Mehrzielige Bahnoptimierung mit MOPS DGLR Workshop Umweltfreundliches Fliegen
|
|
- Swen Brahms
- vor 5 Jahren
- Abrufe
Transkript
1 Multi-Objective Trajectory Optimization Methods within DLR-RM Mehrzielige Bahnoptimierung mit MOPS DGLR Workshop Umweltfreundliches Fliegen Reiko Müller DLR-RM Folie 1
2 Optimierungsmethoden im Institut Robotik & Mechatronik Hauptwerkzeug ist MOPS (Multi-Objective-Parameter- Synthesis) Allgemeines Tool zur Behandlung von Parameteroptimierungsaufgaben (Reglerentwurf, Modellidentifikation, Worst-Case-Suche, Robustheitsanalysen und Monte-Carlo-Simulation) Wird erfolgreich in unterschiedlichen Bereichen wie Flug-, Fahrzeug- und Roboterreglerentwicklung eingesetzt Problemdefinition durch skriptbasierte Setups Folie 2
3 Bahnoptimierung mit MOPS direkter Ansatz Generisches Setup für Optimalsteuerungsprobleme mit direkten Verfahren XML basierte Anbindung Grafisches User-Interface (geplant) Direkter Ansatz Dynamisches System dx/dt = f(x(t),u(t),t,p) mit Steuervektor u, Zustand x, und Parametervektor p Minimierung eines oder mehrerer Kriterien (Funktion von Ausgang, Zustand) Erfüllen von Nebenbedingungen g (z.b. Einhaltung eines Anstellwinkelbereichs) Gesucht ist die optimale Steuerung u*, die das Gütefunktional minimal werden lässt und die Nebenbedingungen f, g erfüllt Parametrierung der Steuerfunktion über Splines (Polynome) ergibt endlichdimensionales Parameteroptimierungsproblem -> lösbar mit MOPS Xml definiert Daten für MOPS Folie 3
4 Verwendete Modelle Inverses Massenpunktmodell (erzeugt in Dymola) Erlaubt die Verwendung der Bahnzustände als Steuergrößen (ohne Bahnregler), Berechnung der unbekannten Startlösung entfällt Eingänge sind u.a. die Größen V, Bahnelevation gamma, Bahnazimut chi Können direkt aus den WGS-Wegpunkten und V bestimmt werden Kriterienrelevante Ausgänge (Treibstoffmasse, CO-Emissionsindex, NOx- Emissionsindex, Flugzeit) INM Integrated Noise Model (aus Projekt Cleansky) Position, Schub, Flugabschnitt (Landung/Takeoff), Berechnungsgitter, V als Eingang EPNL (Effective Perceived Noise Level) Verteilung als Ausgang Folie 4
5 Multiple-Shooting (Mehrfach-Schießverfahren) Aufteilen des Integrations-Zeitintervalls in Teilintervalle Anfangszustände als zusätzliche Optimierungsparameter an den Schaltpunkten Lösen der Differentialgleichungen für jedes Intervall An den Intervallgrenzen werden Anschluss-Bedingungen definiert (Stetigkeit des Zustandsverlaufs) Verbessertes Konvergenzverhalten, Fehler in der Anfangsschätzung für u, Diskretisierungsfehler etc. werden nicht über das gesamte Intervall propagiert Nachteil: Erhöhter Aufwand durch Schätzung der Anfangszustände, zusätzliche Gleichungs-NB Folie 5
6 Mehrzielige Optimierung Es existieren zwei Prinzipien Minmax-Optimierung Bestmögliche Lösung bzgl. a priori gegebener Anforderungen (Minimierung einer gewichteten skalaren Ersatzfunktion, z.b. minimiere maximale Komponente) = Pareto-Punkt Effiziente gradientenbasierte Methoden verwendbar (SQP, ) Pareto-optimale Lösungsmenge finde Menge aller Lösungen bei denen kein Einzelkriterium verbessert werden kann, ohne ein anderes zu verschlechtern A posteriori-auswahl gewünschter Lösungen Aufwendige genetische Algorithmen benötigt Folie 6
7 Ablauf der Optimierung mit inversem FZ-Modell Initialisierung Parametrierung der Steuerfunktionen Berechnen einer Anfangslösung Optimierungsschleife Approximation der Steuerfunktion über Splines Integration der Systemdynamik Berechnung der Kriterien Übergabe der Parameter- und Kriterienwerte an den Optimierer Neue Iteration Folie 7
8 Optimierungslauf 1 (gewichtete MinMax-Optimierung) Hauptkriterium (EPNL Fläche innerhalb 70 db - Kontur) SQP Verfahren Reduktion der 70dB-Fläche um 3.3%, bei gleichzeitiger Treibstoffersparnis von 7.3% Folie 9
9 Optimierungslauf 2 (Pareto-Optimierung) Lösung mit Genetischem Algorithmus Vier Kriterien (Treibstoff, Lärm, CO-Emission, NOx- Emission) Erzeugung von Pareto-Fronten Einzelne Lösungen können entlang der Front ausgewählt werden NOx CO noise fuel fuel noise CO NOx Folie 10
10 Vergleich zweier Pareto-Lösungen Gegenüberstellung Startlösung zu Triebstoff- und COminimaler Trajektorie Hauptunterschiede im Höhen- und Gamma- Verlauf Fuel versucht potentielle Energie zu halten Geradliniger Anflug mit geringer Gamma- Variation ergibt minimale CO-Emission Folie 11
11 Ausblick Implementierung eines GUIs zur Trajektoriendefinition Anbindung einer Datenbank mit Flughäfen, Navaids, etc. Erzeugen von Templates für verschiedene Anwendungsarten Angleichung an CPACS-Missionsdefinition Modelle Verwendung von Vorwärtsmodellen mit Bahnregler Evtl. Verwenden eines Inversen Modells als Preprozessor zur Berechnung der Anfangslösung Folie 12
12 Danke für Ihre Aufmerksamkeit! Fragen? Folie 13
Simulation und Optimierung von Flugbahnen zwischen Städtepaaren
www.dlr.de Folie 1 von 18 > Simulation und Optimierung von Flugbahnen zwischen Städtepaaren > Reiko Müller 27.06.2012 Simulation und Optimierung von Flugbahnen zwischen Städtepaaren DGLR Workshop Flugbahnen,
MehrMultikriterielle Optimierung von PM-Motoren mit Femag
FEMAG-Anwender-Treffen 2009 17. 18. November 2009 Multikriterielle Optimierung von PM-Motoren mit Femag Siegfried Silber Austrian Center of Competence in Mechatronics Simulationstool MagOpt Magnetische
MehrAircraft mission simulation for environmental analysis with flight test validation
Aircraft mission simulation for environmental analysis with flight test validation DGLR Workshop Umweltfreundliches Fliegen, Braunschweig, Juni 2010 Gertjan Looye Deutsches Zentrum für Luft- und Raumfahrt
MehrBerechnung von An- und Abflugrouten zur Lärmminimierung
Berechnung lärmminimaler Flugrouten 1 Berechnung von An- und Abflugrouten zur Lärmminimierung M. Richter, M. Rieck, M. Bittner, J. Lenz, F. Holzapfel Technische Universität München 2. Juli 2013 Berechnung
MehrOptimierung von An- und Abflugbahnen hinsichtlich verschiedener Kostenfunktionen
Technische Universität München DGLR Worksho Umweltfreundliches Fliegen 6./7. Juni Braunschweig Otimierung von n- und bflugbahnen hinsichtlich verschiedener ostenfunktionen Florian Fisch Jakob Len Prof.
MehrModellprädiktive Regelung nichtlinearer sampled-data Systeme
Modellprädiktive Regelung nichtlinearer sampled-data Systeme L. Grüne 1 D. Nešić 2 J. Pannek 1 1 Mathematisches Institut Universität Bayreuth 2 EEE Department University of Melbourne 13. Februar 2006 Workshop
MehrTeil II Optimierung. Modellgestützte Analyse und Optimierung Kap. 5 Einführung Optimierung. Peter Buchholz 2006
Teil II Optimierung Gliederung 5 Einführung, Klassifizierung und Grundlagen 6 Lineare Optimierung 7 Nichtlineare Optimierung 8 Dynamische Optimierung (dieses Jahr nur recht kurz) (9 Stochastische Optimierungsmethoden
Mehr6. Polynom-Interpolation
6. Polynom-Interpolation 1 6.1. Klassische Polynom-Interpolation 2 6.2. Lösung mit Hilfe Lagrange scher Basisfunktionen 3 6.3. Lösung mit Hilfe Newton scher Basisfunktionen 4 6.4. Fehlerabschätzung für
MehrErweiterung eines Verfahrens zur automatisierten Parameteridentifikation eines Fahrzeugmodells
Erweiterung eines Verfahrens zur automatisierten Parameteridentifikation eines Fahrzeugmodells Sebastian Wildfeuer Parameteridentifikation > 23. September 2008 > Folie 1 Themenübersicht Ausgangssituation,
MehrFinite 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
MehrInhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98
Inhaltsverzeichnis 1 Datenbehandlung und Programmierung 11 1.1 Information 11 1.2 Codierung 13 1.3 Informationsübertragung 17 1.4 Analogsignale - Abtasttheorem 18 1.5 Repräsentation numerischer Daten 20
MehrOptimale Steuerung 1
Optimale Steuerung 1 Kapitel 6: Nichtlineare Optimierung unbeschränkter Probleme Prof. Dr.-Ing. Pu Li Fachgebiet Simulation und Optimale Prozesse (SOP) Beispiel: Parameteranpassung für Phasengleichgewicht
Mehr5 Randwertprobleme. y = f(t, y, y ) für t J, (5.2a) y(t 0 ) = y 0, y(t) = y T (5.2b) zu gegebener Funktion f und Werten y 0, y T.
5 Randwertprobleme Bei den bisher betrachteten Problemen handelte es sich um Anfangswertprobleme. In der Praxis treten, insbesondere bei Differentialgleichungen höherer Ordnung, auch Randwertprobleme auf.
MehrVorwärtskinematik und inverse Kinematik. Andreas Schmidtke
Vorwärtskinematik und inverse Kinematik Andreas Schmidtke Übersicht 1. Vorwärtskinematik 2. Standardframes 3. Inverse Kinematik 4. Bemerkungen zur Numerik Übersicht 1. Vorwärtskinematik 1. Modellierung
MehrEin Lärmmodell für die Flugbahnoptimierung
Ein Lärmmodell für die Flugbahnoptimierung DGLR Workshop Umweltfreundliches Fliegen am 16. und 17. Juni 2010 in Braunschweig, 2010 Inhalt Motivation Flugbahnoptimierung Beschreibung der Lärmbelastung/Kostenfunktion
MehrPolynominterpolation mit Matlab.
Polynominterpolation mit Matlab. Die Matlab-Funktion polyfit a = polyfit(x,f,n-1); berechnet die Koeffizienten a = (a(1),a(2),...,a(n)); des Interpolationspolynoms p(x) = a(1)*x^(n-1) + a(2)*x^(n-2) +...
MehrVergleich verschiedener Optimierungsverfahren und
Studiengang Sustainable Energy Competence (SENCE) erstellt von: 3123642 Erstprüfer: Zweitprüfer: M. Sc. Georg Göhler Prof. Dr. Stefan Pelz Zusammenfassung der Wissenschaftlichen Studienarbeit: Vergleich
MehrOptimal Control in Air Traffic Management
Optimal Control in Air Traffic Management DGLR Workshop Bestimmung optimaler Trajektorien im Air Traffic Management 23.04.2013 Deutsche Flugsicherung GmbH, Langen 23.04.2013 1 Inhalt. Hintergrund und Motivation.
MehrAnbindung realer Strecken an Matlab/Simulink
Anbindung realer Strecken an Matlab/Simulink Dipl.-Ing. Mark Müller 1 Inhalt 1. Einführung 2. Konzept des "Hardware-in-the-Loop" 3. Der Real Time Workshop 4. Beispiel: Durchflussregelung 5. Beispiel für
MehrGenetische Algorithmen
Genetische Algorithmen Prof. Dr. Ottmar Beucher Dezember 2001 Genetische Algorithmen 1 Optimierungsaufgaben Ein einfaches Beispiel Prinzipielle Formulierung Lösungsansätze Genetische Algorithmen Anwendungen
MehrMonaco. 2 nd generation IMRT planning Dr. Gustav Meedt Würzburg 30. März 2005
Monaco 2 nd generation IMRT planning Dr. Gustav Meedt Würzburg 30. März 2005 IMRT mit XiO IMRT mit Multilamellen-Kollimatoren Step & Shoot: Fluenz eines Strahls wird moduliert durch die Bestrahlung eines
MehrIdentifikation von Intervallmodellen zur Prädiktion
Institute for Design and Control of Mechatronical Systems Identifikation von Intervallmodellen zur Prädiktion von Manuel Schürz Betreuer: Dr. Harald Kirchsteiger Sommersemester 2014 Ziele Vorhersage des
MehrNumerische Optimierung eines Mikrotransformators
Agenda Symposium Elektromagnetismus am 8./9.3.2018 Vortragende: Agenda Motivation Zielstellung Elektromagnetische Simulation Workflow Sensitivitätsanalyse Optimierung Fazit und Ausblick 2 Motivation Ziel:
MehrLineare Optimierung Teil 2
Lineare Optimierung Teil 2 Primale Degeneration Duale Degeneration = Mehrdeutigkeit Normalform kanonische Form Duale Simplexmethode HTW-Berlin FB3 Prof. Dr.F. Hartl 1 Primale Degeneration/1 Besitzt eine
MehrSimulationsmethoden in der Bayes-Statistik
Simulationsmethoden in der Bayes-Statistik Hansruedi Künsch Seminar für Statistik, ETH Zürich 6. Juni 2012 Inhalt Warum Simulation? Modellspezifikation Markovketten Monte Carlo Simulation im Raum der Sprungfunktionen
MehrFinite Elemente am Beispiel der Poissongleichung
am Beispiel der Poissongleichung Roland Tomasi 11.12.2013 Inhalt 1 2 3 Poissongleichung Sei R n ein Gebiet mit abschnittsweise glattem Rand und f L 2 (). Wir suchen u : R, so dass u = f in, u = 0 Physikalische
MehrFinite 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
MehrProjektgruppe. Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten
Projektgruppe Jennifer Post Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten 2. Juni 2010 Motivation Immer mehr Internet-Seiten Immer mehr digitale Texte Viele Inhalte ähnlich oder gleich
MehrKlassische Polynom Interpolation.
Klassische Polynom Interpolation. Bestimme ein Polynom (höchstens) n ten Grades p n (x) = a 0 + a 1 x + a 2 x 2 +... + a n x n, das die gegebenen Daten interpoliert, d.h. p n (x i ) = f i, 0 i n. Erster
MehrBewertung von Optimierungs- und Zuverlässigkeitsalgorithmen für die virtuelle Produktauslegung
Weimarer Optimierungs- und Stochastiktage 4.0 Bewertung von Optimierungs- und Zuverlässigkeitsalgorithmen für die virtuelle Produktauslegung Dr.-Ing. Andreas Plotzitza, PT/EST4 29. November 2007 1 Inhalt
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
Mehr15 Grundlagen der Simulation
15 Grundlagen der Simulation 15.1 Einführung Komplexe Problemstellungen, die einer analytischen Behandlung nur sehr schwer oder gar nicht zugänglich sind Lösung von diskreten (oder analytischen) Optimierungsaufgaben,
MehrKooperative und optimierte Lichtsignalsteuerung in städtischen Netzen
6. VIMOS-Tagung, 15. Dezember 2010 KOLINE Kooperative und optimierte Lichtsignalsteuerung in städtischen Netzen Dipl.-Ing. Ralf Kutzner Gliederung Projektdaten und partner Herausforderungen und Lösungsansätze
MehrIngenieurmathematik mit Computeralgebra-Systemen
Hans Benker Ingenieurmathematik mit Computeralgebra-Systemen AXIOM, DERIVE, MACSYMA, MAPLE, MATHCAD, MATHEMATICA, MATLAB und MuPAD in der Anwendung vieweg X Inhaltsverzeichnis 1 Einleitung 1 1.1 Ingenieurmathematik
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
MehrSchnelle und konsistente Stoffwertberechnung mit Spline Interpolation Arbeiten innerhalb der IAPWS Task Group "CFD Steam Property Formulation"
M. Kunick, H. J. Kretzschmar Hochschule Zittau/Görlitz, Fachgebiet Technische Thermodynamik, Zittau Schnelle und konsistente Stoffwertberechnung mit Spline Interpolation Arbeiten innerhalb der IAPWS Task
MehrETHZ, D-MATH. Numerische Methoden D-PHYS, WS 2015/16 Dr. V. Gradinaru
ETHZ, D-MATH Prüfung Numerische Methoden D-PHYS, WS 5/6 Dr. V. Gradinaru..6 Prüfungsdauer: 8 Minuten Maximal erreichbare Punktzahl: 6. Der van-der-pol Oszillator ( Punkte) Der van-der-pol Oszillator kann
MehrPolynome im Einsatz: Bézier-Kurven im CAD
Polynome im Einsatz: Bézier-Kurven im CAD Dipl.-Inform. Wolfgang Globke Institut für Algebra und Geometrie Arbeitsgruppe Differentialgeometrie Universität Karlsruhe 1 / 25 Kurven im Raum Eine Kurve im
MehrPARADOM. Parallele Algorithmische Differentiation in OpenModelica für energietechnische Simulationen und Optimierungen.
Zentrum für Informationsdienste und Hochleistungsrechnen TU Dresden PARADOM Parallele Algorithmische Differentiation in OpenModelica für energietechnische Simulationen und Optimierungen Martin Flehmig
MehrÜbungen zu Splines Lösungen zu Übung 20
Übungen zu Splines Lösungen zu Übung 20 20.1 Gegeben seien in der (x, y)-ebene die 1 Punkte: x i 6 5 4 2 1 0 1 2 4 5 6 y i 1 1 1 1 1 + 5 1 + 8 4 1 + 8 1 + 5 1 1 1 1 (a) Skizzieren Sie diese Punkte. (b)
MehrVariation mit Nebenbedingungen
Variation mit Nebenbedingungen Lagrange-Multiplikatoren Welcher Punkt minimiert unter der Nebenbedingung (NB) absolutes Minimum Ohne NB wäre Antwort: 2 Gl. für 2 Unbekannte Aber: NB verknüpft x,y unabhängige
MehrDatenfusionsverfahren für die automatische Erfassung des Rollverkehrs auf Flughäfen. Christoph Meier. Institut für Flugführung Braunschweig
Deutsches Zentrum für Luft- und Raumfahrt e.v. Forschungsbericht 98-32 Datenfusionsverfahren für die automatische Erfassung des Rollverkehrs auf Flughäfen Christoph Meier Institut für Flugführung Braunschweig
MehrHinreichende Bedingungen für Optimalsteuerungsprobleme mit nichtglatten Zuständen
Hinreichende Bedingungen für Optimalsteuerungsprobleme mit nichtglatten Zuständen Ricki Rosendahl Schwerpunkt Optimierung und Approximation Department Mathematik - Universität Hamburg Hamburg, 10. April
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
MehrMustererkennung. Übersicht. Unüberwachtes Lernen. (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren Gaussian-Mixture Modelle
Mustererkennung Unüberwachtes Lernen R. Neubecker, WS 01 / 01 Übersicht (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren 1 Lernen Überwachtes Lernen Zum Training des Klassifikators
MehrSoftwareprojektpraktikum Maschinelle Übersetzung
Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta, Jan Rosendahl max.bleu@i6.informatik.rwth-aachen.de Vorbesprechung 5. Aufgabe 22. Juni 2017 Human Language Technology
MehrZukünftige Konzepte zur Optimierung von Trajektorien Drei Ansätze
Zukünftige Konzepte zur Optimierung von Trajektorien Drei Ansätze DGLR L6.1 Workshop: Bestimmung optimaler Trajektorien im Air Traffic Management, 23.04.2013 Dr. Matthias Poppe, DFS 1.) CATO Decision Support
MehrAufgabe 1 - Tricks mit linearen Gleichungen
Institut für Informatik Visual Computing Prof. Dr. Michael Wand & M.Sc. Sebastian Brodehl Sommersemester 2018 Modellierung I Übungsblatt 4: LGS, Vektorräume und Inverse Probleme Letzte Änderung: 10:20
MehrSolvency II and Nested Simulations - a Least-Squares Monte Carlo Approach
Grafik and - a Least-Squares Monte Carlo Approach Khischgee Turbat Technische Universität Wien 17. Februar 2016 Grafik 1 2 3 4 Grafik 5 6 Inhalt Grafik Großprojekt der EU-Kommission gültig ab dem 1. Jänner
MehrEinsatz von Maple bei der Lehramtsausbildung
Karlsruher Institut für Technologie Universität Karlsruhe (TH) Forschungsuniversität - gegründet 1825 Fakultät für Mathematik 18. Februar 2009 Numerische Mathematik für das Lehramt Pflichtveranstaltung
MehrBayesianische Netzwerke - Lernen und Inferenz
Bayesianische Netzwerke - Lernen und Inferenz Manuela Hummel 9. Mai 2003 Gliederung 1. Allgemeines 2. Bayesianische Netzwerke zur Auswertung von Genexpressionsdaten 3. Automatische Modellselektion 4. Beispiel
MehrEntwicklung integrierter HW/SW-Systeme Integrierte Hard- und Softwaresysteme 2 Seminar
Entwicklung integrierter HW/SW-Systeme Integrierte Hard- und Softwaresysteme 2 Seminar Jorge Meza jorge.meza@tu-ilmenau.de Zusebau R2082, Tel: -4128 Prof. Dr.-Ing. habil. Andreas Mitschele-Thiel Integrated
Mehr1. Anhang: Spline-Funktionen
C:\D\DOKU\NUM KURS\SPLINE.TEX C:\UG\.AI 20. Juli 1998 Vorbemerkung: Wenn der Satz stimmt, daß jede Formel eines Textes die Leserzahl halbiert, dann brauche ich bei grob geschätzt 40 Formeln etwa 2 40 =
MehrGliederung. Gliederung (cont.) Gliederung (cont.)
- Gliederung Jianwei Zhang zhang@informatik.uni-hamburg.de Fakultät für Mathematik, Informatik und Naturwissenschaften Technische Aspekte Multimodaler Systeme 11. Mai 2010 Allgemeine Informationen Einführung
MehrSimulation und Optimierung in dynamischen Systemen Dr.-Ing. Christian Reinl,
Simulation und Optimierung in dynamischen Systemen Dr.-Ing. Christian Reinl, 04.02.2011 Simulation, Systems Optimization, and Robotics Überblick Simulation / Evaluation in MME Mobilität in WSN Optimierung
MehrRealisierung einer MC-basierten Optionspreisberechnung mit FloPoCo
Fakultät Informatik, Institut für Technische Informatik, Professur VLSI-Entwurfssysteme, Diagnostik und Architektur Realisierung einer MC-basierten Optionspreisberechnung mit FloPoCo Christian Skubich
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 7
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
MehrProzedurales Programmieren und Problemlösungsstrategien
Prozedurales Programmieren und Problemlösungsstrategien Bachelorstudiengänge Umwelttechnik und Maschinenbau Prof. Dr. Thomas Hoch Problemlösungsstrategien Prozedurales Programmieren und Problemlösungsstrategien
MehrPrüfer: Dr. M. Lenz, Prof. Dr. M. Rumpf. Klausurdauer: 180 Minuten. Bitte Namen, Vornamen und Matrikel-Nr. einsetzen. Name:... Vorname:...
Klausur zum Modul Ingenieurmathematik II (B22) 20. März 2014 für den Bachelorstudiengang Geodäsie und Geoinformation In der Klausur können 10 Punkte pro Aufgabe, also insgesamt 100 Punkte erreicht werden.
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrModell-Programmierte Roboter Regelung. Univ.-Prof. Dr. Michael Hofbaur Institut für Automatisierungs- und Regelungstechnik, UMIT, Hall i.
Modell-Programmierte Roboter Regelung Univ.-Prof. Dr. Michael Hofbaur Institut für Automatisierungs- und Regelungstechnik, UMIT, Hall i. Tirol Motivation: Automatisierung komplexer Systeme komplexe technische
MehrSIMULIA isight Prozessautomatisierung und Parameter Optimierung
SIMULIA isight Prozessautomatisierung und Parameter Optimierung Übersicht SIMULIA 2 Die Entwicklung der SIMULIA Simulation (1978) FE-DESIGN (2013) Engineous (2008) ABAQUS, Inc. (2005) Isight Tosca Safe-
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Christoph Sawade/Niels Landwehr/Tobias Scheffer
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Christoph Sawade/Niels Landwehr/Tobias Scheffer Überblick Problemstellung/Motivation Deterministischer i ti Ansatz:
MehrSBWL Tourismusanalyse und Freizeitmarketing
SBWL Tourismusanalyse und Freizeitmarketing Vertiefungskurs 4: Multivariate Verfahren 2 Teil 3: Mischmodelle / Modellgestützte Clusteranalyse Achim Zeileis & Thomas Rusch Institute for Statistics and Mathematics
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
MehrEinführung in das Seminar Algorithmentechnik
Einführung in das Seminar Algorithmentechnik 10. Mai 2012 Henning Meyerhenke, Roland Glantz 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Roland undglantz: nationales Einführung Forschungszentrum
MehrSortieren und Suchen. Jens Wächtler Hallo Welt! -Seminar LS 2
Sortieren und Suchen Jens Wächtler 17.05.2017 Hallo Welt! -Seminar LS 2 Überblick Sortieren kurze Wiederholung Binäre & Ternäre Suche Binäre Suche in einer Liste Bisektionsverfahren (Nullstellensuche)
MehrAlgorithmen und Datenstrukturen 12
12. Juli 2012 1 Besprechung Blatt 11 Fragen 2 Binary Search Binäre Suche in Arrays Binäre Suchbäume (Binary Search Tree) 3 Sortierverfahren Allgemein Heapsort Bubblesort Insertionsort Mergesort Quicksort
MehrMethoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien
Methoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien Katharina Witowski katharina.witowski@dynamore.de Übersicht Beispiel Allgemeines zum LS-OPT Viewer Visualisierung von Simulationsergebnissen
MehrSBWL Tourismusanalyse und Freizeitmarketing
SBWL Tourismusanalse und Freizeitmarketing Vertiefungskurs 4: Multivariate Verfahren 2 Teil 3: Mischmodelle / Modellgestützte Clusteranalse Achim Zeileis Department of Statistics and Mathematics FleMi
MehrOptimale Steuerung 1 Prozessoptimierung 1
Optimale Steuerung 1 Prozessoptimierung 1 Kapitel 2: Lineare Optimierung Prof. Dr.-Ing. Pu Li Fachgebiet Simulation und Optimale Prozesse (SOP) Lineare Algebra (Mathematische Grundlagen) 2 Beispiel: Produktionsplanung
MehrKünstliche Intelligenz - Optimierungsprobleme - Suche in Spielbäumen
Künstliche Intelligenz - Optimierungsprobleme - Suche in Spielbäumen Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Optimierungsprobleme
MehrDie MATLAB-Funktionen (Beschreibung : Siehe MATLAB-Hilfen)
Fachbereich Grundlagenwissenschaften Prof. Dr. H. Dathe Numerische Mathematik/Optimierung Eine Einführung in Theorie und Verfahren Die MATLAB-Funktionen (Beschreibung : Siehe MATLAB-Hilfen) linprog Lineare
MehrParallelisierung durch Gebietszerlegung
Parallelisierung durch Gebietszerlegung Jahn Müller jahn.mueller@uni-muenster.de Westfälische Wilhelms-Universität Münster 25.01.2008 1 Einleitung 2 Gebietszerlegung nicht überlappende Zerlegung überlappende
MehrQuantifizierung der Unsicherheit von Netzmessungen in einer Venturi-Düse bei unsicheren Zuströmbedingungen
Quantifizierung der Unsicherheit von Netzmessungen in einer Venturi-Düse bei unsicheren Zuströmbedingungen, Jonas Steinbock, André Fiebach, Thomas Lederer Erfahrungsaustausch zum Thema Flow am 29.2.2016
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 12. Übung: Woche vom (Lin.Alg.
Übungsaufgaben 12. Übung: Woche vom 16. 1.-20. 1. 2017 (Lin.Alg. I): Heft Ü 3: 2.1.11; 2.1.8; 2.1.17; 2.2.1; 2.2.3; 1.1.1; 1.1.4; Hinweis 1: 3. Test (Integration, analyt. Geom.) ist seit 9.1. freigeschalten
MehrInhaltsverzeichnis. Vorwort Kapitel 1 Einführung, I: Algebra Kapitel 2 Einführung, II: Gleichungen... 57
Vorwort... 13 Vorwort zur 3. deutschen Auflage... 17 Kapitel 1 Einführung, I: Algebra... 19 1.1 Die reellen Zahlen... 20 1.2 Ganzzahlige Potenzen... 23 1.3 Regeln der Algebra... 29 1.4 Brüche... 34 1.5
MehrInhaltsverzeichnis. Vorwort Kapitel 1 Einführung, I: Algebra Kapitel 2 Einführung, II: Gleichungen... 57
Vorwort... 13 Vorwort zur 3. deutschen Auflage... 17 Kapitel 1 Einführung, I: Algebra... 19 1.1 Die reellen Zahlen... 20 1.2 Ganzzahlige Potenzen... 23 1.3 Regeln der Algebra... 29 1.4 Brüche... 34 1.5
MehrDies ist gerade der konstruktive Schritt beim Aufbau von Binomialbäumen.
Linken von Bäumen: Zwei Bäume desselben Wurzel-Rangs werden unter Einhaltung der Heap-Bedingung verbunden. Sind k 1 und k 2 die Wurzeln der zwei zu linkenden Bäume, so wird ein neuer Baum aufgebaut, dessen
MehrKonstruktions-Verbesserungsheuristiken. Iterierte lokale Suche (ILS)
Konstruktions-Verbesserungsheuristiken Iterierte lokale Suche (ILS) Idee: 2-Phasen-Suche 1. Phase: Randomisierte Konstruktionsheuristik 2. Phase: Lokale Suche Beispiele: Multi-Start lokale Suche GRASP:
MehrAnsätze zur Lösung von NMPC Problemen
Ansätze zur Lösung von NMPC Problemen Jürgen Pannek 12. Juni 2006 Seminar Modellprädiktive Regelung Gliederung 1 Problemstellung Lösungsansätze 2 Direkte Verfahren Diskretisierung Konvergenzanalyse 3 Nichtlineare
MehrNUMERISCHE VERFAHREN für Naturwissenschaftler und Ingenieure
NUMERISCHE VERFAHREN für Naturwissenschaftler und Ingenieure Eine computerorientierte Einführung Von Prof. Dr. sc. nat. HUBERT SCHWETLICK Prof. Dr. sc. nat. HORST KRETZSCHMAR Mit 74 Bildern und 34 Tabellen
MehrAufwand 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.
Mehr9. Parametrische Kurven und Flächen
9. Parametrische Kurven und Flächen Polylinien bzw. Polygone sind stückweise lineare Approximationen für Kurven bzw. Flächen Nachteile: hohe Zahl von Eckpunkten für genaue Repräsentation erforderlich interaktive
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
MehrDEVELOPMENT OF A FULLY AUTOMATED TRANSPORT AIRCRAFT FUSELAGE MODELLING AND SIZING TOOL USING PYTHON
DLR.de Folie 1 DEVELOPMENT OF A FULLY AUTOMATED TRANSPORT AIRCRAFT FUSELAGE MODELLING AND SIZING TOOL USING PYTHON M. Petsch, D. Kohlgrüber, J. Walther Deutsches Zentrum für Luft- und Raumfahrt e.v. (DLR)
MehrMathematik für. Wirtschaftswissenschaftler. Basiswissen mit Praxisbezug. 4., aktualisierte und erweiterte Auflage
Mathematik für Wirtschaftswissenschaftler Basiswissen mit Praxisbezug 4., aktualisierte und erweiterte Auflage Knut Sydsaeter Peter Hammond mit Arne Strom Übersetzt und fach lektoriert durch Dr. Fred Böker
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
MehrHauptseminar Technische Informationssysteme
Fakultät Informatik Institut für Angewandte Informatik Hauptseminar Technische Informationssysteme - Platzierung von WLAN Access Points - Rene Ranft, Betreuer: Dipl.-Ing. Ralf Zenker Dresden, 24.06.2011
MehrÜbungsblatt 3 Musterlösung
Numerik gewöhnlicher Differentialgleichungen MA4 - SS6 Übungsblatt Musterlösung Sei M,N N und f C M+N+ (B) eine komplexe Funktion, B eine kompakte Menge. Die Padé Approximation PN M (f)(x) ist die rationale
MehrGraphen- und Heuristik-basierte Topologieoptimierung
Graphen- und Heuristik-basierte Topologieoptimierung Christopher Ortmann, Uni Wuppertal Workshop Nichtlineare Topologieoptimierung crashbeanspruchter Fahrzeugstrukturen Stuttgart, 23. September 2013 1
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
Mehr! Erweiterungen zur Zeit. ! Zeitreihen lernen nach Das! Zeitintervallbeziehungen lernen nach Hoeppner! Privacy preserving data mining
Häufige Mengen Häufige Mengen! Grundalgorithmen! Apriori! FP Growth! Verbesserungen! Kondensierte Repräsentationen! Pushing Constraints into the algorithm! Bessere Signifikanztests! Erweiterungen zur Zeit!
MehrHäufige Mengen. ! Grundalgorithmen. ! Verbesserungen. ! Apriori! FP Growth
Häufige Mengen! Grundalgorithmen! Apriori! FP Growth! Verbesserungen! Kondensierte Repräsentationen! Pushing Constraints into the algorithm! Bessere Signifikanztests 1 Häufige Mengen! Erweiterungen zur
MehrGIS-basierte topologische Fahrzeuglokalisierung durch LIDAR Kreuzungserkennung
durch LIDAR Kreuzungserkennung André Müller, Hans-Joachim Wünsche Fakultät für Luft- und Raumfahrttechnik Institut für Technik Autonomer Systeme (TAS) Universität der Bundeswehr München Inhalt - Einleitung
Mehr(Lineare) stochastische Optimierung
(Lineare) stochastische Optimierung Bsp: Aus zwei Sorten Rohöl wird Benzin und Heizöl erzeugt. Die Produktivität sowie der Mindestbedarf (pro Woche) und die Kosten sind in folgender Tabelle angegeben:
MehrSeminar Stochastische Unternehmensmodelle Varianzreduzierende Techniken
Seminar Stochastische Unternehmensmodelle Varianzreduzierende Techniken 25. Juni 2015 1 / 37 Übersicht 1. Ziel des Vortrags 2. Einleitung 3. Varianzreduzierende Techniken Bedingtes Monte Carlo Importance
Mehr