[Τεχνικές Βελτιστοποίησης] Εργαστηριακή Άσκηση 3

[Thmmy.gr portal]

  Thmmy.gr portal
   Forum
   Downloads
   Ενεργ. Λογαριασμού
   Επικοινωνία
  
  Χρήσιμα links
   Σελίδα τμήματος
   Βιβλιοθήκη Τμήματος
   Elearning
   Φοιτητικά fora
   Πρόγραμμα Λέσχης
   Πρακτική Άσκηση
   Ηλεκτρονική Εξυπηρέτηση Φοιτητών
   Διανομή Συγγραμμάτων
   Ψηφιακό Καταθετήριο Διπλωματικών
   Πληροφορίες Καθηγητών
   Instagram @thmmy.gr
   mTHMMY
  
  Φοιτητικές Ομάδες
   ACM
   Aristurtle
   ART
   ASAT
   BEAM
   BEST Thessaloniki
   EESTEC LC Thessaloniki
   EΜΒ Auth
   IAESTE Thessaloniki
   IEEE φοιτητικό παράρτημα ΑΠΘ
   SpaceDot
   VROOM
   Panther
  

THMMY.gr Web

Helios_MultiScribbles2SMF Default ThemeSMFone_Blue

[Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads]

Είσαι πρωτοετής;... Καλώς ήρθες! Μπορείς να βρεις πληροφορίες εδώ. Βοήθεια για τους καινούργιους μέσω χάρτη.

Κατεβάστε εδώ το Android Application για εύκολη πρόσβαση στο forum.

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads με προσοχή στα ονόματα των αρχείων!

[height=400]

  Όταν ανεβάζουμε φωτογραφίες στις Ανακοινώσεις και Έκτακτα νέα, βάζουμε τη μεγαλύτερη πλευρά 400 (width=400 ή height=400 ). π.χ. [img height=400 (κλείνει η αγκύλη) 

[TTL]

μια ερωτηση για τη μεθοδο Newton. Δεδομενου οτι αν δεν πειραξουμε τον Hessian η μεθοδος αποκλινει, πρεπει να βρουμε ενα τροπο να τον κανουμε θετικα ορισμενο. Υπαρχει καποιος απλος τροπος να το κανουμε αυτο; Μεχρι στιγμης εχω ενα loop που του προσθετει το m*eye(2) καθε φορα μεχρις ωτου να βγει θετικα ορισμενος. Νομιζω ομως οτι υπαρχει ενας τροπος να του προσθεσουμε με τη μια μια standar τιμη που σχετιζεται με τις ιδιοτιμες του....Ξερει κανεις ακριβως; Επισης, μετα την τροποποίηση η μεθοδος πρεπει να συγκλινει οπως και οι αλλες; Γιατι εμενα αποκλινει...

[SportBillyPap]

Εχει κανεις αλλος τη συζηγη κληση με recursion?

[Ephialtes]

Νομιζω ομως οτι υπαρχει ενας τροπος να του προσθεσουμε με τη μια μια standar τιμη που σχετιζεται με τις ιδιοτιμες του....Ξερει κανεις ακριβως; Επισης, μετα την τροποποίηση η μεθοδος πρεπει να συγκλινει οπως και οι αλλες; Γιατι εμενα αποκλινει...

Αυτο που λες ειναι η μεθοδος Lovenberg-Marquardt.  Τσεκαρε τις σελιδες 138-140.

[TTL]

ok thx!

[billios]

Εβγαλε κάποιος κανένα γενικό συμπέρασμα από τη χρήση των μεθόδων?

[TTL]

εγώ δε μπορώ να φτιάξω με τίποτα την levenberg. Δοκιμάζω b = 0.1:0.1:1 και βρίσκω πολλά που να ικανοποιούν το κριτήριο 3, αλλά μετα δε μπορώ με τιποτα να βρω α ώστε να ικανοποιηθεί το 4...καποιος που το εχει πετυχει μπορει να μας πει τι περιπου τιμες να ψαξουμε;

[DoraTheExplorer]

Στη μέθοδο αυτή αφιερώνει μερικές σελίδες για αυτές τις παραμέτρους α,β και το μπερδεύει μάλλον, οπότε δε θα στα πω με απόλυτη σιγουριά. Το hint νομίζω είναι να ικανοποιήσεις πρώτα το κριτήριο 4 γιατί μετά σιγουρεύται το 3 (αυτό κατάλαβα από το θεώρημα για την εφικτή επιλογή). Επίσης αυτό φαίνεται και από τον κανόνα Armijo

[SportBillyPap]

Για αυτη τη μεθοδο το γκ δε το επιλεγουμε με τις μεθοδους που μας λεει αυτος ε?Δλδ τυχαιο η να ελαχιστοποιει τη συναρτηση.Απλα ψαχνουμε ενα γκ που να ικανοποιει τα κριτιρια?

[TTL]

εντάξει είχα κάνει μαλακία εγώ τελικά βγαίνει....Απαράδεκτα αργό όμως. Νομίζω εννοείται ότι εδώ κάνουμε μόνο τη μέθοδο με τα κριτήρια αφού αυτό είναι όλο το νόημα της μεθόδου...

[Faqade]

Δοκίμασε κανένας την quasi όπως την έχει στο βιβλίο και του συγκλίνει?Γενικά ο πίνακας Δ μετά από ένα σημείο προκύπτει μόνιμα αρνητικά ορισμένος.Κάτι τέτοιο είναι λογικό? Ακόμα  αφού μετά από n βήματα ο αλγόριθμος quasi συμπεριφέρεται σαν απλώς Newton τότε δεν είναι λογικό να μην συγκλίνει και ο quasi?

[svart]

Δοκίμασε κανένας την quasi όπως την έχει στο βιβλίο και του συγκλίνει?Γενικά ο πίνακας Δ μετά από ένα σημείο προκύπτει μόνιμα αρνητικά ορισμένος.Κάτι τέτοιο είναι λογικό? Ακόμα  αφού μετά από n βήματα ο αλγόριθμος quasi συμπεριφέρεται σαν απλώς Newton τότε δεν είναι λογικό να μην συγκλίνει και ο quasi?

Εμένα συγκλίνει στην ελαχιστοποίηση και στον ευριστικό. Δοκίμασε να διευρύνεις το διάστημα αναζήτησης του γ όταν κανεις εσωτερική βελτιστοποίηση. Εμένα πχ στο [0, 2/norm(dk)] το βρίσκει

[Napoleon]

Γενικά πιο είναι περίπου το ελάχιστο της συνάρτησης?

Επίσης πώς μπορούμε να χρησιμοποιήσουμε τις μεθόδους της 1ης εργασίας,αφού μπορεί ναι μεν η h(γκ) να είναι μιας μεταβλητής,αλλά δεν είναι μονοδιάστατη και το βιβλίο λέει ότι ισχύουν για μονοδιάστατες

[svart]

Γενικά πιο είναι περίπου το ελάχιστο της συνάρτησης?

Επίσης πώς μπορούμε να χρησιμοποιήσουμε τις μεθόδους της 1ης εργασίας,αφού μπορεί ναι μεν η h(γκ) να είναι μιας μεταβλητής,αλλά δεν είναι μονοδιάστατη και το βιβλίο λέει ότι ισχύουν για μονοδιάστατες

To (-0.5, -0.5) είναι το ελάχιστο και οταν θες να ελαχιστοποίησεις την f(xk +γ dk) η οπόια είναι απο το R -> R(αφου xk, dk σταθερά) μπορείς κανονικότατα να χρησιμοποίησεις τις μεθόδους της προηγούμενης εργασίας

[Napoleon]

Γενικά πιο είναι περίπου το ελάχιστο της συνάρτησης?

Επίσης πώς μπορούμε να χρησιμοποιήσουμε τις μεθόδους της 1ης εργασίας,αφού μπορεί ναι μεν η h(γκ) να είναι μιας μεταβλητής,αλλά δεν είναι μονοδιάστατη και το βιβλίο λέει ότι ισχύουν για μονοδιάστατες

To (-0.5, -0.5) είναι το ελάχιστο και οταν θες να ελαχιστοποίησεις την f(xk +γ dk) η οπόια είναι απο το R -> R(αφου xk, dk σταθερά) μπορείς κανονικότατα να χρησιμοποίησεις τις μεθόδους της προηγούμενης εργασίας

Μα δεν είναι σταθερά διανύσματα Και όχι αριθμοι;
Δεν μπορώ να καταλάβω,όταν έχεις την f (x , y) τι είναι το f (xk+γdk).θέλω να πω αν πχ f (x, y)=2x+3y τι είναι το f (5+7γ) ?

[svart]

Γενικά πιο είναι περίπου το ελάχιστο της συνάρτησης?

Επίσης πώς μπορούμε να χρησιμοποιήσουμε τις μεθόδους της 1ης εργασίας,αφού μπορεί ναι μεν η h(γκ) να είναι μιας μεταβλητής,αλλά δεν είναι μονοδιάστατη και το βιβλίο λέει ότι ισχύουν για μονοδιάστατες

To (-0.5, -0.5) είναι το ελάχιστο και οταν θες να ελαχιστοποίησεις την f(xk +γ dk) η οπόια είναι απο το R -> R(αφου xk, dk σταθερά) μπορείς κανονικότατα να χρησιμοποίησεις τις μεθόδους της προηγούμενης εργασίας

Μα δεν είναι σταθερά διανύσματα Και όχι αριθμοι;
Δεν μπορώ να καταλάβω,όταν έχεις την f (x , y) τι είναι το f (xk+γdk).θέλω να πω αν πχ f (x, y)=2x+3y τι είναι το f (5+7γ) ?

To διάνυσμα xk +γ dk όπως και κάθε διάνυσμα xk αποτελουν σημεία στο χώρο R^2. Οπότε όταν έχεις xk +γ dk έχεις ένα σημείο στο χώρο με συντεταγμένες (x,y).