Hybride Modellprädiktive Regelung
|
|
- Bella Huber
- vor 5 Jahren
- Abrufe
Transkript
1 Hybride Modellprädiktive Regelung Sebastian Götschel Universität Bayreuth Mathematisches Institut
2 Motivation In vielen Anwedungen ist das Verhalten von Kontrollsystemen (auch) durch Logik bestimmt: Ein-/Ausschalter Gangschaltung im Auto Definition Ein hybrides System ist gekennzeichnet durch das Zusammenwirken von kontinuierlicher und diskreter Dynamik. Wie modelliert man dies mathematisch?
3 Motivation In vielen Anwedungen ist das Verhalten von Kontrollsystemen (auch) durch Logik bestimmt: Ein-/Ausschalter Gangschaltung im Auto Definition Ein hybrides System ist gekennzeichnet durch das Zusammenwirken von kontinuierlicher und diskreter Dynamik. Wie modelliert man dies mathematisch?
4 Motivation Verhalten wird von kontinuierlicher und diskreter Dynamik bestimmt. Verwende kontinuierliche und diskrete Variablen zur Zustandsbeschreibung: x r R nr x d M n d, M endliche Menge, z. B. {0, 1} Diese Variablen sind normalerweise zeitabhängig, wobei die Zeit kontinuierlich oder diskret sein kann. Wir betrachten im Folgenden nur zeitdiskrete Systeme x k+1 = f (x k, u k ), x(k + 1) = f (x(k), u(k)).
5 Motivation Verhalten wird von kontinuierlicher und diskreter Dynamik bestimmt. Verwende kontinuierliche und diskrete Variablen zur Zustandsbeschreibung: x r R nr x d M n d, M endliche Menge, z. B. {0, 1} Diese Variablen sind normalerweise zeitabhängig, wobei die Zeit kontinuierlich oder diskret sein kann. Wir betrachten im Folgenden nur zeitdiskrete Systeme x k+1 = f (x k, u k ), x(k + 1) = f (x(k), u(k)).
6 Motivation Verhalten wird von kontinuierlicher und diskreter Dynamik bestimmt. Verwende kontinuierliche und diskrete Variablen zur Zustandsbeschreibung: x r R nr x d M n d, M endliche Menge, z. B. {0, 1} Diese Variablen sind normalerweise zeitabhängig, wobei die Zeit kontinuierlich oder diskret sein kann. Wir betrachten im Folgenden nur zeitdiskrete Systeme x k+1 = f (x k, u k ), x(k + 1) = f (x(k), u(k)).
7 Motivation Beispiele Abtastsystem Ein analoger Prozess wird durch einen digitalen Regler kontrolliert Schaltsystem Die Prozess-Dynamik wird durch eine endliche Anzahl dynamischer Systeme beschrieben (Differential- oder Differenzengleichungen), zwischen denen nach vorgegebenen Regeln umgeschaltet wird.
8 Motivation Beispiele Abtastsystem Ein analoger Prozess wird durch einen digitalen Regler kontrolliert Schaltsystem Die Prozess-Dynamik wird durch eine endliche Anzahl dynamischer Systeme beschrieben (Differential- oder Differenzengleichungen), zwischen denen nach vorgegebenen Regeln umgeschaltet wird.
9 Überblick Überblick 1 Was sind hybride Systeme? 2 Klassen hybrider Systeme Stückweise affine Systeme Max-Min-Plus-Scaling Systeme Gemischt-logische dynamische Systeme 3 Äquivalenzen 4 MPC für hybride Systeme 5 Messrauschen und hybride MPC
10 Überblick Überblick 1 Was sind hybride Systeme? 2 Klassen hybrider Systeme Stückweise affine Systeme Max-Min-Plus-Scaling Systeme Gemischt-logische dynamische Systeme 3 Äquivalenzen 4 MPC für hybride Systeme 5 Messrauschen und hybride MPC
11 Überblick Überblick 1 Was sind hybride Systeme? 2 Klassen hybrider Systeme Stückweise affine Systeme Max-Min-Plus-Scaling Systeme Gemischt-logische dynamische Systeme 3 Äquivalenzen 4 MPC für hybride Systeme 5 Messrauschen und hybride MPC
12 Überblick Überblick 1 Was sind hybride Systeme? 2 Klassen hybrider Systeme Stückweise affine Systeme Max-Min-Plus-Scaling Systeme Gemischt-logische dynamische Systeme 3 Äquivalenzen 4 MPC für hybride Systeme 5 Messrauschen und hybride MPC
13 Überblick Überblick 1 Was sind hybride Systeme? 2 Klassen hybrider Systeme Stückweise affine Systeme Max-Min-Plus-Scaling Systeme Gemischt-logische dynamische Systeme 3 Äquivalenzen 4 MPC für hybride Systeme 5 Messrauschen und hybride MPC
14 Stückweise affine Systeme Definition (stückweise affines Kontrollsystem) Ein stückweise affines Kontrollsystem ist gegeben durch die Gleichungen x k+1 = A i x k + B i u k + f i ( xk u k y k = C i x k + D i u k + g i ) Ω i, i = 1,..., N. Dabei sind die Ω i R n+m Polyeder. Definition Ein System heißt wohldefiniert, falls x k+1 und y k eindeutig von x k und u k abhängen.
15 Stückweise affine Systeme Definition (stückweise affines Kontrollsystem) Ein stückweise affines Kontrollsystem ist gegeben durch die Gleichungen x k+1 = A i x k + B i u k + f i ( xk u k y k = C i x k + D i u k + g i ) Ω i, i = 1,..., N. Dabei sind die Ω i R n+m Polyeder. Definition Ein System heißt wohldefiniert, falls x k+1 und y k eindeutig von x k und u k abhängen.
16 Stückweise affine Systeme Beispiel Gegeben x k+1 = { x k + u k falls x k + u k 1 1 sonst Umformen auf die Standardform führt zu {( ) } xk Ω 1 = R 2 x u k + u k 1 k {( ) } xk Ω 2 = R 2 x k + u k > 1 u k
17 Stückweise affine Systeme Beispiel Gegeben x k+1 = { x k + u k falls x k + u k 1 1 sonst Umformen auf die Standardform führt zu {( ) } xk Ω 1 = R 2 x u k + u k 1 k {( ) } xk Ω 2 = R 2 x k + u k > 1 u k
18 Stückweise affine Systeme Beispiel Gegeben x k+1 = { x k + u k falls x k + u k 1 1 sonst Umformen auf die Standardform führt zu {( ) } xk Ω 1 = R 2 x u k + u k 1 k {( ) } xk Ω 2 = R 2 x k + u k > 1 u k A 1 = B 1 = 1, A 2 = B 2 = 0, f 1 = 0, f 2 = 1 C 1 = C 2 = 0, D 1 = D 2 = 0, g 1 = g 2 = 0
19 Stückweise affine Systeme Beispiel Gegeben x k+1 = { x k + u k falls x k + u k 1 1 sonst Umformen auf die Standardform führt zu {( ) } xk Ω 1 = R 2 x u k + u k 1 k {( ) } xk Ω 2 = R 2 x k + u k > 1 u k x k+1 = 1 x k + 1 u k + 0, x k+1 = 0 x k + 0 u k + 1, ( xk u k ( xk u k ) Ω 1 ) Ω 2
20 Max-Min-Plus-Scaling Definition (MMPS-Ausdruck) Ein MMPS-Ausdruck f (x 1,..., x n ) ist gegeben durch f := x i α max(f k, f l ) min(f k, f l ) f k + f l βf k mit i {1,..., n}, α, β R, f k, f l MMPS-Ausdrücke. Definition (MMPS-System) Ein MMPS-System ist gegeben durch x k+1 = M x (x k, u k, d k ) y k = M y (x k, u k, d k ) mit MMPS-Ausdrücken M x, M y in den Variablen x k, u k und der Hilfsvariable d k.
21 Max-Min-Plus-Scaling Definition (MMPS-Ausdruck) Ein MMPS-Ausdruck f (x 1,..., x n ) ist gegeben durch f := x i α max(f k, f l ) min(f k, f l ) f k + f l βf k mit i {1,..., n}, α, β R, f k, f l MMPS-Ausdrücke. Definition (MMPS-System) Ein MMPS-System ist gegeben durch x k+1 = M x (x k, u k, d k ) y k = M y (x k, u k, d k ) mit MMPS-Ausdrücken M x, M y in den Variablen x k, u k und der Hilfsvariable d k.
22 Max-Min-Plus-Scaling Ein beschränktes MMPS-System muss zusätzlich noch die Nebenbedingung M c (x k, u k, d k ) c k erfüllen. Beispiel (Fortsetzung) x k+1 = min(x k + u k, 1) oder x k+1 = x k + u k + 1 max {x k + u k, 1}
23 Max-Min-Plus-Scaling Ein beschränktes MMPS-System muss zusätzlich noch die Nebenbedingung M c (x k, u k, d k ) c k erfüllen. Beispiel (Fortsetzung) x k+1 = min(x k + u k, 1) oder x k+1 = x k + u k + 1 max {x k + u k, 1}
24 Max-Min-Plus-Scaling Ein beschränktes MMPS-System muss zusätzlich noch die Nebenbedingung M c (x k, u k, d k ) c k erfüllen. Beispiel (Fortsetzung) x k+1 = min(x k + u k, 1) oder x k+1 = x k + u k + 1 max {x k + u k, 1}
25 Gemischt-logische dynamische Systeme Gemischt-logische dynamische Systeme Zusammenwirken von Systemdynamik Beschränkungen an Zustände und Kontrollen logische Regeln ZIEL: Systeme mit linearer Systemdynamik linearen Ungleichungsnebenbedingungen
26 Gemischt-logische dynamische Systeme Modellierung von Logik Ersetze Literale X i durch binäre Variablen δ i {0, 1}, wobei δ i = 1 X i = wahr. Man erhält dann beispielsweise X 1 X 2 δ 1 = δ 2 = 1 (X 1 X 2 ) δ 1 δ 2 = 0 Annahme Wir betrachten im Folgenden eine Funktion f : X R, wobei X R n beschränkt, und das Literal X := [f (x) 0]. Definiere M := max x X f (x) und m := min x X f (x).
27 Gemischt-logische dynamische Systeme Modellierung von Logik Ersetze Literale X i durch binäre Variablen δ i {0, 1}, wobei δ i = 1 X i = wahr. Man erhält dann beispielsweise X 1 X 2 δ 1 = δ 2 = 1 (X 1 X 2 ) δ 1 δ 2 = 0 Annahme Wir betrachten im Folgenden eine Funktion f : X R, wobei X R n beschränkt, und das Literal X := [f (x) 0]. Definiere M := max x X f (x) und m := min x X f (x).
28 Gemischt-logische dynamische Systeme Modellierung von Logik Ersetze Literale X i durch binäre Variablen δ i {0, 1}, wobei δ i = 1 X i = wahr. Man erhält dann beispielsweise X 1 X 2 δ 1 = δ 2 = 1 (X 1 X 2 ) δ 1 δ 2 = 0 Annahme Wir betrachten im Folgenden eine Funktion f : X R, wobei X R n beschränkt, und das Literal X := [f (x) 0]. Definiere M := max x X f (x) und m := min x X f (x).
29 Gemischt-logische dynamische Systeme Transformationsregeln [(f (x) 0) (δ = 1)] f (x) δ 1 + m(1 δ) [(f (x) 0) (δ = 1)] f (x) Mδ (f (x) 0) f (x) ε Auch für Implikationen kann man Transformationsregeln angeben: [(f (x) 0) (δ = 1)] f (x) ε + (m ε) δ { M (1 δ) [(f (x) 0) (δ = 1)] f (x) ε + (m ε) δ
30 Gemischt-logische dynamische Systeme Transformationsregeln [(f (x) 0) (δ = 1)] f (x) δ 1 + m(1 δ) [(f (x) 0) (δ = 1)] f (x) Mδ (f (x) 0) f (x) ε Auch für Implikationen kann man Transformationsregeln angeben: [(f (x) 0) (δ = 1)] f (x) ε + (m ε) δ { M (1 δ) [(f (x) 0) (δ = 1)] f (x) ε + (m ε) δ
31 Gemischt-logische dynamische Systeme Beispiel Gegeben sei das folgende PWA-System { 0.8x k + u k, falls x k 0 x k+1 = 0.8x k + u k, falls x k < 0 x k [ 10, 10] u k [ 1, 1] Setze nun δ k := { 1, x k 0 0, sonst
32 Gemischt-logische dynamische Systeme Beispiel Gegeben sei das folgende PWA-System { 0.8x k + u k, falls x k 0 x k+1 = 0.8x k + u k, falls x k < 0 x k [ 10, 10] u k [ 1, 1] Setze nun δ k := { 1, x k 0 0, sonst
33 Gemischt-logische dynamische Systeme Bsp. (Forts.) Beschreibe δ k durch mδ k x k m (M + ε)δ k x k ε, wobei M = m = 10, ε > 0 klein. Systemgleichung: x k+1 = 1.6δ k x k 0.8x k + u k
34 Gemischt-logische dynamische Systeme Bsp. (Forts.) Beschreibe δ k durch mδ k x k m (M + ε)δ k x k ε, wobei M = m = 10, ε > 0 klein. Systemgleichung: x k+1 = 1.6δ k x k 0.8x k + u k
35 Gemischt-logische dynamische Systeme Transformiere Produkte von logischen Variablen in lineare Ungleichungen: δ 3 = δ 1 δ 2 ist äquivalent zu δ 1 + δ 3 0 δ 2 + δ 3 0 δ 1 + δ 2 δ 3 1 Transformation von δf (x), f (x) R: z Mδ z mδ z = δf (x) ist äquivalent zu z f (x) m(1 δ) z f (x) M(1 δ)
36 Gemischt-logische dynamische Systeme Transformiere Produkte von logischen Variablen in lineare Ungleichungen: δ 3 = δ 1 δ 2 ist äquivalent zu δ 1 + δ 3 0 δ 2 + δ 3 0 δ 1 + δ 2 δ 3 1 Transformation von δf (x), f (x) R: z Mδ z mδ z = δf (x) ist äquivalent zu z f (x) m(1 δ) z f (x) M(1 δ)
37 Gemischt-logische dynamische Systeme Transformiere Produkte von logischen Variablen in lineare Ungleichungen: δ 3 = δ 1 δ 2 ist äquivalent zu δ 1 + δ 3 0 δ 2 + δ 3 0 δ 1 + δ 2 δ 3 1 Transformation von δf (x), f (x) R: z Mδ z mδ z = δf (x) ist äquivalent zu z f (x) m(1 δ) z f (x) M(1 δ)
38 Gemischt-logische dynamische Systeme Transformiere Produkte von logischen Variablen in lineare Ungleichungen: δ 3 = δ 1 δ 2 ist äquivalent zu δ 1 + δ 3 0 δ 2 + δ 3 0 δ 1 + δ 2 δ 3 1 Transformation von δf (x), f (x) R: z Mδ z mδ z = δf (x) ist äquivalent zu z f (x) m(1 δ) z f (x) M(1 δ)
39 Gemischt-logische dynamische Systeme Definition (MLD-System) Ein gemischt-logisches dynamisches System ist gegeben durch die Gleichungen x k+1 = Ax k + B 1 u k + B 2 δ k + B 3 z k y k = Cx k + D 1 u k + D 2 δ k + D 3 z k e 5 E 1 x k + E 2 u k + E 3 δ k + E 4 z k mit ( ) x r x k = k xk b, x r k Rnr, x b k {0, 1}n b und u k, y k analog. z k R rr, δ k {0, 1} r b
40 Äquivalenzen zwischen einzelnen Klassen ZIEL: Zeige Äquivalenz dieser Klassen. Äquivalenz input-state-output-verhalten ist gleich Exemplarisch: Äquivalenz zwischen stückweise affinen und Max-Min-Plus-Scaling-Systemen
41 PWA als MMPS Satz Jedes wohldefinierte stückweise affine System kann als MMPS-System geschrieben werden. Beweis Betrachte autonome PWA-Systeme der Form x(k + 1) = A i x(k) y(k) = C i x(k) für x(k) Ω i Ω i := {x H i x K i } R n, mit H i R q i n, K i R q i, i = 1,..., m.
42 PWA als MMPS Satz Jedes wohldefinierte stückweise affine System kann als MMPS-System geschrieben werden. Beweis Betrachte autonome PWA-Systeme der Form x(k + 1) = A i x(k) y(k) = C i x(k) für x(k) Ω i Ω i := {x H i x K i } R n, mit H i R q i n, K i R q i, i = 1,..., m.
43 PWA als MMPS Beweis (Forts.) MMPS-System: x(k + 1) = y(k) = m A i d i (k) i=1 m C i d i (k) i=1 ( ) min max x(k) d i(k) j i=1,...,m j=1,...,n = 0 H i d i (k) w i (k) K i, n q i min d i (k) j, (w i (k)) j = 0, j=1 j=1 w i (k) 0, i = 1,..., m i = 1,..., m i = 1,..., m
44 PWA als MMPS Beweis (Forts.) MMPS-System: x(k + 1) = y(k) = m A i d i (k) i=1 m C i d i (k) i=1 ( ) min max x(k) d i(k) j i=1,...,m j=1,...,n = 0 H i d i (k) w i (k) K i, n q i min d i (k) j, (w i (k)) j = 0, j=1 j=1 w i (k) 0, i = 1,..., m i = 1,..., m i = 1,..., m
45 PWA als MMPS Beweis (Forts.) MMPS-System: x(k + 1) = y(k) = m A i d i (k) i=1 m C i d i (k) i=1 ( ) min max x(k) d i(k) j i=1,...,m j=1,...,n = 0 H i d i (k) w i (k) K i, n q i min d i (k) j, (w i (k)) j = 0, j=1 j=1 w i (k) 0, i = 1,..., m i = 1,..., m i = 1,..., m
46 PWA als MMPS Beweis (Forts.) Für nicht {( autonome ) Systeme mit x Ω i = H u i x x + Hi u u K i }: Ersetze A i durch (A i B i f i ) Ersetze C i durch (C i D i g i ) Passe Variablendimensionen und Nebenbedingungen an
47 Weitere Äquivalenzen PWA MMPS MLD
48 Weitere Äquivalenzen PWA MMPS MLD
49 Weitere Äquivalenzen PWA MMPS MLD δ k {0, 1} r b min {δ i (k), 1 δ i (k)} = 0 i = 1,..., r b
50 Weitere Äquivalenzen PWA MMPS MLD Über (Extended) Linear Complementary Systems (hier nicht).
51 Weitere Äquivalenzen PWA MMPS MLD Falls MLD-System vollständig wohldefiniert.
52 Weitere Äquivalenzen PWA MMPS MLD Falls PWA-System wohldefiniert und Zustände und Kontrollen beschränkt.
53 Weitere Äquivalenzen Beispiel Gegeben: x k+1 = { x k + u k falls x k + u k 1 1 sonst x k [ 10, 10] u k [ 1, 1]
54 Weitere Äquivalenzen Beispiel Gegeben: x k+1 = { x k + u k falls x k + u k 1 1 sonst x k [ 10, 10] u k [ 1, 1]
55 Weitere Äquivalenzen Beispiel Als MLD: x k+1 = (x k + u k )δ k + (1 δ k ) x k + u k + 10δ k 11 x k u k (12 + ε)δ k 1 ε 10δ k + z k 1 12δ k z k 1 x k u k + 12δ k + z k 12 x k + u k + 10δ k z k 10
56 Weitere Äquivalenzen Beispiel Als MLD: x k+1 = (x k + u k )δ k + (1 δ k ) x k + u k + 10δ k 11 x k u k (12 + ε)δ k 1 ε 10δ k + z k 1 12δ k z k 1 x k u k + 12δ k + z k 12 x k + u k + 10δ k z k 10
57 Weitere Äquivalenzen Beispiel Als MLD: x k+1 = z k x k + u k + 10δ k 11 x k u k (12 + ε)δ k 1 ε 10δ k + z k 1 12δ k z k 1 x k u k + 12δ k + z k 12 x k + u k + 10δ k z k 10
58 MPC für MLD-Systeme Annahme Wir betrachten vollständig wohldefinierte MLD-Systeme. Aufgabenstellung MLD-System soll zu Gleichgewicht (x eq, y eq, u eq ) mit den Hilfsvariablen (δ eq, z eq ) kontrolliert werden. Definiere dazu N p J k := x k+j k x eq 2 + u Q x k+j k u eq 2 Q u j=1 + y k+j k y eq 2 Q y + δ k+j k δ eq 2 Q δ + z k+j k z eq 2 Q z Q x, Q u > 0, Q y, Q δ, Q z 0 symmetrisch
59 MPC für MLD-Systeme Annahme Wir betrachten vollständig wohldefinierte MLD-Systeme. Aufgabenstellung MLD-System soll zu Gleichgewicht (x eq, y eq, u eq ) mit den Hilfsvariablen (δ eq, z eq ) kontrolliert werden. Definiere dazu N p J k := x k+j k x eq 2 + u Q x k+j k u eq 2 Q u j=1 + y k+j k y eq 2 Q y + δ k+j k δ eq 2 Q δ + z k+j k z eq 2 Q z Q x, Q u > 0, Q y, Q δ, Q z 0 symmetrisch
60 MPC für MLD-Systeme Annahme Wir betrachten vollständig wohldefinierte MLD-Systeme. Aufgabenstellung MLD-System soll zu Gleichgewicht (x eq, y eq, u eq ) mit den Hilfsvariablen (δ eq, z eq ) kontrolliert werden. Definiere dazu N p J k := x k+j k x eq 2 + u Q x k+j k u eq 2 Q u j=1 + y k+j k y eq 2 Q y + δ k+j k δ eq 2 Q δ + z k+j k z eq 2 Q z Q x, Q u > 0, Q y, Q δ, Q z 0 symmetrisch
61 MPC für MLD-Systeme MPC-Problem: min u s.t. MLD-Systemgleichungen und Endzustandsbedingung J k x k+np k = x eq. Zusätzlich evtl. Kontrollhorizont N c : Feedback = u 0. u k+j = u k+nc 1, j = N c,..., N p 1
62 MPC für MLD-Systeme Satz Sei zusätzlich zu gegebenem MLD-System mit Gleichgewicht (x eq, y eq, u eq, δ eq, z eq ) ein Anfangszustand x 0 gegeben, so dass eine Lösung für das Minimierungsproblem existiert. Dann stabilisiert die Anwendung der damit berechneten MPC-Strategie das System so, dass gilt lim x k = x eq k lim u k = u eq k lim y k y eq Qy = 0 k lim δ k δ eq Qδ = 0 k lim z k z eq Qz = 0 k
63 MPC für MLD-Systeme Das MLD-MPC Problem kann als MIQP geschrieben werden. Prädiktionsgleichung für x (für y analog): j 1 x k+j k = A j x k + A j i (B 1 u k+i + B 2 δ k+i + B 3 z k+i ) i=0 ( T, Definiere ũ k := uk T... ut k+n p 1) ỹk, δ k und z k analog. ( Setze Ṽk := ũk T ỹ k T δ ) T. k T zt k min Ṽ k s.t. Ṽ T k S 1Ṽk + 2(S 2 + x T S 3 )Ṽk F 1 Ṽ k F 2 + F 3 x k
64 MPC für MLD-Systeme Das MLD-MPC Problem kann als MIQP geschrieben werden. Prädiktionsgleichung für x (für y analog): j 1 x k+j k = A j x k + A j i (B 1 u k+i + B 2 δ k+i + B 3 z k+i ) i=0 ( T, Definiere ũ k := uk T... ut k+n p 1) ỹk, δ k und z k analog. ( Setze Ṽk := ũk T ỹ k T δ ) T. k T zt k min Ṽ k s.t. Ṽ T k S 1Ṽk + 2(S 2 + x T S 3 )Ṽk F 1 Ṽ k F 2 + F 3 x k
65 MPC für MLD-Systeme Das MLD-MPC Problem kann als MIQP geschrieben werden. Prädiktionsgleichung für x (für y analog): j 1 x k+j k = A j x k + A j i (B 1 u k+i + B 2 δ k+i + B 3 z k+i ) i=0 ( T, Definiere ũ k := uk T... ut k+n p 1) ỹk, δ k und z k analog. ( Setze Ṽk := ũk T ỹ k T δ ) T. k T zt k min Ṽ k s.t. Ṽ T k S 1Ṽk + 2(S 2 + x T S 3 )Ṽk F 1 Ṽ k F 2 + F 3 x k
66 MPC für MLD-Systeme Das MLD-MPC Problem kann als MIQP geschrieben werden. Prädiktionsgleichung für x (für y analog): j 1 x k+j k = A j x k + A j i (B 1 u k+i + B 2 δ k+i + B 3 z k+i ) i=0 ( T, Definiere ũ k := uk T... ut k+n p 1) ỹk, δ k und z k analog. ( Setze Ṽk := ũk T ỹ k T δ ) T. k T zt k min Ṽ k s.t. Ṽ T k S 1Ṽk + 2(S 2 + x T S 3 )Ṽk F 1 Ṽ k F 2 + F 3 x k
67 MPC für MLD-Systeme MIQP ist NP-schwer. Lösungsmöglichkeiten: Zerlegungsmethoden Schnittebenenverfahren Branch & Bound Branch & Bound-Algorithmus: Erzeuge und Löse quadratische Teilprobleme (QP) (QP) beinhalten nur reelle Variablen modifizierter Simplex-Algorithmus, Innere-Punkte-Methoden,...
68 MPC für MLD-Systeme MIQP ist NP-schwer. Lösungsmöglichkeiten: Zerlegungsmethoden Schnittebenenverfahren Branch & Bound Branch & Bound-Algorithmus: Erzeuge und Löse quadratische Teilprobleme (QP) (QP) beinhalten nur reelle Variablen modifizierter Simplex-Algorithmus, Innere-Punkte-Methoden,...
69 Messrauschen und Robustheit ZIEL: Untersuchung der Auswirkung von Messrauschen x + κ(x) x + κ(x + e) Modellproblem ẋ = v, x R 2, v B 1 (x) Regelung global zu einem Punkt Regelung global zu einer Menge aus zwei verschiedenen Punkten Diskretisierung: x k+1 = x k + u k mit u k B δ (x k ) mit Schrittweite δ (0, 1]
70 Messrauschen und Robustheit ZIEL: Untersuchung der Auswirkung von Messrauschen x + κ(x) x + κ(x + e) Modellproblem ẋ = v, x R 2, v B 1 (x) Regelung global zu einem Punkt Regelung global zu einer Menge aus zwei verschiedenen Punkten Diskretisierung: x k+1 = x k + u k mit u k B δ (x k ) mit Schrittweite δ (0, 1]
71 Messrauschen und Robustheit ZIEL: Untersuchung der Auswirkung von Messrauschen x + κ(x) x + κ(x + e) Modellproblem ẋ = v, x R 2, v B 1 (x) Regelung global zu einem Punkt Regelung global zu einer Menge aus zwei verschiedenen Punkten Diskretisierung: x k+1 = x k + u k mit u k B δ (x k ) mit Schrittweite δ (0, 1]
72 Globale Regelung zu einem Punkt Voraussetzung Sei κ δ : R 2 B δ eine Familie stetiger Feedbacks, die Stabilität und globale asymptotische Konvergenz zu x = 0 garantieren. Wähle und definiere κ δ (x) = δx max {1, x } γ(s, δ) := max{1, s} δ max{1, s} = 1 δ max{1, s}. γ(, δ) monoton wachsend γ(s, δ) < 1 (s, δ)
73 Globale Regelung zu einem Punkt Voraussetzung Sei κ δ : R 2 B δ eine Familie stetiger Feedbacks, die Stabilität und globale asymptotische Konvergenz zu x = 0 garantieren. Wähle und definiere κ δ (x) = δx max {1, x } γ(s, δ) := max{1, s} δ max{1, s} = 1 δ max{1, s}. γ(, δ) monoton wachsend γ(s, δ) < 1 (s, δ)
74 Globale Regelung zu einem Punkt Voraussetzung Sei κ δ : R 2 B δ eine Familie stetiger Feedbacks, die Stabilität und globale asymptotische Konvergenz zu x = 0 garantieren. Wähle und definiere κ δ (x) = δx max {1, x } γ(s, δ) := max{1, s} δ max{1, s} = 1 δ max{1, s}. γ(, δ) monoton wachsend γ(s, δ) < 1 (s, δ)
75 Globale Regelung zu einem Punkt Voraussetzung Sei κ δ : R 2 B δ eine Familie stetiger Feedbacks, die Stabilität und globale asymptotische Konvergenz zu x = 0 garantieren. Wähle und definiere κ δ (x) = δx max {1, x } γ(s, δ) := max{1, s} δ max{1, s} = 1 δ max{1, s}. γ(, δ) monoton wachsend γ(s, δ) < 1 (s, δ)
76 Globale Regelung zu einem Punkt Für Messrauschen e ergibt sich somit x + κ δ (x + e) und für e 0.5 x gilt x (max{1, x + e } δ) + δ e max{1, x + e } x + κ δ (x + e) x γ(1.5 x, 0.5δ). Folgerung Die Trajektorie der Zustände x konvergiert gegen eine Umgebung von x, deren Größe proportional zu max e ist, unabhängig davon, wie klein δ ist.
77 Globale Regelung zu einem Punkt Für Messrauschen e ergibt sich somit x + κ δ (x + e) und für e 0.5 x gilt x (max{1, x + e } δ) + δ e max{1, x + e } x + κ δ (x + e) x γ(1.5 x, 0.5δ). Folgerung Die Trajektorie der Zustände x konvergiert gegen eine Umgebung von x, deren Größe proportional zu max e ist, unabhängig davon, wie klein δ ist.
78 Globale Regelung zu einem Punkt Für Messrauschen e ergibt sich somit x + κ δ (x + e) und für e 0.5 x gilt x (max{1, x + e } δ) + δ e max{1, x + e } x + κ δ (x + e) x γ(1.5 x, 0.5δ). Folgerung Die Trajektorie der Zustände x konvergiert gegen eine Umgebung von x, deren Größe proportional zu max e ist, unabhängig davon, wie klein δ ist.
79 Globale Regelung zu zwei verschiedenen Punkten Aufgabenstellung Stabilisierung zu einer Menge von zwei verschiedenen Punkten x b Hb x a H a
80 Globale Regelung zu zwei verschiedenen Punkten Voraussetzung Sei κ δ : R 2 B δ eine Familie stetiger Feedbacks, die für A := {x a, x b } mit x a x b Stabilität und globale asymptotische Konvergenz garantieren. Seien H i := {y R 2 y x i }, i = a, b. H a und H b wohldefiniert H a H b = H a H b = R 2 H a, H b H a und H b sind beide vorwärts invariant.
81 Globale Regelung zu zwei verschiedenen Punkten Voraussetzung Sei κ δ : R 2 B δ eine Familie stetiger Feedbacks, die für A := {x a, x b } mit x a x b Stabilität und globale asymptotische Konvergenz garantieren. Seien H i := {y R 2 y x i }, i = a, b. H a und H b wohldefiniert H a H b = H a H b = R 2 H a, H b H a und H b sind beide vorwärts invariant.
82 Globale Regelung zu zwei verschiedenen Punkten Definiere H := H a H b. x H Umgebung U(x) mit U(x) H a U(x) H b. Definiere Wir zeigen: B δ (H) := {x R 2 d(x, H) < δ} Sei y B δ (H) beliebig e : e < δ s.d. y +κ(y +e) B δ (H).
83 Globale Regelung zu zwei verschiedenen Punkten Definiere H := H a H b. x H Umgebung U(x) mit U(x) H a U(x) H b. Definiere Wir zeigen: B δ (H) := {x R 2 d(x, H) < δ} Sei y B δ (H) beliebig e : e < δ s.d. y +κ(y +e) B δ (H).
84 Globale Regelung zu zwei verschiedenen Punkten Definiere H := H a H b. x H Umgebung U(x) mit U(x) H a U(x) H b. Definiere Wir zeigen: B δ (H) := {x R 2 d(x, H) < δ} Sei y B δ (H) beliebig e : e < δ s.d. y +κ(y +e) B δ (H).
85 Globale Regelung zu zwei verschiedenen Punkten H x b H b x a H a
86 Globale Regelung zu zwei verschiedenen Punkten H x b H b x a H a B
87 Globale Regelung zu zwei verschiedenen Punkten H x b H b y x a H a B
88 Globale Regelung zu zwei verschiedenen Punkten H z x b H b y x a H a B
89 Globale Regelung zu zwei verschiedenen Punkten H y z e x b H b x a H a B
90 Globale Regelung zu zwei verschiedenen Punkten H z x b H b y x a H a B
91 Globale Regelung zu zwei verschiedenen Punkten H z x b H b y x a H a B
92 Globale Regelung zu zwei verschiedenen Punkten H z x b H b y x a H a B
93 Globale Regelung zu zwei verschiedenen Punkten H z x b H b y x a H a B
94 Globale Regelung zu zwei verschiedenen Punkten Betrachte Störung e := z y und x + κ(y + e). }{{} =z Falls y + κ(y + e) H b y + κ(y + e) B δ (H) Falls y + κ(y + e) H a y + κ(y + e) B δ (H) Folgerung Für jede Anfangsbedingung x B δ (H) existiert eine Folge von Störungen e = (e k ) k N so dass e k < δ k und ϕ(k, x, e) B δ (H) k. Jedes δ > 0 führt dazu, dass das System nicht gegen A konvergiert.
95 Globale Regelung zu zwei verschiedenen Punkten Betrachte Störung e := z y und x + κ(y + e). }{{} =z Falls y + κ(y + e) H b y + κ(y + e) B δ (H) Falls y + κ(y + e) H a y + κ(y + e) B δ (H) Folgerung Für jede Anfangsbedingung x B δ (H) existiert eine Folge von Störungen e = (e k ) k N so dass e k < δ k und ϕ(k, x, e) B δ (H) k. Jedes δ > 0 führt dazu, dass das System nicht gegen A konvergiert.
96 Globale Regelung zu zwei verschiedenen Punkten Was tun? Modifiziere den MPC-Algorithmus um Robustheit zu verbessern: MPC mit Gedächtnis MPC mit Logik
97 Notation Standard-MPC Stabilisiere A X, X R n offen. Eingabefolge u = {u 0, u 1,... }, u i U Zustandsmaß σ : R n [0, ) laufende Kosten l : R n U [0, ) mit l(x, u) σ(x) Endkosten g : R n [0, ) mit g(x) σ(x) Kostenfunktional J N (x, u) := und Wertefunktion N 1 k=0 l(ϕ(k, x, u), u k ) + g(ϕ(n, x, u)) V N (x) = inf u J N(x, u),
98 MPC mit Gedächtnis Einfache Abhilfe: Erhöhe den Ausführungs-Horizont. Wende N e 2 Elemente einer optimalen Kontrollfolge an Messe und Optimiere dann erneut Nachteil: Stabilisiert nicht falls Systemdynamik schnell! Abhilfe dafür: Speichere frührere Berechnungen und entscheide in jedem Schritt ob neu berechnete oder alte Kontrollfolge angewandt wird.
99 MPC mit Gedächtnis Einfache Abhilfe: Erhöhe den Ausführungs-Horizont. Wende N e 2 Elemente einer optimalen Kontrollfolge an Messe und Optimiere dann erneut Nachteil: Stabilisiert nicht falls Systemdynamik schnell! Abhilfe dafür: Speichere frührere Berechnungen und entscheide in jedem Schritt ob neu berechnete oder alte Kontrollfolge angewandt wird.
100 MPC mit Gedächtnis Gegeben buffer gain (Sicherungsfaktor, Speicherverstärkung) µ > 1 Erinnerungszeitraum M N Ω := {ω 1,..., ω M }, ω i U Definiere zu x X v = {v 0, v 1,... } := argmin u w = {w 0, w 1,... } := argmin u s.t. u i 1 = ω i W N (x, Ω) := inf u J N(x, u) s.t. u i 1 = ω i J N (x, u) J N (x, u) i = 1,..., M i = 1,..., M
101 MPC mit Gedächtnis Gegeben buffer gain (Sicherungsfaktor, Speicherverstärkung) µ > 1 Erinnerungszeitraum M N Ω := {ω 1,..., ω M }, ω i U Definiere zu x X v = {v 0, v 1,... } := argmin u w = {w 0, w 1,... } := argmin u s.t. u i 1 = ω i W N (x, Ω) := inf u J N(x, u) s.t. u i 1 = ω i J N (x, u) J N (x, u) i = 1,..., M i = 1,..., M
102 MPC mit Gedächtnis Wähle dann als Feedback { v 0 falls W N (x, Ω) > µv N (x) κ N (x, Ω) = w 0 falls W N (x, Ω) µv N (x) { {v 1,..., v M } falls W N (x, Ω) > µv N (x) π N (x, Ω) = {w 1,..., w M } falls W N (x, Ω) µv N (x) Dies führt zu dem neuen System x k+1 = f (x k, κ N (x k, Ω k )) Ω k+1 = π N (x, Ω k )
103 MPC mit Gedächtnis Wähle dann als Feedback { v 0 falls W N (x, Ω) > µv N (x) κ N (x, Ω) = w 0 falls W N (x, Ω) µv N (x) { {v 1,..., v M } falls W N (x, Ω) > µv N (x) π N (x, Ω) = {w 1,..., w M } falls W N (x, Ω) µv N (x) Dies führt zu dem neuen System x k+1 = f (x k, κ N (x k, Ω k )) Ω k+1 = π N (x, Ω k )
104 MPC mit Logik Idee: Erweitere Zustand mit einer logischen Variable q. Q := {1,..., q}, X = q Q X q σ q : R n [0, ) mit σ q (x) σ(x) l q : R n U [0, ) mit l q (x, u) σ q (x) g q : R n [0, ) mit g q (x, u) σ q (x) sowie N 1 J q N (x, u) := k=0 l q (ϕ(k, x, u), u k ) + g q (ϕ(n, x, u)) und V q N (x) = inf u Jq N (x, u)
105 MPC mit Logik Zu gegebenem x X sei v q = { v q 0, v q 1,... } := argmin u q := argmin q Q J q N (x, u) V q N (x). Definiere damit {v q 0 κ N (x, q) :=, falls V q q N (x) > µvn (x) v q 0, falls V q q N (x) µvn {q (x), falls V q q θ N (x, q) := N (x) > µvn (x) q, falls V q q N (x) µvn (x) neues System: x k+1 = f (x k, κ N (x k, q k )) q k+1 = θ N (x k, q k )
106 MPC mit Logik Zu gegebenem x X sei v q = { v q 0, v q 1,... } := argmin u q := argmin q Q J q N (x, u) V q N (x). Definiere damit {v q 0 κ N (x, q) :=, falls V q q N (x) > µvn (x) v q 0, falls V q q N (x) µvn {q (x), falls V q q θ N (x, q) := N (x) > µvn (x) q, falls V q q N (x) µvn (x) neues System: x k+1 = f (x k, κ N (x k, q k )) q k+1 = θ N (x k, q k )
107 MPC mit Logik Zu gegebenem x X sei v q = { v q 0, v q 1,... } := argmin u q := argmin q Q J q N (x, u) V q N (x). Definiere damit {v q 0 κ N (x, q) :=, falls V q q N (x) > µvn (x) v q 0, falls V q q N (x) µvn {q (x), falls V q q θ N (x, q) := N (x) > µvn (x) q, falls V q q N (x) µvn (x) neues System: x k+1 = f (x k, κ N (x k, q k )) q k+1 = θ N (x k, q k )
108 Fazit Längere Rechnungen und Abschätzungen zeigen, dass die Modifikationen die Robustheit erhöhen. Auch für kompliziertere Aufgaben, wie Hindernisvermeidung wirken sich diese Modifikationen positiv aus bzw. machen das Problem erst lösbar. Mehr zu Grenzen von MPC: nächste Woche!
109 Fazit Vielen Dank für die Aufmerksamkeit!
Abschätzung des Optimierungshorizonts in MPC: eine quantitative Betrachtung
Abschätzung des Optimierungshorizonts in MPC: eine quantitative Betrachtung Karl Worthmann Mathematisches Institut, Universität Bayreuth in Zusammenarbeit mit Lars Grüne gefördert vom DFG Schwerpunktprogramm
MehrAblauf. 1 Imitationsdynamik. 2 Monotone Auszahlung. 3 Entscheidung gegen iterativ dominierte Strategien. 4 Beste-Antwort-Dynamik 2 / 26
Spieldynamik Josef Hofbauer and Karl Sigmund: Evolutionary Games and Population Dynamics, Cambridge, Kap. 8 Simon Maurer Saarbrücken, den 13.12.2011 1 / 26 Ablauf 1 Imitationsdynamik 2 Monotone Auszahlung
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 30.11.2016 5. Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,..., x n ) : x i R} = } R. {{.. R }. n mal Für x R ist x der Abstand zum
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
MehrKommutativität. De Morgansche Regeln
1. Formale Logik Proposition 1.1. Die logischen Elementarverknüpfungen gehorchen folgenden Äquivalenzen: (1.1) (1.2) p p p p p p Idempotenz (1.3) (1.4) p q q p p q q p Kommutativität (1.5) (1.6) (p q)
MehrKAPITEL 10 DIE INNERE-PUNKTE-METHODE
KAPITEL DIE INNERE-PUNKTE-METHODE F. VALLENTIN, A. GUNDERT Vorteile: + Löst effizient lineare Programme (in Theorie und Praxis) + erweiterbar (zu einer größeren Klasse von Optimierungsproblemen) + einfach
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
Mehr2 Folgen und Reihen. 2.1 Folgen in C Konvergenz von Folgen. := f(n)
2 Folgen und Reihen 2.1 Folgen in C 2.1.1 Konvergenz von Folgen Eine Folge komplexer Zahlen ist eine Funktion f : N C. Mit a n schreibt man (a n ) n=1, (a n ) oder auch a 1, a 2,.... := f(n) (a n ) heißt
Mehreine reelle (oder komplexe) Folge. Dann heißt l der Limes oder der Grenzwert dieser Folge, notiert als
Analysis, Woche 9 Stetigkeit I A 9. Grenzwerte bei Funktionen 9.. Der einfachste Fall Wir erinnern noch mal an den Grenzwert bei einer Folge. Sei {a n } n=0 eine reelle (oder komplexe) Folge. Dann heißt
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
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 )
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrSpezialisierte adaptive Algorithmen für die Modellprädiktive Regelung von PDEs
Spezialisierte adaptive Algorithmen für die Modellprädiktive Regelung von PDEs Lehrstuhl für Angewandte Mathematik Mathematisches Institut Universität Bayreuth 28.02.2018 12. Elgersburg Workshop (26.02.
MehrDarstellungssatz von Riesz in vollständig regulären Räumen. Carina Pöll Wintersemester 2012
Darstellungssatz von Riesz in vollständig regulären Räumen Carina Pöll 0726726 Wintersemester 2012 Inhaltsverzeichnis 1 Einleitung 1 2 Definitionen und Resultate aus der Topologie 1 3 Der Darstellungssatz
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
MehrMathematik I Herbstsemester 2014
Mathematik I Herbstsemester 2014 www.math.ethz.ch/education/bachelor/lectures/hs2014/other/mathematik1 BIOL Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 32 1 Stetigkeit Grenzwert einer
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrLösungen zur Übungsserie 9
Analysis 1 Herbstsemester 2018 Prof. Peter Jossen Montag,? November Lösungen zur Übungsserie 9 Aufgaben 1,2,3,5,6,8,9,11 Aufgabe 1. Sei a R. Berechnen Sie die folgenden Grenzwerte, falls sie existieren.
MehrFlüsse, Fixpunkte, Stabilität
1 Flüsse, Fixpunkte, Stabilität Proseminar: Theoretische Physik Yannic Borchard 7. Mai 2014 2 Motivation Die hier entwickelten Formalismen erlauben es, Aussagen über das Verhalten von Lösungen gewöhnlicher
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 23. November 2017 INSTITUT FÜR THEORETISCHE 0 23.11.2017 Dorothea Wagner - Theoretische Grundlagen der Informatik INSTITUT FÜR THEORETISCHE KIT Die Forschungsuniversität
MehrRegularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator
Universität Bielefeld Regularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator Matthieu Felsinger Universität Bielefeld Mathematisches Kolloquium, TU Clausthal 05. Februar 2014 1 Einleitung
Mehr1 Die direkte Methode der Variationsrechnung
Die direkte Methode der Variationsrechnung Betrachte inf I(u) = f(x, u(x), u(x)) dx : u u + W,p () wobei R n, u W,p mit I(u ) < und f : R R n R. (P) Um die Existenz eines Minimierers direkt zu zeigen,
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
Mehr5 Stetigkeit und Differenzierbarkeit
5 Stetigkeit und Differenzierbarkeit 5.1 Stetigkeit und Grenzwerte von Funktionen f(x 0 ) x 0 Graph einer stetigen Funktion. Analysis I TUHH, Winter 2006/2007 Armin Iske 127 Häufungspunkt und Abschluss.
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel IV SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 25. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 25.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrProbeklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 21717 Fakultät 4 - Mathematik und Naturwissenschaften Prof N V Shcherbina Dr T P Pawlaschyk wwwkanauni-wuppertalde Probeklausur zur Analysis 2, SoSe 217 Hinweis Die Lösungen
MehrNumerische Verfahren zur Lösung der Monge-Ampère-Gleichung, Teil II
für zur Lösung der Monge-Ampère-Gleichung, Teil II Andreas Platen Institut für Geometrie und Praktische Mathematik RWTH Aachen Seminar zur Approximationstheorie im Wintersemester 2009/2010 1 / 27 Gliederung
MehrCharakteristische Funktionen
Kapitel 9 Charakteristische Funktionen Jeder Wahrscheinlichkeitsverteilung auf (, B 1 ) (allgemeiner: (R n, B n )) ist eine komplexwertige Funktion, ihre charakteristische Funktion, zugeordnet, durch die
MehrÜbungsaufgaben zur Vorlesung p-adische Differentialgleichungen SS 04 P. Schneider Blatt 1
P. Schneider Blatt 1 Aufgabe 1: Für ε 1 ist B ε (a) Nebenklasse eines Ideals in 0 zum Nebenklassenvertreter a. Aufgabe 2: Führe aus, weshalb in den Beispielen (A), (B), (C) der Vorlesung tatsächlich nichtarchimedische
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
Mehrtun, sondern nur mit der Reaktion auf verschiedene Anfangswerte.
2.3 Stabilität Eine wichtige Rolle spielt das Stabilitätsverhalten dynamischer Systeme. Wie üblich sei Φ die Fundamentalmatrix des linearen Systems ẋ = A(t)x + u. Im weiteren sei t fixiert, später wird
MehrMeßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar
Mehrz k Anwendung des Quotientenkriteriums ergibt z k+1 (k + 1)! z k+1 k! = z k (k + 1)! = z k + 1
Beispiel: Wir untersuchen die Konvergenz der Reihe k=1 z k k! (z C) Anwendung des Quotientenkriteriums ergibt z k+1 (k + 1)! z k z k+1 k! = z k (k + 1)! = z k + 1 k! Damit konvergiert die Reihe (absolut)
Mehr4 Differenzierbarkeit einer konjugierten Funktion
4 Differenzierbarkeit einer konjugierten Funktion (Eingereicht von Corinna Vits) 4.1 Differenzierbarkeit 1.Ordnung Theorem 4.1.1: Sei f ConvR n strikt konvex. Dann ist int dom und f ist stetig differenzierbar
MehrModellprädiktive Steuerung. Sabine Weiner, Maria Brauchle,
Modellprädiktive Steuerung Sabine Weiner, Maria Brauchle, 10.01.2005, 17.01.2005 2 Kapitel 1 Einleitung 1.1 Was ist modellprädiktive Steuerung? Modellprädiktive Steuerung (MPC 1 ) ist eine Form der Steuerung,
MehrD-MATH, D-PHYS, D-CHAB Analysis I HS 2017 Prof. Manfred Einsiedler. Lösung 4
D-MATH, D-PHYS, D-CHAB Analysis I HS 017 Prof. Manfred Einsiedler Lösung 4 Hinweise 1. Zeigen Sie, dass inf X die kleinste obere Schranke von X ist.. Dass z 1, z Lösungen sind, kann man durch Einsetzen
MehrAnfangswertprobleme bei differential-algebraischen Gleichungen (DAEs)
Anfangswertprobleme bei differential-algebraischen Gleichungen (DAEs) Elgersburg, 13. Februar 2006 Gliederung 1 Differential-algebraische Gleichungen 2 Distributionen 3 Anfangswertprobleme 4 Zusammenfassung
MehrAnalysis 4. Lösungsvorschlag zum 12. Übungsblatt
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Dipl.-Math. Andreas Geyer-Schulz SS 208. Juli 208 Analysis 4 Lösungsvorschlag zum 2. Übungsblatt Aufgabe 42 Wir untersuchen
Mehr12 Gewöhnliche Differentialgleichungen
2 2 Gewöhnliche Differentialgleichungen 2. Einleitung Sei f : D R wobei D R 2. Dann nennt man y = f(x, y) (5) eine (gewöhnliche) Differentialgleichung (DGL) erster Ordnung. Als Lösung von (5) akzeptiert
Mehr53 Die Parsevalsche Gleichung
53 Die Parsevalsche Gleichung 53 Die Parsevalsche Gleichung 5 53. Skalarprodukte auf Räumen quadratintegrierbarer Funktionen. a) Die Orthogonalitätsrelationen (5.5) legen die Interpretation des Ausdrucks
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrAnalysis I. 2. Übungsstunde. Steven Battilana. battilana.uk/teaching
Analysis I. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching March 5, 07 Erinnerung (Euler Formel). e iϕ = cos ϕ + i sin ϕ. Die Polarform von z = x + iy C sei Euler Formel z
MehrAnalysis I (HS 2016): SUMMIERBARE FAMILIEN
Analysis I (HS 2016: SUMMIERBARE FAMILIEN Dietmar A. Salamon ETH-Zürich 26. Oktober 2016 Zusammenfassung Dieses Manuskript enthält eine Einführung in den Begriff einer summierbaren Familie reeller oder
MehrÜbungen zu Differentialgleichungen (WiSe 12/13)
Übungen zu Differentialgleichungen WiSe 2/) Blatt 6 22 November 202 Gruppenübung Aufgabe G Sei f t, p) := p 5, t, p) R 2 Gegeben sei das Anfangswertproblem ẋ = f t,x), x0) = ) Bestimmen sie das maximale
MehrNichtlineare Optimierung
Nichtlineare Optimierung Roland Griesse Numerische Mathematik Chemnitzer Skiseminar Gerlosberg, 07. 14. März 2009 Gliederung Konvexe Optimierung 1 Konvexe Optimierung Bedeutung Beispiele Charakterisierung
MehrTopologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen
Topologische Grundbegriffe I Vortrag zum Proseminar Analysis, 26.04.2010 Nina Neidhardt und Simon Langer Im Folgenden soll gezeigt werden, dass topologische Konzepte, die uns schon für die Reellen Zahlen
Mehr3 Gewöhnliche Differentialgleichungen 23.4.
3 Gewöhnliche Differentialgleichungen 23.4. 3.1 Differentialgleichungen erster Ordnung 3.1.1 Fundamentalsätze Definition 3.1. Es sei Ω R d eine offene Menge und V : Ω R d eine Vektorfunktion. Eine Kurve
Mehr20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
MehrGewöhnliche Differentialgleichungen Woche 7. Globale Existenz einer Lösung
Gewöhnliche Differentialgleichungen Woche 7 Globale Existenz einer Lösung 7.1 Von lokal zu global Wir betrachten wiederum das Anfangswertproblem { y (x = f (x, y(x, y( = y 0. (7.1 Eine erste Erweiterung
Mehr5 Die Picardschen Sätze
03 5 Die Picardschen Sätze Für eine zweimal stetig differenzierbare reell- oder komplexwertige Funktion f auf einem Gebiet G C ist der Laplace-Operator definiert durch Behauptung: = 4 Beweis: Daraus folgt:
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:
Mehr1 Nicht-lineare dynamische Systeme
1 Nicht-lineare dynamische Systeme 1.1 Charakteristika linerarer Systeme Superpositionsprinzip: Sind x 1 und x Lösungen eines linearen Systems, dann ist auch α 1 x 1 + α x eine Lösung. Berühmte Beispiele:
MehrOptimierung für Wirtschaftsinformatiker: Lineare Programme
Optimierung für Wirtschaftsinformatiker: Lineare Programme Dr. Nico Düvelmeyer Dienstag, 31. Mai 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Lineare Programme Allgemeine Form 2 Spezielle Darstellungen
MehrAussagenlogik. Übersicht: 1 Teil 1: Syntax und Semantik. 2 Teil 2: Modellierung und Beweise. Aussagenlogik H. Kleine Büning 1/25
Aussagenlogik Übersicht: 1 Teil 1: Syntax und Semantik 2 Teil 2: Modellierung und Beweise Aussagenlogik H. Kleine Büning 1/25 Einführendes Beispiel Falls Lisa Peter trifft, dann trifft Lisa auch Gregor.
Mehrx= f(x) p= U (x). (b) Zeigen Sie, dass auf jeder auf einem Intervall existierenden Lösung t x(t) die Energie E(t) := 1 2 p(t)2 + U(x(t)) x 1
Blatt 1 03042006 H-Ch Grunau Aufgabe 1 Betrachten Sie die Differentialgleichung x= f(x) mit f = U und U C 2 ((α, β), R) und schreiben Sie diese in der Form x= p, p= U (x) (a) Skizzieren Sie die Phasenportraits
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrLösungsvorschläge für das 5. Übungsblatt
Lösungsvorschläge für das 5. Übungsblatt Aufgabe 6 a) Sei = [0, ], f(x) := [e x ] für x. Hierbei ist [y] := maxk Z k y} für y. Behauptung: f ist messbar und es ist f(x) dx = 2 log 2. falls x [0, log 2),
Mehr(y ) 2 0 bis t, so erhalten wir 1 y (t) (t t 0). L sen wir diese Ungleichung nun nach y (t) auf, so folgt
0.. Lösung der Aufgabe. Wir nehmen an, es existiere eine nicht-triviale globale L sung y. Dann lesen wir direkt von der Gleichung ab, dass y 0 gilt auf ganz R, das heisst, die Funktion ist konvex. Da wir
MehrFunktionentheorie, Woche 11. Funktionen mit Singularitäten Meromorphe Funktionen
Funktionentheorie, Woche Funktionen mit Singularitäten. Meromorphe Funktionen Definition. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P = f ( hat keine
MehrDie Fakultät. Thomas Peters Thomas Mathe-Seiten 13. September 2003
Die Fakultät Thomas Peters Thomas Mathe-Seiten www.mathe-seiten.de 3. September 2003 Dieser Artikel gibt die Definition der klassischen Fakultät und führt von dort aus zunächst zu der Anwendung in Taylor-Reihen
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
MehrModellfall. Orthogonalität trigonometrischer Funktionen. Anwendungen: f : (0, L) R gegeben.
Modellfall Anwendungen: Fragen: Digitalisierung / digitale Darstellung von Funktionen, insbesondere für Ton- und Bilddaten Digitale Frequenzfilter Datenkompression: Abspeichern der unteren Frequenzen Lösung
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
MehrSeminar: Finanzmathematik. Portfoliooptimierung im vollständigen Finanzmarktmodell. Katharina Hasow
Seminar: Finanzmathematik Portfoliooptimierung im vollständigen Finanzmarktmodell Katharina Hasow 11. Mai 2010 1 Inhaltsverzeichnis 1 Einführung 1 1.1 Nutzenfunktion............................ 1 1.2 Formulierung
MehrTeil III. Fourieranalysis
Teil III Fourieranalysis 3 / 3 Fourierreihen Ziel: Zerlegung einer gegebenen Funktion in Schwingungen Konkret: f : (, L) R gegebene Funktion Gesucht: Darstellung der Form ( f (x) = a + a n cos ( n L x)
MehrFerienkurs Seite 1. Technische Universität München Ferienkurs Analysis 1 Stetigkeit, Konvergenz, Topologie
Ferienkurs Seite Technische Universität München Ferienkurs Analysis Hannah Schamoni Stetigkeit, Konvergenz, Topologie Lösung 2.03.202. Gleichmäßige Konvergenz Entscheiden Sie, ob die folgenden auf (0,
MehrOptimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung
Optimierung für Wirtschaftsinformatiker: Dualität, Ganzzahlige lineare Optimierung Dr. Nico Düvelmeyer Freitag, 24. Juni 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Dualität Motivation Duales LP Dualitätssätze
Mehr10 Kriterien für absolute Konvergenz von Reihen
10 Kriterien für absolute Konvergenz von Reihen 10.1 Majoranten- und Minorantenkriterium 10.3 Wurzelkriterium 10.4 Quotientenkriterium 10.9 Riemannscher Umordnungssatz 10.10 Äquivalenzen zur absoluten
Mehr12 Ungleichungen. Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable.
12 Ungleichungen Wir beginnen mit einer einfachen Ungleichung über die Varianz. Satz 35 Es sei X eine zufällige Variable. Dann gilt: min c R E(X c)2 = Var X. Beweis: Für alle reellen Zahlen c R gilt: E(X
Mehreine reelle oder komplexe Folge ist, kann man daraus eine neue Folge {s n } n=0 konstruieren durch s n = a 0 + a a n, a k.
Analysis, Woche 7 Reihen I 7. Folgen aus Folgen Wenn a n eine reelle oder komplexe Folge ist, kann man daraus eine neue Folge s n konstruieren durch s n = a 0 + a + + a n, oder netter geschrieben s n =
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrDas Gradientenverfahren
Das Gradientenverfahren - Proseminar: Algorithmen der Nichtlinearen Optimierung - David Beisel December 10, 2012 David Beisel Das Gradientenverfahren December 10, 2012 1 / 28 Gliederung 0 Einführung 1
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
Mehrbekannt Analog reduzieren wir die Randwerte im 2d-System. Man erhält dann eine Blocktridia-
3.. Jetzt: Eliminiere 1. und 2. wie folgt u 2 + 2u 1 = h 2 f 1 + α }{{} bekannt Nun: Au = b mit A R n,n, b R n, u R n und A hat die Gestalt 2 1 1 2 1 A =......... =: tridiag( 1, 2, 1)...... 1 1 2 Analog
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
MehrD-ITET Analysis II FS 13 Prof. Horst Knörrer. Musterlösung 1. 3xy 2 = 2 x 2. y y. 3 y y. 3 x v x + v = 2 3 v v.
D-ITET Analysis II FS 3 Prof. Horst Knörrer Musterlösung. a) Es gilt: dy d 3 + y 3 3y 3 y + y 3. Dies ist eine homogene Differentialgleichung, das heisst y hängt nur von y ab. Setze v : y y() v() y v +
MehrDarstellungsformeln für die Lösung von parabolischen Differentialgleichungen
Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung
MehrSeminar stabile Zufallsprozesse
Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation
Mehr2.6 Der Satz von Fubini
1 2.6 Der Satz von Fubini Unser Ziel ist der Beweis des folgenden Ergebnisses. 6.1. Satz von Fubini Sei f : R n+m R integrierbar. Dann gibt es eine Nullmenge N R m, so dass gilt: 1. Für alle y R m \ N
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
Mehr6 Polynomielle Gleichungen und Polynomfunktionen
6 Polynomielle Gleichungen und Polynomfunktionen Lineare Gleichungen Eine lineare Gleichung in einer Variablen ist eine Gleichung der Form ax + b = cx + d mit festen Zahlen a und c mit a c. Dies kann man
Mehr1,2,3,4,5,... Dabei ist die Reihenfolge wichtig, jede Zahl hat also ihre feste Position. Die Folge 2,1,4,3,... ist eine andere als 1,2,3,4,...
9 Folgen Eine (unendliche) Folge im herkömmlichen Sinn entsteht durch Hintereinanderschreiben von Zahlen, z.b.: 1,2,3,4,5,... Dabei ist die Reihenfolge wichtig, jede Zahl hat also ihre feste Position.
MehrÜbungen zur Vorlesung. Einführung in Dynamische Systeme. Musterlösungen zu Aufgabenblatt 2
Prof. Roland Gunesch Sommersemester 00 Übungen zur Vorlesung Einführung in Dynamische Systeme Musterlösungen zu Aufgabenblatt Aufgabe : a Zeigen Sie: Für alle Anfangsdaten u 0, t 0 R R hat das Anfangswertproblem
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, D) metrische Räume und f : X Y eine Abbildung. i) f heißt stetig in x 0 (x 0 D(f)), wenn
Stetige Funktionen Eine zentrale Rolle in der Analysis spielen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume). Dabei sind i.a. nicht beliebige
Mehrc < 1, (1) c k x k0 c k = x k0
4.14 Satz (Quotientenkriterium). Es sei (x k ) Folge in K. Falls ein k 0 existiert, so dass für k k 0 gilt x k 0 und x k+1 x k c < 1, (1) so ist x k absolut konvergent. Beweis. Aus (1) folgt mit vollständiger
MehrVorlesungen Analysis von B. Bank
Vorlesungen Analysis von B. Bank vom 23.4.2002 und 26.4.2002 Zunächst noch zur Stetigkeit von Funktionen f : D(f) C, wobei D(f) C. (Der Text schliesst unmittelbar an die Vorlesung vom 19.4.2002 an.) Auf
Mehr3 Funktionen in mehreren Variablen
3 Funktionen in mehreren Variablen Funktionen in mehreren Variablen Wir betrachten nun Abbildungen / Funktionen in mehreren Variablen. Dies sind Funktionen von einer Teilmenge des R d nach R. f : D f R,
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
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
MehrLineare Klassifikationsmethoden
Verena Krieg Fakultät für Mathematik und Wirtschaftswissenschaften 08. Mai 2007 Inhaltsverzeichnis 1. Einführung 2. Lineare Regression 3. Lineare Diskriminanzanalyse 4. Logistische Regression 4.1 Berechnung
MehrStatistische Methoden
Statistische Methoden Dr. C.J. Luchsinger 2 Beweis CLT Literatur Kapitel 2: Krengel: 12 2.1 Einführung Wir repetieren aus WTS, Kapitel 5: Fragestellung: Was geschieht mit dem Ausdruck n k=1 X k nµ, (2.1)
MehrInnere-Punkt-Methoden
Innere-Punkt-Methoden Johannes Stemick 26.01.2010 Johannes Stemick () Innere-Punkt-Methoden 26.01.2010 1 / 28 Übersicht 1 Lineare Optimierung 2 Innere-Punkt-Methoden Path-following methods Potential reduction
Mehr3.3. KONVERGENZKRITERIEN 67. n+1. a p und a n. beide nicht konvergent, so gilt die Aussage des Satzes 3.2.6
3.3. KONVERGENZKRITERIEN 67 und l n+1 wiederum als kleinsten Wert, so dass A 2n+2 = A 2n+1 + l n+1 k=l n < A. Alle diese Indizes existieren und damit ist eine Folge {A k } k N definiert. Diese Folge konvergiert
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
Mehr