Diszkrét Matematika MSc hallgatók számára. 14. Előadás
|
|
- Lőrinc Tamás
- 5 évvel ezelőtt
- Látták:
Átírás
1 Diszkrét Matematika MSc hallgatók számára 14. Előadás Előadó: Hajnal Péter Jegyzetelő: Hajnal Péter Nem maradt rá idő 1. Feltétel nélküli optimalizálás 1.1. Az eljárások alapjai A feltétel nélküli optimalizálásnál a feladatunkat a következőképp lehet megfogalmazni: egy c(x) célfüggvényt kell minimalizálni az egész dom(c) értelmezési tartományon. Korábbi jelöléseinkkel tehát D = L = dom(c). A módszerünk a következő lesz: iterációval szeretnénk közelíteni x -ot: a (0) a (1) a (2)..., ahol mindegyik a (i) L. Az iterációt valamilyen leállási feltételig folytatjuk. Az a pontokat aktuális pontoknak nevezzük. Azt szeretnénk, ha ez a sorozat x -hoz konvergálna (feltéve, hogy c(x) felveszi p - ot, ez speciálisan azt is jelenti, hogy p véges). A megállási feltételt úgy szeretnénk választani, hogy jelezze, hogy x közelében vagyunk. A közelség lehet valamilyen metrikában való közelség, vagy lehet az, hogy c(a (i) ) > p ǫ (egy ǫ-szuboptimális pontban vagyunk). A továbbiakban c(x)-re a következő feltételeket tesszük: c(x) konvex (az egész L-en), c(x) kétszer folytonosan differenciálható (az egész L-en), speciálisan L nyilt, c(x) szigorúan konvex egy az alábbiakban leírt S L halmazon, amely x -ot tartalmazza: azaz alkalmas m > 0 teljesíti, hogy 2 c(x) mi minden x S esetén, ahol 2 c(x) a c(x) Hesse-mátrixa, és azt jelenti, hogy a bal és jobb oldal különbsége pozitív szemidefinit. Most az iteráció szabályait vizsgáljuk: ezeket úgy nevezetett update szabályoknak nevezzük, amelyek segítségével a (k) -ból megkaphatjuk a (k+1) -et. Mi csak olyan, úgy nevezetett uniform szabályokkal foglalkozunk, ahol ez a lépés nem függ k értékétől. Tehát egy a értékből szeretnénk meghatározni a következő iteráció a + értékét. Ez az eljárás két lépésből fog állni: irányválasztás: (a) R n, lépésválasztás: t(a) R
2 Ezután a következő iteráció értéke a + = a + t(a) (a) Vizsgáljuk most külön ezt a két lépést. Az irányválasztásnak mindig olyannak kell lennie, hogy I. ( c(a)) (a) < 0, vagyis a függvény a (a) irányba csökken (legalábbis a egy kis környezetében). II. A lépésválasztás az irányválasztás után következik. Itt is olyan választással élünk, hogy a c célfüggvény értéke csökken. Speciálisan az értelmezési tartománynak az algoritmusaink során fellépő értékei mind az S := {x dom c : c(x) c(a (0) )} halmazból kerülnek ki. c konvex, speciálisan folytonos, így S zárt Lépésválasztás A lépésválasztásnál is több lehetőség közül csak kettőt ismertetünk. Ezek leírásához vezessük be a c(t) := c a (t) = c(a + t (a)), t 0 jelölést. 1. lehetőség. Mohó lépésválasztás: t = t(a) legyen a c(t) minimumhelye. 2. lehetőség. Visszakozó lépésválasztás: A konvexitás miatt tudjuk, hogy c(x) c(a) + ( c(a)) (a) x. A jobb oldal egy határt szab arra, hogy a választott irányba haladva milyen gyorsan eshet a célfüggvény értéke. Egy kicsit relaxáljuk a függvény érték csökkenését. Válasszunk most α ( 0, 1 2) és β (0, 1) paramétereket alkalmas módon (ez a probléma jellegétől, az alkalmazási területtől függően más és más lehet). Ekkor az c(a) + α ( c(a)) (a) x > c(x). egyenlőtlenség valamely ǫ > 0 esetén teljesül [0, ǫ) intervallumban. Olyan x = t értékét szeretnénk választani, hogy a relaxált egyenlőtlenség teljesüljön. Először kipróbáljuk a t = 1 értéket; ha ez nem jó, akkor t-t a β-szorosára csökkentjük, és ezt addig folytatjuk, amígy nem teljesül a kívánt egyenlőtlenség (a fentiek miatt ez garantáltan teljesül). A továbbiakban már csak az irányválasztás témakörével foglalkozunk. Ebben az esetben is a sokféle lehetőség közül csupán kettővel foglalkozunk érdemben. Mindegyik esetben a teljes optimalizálási algoritmus úgy alakul ki, hogy az irányválasztási eljárás mellé választjuk az egyik lépésválasztó sémát és leírjuk a leállási szabályt. 14-2
3 1.3. Irányválasztás: A gradiensmódszer A lépés irányát (a) := c(a) írja le. Ezt az irányválasztást nevezhetjük mohó irányválasztásnak mert lokálisan a lenagyobb növekedést igéri a célfüggvény követésénél. Ezután t = t(a)-t a korábban ismertetett két módszer egyikével határozhatjuk meg. Ennél a módszernél a leállási feltétel, hogy c(a) δ teljesüljön az aktuális helyen egy előre adott δ > 0 konstansra. 1. Lemma. Legyen f egy kétszer differenciálható függvény, amely S-en szigorúan konvex valamely m > 0 paraméterrel. Ekkor minden x, y S esetén (i) (ii) (iii) f(y) f(x) + f(x) (y x) + m 2 y x 2 2, inf f(s) = s S p f(x) 1 2m f(x) 2 2, x x 2 2 m f(x) 2. Bizonyítás. Az (i) pont bizonyítása: legyen x, y S tetszőleges. Ekkor az elsőrendű Taylor-sorfejtés szerint van olyan z [x, y] úgy, hogy f(y) = f(x) + f(x) (y x) (y x) 2 f(z)(y x) f(x) + f(x) (y x) (y x) mi(y x) f(x) + f(x) (y x) m y x 2 2, ahol I az n-dimenziós egységmátrix, és az első egyenlőtlenségben használtuk, hogy f szigorúan konvex. A (ii) pont bizonyítása: Legyen y S tetszőleges. Az (i) pont bizonyítása szerint ahol y 0 az az y érték, amelyre az f(y) f(x) + f(x) (y x) + m 2 y x 2 2 f(x) + f(x) (y 0 x) + m 2 y 0 x 2 2, (1) f(x) + f(x) (y x) + m 2 y x 2 2 kifejezés felveszi a minimumát. Keressük meg egy adott x ponthoz ezt az y 0 -t! A harmadik tag csak y x 2 -tól függ. Ha pedig y x = α adott, akkor a második tag 14-3
4 csak (y x)-nek a f(x)-hez viszonyított irányától függ. Ez a skalárszorzat pedig akkor lesz minimális, ha y x = α f(x). Ekkor a kifejezésünk α függvényében f(x) α f(x) mα2 2 f(x) 2 2. Ezt a másodfokú függvényt α-ban minimalizálva az optimális α érték 1 -nek adódik, m vagyis a kifejezés minimumát (1)-be beírva f(y) f(x) 1 m f(x) m f(x) 2 2 = f(x) 1 2m f(x) 2 2. Mivel pedig ez minden y S-re igaz, azért az f függvény S-en felvett infimuma is teljesíti az egyenlőtlenséget. A (iii) pont bizonyítása: az (i) pontba y helyére x -ot írva a következőt kapjuk: Ezt átrendezve pedig p f(x) + f(x) (x x) + m 2 x x 2 2 f(x) f(x) 2 x x 2 + m 2 x x 2 2 p f(x) 2 x x 2 + m 2 x x 2 2. f(x) 2 x x 2 m 2 x x 2 2, ami éppen a bizonyítandó. Mielőtt továbbhaladunk megemlítjük a szigorúan konvexitás feltételének egy következményét. A Lemma (i) pontjából könnyen kiolvasható, hogy f függvény szubszinthalmazai (S τ = {x dom c : f(x) τ} halmazok) korlátosak. Így speciálisan S is korlátos, mellesleg zárt. Azaz S kompakt. Ebből következik, hogy 2 c maximális sajátértéke felveszi maximumát S-en. Azaz alkalmas M konstanssal minden x S esetén 2 c(x) MI. Ahogy az előző Lemma (i) pontját bizonyítottuk most kapjuk, hogy x, y S esetén f(y) f(x) + f(x) (y x) + M 2 y x 2 2. Ezek után nézzük a gradiens módszer (mohó lépés választással) analízisét szigorúan konvex célfüggvény esetén (használva a fogalom mögött rejlő gyakran nehezen becsülhető m és M konstansokat). 2. Tétel. Legyen a c(x) függvény szigorúan konvex S-en, speciálisan létezzenek olyan 0 < m M < konstansok, hogy bármely x S esetén mi 2 c(x) MI teljesüljön. Ekkor a mohó lépésválasztással futtatott gradiensmódszer k-adik lépése teljesíti a 0 c ( a (k)) ( p 1 m ) k (c(a0 ) p ) M egyenlőtlenséget. 14-4
5 Bizonyítás. Az előző lemma (i) pontját alkalmazzuk. A választott lépéshosszat t m - mel (index a mohó szóból) jelölve, az a aktuális pont után szeretnénk meghatározni az iteráció következő, a + -szal jelölt helyét: c(a + ) = c(a + t m ) = c(a t m c(a)) c(a) t m c(a) Mt2 m 2 c(a) 2 2. Mivel t m -et a mohó lépésválasztás szerint választottuk, ezért ha t m helyébe például - et írunk, a c függvény értéke nem csökkenhet: 1 M c(a + ) c (a + 1M ) c(a) 1 2M c(a) 2 2, azaz c(a + ) p c(a) p 1 2M c(a) 2 2. A lemma (ii) pontját 2m-mel átszorozva (x = a esetben), rendezve kapjuk hogy c(a) 2 2 2m(c(a) p ), azaz c(a + ) p c(a) p 2m 2M (c(a) p ), ( c(a + ) p 1 m ) (c(a) p ). M amiből teljes indukcióval adódik a bizonyítandó. Példa. Tekintsük a c(x) = (x Mx2 2 )/2 célfüggvényt. Ez középiskolai háttérrel is nyilvánvaló optimalizálási probléma. c(x) nemnegatív és egyetlen helyen veszi fel a 0 értéket. Azaz p = 0 és x = (0, 0). Nézzük meg mi lesz, ha a gradiens módszert futtatjuk a mohó lépésválasztással: A célfüggvény az egész R 2 -en szigorúan konvex. m = 1, míg az M paraméter a fent használt M szám. Ha most M 1, akkor m = 1 0. A fenti tétel alapján M M csak lassú konvergenciat látunk. Ez nem elméleti hátterünk gyengeségéből adódik, ez valójában így lesz. Vegyük az a (0) = (M, 1) kezdőértékkel az a (i) = (a (i) 1, a (i) 2 ) aktuális értékek a következő formulával írhatók le: a (i) 1 = M továbbá a célfüggvény értéke c(a (i) ) = M(M + 1) 2 ( M 1 M + 1 ( ) 2i M 1 = M + 1 ) i (, a (i) 2 = M 1 ) i, M + 1 A képletek ellenőrzését az érdeklődő hallgatóra bízzuk. ( ) 2i ( M 1 c(a (0) ) = 1 2 ) 2i c(a (0) ). M + 1 M
6 1.4. Irányválasztás: A Newton-módszer A Newton-módszerben először felírjuk a céfüggvény másodrendű Taylor-közelítését a körül: c(a + v) c(a) + c(a) v v 2 c(a)v. Úgy szeretnénk megválasztani a v értékét, hogy az a + = a + v-ben a jobb oldali közelítő kifejezés a minimumát vegye fel. Ehhez a jobb oldal gradiensét (v szerint) kell 0-val egyenlővé tenni: v J.O. = c(a) + 2 c(a)v. A jobb oldalt 0-val egyenlővé téve kapjuk, hogy (a) = v opt = ( 2 f(a) ) 1 f(a). A lépésválasztásra a korábbi két lehetőség fennáll, de megemlítünk egy harmadikat is: Egyszerűen legyen t = Lineáris egyenlőség feltételek melletti minimalizálás Newton algoritmusából Eddig nem szerepeltek feltételek a minimalizálási problémánkban. Most továbblépünk. Először megmutatjuk, hogy a Newton-módszer hogyan terjeszthető ki lineáris egyenlőségekkel leírt feltételrendszer esetére. Azaz a vizsgált probléma: Minimalizáljuk c(x)-t Feltéve, hogy Ax = b, ahol A R l n, b R l. Feltesszük, hogy c kétszer differenciálható konvex függvény. Ismét F = L = D = dom c. A múlt heti módszerek sorát folytatjuk, azaz sémánk: Kiinduló lépés: x (0) L választása Irány és lépés választása:, t választása Update: x (i+1) = x (i) + t és i i + 1 (alternatív módon: a + = a + t(a) (a), ahol a az aktuális hely). Leállási feltétel: Ha a leállási feltétel teljesül, akkor STOP, különben vissza az irány és lépés választáshoz. Ügyelünk arra, hogy a módszerünk végig a feltételeket kielégítő x (i) elemeket számol ki. Ez ekvivalens azzal, hogy a x (0) L kezdőérték választása után ügyelünk arra, hogy A = 0 teljesüljön. A Newton-módszert terjesztjük ki: a = x (i) az aktuális pontunk. A = (a) irányt a c(a + v) c(a) + c T (a) v vt 2 c(a) v másodrendű közelítésre alapozzuk. Ez alapján az irányt úgy választjuk, hogy Av = 0 feltétel mellett a jobb oldali közelítés minimum helye felé mozogjunk. A következő optimalizálásai feladattal állunk szemben: 14-6
7 Minimalizáljuk Feltéve, hogy Ax = 0. c(a) + c(a) x xt 2 c(a) x-t A Karush Kuhn Tucker-feltételek egy primál és egy w duál megoldásra (szükséges és elegendő feltételek a primál és w duál optimum hely mivoltához): ( ) ( ) ( ) 2 c(a) A T c(a) =. A 0 w 0 A bal oldalon lévő mátrixot optimalizálási feladatunk KKT-mátrixának nevezik. A feltételrendszer lineáris algebrából jól ismert (szerencsés) feltételek mellett egyértelműen megoldható. Ekkor az optimalizálási probléma kezelhető. NEWTON-MÓDSZER KONVEX FÜGGVÉNY MINIMALIZÁLÁSÁRA LINEÁRIS EGYENLŐSÉG FELTÉTELEK MELLETT: // Feltételek: // c kétszer differenciálható konvex függvény. // A KKT-mátrix nem elfajuló L-en. 0. lépés: x (0) választása, i = 0. // A továbbiakban a az aktuális x (i) pont. Irány választás: Írjuk fel a KKT-feltételeket az a helyen. Ez egy lineáris egyenletrendszer (feltételünk szerint nem elfajuló mátirxszal). Az egyértelmű megoldás komponense adja az irányt. Lépés választás: l választása visszakozó lépésválasztással. Udate lépés: a + = a + l (i i + 1). amíg c(a) T 2 c(a) 1 c(a)/2 > ǫ vissza az irány választáshoz. Az egyenlőtlenség feltételek kezelése jóval problémásabb. 3. Belsőpontos módszerek Newton algoritmusából Az eddig ismertetett módszerek a célfüggvény teljes értelmezési tartományán optimalizáltunk. A módszerek alkalmazása feltételek melletti optimalizálásra nem nyilvánvaló. Egy ötlet: definiáljunk egy (paraméteres) segédfüggvényt, amely a feltételnek megfelelő tartomány határozott belsejében közel egyenlő a célfüggvénnyel, a tartomány határához közel nagyon nagy értékeket vesz fel, és továbbra is konvex, többszörösen differenciálható (a tartomány belsején kívül nem is lesz értelmezett vagy végtelenként értelmezzük). A paraméter értékét növelve az a tartomány, ahol a közelítő segédfüggvény jól approximálja a célfüggvényt egyre jobban a feltételek által leírt tartományhoz simul. Azaz dom c p approximálja dom c F-et. c p optimalizálása feltétel nélküli, de egy feltételes minimalizálást modellál. A segédfüggvényre alkalmazva a most leírt módszereket egy a aktuális értéket kapunk. A paraméter növelésével kapott jobb segédfüggvényt véve a-ból megkapjuk az update-lt a + pontot. Ezen módszereket nevezik belső pontos módszernek Nézzük, hogy a fenti ötletek alapján a Newton-módszeren alapuló algoritmusok hogyan vihetők át általános konvex optimalizálási feladatokra. Legyen O az alábbi 14-7
8 optimalizálási feladat: O : Minimalizáljuk c(x)-et Feltéve, hogy Ax = b, f i (x) 0, i = 1, 2,..., k, ahol A R l n, b R l, x R n. A problémát egy kis csalással kezdjük. Az eddigiektől új, nehezítő egyenlőtlenség feltételeket a célfüggvénybe olvasztjuk. Definíció. Legyen I(x) : R R { }, ami nem pozitív értékeken 0-t, pozitív értékeken értéket vesz fel. Az alábbi ábrán a grafikon vázlatos képe látható. Az eredeti O problémát ekvivalens módon megfogalmazhatjuk az I függvény segítségével: Minimalizáljuk c(x) + k i=1 I(f i(x))-t Feltéve, hogy Ax = b. Természetesen a csalás problémája, hogy általában szép c, f i függvényekkel találkozunk. A korábbi módszereink differenciálhatósági feltételek mellett működnek. A bevezetett függvény nem differenciálható. A kiút, hogy az I függvényt differenciálható függvénnyel közelítjük. Az I függvény olyan x-eket enged a c-t minimalizáló versenybe, amelyeknél az f i -k előjele nem pozitív. Az I függvény gátat szab a versenyzőknek. Az ilyen függvényeket barrier/gátfüggvényeknek nevezzük. I közelítése differenciálható függvénnyel, ami a gátfüggvénység tulajdoságot szimulálja sokféleképpen megoldható. Mi egy lehetőségét emelünk ki: a logaritmikus gátfüggvényt (logaritmic barrier). Definíció (Logaritmikus gátfüggvény). Legyen Ĩt(x) = 1 log( x), ahol t > 0. t Minél nagyobb a t értéke, annál jobban közelíti a szükséges egyenlőtlenség feltételt szimuláló függvényt. 14-8
9 1. ábra. Ĩt(x) logaritmikus gátfüggvények grafikonjai különböző t értékek esetén. A sötétebb grafikon nagyobb t értékhez tartozik, jobban közelíti a szükséges egyenlőtlenség feltételt szimuláló függvényt. Fixáljunk egy t értéket és az egyenlőtlenség feltételeket hagyjuk el a célfüggvény c t (c) = c(x) + k i=1 Ĩt(f ( x)) módosításával együtt. Az optimum helye nem változik, ha a célfüggvényt a fix t-vel megszorozzuk: c t (x) = tc(x) + k tĩt(f(x)). i=1 Jelölés. Φ F (x) = Φ(x) = k log( f i (x)). A φ függvény a feltételrendszerünktől függ, igazából csak az egyenlőtlenségek rendszerétől. Példa. Legyen F : Ax b (A R k n, b R k ). Ekkor Φ(x) = i=1 k log(b i a T i x), i=1 ahol b = (b 1, b 2,...,b k ) T és a T i az A mátrix i-edik sora. φ(x) szép függvény, könnyű vele számolni: k 1 Φ(x) = b i a T i x a i, 2 Φ(x) = i=1 k i=1 1 (b i a T i x)2a ia T i. 14-9
10 Legyen Õt a következő optimalizálási feladat, ahol t > 0 fix szám: Õ t : Minimalizáljuk Feltéve, hogy Ax = b. t c(x) + Φ(x)-et Definíció. Legyen x (t) az Õt optimalizálási feladat optimális helye. Az x (t) pontok az optimalizálási feladat centrális pontjai. Ha t végig fut a R >0 halmazon, akkor az x (t) helyek a centrális utat írják le. KKT-tétel alapján könnyű karakterizálni x (t) helyeket: 3. Lemma. x (t)-t karakterizálják az alábbi feltételek: (i) Ax (t) = b, (ii) f i (x (t)) < 0 minden i = 1, 2,..., k esetén, (iii) alkalmas µ R l esetén t c(x (t)) + Φ(x (t)) + A T µ = 0. A lemma bizonyítása egyből adódik a KKT-tételből. Példa. Ismét legyen F : Ax b, azaz a feltételrendszert kielégítő x-ek halmaza egy P politóp. Továbbá legyen c(x) = c T x egy lineáris célfüggvény. Vegyük a Φ(x) (lásd előző példa) logaritmikus gátfüggvény S α = {x : Φ(x) α} szub-szinthalmazait. Ezek egy növekvő halmazrendszer (α < β esetén S α S β ), uniójuk kiadja P politóp belsejét. Ahogy α nő S α hozzásímul a P politóphoz. Másképpen S =α = {x : Φ(x) = α} szinthalmazok P határához símulnak. Az (ii) feltétel azt monjda x (t)-ről, hogy Φ értelmezési tartományába esik. Azaz Φ(x (t)) = α esetén (azaz alkalmas α esetén) x (t) a S =α szinthalmaz egy eleme. Az (iii) feltétel egyszerűsödik, hiszen c(x) = c R n, µ hiányzik, hiszen nincs egyenlőség feltételünk, míg Φ-t az előző példában kiszámoltuk: ( ) tc + Φ(x (t)) = tc + A T 1 diag b 1 a T 1 x (t), 1 b 2 a T 2 x (t),..., 1 = 0. b k a T k x (t) Azaz Φ(x (t)) párhuzamos c-vel. Azaz a c T x = c T x (t) hipersík az S =α szinhalmaz egy érintője a centrális út összes pontjára. 4. Tétel. x (t) legyen egy centrális pont, azaz az Õt feladat egy optimális megoldása (optimalizálás csak lineáris egyenlőség feltételekkel). A megoldáshoz vezető úton egy w (t) duális optimumhelyet is megkapunk. Legyen λ i (t) = 1 tf i (x (t)), µ (t) = w (t). t Ekkor (i) λ i (t) és µ (t) duális megengedett megoldása az eredeti O feladatnak
11 x* x* ( t) 2. ábra. A zöld görbék a szinthalmazok, a kék görbe a centrális görbe, a fekete görbe a P politóp határa. A piros egyenesek c normálvektorú hipersíkok. (ii) Továbbá a duális hézag x (t) primál megengedett megoldás és λ i (t) és µ (t) duál megengedett megoldás között A tétel bizonyítása egyszerű számolás, az érdeklődő hallgatóra bízzuk. A tétel egyik következménye a belső pontos módszerek következő alapváltozata: LOGARITMIKUS GÁTFÜGGVÉNY MÓDSZER: Kiinduló lépés: Legyen x (0) egy erősen megengedett megoldás // minden egyenlőtlenség szigorúan teljesül. Legyen t = t (0) = 1. // a kiinduló gátfüggvény paramétere. µ(> 1). // egy fix paraméter, a gátfüggvény paraméter növelési tényezője. Centralizáló lépés: Számoljuk ki az Õt optimalizálási feladat x (t) optimális értékét. // A centrális út egy pontját számoljuk ki. x + = x (t) Kilépési kritérium: Ha k t < ǫ akkor leállunk. Különben t+ = µ t és visszatérünk a centralizáló lépésre. // A centrális út egy későbbi (pontosabb) helyével próbálkozunk. A részletek kidolgozása, az analízis messze meghaladja az előadás kereteit. A fentiek lényege csak az ötletek felvillantása volt. A részletek kidolgozása, a numerikus problémák analízise nagyon sok optimalizálási feladat hatékony kezeléséhez vezet. Egy ízelítő: 5. Tétel. Az LP feladat polinomiális időben megoldható. l t
12 Megjegyzés. Ezt a tételt már láttuk az ellipszoid módszer tárgyalásakor. Ott megemlítettük, hogy a bizonyításként használt ellipszoid módszer a gyakorlatban nem versenyképes a szimplex módszerrel (amely elméleti szempontból nem kielégítő). Most azt sugalljuk, hogy a bizonyítás a gátfüggvény módszerrel is bizonyítható. Megemlítjük, hogy a fenti módszer kifinomult megvalósítása bizonyos paraméter értékek esetén versenyképes a szimplex módszerrel. Az SDP feladat jóval bonyolultabban néz ki mint az LP feladat általános alakja. Eddig legtöbbször véges sok lineáris egyenlőtlenség írta le a feltételrendszert. Most egy pozitív szemidefinitást előíró feltétel is megjelenik: Minimalizáljuk Feltéve, hogy c T x-t Ax = b x 1 C 1 + x 2 C x n C n D, ahol c R n, A R k n, a C i, D mátrixok szimmetrikus (l l méretű) mátrixok. Ennek ellenére a feladat kezelhető. 6. Tétel. Tegyük fel, hogy adott egy SDP feladat,a mely I inputjában racionális számok állnak. Legyen I az input leírásához szükséges bitek száma. Adott továbbá egy tetszőleges ǫ > 0 paraméter. Ekkor létezik olyan algoritmus, amely egy ǫ-szuboptimális megoldást talál és polinomiális I -ben és log(1/ǫ)-ban. A tétel bizonyítható a belsőpontos módszerekkel. A technikai részletek kidolgozása meghaladja előadásunk kereteit. Csak egy lehetséges gátfüggvényt írunk le: 1 ( ) K log det xi A i B
11. Előadás. 1. Lineáris egyenlőség feltételek melletti minimalizálás
Optimalizálási eljárások MSc hallgatók számára 11. Előadás Előadó: Hajnal Péter Jegyzetelő: Hajnal Péter 2011. április 27. 1. Lineáris egyenlőség feltételek melletti minimalizálás Múlt héten nem szerepeltek
Részletesebben10. Előadás. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai
Optimalizálási eljárások MSc hallgatók számára 10. Előadás Előadó: Hajnal Péter Jegyzetelő: T. Szabó Tamás 2011. április 20. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai A feltétel nélküli optimalizálásnál
RészletesebbenDiszkrét Matematika MSc hallgatók számára. 4. Előadás
Diszkrét Matematika MSc hallgatók számára 4. Előadás Előadó: Hajnal Péter Jegyzetelő: Szarvák Gábor 2012. február 28. Emlékeztető. A primál feladat optimális értékét p -gal, a feladat optimális értékét
Részletesebben4. Előadás: Erős dualitás
Optimalizálási eljárások/operációkutatás MSc hallgatók számára 4. Előadás: Erős dualitás Előadó: Hajnal Péter 2018. Emlékeztető. A primál feladat optimális értékét p -gal, a feladat optimális értékét d
RészletesebbenOptimalizálási eljárások GYAKORLAT, MSc hallgatók számára. Analízis R d -ben
Optimalizálási eljárások GYAKORLAT, MSc hallgatók számára Analízis R d -ben Gyakorlatvezetõ: Hajnal Péter 2012. február 8 1. Konvex függvények Definíció. f : D R konvex, ha dom(f) := D R n konvex és tetszőleges
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
RészletesebbenKonjugált gradiens módszer
Közelítő és szimbolikus számítások 12. gyakorlat Konjugált gradiens módszer Készítette: Gelle Kitti Csendes Tibor Vinkó Tamás Faragó István Horváth Róbert jegyzetei alapján 1 LINEÁRIS EGYENLETRENDSZEREK
RészletesebbenNemlineáris programozás: algoritmusok
Nemlineáris programozás: algoritmusok illes@math.elte.hu Operációkutatási Tanszék Budapest 2010. I. félév Feltétel nélküli optimalizálási feladat Feltétel nélküli optimalizálási feladat: Legyen adott az
RészletesebbenSorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján
Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján Számsorozatok, vektorsorozatok konvergenciája Def.: Számsorozatok értelmezése:
RészletesebbenA lineáris programozás alapjai
A lineáris programozás alapjai A konvex analízis alapjai: konvexitás, konvex kombináció, hipersíkok, félterek, extrém pontok, Poliéderek, a Minkowski-Weyl tétel (a poliéderek reprezentációs tétele) Lineáris
RészletesebbenA szimplex algoritmus
A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás
RészletesebbenNemlineáris programozás 2.
Optimumszámítás Nemlineáris programozás 2. Többváltozós optimalizálás feltételek mellett. Lagrange-feladatok. Nemlineáris programozás. A Kuhn-Tucker feltételek. Konvex programozás. Sydsaeter-Hammond: 18.1-5,
RészletesebbenOpkut deníciók és tételek
Opkut deníciók és tételek Készítette: Bán József Deníciók 1. Deníció (Lineáris programozási feladat). Keressük meg adott lineáris, R n értelmezési tartományú függvény, az ún. célfüggvény széls értékét
Részletesebbenf(x) vagy f(x) a (x x 0 )-t használjuk. lim melyekre Mivel itt ɛ > 0 tetszőlegesen kicsi, így a a = 0, a = a, ami ellentmondás, bizonyítva
6. FÜGGVÉNYEK HATÁRÉRTÉKE ÉS FOLYTONOSSÁGA 6.1 Függvény határértéke Egy D R halmaz torlódási pontjainak halmazát D -vel fogjuk jelölni. Definíció. Legyen f : D R R és legyen x 0 D (a D halmaz torlódási
Részletesebben1. Házi feladat. Határidő: I. Legyen f : R R, f(x) = x 2, valamint. d : R + 0 R+ 0
I. Legyen f : R R, f(x) = 1 1 + x 2, valamint 1. Házi feladat d : R + 0 R+ 0 R (x, y) f(x) f(y). 1. Igazoljuk, hogy (R + 0, d) metrikus tér. 2. Adjuk meg az x {0, 3} pontok és r {1, 2} esetén a B r (x)
RészletesebbenA legjobb közeĺıtés itt most azt jelentette, hogy a lineáris
Többváltozós függvények differenciálhatósága f(x) f(x Az egyváltozós függvények differenciálhatóságát a lim 0 ) x x0 x x 0 függvényhatárértékkel definiáltuk, s szemléletes jelentése abban mutatkozott meg,
RészletesebbenANALÍZIS III. ELMÉLETI KÉRDÉSEK
ANALÍZIS III. ELMÉLETI KÉRDÉSEK Szerkesztette: Balogh Tamás 2014. május 15. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenOnline migrációs ütemezési modellek
Online migrációs ütemezési modellek Az online migrációs modellekben a régebben ütemezett munkák is átütemezhetőek valamilyen korlátozott mértékben az új munka ütemezése mellett. Ez csökkentheti a versenyképességi
RészletesebbenDifferenciálegyenletek numerikus megoldása
a Matematika mérnököknek II. című tárgyhoz Differenciálegyenletek numerikus megoldása Fokozatos közeĺıtés módszere (1) (2) x (t) = f (t, x(t)), x I, x(ξ) = η. Az (1)-(2) kezdeti érték probléma ekvivalens
RészletesebbenAnalízis II. Analízis II. Beugrók. Készítette: Szánthó József. kiezafiu kukac gmail.com. 2009/ félév
Analízis II. Analízis II. Beugrók Készítette: Szánthó József kiezafiu kukac gmail.com 2009/20 10 1.félév Analízis II. Beugrók Függvények folytonossága: 1. Mikor nevez egy függvényt egyenletesen folytonosnak?
Részletesebben1/1. Házi feladat. 1. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy
/. Házi feladat. Legyen p és q igaz vagy hamis matematikai kifejezés. Mutassuk meg, hogy mindig igaz. (p (( p) q)) (( p) ( q)). Igazoljuk, hogy minden A, B és C halmazra A \ (B C) = (A \ B) (A \ C) teljesül.
RészletesebbenOptimalizálási eljárások MSc hallgatók számára. 11. Előadás
Optimalizálási eljárások MSc hallgatók számára. Előadás Előadó: Hajnal Péter Jegyzetelő: Bajusz Barbara 203. április 24.. Vektorerelációk és SDP.. A maximális vágás probléma Adott egy w : E(G) R + elsúlyozott
RészletesebbenBoros Zoltán február
Többváltozós függvények differenciál- és integrálszámítása (2 3. előadás) Boros Zoltán 209. február 9 26.. Vektorváltozós függvények differenciálhatósága és iránymenti deriváltjai A továbbiakban D R n
Részletesebben3. Fuzzy aritmetika. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI
3. Fuzzy aritmetika Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Intervallum-aritmetika 2 Fuzzy intervallumok és fuzzy számok Fuzzy intervallumok LR fuzzy intervallumok
RészletesebbenMatematika III előadás
Matematika III. - 3. előadás Vinczéné Varga Adrienn Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Előadáskövető fóliák Vinczéné Varga Adrienn (DE-MK) Matematika III. 2016/2017/I 1 / 19 Skalármezők
Részletesebbenminden x D esetén, akkor x 0 -at a függvény maximumhelyének mondjuk, f(x 0 )-at pedig az (abszolút) maximumértékének.
Függvények határértéke és folytonossága Egy f: D R R függvényt korlátosnak nevezünk, ha a függvényértékek halmaza korlátos. Ha f(x) f(x 0 ) teljesül minden x D esetén, akkor x 0 -at a függvény maximumhelyének
RészletesebbenA fontosabb definíciók
A legfontosabb definíciókat jelöli. A fontosabb definíciók [Descartes szorzat] Az A és B halmazok Descartes szorzatán az A és B elemeiből képezett összes (a, b) a A, b B rendezett párok halmazát értjük,
RészletesebbenMegoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1
Megoldott feladatok 00. november 0.. Feladat: Vizsgáljuk az a n = n+ n+ sorozat monotonitását, korlátosságát és konvergenciáját. Konvergencia esetén számítsuk ki a határértéket! : a n = n+ n+ = n+ n+ =
RészletesebbenE-tananyag Matematika 9. évfolyam 2014. Függvények
Függvények Függvények értelmezése Legyen adott az A és B két nem üres halmaz. Az A halmaz minden egyes eleméhez rendeljük hozzá a B halmaz egy-egy elemét. Ez a hozzárendelés egyértelmű, és ezt a hozzárendelést
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
RészletesebbenDualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 7. Előadás Árazási interpretáció Tekintsük újra az erőforrás allokációs problémát (vonat
Részletesebben1 Lebegőpontos számábrázolás
Tartalom 1 Lebegőpontos számábrázolás... 2 2 Vektornormák... 4 3 Indukált mátrixnormák és tulajdonságaik... 5 4 A lineáris rendszer jobboldala hibás... 6 5 A kondíciószám és tulajdonságai... 7 6 Perturbációs
Részletesebben6. Függvények. 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban?
6. Függvények I. Nulladik ZH-ban láttuk: 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban? f x g x cos x h x x ( ) sin x (A) Az f és a h. (B) Mindhárom. (C) Csak az f.
RészletesebbenA L Hospital-szabály, elaszticitás, monotonitás, konvexitás
A L Hospital-szabály, elaszticitás, monotonitás, konvexitás 9. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék A L Hospital-szabály, elaszticitás, monotonitás, konvexitás p. / A L
RészletesebbenHódmezővásárhelyi Városi Matematikaverseny április 14. A osztályosok feladatainak javítókulcsa
Hódmezővásárhelyi Városi Matematikaverseny 2003. április 14. A 11-12. osztályosok feladatainak javítókulcsa 1. feladat Egy számtani sorozatot az első eleme és különbsége egyértelműen meghatározza, azt
Részletesebbenegyenlőtlenségnek kell teljesülnie.
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Abszolútértékes és gyökös kifejezések A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval
RészletesebbenMatematika (mesterképzés)
Matematika (mesterképzés) Környezet- és Településmérnököknek Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Vinczéné Varga A. Környezet- és Településmérnököknek 2016/2017/I 1 / 29 Lineáris tér,
RészletesebbenMATEMATIKA 2. dolgozat megoldása (A csoport)
MATEMATIKA. dolgozat megoldása (A csoport). Definiálja az alábbi fogalmakat: (egyváltozós) függvény folytonossága, differenciálhatósága, (többváltozós függvény) iránymenti deriváltja. (3x8 pont). Az f
Részletesebben11. Előadás. 11. előadás Bevezetés a lineáris programozásba
11. Előadás Gondolkodnivalók Sajátérték, Kvadratikus alak 1. Gondolkodnivaló Adjuk meg, hogy az alábbi A mátrixnak mely α értékekre lesz sajátértéke a 5. Ezen α-ák esetén határozzuk meg a 5 sajátértékhez
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
RészletesebbenTotális Unimodularitás és LP dualitás. Tapolcai János
Totális Unimodularitás és LP dualitás Tapolcai János tapolcai@tmit.bme.hu 1 Optimalizálási feladat kezelése NP-nehéz Hatékony megoldás vélhetően nem létezik Jó esetben hatékony algoritmussal közelíteni
RészletesebbenGráfelmélet/Diszkrét Matematika MSc hallgatók számára. 3. Előadás
Gráfelmélet/Diszkrét Matematika MSc hallgatók számára 3. Előadás Előadó: Hajnal Péter Jegyzetelő: Pék Máté 2009. szeptember 21. 1. Folyamok 1.1. Definíció. G = (V, E, K, B) irányított gráf, ha e! v : ekv
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
Részletesebben1.9. B - SPLINEOK B - SPLINEOK EGZISZTENCIÁJA. numerikus analízis ii. 34. [ a, b] - n legfeljebb n darab gyöke lehet. = r (m 1) n = r m + n 1
numerikus analízis ii 34 Ezért [ a, b] - n legfeljebb n darab gyöke lehet = r (m 1) n = r m + n 1 19 B - SPLINEOK VOLT: Ω n véges felosztás S n (Ω n ) véges dimenziós altér A bázis az úgynevezett egyoldalú
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Abszolútértékes és gyökös kifejezések
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Abszolútértékes és gyökös kifejezések A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval
RészletesebbenAz ellipszoid algoritmus
Az ellipszoid algoritmus Csizmadia Zsolt Eötvös Loránd Tudományegyetem Bevezető Az ellipszoid módszert a nemlineáris porgramozásra Shor [1970,0977] illetve Yudin és Nemirovskiî [1976] feljlesztették ki.
RészletesebbenFüggvény határérték összefoglalás
Függvény határérték összefoglalás Függvény határértéke: Def: Függvény: egyértékű reláció. (Vagyis minden értelmezési tartománybeli elemhez, egyértelműen rendelünk hozzá egy elemet az értékkészletből. Vagyis
RészletesebbenFüggvények Megoldások
Függvények Megoldások ) Az ábrán egy ; intervallumon értelmezett függvény grafikonja látható. Válassza ki a felsoroltakból a függvény hozzárendelési szabályát! a) x x b) x x + c) x ( x + ) b) Az x függvény
Részletesebben1. Parciális függvény, parciális derivált (ismétlés)
Operációkutatás NYME Gazdaságinformatikus mesterképzés El adó: Kalmár János (kalmar[kukac]inf.nyme.hu) Többváltozós széls érték számítás Parciális függvény, parciális derivált Széls érték korlátos zárt
RészletesebbenOptimalizálási eljárások MSc hallgatók számára Előadás
Optimalizálási eljárások MSc hallgatók számára 2 3. Előadás Előadó: Hajnal Péter 2014. február 20-27. 1. Dualizálás Tekintsük az alábbi, explicit feltételekkel megadott optimalizálási feladatot, amelyet
RészletesebbenA szimplex algoritmus
. gyakorlat A szimplex algoritmus Az előző órán bevezetett feladat optimális megoldását fogjuk megvizsgálni. Ehhez új fogalmakat, és egy algoritmust tanulunk meg. Hogy az algoritmust alkalmazni tudjuk,
RészletesebbenMatematika A1a Analízis
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Matematika A1a Analízis BMETE90AX00 A derivált alkalmazásai H607, EIC 2019-04-03 Wettl
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2018/
Operációkutatás I. 2018/2019-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
RészletesebbenAnalízis I. Vizsgatételsor
Analízis I. Vizsgatételsor Programtervező Informatikus szak 2008-2009. 2. félév Készítette: Szabó Zoltán SZZNACI.ELTE zotyo@bolyaimk.hu v.0.6 RC 004 Forrás: Oláh Gábor: ANALÍZIS I.-II. VIZSGATÉTELSOR 2006-2007-/2
RészletesebbenMATE-INFO UBB verseny, március 25. MATEMATIKA írásbeli vizsga
BABEŞ-BOLYAI TUDOMÁNYEGYETEM, KOLOZSVÁR MATEMATIKA ÉS INFORMATIKA KAR MATE-INFO UBB verseny, 218. március 25. MATEMATIKA írásbeli vizsga FONTOS TUDNIVALÓK: 1 A feleletválasztós feladatok,,a rész esetén
Részletesebben2. SZÉLSŽÉRTÉKSZÁMÍTÁS. 2.1 A széls érték fogalma, létezése
2 SZÉLSŽÉRTÉKSZÁMÍTÁS DEFINÍCIÓ 21 A széls érték fogalma, létezése Azt mondjuk, hogy az f : D R k R függvénynek lokális (helyi) maximuma (minimuma) van az x 0 D pontban, ha van olyan ε > 0 hogy f(x 0 )
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 10. előadás: Nemlineáris egyenletek numerikus megoldása Lócsi Levente ELTE IK 2013. november 18. Tartalomjegyzék 1 Bolzano-tétel, intervallumfelezés 2 Fixponttételek, egyszerű iterációk
RészletesebbenFüggvények határértéke, folytonossága FÜGGVÉNYEK TULAJDONSÁGAI, SZÉLSŐÉRTÉK FELADATOK MEGOLDÁSA
Függvények határértéke, folytonossága FÜGGVÉNYEK TULAJDONSÁGAI, SZÉLSŐÉRTÉK FELADATOK MEGOLDÁSA Alapvető fogalmak: Függvény fogalma Függvény helyettesítési értéke (függvényérték) Függvény grafikonja A
Részletesebben6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének
6. Függvények I. Elméleti összefoglaló A függvény fogalma, értelmezési tartomány, képhalmaz, értékkészlet Legyen az A és B halmaz egyike sem üreshalmaz. Ha az A halmaz minden egyes eleméhez hozzárendeljük
RészletesebbenTöbbváltozós, valós értékű függvények
TÖ Többváltozós, valós értékű függvények TÖ Definíció: többváltozós függvények Azokat a függvényeket, melyeknek az értelmezési tartománya R n egy részhalmaza, n változós függvényeknek nevezzük. TÖ Példák:.
RészletesebbenNemkonvex kvadratikus egyenlőtlenségrendszerek pontos dualitással
pontos dualitással Imre McMaster University Advanced Optimization Lab ELTE TTK Operációkutatási Tanszék Folytonos optimalizálás szeminárium 2004. július 6. 1 2 3 Kvadratikus egyenlőtlenségrendszerek Primál
RészletesebbenDescartes-féle, derékszögű koordináta-rendszer
Descartes-féle, derékszögű koordináta-rendszer A derékszögű koordináta-rendszerben a sík minden pontjához egy rendezett valós számpár rendelhető. A számpár első tagja (abszcissza) a pont y tengelytől mért
RészletesebbenFirst Prev Next Last Go Back Full Screen Close Quit
Többváltozós függvények (2) First Prev Next Last Go Back Full Screen Close Quit 1. Egyváltozós függvények esetén a differenciálhatóságból következett a folytonosság. Fontos tudni, hogy abból, hogy egy
RészletesebbenKétváltozós függvény szélsőértéke
Kétváltozós függvény szélsőértéke Sütő Andrea Kétváltozós függvény szélsőértéke Legyen adott f ( xy, ) kétváltozós függvény és ez legyen folytonosan totálisan differenciálható, azaz létezzenek az elsőrendű
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 6. előadás: Vektor- és mátrixnormák Lócsi Levente ELTE IK 2013. október 14. Tartalomjegyzék 1 Vektornormák 2 Mátrixnormák 3 Természetes mátrixnormák, avagy indukált normák 4 Mátrixnormák
RészletesebbenRekurzív sorozatok. SZTE Bolyai Intézet nemeth. Rekurzív sorozatok p.1/26
Rekurzív sorozatok Németh Zoltán SZTE Bolyai Intézet www.math.u-szeged.hu/ nemeth Rekurzív sorozatok p.1/26 Miért van szükség közelítő módszerekre? Rekurzív sorozatok p.2/26 Miért van szükség közelítő
Részletesebbenf(x) a (x x 0 )-t használjuk.
5. FÜGGVÉNYEK HATÁRÉRTÉKE ÉS FOLYTONOSSÁGA 5.1 Függvény határértéke Egy D R halmaz torlódási pontjainak halmazát D -vel fogjuk jelölni. Definíció. Legyen f : D R R és legyen x 0 D (a D halmaz torlódási
RészletesebbenTöbbváltozós, valós értékű függvények
Többváltozós függvények Többváltozós, valós értékű függvények Többváltozós függvények Definíció: többváltozós függvények Azokat a függvényeket, melyeknek az értelmezési tartománya R n egy részhalmaza,
Részletesebbenismertetem, hogy milyen probléma vizsgálatában jelent meg ez az eredmény. A kérdés a következő: Mikor mondhatjuk azt, hogy bizonyos események közül
A Borel Cantelli lemma és annak általánosítása. A valószínűségszámítás egyik fontos eredménye a Borel Cantelli lemma. Először informálisan ismertetem, hogy milyen probléma vizsgálatában jelent meg ez az
RészletesebbenFraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk
Fraktálok Kontrakciók Affin leképezések Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 71 A Lipschitz tulajdonság ÁTMÉRŐ, PONT ÉS HALMAZ TÁVOLSÁGA Definíció Az (S, ρ) metrikus tér
RészletesebbenFunkcionálanalízis. n=1. n=1. x n y n. n=1
Funkcionálanalízis 2011/12 tavaszi félév - 2. előadás 1.4. Lényeges alap-terek, példák Sorozat terek (Folytatás.) C: konvergens sorozatok tere. A tér pontjai sorozatok: x = (x n ). Ezen belül C 0 a nullsorozatok
RészletesebbenTovábbi forgalomirányítási és szervezési játékok. 1. Nematomi forgalomirányítási játék
További forgalomirányítási és szervezési játékok 1. Nematomi forgalomirányítási játék A forgalomirányítási játékban adott egy hálózat, ami egy irányított G = (V, E) gráf. A gráfban megengedjük, hogy két
Részletesebbensin x = cos x =? sin x = dx =? dx = cos x =? g) Adja meg a helyettesítéses integrálás szabályát határozott integrálokra vonatkozóan!
Matematika előadás elméleti kérdéseinél kérdezhető képletek Analízis II Határozatlan integrálszámítás g) t = tg x 2 helyettesítés esetén mivel egyenlő sin x = cos x =? g) t = tg x 2 helyettesítés esetén
Részletesebben1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)
Matematika A2c gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 2017/18 ősz 1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) 1. Valós vektorterek-e a következő
RészletesebbenMatematika. 4. konzultáció: Kétváltozós függvények szélsőértéke. Parciális függvény, parciális derivált
Matematika 1 NYME KTK, Egyetemi kiegészítő alapképzés 2004/2005. tanév, I. évf. I.félév Budapest Előadó: Dr. Takách Géza NyME FMK Informatikai Intézet 9400 Sopron, Bajcsy Zs. u. 9. GT fszt. 3. (99) 518
RészletesebbenOktatási Hivatal. 1 pont. A feltételek alapján felírhatók az. összevonás után az. 1 pont
Oktatási Hivatal Öt pozitív egész szám egy számtani sorozat első öt eleme A sorozatnak a különbsége prímszám Tudjuk hogy az első négy szám köbének összege megegyezik az ezen öt tag közül vett páros sorszámú
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenNorma Determináns, inverz Kondíciószám Direkt és inverz hibák Lin. egyenletrendszerek A Gauss-módszer. Lineáris algebra numerikus módszerei
Indukált mátrixnorma Definíció A. M : R n n R mátrixnormát a. V : R n R vektornorma által indukált mátrixnormának nevezzük, ha A M = max { Ax V : x V = 1}. Az indukált mátrixnorma geometriai jelentése:
RészletesebbenNumerikus integrálás
Közelítő és szimbolikus számítások 11. gyakorlat Numerikus integrálás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján 1. Határozatlan integrál
RészletesebbenNem-lineáris programozási feladatok
Nem-lineáris programozási feladatok S - lehetséges halmaz 2008.02.04 Dr.Bajalinov Erik, NyF MII 1 Elég egyszerű példa: nemlineáris célfüggvény + lineáris feltételek Lehetséges halmaz x 1 *x 2 =6.75 Gradiens
RészletesebbenHadamard-mátrixok Előadó: Hajnal Péter február 23.
Szimmetrikus kombinatorikus struktúrák MSc hallgatók számára Hadamard-mátrixok Előadó: Hajnal Péter 2012. február 23. 1. Hadamard-mátrixok Ezen az előadáson látásra a blokkrendszerektől független kombinatorikus
RészletesebbenMatematika A2 vizsga mgeoldása június 4.
Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont
RészletesebbenGauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei
A Gauss-Jordan elimináció, mátrixinvertálás Gauss-Jordan módszer Ugyanazzal a technikával, mint ahogy a k-adik oszlopban az a kk alatti elemeket kinulláztuk, a fölötte lévő elemeket is zérussá lehet tenni.
RészletesebbenA Matematika I. előadás részletes tematikája
A Matematika I. előadás részletes tematikája 2005/6, I. félév 1. Halmazok és relációk 1.1 Műveletek halmazokkal Definíciók, fogalmak: halmaz, elem, üres halmaz, halmazok egyenlősége, részhalmaz, halmazok
RészletesebbenMODELLEK ÉS ALGORITMUSOK ELŐADÁS
MODELLEK ÉS ALGORITMUSOK ELŐADÁS Szerkesztette: Balogh Tamás 214. december 7. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenMatematika II. 1 sin xdx =, 1 cos xdx =, 1 + x 2 dx =
Matematika előadás elméleti kérdéseinél kérdezhető képletek Matematika II Határozatlan Integrálszámítás d) Adja meg az alábbi alapintegrálokat! x n 1 dx =, sin 2 x dx = d) Adja meg az alábbi alapintegrálokat!
RészletesebbenAnalízis előadás és gyakorlat vázlat
Analízis előadás és gyakorlat vázlat Készült a PTE TTK GI szakos hallgatóinak Király Balázs 2010-11. I. Félév 2 1. fejezet Számhalmazok és tulajdonságaik 1.1. Nevezetes számhalmazok ➀ a) jelölése: N b)
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 11. előadás: A Newton-módszer és társai Lócsi Levente ELTE IK 2013. november 25. Tartalomjegyzék 1 A Newton-módszer és konvergenciatételei 2 Húrmódszer és szelőmódszer 3 Általánosítás
Részletesebben3. Lineáris differenciálegyenletek
3. Lineáris differenciálegyenletek A közönséges differenciálegyenletek két nagy csoportba oszthatók lineáris és nemlineáris egyenletek csoportjába. Ez a felbontás kicsit önkényesnek tűnhet, a megoldásra
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenGauss-Seidel iteráció
Közelítő és szimbolikus számítások 5. gyakorlat Iterációs módszerek: Jacobi és Gauss-Seidel iteráció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 ITERÁCIÓS
RészletesebbenSzélsőérték feladatok megoldása
Szélsőérték feladatok megoldása A z = f (x,y) függvény lokális szélsőértékének meghatározása: A. Szükséges feltétel: f x (x,y) = 0 f y (x,y) = 0 egyenletrendszer megoldása, amire a továbbiakban az x =
RészletesebbenMetrikus terek, többváltozós függvények
Metrikus terek, többváltozós függvények 2003.10.15 Készítette: Dr. Toledo Rodolfo és Dr. Blahota István 1. Metrikus terek, metrika tulajdonságai 1.1. A valós, komplex, racionális, természetes és egész
RészletesebbenAnalízis I. beugró vizsgakérdések
Analízis I. beugró vizsgakérdések Programtervező Informatikus szak 2008-2009. 2. félév Készítette: Szabó Zoltán SZZNACI.ELTE zotyo@bolyaimk.hu v1.7 Forrás: Dr. Weisz Ferenc: Prog. Mat. 2006-2007 definíciók
Részletesebben15. LINEÁRIS EGYENLETRENDSZEREK
15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
RészletesebbenDiszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet takach november 30.
1 Diszkrét matematika I, 12 előadás Dr Takách Géza NyME FMK Informatikai Intézet takach@infnymehu http://infnymehu/ takach 2005 november 30 Vektorok Definíció Egy tetszőleges n pozitív egész számra n-komponensű
Részletesebben