formulare in termini di programmazione matematica il seguente problema: fissato un intero n, trovare il poligono di n lati (n-gono) con diametro (massima distanza tra due vertici)
DettagliCorso di Matematica per la Chimica. Dott.ssa Maria Carmela De Bonis a.a
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Risoluzione di Equazioni non lineari Sia F C 0 ([a, b]), cioé F è una funzione continua in un intervallo [a, b] R, tale che F(a)F(b) < 0 1.5 1 F(b) 0.5 0 a
DettagliGeometria A. Università degli Studi di Trento Corso di laurea in Matematica A.A. 2017/ Febbraio 2018 Appello di Febbraio
Geometria A Università degli Studi di Trento Corso di laurea in Matematica A.A. 27/28 Febbraio 28 Appello di Febbraio Il tempo per la prova è di 3 ore. Durante la prova non è permesso l uso di appunti
DettagliCOMPLEMENTI DI RICERCA OPERATIVA
Corsi di Laurea in Ingegneria dell Automazione, Informatica, Matematica e Telecomunicazioni COMPLEMENTI DI RICERCA OPERATIVA Edoardo Amaldi DEI - Politecnico di Milano amaldi@elet.polimi.it Sito web: http://home.dei.polimi.it/amaldi/cro-09.shtml
DettagliGli argomenti denotati con un asterisco tra parentesi (e solo quelli) sono stati dimostrati.
Corso di laurea: Fisica ed Astronomia Programma di Analisi Matematica 2 a.a. 2016/17 Docente: Fabio Paronetto Gli argomenti denotati con un asterisco tra parentesi (e solo quelli) sono stati dimostrati.
DettagliUniversità degli Studi di Roma La Sapienza
Università degli Studi di Roma La Sapienza Dipartimento di Informatica e Sistemistica A. Ruberti Note per il corso di OTTIMIZZAZIONE (n.o.) Ottimizzazione non vincolata a cura di L. Palagi PRIMA BOZZA,
DettagliDaniela Lera A.A
Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2014-2015 Metodi per similitudine Matrici simili hanno gli stessi autovalori. Consideriamo trasformazioni per
DettagliUniversità di Foggia - Facoltà di Economia. Prova scritta di Matematica Generale - Vecchio Ordinamento - 04 giugno 2002
Università di Foggia - Facoltà di Economia Prova scritta di Matematica Generale - Vecchio Ordinamento - 04 giugno 00 Cognome e nome............................................ Numero di matricola...........
DettagliMetodi iterativi per sistemi lineari
Metodi iterativi per sistemi lineari Mirano a costruire la soluzione x di un sistema lineare come limite di una successione di vettori Per matrici piene di ordine n il costo computazionale è dell ordine
DettagliProva scritta di Geometria - 16 Gennaio 2019
Prova scritta di Geometria - 16 Gennaio 2019 COGNOME e NOME(stampatello): 1. Supponiamo di sapere che l invariante cubico di una conica è A 24, quello quadratico è α 00 3, e quello lineare è I 4. (a) Classificare
DettagliMetodi per la ricerca degli zeri
Chapter 5 Metodi per la ricerca degli zeri 5.1 Introduzione In questo capitolo ci occuperemo della soluzione di equazioni del tipo f(x) = 0 (5.1) dove f è una funzione a valori reali della variabile reale
DettagliCorso di Analisi Numerica - AN410. Parte 3: metodi iterativi per sistemi lineari ed. equazioni nonlineari. Roberto Ferretti
Corso di Analisi Numerica - AN410 Parte 3: metodi iterativi per sistemi lineari ed equazioni nonlineari Roberto Ferretti UNIVERSITÀ DEGLI STUDI ROMA TRE Filosofia generale dei metodi iterativi Metodi iterativi
DettagliESAME di OTTIMIZZAZIONE - Compito A (bianco) Corso di Laurea in Ingegneria Gestionale 2 o anno
ESAME di OTTIMIZZAZIONE 16 gennaio 2009 ESAME di OTTIMIZZAZIONE - Compito A (bianco) Corso di Laurea in Ingegneria Gestionale 2 o anno Cognome : Nome : VALUTAZIONE Per gli esercizi 1,2,3,4: ogni risposta
DettagliEsame di Analisi Matematica Prova scritta del 9 giugno 2009
Prova scritta del 9 giugno 2009 A1 Data la funzione f(x) = x2 3 e x, (f) determinare in base al grafico di f il numero delle soluzioni dell equazione f(x) = λ al variare di Calcolare un valore approssimato
DettagliESERCIZI DI ANALISI FUNZIONALE. T(f) = g(x)f(x)dx
ESERCIZI DI ANALISI FUNZIONALE.. Esercizi svolti.. Operatori lineari Esercizio.. Si consideri il funzionale T : C(,) R, dove g è la funzione g(x) = T(f) = g(x)f(x) dx, { se < x se < x < () Dimostrare che
DettagliESAME di OTTIMIZZAZIONE Corso di Laurea Magistrale in Ingegneria Gestionale 1 o anno
SIMULAZIONE ESAME di OTTIMIZZAZIONE 27 Gennaio 21 ESAME di OTTIMIZZAZIONE Corso di Laurea Magistrale in Ingegneria Gestionale 1 o anno Cognome : Nome : Esercizio 1. Si consideri il seguente problema: min
DettagliESAME di OTTIMIZZAZIONE - Compito A Corso di Laurea in Ingegneria Gestionale 2 o anno
ESAME di OTTIMIZZAZIONE 12 gennaio pomeriggio 2005 ESAME di OTTIMIZZAZIONE - Compito A Corso di Laurea in Ingegneria Gestionale 2 o anno Cognome : Nome : VALUTAZIONE Per gli esercizi 1,2,3,4 le risposte
DettagliOttimizzazione. in unione corso con. Ottimizzazione Discreta e Complementi di R.O. Edoardo Amaldi. DEIB Politecnico di Milano
Ottimizzazione in unione corso con Ottimizzazione Discreta e Complementi di R.O. Edoardo Amaldi DEIB Politecnico di Milano edoardo.amaldi@polimi.it Sito web: http://home.deib.polimi.it/amaldi/ott-13-14.shtml
DettagliCALCOLO NUMERICO Laurea di base in Ingegneria Elettronica, delle Comunicazioni
CALCOLO NUMERICO Laurea di base in Ingegneria Elettronica, delle Comunicazioni Prof.ssa Laura Pezza (A.A. 2017-2018) V Lezione del 15.03.2018 http://www.dmmm.uniroma1.it/ laura.pezza 1 Metodo di Newton:
DettagliOTTIMIZZAZIONE in unione con COMPLEMENTI DI RICERCA OPERATIVA
Corsi di Laurea in Ingegneria Matematica, Informatica, dell Automazione e Telecomunicazioni OTTIMIZZAZIONE in unione con COMPLEMENTI DI RICERCA OPERATIVA Edoardo Amaldi DEI - Politecnico di Milano amaldi@elet.polimi.it
DettagliEsercizi su estremi vincolati e assoluti
Esercizi su estremi vincolati e assoluti Esercizio 1. di sul quadrato Determinare i punti di minimo e di massimo (e i relativi valori di minimo e massimo) assoluto f(x, y) = x cos(πy) Q = [0, 1] [0, 1].
DettagliAlgebra Lineare Metodi Iterativi
Algebra Lineare Metodi Iterativi Stefano Berrone Sandra Pieraccini DIPARTIMENTO DI MATEMATICA POLITECNICO DI TORINO, CORSO DUCA DEGLI ABRUZZI 24, 10129, TORINO, ITALY e-mail: sberrone@calvino.polito.it,
Dettagli7.9 Il caso vincolato: vincoli di disuguaglianza
7.9 Il caso vincolato: vincoli di disuguaglianza Il problema con vincoli di disuguaglianza: g i (x) 0, i = 1,..., p, (51) o, in forma vettoriale: g(x) 0, può essere trattato basandosi largamente su quanto
DettagliOTTIMIZZAZIONE in unione con COMPLEMENTI DI RICERCA OPERATIVA OTTIMIZZAZIONE DISCRETA
Corsi di Laurea in Ingegneria Matematica, Informatica, dell Automazione e Telecomunicazioni OTTIMIZZAZIONE in unione con COMPLEMENTI DI RICERCA OPERATIVA OTTIMIZZAZIONE DISCRETA Edoardo Amaldi DEI - Politecnico
DettagliProblemi di Calcolo Numerico
Problemi di Calcolo Numerico Corso di Laurea in Ingegneria Elettronica Corso di Laurea in Ingegneria delle Telecomunicazioni a.a. 2007/2008 2 Zeri di funzioni reali Problema 1 Sia f la funzione definita,
DettagliOTTIMIZZAZIONE in unione con OTTIMIZZAZIONE DISCRETA e COMPLEMENTI DI RICERCA OPERATIVA
Corsi di Laurea in Ingegneria Matematica, Informatica, dell Automazione e Telecomunicazioni OTTIMIZZAZIONE in unione con OTTIMIZZAZIONE DISCRETA e COMPLEMENTI DI RICERCA OPERATIVA Edoardo Amaldi DEIB -
DettagliEquazioni e sistemi non lineari
Equazioni e sistemi non lineari Lucia Gastaldi DICATAM - Sezione di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Problema e definizioni Metodo di Newton-Raphson Test d arresto Algoritmo ed esercizi
DettagliPolinomio di Taylor del secondo ordine per funzioni di due variabili
Esercitazioni del 15 aprile 2013 Polinomio di Taylor del secondo ordine per funzioni di due variabili Sia f : A R 2 R una funzione di classe C 2. Fissato un p unto (x 0, y 0 A consideriamo il seguente
DettagliMetodi iterativi per equazioni non lineari
Capitolo 19 Metodi iterativi per equazioni non lineari Si consideri il problema del calcolo degli zeri di una funzione f(x) a valori reali definita su un dominio D dell asse reale. Si ricorda che un punto
DettagliFM210 - Fisica Matematica I
FM21 - Fisica Matematica I Seconda Prova Scritta [16-2-212] Soluzioni Problema 1 1. Chiamiamo A la matrice del sistema e cerchiamo anzitutto gli autovalori della matrice: l equazione secolare è (λ + 2β)λ
DettagliCorso di Analisi Numerica - AN1. Parte 3: metodi iterativi per sistemi lineari ed. equazioni nonlineari. Roberto Ferretti
Corso di Analisi Numerica - AN1 Parte 3: metodi iterativi per sistemi lineari ed equazioni nonlineari Roberto Ferretti Filosofia generale dei metodi iterativi Metodi iterativi per Sistemi Lineari Convergenza
Dettagli25 - Funzioni di più Variabili Introduzione
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 25 - Funzioni di più Variabili Introduzione Anno Accademico 2013/2014 M. Tumminello
DettagliEquazioni non lineari
Equazioni non lineari Corso di Calcolo Numerico, a.a. 2009/2010 Francesca Mazzia Dipartimento di Matematica Università di Bari Francesca Mazzia (Univ. Bari) Equazioni non lineari 1 / 40 Problema Data una
DettagliMetodi Numerici (A.A ) Prof. F. Pitolli
Metodi Numerici (A.A. 2007-2008) Prof. F. Pitolli Appunti delle lezioni su: metodo di Newton in IR n ; equazioni non lineari, metodo di bisezione e metodo di Newton in IR Equazioni non lineari Numerosi
Dettagli3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI
3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI ESISTENZA DI UN PUNTO DI OTTIMO VINCOLATO Il problema di ottimizzazione vincolata introdotto nel paragrafo precedente può essere formulato nel modo seguente:
DettagliDipartimento di Matematica Corso di laurea in Matematica Compiti di Geometria II assegnati da dicembre 2000 a dicembre 2003
Dipartimento di Matematica Corso di laurea in Matematica Compiti di Geometria assegnati da dicembre 2000 a dicembre 2003 11/12/2000 n R 4 sono assegnati i punti A(3, 0, 1, 0), B(0, 0, 1, 0), C(2, 1, 0,
Dettagli