Über Optimierungsprobleme bei partiellen Dierentialgleichungen mit Zustandsbeschränkungen
|
|
- Heini Mann
- vor 6 Jahren
- Abrufe
Transkript
1 Über Optimierungsprobleme bei partiellen Dierentialgleichungen mit Zustandsbeschränkungen Arnd Rösch Universität Duisburg-Essen Fachbereich Mathematik Zell im Zillertal, 8. März 2009
2 Inhalt 1 Lagrangesche Multiplikatoren Endlichdimensionale Optimierungsprobleme Optimierungsprobleme in Funktionenräumen Optimalsteuerprobleme Das Kleingedruckte 2 Optimalsteuerprobleme mit Steuer- und Zustandsbeschränkungen Der allgemeine Fall Das Casas-Beispiel Das Casas-Tröltzsch-Beispiel 3 Regularisierung Überblick Virtuelle Steuerungen
3 Nichtlineare Optimierungsprobleme Optimierungsproblem min f (x ) bei g(x ) 0 Lagrangefunktion L(x; ) = f (x ) + g(x ) Karush-Kuhn-Tucker Bedingungen L x = f 0 (x ) + g 0 (x ) = 0; 0; g(x ) = 0 Um die Existenz von Lagrangeschen Multiplikatoren zu sichern, benötigt man eine Regularitätsbedingung (CQ), z. B. Slater, MFCQ, LICQ,...
4 Gegenbeispiel Optimierungsproblem min(x + 1) 2 bei x 2 0 Natürlich ist die Lösung der einzige zulässige Punkt x = 0. Wir nden aber L(x; ) = (x + 1) 2 + x 2 L x (x; ) = 2(x + 1) = 2 6= 0: Folglich existiert für x = 0 kein Lagrangescher Multiplikator so dass das KKT-System erfüllt ist für die optimale Lösung.
5 Bemerkung zum Gegenbeispiel In der Optimierungstheorie (Optimalsteuertheorie) arbeitet man häug mit linearisierten Problemen. Das heiÿt, man linearisiert das Problem im optimalen Punkt. Linearisiertes Problem min f (x 0 ) + f 0 (x 0 )(x x 0 ) bei g(x 0 ) + g 0 (x 0 )(x x 0 ) 0: Wir nden für unser Beispiel min 1 + 2x bei : Dieses Minimierungsproblem besitzt keine Lösung! Im besonderen ist die Lösung des nichtlinearen Problems keine Lösung des linearisierten Problems. Konsequenz: Regularitätsbedingungen sind wichtig!
6 Optimierungsprobleme in Funktionenräumen I Wir bemerken zunächst, dass die Fréchet-Dierenzierbarkeit von Nemytski-Operatoren im allgemeinen nur in L 1 gewährleistet ist. Wir wollen uns mit diesem Aspekt nicht weiter beschäftigen (! Buch von Fredi Tröltzsch). Wir diskutieren hier die Slater-Bedingung, d.h. die Existenz eines inneren Punktes. Theorem Die Menge der nichtnegativen Funktionen besitzt keinen inneren Punkt. M := ff 2 L 2 (0; 1); f (x ) 0 f.ü.g Wir überprüfen dies nur für f 1 und betrachten f n = { 1 für x 2 (0; 1=n) 1 für x 2 (1=n; 1) kf n f k 2 = 4=n! 0:
7 Optimierungsprobleme in Funktionenräumen II In L 1 (0; 1) verändert sich die Situation. Theorem Jede Funktion g 2 L 1 (0; 1) mit g(x ) > 0 fast überall ist ein innerer Punkt von M 1 := ff 2 L 1 (0; 1); f (x ) 0 f.ü.g: Beweis: Man nehme eine Kugel B mit Radius =2 und Mittelpunkt g. Dann gilt für eine beliebige Funktion h 2 B: h(x ) g(x ) =2 =2 > 0 a.e. Damit können wir den Raum L 1 (0; 1) für Optimierungsprobleme verwenden.
8 Optimierungsprobleme in Funktionenräumen III Was sind die Konsequenzen der Wahl des Funktionenraumes X = L 1? Die Lagrangeschen Multiplikatoren sind lineare und stetige Funktionale bezüglich X, d.h., gehört zum Dualraum von X. Der Dualraum von L 1 enthält Funktionen des Raumes L 1 aber auch Maÿe. Abstraktes Lagrangefunktional L(x; ) = f (x ) + hg; i L 1 ;(L 1 ) Probleme Existenz und Eindeutigkeit der dualen Variablen Regularität von Lösungen Hinreichende Optimalitätsbedingungen Numerisches Verhalten
9 Optimalsteuerprobleme mit Steuerbeschränkungen I Zielfunktional F (y ; u) = 1 2 ky y dk 2 L 2 () + 2 kuk2 L 2 () Zustandsgleichung y = u in y = 0 auf Steuerbeschränkungen u(x ) u b f.ü.
10 Optimalsteuerprobleme mit Steuerbeschränkungen II Lagrangefunktion L(y ; u; p; ) = F (y ; u) (ry ; rp) + (u; p) + hu u b ; i Adjungierte Gleichung (L y = 0) p = y y d on p = 0 on Damit gehört der adjungierte Zustand zumindest zu H 1. Optimalitätsbedingung (L u = 0) (p; h) + (u; h) + hh; i = 0 8h 2 L 1 () Die letzte Gleichung bedeutet (p + u) = im Sinne von (L 1 ) : Damit können wir mit einer messbaren Funktion identizieren.
11 Optimalsteuerprobleme mit Steuerbeschränkungen III Optimalitätsbedingungen hu u b ; i = 0 0 Was heiÿt 0 in L 1 ()? Bedeutung von 0 0 () hh; i 0 8h 2 L 1 (); h 0 f.ü. Da eine messbare Funktion ist, kann man kurz schreiben (x ) 0 f.ü.
12 Optimalsteuerprobleme mit Steuerbeschränkungen IV Wie sieht es aus mit Existenz und Eindeutigkeit der dualen Variablen? Für unsere einseitige Beschränkung ist das trivial nachzuweisen. Aber was passiert bei u a u u b? Für die Existenz benötigt man oenbar u a u b. Setzt man die Multiplikatoren a = (p + u) +, b = (p + u) so erfüllen diese Multiplikatoren alle bedingungen. Gibt es bei stetigen u a und u b einen Punkt x mit u a (x ) = u b (x ) dann sind die Multiplikatoren nicht eindeutig, da man zu beiden Multiplikatoren noch ein Punktmaÿ addieren kann.
13 Optimalsteuerprobleme mit gemischten Beschränk. I Zielfunktional F (y ; u) = 1 2 ky y dk 2 L 2 () + 2 kuk2 L 2 () Zustandsgleichung y = u in y = 0 auf Gemischte Beschränkungen y (x ) + u(x ) u b f.ü.
14 Optimalsteuerprobleme mit gemischten Beschränk. II Lagrangefunktion L(y ; u; p; ) = F (y ; u) (ry ; rp) + (u; p) + hu + y u b ; i Adjungierte Gleichung (L y = 0) in schwacher Formulierung Was bedeutet diese Gleichung? Das Funktional (rv ; rp) + (y y d ; v ) + hv ; i = 0 hv ; i ist nur deniert für v 2 L 1 (). Damit ist die Forderung v 2 H0 1 nicht ausreichend! Das Funktional ist wohldeniert für v 2 W 1;s0 0 mit s 0 > d (d - Dimension von ). Damit gehört der adjungierte Zustand p zum Raum W 1;s 0 mit 1 1 s 0 + s = 1 =) s d < d 1 :
15 Optimalsteuerprobleme mit gemischten Beschränk. III Optimalitätsbedingung (L u = 0) (p; h) + (u; h) + hh; i = 0 8h 2 L 1 () Die letzte Gleichung bedeutet (p + u) = im Sinne von (L 1 ) : Damit kann wieder mit einer messbaren Funktion identiziert werden. Wegen 2 L 2 () kann man die adjungierte Gleichung auch wieder im üblichen schwachen Sinne betrachten.
16 Optimalsteuerprobleme mit Zustandsbeschränkungen I Zielfunktional F (y ; u) = 1 2 ky y dk 2 L 2 () + 2 kuk2 L 2 () Zustandsgleichung y = u in y = 0 auf Zustandsbeschränkungen y (x ) y b f.ü.
17 Optimalsteuerprobleme mit Zustandsbeschränkungen II Lagrangefunktion L(y ; u; p; ) = F (y ; u) (ry ; rp) + (u; p) + hy y b ; i Adjungierte Gleichung (L y = 0) in schwacher Formulierung (rv ; rp) + (y y d ; v ) + hv ; i = 0 Erneut gehört der adjungierte Zustand p zu W 1;s 0 mit s < d d 1 : Optimalitätsbedingung (L u = 0) p + u = 0
18 Optimalsteuerprobleme mit Zustandsbeschränkungen III Optimalitätsbedingungen hy y b ; i = 0 0 Wir wiederholen die Bedeutung von 0 in L 1 () : Bedeutung von 0 0 () hh; i 0 8h 2 L 1 (); h 0 f.ü. In diesem Fall besitzen wir keine Möglichkeit, zusätzliche Regularität von zu zeigen. Damit müssen wir mit 2 L 1 () rechnen.
19 Optimalsteuerprobleme mit Zustandsbeschränkungen IV Für die Denition unserer Lagrangefunktion benötigten wir, dass der Zustand y messbar und beschränkt ist. Daher benötigt man für die Existenz Lagrangescher Multiplikatoren: S : U! Y,! L 1 Die Eindeutigkeit erhält man für unser Beispiel auf folgendem Weg. Aus der Optimalitätsbedingung p + u = 0 folgt die Eindeutigkeit von p und aus der adjungierten Gleichung die von. Für Randsteuerprobleme ist das aber schon nicht mehr richtig. Wir erhalten lediglich die Eindeutigkeit der Randwerte von p.
20 Das Meyer-Prüfert-Tröltzsch-Beispiel In einer Arbeit von Meyer, Prüfert und Tröltzsch wird ein Beispiel mit einer analytischen Lösung konstruiert mit einem Dirac-Maÿ als Lagrangescher Multiplikator.
21 Das Meyer-Prüfert-Tröltzsch-Beispiel In einer Arbeit von Meyer, Prüfert und Tröltzsch wird ein Beispiel mit einer analytischen Lösung konstruiert mit einem Dirac-Maÿ als Lagrangescher Multiplikator. Ist unsere Theorie falsch? 62 L 1 ()
22 Das Meyer-Prüfert-Tröltzsch-Beispiel In einer Arbeit von Meyer, Prüfert und Tröltzsch wird ein Beispiel mit einer analytischen Lösung konstruiert mit einem Dirac-Maÿ als Lagrangescher Multiplikator. Ist unsere Theorie falsch? 62 L 1 () Scheinbar muss entweder das Beipiel oder die Theorie falsch sein. Bei näherem Hinschauen erkennt man jedoch, dass beides seine Richtigkeit hat. Gehen wir also den Dingen auf den Grund.
23 Satz von Hahn-Banach Das Dirac-Maÿ ist Element des Raumes C ( ), d.h. die Funktionalanwendung ist für alle f 2 C ( ) sauber deniert. Der Raum C ( ) ist ein abgeschlossener linearer Teilraum von L 1 (). Satz von Hahn-Banach Das Dirac-Maÿ lässt sich zu einem Funktional aus L 1 () fortsetzen. Die Fortsetzung des Funktionals ist nicht eindeutig. Die Art und Weise der Fortsetzung ist aber hier nicht von Belang: Wir verwenden den Lagrange Multiplikator nur in der adjungierten Gleichung. Hier gilt es das duale Produkt mit v 2 W 1;s0 mit s 0 > d auszuwerten. Dieser Sobolevraum ist aber nicht nur in L 1 eingebettet, sondern auch in C ( ). Da wir das Dirac-Maÿ nur auf stetige Funktionen anwenden müssen, spielt also die Art und Weise der Fortsetzung keine Rolle.
24 Vorzüge der C -Darstellung Wie wir gesehen haben, können wir sowohl L 1 () als auch C ( ) zur Beschreibung der Lagrangeschen Multiplikatoren verwenden. Je nach beabsichtigten Zweck ist die eine oder die andere Darstellung vorzuziehen. Die Darstellung eines Multiplikators in C ( ) gestattet folgende Zerlegung: Zerlegung von = + : Der Anteil kann als Quelle interpretiert werden, während Randbedingung eine Rolle spielt. in der Konsequenz: Eine Zustandsbedingung auf wirkt sich auch auf den Rand aus!
25 Auswirkungen der (L 1 ) -Darstellung Die Darstellung in (L 1 ) ist theoretisch durchaus nützlich: Theorem (Hewitt und Yosida 1952) = reg + sing : Der reguläre Anteil kann mit einer messbaren Funktion reg 2 L 1 () identiziert werden. Der singuläre Anteil ist ein sogenanntes endlich additives Maÿ. Es gilt 0 ) reg 0; sing 0: Der singuläre Anteil kann wie folgt charakterisiert werden: Es gibt eine Folge von Mengen E n mit meas(e n )! 0 und fd sing = E n fd sing Das Maÿ ist also auf einer Menge beliebig kleinen Maÿes konzentriert.
26 Konsequenzen I - Regulärer Fall Für Probleme mit Steuer- oder gemischten Beschränkungen können wir messbare Funktionen als Lagrangesche Multiplikatoren erwarten. In vielen Fällen ist es möglich nachzuweisen, dass diese Multiplikatoren auch beschränkt sind. Abhängig von Gleichung, Gebiet und Regularität der Daten kann man zeigen, dass die optimalen Steuerungen sogar Lipschitz- oder Hölderstetige Funktionen sind. Die Regularität der Lösungen erlaubt es hinreichende Optimalitätsbedingungen zweiter Ordnung (SSC) für nichtlineare Probleme herzuleiten. (SSC) ist die Basis für Lipschitzstabilität von Lösungen und die Konvergenzanalysis von schnellen numerischen Verfahren (SQP)
27 Konsequenzen II - Zustandsbeschränkungen Im Fall reiner punktweiser Zustandsbeschränkungen müssen wir mit Maÿen als Lagrangesche Multiplikatoren rechnen. Der adjungierte Zustand und die optimale Steuerung gehören dann zum Raum W 1;s welcher nicht in die Räume stetiger (oder beschränkter) Funktionen eingebettet ist. Hinreichende Bedingungen zweiter Ordnung (SSC) sind nur in speziellen Fällen bekannt (elliptisch: siehe Casas/Tröltzsch, parabolisch: siehe Raymond/Tröltzsch). Dabei gibt es Beschränkungen an die Dimension der Ortsgebiete. Konvergenzanalysis für zustandsbeschränkte Probleme is de facto unbekannt (aktive-mengen-strategien, Innere-Punkte-Verfahren, SQP,...)
28 Inhalt 1 Lagrangesche Multiplikatoren Endlichdimensionale Optimierungsprobleme Optimierungsprobleme in Funktionenräumen Optimalsteuerprobleme Das Kleingedruckte 2 Optimalsteuerprobleme mit Steuer- und Zustandsbeschränkungen Der allgemeine Fall Das Casas-Beispiel Das Casas-Tröltzsch-Beispiel 3 Regularisierung Überblick Virtuelle Steuerungen
29 Der allgemeine Fall I Beschränkungen i (x ) g i (y (x ); u(x ); x ) i (x ) i = 1; ::; K i ; i 2 L 1 () Erste Voraussetzung D u g i (y (x ); u(x ); x ) M > 0 Damit werden reine Zustandsbeschränkungen nicht zugelassen.
30 Der allgemeine Fall II Sicherheitsmengen M i := fx : g i (y (x ); u(x ); x ) i 0g M i := fx : i g i (y (x ); u(x ); x ) 0g Zweite Voraussetzung 9 : M i \ i M i = ; Untere und obere Schranken sind nicht zur selben Zeit aktiv. i
31 Der allgemeine Fall III Lemma Es existiert eine Funktion h 2 L 1 () mit D u g i (y (x ); u(x ); x )h(x ) 1 on M i D u g i (y (x ); u(x ); x )h(x ) 1 on M i Theorem (Rösch und Tröltzsch 2007) Die Lagrangeschen Multiplikatoren zu allen Ungleichungsnebenbedingungen sind messbare und beschränkte Funktionen.
32 Das Casas-Beispiel I Zielfunktional F (y ; u) = 1 2 ky y dk 2 L 2 () + 2 kuk2 L 2 () Zustandsgleichung y = u in y = 0 auf Beschränkungen u a u u b y (x i ) y i i = 1; ::; N Wir haben also endlich viele punktweise Zustandsbeschränkungen.
33 Das Casas-Beispiel II Nehmen wir einmal an, dass eine Zustandsbeschränkung aktiv ist in x i. Was sind die Konsequenzen daraus? Das Maÿ i ist jetzt ein Punktmaÿ (Dirac). Damit ist der adjungierte Zustand p unbeschränkt in x i. Lokal ergibt sich (in 2D) das folgende Verhalten: p(x ) = c ln(jx x i j) + eine glatte Funktion Die Projektionsformel u = [ua;u b ] ( 1 ) p impliziert damit, dass die Steuerbeschränkung aktiv ist in einer Umgebung von x i. Damit ist die optimale Steuerung u Lipschitz-stetig! Zusammenfassung: Zusätzliche Beschränkungen können die Regularität optimaler Steuerungen erhöhen!
34 Das Casas-Tröltzsch-Beispiel I Zielfunktional F (y ; u) = 1 2 ky y dk 2 L 2 () + 2 kuk2 L 2 () Zustandsgleichung y = u in y = 0 auf Beschränkungen u a u u b y y c Für die Schranken wird gefordert u a ; u b 2 H 1 \ L 1.
35 Das Casas-Tröltzsch-Beispiel II Hier ist die Singularitätendiskussion oenbar nicht mehr möglich. Trotzdem zeigen Casas und Tröltzsch: Die Steuerungen gehören für beliebige Ortsdimension zu H 1 \ L 1 Sebst bei strengsten Glattheitsforderungen an alle Daten erhält man keine Stetigkeit der optimalen Steuerung. Bauweise des Gegenbeispiels: Die Beschränkung ist in einer Folge von Punkten mit einem Häufungspunkt aktiv. Im Häufungspunkt der Punktsingularitäten ist die optimale Steuerung unstetig.
36 Inhalt 1 Lagrangesche Multiplikatoren Endlichdimensionale Optimierungsprobleme Optimierungsprobleme in Funktionenräumen Optimalsteuerprobleme Das Kleingedruckte 2 Optimalsteuerprobleme mit Steuer- und Zustandsbeschränkungen Der allgemeine Fall Das Casas-Beispiel Das Casas-Tröltzsch-Beispiel 3 Regularisierung Überblick Virtuelle Steuerungen
37 Zustandsbeschränkungen und Steuerungen auf derselben Menge Zielfunktional min J(u) = F (y ; u) = 1 2 ky y dk 2 L 2 () + 2 kuk2 L 2 () Zustandsgleichung Ay = u in y = 0 auf Beschränkungen y c y f.ü. in 0 0 u b f.ü. in
38 Schwierigkeiten Nehmen wir einmal an eine Zustandsbeschränkung y = y c ist aktiv auf einem Teilgebiet.! Dann erhält man die optimale Steuerung durch zweimaliges Dierenzieren der Daten: Ay c = u: Folglich haben wir! gewisse Eigenschaften schlecht gestellter Probleme! speziell hohe Konditionszahlen nach der Diskretisierung! Eindeutigkeit der adjungierten Variablen ist nicht garantiert. Auÿerdem wissen wir dass die Multiplikatoren der Zustandsbeschränkungen im allgemeinen Maÿe sind. Das wirkt sich in der geringen Regularität des adjungierten Zustandes und der optimalen Steuerung aus.
39 Konzepte Es gibt verschiedene Konzepte zustandsbeschränkte Probleme zu lösen: Direkter Zugang (discretize then optimize): Deckelnick, Hinze, Meyer,... Strafterme: Hintermüller, Ito, Kunisch Innere-Punkte-Verfahren: Schiela, Ulbrich, Weiser Quelldarstellungen: Neitzel, Tröltzsch, Yousept Mein favorisierter Zugang:! Lavrentiev Regularisierung (Meyer, Rösch, Tröltzsch) Lavrentiev Regularisierung "u + y y c Vorteil: glatte Lösungen (Lipschitz stetige optimale Steuerungen), Fehlerabschätzung (Cherednichenko, Rösch): ku u " k L 2 () c p "
40 Numerische Probleme bei der Lavrentievregularisierung Bei der Umsetzung der Lavrentievidee können folgende Schwierigkeiten auftreten. Die aktiven Mengen für die Steuerbeschränkungen und die gemischten Beschränkungen überschneiden sich. Das führt zur Nichteindeutigkeit der dualen Variablen Diskretisierte Systeme weisen singuläre Matrizen auf Diese Probleme werden durch eine Modikation der Idee überwunden. Wir bezeichnen dies als Konzept der virtuellen Steurungen.
41 Randsteuerung und Beschränkungen im Gebiet Lavrentiev Regularisierung ist nicht möglich. Zielfunktional min J(u) = F (y ; u) = 1 2 ky y dk 2 L 2 () + 2 kuk2 L 2 ( ) Zustandsgleichung Ay + y = 0 na y = u auf Beschränkungen y c y f.ü. in u a u u b f.ü. auf
42 Virtuelle Steuerungen Zielfunktional min (y ; u; v 1 ) = 2 ky y dk 2 L 2 () + (") 2 kuk2 +f L 2 ( ) 2 kvk2 L 2 () Zustandsgleichung Ay + y = g(")v na y = u auf Beschränkungen f, g, h sind positive Funktionen. y c y h(")v f.ü. in u a u u b f.ü. auf
43 Virtuelle Steuerungen - Eigenschaften Einige Eigenschaften des Konzeptes: Der Regularisierungsfehler kann abgeschätzt werden. Damit ergeben sich Kriterien für eine vernünftige Wahl der Funktionen f, g, h. Die Wahl g 0 ist äquivalent zum Hintermüller-Ito-Kunisch-Konzept. Eindeutigkeit der dualen Variablen Konvergenztheorie für Primal-Duale-Aktive-Mengen-Strategien. Darüber hinaus sind Abschätzungen für Diskretisierungsfehler bekannt.
44 Zusammenfassung Reine Zustandsbeschränkungen führen (im Gegensatz zu anderen Beschränkungen) auf Maÿanteile bei den Lagrangeschen Multiplikatoren. Eine Regularisierung dieser Probleme ist möglich. Der Diskretisierungsfehler kann abgeschätzt werden. Zur numerischen Lösung kann man aktive-mengen-strategien und Innere Punkte-Methoden verwenden.
Optimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
Optimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
Konvergenz, Filter und der Satz von Tychonoff
Abschnitt 4 Konvergenz, Filter und der Satz von Tychonoff In metrischen Räumen kann man topologische Begriffe wie Stetigkeit, Abschluss, Kompaktheit auch mit Hilfe von Konvergenz von Folgen charakterisieren.
Finite Elemente I 2. 1 Variationstheorie
Finite Elemente I 2 1 Variationstheorie 1 Variationstheorie TU Bergakademie Freiberg, SoS 2007 Finite Elemente I 3 1.1 Bilinearformen Definition 1.1 Sei V ein reeller normierter Vektorraum. Eine Bilinearform
5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
ist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
Wendepunkte. Jutta Schlumberger
Wendepunkte Jutta Schlumberger Ausarbeitung zum Vortrag im Proseminar Überraschungen und Gegenbeispiele in der Analysis (Sommersemester 2009, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In dieser Ausarbeitung
Optimale Steuerung partieller Differentialgleichungen Optimal Control of Partial Differential Equations
Prof. Dr. H. J. Pesch Lehrstuhl für Ingenieurmathematik Universität Bayreuth Optimale Steuerung partieller Differentialgleichungen Optimal Control of Partial Differential Equations (Teil 1: SS 26) 4. Übung
Musterlösung. TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik. Klausur Mathematik für Physiker 3 (Analysis 2) I... II...
................ Note I II Name Vorname 1 Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 3 Unterschrift der Kandidatin/des Kandidaten 4 TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik
Skript zur Vorlesung Optimale Steuerung partieller Differentialgleichungen
Skript zur Vorlesung Optimale Steuerung partieller Differentialgleichungen Christian Meyer gekürzte Version eines Skripts von Prof. Roland Griesse Dieses Vorlesungsskript entspricht einer gekürzten Version
Optimalitätsbedingungen
Optimalitätsbedingungen Nadja Irmscher 28. Mai 2010 1 Nachweis von Suboptimalität und Abbruchkriterien Über das gegebene Programm minimiere f 0 (x) über x D sodass f i (x) 0, i = 1,..., m h i (x) = 0,
Rückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
Mathematik 2 für Wirtschaftsinformatik
für Wirtschaftsinformatik Sommersemester 2012 Hochschule Augsburg Hinreichende Bedingung für lokale Extrema Voraussetzungen Satz D R n konvex und offen Funktion f : D R zweimal stetig partiell differenzierbar
Dualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
3 Optimierung mehrdimensionaler Funktionen f : R n R
3 Optimierung mehrdimensionaler Funktionen f : R n R 31 Optimierung ohne Nebenbedingungen Optimierung heißt eigentlich: Wir suchen ein x R n so, dass f(x ) f(x) für alle x R n (dann heißt x globales Minimum)
Absolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
11 Optimierung von Funktionen einer Veränderlichen
11 Optimierung von Funktionen einer Veränderlichen In diesem Kapitel werden die bis hier behandelten Grundlagen der Analysis genutzt, um Methoden aus der Optimierungstheorie für eindimensionale Entscheidungsmengen
4.1 Motivation von Variationsmethoden Variationsmethoden im Sobolevraum Motivation von Variationsmethoden
Kapitel 4 Das Dirichlet Prinzip Bevor wir uns der Lösung von Randwertproblemen mithilfe der eben entwickelten Techniken zuwenden, wollen wir uns einer Idee zur Lösung widmen, die einige Elemente dieser
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung mit Ungleichungsnebenbedingungen Dr. Nico Düvelmeyer Freitag, 8. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 NLP Aufgabe KKT 2 Nachtrag
Folgerungen aus dem Auflösungsatz
Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und
Das Singularitätentheorem von Hawking Teil 2
Das Singularitätentheorem von Hawking Teil Jakob Hedicke 0.06.06 In diesem Vortrag werden wir den Beweis des Singularitätentheorems von Stephen Hawking vervollständigen. Im letzten Vortrag wurde bereits
Nebenfach Mathematik im Informatik-Studium. Martin Gugat FAU: Friedrich-Alexander-Universität Erlangen-Nürnberg 26.
Nebenfach Mathematik im Informatik-Studium Martin Gugat martin.gugat@fau.de FAU: Friedrich-Alexander-Universität Erlangen-Nürnberg 26. Oktober 2016 Motivation Die rigorose Analyse von Algorithmen erfordert
Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom
Prof. Dr. M. Kaßmann Fakultät für Mathematik Wintersemester 2011/2012 Universität Bielefeld Übungsaufgaben zu Partielle Differentialgleichungen Blatt III vom 27.10.2011 Aufgabe III.1 (4 Punkte) Sei Ω R
5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
Regularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator
Universität Bielefeld Regularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator Matthieu Felsinger Universität Bielefeld Mathematisches Kolloquium, TU Clausthal 05. Februar 2014 1 Einleitung
18.2 Implizit definierte Funktionen
18.2 Implizit definierte Funktionen Ziel: Untersuche Lösungsmengen von nichtlinearen Gleichungssystemen g(x) = 0 mit g : D R m, D R n, d.h. betrachte m Gleichungen für n Unbekannte mit m < n, d.h. wir
9 Optimierung mehrdimensionaler reeller Funktionen f : R n R
9 Optimierung mehrdimensionaler reeller Funktionen f : R n R 91 Optimierung ohne Nebenbedingungen Ein Optimum zu suchen heißt, den größten oder den kleinsten Wert zu suchen Wir suchen also ein x R n, sodass
Mikroökonomik Prof. Dr. Stefan Klonner SoSe Übungsblatt 1
1 Funktionen Definition 1 (Funktion). Übungsblatt 1 Eine Funktion f(x) einer reellen Variable x mit Definitionsbereich D ist eine Regel, die jeder Zahl x in D eine reelle Zahl f(x) eindeutig zuordnet.
Nichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung
Eigenschaften kompakter Operatoren
Eigenschaften kompakter Operatoren Denition Seien X, Y normierte Räume und sei A : X Y linear. Dann heiÿt A kompakt (vollstetig), wenn für jede beschränkte Menge B X die Menge A(B) kompakt ist. Eigenschaften
1 Einführung, Terminologie und Einteilung
Zusammenfassung Kapitel V: Differentialgleichungen 1 Einführung, Terminologie und Einteilung Eine gewöhnliche Differentialgleichungen ist eine Bestimmungsgleichung um eine Funktion u(t) einer unabhängigen
Skript Einführung in Sobolevräume. Roland Griesse. TU Chemnitz
Skript Einführung in Sobolevräume Roland Griesse TU Chemnitz Material für: begleitend für andere Vorlesungen oder zum Selbststudium Fehler und Kommentare bitte an: roland.griesse@mathematik.tu-chemnitz.de
1. Gruppen. 1. Gruppen 7
1. Gruppen 7 1. Gruppen Wie schon in der Einleitung erläutert wollen wir uns in dieser Vorlesung mit Mengen beschäftigen, auf denen algebraische Verknüpfungen mit gewissen Eigenschaften definiert sind.
Karlsruher Institut für Technologie Institut für Analysis Dr. Andreas Müller-Rettkowski Dr. Vu Hoang. Sommersemester
Karlsruher Institut für Technologie Institut für Analysis Dr. Andreas Müller-Rettkowski Dr. Vu Hoang Sommersemester 03 6.06.03 Höhere Mathematik II für die Fachrichtungen Elektrotechnik und Informationstechnik
Lineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
Lösungen Klausur. k k (n + 1) n. für alle n N. Lösung: IA: Für n = 1 ist 1. k k + (n + 1) n+1. k k = k=1. k=1 kk = 1 1 = 1 2 = 2 1.
Lösungen Klausur Aufgabe (3 Punkte) Zeigen Sie, dass n k k (n + ) n k für alle n N. IA: Für n ist k kk 2 2. IV: Es gilt n k kk (n + ) n für ein n N. IS: Wir haben n+ k k k n k k + (n + ) n+ k IV (n + )
4 Messbare Funktionen
4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und
Musterlösung zu Blatt 6, Aufgabe 2
Musterlösung zu Blatt 6, Aufgabe 2 I Aufgabenstellung Es sei F = R N der Raum aller reellen, mit N induzierten Folgen. Weiter bezeichne N alle Nullfolgen, K alle konvergenten Folgen und B alle beschränkten
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Lineare Algebra
Lösungen zu Übungsblatt 9
Analysis : Camillo de Lellis HS 007 Lösungen zu Übungsblatt 9 Lösung zu Aufgabe 1. Wir müssen einfach das Integral 16 (x + y d(x, y x +y 4 ausrechnen. Dies kann man einfach mittels Polarkoordinaten, da
Teil I. Lineare Optimierung
Teil I Lineare Optimierung 5 Kapitel 1 Grundlagen Definition 1.1 Lineares Optimierungsproblem, lineares Programm. Eine Aufgabenstellung wird lineares Optimierungsproblem oder lineares Programm genannt,
Wiederholung. Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b
Wiederholung Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b x 0. x R n heißt Basislösung, wenn Ax = b und rang(a J ) = J, wobei J = {j x (j) 0}; Basislösung
4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
Polynominterpolation
Polynominterpolation In der numerischen Mathematik versteht man unter Polynominterpolation die Suche nach einem Polynom, welches exakt durch vorgegebene Punkte (z. B. aus einer Messreihe) verläuft. Dieses
Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen
Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung
3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen Definition: Eine Folge ist eine geordnete Menge von Elementen an (den sogenannten Gliedern ), die
3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen Definition: Eine Folge ist eine geordnete Menge von Elementen an (den sogenannten Gliedern ), die eindeutig den natürlichen Zahlen zugeordnet sind ( n N, auch
Die rationalen Zahlen. Caterina Montalto Monella
Die rationalen Zahlen Caterina Montalto Monella 07.12.2016 1 1 Die Konstruktion der rationalen Zahlen In dieser Ausarbeitung konstruieren wir die rationalen Zahlen aus den ganzen und den natürlichen Zahlen.
Definition 1.2. Eine kontinuierliche Gruppe mit einer endlichen Menge an Parametern heißt endliche kontinuierliche Gruppe. x cosξ sinξ y sinξ cosξ
8 Gruppentheorie 1 Lie-Gruppen 1.1 Endliche kontinuierliche Gruppe Definition 1.1. Eine Menge G mit einer Verknüpfung m heißt Gruppe, falls folgende Axiome erfüllt sind: (i) Die Operation m, genannt Multiplikation,
Zusammenfassung zur Konvergenz von Folgen
Zusammenfassung zur Konvergenz von Folgen. Definition des Konvergenzbegriffs Eine Folge reeller Zahlen a n n heißt konvergent gegen a in Zeichen a n = a, falls gilt > 0 n 0 n n 0 : an a < Hinweise: Bei
Lineare Gleichungssysteme: eine Ergänzung
Lineare Gleichungssysteme: eine Ergänzung Ein lineares Gleichungssystem, bei dem alle Einträge auf der rechten Seite gleich sind heiÿt homogenes lineares Gleichungssystem: a x + a 2 x 2 +... + a n x n
6 Polynominterpolation
Vorlesungsskript HM-Numerik (SS 2014): Kapitel 6 Version: 1 Juli 2014 6 Polynominterpolation Gegeben: Wertepaare { (x i,f i ) R 2 i = 0,,n } Gesucht: Einfache Funktion g : R R mit g(x i ) = f i i {0,1,,n}
20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
Mathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
1.6 Implizite Funktionen
1 1.6 Implizite Funktionen Wir werden uns jetzt mit nichtlinearen Gleichungen beschäftigen, f(x) = 0, wobei f = (f 1,..., f m ) stetig differenzierbar auf einem Gebiet G R n und m < n ist. Dann hat man
Mathematik für Informatik 3
Mathematik für Informatik 3 - ANALYSIS - Folgen, Reihen und Funktionen - Funktionen mehrerer Veränderlicher - Extremwertaufgaben - Normen und Approximationen - STATISTIK - WAHRSCHEINLICHKEITSRECHNUNG Literaturempfehlungen:
Outline. 1 Funktionen von mehreren Veränderlichen. 2 Grenzwert und Stetigkeit. 3 Partielle Ableitungen. 4 Die verallgemeinerte Kettenregel
Outline 1 Funktionen von mehreren Veränderlichen 2 Grenzwert und Stetigkeit 3 Partielle Ableitungen 4 Die verallgemeinerte Kettenregel 5 Das totale Differential 6 Extremstellen Roman Wienands (Universität
Outline. 1 Vektoren im Raum. 2 Komponenten und Koordinaten. 3 Skalarprodukt. 4 Vektorprodukt. 5 Analytische Geometrie. 6 Lineare Räume, Gruppentheorie
Outline 1 Vektoren im Raum 2 Komponenten und Koordinaten 3 Skalarprodukt 4 Vektorprodukt 5 Analytische Geometrie 6 Lineare Räume, Gruppentheorie Roman Wienands (Universität zu Köln) Mathematik II für Studierende
f f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.
Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales
Vollständiger Raum, Banachraum
Grundbegriffe beschränkte Menge Cauchyfolge Vollständiger Raum, Banachraum Kriterium für die Vollständigkeit Präkompakte Menge Kompakte Menge Entropiezahl Eigenschaften kompakter und präkompakter Mengen
VORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)
VORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 96 H. Meyerhenke: Kombinatorische Optimierung Dualität bei linearen Programmen Def.: Es sei (L): c T x max
Optimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
Musterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
Universität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla
Universität des Saarlandes Seminar der Fachrichtung Mathematik Rudolf Umla Sätze über Konvexität von Kapitel 4.7 bis 4.10 Theorem 4.7-1. Sei U ein konvexer Unterraum eines normierten Vektorraums. Dann
Ebene algebraische Kurven
Ebene algebraische Kurven Tangenten und Singularitäten Meyrer Claudine 4. November 010 Inhaltsverzeichnis 1 Lokale Eigenschaften an-algebraischer Kurven (in C ) 1.1 Denitionen..............................
(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
Kapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
Lineare Gleichungssysteme Hierarchische Matrizen
Kompaktkurs Lineare Gleichungssysteme Hierarchische Matrizen M. Bebendorf, O. Steinbach O. Steinbach Lineare Gleichungssysteme SIMNET Kurs 24. 27.4.26 / 6 Numerische Simulation stationäre und instationäre
= (n 2 ) 1 (Kurzschreibweise: a n = n 2 ) ergibt die Zahlenfolge 1, 4, 9, 16, 25, 36,.
2 Folgen, Reihen, Grenzwerte 2.1 Zahlenfolgen Definition: Eine Folge ist eine geordnete Menge von Elementen an (den sogenannten Gliedern ), die eindeutig den natürlichen Zahlen zugeordnet sind (n N; auch
Cauchy-Folgen und Kompaktheit. 1 Cauchy-Folgen und Beschränktheit
Vortrag zum Seminar zur Analysis, 10.05.2010 Michael Engeländer, Jonathan Fell Dieser Vortrag stellt als erstes einige Sätze zu Cauchy-Folgen auf allgemeinen metrischen Räumen vor. Speziell wird auch das
Optimieren unter Nebenbedingungen
Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht
Was man simulieren kann, das kann man auch optimieren...
22 Der Wunsch nach Optimierung spielt in vielen Lebensbereichen eine wichtige Rolle. Moderne mathematische Verfahren können helfen, auch komplizierte industrielle Prozesse zu optimieren. Was man simulieren
6 Gewöhnliche Differentialgleichungen
6 Gewöhnliche Differentialgleichungen Differentialgleichungen sind Gleichungen in denen nicht nur eine Funktion selbst sondern auch ihre Ableitungen vorkommen. Im einfachsten Fall gibt es eine unabhängige
Extremwerte von Funktionen mehrerer reeller Variabler
Extremwerte von Funktionen mehrerer reeller Variabler Bei der Bestimmung der Extrema von (differenzierbaren) Funktionen f : R n R ist es sinnvoll, zuerst jene Stellen zu bestimmen, an denen überhaupt ein
Nichtlineare Optimierung
Nichtlineare Optimierung Roland Pulch Vorlesung im Wintersemester 2015/16 Institut für Mathematik und Informatik Mathematisch-Naturwissenschaftliche Fakultät Ernst-Moritz-Arndt-Universität Greifswald Inhalt:
35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
Inexakte Newton Verfahren
Kapitel 3 Inexakte Newton Verfahren 3.1 Idee inexakter Newton Verfahren Wir betrachten weiterhin das nichtlineare Gleichungssystem F (x) = mit einer zumindest stetig differenzierbaren Funktion F : R n
Optimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
Lineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Auf dem R n gibt es sehr viele verschiedene Normen, allerdings hängen sehr viele wichtige Begriffe wie die Konvergenz
Kapitel 5. Peter Becker (H-BRS) Operations Research I Sommersemester / 298
Kapitel 5 Dualität Peter Becker (H-BRS) Operations Research I Sommersemester 2014 241 / 298 Inhalt 5 Dualität Dualitätssätze Zweiphasen-Simplexalgorithmus Peter Becker (H-BRS) Operations Research I Sommersemester
Übungen zu Partielle Differentialgleichungen, WS 2016
Übungen zu Partielle Differentialgleichungen, WS 2016 Ulisse Stefanelli 16. Januar 2017 1 Beispiele 1. Betrachten Sie die Beispiele von nichtlinearen PDG und Systemen, die wir im Kurs diskutiert haben,
Lösungsvorschlag zu den Hausaufgaben der 8. Übung
FAKULTÄT FÜR MATHEMATIK Prof Dr Patrizio Ne Frank Osterbrink Johannes Lankeit 9503 Lösungsvorschlag zu den Hausaufgaben der 8 Übung Hausaufgabe : Beweise den Satz über die Parallelogrammgleichung Sei H
3 Das n-dimensionale Integral
3 Das n-dimensionale Integral Ziel: Wir wollen die Integrationstheorie für f : D R n R entwickeln. Wir wollen den Inhalt (beziehungsweise das Maß ) M einer Punktmenge des R n definieren für eine möglichst
4.1 Grundlegende Konstruktionen Stetigkeit von Funktionen Eigenschaften stetiger Funktionen... 92
Kapitel 4 Funktionen und Stetigkeit In diesem Kapitel beginnen wir Funktionen f : Ê Ê systematisch zu untersuchen. Dazu bauen wir auf den Begriff des metrischen Raumes auf und erhalten offene und abgeschlossene
18.4 Das Newton-Verfahren
18.4 Das Newton-Verfahren Ziel: Wir suchen die Nullstellen einer Funktion f : D R n, D R n : f(x) = 0 Wir kennen bereits die Fixpunktiteration x k+1 := Φ(x k ) mit Startwert x 0 und Iterationsvorschrift
Kapitel 5. Stetige Funktionen 5.1. Stetigkeit
Kapitel 5. Stetige Funktionen 5.1. Stetigkeit Reelle Zahlen sind ideale Objekte, die es uns ermöglichen, eine transparente und leistungsfähige Theorie aufzubauen. Ein Computer kann jedoch nur mit Approximationen
17. Penalty- und Barriere-Methoden
H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende
Elemente der Algebra und Zahlentheorie Musterlösung, Serie 3, Wintersemester vom 15. Januar 2006
Prof. E.-W. Zink Institut für Mathematik Humboldt-Universität zu Berlin Elemente der Algebra und Zahlentheorie Musterlösung, Serie 3, Wintersemester 2005-06 vom 15. Januar 2006 2te, korrigierte und erweiterte
Zahlen und elementares Rechnen
und elementares Rechnen Christian Serpé Universität Münster 7. September 2011 Christian Serpé (Universität Münster) und elementares Rechnen 7. September 2011 1 / 51 Gliederung 1 2 Elementares Rechnen 3
Funktionen mehrerer Variabler
Vektoranalysis Funktionen mehrerer Variabler Wir untersuchen allgemein vektorwertige Funktionen von vektoriellen Argumenten, wobei zunächst nur reelle Vektoren zugelassen seien. Speziell betrachten wir:
Kapitel 8: Gewöhnliche Differentialgleichungen 8.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2.
Kapitel 8: Gewöhnliche Differentialgleichungen 8.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2. Gesetz: (enthalten Ableitungen der gesuchten Funktionen) Geschwindigkeit:
x, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
3.2 Implizite Funktionen
3.2 Implizite Funktionen Funktionen können explizit als y = f(x 1, x 2,..., x n ) oder implizit als F(x 1, x 2,..., x n ;y) = 0 gegeben sein. Offensichtlich kann man die explizite Form immer in die implizite
Taylor-Entwicklung der Exponentialfunktion.
Taylor-Entwicklung der Exponentialfunktion. Betrachte die Exponentialfunktion f(x) = exp(x). Zunächst gilt: f (x) = d dx exp(x) = exp(x). Mit dem Satz von Taylor gilt um den Entwicklungspunkt x 0 = 0 die
Satz 7. A sei eine Teilmenge des nichttrivialen Vektorraums (V,+, ). Dann sind die folgende Aussagen äquivalent.
Definition der Basis Def. Es sei (V,+, ) ein nichttrivialer Vektorraum. Die Menge A V heißt eine Basis-Menge, falls sie (a) linear unabhängig ist und (b) span(a) = V. Satz 7. A sei eine Teilmenge des nichttrivialen
α + x x 1 F c y + x 1 F (y) c z + x 1 F (z) für alle y, z M. Dies folgt aus
4. Dualräume und schwache Topologien Den Begriff des Dualraums hatten wir bereits in Kapitel 2 definiert. Der Dualraum X eines Banachraums X ist X = B(X, C). X ist mit der Abbildungsnorm F = sup x =1 F
Copyright, Page 1 of 5 Stetigkeit in
www.mathematik-netz.de Copyright, Page 1 of 5 Stetigkeit in Definition: (Stetigkeit) Sei ad, wobei D ist. Sei f eine Abbildung aus Abb(D,B) mit B und B. (i) f heißt stetig im Punkt a, wenn es zu jeder
Aufgaben für die 6. Übung zur Vorlesung Mathematik 2 für Informatiker: Analysis Sommersemester 2010
Aufgaben für die 6. Übung zur Vorlesung Mathematik für Informatiker: Analysis Sommersemester 00 6. Wie hat man eine reelle Zahl α > 0 so in a b 3 positive Summanden x, y, z zu zerlegen, damit fx, y x y
Serie 4. Analysis D-BAUG Dr. Cornelia Busch FS 2015
Analysis D-BAUG Dr. Cornelia Busch FS 05 Serie 4. Finden Sie die lokalen Extrema der Funktionen f : R R auf dem Einheitskreis S = {x, y R : x + y = } und geben Sie an, ob es sich um ein lokales Minimum