Parareal. Ein paralleler Lösungsalgorithmus für gewöhnliche Differentialgleichungen. Johannes Reinhardt. Parareal 1 Johannes Reinhardt
|
|
- Hilke Hertz
- vor 6 Jahren
- Abrufe
Transkript
1 Ein paralleler Lösungsalgorithmus für gewöhnliche Differentialgleichungen Johannes Reinhardt 1 Johannes Reinhardt
2 Übersicht Grundlagen Gewöhnliche Differentialgleichungen Numerische Methoden Der Algorithmus Performanceanalyse 2 Johannes Reinhardt
3 Grundlagen 3 Johannes Reinhardt
4 Gewöhnliche Differentialgleichungen Definition Abkürzung: gdgl Gesucht: u : R R n, t R mit F(t, u(t), u (t),..., u (n) (t)) = 0 Hier: Explizite gdgl erster Ordnung: u (t) = F(t, u(t)) 4 Johannes Reinhardt
5 Gewöhnliche Differentialgleichungen Beispiele Physik Bewegungsgleichungen Radioaktiver Zerfall Elektrotechnik Mathematik Partielle Differentialgleichungen sonstiges Volkswirtschaftliche Modelle Ökologie 5 Johannes Reinhardt
6 Gewöhnliche Differentialgleichungen Eindeutigkeit Radioaktiver Zerfall u (t) = λu(t) nicht nur eine Lösung weitere Bedingungen an die Lösung von praktischem Interesse: Anfangswertaufgaben Randwertaufgaben 6 Johannes Reinhardt
7 Gewöhnliche Differentialgleichungen Anfangswertprobleme Anfangswert bekannt Gesucht: u(t 0 ) = u 0 u(tend ) u auf Intervall [T0, T end ] 7 Johannes Reinhardt
8 Gewöhnliche Differentialgleichungen Mutter- und Tochterkerne 2 radioaktive Elemente eines zerfällt zu anderem unterschiedliche Halbwertszeiten Wann wieviel von Tochterelement? 8 Johannes Reinhardt
9 Gewöhnliche Differentialgleichungen Randwertprobleme Bedingungen an u am Rand Randoperatoren R 1, R 2 Gesucht: u auf Intervall [T a, T b ] R 1 (u(t a )) = r a R 2 (u(t b )) = r b 9 Johannes Reinhardt
10 Gewöhnliche Differentialgleichungen Ballwurf 10 Johannes Reinhardt
11 Gewöhnliche Differentialgleichungen Ballwurf Komponenten von u: u = (x, y, v x, v y ) T Randoperator: R : R 4 R 2 u (x, y) Randbedingungen: R(u(0)) = (2.5, 0) T R(u(12)) = (7, 0) T 11 Johannes Reinhardt
12 Numerische Methoden Diskretisierung der Zeit: [T 0, T end ] {t i : i = 0... n, t 0 = T 0, t n = T end } Meist equidistant, Schrittweite h: t i t i 1 = h (1) Näherungslösung û(t) an diskreten Zeitpunkten 12 Johannes Reinhardt
13 Numerische Methoden Propagator Schreibweise für Lösung von AWP: P : R R R n R n P(T end, T 0, u(t 0 )) = u(t end ) Propagator für Näherungslösung: ˆP(T end, T 0, u(t 0 )) = û(t end ) 13 Johannes Reinhardt
14 Numerische Methoden Einschrittverfahren Näherungsverfahren meist Einschrittverfahren Verfahrensfunktion E : R R n R R n E(t 0, u(t 0 ), h) = û(t 0 + h) u(t 0 + h) Zugehöriger Propagator ˆP E (T end, T 0, u(t 0 )) = û(t end ) (2) 14 Johannes Reinhardt
15 Numerische Methoden Beispiel: Euler Verfahren Einfachstes Verfahren Taylorentwicklung um t i, abgebrochen nach linearem Term E(t i, u(t i ), h) = u(t i ) + hu (t i ) = u(t i ) + hf(t i, u(t i )) Aber: Niedrige Konvergenzordnung 15 Johannes Reinhardt
16 Numerische Methoden Beispiel: Runge-Kutta Verfahren Klasse von Verfahren, Stufe s Koeffizienten a ij, b i, c i für i, j = 1,..., s Berechnung s approx. Steigungen k i = F t i + c i h, u(t i ) + h s a ij k j j=1 Geschickte Kombination der k i s E(t i, u(t i ), h) = u(t i ) + h b j k j j=1 16 Johannes Reinhardt
17 Numerische Methoden Butcher Tableaus c/b c/b 1 Runge-Kutta 4 Euler 17 Johannes Reinhardt
18 Numerische Methoden Anfangswertprobleme Setze u(t 0 ) = u 0 Iterativ bis T end : u(t i+1 ) = E(t i, u(t i ), h) 18 Johannes Reinhardt
19 Numerische Methoden Randwertprobleme Idee: Umformulierung des RWP zu Gleichungssystem Definiere Randdifferenz : D(u a ) := R 2 (P(T b, T a, u a )) r b Gleichungssystem D(u a ) = 0 R 1 (u a ) = r a Aus Lösung u(t a ) kann u(t b ) bestimmt werden u(t b ) = P(T b, T a, u(t a )) 19 Johannes Reinhardt
20 Numerische Methoden Schießverfahren Verfahren zur Lösung von Randwertproblemen Numerische Lösung des Gleichungssystems Newton Verfahren Bisektionsverfahren... Numerische Lösung der AWPs Euler Verfahren Runge Kutta Verfahren Johannes Reinhardt
21 Numerische Methoden Zwischenbilanz Definition Anfangswert- und Randwertaufgaben numerischen Werkzeugkasten Lösung von Anfangswert und Randwertaufgaben Beispiele und Anwendungen 21 Johannes Reinhardt
22 Numerische Methoden Probleme ODEs teuer und hochdimensional Hohe Genauigkeit nötig Kleine Schrittweiten, teure Verfahren nötig Großer Rechenaufwand, großer Zeitaufwand Echtzeitberechnung Ausweg: Parallelisierung Aber: Einschrittverfahren konzeptionell seriell 22 Johannes Reinhardt
23 23 Johannes Reinhardt
24 Der Algorithmus Ziel Lösung eines Anfangswertproblems auf mehrere Processing Units (PU) u : [T 0, T end ] R n u (t) = F(t, u(t)) u(t 0 ) = u 0 Schneller als auf einzelner PU 24 Johannes Reinhardt
25 Der Algorithmus Idee Aufteilung in Teilintervalle 25 Johannes Reinhardt
26 Der Algorithmus Idee Aufteilung in Teilintervalle AWP auf jedem Teilintervall 26 Johannes Reinhardt
27 Der Algorithmus Idee Aufteilung in Teilintervalle AWP auf jedem Teilintervall Anschlussbedingungen durch Iteration 27 Johannes Reinhardt
28 Der Algorithmus Vorgehen bei Herleitung 1. Formulierung des AWP als Gleichungssystem 2. Lösung mit Newtonverfahren 28 Johannes Reinhardt
29 Der Algorithmus AWP als Gleichungssystem Anfangswertprobleme v 0 (t) = F(t, v 0(t)), v 0 (T 0 ) = U 0, t [T 0, T 1 ] v 1 (t) = F(t, v 1(t)), v 1 (T 1 ) = U 1, t [T 1, T 2 ] v N (t) = F(t, v N(t)), v N (T N ) = U N, t [T N, T end ] Anschlussbedingungen U 1 = v 0 (T 1 ) = P(T 1, T 0, U 0 ) U 2 = v 1 (T 2 ) = P(T 2, T 1, U 1 )... U end = v N (T end ) = P(T end, T N, U N ) 29 Johannes Reinhardt
30 Der Algorithmus Notation: U = U 0 U 1... U end u 0 v U = 0 (T 1 )... v N (T end ) Anschlussbedingungen bilden Gleichungssystem g : R N n R N n g(u) = U U 30 Johannes Reinhardt
31 Der Algorithmus Äquivalente Formulierung des AWP g(u) = 0 U i = u(t i ) Lösung des AWP Lösung eines Gleichungssystem Newton Verfahren x k+1 = x k J 1 g (x k )g(x k ) J g Jacobimatrix 31 Johannes Reinhardt
32 Der Algorithmus Jacobi Matrix Newton für Anschlussbedingungen: U k+1 = U k J 1 (U k )(U k U k ) mit J durchmultiplizieren J(U k )(U k+1 U k ) = U k U k 32 Johannes Reinhardt
33 Der Algorithmus Jacobi Matrix Jacobi Matrix J = I U U 0 I 0 k 0 0 v 1(T 2 ) U. U 1 I.. k v 0(T 1 ) 33 Johannes Reinhardt
34 Der Algorithmus Einsetzen, auflösen liefert U k+1 i+1 = v i(t i+1, Ui k ) + v i(t i+1 ) U (U k+1 i Ui k ) i U k n Update erfordert Lösung von Anfangswertaufgaben Approximation durch unterschiedlich teure Verfahren Dadurch Parallelisierung sinnvoll 34 Johannes Reinhardt
35 Der Algorithmus Teures, feines Verfahren für u n (T i+1, U k i ) P F (T i+1, T i, U k i ) Schnelles, grobes Verfahren für v i (T i+1 ) U i (U k+1 i Ui k ) P G (T i+1, T i, U k+1 i ) U k n P G (T i+1, T i, U k i ) 35 Johannes Reinhardt
36 Der Algorithmus Beginne mit Approximation für U 0 i Iterative Verfeinerung U k+1 0 = u 0 U k+1 i+1 = P G(T i+1, T i, U k+1 i ) + P F (T i+1, T i, U k i ) + P G (T i+1, T i, U k i ) 36 Johannes Reinhardt
37 Der Algorithmus Parallelisierung i k Nur noch eine grobe Lösung seriell Rest kann parallel berechnet werden 37 Johannes Reinhardt
38 Performanceanalyse Messmethodik Testproblem: Wärmeleitgleichung aus Übung mit 100 Gitterpunkten in jede Richtung Schrittweite: 0.01 Intervall: [0, 0.02] Iterationen: 4 Zeit gemessen mit MPI_Wtime Achtung: Nicht aussagekräftig, massiv beschummelt 38 Johannes Reinhardt
39 Performanceanalyse Zeit 39 Johannes Reinhardt
40 Performanceanalyse Speedup 40 Johannes Reinhardt
41 Performanceanalyse Effizienz 41 Johannes Reinhardt
Kevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrDefinition 3.1: Ein Differentialgleichungssystem 1. Ordnung
Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt
MehrOptimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz
Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel
MehrÜbungen zur Numerischen Mathematik 2 Sommersemester 2014. Übungsblatt 13
Universität Heidelberg Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Prof. Dr. Dres. h.c. Hans Georg Bock Dr. Christian Kirches Dipl.-Phys. Simon Lenz Übungen zur Numerischen Mathematik 2 Sommersemester
Mehr4 Runge-Kutta-Verfahren
Numerik gewöhnlicher Differentialgleichungen 43 4 Runge-Kutta-Verfahren 4. Konstruktion Ausgangspunkt wie immer (Substitution: s = t + τh, 0 τ ) y(t + h) = y(t) + [y(t + h) y(t)] = y(t) + = y(t) + h 0
Mehr2.4 Adaptive Verfahren mit Schrittweitensteuerung
0 0 0 Euler und RK4 fuer f(t,y) = t 0. Euler RK4 /N 0 0 f(t,y) =. t 0., graduiertes Gitter RK4 /N 4 Fehler bei T = 0 3 0 4 0 5 Fehler bei T = 0 5 0 0 0 6 0 7 0 0 0 0 2 0 3 0 4 0 5 Anzahl Schritte N 0 5
MehrTangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:
Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung
Mehr2.5.2 Selbstorganisierte Karten: das Modell von Kohonen. Weil es beim Perzeptron keine Wechselwirkung in der Verarbeitungsschicht
2.5.2 Selbstorganisierte Karten: das Modell von Kohonen Weil es beim Perzeptron keine Wechselwirkung in der Verarbeitungsschicht zwischen den einzelnen Neuronen gibt, spielt deren räumliche Anordnung keine
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrFinite Differenzen und Elemente
Dietrich Marsal Finite Differenzen und Elemente Numerische Lösung von Variationsproblemen und partiellen Differentialgleichungen Mit 64 Abbildungen Springer-Verlag Berlin Heidelberg NewYork London Paris
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
MehrDLP. Adolphe Kankeu Tamghe papibobo@informatik.uni-bremen.de ALZAGK SEMINAR. Bremen, den 18. Januar 2011. Fachbereich Mathematik und Informatik 1 / 27
DLP Adolphe Kankeu Tamghe papibobo@informatik.uni-bremen.de Fachbereich Mathematik und Informatik ALZAGK SEMINAR Bremen, den 18. Januar 2011 1 / 27 Inhaltsverzeichnis 1 Der diskrete Logarithmus Definition
Mehr8. Übung zur Vorlesung Mathematisches Modellieren Lösung
Universität Duisburg-Essen Essen, den.6. Fakultät für Mathematik S. Bauer C. Hubacsek C. Thiel 8. Übung zur Vorlesung Mathematisches Modellieren Lösung In dieser Übung sollen in Aufgabe und die qualitativ
MehrVorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel
Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrNichtlineare Optimierungsprobleme mit Komplexität
Definition eines Nichtlinearen Optimierungsproblemes (NLP) min f (x) bzw. min f (x) s.d. x S x S wobei die zulässige Menge S R n typischerweise definiert ist durch S {x R n : h(x) =, c(x) } für Gleichungs-
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
MehrSimulation elektrischer Schaltungen
Simulation elektrischer Schaltungen mittels Modizierter Knotenanalyse Teilnehmer: Artur Stephan Andreas Dietrich Thomas Schoppe Maximilian Gruber Jacob Zschuppe Sven Wittig Gruppenleiter: René Lamour Heinrich-Hertz-Oberschule,
MehrAufbau eines VR-Systems zur multimodalen Interaktion mit komplexen physikalischen Modellen
Fazit Aufbau eines s zur multimodalen Interaktion mit komplexen physikalischen Modellen Guido Rasmus Maximilian Klein, Franz-Erich Wolter Leibniz Universität Hannover Institut für Mensch-Maschine-Kommunikation
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrKapitel 15: Differentialgleichungen
FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen
MehrAufgabe 1: Malerarbeiten
Aufgabe 1: Malerarbeiten Fritz braucht zwei Stunden, um ein Zimmer zu streichen. Susi braucht für das gleiche Zimmer drei Stunden. Wie lange brauchen beide zusammen, um das Zimmer zu streichen? Lösung:
MehrEinführung in die Informatik I
Einführung in die Informatik I Algorithmen und deren Programmierung Prof. Dr. Nikolaus Wulff Definition Algorithmus Ein Algorithmus ist eine präzise formulierte Handlungsanweisung zur Lösung einer gleichartigen
MehrFunktionen (linear, quadratisch)
Funktionen (linear, quadratisch) 1. Definitionsbereich Bestimme den Definitionsbereich der Funktion f(x) = 16 x 2 2x + 4 2. Umkehrfunktionen Wie lauten die Umkehrfunktionen der folgenden Funktionen? (a)
MehrMit Fallstudien und numerischen Lösungen
Kerstin Rjasanowa Mathematische Modelle im Bauingenieurwesen Mit Fallstudien und numerischen Lösungen Rjasanowa Mathematische Modelle im Bauingenieurwesen Lehrbücher des Bauingenieurwesens Dallmann Baustatik
MehrOhne Mathematik undenkbar!
Die tägliche - Suche: Ohne Mathematik undenkbar! Dipl.-Wirt.Math. Jan Maruhn FB IV - Mathematik Universität Trier 29. März 2006 29. März 2006 Seite 1 Gliederung Einleitung und Motivation Das Internet als
MehrSkalare Differentialgleichungen
Kapitel 2 Skalare Differentialgleichungen 2.1 Skalare lineare Differentialgleichungen 2.2 Bernoulli und Riccati Differentialgleichungen 2.3 Differentialgleichungen mit getrennten Variablen 2.4 Exakte Differentialgleichungen
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
MehrPraktikum Wissenschaftliches Rechnen 3. Aufgabenblatt
Institut für Wissenschaftliches Rechnen Technische Universität Braunschweig Prof. Hermann G. Matthies, Ph. D. Dipl.-inform. Oliver Kayser-Herold Praktikum Wissenschaftliches Rechnen 3. Aufgabenblatt Wir
MehrCharakteristikenmethode im Beispiel
Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)
MehrAbiturprüfung Mathematik 2008 (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe 1
Abiturprüfung Mathematik (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe Für jedes t f t () + t R ist die Funktion f t gegeben durch = mit R. Das Schaubild von f t heißt K t.. (6 Punkte)
MehrKAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren
KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren Beispiel 3.2. Gesucht u(x), das eine Differentialgleichung vom Typ u (x) + λ(x)u(x) = f(x), x [0,], mit den Randbedingungen u(0) = u() = 0
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrGewöhnliche Differentialgleichungen
Notizen zur Vorlesung Gewöhnliche Differentialgleichungen G Sweers Wintersemester 08/09 ii Inhaltsverzeichnis Einführung Modelle 2 Explizite Lösungen 4 2 Trennbar 5 22 Linear erster Ordnung 6 23 Homogen
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrMathematische Grundlagen
Kapitel 2 Mathematische Grundlagen In diesem Kapitel werden für die nachfolgenden Untersuchungen wesentliche Grundlagen bereitgestellt. 2.1 Differentiell-algebraische Gleichungssysteme 2.1.1 Einführung
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
MehrDidaktik der Algebra Jürgen Roth Didaktik der Algebra 4.1
Didaktik der Algebra 4.1 Didaktik der Algebra Didaktik der Algebra 4.2 Inhalte Didaktik der Algebra 1 Ziele und Inhalte 2 Terme 3 Funktionen 4 Gleichungen Didaktik der Algebra 4.3 Didaktik der Algebra
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Typische Prüfungsfragen Die folgenden Fragen dienen lediglich der Orientierung und müssen nicht den tatsächlichen Prüfungsfragen entsprechen. Auch Erkenntnisse aus den
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrVorkurs Mathematik Übungen zu Polynomgleichungen
Vorkurs Mathematik Übungen zu en 1 Aufgaben Lineare Gleichungen Aufgabe 1.1 Ein Freund von Ihnen möchte einen neuen Mobilfunkvertrag abschließen. Es gibt zwei verschiedene Angebote: Anbieter 1: monatl.
MehrSerie 13: Online Test
D-ERDW, D-HEST, D-USYS Mathematik I HS 3 Dr. Ana Cannas Serie 3: Online Test Einsendeschluss: 3. Januar 4 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung verwenden.
MehrDr. Jürgen Roth. Fachbereich 6: Abteilung Didaktik der Mathematik. Elemente der Algebra. Dr. Jürgen Roth 3.1
.1 Dr. Jürgen Roth Fachbereich 6: Abteilung Didaktik der Mathematik Elemente der Algebra . Inhaltsverzeichnis Elemente der Algebra & Argumentationsgrundlagen, Gleichungen und Gleichungssysteme Quadratische
Mehr10-19 mai 2010 Bericht von Théo Gérard
10-19 2010 v Té Gé N A : jö A T N : 04131/## ### 3 ü : G Lü 0 2 37 3 1 E R Lü M J E V H j P Z T ) M ( 1 T 9 45 G D C 115 1 P v A F v H H H A Z W V ü L D M J ä G E ü L v W H ü F ö j H E U 8 1 U U 3 2 F
MehrJ. Dankert Mathematik
Aufgabe 10.1 Man zeige, daß die erste Ableitung der Funktion y = a x 2 + b x + c für einen beliebigen Punkt x i durch die zentrale Differenzenformel exakt wiedergegeben wird. Aufgabe 10.2 Man stelle für
Mehrx 2 x 1 x 3 5.1 Lernen mit Entscheidungsbäumen
5.1 Lernen mit Entscheidungsbäumen Falls zum Beispiel A = {gelb, rot, blau} R 2 und B = {0, 1}, so definiert der folgende Entscheidungsbaum eine Hypothese H : A B (wobei der Attributvektor aus A mit x
MehrAlignment-Verfahren zum Vergleich biologischer Sequenzen
zum Vergleich biologischer Sequenzen Hans-Joachim Böckenhauer Dennis Komm Volkshochschule Zürich. April Ein biologisches Problem Fragestellung Finde eine Methode zum Vergleich von DNA-Molekülen oder Proteinen
MehrStabilität mittels Ljapunov Funktion
Stabilität mittels Ljapunov Funktion Definition Eine C 1 Funktion V : D R, D R, heißt eine Ljapunov Funktion auf K r (0) D für f(y), falls gilt: 1) V(0) = 0, V(y) > 0 für y 0 2) V,f(y) 0 ( y, y r) Gilt
MehrSemidiskretisierung der PDA-Systeme
Kapitel 4 Semidisretisierung der PDA-Systeme Eine Möglicheit zur numerischen Behandlung von Anfangsrandwertproblemen partieller Differentialgleichungen ist die Linienmethode method of lines, MOL, vgl.
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrOptimal Control in Air Traffic Management
Optimal Control in Air Traffic Management DGLR Workshop Bestimmung optimaler Trajektorien im Air Traffic Management 23.04.2013 Deutsche Flugsicherung GmbH, Langen 23.04.2013 1 Inhalt. Hintergrund und Motivation.
MehrMitschrift von Höhere Mathematik 4, Sommer 2013, Prof. Ulbrich
Mitschrift von Höhere Mathematik 4, Sommer 203, Prof. Ulbrich Benedict Simlinger, published by http://latex4ei.de/ July 6, 203 Inhaltsverzeichnis Gewöhnliche DGL 3. nichtlineare DGL erster Ordnung..................
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrWir unterscheiden folgende drei Schritte im Design paralleler Algorithmen:
1 Parallele Algorithmen Grundlagen Parallele Algorithmen Grundlagen Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen: Dekomposition eines Problems in unabhängige Teilaufgaben.
MehrDie Gebäudesimulationsplattform NANDRAD
Fakultät Architektur Institut für Bauklimatik, Professur für Bauphysik Die Gebäudesimulationsplattform NANDRAD Andreas Nicolai & Anne Paepcke TU Dresden, Germany Motivation & Ansatz Der Anspruch: energetische
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrModellierung und Simulation eines Biogasreaktors. Dissertation. zur Erlangung des Doktorgrades. der Naturwissenschaften. vorgelegt beim Fachbereich 12
Modellierung und Simulation eines Biogasreaktors Dissertation zur Erlangung des Doktorgrades der Naturwissenschaften vorgelegt beim Fachbereich 12 der Johann Wolfgang Goethe-Universität in Frankfurt am
MehrApproximation durch Taylorpolynome
TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni
MehrÜbungen lineare Gleichungssysteme - Lösungen 1. Bestimme die Lösungsmenge und führe eine Probe durch! a)
Übungen lineare Gleichungssysteme - Lösungen. Bestimme die Lösungsmenge und führe eine Probe durch! a) b) c) 2x5y=23 2x 3y= 6x0y=64 6x 2y=6 2x3y=20 5x y=33 2x5y=23 2x 3y= 2x5y=23 2x3y= 8y=24 : 8 y=3 6x0y=64
MehrKlausur Mathematik 2
Mathematik für Ökonomen WS 2014/15 Campus Duisburg PD Dr. V. Krätschmer, Fakultät für Mathematik Klausur Mathematik 2 17.02.2015, 12:30-14:30 Uhr (120 Minuten) Erlaubte Hilfsmittel: Nur reine Schreib-
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrMathematik für Bioinformatik und Systembiologie. - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz
Mathematik für Bioinformatik und Systembiologie - Kapitel Einführung in die Optimierung - Roland Herzog und Dirk Lebiedz WS 2009/10 Universität Freiburg Dieses Vorlesungsskript ist auf der Basis von Vorlesungen
MehrMathematik 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
MehrName: Klasse: Datum: Klassenarbeit Wachstumsvorgänge Kl10-Gruppe B
Name: Klasse: Datum: Teil B Klassenarbeit Wachstumsvorgänge Kl0-Gruppe B. Gegeben ist die Exponentialfunktion y=f x =0.8 2 x ; x R. (9P) a) Geben Sie die folgenden Eigenschaften dieser Funktion an! Wertebereich,
MehrNumerik gewöhnlicher Differentialgleichungen
Kapitel 3 Numerik gewöhnlicher Differentialgleichungen 3 Inhalt dieses Kapitels ist die numerische Lösung eines Systems gewöhnlicher Differentialgleichungen y (x) = f(x, y(x)) (3.) bzw. ausgeschrieben
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
MehrName: Klasse: Datum: Klassenarbeit Wachstumsvorgänge Kl10-Gruppe A
Name: Klasse: Datum: Teil B Klassenarbeit Wachstumsvorgänge Kl10-Gruppe A 1. Gegeben ist die Exponentialfunktion y=f x = 0,5 x ; x R. (9P) a) Geben Sie die folgenden Eigenschaften dieser Funktion an! Wertebereich,
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrTextmining Klassifikation von Texten Teil 1: Naive Bayes
Textmining Klassifikation von Texten Teil 1: Naive Bayes Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten 1: Naive
MehrUniversität Karlsruhe (TH)
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 ZPL Prof. Dr. Walter F. Tichy Dr. Victor Pankratius Ali Jannesari Agenda 1. ZPL Überblick 2. Konzepte von ZPL Regionen, Region Specifiers
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrZHW / CB / AnP SS 03. Quantitative Bestimmung von Co- und Ni-Ionen im Gemisch Kinetische Untersuchungen an Farbstoffen
UV/VIS Methode: UV/VIS - Spektrometrie Themen: Analyte: Matrix: Quantitative Bestimmung von Co- und Ni-Ionen im Gemisch Kinetische Untersuchungen an Farbstoffen Ni 2+, 2+, Murexid Rostfreier Stahl, Wasser
MehrCodierungstheorie Rudolf Scharlau, SoSe 2006 9
Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets
MehrUrbild Angriff auf Inkrementelle Hashfunktionen
Urbild Angriff auf Inkrementelle Hashfunktionen AdHash Konstruktion: (Bellare, Micciancio 1997) Hashe Nachricht x = (x 1,..., x k ) als H(x) = k i=1 h(i, x i) mod M. Inkrementell: Block x i kann leicht
Mehr11. Primfaktorzerlegungen
78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung
Mehr8. Quadratische Reste. Reziprozitätsgesetz
O Forster: Prizahlen 8 Quadratische Reste Rezirozitätsgesetz 81 Definition Sei eine natürliche Zahl 2 Eine ganze Zahl a heißt uadratischer Rest odulo (Abkürzung QR, falls die Kongruenz x 2 a od eine Lösung
MehrNumerisches Programmieren
Technische Universität München WS /3 Institut für Informatik Prof Dr Hans-Joachim Bungartz Dipl-Inf Christoph Riesinger Dipl-Inf Dipl-Math Jürgen Bräckle Numerisches Programmieren Programmieraufgabe: Polnominterpolation,
MehrFinanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013
Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Walter Sanddorf-Köhle Foliensatz Nr. 3 1 / 46 Ein Einperiodenmodell Beispiel 5 Betrachtet wird nun ein Wertpapiermarkt mit
MehrProjekt Standardisierte schriftliche Reifeprüfung in Mathematik. T e s t h e f t B 1. Schulbezeichnung:.. Klasse: Vorname: Datum:.
Projekt Standardisierte schriftliche Reifeprüfung in Mathematik T e s t h e f t B Schulbezeichnung:.. Klasse: Schüler(in) Nachname:. Vorname: Datum:. B Große und kleine Zahlen In Wikipedia findet man die
MehrSchnelle Lösung großer Gleichungssysteme
Schnelle Lösung großer Gleichungssysteme Anton Schüller 1 Ulrich Trottenberg 1,2 Roman Wienands 2 1 Fraunhofer-Institut Algorithmen und Wissenschaftliches Rechnen SCAI 2 Mathematisches Institut der Universität
MehrOptimierung. Florian Jarre Josef Stoer. Springer
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Florian Jarre Josef Stoer Optimierung Springer Inhaltsverzeichnis
Mehr3. LINEARE GLEICHUNGSSYSTEME
176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an
MehrMan kann zeigen (durch Einsetzen: s. Aufgabenblatt, Aufgabe 3a): Die Lösungsgesamtheit von (**) ist also in diesem Fall
4. Lösung einer Differentialgleichung. Ordnung mit konstanten Koeffizienten a) Homogene Differentialgleichungen y'' + a y' + b y = 0 (**) Ansatz: y = e µx, also y' = µ e µx und y'' = µ e µx eingesetzt
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
MehrO. Rott Starrkörperbewegungen, Singularitäten, die Jacobimatrix und Roboterdynamik
W eierstraß-institut für Angew andte Analysis und Stochastik Robotik-Seminar O. Rott Starrkörperbewegungen, Singularitäten, die Jacobimatrix und Roboterdynamik Mohrenstr 39 10117 Berlin rott@wias-berlin.de
MehrProgrammentwicklung I für Hörer anderer Fachrichtungen -Wintersemester 2003/04- Abschlussklausur 20.02.2004
Programmentwicklung I für Hörer anderer Fachrichtungen -Wintersemester 2003/04- Abschlussklausur 20.02.2004 Name : Vorname : Matrikelnummer : Hauptfach : Nebenfach/Fachrichtung Hinweise : 1. Überprüfen
MehrModellierung, Simulation, Optimierung Diskretisierung 1
Modellierung, Simulation, Optimierung Diskretisierung Prof. Michael Resch Dr. Martin Bernreuther, Dr. Natalia Currle-Linde, Dr. Martin Hecht, Uwe Küster, Dr. Oliver Mangold, Melanie Mochmann, Christoph
MehrOptimierung 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
MehrRSA-Verschlüsselung. von Johannes Becker Gießen 2006/2008
RSA-Verschlüsselung von Johannes Becker Gießen 2006/2008 Zusammenfassung Es wird gezeigt, wieso das nach Ronald L. Rivest, Adi Shamir und Leonard Adleman genannte RSA-Krptosstem funktioniert, das mittlerweile
MehrOptimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg
Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei
MehrFB IV Mathematik Universität Trier. Präsentation von Nadja Wecker
FB IV Mathematik Universität Trier Präsentation von Nadja Wecker 1) Einführung Beispiele 2) Mathematische Darstellung 3) Numerischer Fluss für Diffusionsgleichung 4) Konvergenz 5) CFL-Bedingung 6) Zusammenfassung
MehrKlassenarbeit zu linearen Gleichungssystemen
Klassenarbeit zu linearen Gleichungssystemen Aufgabe : Bestimme die Lösungsmenge der Gleichungssysteme mit Hilfe des Additionsverfahrens: x + 4y = 8 5x y = x y = x y = Aufgabe : Bestimme die Lösungsmenge
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
MehrGleichungen Lösen. Ein graphischer Blick auf Gleichungen
Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term
Mehr