8 Iterationsverfahren zur Lösung von Gleichungen
|
|
- Sylvia Agnes Hauer
- vor 5 Jahren
- Abrufe
Transkript
1 Numerik Iterationsverfahren zur Lösung von Gleichungen Nichtlineare Gleichungssysteme (sogar eine nichtlineare Gleichung in einer Unbekannten) müssen fast immer iterativ gelöst werden (vgl. Kapitel 2.2). Große dünn besetzte lineare Gleichungssysteme müssen iterativ gelöst werden, weil direkte Verfahren wie die Gauß-Elimination sowohl bez. Rechenaufwand (Komplexität n 3 ) als auch bez. Speicherbedarf ( fill-in ) in der Regel zu kostspielig sind. Wir betrachten nichtlineare Gleichungen stets in einer der beiden (nichteindeutigen) Standardformen: f(x) = 0, x = g(x), Nullstellenform, Fixpunktform. 8 Iterationsverfahren zur Lösung von Gleichungen TU Chemnitz, Sommersemester 2013
2 Numerik Fixpunktiteration 8.2 Konvergenzordnung 8.3 Nullstellen reellwertiger Funktionen 8.4 Das Newton-Verfahren im R n 8.5 Modifikationen des Newton-Verfahrens 8.6 Nichtlineare Ausgleichsprobleme 8.7 Klassische Iterationsverfahren für lineare Systeme 8.8 Gradientenverfahren für lineare Systeme 8 Iterationsverfahren zur Lösung von Gleichungen TU Chemnitz, Sommersemester 2013
3 Numerik Fixpunktiteration Satz 8.1. Es sei eine beliebige Norm im R n und D R n abgeschlossen. Die Selbstabbildung f : D D sei stark kontrahierend, d.h. es existiere eine Konstante L < 1 mit Dann folgt: f (x ) f (y) L x y x, y D. (8.1) (a) f besitzt genau einen Fixpunkt x in D (f (x ) = x ), (b) für jeden Startvektor x 0 D konvergiert die durch x m+1 := f (x m ) (Fixpunktiteration) definierte Folge {x m } m 0 gegen x, (c) x m x Lm 1 L x 0 x 1 (d) x m x L 1 L x m x m 1 (a-priori-abschätzung), (a-posteriori-abschätzung). 8.1 Fixpunktiteration TU Chemnitz, Sommersemester 2013
4 Numerik 399 Der Spezialfall n = 1: Korollar 8.2. I R sei ein abgeschlossenes Intervall, f : I I sei stark kontrahierend, d.h. L < 1 mit f(x) f(y) L x y x, y I. Dann besitzt f genau einen Fixpunkt x in I. Die Iterationsfolge {x m } m 0, x m+1 := f(x m ) (m = 0, 1, 2,...), konvergiert für beliebiges x 0 I gegen x. Es gelten die Abschätzungen x x m Lm 1 L x 0 x 1 sowie x x m L 1 L x m x m Fixpunktiteration TU Chemnitz, Sommersemester 2013
5 Numerik 400 Ein Kriterium für starke Kontraktion: Ist f : D D aus C 1 (D), d.h. für die Komponentenabbildungen f i : D R sind alle partiellen Ableitungen f i x j : D R stetig (1 i, j n), und gibt es eine Matrixnorm M, so dass für die Funktionalmatrix von f, f (x ) = f 1 x 1 (x ). f n x 1 (x ) f 1 x n (x ). f n x n (x ) L := max x D f (x ) M < 1 gilt, dann folgt Rn n (eigentlich f : D R n n ), f (x ) f (y) L x y x, y D, d.h. f ist stark kontrahierend bez. jeder Vektornorm, die mit M verträglich ist. 8.1 Fixpunktiteration TU Chemnitz, Sommersemester 2013
6 Numerik 401 Für den Spezialfall n = 1 bedeutet das: L := max x I f (x) < 1, dann folgt Ist f : I I aus C 1 (I) mit f(x) f(y) = f (ξ) x y L x y x, y I, d.h. f ist stark kontrahierend. Beispiel 1. Gesucht ist eine Lösung x = [ξ, η] des Gleichungssystems x 1 = 0.7 sin x cos x 2, x 2 = 0.7 cos x sin x 2. Äquivalent: Gesucht ist ein Fixpunkt x der Abbildung [ ] [ f : R 2 R 2 x1 0.7 sin x cos x 2, x cos x sin x 2 ]. 8.1 Fixpunktiteration TU Chemnitz, Sommersemester 2013
7 Numerik 402 Die Frobenius-Norm der Funktionalmatrix von f, ([ ]) [ f (x ) = f x1 0.7 cos x sin x 2 = x sin x cos x 2 ] ist (für alle x R 2 ) durch f (x ) F = (0.49 cos 2 x sin 2 x sin 2 x cos 2 x 2 ) 1/2 = ( ) 1/2 =: L gegeben. Also ist f auf ganz R 2 stark kontrahierend (mit der Kontraktionskonstanten L). f besitzt deshalb in R 2 genau einen Fixpunkt x und die Fixpunktiteration [ x (m+1) 1 x (m+1) 2 ] := f ([ x (m) 1 x (m) 2 ]) = [ (m) 0.7 sin x cos x (m) cos x (m) sin x (m) 2 konvergiert für jeden Startvektor (x (0) 1, x(0) 1 ) R 2 gegen x. ] 8.1 Fixpunktiteration TU Chemnitz, Sommersemester 2013
8 Numerik 403 Wir wählen x 0 = [x (0) 1, x(0) 2 ] = [0, 0]. Frage: Wieviele Iterationsschritte m sind erforderlich, um garantieren zu können, dass x x m ? Die a-priori-abschätzung liefert was auf x x m 2 Lm 1 L x 0 x 1 2 = 0.53m/ / /2! 10 4, m + 1 ( 4 + log 10 ( /2 ))/ log 10 (0.53 1/2 ) = führt. Nach 33 Iterationsschritten ist also x x m garantiert. Die numerische Rechnung zeigt, dass dieser Fehler schon nach 21 Schritten erreicht wird. Man wird die Fixpunktiteration in der Praxis dann abbrechen, wenn die a-posteriori-schranke unter 10 4 liegt, was hier nach 22 Schritten der Fall ist. 8.1 Fixpunktiteration TU Chemnitz, Sommersemester 2013
9 Numerik 404 m x (m) 1 x (m) 2 a-priori a-posteriori tats. Fehler e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e e Fixpunktiteration TU Chemnitz, Sommersemester 2013
10 Numerik 405 Definition 8.3. f : D R n, D R n, sei eine Abbildung mit dem Fixpunkt x D (f (x ) = x ). Der Fixpunkt x heißt anziehend (attraktiv), wenn es eine Kugel K ε (x ) := {x R n : x x < ε} mit ε > 0 gibt, so dass die Fixpunktiteration für jeden Startvektor aus K ε (x ) D gegen x strebt (die Fixpunktiteration ist lokal konvergent). Kriterium: (Satz von Ostrowski) x D ist ein anziehender Fixpunkt der stetig differenzierbaren Abbildung f C 1 (D), wenn (a) f (x ) = x und (b) ρ(f (x )) := max{ λ : λ ist Eigenwert von f (x )} < 1 gelten. Hinreichend für (b): Existenz einer Matrixnorm M mit f (x ) M < Fixpunktiteration TU Chemnitz, Sommersemester 2013
11 Numerik 406 Im Spezialfall n = 1 ist x ein anziehender Fixpunkt der stetig differenzierbaren Funktion f : I R, wenn f(x ) = x und f (x ) < 1 erfüllt sind <f (x)< <f (x)< f (x) >1 0 < f (x ) < 1 1 < f (x ) < 0 f (x ) > Fixpunktiteration TU Chemnitz, Sommersemester 2013
12 Numerik Konvergenzordnung Es sei {a m } m 0 eine Nullfolge positiver reeller Zahlen. Die Folge {a m } m 0 besitzt (mindestens) die Konvergenzordnung p 1, wenn es ein C > 0 gibt mit a m+1 Ca p m für alle m m 0. Für p = 1 (lineare Konvergenz) wird zusätzlich C < 1 gefordert. Die konvergente Vektorfolge {x m } m 0 R n (x = lim m x m ) besitzt (mindestens) die Konvergenzordnung p, wenn dies für die Fehlerfolge { x x m } m 0 gilt. (Dabei ist es irrelevant, in welcher Norm die Fehler gemessen werden.) Eine Folge wie a m = 1/(m+1) konvergiert sublinear (langsamer als linear). Gilt lim m a m+1 /a m = 0, so spricht man von superlinearer Konvergenz (schneller als linear). Jede Folge mit Konvergenzordnung p > 1 konvergiert superlinear. 8.2 Konvergenzordnung TU Chemnitz, Sommersemester 2013
13 Numerik 408 Faustregel: Eine Folge konvergiert umso schneller, je größer ihre Konvergenzordnung ist sublineare Konv lineare Konv quadratische Konv Konvergenzordnung TU Chemnitz, Sommersemester 2013
14 Numerik 409 Kriterium (für n = 1): f : [a, b] R sei aus C p [a, b] (p-mal stetig differenzierbar). Es sei f(x ) = x für ein x [a, b]. Gilt 0 = f (x ) = f (x ) =... = f (p 1) (x ), so konvergiert die Fixpunktiteration x m+1 = f(x m ) (m = 0, 1, 2,...) lokal mit (mindestens) der Ordnung p. 8.2 Konvergenzordnung TU Chemnitz, Sommersemester 2013
15 Numerik 410 Beispiel. Die Iterationsvorschrift des Newton-Verfahrens zur Bestimmung einer Nullstelle einer Funktion g C 2 [a, b] lautet: mit der Iterationsfunktion x m+1 = x m g(x m) g (x m ) =: f(x m) f(x) := x g(x) g (x). Sei g (x ) 0: Dann ist x Nullstelle von g x ist Fixpunkt von f. f (x) = 1 g (x)g (x) g(x)g (x) g (x) 2 = g(x)g (x) g (x) 2 f (x ) = 0. Für einfache Nullstellen konvergiert das Newton-Verfahren lokal (mindestens) quadratisch, d.h. mit der Ordnung p = Konvergenzordnung TU Chemnitz, Sommersemester 2013
16 Numerik Nullstellen reellwertiger Funktionen Gesucht sind Nullstellen einer (zumindest) stetigen Funktion g : [a, b] R. Gilt g(a)g(b) < 0, dann besitzt g in (a, b) (mindestens) eine Nullstelle (Zwischenwertsatz). Wir beschreiben und vergleichen drei Verfahren zur näherungsweisen Berechnung einer Nullstelle von g: das Intervallhalbierungsverfahren, das Newton-Verfahren, das Sekantenverfahren. 8.3 Nullstellen reellwertiger Funktionen TU Chemnitz, Sommersemester 2013
17 Numerik 412 Intervallhalbierungsverfahren: Setze a_0 = a und b_0 = b m = 0 while b_m-a_m > tol x =.5*(a_m+b_m) m = m+1 if g(x)*g(a_{m-1}) < 0 a_m = a_{m-1} b_m = x else a_m = x b_m = b_{m-1} end if end while 8.3 Nullstellen reellwertiger Funktionen TU Chemnitz, Sommersemester 2013
18 Numerik 413 Das Intervallhalbierungsverfahren konvergiert linear mit dem Konvergenzfaktor 1/2. Pro Iterationsschritt ist eine Funktionsauswertung erforderlich. Ist g differenzierbar, so können wir das Newton-Verfahren einsetzen (vgl. Kapitel 1.2): x m+1 = x m g(x m) g (x m ) (m = 0, 1, 2,...). Wir wissen bereits, dass es bei einfachen Nullstellen lokal quadratisch konvergiert. Der Rechenaufwand beträgt i.w. zwei Funktionsauswertungen pro Schritt (insbesondere die Auswertung der Ableitung ist in der Praxis problematisch, da g nur in Ausnahmefällen explizit bekannt ist). 8.3 Nullstellen reellwertiger Funktionen TU Chemnitz, Sommersemester 2013
19 Numerik 414 Ersetzt man im Newton-Verfahren die Tangentensteigung g (x m ) durch die Sekantensteigung g(x m) g(x m 1 ) x m x m 1, so erhält man das Sekantenverfahren x m+1 = x m x m x m 1 g(x m ) g(x m 1 ) g(x m) = x m 1g(x m ) x m g(x m 1 ) g(x m ) g(x m 1 ) (m = 0, 1, 2,...). Hier sind zwei Startwerte erforderlich. Ist g C 2 [a, b] und besitzt g eine einfache Nullstelle ζ [a, b], so konvergiert das Sekantenverfahren lokal gegen ζ mit der Konvergenzordnung p = (1 + 5)/2 = Jeder Iterationsschritt erfordert eine Funktionsauswertung. Beispiel. g(x) = x exp( x/2) besitzt wegen g(0.6) = und g(0.8) = eine Nullstelle in [0.6, 0.8]. 8.3 Nullstellen reellwertiger Funktionen TU Chemnitz, Sommersemester 2013
20 Numerik 415 Intervallhalbierungsverfahren: m a m b m e e e e e e e e e e e e Nullstellen reellwertiger Funktionen TU Chemnitz, Sommersemester 2013
21 Numerik 416 Erwartungsgemäß konvergieren Sekantenverfahren (Startwerte x 0 = 0.6, x 1 = 0.8) und Newton-Verfahren (Startwert x 0 = 0.6) wesentlich schneller. Wir tabellieren die resultierenden Fehler: m Sekantenverfahren Newton-Verfahren e e e e e e e-006 < eps = e e < eps = e Nullstellen reellwertiger Funktionen TU Chemnitz, Sommersemester 2013
22 Numerik Das Newton-Verfahren im R n Gesucht: Nullstelle x einer stetig differenzierbaren Funktion f : R n D R n, d.h. f (x ) = 0. Iterationsvorschrift: x m+1 = x m [f (x m )] 1 f (x m ) (m = 0, 1, 2,...) mit der Funktionalmatrix f (x ) = [ f i / (x j )(x )] 1 i,j n. Praxis: Die Inverse von f (x m ) wird nicht berechnet, sondern: (a) Löse das n n lineare Gleichungssystem (nach h) f (x m )h = f (x m ), (b) Setze x m+1 = x m + h. 8.4 Das Newton-Verfahren im R n TU Chemnitz, Sommersemester 2013
23 Numerik 418 Beispiel 2 (vgl. Beispiel 1). Um die Lösung x R n von [ ] ([ ]) [ x1 x1 0.7 sin x cos x 2 = f := x 2 x cos x sin x 2 ] mit dem Newton-Verfahren berechnen zu können, müssen wir das Problem zuerst in Nullstellenform formulieren. x ist Nullstelle von etwa g(x ) = x f (x ), [ ] [ ] g : R 2 R 2 x1 x1 0.7 sin x cos x 2,. x 2 x cos x sin x 2 Es gilt: g (x ) = g ([ x1 x 2 ]) = [ cos x1 0.2 sin x sin x cos x 2 ]. 8.4 Das Newton-Verfahren im R n TU Chemnitz, Sommersemester 2013
24 Numerik 419 Folglich [g (x )] 1 = [ g ([ x1 x 2 ])] 1 = 1 D [ cos x2 0.2 sin x sin x cos x 1 ] mit der Funktionaldeterminanten D = det g (x ) = (1 0.7 cos x 1 )( cos x 2 ) 0.14 sin x 1 sin x 2 (beachte D = 0.1 > 0 x R 2, so dass g (x ) für jedes x R 2 invertierbar ist). 8.4 Das Newton-Verfahren im R n TU Chemnitz, Sommersemester 2013
25 Numerik 420 Iterationsvorschrift in unserem Beispiel: [ ] [ ] (m+1) (m) x 1 x 1 x (m+1) = 2 x (m) 2 1 D [ (m) cos x sin x (m) sin x (m) cos x (m) 1 ][ (m) x sin x (m) cos x (m) 2 x (m) cos x (m) sin x (m) 2 ] (wir weisen noch einmal darauf hin, dass die Invertierung von g (x m ) nur im Ein- oder Zweidimensionalen durchgeführt werden kann i.a. wird man, wie oben beschrieben, ein lineares Gleichungssystem mit der Matrix g (x m ) lösen). 8.4 Das Newton-Verfahren im R n TU Chemnitz, Sommersemester 2013
26 Numerik 421 Die numerische Rechnung liefert: m x (m) 1 x (m) 2 x x m e e e e e < eps = e-16 (vgl. die Konvergenzgeschwindigkeit der gewöhnlichen Fixpunktiteration). 8.4 Das Newton-Verfahren im R n TU Chemnitz, Sommersemester 2013
27 Numerik Konvergenz des Newton-Verfahrens Lemma 8.4. Die Funktion f : D R n R n sei stetig differenzierbar und genüge in der konvexen Menge D der Bedingung f (u) f (v) γ u v für beliebige u, v D, d.h. f sei Lipschitz-stetig in D. Dann gilt für x, y D f (y) f (x ) f (x )(y x ) γ 2 x y 2. Lemma 8.5. Die Funktion f : D R n R n sei differenzierbar an der Stelle x D mit f (x ) = 0. Sei ferner die matrixwertige Funktion A : D R n n stetig in x und die Matrix A(x ) invertierbar. Dann ist die Funktion g : D R n, x x A(x ) 1 f (x ) in einer Umgebung von x wohldefiniert und differenzierbar in x mit g (x ) = I A(x ) 1 f (x ). 8.5 Konvergenz des Newton-Verfahrens TU Chemnitz, Sommersemester 2013
28 Numerik 423 Satz 8.6 (Lokale Konvergenz des Newton-Verfahrens). Die Funktion f : D R n R n besitze die Nullstelle x, sei stetig differenzierbar an der Stelle x und f (x ) sei invertierbar. Dann ist x anziehender Fixpunkt der Newton-Iteration x m+1 = x m f (x m ) 1 f (x m ) m = 0, 1,..., und es gilt lim m x m+1 x x m x Falls in einer Umgebung U(x ) von x gilt = 0. (8.2) f (x ) f (x ) α x x x U(x ), (8.3) dann existieren C > 0 und m 0 N mit x m+1 x C x m x 2 für m m Konvergenz des Newton-Verfahrens TU Chemnitz, Sommersemester 2013
29 Numerik 424 Satz 8.7 (Newton-Kantorovich). Es sei f : D R n R n differenzierbar in D R n, D konvex; f r x, y D gelte Es gebe ein x 0 D mit f (x ) f (y) γ x y. β := f (x 0 ) 1, η := f (x 0 ) 1 f (x 0 ) sodass α := βγη < 1 2 ist. Ferner sei S := {x Rn : x x 0 t } D mit t = (1 1 2α)/(βγ). Dann gilt: mit dem in den Voraussetzungen genannten x 0 sind die Iterierten des Newton-Verfahrens x m+1 = x m f (x m ) 1 f (x m ), m = 1, 2,..., wohldefiniert und konvergieren gegen eine Lösung x D von f (x ) = 0. Es gilt die Fehlerabschätzung x x 1 2βγ x 1 x Konvergenz des Newton-Verfahrens TU Chemnitz, Sommersemester 2013
30 Numerik 425 Bemerkungen: 1. Der Satz von Newton-Kantorovich liefert eine quantitative Charakterisierung der lokal quadratischen Konvergenz des Newton-Verfahrens im R n. 2. Neben der lokal quadratischen Konvergenz sichert er auch die Existenz einer Nullstelle in einer t -Kugel um x. 3. Die (recht starken) Voraussetzungen sind in der Praxis selten zu verifizieren. Es kommt letztlich immer darauf an, einen hinreichend guten Startwert x 0 zu wählen. 8.5 Konvergenz des Newton-Verfahrens TU Chemnitz, Sommersemester 2013
31 Numerik 426 Einfache (eindimensionale) Beispiele zeigen, dass das Newton-Verfahren nur in Ausnahmefällen global konvergiert. Unter speziellen Voraussetzungen kann globale Konvergenz gesichert werden. Definition 8.8. Eine Menge D R n heißt konvex, wenn sie mit zwei Punkten x, y auch deren Verbindungsstrecke enthält: x, y D αx + (1 α)y D α [0, 1]. Die Abbildung f : R n D R n, D konvex, heißt konvex in D, wenn f(αx + (1 α)y) αf(x ) + (1 α)f(y) für alle x, y D und alle α [0, 1] gilt. Die Relation ist hier komponentenweise zu verstehen. Interpretation im Eindimensionalen: Der Graph von f liegt unterhalb aller Sekanten. 8.5 Konvergenz des Newton-Verfahrens TU Chemnitz, Sommersemester 2013
32 Numerik 427 Lemma 8.9. Ist f stetig differenzierbar in der konvexen Menge D, so ist f genau dann konvex, wenn für alle x, y D gilt. f (y) f (x ) f (x )(y x ) (8.4) Interpretation im Eindimensionalen: Der Graph von f liegt oberhalb aller Tangenten Konvergenz des Newton-Verfahrens TU Chemnitz, Sommersemester 2013
33 Numerik 428 Satz 8.10 (Newton-Baluev). Es sei f : R n R n stetig differenzierbar und konvex. f (x ) sei invertierbar mit [f (x )] 1 O (komponentenweise) für alle x R n. Außerdem besitze f (x ) = 0 eine Lösung x. Dann gilt: (a) x ist die einzige Lösung von f (x ) = 0. (b) Die Newton-Folge x m+1 = x m f (x m ) 1 f (x m ), m = 0, 1,... konvergiert für beliebiges x 0 R n gegen x (globale Konvergenz!), (c) Es gilt (komponentenweise monotone Konvergenz) x x m+1 x m f r m = 1, 2, Konvergenz des Newton-Verfahrens TU Chemnitz, Sommersemester 2013
34 Numerik D: x x 0 x x 1 x 1 0 x 8.5 Konvergenz des Newton-Verfahrens TU Chemnitz, Sommersemester 2013
35 Numerik 430 Bemerkung. Genügt f zusätzlich der Monotoniebedingung f (x ) f (y) falls x y, so lässt sich eine Einschliessung von x konstruieren: Neben der Newton-Folge wird noch die Folge ˆx m+1 := ˆx m f (x m ) 1 f (ˆx m ) (m = 1, 2,... ) (Funktionalmatrix an der Stelle x m, nicht an der Stelle ˆx m!) berechnet. Ist ˆx 1 D so gewählt, dass f (ˆx 1 ) 0 gilt, so folgt ˆx m ˆx m+1 x x m+1 x m (m = 1, 2,...) und lim ˆx m = lim x m = x. m m 8.5 Konvergenz des Newton-Verfahrens TU Chemnitz, Sommersemester 2013
36 Numerik Modifikationen des Newton-Verfahrens Problem beim Newton-Verfahren: Nur lokale Konvergenz. Idee des gedämpften Newton-Verfahrens: Iteriere gemäß x m+1 = x m α m f (x m ) 1 f (x m ) (m = 0, 1, 2,...), dabei ist α m (0, 1] ein Dämpfungsfaktor, der so gewählt wird, dass f (x 0 ) f (x 1 ) f (x 2 ) erfüllt ist. 8.6 Modifikationen des Newton-Verfahrens TU Chemnitz, Sommersemester 2013
37 Numerik 432 Programmentwurf: m = 0 while norm(f(x_m)) > tol Loese f (x_m)* h = -f(x_m) alpha = 1 x = x_m + alpha*h while norm(f(x)) > (1-0.25*alpha)*norm(f(x_m)) alpha = 0.5*alpha if alpha < 2^(-10), break, end if x = x + alpha*h end while m = m+1 x_m = x end while 8.6 Modifikationen des Newton-Verfahrens TU Chemnitz, Sommersemester 2013
38 Numerik 433 Problem beim Newton-Verfahren: Berechnung von f (x m ) teuer. Idee der Quasi-Newton-Verfahren: Iteriere gemäß x m+1 = x m A 1 m f (x m ) (m = 0, 1, 2,...), (8.5) dabei ist A m eine Näherung an f (x m ), die der Quasi-Newton-Bedingung genügt. Populär ist der Ansatz A m (x m x m 1 ) = f (x m ) f (x m 1 ) (8.6) A m = A m 1 + u m v m (Rang-Eins-Verfahren), weil sich A 1 m lässt: dann leicht aus A 1 m 1 berechnen 8.6 Modifikationen des Newton-Verfahrens TU Chemnitz, Sommersemester 2013
39 Numerik 434 Beim Broyden-Verfahren wird neben (A m A m 1 )(x m x m 1 ) = f (x m ) f (x m 1 ) A m 1 (x m x m 1 ) (folgt aus der Quasi-Newton-Bedingung) noch (A m A m 1 )h = 0 für alle h x m x m 1 gefordert. Damit ist A m eindeutig bestimmt. Es ergibt sich mit A m = A m 1 + u m v m v m := x m x m 1, u m := (f (x m) f (x m 1 ) Av m )v m v mv m. Die Berechnung der nächsten Iterierten x m+1 nach (8.5) erfordert zunächst O(n 3 ) Operationen. Durch Aufdatieren der Inversen kann man den Aufwand auf O(n 2 ) reduzieren: 8.6 Modifikationen des Newton-Verfahrens TU Chemnitz, Sommersemester 2013
40 Numerik 435 Satz 8.11 (Sherman-Morrison-Formel). Sind u, v R n und A R n n invertierbar. Dann ist A+uv genau dann invertierbar, wenn 1+v A 1 u 0 gilt. In diesem Fall ist ( A + uv ) 1 = A 1 A 1 uv A v A 1 u. Satz Die Abbildung f : R n D R n besitze eine Nullstelle x D. f sei differenzierbar in einer Umgebung U von x und f sei in U Lipschitzstetig. Außerdem sei f (x ) invertierbar. Dann gibt es positive Konstanten δ und ρ mit den folgenden Eigenschaften: Für alle Startwerte x 0 mit x 0 x δ und alle Näherungen A 0 (für f (x 0 )) mit A 0 f (x 0 ) ρ konvergiert das Broyden-Verfahren superlinear gegen x. 8.6 Modifikationen des Newton-Verfahrens TU Chemnitz, Sommersemester 2013
41 Numerik Nichtlineare Ausgleichsprobleme Gegeben sind f : R n D R m (m n) mit den Komponenten f 1,..., f m : D R und y R m. Gesucht ist ein Vektor x R n mit y f (x ) 2 = min x D y f (x ) 2 (8.7) In Kapitel 5 wurde der lineare Spezialfall dieses Problems behandelt, in dem f (x ) = Ax, A R m n. 8.7 Nichtlineare Ausgleichsprobleme TU Chemnitz, Sommersemester 2013
42 Numerik 437 Beispiel. n Parameter einer Modellfunktion ϕ sollen an m Messwerte angepasst werden. Etwa: ϕ(t) = ϕ(t; x 1, x 2, x 3 ) = x 1 exp( x 2 t) + x 3. Als Daten seien folgende fünf Messungen gegeben: j t j y j Hier ist also: f = f 1. f 5 : R3 R 5, f j (x 1, x 2, x 3 ) = x 1 exp( x 2 t j )+x 3, j = 1,..., Nichtlineare Ausgleichsprobleme TU Chemnitz, Sommersemester 2013
43 Numerik 438 Setzt man F : R n D R, x f (x ) y 2 2, so ist 1 2 F (x ) = f (x ) [f (x ) y] = 0 eine notwendige Bedingung für die Lösung x von (8.7) (falls f C 1 (D)). Man könnte dieses Gleichungssystem mit dem Newton-Verfahren attackieren. Dies ist i.a. zu kompliziert (um F zu bestimmen, benötigt man f ) und man linearisiert (8.7) direkt. Ausgangspunkt ist die Taylorreihe von f (f C 2 (D)) f (x ) = f (x 0 ) + f (x 0 )[x x 0 ] + o( x x 0 ). 8.7 Nichtlineare Ausgleichsprobleme TU Chemnitz, Sommersemester 2013
44 Numerik 439 Ist x 0 eine gute Näherung von x, so erwartet man, dass die Lösung x 1 von ( ) min y f (x 0) f (x 0 )[x x 0 ] 2 min y f (x ) x R n x R n 2 (8.8) eine bessere Approximation an x ist. (8.8) ist ein lineares Ausgleichsproblem, kann also mit den Methoden aus Kapitel 5 gelöst werden. Gauß-Newton-Verfahren: Waehle x_0. for k = 0,1,2,...: Berechne A = f (x_k) und b = y - f(x_k), bestimme die Loesung h_k des linearen Ausgleichsproblems \ b - A h_k \ _2 = min, setze x_{k+1} = x_k + h_k. end for 8.7 Nichtlineare Ausgleichsprobleme TU Chemnitz, Sommersemester 2013
45 Numerik 440 In der Praxis muss dieses Verfahren gedämpft werden (x k+1 = x k + αh k, vgl. Abschnitt 8.6). Die folgende Tabelle zeigt für unser Beispiel das Residuum y f (x k ) 2 der Iterierten x k des Gauß-Newton-Verfahrens mit und ohne Dämpfung (x 0 = 0, in Klammern: Dämpfungsfaktoren): k ohne Dämpfung mit Dämpfung [1.0] [1.0] [0.5] [1.0] [1.0] !! [1.0] 8.7 Nichtlineare Ausgleichsprobleme TU Chemnitz, Sommersemester 2013
46 Numerik 441 Satz Sei h = x x 0 die Lösung des linearen Ausgleichsproblems (8.8), f (x 0 ) besitze vollen Rang und y f (x 0 ) 0. Dann existiert ˆα > 0 so dass die Funktion ϕ(α) = y f (x 0 + αh) 2 2 für alle α [0, ˆα] streng monoton fällt. Insbesondere gilt ϕ(α) = y f (x 0 + αh) 2 2 < ϕ(0) = y f (x 0 ) 2 2. Die Gauß-Newton-Korrektur h ist also eine Abstiegsrichtung. Ein geeignet gedämpftes Gauß-Newton-Verfahren führt somit immer zu einer monoton abnehmenden Residualnorm der Iterierten. 8.7 Nichtlineare Ausgleichsprobleme TU Chemnitz, Sommersemester 2013
47 Numerik 442 Das Levenberg-Marquardt-Verfahren wählt bei gegebenem λ k Korrekturrichtung h k für x k als die Lösung von > 0 die [y f (x k )] f (x k )h k λ 2 k h k 2 2 min h k R n. (8.9) Die Idee ist, λ k klein zu wählen, wenn x k weit von einer Lösung entfernt ist und λ k groß zu wählen, wenn x k eine gute Näherung für die Lösung ist. Eine äquivalente Formulierung von (8.9) ist [ ] [ ] y f (xk ) f (x k ) 2 h k 0 λ k I n 2 min h k R n. Es handelt sich also um ein lineares Ausgleichsproblem der Dimension (m + n) n, dessen Koeffizientenmatrix stets vollen Rang n besitzt. Die sehr spezielle Struktur dieses Kleinsten-Quadrate-Problems muss bei der Rechnung ausgenutzt werden. Auch die Korrektur h k des Marquardt-Verfahrens ist eine Abstiegsrichtung. 8.7 Nichtlineare Ausgleichsprobleme TU Chemnitz, Sommersemester 2013
48 Numerik 443 Marquardt-Verfahren: Waehle x_0 und lambda_0 > 0. for k = 0,1,2,...: Berechne A = f (x_k) und b = y - f(x_k), bestimme die Loesung h_k des linearen Ausgleichsproblems \ b - A h_k \ ^2 + lambda_k^2 \ h_k \ ^2 = min, setze x_{test} = x_k + h_k. while \ y - f(x_{test}) \ >= \ y - f(x_k) \ Setze lambda_k = 2 lambda_k und loese \ b - A h_k \ ^2 + lambda_k^2 \ h_k \ ^2 = min, setze x_{test} = x_k + h_k. end while Setze x_{k+1} = x_{test} und lambda_{k+1} = 0.5 lambda_k. end for 8.7 Nichtlineare Ausgleichsprobleme TU Chemnitz, Sommersemester 2013
49 Numerik 444 In unserem Beispiel ist das Marquardt-Verfahren etwa so schnell wie das gedämpfte Gauß-Newton-Verfahren (r k := y f(x k ), x 0 = 0, λ 0 = 1): k r k λ k 1 1/2 1/4 1/8 1/16 1/32 1/ x 1 = x 2 = x 3 = Nichtlineare Ausgleichsprobleme TU Chemnitz, Sommersemester 2013
50 Numerik Klassische Iterationsverfahren für lineare Systeme Zu lösen: Ax = b, A R n n invertierbar, aber n so groß, dass Gauß- Elimination nicht durchführbar ist. Mit einer Zerlegung von A, A = M N (M, N R n n, M invertierbar), lässt sich das LGS äquivalent als Fixpunktaufgabe schreiben: Mx = Nx + b oder x = M 1 Nx + M 1 b. Zugehörige Fixpunktiteration Mx m+1 = Nx m + b oder x m+1 = M 1 Nx m + M 1 b (m = 0, 1, 2...). 8.8 Klassische Iterationsverfahren für lineare Systeme TU Chemnitz, Sommersemester 2013
51 Numerik 446 Bezeichnungen: e m = A 1 b x m (Fehler), r m = b Ax m (Residuum), r m = M 1 (b Ax m ) (Pseudo-Residuum). Mit T = M 1 N (Iterationsmatrix) folgt e m = T e m 1 = = T m e 0 und r m = T r m 1 = = T m r Klassische Iterationsverfahren für lineare Systeme TU Chemnitz, Sommersemester 2013
52 Numerik 447 Satz Das Iterationsverfahren x m+1 = M 1 Nx m + M 1 b (m = 0, 1, 2,...) (8.10) konvergiert genau dann für jeden Startvektor x 0 R n gegen A 1 b, wenn es eine Matrixnorm M gibt mit T M = M 1 N M < 1. Korollar Das Iterationsverfahren (8.10) konvergiert genau dann für jeden Startvektor x 0 R n, wenn ρ(t ) < 1. Eine Matrix T mit ρ(t ) < 1 heißt konvergente Matrix. 8.8 Klassische Iterationsverfahren für lineare Systeme TU Chemnitz, Sommersemester 2013
53 Numerik 448 Es gilt: M wird i.a. nicht invertiert: x m+1 = M 1 Nx m + M 1 b = x m + M 1 r m m = 0 r_0 = b - A*x_0 while norm(r_m) > tol*norm(b) m = m+1 Loese M*h = r_{m-1} x_m = x_{m-1}+h r_m = b-a*x_m end while Lineare Gleichungssysteme mit Koeffizientenmatrix M müssen sehr viel kostengünstiger zu lösen sein als solche mit A! 8.8 Klassische Iterationsverfahren für lineare Systeme TU Chemnitz, Sommersemester 2013
54 Numerik 449 Die Wahl M = diag(a) führt zum Jacobi- oder Gesamtschrittverfahren: x (m) j = 1 b j a j,k x (m 1) k (1 j n, m > 0). a j,j k j Die Wahl M = tril(a) führt zum Gauß-Seidel- oder Einzelschrittverfahren: x (m) j = 1 b j a j,k x (m) k a j,k x (m 1) k (1 j n, m > 0). a j,j k<j k>j Unterschied: Beim Jacobi-Verfahren wird x m ausschließlich aus Komponenten von x m 1 berechnet. Beim Gauß-Seidel-Verfahren werden zur Berechnung von x (m) j alle verfügbaren Komponenten von x m, d.h. x (m) k für k < j, verwendet. 8.8 Klassische Iterationsverfahren für lineare Systeme TU Chemnitz, Sommersemester 2013
55 Numerik 450 Definition Eine Matrix A R n n heißt streng diagonaldominant, falls a j,k < a j,j j = 1, 2,..., n. k j Satz Ist A streng diagonaldominant, so konvergieren sowohl das Jacobi-Verfahren als auch das Gauß-Seidel Verfahren für jeden Startvektor. Dieses Kriterium nennt man auch starkes Zeilensummenkriterium. Analog kann man ein starkes Saltensummenkriterium herleiten. 8.8 Klassische Iterationsverfahren für lineare Systeme TU Chemnitz, Sommersemester 2013
56 Numerik 451 Definition A = M N, A, M, N R n n heißt reguläre Zerlegung von A falls M 1 O und N O. (Die Ungleichungen sind wieder komponentenweise zu verstehen.) Insbesondere gilt für reguläre Zerlegungen T = M 1 N O. Satz Ist A R n n nichtsingulär, gilt A 1 O und ist A = M N eine reguläre Zerlegung, so gilt ρ(m 1 N) < 1. Definition Eine Matrix A = [a i,j ] R n n heißt M-Matrix, falls A 1 O und a i,j 0 falls i j. Korollar Ist A eine M-Matrix, so konvergieren Jacobi- und Gauß- Seidel Verfahren für jeden Startvektor. 8.8 Klassische Iterationsverfahren für lineare Systeme TU Chemnitz, Sommersemester 2013
57 Numerik 452 Zur Illustration lösen wir das lineare Gleichungssysteme Ax = b, das bei der Diskretisierung der Wärmeleitungsgleichung (implizites Euler- Verfahren, vgl. Kapitel 1.3) entsteht, durch Gesamt- und Einzelschrittverfahren. Bis auf einen skalaren Vorfaktor ist A = R.... n n Hier muss allerdings bemerkt werden, dass man dieses System in der Praxis durch Gauß-Elimination (Cholesky-Zerlegung) sehr viel effizienter lösen würde. 8.8 Klassische Iterationsverfahren für lineare Systeme TU Chemnitz, Sommersemester 2013
58 Numerik Jacobi 10 1 Gauss Seidel Hier: n = 20. Die Konvergenz ist in beiden Fällen linear mit den Konvergenzfaktoren (Jacobi) bzw (Gauß-Seidel). Vergrößert man n, so konvergieren beide Verfahren (noch) langsamer. 8.8 Klassische Iterationsverfahren für lineare Systeme TU Chemnitz, Sommersemester 2013
59 Numerik Gradientenverfahren In diesem Abschnitt sei A R n n stets symmetrisch und positiv definit, b R n beliebig und (, ) das Euklidsche Innenprodukt in R n. Grundlegendes Resultat: Unter dieser Voraussetzung löst x R n das lineare Gleichungssystem Ax = b genau dann, wenn x die Funktion φ : R n R, x φ(x ) := 1 2 (Ax, x ) (b, x ) minimiert, d.h. wenn gilt. φ(x ) = min x R n φ(x ) 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
60 Numerik 455 Dies folgt unmittelbar aus den Identitäten φ(x ) = 1 2 x x 2 A + φ(x ) = 1 2( b Ax 2 A 1 b 2 A 1 ). Hierbei sind A bzw. A 1 die zu den Innenprodukten (x, y) A := y Ax bzw. (x, y) A 1 := y A 1 x, x, y R n, gehörenden Normen auf R n. ( A-Norm und A 1 -Norm ). Fazit: Das Lösen des linearen Gleichungssystems Ax = b mit symmetrisch positiv definiter Koeffizientenmatrix A ist äquivalent mit der Minimierung des quadratischen Funktionals φ(x ) = 1 2 (Ax, x ) (b, x ). Daher können auch Minimierungsverfahren zur Lösung eingesetzt werden. 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
61 Numerik 456 Graph und Niveaulinien der Funktion φ (für n = 2): 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
62 Numerik 457 Eindimensionale Minimierung Gegeben: x : Näherung an x, zugehöriges Residuum r = b Ax, p : Suchrichtung, Gesucht: min{φ(x + αp) : α R} Es ist φ(x + αp) = 1 2( A(x + αp), x + αp ) (b, x + αp) Da A spd wird das Minimum erzielt für = φ(x ) α(b Ax, p) + α2 2 (Ap, p) α = (b Ax, p) (Ap, p) = (r, p) (Ap, p), was auf φ(x + αp) = φ(x ) 1 2 (r, p) 2 (Ap, p) führt. Notwendig ist somit p r. 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
63 Numerik 458 Stategie: Ist x m 1 eine Näherung für x, so bestimmt man eine Suchrichtung p m R n \ {0} und minimiert φ entlang der Geraden {x m 1 + αp m : α R}. Dies führt auf die nächste Approximation x m = x m 1 + (r m 1, p m ) (Ap m, p m ) p m (ersetze die n-dimensionale Minimierungsaufgabe φ(x ) = min x R n eine Folge eindimensionaler Probleme φ(x m 1 + αp m ) = min α R ). durch Wahl der Suchrichtung: Naheliegend ist die (lokal optimale) Richtung des steilsten Abstiegs von φ, also die des (negativen) Gradienten φ(x ) = ( 1 2 (Ax, x ) (b, x )) = b Ax = r. Dies führt auf α m = (r m 1, r m 1 )/(Ar m 1, r m 1 ) und zum Verfahren des steilsten Abstiegs. 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
64 Numerik 459 Verfahren des steilsten Abstiegs m := 0, x 0 gegeben, r 0 := b Ax 0 while r k 0 m := m + 1 α m := (r m 1, r m 1 )/(Ar m 1, r m 1 ) x m := x m 1 + α m r m 1 r m := b Ax m Beachte: Wegen b Ax m = b A(x m 1 + α m r m 1 ) = r m 1 α m Ar m 1 ist nur ein Matrix-Vektorprodukt zu berechnen. 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
65 Numerik 460 Satz Das Verfahren des steilsten Abstiegs zur Lösung von Ax = b ist global linear konvergent. Bemerkung: Eine schärfere Abschätzung als im Beweis von Satz 8.22 liefert die Kantorovich-Ungleichung (x, x ) 2 (Ax, x )(A 1 x, x ) 4λ max(a)λ min (A) (λ max (A) + λ min (A)) 2, x Rn, was zur linearen Konvergenzrate κ 1 κ + 1 < 1 1 κ, κ = cond 2(A) des Verfahrens des steilsten Abstiegs führt. Es zeigt sich allerdings, dass diese (lokal optimale) Wahl der Suchrichtung i.a. zu einem sehr langsam konvergenten Verfahren führt. 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
66 Numerik 461 Konvergenz beim Verfahren des steilsten Abstiegs: Beispiel: A = [ 1 0 ] 0 ε, b = [ 1 ] 1, κ = 1 ε, 1 1 κ = 1 ε. 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
67 Numerik 462 Allgemeinere Suchrichtungen Idee: Wähle m linear unabhängige Suchrichtungen p 1,..., p m so, dass die m-te Iterierte die Funktion φ minimiert über { x = x0 + p : p span{p 1,..., p m } }. Folge: Minimum nach spätestens n Schritten gefunden, da dann span{p 1,..., p n } = R n. Frage: Ist es möglich, eine globale Minimierung durch eine Folge lokaler Minimierungen zu realisieren? 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
68 Numerik 463 A-konjugierte Suchrichtungen Ist P m = [p 1,..., p m ] R n m die Matrix der ersten m Suchrichtungen, so ist x x 0 + span{p 1,..., p m } äquivalent mit Dann gilt x = x 0 + P m 1 y + αp m, y R m 1, α R. φ(x ) = φ(x 0 + P m 1 y) + α (Ap m, P m 1 y) + α2 }{{} 2 (Ap m, p m ) α(r 0, p m ) ( ) Ohne den gemischten Term ( ) würde die globale Minimierung zerfallen in (i) Minimierung über x 0 + span{p 1,..., p m 1 } und (ii) Minimierung längs der Geraden {x m 1 + αp m : α R}. 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
69 Numerik 464 Wir fordern also (Ap m, P m 1 y) = 0 y R m 1, (Ap m, p) = 0 p span{p 1,..., p m 1 } d.h. p m ist A-orthogonal ( A-konjugiert ) zu span{p 1,..., p m 1 }. Gilt dann (i) φ(x m 1 ) = min{φ(x 0 + P m 1 y) : y R m 1 } und (ii) α m = (r 0, p m )/(Ap m, p m ), so ist die Lösung von min y R m 1 α R φ(x 0 + P m 1 y + αp m ) ( ) α 2 = min φ(x 0 + P m 1 y) + min y R m 1 α R 2 (Ap m, p m ) α(r 0, p m ) 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
70 Numerik 465 gegeben durch P m 1 y = x m 1, α = α m. Beachte: Wegen x m 1 x 0 + span{p 1,..., p m 1 } ist r m 1 = b Ax m 1 r 0 + A span{p 1,..., p m 1 } und damit (r 0, p m ) = (r m 1, p m ). Demzufolge gilt auch α m = (r m 1, p m )/(Ap m, p m ). Bisherige Forderungen an p m : (i) p m A-konjugiert zu span{p 1,..., p m 1 }, (ii) p m r m 1. Noch offen: Existenz eines solchen p m in jedem Schritt. Man kann zeigen: ein solches p m liegt in span{r m 1, p m 1 }. 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
71 Numerik 466 Das Verfahren der konjugierten Gradienten [Hestenes & Stiefel, 1952]: m := 0 r 0 := b Ax 0 while r m > tol b m := m + 1 if m = 1 then p 1 := r 0 else β m := (r m 1, r m 1 )/(r m 2, r m 2 ) p m := r m 1 + β m p m 1 α m := (r m 1, r m 1 )/(Ap m, p m ) x m := x m 1 + α m p m r m := r m 1 α m Ap m Aufwand pro Schritt: 1 Matrix-Vektor-Multiplikation, 2 Innenprodukte, 3 Vektor-Aufdatierungen (saxpys). 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
72 Numerik 467 Satz Für die Iterierten des cg Verfahrens gilt die Fehlerabschätzung x ( ) m x m A κ 1 x 2. x 0 A κ + 1 Dabei ist κ = cond 2 (A) = λ max (A)/λ min (A) die Konditionszahl von A bez. der Euklid-Norm. In der Praxis wird das cg-verfahren häufig auf das vorkonditionierte Gleichungssystem L 1 AL y = L 1 b mit y = L x angewandt. Dabei ist L eine invertierbare untere Dreiecksmatrix mit (im Idealfall) cond 2 (L 1 AL ) = cond 2 ((LL ) 1 A) cond 2 (A). 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
73 Numerik 468 Abschließend illustrieren wir beide Gradientenverfahren am Testbeispiel Ax = b mit A = tridiag( 1, 2, 1) R : steilster Abstieg konjugierte Gradienten (Bei exakter Rechnung liefert das cg-verfahren nach n = dim(a) Schritten immer die exakte Lösung.) 8.9 Gradientenverfahren TU Chemnitz, Sommersemester 2013
8 Iterationsverfahren zur Lösung von Gleichungssystemen
Numerische Mathematik 378 8 Iterationsverfahren zur Lösung von Gleichungssystemen Nichtlineare Gleichungssysteme (sogar eine nichtlineare Gleichung in einer Unbekannten) müssen fast immer iterativ gelöst
Mehr8 Iterationsverfahren zur Lösung von Gleichungssystemen
Numerische Mathematik für ingenieurwissenschaftliche Studiengänge 281 8 Iterationsverfahren zur Lösung von Gleichungssystemen Nichtlineare Gleichungssysteme (sogar eine nichtlineare Gleichung in einer
MehrNichtlineare 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
Mehr5 Numerische Iterationsverfahren
In diesem Kapitel besprechen wir numerische Iterationsverfahren (insbesondere Fixpunktverfahren) als eine weitere Lösungsmethode zur Lösung von linearen Gleichungssystemen (Kapitel 4) sowie zur Lösung
MehrKAPITEL 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
Mehr18.4 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
MehrNäherungsverfahren zur Bestimmung der Nullstelle α sind iterativ, d.h. sie liefern eine Folge {x (k) } k=0 mit α = lim x (k). (3.0.
3 Nullstellenbestimmung von Funktionen Sei x f(x) eine reellwertige Funktion, definiert auf einem Intervall I = [a, b] R. suchen Nullstellen der Funktion f, d.h. Wir finde α R so, das f(α) = 0. (3.0.1)
MehrEinführung 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
MehrKapitel 4: Nichtlineare Nullstellenprobleme
Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 4: Nichtlineare Nullstellenprobleme Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 2015 HM: Numerik (SS
Mehr7. 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
MehrIterative 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
MehrVF-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
Mehr2. 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;
MehrAusgleichsproblem. 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
MehrVF-3: Es seien A R n n beliebig aber regulär, b R n und gesucht sei die Lösung x R n von A x = b.
NumaMB F14 Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Bewertung: Vier Fragen richtig beantwortet
Mehr5.3.5 Abstiegs & Gradientenverfahren
5.3 Iterative Lösungsverfahren für lineare Gleichungssysteme 5.3.5 Abstiegs & Gradientenverfahren Die bisher kennengelernten Iterationsverfahren zur Approximation von linearen Gleichungssystemen haben
MehrNichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung
MehrBanach scher Fixpunktsatz. 1) D ist abgeschlossen und konvex; 2) f ist selbstabbildend, d.h. f(d) D;
Institut für Geometrie und Praktische Mathematik Höhere Mathematik IV (für Elektrotechniker und Technische Informatiker) - Numerik - SS 2007 Dr. S. Börm, Dr. M. Larin Banach scher Fixpunktsatz Gegeben
MehrNewton-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
Mehr6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme
6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme 6.1 Nullstellen reeller Funktionen Bemerkung 6.1 (Problemstellung) geg.: f C[a, b] ges.: x [a, b] mit f(x ) = 0 Lösungstheorie f linear
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Verständnisfragen-Teil Institut für Geometrie und Praktische Mathematik (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben).
MehrDiplom 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
MehrNewton- und und Quasi-Newton-Methoden in der Optimierung. János Mayer
Newton- und und Quasi-Newton-Methoden in der Optimierung János Mayer 1 GLIEDERUNG Newton-Methode für nichtlineare Gleichungen nichtlineare Gleichungssysteme freie Minimierung. Quasi-Newton-Methoden für
Mehreps 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
MehrNumerische Verfahren zur Lösung unrestringierter Optimierungsaufgaben. Eine kurze Einführung in Quasi Newton Verfahren
Ergänzungen zu dem Buch Numerische Verfahren zur Lösung unrestringierter Optimierungsaufgaben von Carl Geiger und Christian Kanzow (Springer Verlag, 1999) Eine kurze Einführung in Quasi Newton Verfahren
MehrKapitel 5. Lösung nichtlinearer Gleichungen
Kapitel 5. Lösung nichtlinearer Gleichungen 5.1 Nullstellen reeller Funktionen, Newton-Verfahren 5.2 Das Konvergenzverhalten iterativer Verfahren 5.3 Methode der sukzessiven Approximation 5.4 Das Newton-Verfahren
MehrBegleitmaterial 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
MehrKAPITEL 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
MehrDiplom VP Numerik 27. August 2007
Diplom VP Numerik 27. August 2007 Multiple-Choice-Test 30 Punkte Bei jeder MC-Aufgabe ist mindestens eine Aussage korrekt. Wird dennoch bei einer MC-Aufgabe keine einzige Aussage angekreuzt, gilt diese
MehrKlausur 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.
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen IGPM RWTH Aachen Institut für Geometrie und Praktische Mathematik Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen
MehrDer CG-Algorithmus (Zusammenfassung)
Der CG-Algorithmus (Zusammenfassung) Michael Karow Juli 2008 1 Zweck, Herkunft, Terminologie des CG-Algorithmus Zweck: Numerische Berechnung der Lösung x des linearen Gleichungssystems Ax = b für eine
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Verständnisfragen-Teil Institut für Geometrie und Praktische Mathematik 4 Punkte Es gibt zu jeder der Aufgaben vier Teilaufgaben. Diese sind mit bzw. zu kennzeichnen hinschreiben. Es müssen
MehrInstitut 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
MehrLösung der Diplom-Vorprüfung Höhere Mathematik III/IV 6.8.005 1 Aufgabe N1 Gegeben seien A = 5-10 -5-10 8-10 -5-10 13 R 3 3 und b = a) Überprüfen Sie, ob die Matrix A positiv definit ist. b) Bestimmen
MehrNichtlineare 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.
MehrFixpunkt-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
MehrLineare 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
MehrKapitel 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
MehrNichtlineare Gleichungen
Nichtlineare Gleichungen Ein wichtiges Problem in der Praxis ist die Bestimmung einer Lösung ξ der Gleichung f(x) =, () d.h. das Aufsuchen einer Nullstelle ξ einer (nicht notwendig linearen) Funktion f.
Mehr(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
MehrBegleitmaterial zur Vorlesung Numerik II
Begleitmaterial zur Vorlesung Numerik II Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik II 1 / 35 Inhalte der Numerik
MehrOptimierung. Optimierung. Vorlesung 4 Newton und Quasi Newton Verfahren (Teil II) 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 4 Newton und Quasi Newton Verfahren (Teil II) 1 Newton Verfahren Taylor Approximation 1. Ordnung von Newton Verfahren! 0 Setze 0und berechne Löse lineares Gleichungssystem für : 2
Mehr3 Nichtlineare Gleichungssysteme
3 Nichtlineare Gleichungsssteme 3.1 Eine Gleichung in einer Unbekannten Problemstellung: Gegeben sei die stetige Funktion f(). Gesucht ist die Lösung der Gleichung f() = 0. f() f() a) f ( ) 0 b) f ( )
MehrVF-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
MehrWiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
MehrTeil 6. Differentialrechnung mehrerer Veränderlicher
Teil 6 Differentialrechnung mehrerer Veränderlicher 95 96 6.1 Topologie von Mengen Umgebung ε-umgebung eines Punktes x R n : B ε (x) = {y : y x < ε} Umgebung U von x: Menge, die eine ε-umgebung von x enthält
MehrSymmetrische Gleichungssysteme Das Verfahren konjugierter Gradienten
Symmetrische Gleichungssysteme Das Verfahren konjugierter Gradienten 1 / 20 Lineares Gleichungssystem Ax = f, n A[i, j]x j = f i j=1 für i = 1,..., n Voraussetzungen Matrix A sei symmetrisch: A[i, j] =
MehrInexakte 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
Mehr6. Numerische Lösung des. Nullstellenproblems
6. Numerische Lösung des Nullstellenproblems 1 Problemstellung Zwischenwertsatz: Sei f : [a,b] R stetig und c R mit f(a) c f(b) oder f(b) c f(a). Dann gibt es ein x [a,b] mit f(x) = c. Frage: Wie lässt
MehrModulprüfung Numerische Mathematik 1
Prof. Dr. Klaus Höllig 18. März 2011 Modulprüfung Numerische Mathematik 1 Lösungen Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. 1. Die Trapezregel
MehrNumerische 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
MehrPS Numerische Mathematik für LAK WS 08/09, LV-Nr.: , HS Übungsblatt (bis )
. Übungsblatt (bis 5.0.2008). Aufgabe. Skizzieren Sie die Einheitskugeln K (0,) im R 2 für die Normen, 2 und. 2. Aufgabe. Beweisen Sie x x 2 n x für alle x R n. 3. Aufgabe. Bestimmen Sie die relative Konditionszahl
MehrLösung der Diplom-Vorprüfung Höhere Mathematik III/IV Aufgabe N1 (LR-Zerlegung mit Pivotisierung) Gegeben seien R 3.
Lösung der Diplom-Vorprüfung Höhere Mathematik III/IV 7.7.6 Aufgabe N (LR-Zerlegung mit Pivotisierung) Gegeben seien 6 8 A = 8 6 R und b = 6 R. a) Berechnen Sie die LR-Zerlegung von A mit Spaltenpivotisierung.
MehrInhalt Kapitel I: Nichtlineare Gleichungssysteme
Inhalt Kapitel I: Nichtlineare Gleichungssysteme I Nichtlineare Gleichungssysteme I. Nullstellenbestimmung von Funktionen einer Veränderlichen I.2 I.3 Newton-Verfahren Kapitel I (UebersichtKapI) 3 Bisektionsverfahren
Mehr4 Iterative Lösung Linearer Gleichungssysteme 4.1 Fixpunktiteration und Konvergenzsätze.
4 Iterative Lösung Linearer Gleichungssysteme 4.1 Fixpunktiteration und Konvergenzsätze. Wir betrachten das lineare Gleichungssystem der Form Ax = b; (4.1.1) mit A R n n reguläre Matrix und b R n gegeben,
MehrMusterlösungen 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
MehrFixpunkt-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
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS2/ / Inhaltsübersicht 3Einführung in die freie Optimierung 4Orakel und Modellfunktionen 5Optimalitätsbedingungen der freien Optimierung 6Das Newton-Verfahren
MehrNichtlineare 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,
Mehr2. Geben Sie für das Jacobi-Verfahren eine scharfe a-priori Abschätzung für den Fehler. x (10) x p
Wiederholungsaufgaben Algorithmische Mathematik Sommersemester Prof. Dr. Beuchler Markus Burkow Übungsaufgaben Aufgabe. (Jacobi-Verfahren) Gegeben sei das lineare Gleichungssystem Ax b = für A =, b = 3.
MehrWir untersuchen in diesem Abschnitt das (lokale) Newton Verfahren zur Lösung eines nichtlinearen Gleichungssystems
Kapitel 2 Newton Verfahren 2.1 Das lokale Newton Verfahren Wir untersuchen in diesem Abschnitt das (lokale) Newton Verfahren zur Lösung eines nichtlinearen Gleichungssystems F (x) = 0 (2.1) mit einer zumindest
MehrÜbungen 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
MehrIII. 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
MehrRechenoperationen mit Folgen. Rekursion und Iteration.
Rechenoperationen mit Folgen. Die Menge aller Folgen in V bildet einen Vektorraum, V N, für den die Addition und skalare Multiplikation wie folgt definiert sind. (a n ) n N + (b n ) n N := (a n + b n )
MehrNichtlineare 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,
Mehr3. 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
MehrName: Matr.-Nr.: 2. Aufgabe 1. Gegeben sei die Matrix
Name: Matr.-Nr.: 2 Aufgabe 1. Gegeben sei die Matrix 1 1 1 A = 3 3 3 2 2 2 (a) Bestimmen Sie Rang(A), Kern(A) und Bild(A). Ist A invertierbar? Geben Sie zwei verschiedene rechte Seiten b 1, b 2 an, so
Mehry (k) (0) = y (k) y(z) = c 1 e αz + c 2 e βz. c 1 + c 2 = y 0 k=1 k=1,...,m y k f k (x)
9 Ausgleichsrechnung 9.1 Problemstelllung Eine Reihe von Experimenten soll durchgeführt werden unter bekannten Versuchsbedingungen z Ê m. Es sollen Größen x Ê n bestimmt werden, für die ein Gesetz gelten
Mehr7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012)
Technische Universität München Zentrum Mathematik, M1 Prof. Dr. Boris Vexler Dr. Ira Neitzel Dipl.-Math. Alana Kirchner 7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012) Diese Auswahl
MehrKapitel 6. Nichtlineare Gleichungen. 6.1 Einführung. Problem: Idee: Beispiel:
Kapitel 6 Nichtlineare Gleichungen 6. Einführung Problem: Gesucht sind Lösungen nichtlinearer Gleichungen bzw. Systeme, das heißt es geht beispielsweise um die Bestimmung der Nullstellen eines Polynoms
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 4. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 17. März 2016 Lineare Gleichungssysteme 1 Wiederholung: Normen, Jacobi-Matrix,
MehrIterative Methoden zur Lösung von linearen Gleichungssystemen
Iterative Methoden zur Lösung von linearen Gleichungssystemen (13.12.2011) Ziel Können wir wir die zeitabhängige Schrödinger-Gleichung lösen? φ(t) = e iht ψ(0) Typischerweise sind die Matrizen, die das
MehrNEXTLEVEL I, Analysis I
NEXTLEVEL I, Analysis I Hanna Peywand Kiani Wintersemester 9/ Die ins Netz gestellten Kopien der Folien sollen nur die Mitarbeit während der Veranstaltung erleichtern. Ohne die in der Veranstaltung gegebenen
MehrNICHTRESTRINGIERTE OPTIMIERUNG
3 NICHTRESTRINGIERTE OPTIMIERUNG Die Aufgabe, mit der wir uns im Folgen beschäftigen werden, ist die Lösung von Minimierungsproblemen der Form minimiere f(x) in R n, (3.1) wobei f : R n R eine gegebene
MehrKapitel 5 Nichtlineare Gleichungssysteme und Iterationen
Kapitel 5 Nichtlineare Gleichungssysteme und Iterationen Wir betrachten das System f() = 0 von n skalaren Gleichungen f i ( 1,..., n ) = 0, i = 1,..., n. Gesucht: Nullstelle von f() = 0. Es sei (0) eine
MehrDas Trust-Region-Verfahren
Das Trust-Region-Verfahren Nadine Erath 13. Mai 2013... ist eine Methode der Nichtlinearen Optimierung Ziel ist es, das Minimum der Funktion f : R n R zu bestimmen. 1 Prinzip 1. Ersetzen f(x) durch ein
MehrKapitel 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
Mehr38 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
MehrOptimierung. 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
MehrNichtlineare 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
MehrBegleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme
Begleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik 1
MehrLösungsvorschlag zur Nachklausur zur Analysis
Prof Dr H Garcke, D Depner SS 09 NWF I - Mathematik 080009 Universität Regensburg Lösungsvorschlag zur Nachklausur zur Analysis Aufgabe Untersuchen Sie folgende Reihen auf Konvergenz und berechnen Sie
MehrBegleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme
Begleitmaterial zur Vorlesung Numerik linearer Gleichungssysteme Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik 1
MehrAlgebra. Roger Burkhardt Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft
Algebra Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft FS 2010 Roger Burkhardt roger.burkhardt@fhnw.ch Algebra
MehrNumerisches 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
Mehr7. 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 +
MehrA 1 x = b, A 1 R m m, m := (n 1) 2, nh = 1, T I I T I. A 1 = 1 h 2 I T. T R (n 1) (n 1) und I ist die (n 1) (n 1)-Identitätsmatrix.
KAPITEL 13. Große dünnbesetzte LGS, iterative Löser Erstes Beispielproblem: die diskretisierte Poisson-Gleichung wobei A 1 x = b, A 1 R m m, m := (n 1) 2, nh = 1, A 1 = 1 h 2 T I I T I......... I T I I
MehrIterative Verfahren: Allgemeines, Fixpunkt-Iteration, Nullstellen. Prof. U. Rüde - Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Iterative Verfahren: Allgemeines, Fiunkt-Iteration, Nullstellen Motivation Viele numerische Probleme lassen sich nicht mit endlich vielen Schritten lösen Nullstellen
Mehr(x x j ) x [a,b] n! j=0
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB F10 (4 Punkte Es gibt zu jeder der 1 Aufgaben vier Aussagen. Diese sind mit bzw. zu kennzeichnen (hinschreiben. Es müssen alle Fragen mit oder gekennzeichnet
MehrNUMERIK 1. Sommersemester 2016
NUMERIK 1 Soerseester 2016 KLAUSUR LÖSUNGSVORSCHLAG Aufgabe 1 (Multiple Choice) (ca. 20 Minuten, 8 Punkte) Kreuzen Sie korrekte Aussagen an. Es können ehrere Antworten richtig sein, indestens eine ist
MehrBegleitmaterial 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 / 55 Studienplanung Bachelor
MehrName: 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
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS/ / Inhaltsübersicht 3Einführung in die freie Optimierung 4Orakel und Modellfunktionen 5Optimalitätsbedingungen der freien Optimierung 6Das Newton-Verfahren
MehrFinite 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
Mehr3 Die Lösung der diskreten Poisson-Gleichung
Finite Elemente I 90 3 Die Lösung der diskreten Poisson-Gleichung Die Galerkin-Matrix der FE-Diskretisierung der Poisson-RWA (2.1) ist symmetrisch und positiv-definit (gilt nicht notwendig für andere Dgln.)
MehrNumerische 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
MehrSo lösen Sie das Problem der unendlichen Elemente
Finite Elemente I 103 4 Die Lösung der diskreten Poisson-Gleichung Die Galerkin-Matrix der FE-Diskretisierung der Poisson-RWA (3.1) ist symmetrisch und positiv-definit (gilt nicht notwendig für andere
Mehr