Lineare Gleichungssysteme
|
|
|
- Peter Hoch
- vor 5 Jahren
- Abrufe
Transkript
1 Lineare Gleichungssysteme 4. Vorlesung Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 17. März 2016
2 Lineare Gleichungssysteme 1 Wiederholung: Normen, Jacobi-Matrix, Newton-Verfahren 2 Lineare Gleichungssysteme Vergleich: direkte und iterative Lösungsverfahren 3 Elementare iterative Verfahren Jacobi-Verfahren Beispiel: Wärmeleitungsgleichung Gauß-Seidel-Verfahren SOR-Verfahren 4 Matrix Splitting 5 Prüfungsbeispiel Clemens Brand und Erika Hausenblas 17. März / 31
3 Gliederung 4. Vorlesung 1 Wiederholung: Normen, Jacobi-Matrix, Newton-Verfahren 2 Lineare Gleichungssysteme Vergleich: direkte und iterative Lösungsverfahren 3 Elementare iterative Verfahren Jacobi-Verfahren Gauß-Seidel-Verfahren SOR-Verfahren 4 Matrix Splitting 5 Prüfungsbeispiel Clemens Brand und Erika Hausenblas 17. März / 31
4 Wiederholung Normen, Jacobi-Matrix, Newton-Verfahren Vektornorm misst Größe des Vektors: 1-, 2-, -Norm Vektornorm definiert Distanz x y Matrixnorm misst maximalen Vergrößerungsfaktor Fixpunkt-Iteration konvergiert für kontrahierende Abbildungen Jacobi-Matrix D f einer Funktion f : R n R m D Φ < 1 Abbildung Φ wirkt kontrahierend Newton-Verfahren
5 Jacobi-Matrix einer Funktion f : R m R n verallgemeinert die Ableitung einer Funktion f : R R Die Matrix der partiellen Ableitungen f 1 f 1... x 1 x 2 f 2 f 2 D f =... x 1 x 2.. f n f n... x 1 x 2 f 1 x m f 2 x m. f n x m heißt die Jacobi-Matrix der Abbildung f : R m R n. Clemens Brand und Erika Hausenblas 17. März / 31
6 Jacobi-Matrix noch einige Punkte kleine Änderung x in den Eingabewerten bewirkt Änderung f D f x in den Funktionswerten f(x + x) = f(x) + D f x +Terme proportional x 2 D f vorhin definiert für Abbildungen R m R n. Wir haben es meist mit quadratischen Jacobi-Matrizen von Abbildungen R n R n zu tun. D Φ im Fixpunkt bestimmt Konvergenzverhalten der Fixpunkt-Iteration D f tritt auch im Newton-Verfahren auf. (Aber in anderer Rolle als D Φ in einer Fixpunkt-Iteration) Clemens Brand und Erika Hausenblas 17. März / 31
7 Newton-Verfahren Standard-Verfahren und Varianten Standard-Version Iterationsvorschrift x (k+1) = x (k) + x (k) mit x (k) als Lösung von D f (x (k) ) x (k) = f(x (k) ) Gedämpft reduziere Korrekturvektor um Faktor ω mit 0 < ω < 1: x (k+1) = x (k) + ω x (k) Fixe Jacobi-Matrix bestimme nicht in jedem Schritt neue Jacobi-Matrix. x (k) ist Lösung von D f x (k) = f(x (k) ) mit fixem D f Clemens Brand und Erika Hausenblas 17. März / 31
8 Newton-Verfahren und Varianten Eigenschaften Standard-Version quadratische Konvergenz in der Nähe der Nullstelle. Gute Startwerte sind notwendig. Gedämpftes Newton-Verfahren langsamere, nur lineare, aber verlässlichere Konvergenz. Wenn Startwerte nicht nahe genug bei Nullstelle liegen. Typisch: ω 0.5. Fixe Jacobi-Matrix weniger Rechenaufwand beim Lösen des Gleichungssystems. Clemens Brand und Erika Hausenblas 17. März / 31
9 Gliederung 4. Vorlesung 1 Wiederholung: Normen, Jacobi-Matrix, Newton-Verfahren 2 Lineare Gleichungssysteme Vergleich: direkte und iterative Lösungsverfahren 3 Elementare iterative Verfahren Jacobi-Verfahren Gauß-Seidel-Verfahren SOR-Verfahren 4 Matrix Splitting 5 Prüfungsbeispiel Clemens Brand und Erika Hausenblas 17. März / 31
10 Lineares Gleichungssystem mit n Gleichungen und Unbekannten a 11 x 1 + a 12 x a 1n x n = b 1 a 21 x 1 + a 22 x a 2n x n = b 2... a n1 x 1 + a n2 x a nn x n = b n In Matrixschreibweise: Ax = b. Gleichungssysteme lassen sich in Matrix-Schreibweise übersichtlich und prägnant formulieren. Machen Sie sich mit den Bezeichnungen und Regeln der Matrizenrechnung vertraut!
11 Lösungsverfahren für lineare Gleichungssysteme Grundlegende Unterscheidung: direkte und iterative Verfahren Direkte Verfahren sind Varianten des Gaußschen Eliminationsverfahrens (LR-Zerlegung). Üblich bis n Unbekannten. Direkte Verfahren sind allgemeiner anwendbar und rechnen zumeist schneller, sofern die Matrix im schnell zugänglichen Speicher des Rechners Platz hat. Iterative Verfahren finden schrittweise verbesserte Näherungslösungen. Üblich für n Iterative Methoden sind nur für spezielle Matrixtypen anwendbar, die beispielsweise bei partiellen Differentialgleichungen auftreten. Clemens Brand und Erika Hausenblas 17. März / 31
12 Gliederung 4. Vorlesung 1 Wiederholung: Normen, Jacobi-Matrix, Newton-Verfahren 2 Lineare Gleichungssysteme Vergleich: direkte und iterative Lösungsverfahren 3 Elementare iterative Verfahren Jacobi-Verfahren Beispiel: Wärmeleitungsgleichung Gauß-Seidel-Verfahren SOR-Verfahren 4 Matrix Splitting 5 Prüfungsbeispiel Clemens Brand und Erika Hausenblas 17. März / 31
13 Jacobi-Verfahren Idee: Löse jede Gleichung nach ihrem Diagonal-Term auf. Standard-Form, 3 3-Beispiel a 11 x 1 + a 12 x 2 + a 13 x 3 = b 1 a 21 x 1 + a 22 x 2 + a 23 x 3 = b 2 a 31 x 1 + a 32 x 2 + a 33 x 3 = b 3 Auflösen nach Diagonal-Term Fixpunkt-Form a 11 x 1 = b 1 a 12 x 2 a 13 x 3 a 21 x 2 = b 2 a 21 x 1 a 23 x 3 a 31 x 3 = b 3 a 31 x 1 a 32 x 2
14 Jacobi-Verfahren Idee: Löse jede Gleichung nach ihrem Diagonal-Term auf. Standard-Form, 3 3-Beispiel a 11 x 1 + a 12 x 2 + a 13 x 3 = b 1 a 21 x 1 + a 22 x 2 + a 23 x 3 = b 2 a 31 x 1 + a 32 x 2 + a 33 x 3 = b 3 Auflösen nach Diagonal-Term Fixpunkt-Form x 1 = (b 1 a 12 x 2 a 13 x 3 )/a 11 x 2 = (b 2 a 21 x 1 a 23 x 3 )/a 22 x 3 = (b 3 a 31 x 1 a 32 x 2 )/a 33
15 Jacobi-Verfahren Idee: Löse jede Gleichung nach ihrem Diagonal-Term auf. Standard-Form, 3 3-Beispiel a 11 x 1 + a 12 x 2 + a 13 x 3 = b 1 a 21 x 1 + a 22 x 2 + a 23 x 3 = b 2 a 31 x 1 + a 32 x 2 + a 33 x 3 = b 3 Auflösen nach Diagonal-Term Fixpunkt-Form x 1 = (b 1 a 12 x 2 a 13 x 3 )/a 11 x 2 = (b 2 a 21 x 1 a 23 x 3 )/a 22 x 3 = (b 3 a 31 x 1 a 32 x 2 )/a 33 setze Startwerte ein, iteriere
16 Beispiel: Stationäre Wärmeleitungs-Aufgabe Bilanzgleichungen für Temperaturen in neun Zellen eines Finite-Volumen-Rechengitters Randtemperaturen sind vorgegeben, gesucht sind T 1,..., T T 7 T 8 T T 4 T 5 T T 1 T 2 T Die Finite-Volums-Diskretisierung der Wärmeleitungsgleichung liefert neun Bilanzgleichungen. 4T 1 T 2 T 4 = 100 T 1 + 4T 2 T 3 T 5 = 0 T 2 + 4T 3 T 6 = 0 T 1 + 4T 4 T 5 T 7 = 100 T 2 T 4 + 4T 5 T 6 T 8 = 0 T 3 T 5 + 4T 6 T 9 = 0 T 4 + 4T 7 T 6 = 100 T 5 T 7 + 4T 8 T 6 = 0 T 6 T 8 + 4T 9 = 0
17 Stationäre Wärmeleitung: Matrix-Struktur So eine Matrix-Struktur tritt in vielen Modellproblemen auf T T T T T 5 = T T T T 9 0 (Matrix-Elemente 0 sind großteils gar nicht mehr aufgeschrieben). Sehr große Gleichungssysteme! Ein 2D-Rechengittet mit n n Gitterpunkten führt zu n 2 Gleichungen in n 2 Unbekannten. Matrix dieses Systems hat Größe n 2 n 2. In 3D: n n n Gitterpunkte n 3 Gleichungen.
18 Stationäre Wärmeleitung: Matrix-Struktur So eine Matrix-Struktur tritt in vielen Modellproblemen auf T T T T T 5 = T T T T 9 0 (Matrix-Elemente 0 sind großteils gar nicht mehr aufgeschrieben). Sehr große Gleichungssysteme! Ein 2D-Rechengittet mit n n Gitterpunkten führt zu n 2 Gleichungen in n 2 Unbekannten. Matrix dieses Systems hat Größe n 2 n 2. In 3D: n n n Gitterpunkte n 3 Gleichungen.
19 Matrix-Struktur bei größeren n n-rechengittern Die typische Fünf-Band-Struktur eines diskreten Poisson-Problems 0 n n = nz = nz = nz = 1920 Schwach besetzte Matrix Die meisten Positionen sind mit Nullen besetzt Für schwach besetzte Matrizen lassen sich auch Systeme mit Millionen von Unbekannten lösen. Bei voll besetzten Matrizen dieser Größe wäre Gauß-Elimination völlig unmöglich.
20 Matrix-Struktur bei größeren n n-rechengittern Die typische Fünf-Band-Struktur eines diskreten Poisson-Problems 0 n n = nz = nz = nz = 1920 Schwach besetzte Matrix Die meisten Positionen sind mit Nullen besetzt Für schwach besetzte Matrizen lassen sich auch Systeme mit Millionen von Unbekannten lösen. Bei voll besetzten Matrizen dieser Größe wäre Gauß-Elimination völlig unmöglich.
21 Iterative Lösungsverfahren Wir lösen die Gleichungen nach den Diagonal-Termen auf 4T 1 T 2 T 4 = 100 T 1 + 4T 2 T 3 T 5 = 0 T 2 + 4T 3 T 6 = 0 T 1 + 4T 4 T 5 T 7 = 100 T 2 T 4 + 4T 5 T 6 T 8 = 0 T 3 T 5 + 4T 6 T 9 = 0 T 4 + 4T 7 T 6 = 100 T 5 T 7 + 4T 8 T 6 = 0 T 6 T 8 + 4T 9 = 0
22 Iterative Lösungsverfahren Wir lösen die Gleichungen nach den Diagonal-Termen auf 4T 1 T 2 T 4 = 100 T 1 + 4T 2 T 3 T 5 = 0 T 2 + 4T 3 T 6 = 0 T 1 + 4T 4 T 5 T 7 = 100 T 2 T 4 + 4T 5 T 6 T 8 = 0 T 3 T 5 + 4T 6 T 9 = 0 T 4 + 4T 7 T 6 = 100 T 5 T 7 + 4T 8 T 6 = 0 T 6 T 8 + 4T 9 = 0 4T 1 = T 2 + T 4 4T 2 = 0 + T 1 + T 3 + T 5 4T 3 = 0 + T 2 + T 6 4T 4 = T 1 + T 5 + T 7 4T 5 = 0 + T 2 + T 4 + T 6 + T 8 4T 6 = 0 + T 3 + T 5 + T 9 4T 7 = T 4 + T 6 4T 8 = 0 + T 5 + T 7 + T 6 4T 9 = 0 + T 6 + T 8
23 Iterative Lösungsverfahren Wir lösen die Gleichungen nach den Diagonal-Termen auf 4T 1 T 2 T 4 = 100 T 1 + 4T 2 T 3 T 5 = 0 T 2 + 4T 3 T 6 = 0 T 1 + 4T 4 T 5 T 7 = 100 T 2 T 4 + 4T 5 T 6 T 8 = 0 T 3 T 5 + 4T 6 T 9 = 0 T 4 + 4T 7 T 6 = 100 T 5 T 7 + 4T 8 T 6 = 0 T 6 T 8 + 4T 9 = 0 T 1 = (100 + T 2 + T 4 )/4 T 2 = (T 1 + T 3 + T 5 )/4 T 3 = (T 2 + T 6 )/4 T 4 = (100 + T 1 + T 5 + T 7 )/4 T 5 = (T 2 + T 4 + T 6 + T 8 )/4 T 6 = (T 3 + T 5 + T 9 )/4 T 7 = (100 + T 4 + T 6 )/4 T 8 = (T 5 + T 7 + T 6 )/4 T 9 = (T 6 + T 8 )/4
24 Iterative Lösungsverfahren Wir lösen die Gleichungen nach den Diagonal-Termen auf 4T 1 T 2 T 4 = 100 T 1 + 4T 2 T 3 T 5 = 0 T 2 + 4T 3 T 6 = 0 T 1 + 4T 4 T 5 T 7 = 100 T 2 T 4 + 4T 5 T 6 T 8 = 0 T 3 T 5 + 4T 6 T 9 = 0 T 4 + 4T 7 T 6 = 100 T 5 T 7 + 4T 8 T 6 = 0 T 6 T 8 + 4T 9 = 0 T 1 = (100 + T 2 + T 4 )/4 T 2 = (T 1 + T 3 + T 5 )/4 T 3 = (T 2 + T 6 )/4 T 4 = (100 + T 1 + T 5 + T 7 )/4 T 5 = (T 2 + T 4 + T 6 + T 8 )/4 T 6 = (T 3 + T 5 + T 9 )/4 T 7 = (100 + T 4 + T 6 )/4 T 8 = (T 5 + T 7 + T 6 )/4 T 9 = (T 6 + T 8 )/4 Einsetzen von Startwerten rechts liefert verbesserte Werte links iteriere!
25 Ablauf der Iteration bei 3 3 inneren Zellen Anfangsbedingung
26 Ablauf der Iteration bei 3 3 inneren Zellen In dieser Form ein Jacobi-Verfahren: alle Gitter-Werte werden gleichzeitig aktualisiert. Gut für Parallelrechner geeignet, aber nur langsam konvergierend Schritt
27 Ablauf der Iteration bei 3 3 inneren Zellen Schritt
28 Ablauf der Iteration bei 3 3 inneren Zellen Schritt
29 Ablauf der Iteration bei 3 3 inneren Zellen Schritt
30 Ablauf der Iteration bei 3 3 inneren Zellen Schritt
31 Ablauf der Iteration bei 3 3 inneren Zellen Schritt
32 Stationäre Temperaturverteilung Gitter, insgesamt Jacobi-Iterationen
33 Gauß-Seidel-Verfahren Idee: Im Prinzip wie das Jacobi-Verfahren, nur: setze neue Werte, soweit verfügbar, schon im aktuellen Schritt ein Fixpunkt-Form, 3 3-Beispiel, Ablauf der Iteration Startwerte x 1, x 2, x 3, neu berechnete Werte x 1, x 2, x 3 x 1 = (b 1 a 12 x 2 a 13 x 3 )/a 11 x 2 = (b 2 a 21 x 1 a 23 x 3 )/a 22 x 3 = (b 3 a 31 x 1 a 32 x 2 )/a 33
34 Gauß-Seidel-Verfahren Idee: Im Prinzip wie das Jacobi-Verfahren, nur: setze neue Werte, soweit verfügbar, schon im aktuellen Schritt ein Fixpunkt-Form, 3 3-Beispiel, Ablauf der Iteration Startwerte x 1, x 2, x 3, neu berechnete Werte x 1, x 2, x 3 x 1 = (b 1 a 12 x 2 a 13 x 3 )/a 11 x 2 = (b 2 a 21 x 1 a 23 x 3 )/a 22 x 3 = (b 3 a 31 x 1 a 32 x 2 )/a 33
35 Gauß-Seidel-Verfahren Idee: Im Prinzip wie das Jacobi-Verfahren, nur: setze neue Werte, soweit verfügbar, schon im aktuellen Schritt ein Fixpunkt-Form, 3 3-Beispiel, Ablauf der Iteration Startwerte x 1, x 2, x 3, neu berechnete Werte x 1, x 2, x 3 x 1 = (b 1 a 12 x 2 a 13 x 3 )/a 11 x 2 = (b 2 a 21 x 1 a 23 x 3 )/a 22 x 3 = (b 3 a 31 x 1 a 32 x 2 )/a 33
36 Gauß-Seidel-Verfahren Idee: Im Prinzip wie das Jacobi-Verfahren, nur: setze neue Werte, soweit verfügbar, schon im aktuellen Schritt ein Fixpunkt-Form, 3 3-Beispiel, Ablauf der Iteration Startwerte x 1, x 2, x 3, neu berechnete Werte x 1, x 2, x 3 x 1 = (b 1 a 12 x 2 a 13 x 3 )/a 11 x 2 = (b 2 a 21 x 1 a 23 x 3 )/a 22 x 3 = (b 3 a 31 x 1 a 32 x 2 )/a 33
37 SOR-Verfahren SOR bedeutet successive over-relaxation Idee Jeweils neuer Näherungswert zuerst als Zwischenresultat aus Gauß-Seidel-Schritt; endgültiger Näherungswert durch Extrapolation (Überrelaxation) aus alter Näherung und Zwischenresultat. Extrapolationsfaktor ω Der neue Wert liegt (hoffentlich) näher am Ziel als der alte. Extrapoliere den Schritt von alt auf neu um den Faktor ω. Schwierig ist, den Faktor ω im Bereich 1 < ω < 2 gut zu wählen. Zu klein: bringt wenig Verbesserung. Zu groß: schießt übers Ziel hinaus.
38 SOR-Verfahren 3 3-Beispiel, Ablauf der Iteration Alte Werte x 1, x 2, x 3 Zwischenresultate x 1, x 2, x 3 nach Gauß-Seidel-Schritt Extrapolierte Werte x 1, x 2, x 3 GS-Schritt x 1 = (b 1 a 12 x 2 a 13 x 3 )/a 11 Extrapolation x 1 = ωx 1 + (1 ω)x 1 GS-Schritt x 2 = (b 2 a 21 x 1 a 23 x 3 )/a 22 Extrapolation x 2 = ωx 2 + (1 ω)x 2 GS-Schritt x 3 = (b 3 a 31 x 1 a 32 x 2 )/a 33 Extrapolation x 3 = ωx 3 + (1 ω)x 3
39 SOR-Verfahren 3 3-Beispiel, Ablauf der Iteration Alte Werte x 1, x 2, x 3 Zwischenresultate x 1, x 2, x 3 nach Gauß-Seidel-Schritt Extrapolierte Werte x 1, x 2, x 3 GS-Schritt x 1 = (b 1 a 12 x 2 a 13 x 3 )/a 11 Extrapolation x 1 = ωx 1 + (1 ω)x 1 GS-Schritt x 2 = (b 2 a 21 x 1 a 23 x 3 )/a 22 Extrapolation x 2 = ωx 2 + (1 ω)x 2 GS-Schritt x 3 = (b 3 a 31 x 1 a 32 x 2 )/a 33 Extrapolation x 3 = ωx 3 + (1 ω)x 3
40 SOR-Verfahren 3 3-Beispiel, Ablauf der Iteration Alte Werte x 1, x 2, x 3 Zwischenresultate x 1, x 2, x 3 nach Gauß-Seidel-Schritt Extrapolierte Werte x 1, x 2, x 3 GS-Schritt x 1 = (b 1 a 12 x 2 a 13 x 3 )/a 11 Extrapolation x 1 = ωx 1 + (1 ω)x 1 GS-Schritt x 2 = (b 2 a 21 x 1 a 23 x 3 )/a 22 Extrapolation x 2 = ωx 2 + (1 ω)x 2 GS-Schritt x 3 = (b 3 a 31 x 1 a 32 x 2 )/a 33 Extrapolation x 3 = ωx 3 + (1 ω)x 3
41 SOR-Verfahren 3 3-Beispiel, Ablauf der Iteration Alte Werte x 1, x 2, x 3 Zwischenresultate x 1, x 2, x 3 nach Gauß-Seidel-Schritt Extrapolierte Werte x 1, x 2, x 3 GS-Schritt x 1 = (b 1 a 12 x 2 a 13 x 3 )/a 11 Extrapolation x 1 = ωx 1 + (1 ω)x 1 GS-Schritt x 2 = (b 2 a 21 x 1 a 23 x 3 )/a 22 Extrapolation x 2 = ωx 2 + (1 ω)x 2 GS-Schritt x 3 = (b 3 a 31 x 1 a 32 x 2 )/a 33 Extrapolation x 3 = ωx 3 + (1 ω)x 3
42 SOR-Verfahren 3 3-Beispiel, Ablauf der Iteration Alte Werte x 1, x 2, x 3 Zwischenresultate x 1, x 2, x 3 nach Gauß-Seidel-Schritt Extrapolierte Werte x 1, x 2, x 3 GS-Schritt x 1 = (b 1 a 12 x 2 a 13 x 3 )/a 11 Extrapolation x 1 = ωx 1 + (1 ω)x 1 GS-Schritt x 2 = (b 2 a 21 x 1 a 23 x 3 )/a 22 Extrapolation x 2 = ωx 2 + (1 ω)x 2 GS-Schritt x 3 = (b 3 a 31 x 1 a 32 x 2 )/a 33 Extrapolation x 3 = ωx 3 + (1 ω)x 3
43 SOR-Verfahren 3 3-Beispiel, Ablauf der Iteration Alte Werte x 1, x 2, x 3 Zwischenresultate x 1, x 2, x 3 nach Gauß-Seidel-Schritt Extrapolierte Werte x 1, x 2, x 3 GS-Schritt x 1 = (b 1 a 12 x 2 a 13 x 3 )/a 11 Extrapolation x 1 = ωx 1 + (1 ω)x 1 GS-Schritt x 2 = (b 2 a 21 x 1 a 23 x 3 )/a 22 Extrapolation x 2 = ωx 2 + (1 ω)x 2 GS-Schritt x 3 = (b 3 a 31 x 1 a 32 x 2 )/a 33 Extrapolation x 3 = ωx 3 + (1 ω)x 3
44 Konvergenz Iterative Verfahren konvergieren nicht für beliebige Matrizen! Konvergenzaussagen für Jacobi- und Gauß-Seidel existieren für Matrizen, bei denen in jeder Zeile die Beträge in der Hauptdiagonalen im Vergleich zur Summe der restlichen Element-Beträge dominieren. Stark diagonaldominante Matrix A = [a ij ] n a ii > a ij j = 1,..., n j=1, j i In praktisch relevanten Fällen reicht normaler Weise auch (schwach diagonaldominante Matrix) für Konvergenz. Clemens Brand und Erika Hausenblas 17. März / 31
45 Gliederung 4. Vorlesung 1 Wiederholung: Normen, Jacobi-Matrix, Newton-Verfahren 2 Lineare Gleichungssysteme Vergleich: direkte und iterative Lösungsverfahren 3 Elementare iterative Verfahren Jacobi-Verfahren Gauß-Seidel-Verfahren SOR-Verfahren 4 Matrix Splitting 5 Prüfungsbeispiel Clemens Brand und Erika Hausenblas 17. März / 31
46 Matrix Splitting Spalte Matrix auf in einfachen Teil + Rest. A = à + E Wenn Gleichungssystem mit Matrix A nicht leicht lösbar ist, ersetze A durch eine Matrix Ã, mit der es leichter geht. Forme um, so dass nur System mit à zu lösen ist und der Rest auf der anderen Seite steht Fixpunkt-Gleichung! Ax = b (à + E)x = b Ãx + Ex = b Ãx = b E x diese Gleichung lösen! x = à 1 (b Ex) Fixpunkt-Gleichung; Clemens Brand und Erika Hausenblas 17. März / 31
47 Matrix Splitting Spalte Matrix auf in einfachen Teil + Rest. A = à + E Wenn Gleichungssystem mit Matrix A nicht leicht lösbar ist, ersetze A durch eine Matrix Ã, mit der es leichter geht. Forme um, so dass nur System mit à zu lösen ist und der Rest auf der anderen Seite steht Fixpunkt-Gleichung! Ax = b (à + E)x = b Ãx + Ex = b Ãx = b E x diese Gleichung lösen! x = à 1 (b Ex) Fixpunkt-Gleichung; Clemens Brand und Erika Hausenblas 17. März / 31
48 Matrix Splitting A = à + E Jacobi-, Gauß-Seidel- und SOR-Verfahren sind von dieser Art Jacobi-Verfahren wählt à = D a 11 a 12 a 13 a 21 a a 23 = a a 22 a 31 a 32 a 33 a 33 a 12 a 13 + a 21 a 23 a 31 a 32 Gauß-Seidel-Verfahren wählt à = L a 11 a 12 a 13 a 11 a 21 a 22 a 23 = a 21 a 22 + a 31 a 32 a 33 a 31 a 32 a 33 a 12 a 13 a 23 SOR-Verfahren wählt à = L + ( 1 ω 1)D Clemens Brand und Erika Hausenblas 17. März / 31
49 Matrix Splitting A = à + E Jacobi-, Gauß-Seidel- und SOR-Verfahren sind von dieser Art Jacobi-Verfahren wählt à = D a 11 a 12 a 13 a 21 a a 23 = a a 22 a 31 a 32 a 33 a 33 a 12 a 13 + a 21 a 23 a 31 a 32 Gauß-Seidel-Verfahren wählt à = L a 11 a 12 a 13 a 11 a 21 a 22 a 23 = a 21 a 22 + a 31 a 32 a 33 a 31 a 32 a 33 a 12 a 13 a 23 SOR-Verfahren wählt à = L + ( 1 ω 1)D Clemens Brand und Erika Hausenblas 17. März / 31
50 Matrix Splitting A = à + E Jacobi-, Gauß-Seidel- und SOR-Verfahren sind von dieser Art Jacobi-Verfahren wählt à = D a 11 a 12 a 13 a 21 a a 23 = a a 22 a 31 a 32 a 33 a 33 a 12 a 13 + a 21 a 23 a 31 a 32 Gauß-Seidel-Verfahren wählt à = L a 11 a 12 a 13 a 11 a 21 a 22 a 23 = a 21 a 22 + a 31 a 32 a 33 a 31 a 32 a 33 a 12 a 13 a 23 SOR-Verfahren wählt à = L + ( 1 ω 1)D Clemens Brand und Erika Hausenblas 17. März / 31
51 Iteration, Grundschema 1 Für ein Matrix Splitting A = Ã + E Beginne mit Startvektor x (0) iteriere für k = 0, 1, 2,... löse Ãx (k+1) = b Ex (k) bis x (k+1) x (k) < ɛ Ergebnis: Näherungslösung x (k+1)
52 Iteration, Grundschema 2 Ablaufschema einer Iteration in einem Rechenprogramm Diese Formulierung ist mathematisch äquivalent zum Grundschema 1. Vorteil: Residuum (Rest-, Fehlervektor) wird in jedem Schritt mitberechnet) Beginne mit Startvektor x (0) setze r (0) = b Ax (0) iteriere für k = 0, 1, 2,... löse Ãd (k+1) = r (k) setze x (k+1) = x (k) + d (k+1) setze r (k+1) = r (k) Ad (k+1) bis r (k+1) < ɛ Ergebnis: Näherungslösung x (k+1)
53 Beispiel Siehe Zusatz-Material: animierte GIF-Dateien Matrix A, rechte Seite b und Startvektor x (0) A = b = 0 x (0) = Clemens Brand und Erika Hausenblas 17. März / 31
54 Gliederung 4. Vorlesung 1 Wiederholung: Normen, Jacobi-Matrix, Newton-Verfahren 2 Lineare Gleichungssysteme Vergleich: direkte und iterative Lösungsverfahren 3 Elementare iterative Verfahren Jacobi-Verfahren Gauß-Seidel-Verfahren SOR-Verfahren 4 Matrix Splitting 5 Prüfungsbeispiel Clemens Brand und Erika Hausenblas 17. März / 31
55 Prüfungs-Beispiel Gegeben ist das System Ax = b und ein Startvektor x (0) A = 2 2 2, b = 4, x (0) = Berechnen Sie iterativ Näherungslösungen x (1) und x (2) mit dem Gauß-Seidel-Verfahren. 2 Berechnen Sie iterativ Näherungslösungen x (1) und x (2) mit dem Jacobi-Verfahren. 3 Ein Maß für die Güte der Näherungen ist die Norm des Residuumsvektors r (n) = b Ax (n). Berechnen Sie für Aufgabe (1) die Residuumsvektoren und deren -Normen. 4 Welche Konvergenzbedingung kennen Sie für Jacobi- und Gauß-Seidel-Verfahren? Erfüllt die hier gegebene Matrix diese Bedingung? Clemens Brand und Erika Hausenblas 17. März / 31
Mehrdimensionale Iterationen, Gleichungssysteme
Mehrdimensionale Iterationen, Gleichungssysteme 3. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 8. März 2018 Mehrdimensionale Iterationen, Gleichungssysteme
Lineare Gleichungssysteme
Lineare Gleichungssysteme 6. Vorlesung 170004 Numerische Methoden I Clemens Brand 25. März 2010 Nachträge Gliederung Nachträge it Nachträge Wichtige Begriffe Eine Zusammenfassung der Folien 8 16 der letzten
Gleichungssysteme. 3. Vorlesung Numerische Methoden I. Clemens Brand und Erika Hausenblas. 10. März Montanuniversität Leoben
Gleichungssysteme 3. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 10. März 2016 Gleichungssysteme 1 Wiederholung: Vektoren, vektorwertige Funktionen
Matrix-Zerlegungen, überbestimmte Systeme, iterative Löser
Matrix-Zerlegungen, überbestimmte Systeme, iterative Löser 5. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 22. März 2018 Matrix-Zerlegungen, überbestimmte
Fixpunkt-Iterationen
Fixpunkt-Iterationen 2. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 27. Februar 2014 Gliederung Wiederholung: Gleichungstypen, Lösungsverfahren Grundprinzip
Fixpunkt-Iterationen
Fixpunkt-Iterationen 2. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 3. März 2016 Nichtlineare Gleichungen, Fixpunkt-Iterationen 1 Wiederholung Aufgabentypen
Nichtlineare Gleichungen, mehrere Unbekannte
Dritte Vorlesung, 6. März 2008, Inhalt Aufarbeiten von Themen der letzten Vorlesung, und Nichtlineare Gleichungen, mehrere Unbekannte Systeme nichtlinearer Gleichungen Vektor- und Matrixnormen Fixpunkt-Iteration,
38 Iterative Verfahren für lineare Gleichungssysteme
38 Iterative Verfahren für lineare Gleichungssysteme 38.1 Motivation Viele praktische Probleme führen auf sehr große lineare Gleichungssysteme, bei denen die Systemmatrix dünn besetzt ist, d. h. nur wenige
Lineare Gleichungssysteme: direkte Verfahren
Sechste Vorlesung, 24. April 2008, Inhalt Lineare Gleichungssysteme: direkte Verfahren Dreiecksmatrizen Gauß-Elimination LR-Zerlegung Anwendungen: Determinante, Inverse 1 Lösungsverfahren für lineare Gleichungssysteme
Nichtlineare Gleichungen in einer und mehreren Unbekannten
(MUL) 1. März 2012 1 / 37 Nichtlineare Gleichungen in einer und mehreren Unbekannten 2. Vorlesung 170 004 Numerische Methoden I Clemens Brand MUL 1. März 2012 Gliederung 1 Wiederholung Begriffe, Verfahren
Matrixzerlegungen. 6. Vorlesung Numerische Methoden I. Clemens Brand. 2. April Nachträge und Wiederholung. Links-Rechts- Zerlegung
Matrixzerlegungen. 6. Vorlesung 170004 Numerische Methoden I Clemens Brand QR- QR- 2. April 2009 Gliederung Elimination faktorisiert A = L R QR- QR- QR- QR- Eine Zusammenfassung der Folien 6 14 der letzten
Nichtlineare Gleichungen in einer und mehreren Unbekannten
Gleichungen in einer und mehreren Unbekannten 2. Vorlesung 170004 Numerische Methoden I Clemens Brand 26. Februar 2009, Gliederung,, Gleichungen in einer Variablen Was ist... Wie geht... eine lineare (nichtlineare,
2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren
2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren Problem (P2): Löse Ax = b, A R n und b R. 2.1 Satz: Die folgenden Aussagen sind äquivalent: (i) Ax = b ist für jedes b eindeutig lösbar;
Systeme nichtlinearer Gleichungen
Systeme nichtlinearer Gleichungen 3. Vorlesung 170004 Numerische Methoden I Clemens Brand 5. März 2009 Gliederung en Wichtige Themen zur Wann konvergiert Fixpunktiteration anschaulich erklärt mathematisch
Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang. Institut für Geometrie und Praktische Mathematik RWTH Aachen
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
Numerische Methoden I Schriftliche Prüfung Gruppe A 23. Jan :00-14:00 (120 min)
Lehrstuhl für Angewandte Mathematik Montanuniversität Leoben 70 004 Numerische Methoden I Schriftliche Prüfung Gruppe A 23. Jan. 207 2:00-4:00 (20 min) Name Matrikelnummer Mündliche Prüfung: Bitte markieren
Numerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 11 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 2010 Prof. Dr. Klaus Höllig
KAPITEL 1. Einleitung
KAPITEL 1 Einleitung Wir beschäftigen uns in dieser Vorlesung mit Verfahren aus der Numerischen linearen Algebra und insbesondere dem sogenannten Mehrgitterverfahren zur Lösung linearer Gleichungssysteme
Iterative Lösung Linearer Gleichungssysteme
Iterative Lösung Linearer Gleichungssysteme E. Olszewski, H. Röck, M. Watzl 1. Jänner 00 E. Olszewski, H. Röck, M. Watzl: WAP (WS 01/0) 1 Vorwort C.F.Gauß in einem Brief vom 6.1.18 an Gerling:
Musterlösungen zur Leistungsnachweisklausur vom Studiengang Informatik, Ingenieurinformatik, Lehramt
TU ILMENAU Institut für Mathematik Numerische Mathematik PD Dr. W. Neundorf Musterlösungen zur Leistungsnachweisklausur vom.0.006 Studiengang Informatik, Ingenieurinformatik, Lehramt 1. Lineare Algebra
Iterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
Die Folien der vierten Vorlesung sind, weil großteils noch nicht behandelt,hier nochmal enthalten:
Fünfte Vorlesung, 18. März 2010, Inhalt Gleichungssysteme Die Folien der vierten Vorlesung sind, weil großteils noch nicht behandelt,hier nochmal enthalten: Matrizenrechnung Lineare Gleichungssysteme:
Ausgleichsproblem. Definition (1.0.3)
Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst
Nichtlineare Gleichungen in einer und mehreren Unbekannten
Nichtlineare Gleichungen in einer und mehreren Unbekannten 2. Vorlesung 170004 Numerische Methoden I Clemens Brand 25. Februar 2010 Newton- Gliederung Newton-, ng Newton- , Fragenliste Nichtlineare Gleichungen
Klausur Numerische Mathematik (für Elektrotechniker), 24. Februar 2016
Verständnisfragen-Teil ( Punkte) Jeder der Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block Punkte.
Gliederung. Links-Rechts-Zerlegung Elimination faktorisiert A = L R. Determinante Inverse. Kleinste Quadrate. Lösung durch. Links-Rechts- Zerlegung
Matrixzerlegungen. 7. Vorlesung 170004 Numerische Methoden I Clemens Brand 29. April 2010 Gliederung Elimination faktorisiert A = L R Die A = L R Faktorisieren: Zerlege A in ein Produkt (einfacherer) Angenommen,
(d) das zu Grunde liegende Problem gut konditioniert ist.
Aufgabe 0: (6 Punkte) Bitte kreuzen Sie die richtige Lösung an. Es ist jeweils genau eine Antwort korrekt. Für jede richtige Antwort erhalten Sie einen Punkt, für jede falsche Antwort wird Ihnen ein Punkt
Numerische Mathematik für Ingenieure (SoSe 2013)
Numerische Mathematik für Ingenieure (SoSe 2013) PD Dr(USA) Maria Charina Auszüge aus Vorlesungsfolien von Prof Joachim Stöckler werden verwendet Für die Bereitstellung dieses Materials und der Tex-Files
Überbestimmte Gleichungssysteme
Siebente Vorlesung, 8. Mai 2008, Inhalt Überbestimmte Gleichungssysteme Kleinste Quadrate: einfaches Beispiel, elementare Herleitung Normalengleichungen Transformation mit QR-Zerlegung und SVD Nichtlineare
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht Partielle Differentialgleichungen, Approximation der Lösung Finite Elemente, lineare und höhere Ansatzfunktionen Dünn
5.3.5 Abstiegs & Gradientenverfahren
5.3 Iterative Lösungsverfahren für lineare Gleichungssysteme 5.3.5 Abstiegs & Gradientenverfahren Die bisher kennengelernten Iterationsverfahren zur Approximation von linearen Gleichungssystemen haben
Überbestimmte Gleichungssysteme, Regression
Überbestimmte Gleichungssysteme, Regression 8. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas MUL 16. Mai 2013 C. Brand, E. Hausenblas 8. Vorlesung 1 / 19 Gliederung 1 Überbestimmte
Aufwand und Komplexität Vorlesung vom Komplexität und Effizienz
Aufwand und Komplexität Vorlesung vom 15.12.17 Komplexität und Effizienz Aufwand: Anzahl dominanter Operationen (worst-case). Beispiel. Landau-Symbol O(n). Beispiel. Definition: Aufwand eines Algorithmus.
Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Iterative Verfahren (2/2) Ziel dieser Vorlesung Wie schnell können wir Gleichungssysteme lösen? O(n 3 ) LR- oder QR-Zerlegung: Immer anwendbar Standardverfahren Aber:
Newton-Verfahren für ein Skalarfunktion
Newton-Verfahren für ein Skalarfunktion Für eine Näherungsberechnung von Nullstellen einer reellen Funktion f(x) : R R benutzt man das Newton-Verfahren: x (n+1) = x (n) f(x (n) )/f (x (n) ). Das Newton-Verfahren
Übungen zur Mathematik Blatt 1
Blatt 1 Aufgabe 1: Bestimmen Sie die Fourier-Reihe der im Bild skizzierten periodischen Funktion, die im Periodenintervall [ π, π] durch die Gleichung f(x) = x beschrieben wird. Zeichnen Sie die ersten
3. Lineare Gleichungssysteme
3. Lineare Gleichungssysteme 1 3.1. Problemstellung 2 3.2. Direkte Verfahren 3 3.3. Normen und Fehleranalyse 4 3.4. Iterative Verfahren 5 3.5. Konvergenz von linearen Iterationsverfahren 6 3.6. Gradienten-Verfahren
7. Iterative Lösung. linearer Gleichungssysteme
7. Iterative Lösung linearer Gleichungssysteme 1 Grundlagen (1) Zur Erinnerung: Gesucht ist die Lösung eines linearen Gleichungssystems a 0,0 x 0 +a 0,1 x 1 + a 0,n 1 x n 1 = b 0 a 1,0 x 0 +a 1,1 x 1 +
Musterlösung. Aufgaben zu Iterative Lösung Linearer Gleichungssysteme. Vordiplomskurs Numerische Methoden Sommer 2008
Musterlösung Aufgaben zu Iterative Lösung Linearer Gleichungssysteme Vordiplomskurs Numerische Methoden Sommer 8. Betrachte das Gleichungssystem Ax b mit ( ( 3 A, b. 6 8 a Konvergiert das Jacobi Verfahren
Einführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 4 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
$Id: lgs.tex,v /11/26 08:24:56 hk Exp hk $ Definition 5.1: Ein lineares Gleichungssystem besteht aus m linearen Gleichungen
$Id: lgs.tex,v 1.2 2008/11/26 08:24:56 hk Exp hk $ II. Lineare Algebra 5 Lineare Gleichungssysteme Definition 5.1: Ein lineares Gleichungssystem besteht aus m linearen Gleichungen a 11 x 1 + a 12 x 2 +
Numerisches Rechnen. (für Informatiker) M. Grepl J. Berger & J.T. Frings. Institut für Geometrie und Praktische Mathematik RWTH Aachen
(für Informatiker) M. Grepl J. Berger & J.T. Frings Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2010/11 Problemstellung Lineare Gleichungssysteme, iterative Verfahren geg.:
VF-2: 2. Es seien x = 1 3 und y = π Bei der Berechnung von sin(x) sin(y) in M(10, 12, 99, 99) tritt. Auslöschung auf.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H11 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
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
18. Matrizen 2: Gleichungssysteme, Gauß-Algorithmus
18. Matrizen 2: Gleichungssysteme, Gauß-Algorithmus Conrad Donau 8. Oktober 2010 Conrad Donau 18. Matrizen 2: Gleichungssysteme, Gauß-Algorithmus 8. Oktober 2010 1 / 7 18.1 Wiederholung: Ebenen in R 3
Iterative Löser: Einführung
Iterative Löser: Einführung Im vergangenen Semester wurden folgende Löser für LGS betrachtet: LU-Zerlegung (mit und ohne Pivotisierung) QR-Zerlegung (Householder und Givens) Lösung beliebiger, regulärer,
Numerische Mathematik für Ingenieure und Physiker
Willi Törnig Peter Spellucci Numerische Mathematik für Ingenieure und Physiker Band 1: Numerische Methoden der Algebra Zweite, überarbeitete und ergänzte Auflage Mit 15 Abbildungen > Springer-Verlag Berlin
7. Nichtlineare Gleichngssysteme. Problem 7: Sei f : R n R n stetig. Löse f(x) = 0.
7. Nichtlineare Gleichngssysteme Problem 7: Sei f : R n R n stetig. Löse f(x) = 0. Das Gleichungssystem f(x) = 0 lässt sich in die Fixpunktgleichung x = φ(x) umschreiben, wobei φ : D R n R n. Beispielsweise
Lösung Semesterendprüfung
MNUM Mathematik: Numerische Methoden Herbstsemester 17 Dr Christoph Kirsch ZHAW Winterthur Aufgabe 1 : Lösung Semesterendprüfung Wir schreiben zuerst die Gleichungen f(x i ; a, a 1, a y i, i 1,,, 1, als
Glättung durch iterative Verfahren
Numerische Methoden in der Finanzmathematik II Sommersemester 211 Glättung durch iterative Verfahren Vorlesung Numerische Methoden in der Finanzmathematik II Sommersemester 211 Numerische Methoden in der
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
Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011)
M. Sc. Frank Gimbel Beginn der Vorlesung zur Numerik I (Wintersemester 2010/2011) 1 Motivation Ziel ist es, ein gegebenes lineares Gleichungssystem der Form Ax = b (1) mit x, b R n und A R n n zu lösen.
Lösen der Matrizengleichung
Lösen der Matrizengleichung Oliver Deussen Lösungsverfahren K 1 letztes Kapitel: Berechnung der Formfaktoren F außerdem: B: zu berechnende Strahlung, E: gegebenes Eigenleuchten nun: Wie löst man K B =
Kapitel 2: Lineare Gleichungssysteme. 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen
Kapitel 2: Lineare Gleichungssysteme 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen B(n, m) : Ω {0,...,255}, n = 1,...,N, m = 1,...,M. dig. Camera Realisierung
Nichtlineare Gleichungssysteme
Nichtlineare Gleichungssysteme Jetzt: Numerische Behandlung nichtlinearer GS f 1 (x 1,..., x n ) =0. f n (x 1,..., x n ) =0 oder kurz f(x) = 0 mit f : R n R n Bemerkung: Neben dem direkten Entstehen bei
Lineare Gleichungssysteme
Lineare Gleichungssysteme Beispiel: Feder Masse System festes Ende Feder k 1 Masse m 1 k 2 m 2 k 3 m 3 k 4 festes Ende u 0 = 0 Federkraft y 1 Verschiebung u 1 y 2 u 2 y 3 u 3 y 4 u 4 = 0 Grundlagen der
Leseprobe. Hans-Jochen Bartsch. Taschenbuch mathematischer Formeln für Ingenieure und Naturwissenschaftler. ISBN (Buch):
Leseprobe Hans-Jochen Bartsch Taschenbuch mathematischer Formeln für Ingenieure und Naturwissenschaftler ISBN (Buch): 978-3-446-43800-2 ISBN (E-Book): 978-3-446-43735-7 Weitere Informationen oder Bestellungen
Kapitel 2: Lineare Gleichungssysteme. 2.1 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen
Kapitel 2: Lineare Gleichungssysteme 21 Motivation: Bildverarbeitung Sei B = (B(n, m)) ein N M stochastisches Feld mit ZVen B(n, m) : Ω {0,,255}, n = 1,,N, m = 1,,M dig Camera Realisierung von B η ist
VF-3: Gegeben seien die Daten f(x 0 ), f(x 1 ),..., f(x n ) mit x 0,..., x n paarweise verschiedenen und
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB F10 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Aussagen Diese sind mit wahr bzw falsch zu kennzeichnen (hinschreiben) Es müssen alle Fragen mit wahr
Lösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 2016
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 0 0090 Aufgabe Punkte: Betrachten Sie das lineare Gleichungssystem Ax = b mit A = 0 und b
Nichtlineare Ausgleichsrechnung
10. Großübung Nichtlineare Ausgleichsrechnung Allgemeines Problem: Wir betrachten ein nichtlineares System F : R n R m mit (m > n, d.h. das System ist überbestimmt und F i (x g(t i ; x g i! 0 i 1,.., m.
7. Iterative Lösung. linearer Gleichungssysteme
7. Iterative Lösung linearer Gleichungssysteme 1 Grundlagen und Wiederholung (1) Die Grundlagen decken sich mit dem Stoff, der einen Teil des Kapitels 2 - Numerik ausmacht und bereits in Mathematik behandelt
Numerik für Informatiker und Bioinformatiker. Daniel Weiß
Numerik für Informatiker und Bioinformatiker Daniel Weiß SS 202 Folgende Literatur bildet die Grundlage dieser Vorlesung: P Deuflhard, A Hohmann, Numerische Mathematik, Eine algorithmisch orientierte Einführung,
III. Iterative Löser. III.1 Direkte Löser und ihre Nachteile. III.2 Klassische lineare Iterationsverfahren
III. Iterative Löser III.1 Direkte Löser und ihre Nachteile III.2 Klassische lineare Iterationsverfahren Typeset by FoilTEX 1 Erinnerung: Lineares Gleichungssystem bei FDM Diskretisierung einer linearen
Lineare Algebra und Numerische Mathematik D-BAUG. Sommer 2012 Prof. H.-R. Künsch
b Prüfung Lineare Algebra und Numerische Mathematik D-BAUG. Multiple Choice: Sommer Prof. H.-R. Künsch Gegeben sei die folgende Matrix A = 4. 4 (a) x AA T ist eine 4 4 Matrix mit ( AA T) = 4. AA T ist
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Iterationsverfahren: Konvergenzanalyse und Anwendungen Ulrich Rüde Lehrstuhl für Systemsimulation Sommersemester 2007 U. Rüde,
5.3 Iterative Lösungsverfahren für lineare Gleichungssysteme
5.3 Iterative Lösungsverfahren für lineare Gleichungssysteme Als zweite Hauptanwendung des Banachschen Fixpunktsatzes besprechen wir in diesem Kapitel die iterative Lösung linearer Gleichungssysteme. Die
Vorkonditionierer. diskrete stationäre Eulergleichungen
Übersicht Bernhard Pollul,, RWTH Templergraben 55, 52056, E-mail: pollul@igpm.rwth-aachen.de Vorkonditionierer für diskrete stationäre Eulergleichungen 1/13 1., Teilprojekt B4 2. Vorkonditionierung 3.
Kapitel 3. Diskretisierungsverfahren. 3.1 Elliptische Differentialgleichung
Kapitel 3 Diskretisierungsverfahren 3.1 Elliptische Differentialgleichung Wir beschränken uns auf elliptische Randwertaufgaben. Gesucht ist eine Funktion u (x, y) in R 2, welche die allgemeine partielle
Lösungsvorschlag zur Modulprüfung Numerische Methoden - Wintersemester 2016/17
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden - Wintersemester 6/7 837 Aufgabe Punkte): Gegeben sei das lineare Gleichungssystem Ax = b mit A = 6 3 und
Lineare Iterationsverfahren: Definitionen
Lineare Iterationsverfahren: Definitionen 1. Ein Lösungsverfahren zur Berechnung von Ax = b heißt iterativ, falls ausgehend von einem Startwert x eine Folge x k von Iterierten bestimmt wird. 2. Ein Iterationsverfahren
eps für alle x D. 4. Die Zahl 256 ist in M(2, 4, 6, 6) exakt darstellbar.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H13 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
5 Numerische Mathematik
6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul
Beispiellösung Serie 7
D-MAVT FS 2014 K. Nipp A. Hiltebrand NUMERISCHE MATHEMATIK Beispiellösung Serie 7 1. a) Exakt: 0.005 1 1 1 0.005 1 ( 1 0 200-199 L = 200 1 Rückwärts einsetzen Lz = b : z 1 = 0.5, z 2 = 1 100 = 99 Rx =
8. Vorlesung, 5. April Numerische Methoden I. Eigenwerte und Eigenvektoren
8. Vorlesung, 5. April 2017 170 004 Numerische Methoden I Eigenwerte und Eigenvektoren 1 Eigenwerte und Eigenvektoren Gegeben ist eine n n-matrix A. Gesucht sind ein vom Nullvektor verschiedener Vektor
Serie 11: Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung
D-MATH/D-PHYS Lineare Algebra I HS 06 Dr. Meike Akveld Serie : Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung. Gegeben seien die folgenden geordneten Basen B = (v, v, v, v ) und C = (w, w,
6. Iterative Verfahren: Nullstellen und Optima. Besser, schneller, höher, weiter!
6. Iterative Verfahren: Nullstellen und Optima Besser, schneller, höher, weiter! Page 1 of 27 6.1. Große, schwach besetzte lineare Gleichungssysteme I Relaxationsverfahren Einführung Numerisch zu lösende
Serie 11: Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung
D-MATH/D-PHYS Lineare Algebra I HS 2017 Dr. Meike Akveld Serie 11: Lineare Gleichungssysteme, Gauss-Elimination & LR-Zerlegung 1. In dieser Aufgabe beweisen wir die Existenz der LR-Zerlegung einer quadratischen
Institut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Multiple-Choice-Test NumaMB F08 (30 Punkte) Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine
Einführung FEM 1D - Beispiel
p. 1/28 Einführung FEM 1D - Beispiel /home/lehre/vl-mhs-1/folien/vorlesung/4_fem_intro/deckblatt.tex Seite 1 von 28 p. 2/28 Inhaltsverzeichnis 1D Beispiel - Finite Elemente Methode 1. 1D Aufbau Geometrie
Finite Elemente. Dr. S.-J. Kimmerle Institut für Mathematik und Rechneranwendung Fakultät für Luft- und Raumfahrttechnik Wintertrimester 2015
Dr. S.-J. Kimmerle Institut für Mathematik und Rechneranwendung Fakultät für Luft- und Raumfahrttechnik Wintertrimester 5 Aufgabe 8 (Speichertechniken) Finite Elemente Übung 5 a) Stellen Sie die Matrix
Name: Matr.-Nr.: 2. Aufgabe 1. Gegeben sei das folgende lineare Gleichungssystem: b a 2 3a 1
Name: Matr.-Nr.: 2 Aufgabe 1. Gegeben sei das folgende lineare Gleichungssystem: 1 1 0 2 b 1 1 2 4 1 1 4 6 x = 1 1. 2 2 2a 2 3a 1 (a) Bringen Sie das lineare Gleichungssystem auf Treppenform. (b) Für welche
9 Lineare Gleichungssysteme
9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der
Modellieren in der Angewandten Geologie II. Sebastian Bauer
Modellieren in der Angewandten Geologie II Geohydromodellierung Institut für Geowissenschaften Christian-Albrechts-Universität zu Kiel CAU 3-1 Die Finite Elemente Method (FEM) ist eine sehr allgemeine
Numerische Verfahren zur Lösung der Monge-Ampère-Gleichung
für zur Lösung der Monge-Ampère-Gleichung Yasemin Hafizogullari Institut für Geometrie und Praktische Mathematik RWTH Aachen Vortrag zum Seminar im Wintersemester 2009/2010 Ein Transportproblem für? für
Finite Elemente Methoden (aus der Sicht des Mathematikers)
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht: Partielle Differentialgleichungen, Approximation der Lösung, Finite Elemente, lineare und höhere Ansatzfunktionen, Dünn
Kapitel 8. Lineare Gleichungssysteme III: iterative Verfahren
Kapitel 8. Lineare Gleichungssysteme III: iterative Verfahren Inhalt: 8.1 Fixpunkt-Iteration 8.2 Verfahren der konjugierten Gradienten 8.3 Anwendungsbeispiel Numerische Mathematik I 323 Kap. 8: Lineare
Zehnte Vorlesung, 4. Juni 2009, Inhalt. Eigenwerte und Eigenvektoren (2) Gewöhnliche Differentialgleichungen
Zehnte Vorlesung, 4. Juni 2009, Inhalt Eigenwerte und Eigenvektoren (2) Gewöhnliche Differentialgleichungen 1 Eigenwerte und Eigenvektoren Wichtige Feststellungen zur Eigenwertaufgabe Ax = λx: Eigenwerte
19. Januar Universität Erlangen-Nürnberg Department Mathematik PD Dr. Markus Bause. . Danach liefert die Gauss-Elinination. .
Universität Erlangen-Nürnberg Department Mathematik PD Dr Markus Bause Numerik I 9 Januar A Gegeben sei die Matrix A = a Führen Sie eine Zeilenskalierung der Matrix durch Klausur b Bestimmen Sie mit Hilfe
KAPITEL 5. Nichtlineare Gleichungssysteme
KAPITEL 5. Nichtlineare Gleichungssysteme Beispiel 5.1. Gravitationskraft zwischen zwei Punktmassen m 1 und m 2 mit gegenseitigem Abstand r: F = G m 1m 2 r 2, wobei G = 6.67 10 11 Nm 2 /kg. Gravitationsfeld
Kapitel 3 Lineare Gleichungssysteme
1. Direkte Verfahren Kapitel 3 Lineare Gleichungssysteme Grundbaustein vieler numerischer Verfahren zur Lösung von partiellen oder gewöhnlicher Differentialgleichungen und von nichtlinearen Optimierungsproblemen
Diplom VP Numerik 28. August 2006
Diplom VP Numerik 8. August 6 Multiple-Choice-Test Punkte) Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine einzige Aussage angekreuzt, gilt diese Aufgabe
Institut für Numerische Simulation der Universität Bonn Prof. Dr. Mario Bebendorf
Institut für Numerische Simulation der Universität Bonn Prof. Dr. Mario Bebendorf Praktikum im Sommersemester 2012 Programmierpraktikum numerische Algorithmen (P2E1) (Numerische Lösung der Wärmeleitungsgleichung)
Kapitel 9: Lineare Gleichungssysteme
Kapitel 9: Lineare Gleichungssysteme Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz Stefan Ruzika (KO) Kapitel 9: Lineare Gleichungssysteme 1 / 15 Gliederung 1 Grundbegriffe
Institut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Diplom VP Numerik 13. September 004 Aufgabe 1 10 0 40 Gegeben sei die Matrix A = 80 10 10. 10 5 5 (6 Punkte) a) Skalieren (Zeilenäquilibrierung)
Lineare Algebra und Numerische Mathematik für D-BAUG
R. Käppeli L. Herrmann W. Wu Herbstsemester 2016 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 6 Aufgabe 6.1 Berechnen Sie die Determinanten der beiden
2 Lineare Gleichungssysteme
2 Lineare Gleichungssysteme Wir betrachten das lineare Gleichungssystem Ax = b mit der n n-koeffizientenmatrix A und der rechten Seite b R n. Wir leiten zuerst eine Variante des Gauss-Algorithmus (LR-Zerlegung)
MODULPRÜFUNG Numerische Methoden (Elektrotechnik, Meteorologie, Geodäsie und Geoinformatik)
Karlsruher Institut für Technologie KIT) Institut für Analysis Dr. S. Wugalter Herbst 7.9.7 MODULPRÜFUNG Numerische Methoden Elektrotechnik, Meteorologie, Geodäsie und Geoinformatik) Aufgabe 4 Punkte)
Begleitmaterial zur Vorlesung Numerik I
Begleitmaterial zur Vorlesung Numerik I Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 1 / 49 Inhalte der Numerik
Numerisches Programmieren, Übungen
Technische Universität München SS 2012 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Alexander Breuer Dipl.-Math. Dipl.-Inf. Jürgen Bräckle Dr.-Ing. Markus