- •1. Источники и виды погрешностей. Абсолютная и относительная погрешности. Вычислительная погрешность и погрешность функции.
- •3. Решение систем линейных алгебраических уравнений. Правило Крамера и обратная матрица. Вычислительная сложность.
- •4. Решение систем линейных уравнений. Метод исключения Гаусса с верхней и нижней треугольной матрицами. Методы прямой и обратной подстановки. Решение линейных систем алгебраических уравнений
- •Метод исключения Гаусса без перестановки строк
- •5. Решение систем линейных уравнений с симметричными и положительно определенными матрицами. Разложение Холесского с внутренним произведением.
- •6. Разложение Холесского с внешним произведением и с поблочным вычислением матриц.
- •Доказательство теоремы Халецкого
- •7. Метод исключения Гаусса и lu-разложение. Понятие эквивалентности систем уравнений, понятие и состав элементарных операций.
- •8. Алгоритм исключения Гаусса без перестановки строк. Lu- и ldv-разложения.
- •9. Алгоритм исключения Гаусса при наличии вырожденных главных подматриц. Алгоритм с перестановкой строк или с выбором главного элемента.
- •10. Свойства и определения матричных и векторных норм. Теорема Коши – Шварца. Число обусловленности системы линейных уравнений. Геометрический смысл числа обусловленности. Матричная норма
- •Геометрический смысл плохо обусловленных и хорошо обусловленных матриц
- •11. Задачи приближения и интерполяции функций и эмпирических данных.
- •13. Формулы численного дифференцирования интерполяционным методом.
- •14. Формулы численного дифференцирования методом неопределенных коэффициентов.
- •15. Наиболее распространенные формулы численного дифференцирования.
- •16. Задачи и методы численного интегрирования. Квадратурные формулы.
- •Элементарные квадратурные формулы, полученные методом интерполяции
- •17. Численное интегрирование интерполяционными методами.
- •18. Численное интегрирование методом неопределенных коэффициентов.
- •Частные случаи
- •19. Квадратурные формулы Ньютона – Котеса.
- •20. Формулы прямоугольника, трапеций и Симпсона.
- •21. Ортогональные и ортонормальные системы функций и многочленов. Скалярное произведение. Ортогонализация произвольной системы линейно независимых функций. Формула Грама – Шмидта.
- •22. Квадратурные формулы Гаусса. Наиболее распространенные формулы.
- •23. Интегрирование быстро осциллирующих функций. Интегрирование функций на больших интервалах изменения аргумента.
- •24. Тригонометрическая интерполяция и дискретное преобразование Фурье.
- •25. Быстрое преобразование Фурье.
- •26. Задача наименьших квадратов. Прямой метод решения.
- •27. Задача наименьших квадратов. Решение методом qr-разложения.
- •28. Алгоритм qr-разложения. Ортогональные матрицы и матрицы плоского вращения.
- •29. Задача численного решения обыкновенных дифференциальных уравнений. Задача Коши и граничные задачи.
- •30. Решение задачи Коши с помощью формулы Тейлора.
- •31. Методы Рунге – Кутта. Формулы Эйлера и Адамса.
- •32.Конечно-разностные методы решения задачи Коши.
- •33. Явные формулы Адамса.
- •34. Решение задачи Коши методом неопределенных коэффициентов.
- •35. Решение систем обыкновенных дифференциальных уравнений методом Эйлера.
- •36. Определение градиента функции нескольких переменных.
- •Метод градиента
- •37. Матрица Якоби системы функций нескольких переменных.
- •38. Решение нелинейных уравнений методом простой итерации.
- •39. Решение нелинейных уравнений методом Ньютона.
- •46. Необходимые и достаточные условия минимума и максимума функции многих переменных. Необходимые и достаточные условия экстремума функции нескольких (двух) переменных
- •47. Форма функции многих переменных в окрестности точки седла.
- •48. Градиентный метод минимизации функции многих переменных.
- •49. Минимизация функции многих переменных методом Ньютона.
- •Применительно к задачам оптимизации
- •50. Формула и множители Лагранжа в задаче оптимизации
- •Описание метода
- •51. Производная по направлению и возможное направление спуска.
- •52. Обратные и некорректные задачи.
49. Минимизация функции многих переменных методом Ньютона.
Метод Ньютона.
Строится последовательность точек {xk}, k=0,1,…, таких, что , k=0,1,… Точки последовательности {xk} вычисляются по правилу xk+1=xk+dk, k=0,1,… Точка х0 задается пользователем с учетом знакопостоянства и невырожденности матрицы Гессе в задаваемой начальной точке и близости выбранной точки к предполагаемой точке минимума. Направление спуска определяется для каждого значения k по формуле dk =-H-1 (xk) grad f (xk), где Н - матрица Гессе.
Применительно к задачам оптимизации
Пусть необходимо найти минимум функции многих переменных . Эта задача равносильна задаче нахождения нуля градиента . Применим изложенный выше метод Ньютона:
где — гессиан функции .
В более удобном итеративном виде это выражение выглядит так:
Следует отметить, что в случае квадратичной функции метод Ньютона находит экстремум за одну итерацию.
Нахождение матрицы Гессе связано с большими вычислительными затратами, и зачастую не представляется возможным. В таких случаях альтернативой могут служить квазиньютоновские методы, в которых приближение матрицы Гессе строится в процессе накопления информации о кривизне функции.
50. Формула и множители Лагранжа в задаче оптимизации
Метод множителей Лагранжа, метод нахождения условного экстремума функции , где , относительно ограничений φi(x) = 0, где меняется от единицы до .
Описание метода
-
Составим функцию Лагранжа в виде линейной комбинации функции f и функций φi, взятых с коэффициентами, называемыми множителями Лагранжа — λi:
где .
-
Составим систему из n + m уравнений, приравняв к нулю частные производные функции Лагранжа по xj и λi.
-
Если полученная система имеет решение относительно параметров x'j и λ'i, тогда точка x' может быть условным экстремумом, то есть решением исходной задачи. Заметим, что это условие носит необходимый, но не достаточный характер.
51. Производная по направлению и возможное направление спуска.
В математическом анализе, производная по направлению — это обобщение понятия производной на случай функции нескольких переменных. Производная по направлению показывает, насколько быстро функция изменяется при движении вдоль заданного направления.
возможное направление спуска
Этот класс методов решения задач НП основан на движении из одной допустимой точки к другой с лучшим значением целевой функции.
Типичная стратегия поиска в алгоритмах этого класса состоит в следующем. Возьмем текущую допустимую точку и найдем направление такое, что при достаточно малых выполняются следующие два условия: 1) точка является допустимой; 2)
После нахождения допустимого направления решается задача одномерной минимизации по параметру для нахождения оптимальной длины шага в направлении . Далее перемещаемся в точку и процесс поиска повторяется.
52. Обратные и некорректные задачи.
Корректные и некорректные задачи, классы математических задач, которые различаются степенью определённости их решений. Многие математические задачи состоят в том, что по исходным данным u ищется решение z. При этом считается, что u и z связаны функциональной зависимостью z = R (u). Задача называется корректной задачей (или корректно поставленной), если выполнены следующие условия (условия корректности): 1) задача имеет решение при любых допустимых исходных данных (существование решения); 2) каждым исходным данным u соответствует только одно решение (однозначность задачи); 3) решение устойчиво.
Смысл первого условия заключается в том, что среди исходных данных нет противоречащих друг другу условий, что исключало бы возможность решения задачи.
Второе условие означает, что исходных данных достаточно для однозначной определённости решения задачи. Эти два условия обычно называют условиями математической определённости задачи.
Третье условие заключается в следующем. Если u1 и u2 - два различных набора исходных данных, мера уклонения которых друг от друга достаточно мала, то мера уклонения решенийz1 = R (u1) и z2 = R (u2) меньше любой наперёд заданной меры точности. При этом предполагается, что в многообразии U = {u} допустимых исходных данных и в многообразии возможных решений Z = {z} установлено понятие меры уклонения (или меры близости) r(u1, u2) и r*(z1, z2). Третье условие обычно трактуется как физическая детерминированность задачи. Это объясняется тем, что исходные данные физической задачи, как правило, задаются с некоторой погрешностью; при нарушении же третьего условия как угодно малые возмущения исходных данных могут вызывать большие отклонения в решении.
Задачи, не удовлетворяющие хотя бы одному условию корректности, называются некорректными задачами (или некорректно поставленными).
Обширный класс некорректно поставленных задач в естествознании составляют задачи обработки наблюдений без дополнительной (количественной) информации о свойствах решений. Если изучается объект, количественные характеристики z которого недоступны для прямого изучения, то обычно исследуются некоторые проявления этого объекта u, функционально зависящие от z. Задача обработки наблюдений состоит в решении «обратной задачи», т. е. в определении характеристики z объекта по результатам наблюдений u; при этом u задаётся приближённо.
Имеется много работ (особенно советских математиков), посвященные методам приближённого решения некорректно поставленных задач и их применений к решению обратных задач. Эти работы имеют важное значение для автоматизации обработки наблюдений, для решения проблем управления и т. д.